Os problemas de otimização combinatória, atualmente, recebem grande
atenção nas pesquisas acadêmicas e aplicações. As primeiras pesquisas, a partir da
década de 1940, limitavam-se a resolução de problemas de programação linear,
mas a evolução computacional nas décadas seguintes expandiu os estudos para
problemas inteiros e também para não-lineares. Dentre os problemas não-lineares
inteiro-misto, destaca-se o problema de alocação de confiabilidade-redundância. As
características deste problematornam sua resolução difícil, mesmo para pequenas
instâncias. Logo, durante as últimas décadas foram propostas diversas técnicas para
sua resolução, muitas dessas utilizando e adaptando abordagens de metaheurísticas
evolutivas. Nesse grupo, destaca-se o algoritmo de Evolução Diferencial,
por sua simplicidade e bom desempenho. Porém, ainda que eficaz, apresenta
algumas deficiências, em relação a existência de parâmetros fixados inicialmente em
seus operadores. Assim, se tornando uma tarefa extra a escolha desses parâmetros,
sendo diferente a cada problema. Nesse âmbito, foram apresentadas propostas de
usar algoritmos que auto-adaptassem os parâmetros. Neste trabalho toma-se como
foco o algoritmo de Evolução Diferencial com Mutação Auto-adaptativa (SaMDE). O
algoritmo SaMDE foi proposto recentemente em (SILVA, 2010), e até então não tem
muitas aplicações divulgadas na literatura. É de conhecimento que sua convergência
embora eficaz, precisa ser melhorada. Logo, a presente dissertação propõe uma
versão híbrida com o algoritmo de Busca por Enxame de Partículas (PSO), para
agregar vantagens ao processo de busca do SaMDE, com o objetivo de melhorar o
desempenho e a convergência do algoritmo SaMDE para o problema de alocação
de confiabilidade-redundância. Tanto a versão híbrida quanto o SaMDE foram
aplicados a exemplos clássicos da literatura para o problema de alocação de
confiabilidade-redundância, sendo para o sistema em série, série-paralelo e
complexo. A versão híbrida proposta apresentou melhora, comparada ao algoritmo
SaMDE, no caso de problemas em série e complexo. Ambas obtiveram
convergência próxima aos melhores resultados conhecidos na literatura.