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