La estimación de algoritmos de distribución (EDAs) es un subconjunto de algoritmos evolutivos ampliamente utilizados en varios problemas de optimización, conocidos por sus resultados favorables. Cada generación de EDAs construye un modelo probabilístico para representar a los individuos más prometedores, y la siguiente generación se crea muestreando de este modelo. El principal desafío en el diseño de tales algoritmos radica en construir eficazmente el modelo probabilístico. La restricción de exclusividad mutua impone un desafío adicional para que los EDAs aborden problemas basados en permutaciones. En este estudio, proponemos un nuevo EDA llamado Algoritmo de Estimación de Distribución por Muestreo Guiado por Posición (PGS-EDA) diseñado específicamente para problemas basados en permutaciones. A diferencia de los enfoques convencionales, nuestro algoritmo se centra en las posiciones en lugar de los elementos durante la fase de muestreo. Evaluamos el rendimiento de nuestro algoritmo en el Problema de Programación de Flujo en Permutación (PFSP). Los experimentos realizados en varias tamaños de instancias de Taillard proporcionan evidencia de la efectividad de nuestro algoritmo para abordar el PFSP, particularmente para problemas de tamaño pequeño y mediano. Los resultados de comparación con otros EDAs diseñados para manejar problemas de permutación demuestran que nuestro algoritmo PSG-EDA logra consistentemente los valores más bajos de Desviación Porcentual Relativa Promedio (ARPD) en 19 de las 30 instancias de tamaños 20 y 50 utilizadas en el estudio. Estos hallazgos validan el rendimiento superior de nuestro algoritmo en términos de minimizar el criterio de tiempo de finalización del PFSP.