Um novo método de traçado de raios é proposto, utilizando os algoritmos genéticos e tendo como base o Princípio de Fermat. Para cada par fonte-receptor trabalha-se com uma família de raios, onde a cada qual se associa uma probabilidade. A partir dessa formulação probabilística utiliza-se os algoritmos genéticos de forma a se buscar os extremos do problema, ou seja, a determinação daqueles raios cujos tempos de trânsito obedecem ao Princípio de Fermat. Algoritmos simulando situações geológicas reais foram implementados, onde a velocidade pode ser constante ou variar em relação a duas coordenadas no espaço, ou mesmo ser dada como uma distribuição discreta e aleatória ao longo de uma malha uniforme. Os efeitos dos diversos parâmetros tratados pelos algoritmos genéticos foram avaliados em duas funções objetivo diferentes, o tempo de trânsito e o somatório dos quadrados de suas derivadas em relação aos parâmetros que caracterizam o modelo. Baixos valores de probabilidade de mutação e de renovação, valores moderados da probabilidade de cruzamento e da temperatura inicial (usada como parâmetro de controle durante o processo de seleção), atuando em uma população de cerca de 100 raios em 100 gerações parece ser ideal de forma a garantir uma boa convergência dos algoritmos.

A new ray tracing method is proposed, using genetic algorithms and based upon Fermat’s principle. For each source-receiver pair we no longer have a single ray, but a family of rays, each one with a different probability. It’s now possible, using this probabilistic formulation, making use of genetic algorithms in finding the extremes of the problem, which is represented by those rays whose traveltimes follow Fermat’s principle. Algorithms simulating real geological situations were implemented for cases where velocity may be constant or vary in two space coordinates along a layer, or even when the velocity fields is represented by a discrete and arbitrary distribution in an uniform grid. The effects of all the parameter manipulated by genetic algorithms are tested in two different objective functions: traveltime and the sum of the squares of its derivatives related to parameters that carachterize the model. Low values of mutation and update probability, moderate values of crossover probability and initial temperature (used as a control parameter during selection process), acting in a population of about 100 rays in 100 generations, seems to be ideal to guarantee optimum convergence of the algorithms.