Este Trabajo de Fin de Grado se centra en la aplicación de la Inteligencia Artificial para el entrenamiento de agentes autónomos, abordando una comparación entre dos paradigmas clave: el aprendizaje por refuerzo, a través del algoritmo Deep Q-Learning (DQN), y los algoritmos genéticos. El objetivo principal del proyecto fue la creación de un entorno simulado, específicamente el videojuego Lunar Lander, para el entrenamiento de un agente, analizando sus acciones y recompensas para optimizar su desempeño. El desarrollo de este trabajo se fundamenta en el uso de herramientas y bibliotecas como Python, Gymnasium para la simulación del entorno, y Keras para la implementación de redes neuronales. Los modelos desarrollados incluyen tanto la implementación de algoritmos genéticos con diversas configuraciones de operadores (selección, cruce y mutación) como la configuración y ajuste de arquitecturas de redes neuronales para DQN. Los resultados obtenidos revelan que, si bien los algoritmos genéticos pueden generar políticas estables bajo configuraciones específicas, su rendimiento es altamente dependiente de una correcta selección de parámetros y operadores. En contraste, DQN demostró una mayor robustez y capacidad de generalización en el aprendizaje de políticas óptimas, ofreciendo un rendimiento superior y más consistente, aunque a costa de una mayor complejidad en su implementación y ajuste de hiperparámetros.