La búsqueda de métodos y procedimientos eficientes para optimizar los diseños experimentales es un proceso vital en ensayos de campo que a menudo se ve desafiado por cuellos de botella computacionales. La mayoría de los métodos existentes ignoran la presencia de algún tipo de correlaciones en los datos para simplificar el proceso de optimización en la etapa de diseño. Este estudio explora varios algoritmos para mejorar los diseños experimentales de campo utilizando un marco estadístico de modelos mixtos lineales ajustando tanto las correlaciones espaciales como genéticas basadas en los criterios de - y -optimalidad. Se estiman las eficiencias relativas de diseño para una serie de algoritmos que incluyen intercambio de pares, vecindario genético y recocido simulado, y se evalúan con diferentes niveles de heredabilidades, correlaciones espaciales y genéticas. Los diseños iniciales de bloques completos al azar se generaron utilizando un procedimiento estocástico y también se pueden importar directamente desde otro software de diseño. Los resultados mostraron que con una correlación espacial de 0.6 y una heredabilidad de 0.3, bajo el criterio de -optimalidad, tanto el recocido simulado como los algoritmos de pares simples lograron las eficiencias de diseño más altas entre individuos genéticamente no relacionados, lo que implica una reducción en la varianza promedio de los efectos aleatorios del tratamiento cuando el algoritmo se iteró 5000 veces. En contraste, los resultados bajo el criterio de -optimalidad indicaron que el recocido simulado tenía la eficiencia de diseño más baja. El algoritmo de pares simples mantuvo consistentemente las eficiencias de diseño más altas en todas las condiciones evaluadas. Las eficiencias de diseño para experimentos con familias de hermanos completos disminuyeron con el aumento de la heredabilidad. El número de intercambios exitosos pareció disminuir con el aumento de la heredabilidad y fue mayor tanto para el recocido simulado como para los algoritmos de pares simples, y menor para el algoritmo de vecindario genético.