A seleção no algoritmo genético privilegia as soluções com melhor desempenho na função de *fitness*....

Alternativa C - Cruzamento e mutação, que combina as características de dois indivíduos da população para criar novos indivíduos.

Introdução

Os Algoritmos Genéticos baseiam-se na Teoria da Evolução de Darwin, utilizando mecanismos que imitam a seleção natural e a reprodução biológica para resolver problemas de otimização.

Desenvolvimento

Para navegar no espaço de busca, o algoritmo utiliza operadores genéticos:

1. Cruzamento (Crossover): Responsável pela exploração (exploitation) de áreas promissoras, combinando o material genético de pais bem avaliados.
2. Mutação: Responsável pela diversidade e exploração global (exploration), alterando aleatoriamente partes de um indivíduo para garantir que o algoritmo não fique preso em ótimos locais.

Análise

| Método | Aplicação | Relação com Algoritmos Genéticos | | :--- | :--- | :--- | | Backtracking | Busca exaustiva em árvores | Não é um operador genético. | | Descida do Gradiente | Otimização contínua | Baseia-se em derivadas, não em evolução populacional. | | Cruzamento/Mutação | Evolução de soluções | Core dos AGs para criar novas soluções e manter diversidade. | | Força Bruta | Teste de todas as combinações | Inviável para problemas complexos; oposto à heurística do AG. | | Dijkstra | Menor caminho em grafos | Algoritmo determinístico específico para grafos. |

Conclusão

Os operadores de cruzamento e mutação são os motores de busca dos AGs. Enquanto o cruzamento foca na convergência para boas soluções, a mutação garante que o espaço de busca continue sendo explorado de forma diversa.

Alternativa C.