O desenvolvimento de algoritmos de otimização global irrestrita tem sido pesquisado na tentativa de obter algoritmos gerais que apresentem um bom desempenho em classes abrangentes de problemas de otimização. Os métodos que utilizam derivadas apresentam um bom desempenho mas, na grande maioria dos problemas esta informação não está disponível ou é de grande dificuldade a sua obtenção. Existe uma grande dificuldade de se estabelecer algoritmos eficientes sem a informação da derivada. Os métodos de busca direta se apoiam em heurísticas para determinar a direção de busca com certa eficiência, porém sem garantia de convergência. Este trabalho realiza uma avaliação do problema da convergência dos algoritmos de busca direta, desenvolve um modelo geral, estratégias de abordagem e melhorias, analisa e implementa um algoritmo que é capaz de determinar a direção de busca do ótimo de forma eficiente, sem o uso de derivadas. O software desenvolvido utiliza nuvens probabilísticas que fornecem o conhecimento da performance da distribuição de probabilidade da nuvem de pontos. Essa distribuição através dos seus momentos fornece a direção de aproximação do ponto de ótimo. Na presente pesquisa o algoritmo melhorado proposto apresentou uma excelente performance em relação às listas de Benchmark existentes e aceitas pela comunidade de otimização global. O aspecto mais relevante é a abrangência de classes de problemas possíveis de resolver com este algoritmo sem perda de performance em reconhecer a classe de problemas a ele submetido