[pt] A exploração e desenvolvimento de um campo de petróleo é permeada de incertezas de diferentes naturezas. A incerteza mais básica que o gestor de um portfolio exploratório enfrenta é aquela relativa à existência (ou não) de petróleo em determinado prospecto. Tipicamente, incertezas técnicas tendem a ser reduzidas com investimentos em aquisição de informação, que são exercícios de opções de aprendizagem. Decorrente da estrutura de correlações presentes nos prospectos de um portfolio exploratório, o resultado da perfuração de um poço pioneiro potencialmente irá revelar informações adicionais sobre a probabilidade de existência (ou não) de petróleo em outros prospectos deste mesmo portfolio. Cada poço a ser perfurado pode ser entendido como uma opção de aprendizagem a ser exercida (ou não) a depender da sua probabilidade de sucesso. Neste contexto, um dos fatores determinantes na otimização da campanha exploratória é a escolha da sequência ideal de perfuração de poços. Tal escolha é mais complexa, quão maior for a quantidade e diversidade de prospectos no portfolio. Diante dessa realidade, este trabalho propõe uma modelagem que busca, através de Algoritmos Genéticos, otimizar a sequência de perfurações dos poços e, portanto, o valor do portfolio. O modelo proposto considera as interdependências e as especificidades de cada prospecto e usa como função objetivo, a ser maximizada, o valor presente do líquido (VPL). Opções e aprendizagem são os aspectos-chave por trás do modelo de otimização. O modelo foi avaliado em dez diferentes portfolios exploratórios e, em todos os casos, foi capaz de propor pelo menos uma sequência que apresentasse expressivos ganhos de VPL em relação ao caso-base. / [en] An oil field exploration and development campaign is bounded with different kinds of uncertainty. The most basic one that an E and P portfolio manager deals with is the one related to the existence (or not) of oil in a given prospect. Typically, technical uncertainties are related to learning, and tend to be reduced with investments on information acquisition. From the correlation pattern on the prospects in a given exploratory portfolio, follows that the results from one initial wildcat drilling will, potentially, reveal, additional information about the oil existence (or not) in other prospects in the same geological play. This way, each prospect to be drilled might be understood as a learning option to be exercised (or not) depending on its respective success probability. In such case, one of the main factors on optimizing the exploratory campaign is choosing the ideal drilling sequence. Such choice is more complex, as the quantity and diversity of the prospects increases. Given such background, the present work proposes a model that intends, using Genetic Algorithms, to optimize the drilling sequence and, as a consequence, the total portfolio value. The proposed model considers the interdependencies and each prospect specific aspects and has as an objective function (to be maximizes) the portfolio net present value (NPV). Options and learning are the main aspects underlying the optimization model. The model was evaluated on ten different exploratory portfolios and, in every case, was able to deliver at least one sequence that could represent expressive NPV gains compared to the basic scenario.