Esta dissertação aborda a versão estocástica do problema de sequenciamento de máquina única com considerações ambientais. Neste contexto, os tempos de processamento das tarefas se comportam como variáveis aleatórias, e o consumo total de energia depende de quais tarefas serão processadas em quais períodos, uma vez que cada tarefa tem seu próprio consumo de energia e cada período possui sua tarifa de energia devido à política de Time-Of-Use. O objetivo deste trabalho é propor um algoritmo simheurístico para minimizar o consumo total de energia sob diferentes cenários de incerteza. O algoritmo proposto, denominado SimSA, combina as meta-heurísticas Simulated Annealing e Greedy Randomized Adaptive Search Procedure para realizar a busca no espaço de soluções, juntamente com a Simulação de Monte Carlo para gerar os valores aletatórios. O SimSA foi utilizado com três métricas estocásticas distintas: a média, Value at Risk e Conditional Value at Risk. Cada uma para analisar uma característica estocástica do problema. O algoritmo proposto foi implementado na linguagem de programação Julia, e os testes computacionais foram aplicados em 100 instâncias baseadas no trabalho de Zhang et al. (2018a). Os resultados do SimSA foram comparados com a melhor solução viável encontrada por uma meta-heurística considerando a entrada determinística, e o SimSA obteve melhores resultados em todas as métricas utilizadas. Isso evidencia que a melhor solução determinística não necessariamente é a melhor solução estocástica. Além disso, foi possível observar o impacto que todos os cenários de incertezas causam nas métricas analisadas. Esses resultados destacam a importância de incorporar as incertezas presentes nos processos e ressaltam a relevância da simheurística proposta.