espanolUna de las principales herramientas en el analisis de la respuesta magnetica de materiales, son las curvas de magnetizacion en funcion de campo aplicado; en el caso de curvas de histeresis ferromagnetica uno de los modelos mas ampliamente utilizados es el de Jiles-Atherton[1]. La solucion propuesta como ecuacion de magnetizacion[1,2] es una sumatoria de derivadas recurrentes en la magnetizacion, con una funcion de distribucion gaussiana para el anclaje; la caracteristica recurrente hace del ajuste de curvas experimentales una tarea complicada. Por tal razon se han propuesto distintas metodologias para la optimizacion de parametros al ajustar una curva histeretica experimental con el modelo mencionado[3,4]; este trabajo muestra la implementacion de un algoritmo genetico para la optimizacion de parametros del modelo de Jiles-Atherton sobre el entorno Mathematica de Wolfram Research. Los parametros de entrada para este algoritmo son: curva experimental de magnetizacion en funcion del campo, valor maximo del campo magnetico, probabilidad de mutacion aleatoria y probabilidad de mutacion exploratoria. Los parametros de salida son: magnetizacion de saturacion (Ms), parametro de fluctuacion termica (a), constante de campo promedio ( ), amplitud de la distribucion gaussiana de anclaje (k0), desviacion estandar de la distribucion gaussiana de anclaje () y el grafico de la medida experimental junto a la curva ajustada. EnglishOne of the main tools in magnetic materials response analysis, are the magnetization as function of applied field curves; in the case of ferromagnetic hysteresis one of the most widely used is the Jiles-Atherton model[1]. The proposed solution as an equation of magnetization[1,2] is a sum of recurrent in magnetization derivatives, with a Gaussian pinning distribution function; the recurrent characteristic makes the experimental fitting a complicated job. Due to this reason, different methodologies for parameter optimization of an experimental hysteretic curve with the mentioned model have been proposed[3,4]; it is shown in this work the implementation of a genetic algorithm for parameter optimization of the Jiles-Atherton model on Wolfram Research�s Mathematica environment. The entry parameters for this algorithm are: experimental magnetization as a function of the field curve, maximum magnetic field, random mutation probability and exploratory mutation probability. The output parameters are: saturation magnetization(Ms), thermal fluctuation parameter(a), mean field constant( ), Gaussian pinning distribution amplitude (k0), Gaussian pinning distribution standard deviation (), and the graphics of experimental and fitted curves.