Oliveira, Lidiano Augusto Nóbrega deSilva, João Victor de Oliveira2026-08-052026-07-22SILVA, João Victor de Oliveira. A comparative study of single-objective and multi-objective genetic algorithms for resource optimization in Kubernetes environments. 2026. 39 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Departamento de Estatística e Informática, Universidade Federal Rural de Pernambuco, Recife, 2026.https://arandu.ufrpe.br/handle/123456789/8999A ampla adoção do Kubemetes possibilitou a orquestração eficiente de aplicações conteinerizadas por meio de mecanismos automatizados de implantação e escalonamento. No entanto, as decisões de configuração de recursos — conto o número de réplicas e os limites de CPU e memória — ainda são comumente definidas manualmente ou com base em heurísticas estáticas, o que pode levar à utilização ineficiente de recursos ou à degradação do desempenho sob cargas de trabalho dinâmicas. Este trabalho apresenta um estudo experimental compara-tivo entre duas estratégias evolutivas para otimização de recursos em ambientes Kubemetes: um Algoritmo Genético de objetivo único (SO-GA), que maximiza uma agregação ponderada de escores de latência, eficiência de recursos e con-fiabilidade, e o Non-dominated Sorting Genetic Algorithm 11 (NSGA-II), que otimiza simultaneamente saturação, recursos provisionados e throughput conto objetivos conflitantes. Ambos os algoritmos compartilham o mesmo pipeline de avaliação — aplicando configurações em um cluster real, executando testes de carga controlados e coletando métricas de aplicação e do Prometheus — e exploram um espaço de busca idêntico e discretizado sobre réplicas, CPU e memória. Um baseline de Busca Aleatória (Random Search) com o mesmo orçamento de avaliações é incluído como controle. As três abordagens são com-paradas em termos de qualidade de solução (melhor fitness agregado, hipervol-ume, distância geracional invertida), comportamento de busca (cobertura da frente de Pareto, dominância) e custo computacional, fornecendo evidências empíricas sobre se a complexidade adicional da otimização multiobjetivo se justifica em tarefas de configuração de recursos em Kubemetes.39 f.en-USopenAccesshttp://creativecommons.org/licenses/by/4.0/Computação em nuvemSistemas operacionais distribuídos (Computadores)Inteligência artificialAlgoritmos genéticosOtimização matemáticabachelorThesisAttribution 4.0 International