Na medida em que o planejamento se tornou fundamental para a tomada de decisões, tecnologias de informação sobre a administração e manufatura de processos se tornaram populares, gerando incrementos na eficiência dos sistemas e possibilitando que decisões a serem tomadas pudessem ser as mais assertivas possíveis. Assim, ferramentas de auxílio à gestão que visam a aperfeiçoar processos ampliaram sua importância. Como exemplo destas ferramentas tem-se o uso da simulação computacional. Simulação define-se como a importação da realidade para um ambiente controlado, no qual se pode estudar o seu comportamento sob diversas condições, sem riscos físicos e/ou grandes custos envolvidos. Uma tendência observada nos últimos anos é a inclusão de ferramentas de otimização em simuladores. Neste contexto, o objetivo do trabalho foi desenvolver e analisar um algoritmo que visa otimizar um modelo de processos criado em software de simulação: diminuir custos e ao mesmo tempo aumentar a produção. Através da alteração de configurações do modelo busca-se a situação que apresenta o menor custo por produção. O algoritmo utiliza conceitos do Método Enxame de Partículas (MEP) e Algoritmos Genéticos (AG). Tais métodos fazem analogias a processos da natureza e evolução e comportamentos sociais, respectivamente. Ambos buscam a solução ótima para um sistema, armazenando experiências passadas para um resultado melhor a cada nova geração. O código foi desenvolvido em ambiente VBA dentro do próprio programa de simulação, facilitando a interação com modelos desenvolvidos nesse software. Após ser executado, o algoritmo analisa o modelo para dimensionar as matrizes utilizadas e então a busca pela melhor configurção de capacidades para os recursos tem início. Cada configuração é implantada no modelo, este então é simulado e, através do relatório, calcula-se o custo por produção que aquela configuração gerou. No decorrer de sua execução, o algoritmo armazena em um documento Excel as melhores configurações encontradas, o custo total de cada uma, a produção e o custo por produção. Estes dados se tornam úteis para posterior análise e comparação dos resultados: talvez o melhor custo por produção não seja tão vantajoso para a empresa e sim uma maior produção. No final da execução, após salvar o arquivo, a configuração que gerou o melhor custo por produção é implantada automaticamente no modelo e o algoritmo é finalizado. Salienta-se que o código pode ser adaptado para outros objetivos. Encontrar a configuração de tempos para os processos que gere uma maior produção, encontrar a configuração de recursos que gere a menor ociosidade ou em casos com análise de mais de uma variável, como o apresentado aqui, são alguns exemplos. Após a abordagem realizada, fica evidenciado que algoritmos de otimização são ferramentas úteis para gestores, tornando processos de análise para a tomada de decisão mais dinâmicos e automáticos, facilitando o trabalho dos profissionais e economizando tempo nos processos decisórios. O desenvolvimento deste algoritmo contempla a possibilidade de estudos e aplicações futuras em modelos reais de processos, com resultados analisados e verificados integralmente no contexto das organizações.