diff --git a/docs/Summary.org b/docs/Summary.org
new file mode 100644
index 0000000..a6e8df0
--- /dev/null
+++ b/docs/Summary.org
@@ -0,0 +1,143 @@
+#+TITLE: Práctica 2
+#+SUBTITLE: Metaheurísticas
+#+AUTHOR: Amin Kasrou Aouam
+#+DATE: 2021-06-22
+#+PANDOC_OPTIONS: template:~/.pandoc/templates/eisvogel.latex
+#+PANDOC_OPTIONS: listings:t
+#+PANDOC_OPTIONS: toc:t
+#+PANDOC_METADATA: lang=es
+#+PANDOC_METADATA: titlepage:t
+#+PANDOC_METADATA: listings-no-page-break:t
+#+PANDOC_METADATA: toc-own-page:t
+#+PANDOC_METADATA: table-use-row-colors:t
+#+PANDOC_METADATA: colorlinks:t
+#+PANDOC_METADATA: logo:/home/coolneng/Photos/Logos/UGR.png
+#+LaTeX_HEADER: \usepackage[ruled, lined, linesnumbered, commentsnumbered, longend]{algorithm2e}
+* Práctica 2
+
+** Introducción
+
+En esta práctica, usaremos distintos algoritmos de búsqueda, basados en poblaciones, para resolver el problema de la máxima diversidad (MDP). Implementaremos:
+
+- Algoritmo genético
+- Algoritmo memético
+
+** Algoritmos
+
+*** Genético
+
+Los algoritmos genéticos se inspiran en la evolución natural y la genética. Generan un conjunto de soluciones inicial (i.e. población), seleccionan un subconjunto de individuos sobre los cuales se opera, hacen operaciones de recombinación y mutación, y finalmente reemplazan la población anterior por una nueva.
+
+El procedimiento general del algoritmo queda ilustrado a continuación:
+
+\begin{algorithm}
+    \KwIn{A list $[a_i]$, $i=1, 2, \cdots, n$, that contains the population of individuals}
+    \KwOut{Processed list}
+
+    $P(t) \leftarrow initializePopulation()$
+    $P(t) \leftarrow evaluatePopulation()$
+
+    \While{$\neg stop  condition $}{
+        $t = t + 1$
+
+        $parents \leftarrow selectParents(P(t-1))$
+
+        $offspring \leftarrow recombine(parents)$
+
+        $offspring \leftarrow mutate(offspring)$
+
+        $P(t) \leftarrow replacePopulation(P(t-1), offspring)$
+
+        $P(t) \leftarrow evaluatePopulation()$
+    }
+    \KwRet{$P(t)$}
+\end{algorithm}
+
+Procedemos a la implementación de 4 variantes distintas, según 2 criterios:
+
+**** Criterio de reemplazamiento
+- *Generacional*: la nueva población reemplaza totalmente a la población anterior
+- *Estacionario*: los dos mejores hijos reemplazan los dos peores individuos en la población anterior
+**** Operador de cruce
+- *Uniforme*: mantiene las posiciones comunes de ambos padres, las demás se eligen de forma aleatoria de cada padre (requiere reparador)
+- *Posición*: mantiene las posiciones comunes de ambos padres, elige el resto de elementos de cada padre y los baraja. Genera 2 hijos.
+
+*** Memético
+
+Los algoritmos meméticos surgen de la hibridación de un algoritmo genético, con un algoritmo de búsqueda local. El resultado es un algoritmo que posee un buen equilibrio entre exploración y explotación.
+
+El procedimiento general del algoritmo queda ilustrado a continuación:
+
+\begin{algorithm}
+    \KwIn{A list $[a_i]$, $i=1, 2, \cdots, n$, that contains the population of individuals}
+    \KwOut{Processed list}
+
+    $P(t) \leftarrow initializePopulation()$
+    $P(t) \leftarrow evaluatePopulation()$
+
+    \While{$\neg stop  condition $}{
+        \If{$certain  iteration$}{
+            $P(t) <- localSearch(P(t-1))$
+        }
+        $t = t + 1$
+
+        $parents \leftarrow selectParents(P(t-1))$
+
+        $offspring \leftarrow recombine(parents)$
+
+        $offspring \leftarrow mutate(offspring)$
+
+        $P(t) \leftarrow replacePopulation(P(t-1), offspring)$
+
+        $P(t) \leftarrow evaluatePopulation()$
+    }
+    \KwRet{$P(t)$}
+\end{algorithm}
+
+Procedemos a la implementación de 3 variantes distintas:
+- Búsqueda local sobre todos los cromosomas
+- Búsqueda local sobre un subconjunto aleatorio de cromosomas
+- Búsqueda local sobre un el subconjunto de los mejores cromosomas
+
+** Implementación
+
+La práctica ha sido implementada en /Python/, usando las siguientes bibliotecas:
+
+- NumPy
+- Pandas
+
+*** Instalación
+
+Para ejecutar el programa es preciso instalar Python, junto con las bibliotecas *Pandas* y *NumPy*.
+
+Se proporciona el archivo shell.nix para facilitar la instalación de las dependencias, con el gestor de paquetes [[https://nixos.org/][Nix]]. Tras instalar la herramienta Nix, únicamente habría que ejecutar el siguiente comando en la raíz del proyecto:
+
+#+begin_src shell
+nix-shell
+#+end_src
+
+** Ejecución
+
+La ejecución del programa se realiza mediante el siguiente comando:
+
+#+begin_src shell
+python src/main.py <dataset> <algoritmo> <parámetros>
+#+end_src
+
+Los parámetros posibles son:
+
+| dataset                              | algoritmo | parámetros                             |
+| Cualquier archivo de la carpeta data | genetic   | uniform/position generation/stationary |
+|                                      | memetic   | all/random/best                        |
+
+También se proporciona un script que ejecuta 1 iteración de cada algoritmo, sobre cada uno de los /datasets/, y guarda los resultados en una hoja de cálculo. Se puede ejecutar mediante el siguiente comando:
+
+#+begin_src shell
+python src/execution.py
+#+end_src
+
+*Nota*: se precisa instalar la biblioteca [[https://xlsxwriter.readthedocs.io/][XlsxWriter]] para la exportación de los resultados a un archivo Excel.
+
+* Análisis de los resultados
+
+Desafortunadamente, debido a un tiempo de ejecución excesivamente alto (incluso tras ajustar los metaparámetros) no podemos proporcionar resultados de la ejecución de los algoritmos.
diff --git a/docs/Summary.pdf b/docs/Summary.pdf
new file mode 100644
index 0000000..5492c7e
Binary files /dev/null and b/docs/Summary.pdf differ