Muitos problemas de interesse para a investigação envolvem mais que uma resposta sendo o objetivo principal a otimização simultânea das várias respostas envolvidas no sistema em estudo.
Historicamente, o problema da otimização simultânea de um conjunto de variáveis resposta, no contexto da MSR, foi resolvido com a modelação de cada uma das variáveis resposta e a sobreposição de gráficos de contorno da cada uma delas. A análise da sobreposição obtida permite encontrar, visualmente, uma combinação de níveis das variáveis do sistema que se aproxima o mais possível de satisfazer todas as especificações desejáveis para as respostas. No entanto, é muito improvável encontrar um único ponto que produza uma solução ótima para todas as respostas simultaneamente, uma vez que é comum encontrar problemas com respostas conflituosas.
O facto de a maioria dos problemas de interesse para a investigação envolver mais que uma resposta, levou os investigadores a procurarem abordagens mais formais dos problemas de multiresposta. A combinação das diferentes respostas num índice de resposta univariado, como por exemplo, a função desirability, é uma dessas abordagens. Este índice, quando sujeito a um processo de optimização, permite identificar especificações das variáveis que conduzem à optimização simultânea das respostas.
Técnicas de programação matemática, incluindo métodos heurísticos de busca, permitem localizar a combinação das variáveis que conduz ao melhor compromisso entre as diferentes especificações das respostas multivariadas. Os algoritmos genéticos são um dos mais atraentes métodos de busca heurística para os problemas de múltiplas respostas.
Neste trabalho usou-se o delineamento experimental desenvolvido por Mondim (2014) na indústria cerâmica, para ilustrar, com dados reais, o papel da RSM e dos algoritmos genéticos na otimização de um problema. O software R proporcionou a ferramenta computacional para implementar o estudo.