از شبیه‌سازی مونت‌کارلو به‌خوبی برای تولید سری داده‌هایی که از توزیعی مشخص پیروی می‌کنند استفاده می‌شود. با این‌حال تولید داده‌های همبسته تنها برای توزیع‌های خاص (نرمال دو- متغیره) امکان‌پذیر است، در حالی‌که در پاره‌ای از مواقع همچون تحلیل فراوانی منطقه‌ای پرداختن به توزیع‌های غیرنرمال مورد نیاز می‌باشد. برای حل این مسئله، در این مقاله استفاده از الگوریتم ژنتیک به‌عنوان روش ابتکاری پیشنهاد گردید. برای تطابق الگوریتم ژنتیک با مسئله‌ی دست بررسی، به‌جای تلاقی دو کروموزوم از دست‌کاری در هر کروموزوم استفاده شد زیرا قرارگیری مقادیر در یک سری زمانی به‌گونه‌ای است که تکرار اعداد مجاز نبوده و تمامی اعداد باید در یک سری مورد استفاده قرار گیرند. این شیوه برای یک متغیر تصادفی انجام شد و نشان داده شد که الگوریتم ژنتیک منجر به پاسخ‌های چندگانه می‌شود در حالی‌که در روش مونت‌کارلو تنها پاسخی یکتا به‌دست می‌آید. با ارایه‌ی تابع هدف مناسب، روش پیشنهادی برای توزیع¬های دو- متغیره نیز به‌کار برده شد و شمول گسترده‌تر پاسخ‌ها در مقایسه با روش مونت‌کارلو (تنها برای توزیع‌های نرمال) ارایه شد. دلیل گستردگی پاسخ در روش پیشنهادی به این حقیقت باز می-گردد که یک سری زمانی را می‌توان به چندین شیوه‌ی گوناگون مرتب کرد که بتواند با یک سری زمانی ثابت ضریب همبستگی یکسان را تولید کند. نشان داده شد که هرچه ضریب همبستگی کم‌تر باشد شمار حالت‌های گوناگون افزایش می‌یابد.

کلمات کلیدی