Um importante problema enfrentado por engenheiros é a busca por soluções ótimas para problemas com um grande número de soluções possíveis. Neste trabalho, estudamos métodos otimização probabilísticos baseados em algoritmos genéticos, propostos inicialmente para o estudo de sistemas biológicos. Propomos algumas alterações do método de otimização por algoritmos genéticos tradicional, utilizando técnicas estatísticas de planejamento experimental, que resultaram em uma melhoria da convergência, percebida, não só na velocidade de convergência, como no número de possibilidades de soluções diferentes analisadas. Como resultado, é proposto um algoritmo que cobre o domínio de atuação dos métodos por algoritmos genéticos e do método por gradientes, permitindo uma melhor sintonização do otimizador com o problema. / A important problem faced by engineers is the search of optimal solutions for problems with a great number of possible solutions. Throughout this work, it is studied stochastic optimizers based on genetic algorithms, applied initially to the study of biological systems. Some alterations on the traditional genetic algorithms based optimizer are proposed through the use of experiment design techniques, which resulted in a improvement of the convergence that can be perceived, not only in the convergence speed, but on the number of solutions analyzed as well. As a consequence, a algorithm is proposed, covering both the traditional genetic algorithms based optimizer and the gradient method domains, allowing a better tuning of the optimizer to the problem.

Um importante problema enfrentado por engenheiros é a busca por soluções ótimas para problemas com um grande número de soluções possíveis. Neste trabalho, estudamos métodos otimização probabilísticos baseados em algoritmos genéticos, propostos inicialmente para o estudo de sistemas biológicos. Propomos algumas alterações do método de otimização por algoritmos genéticos tradicional, utilizando técnicas estatísticas de planejamento experimental, que resultaram em uma melhoria da convergência, percebida, não só na velocidade de convergência, como no número de possibilidades de soluções diferentes analisadas. Como resultado, é proposto um algoritmo que cobre o domínio de atuação dos métodos por algoritmos genéticos e do método por gradientes, permitindo uma melhor sintonização do otimizador com o problema. / A important problem faced by engineers is the search of optimal solutions for problems with a great number of possible solutions. Throughout this work, it is studied stochastic optimizers based on genetic algorithms, applied initially to the study of biological systems. Some alterations on the traditional genetic algorithms based optimizer are proposed through the use of experiment design techniques, which resulted in a improvement of the convergence that can be perceived, not only in the convergence speed, but on the number of solutions analyzed as well. As a consequence, a algorithm is proposed, covering both the traditional genetic algorithms based optimizer and the gradient method domains, allowing a better tuning of the optimizer to the problem.