O contínuo avanço tecnológico tem demandado novas soluções para o problema do número cada vez mais elevado de entradas em circuitos lógicos. Dentro deste contexto, uma estratégia explorada nos anos mais recentes é a de Logic Learning, cujo objetivo principal é a obtenção de circuitos que generalizam o comportamento de funções descritas de forma parcial. Uma das técnicas que já foi anteriormente aplicada em Logic Learning é a Programação Genética Cartesiana (CGP), cujos resultados obtidos até então indicam a sua efetividade, mas também indicam que em boa parte das situações a sua evolucionabilidade não é satisfatória. Sendo assim, o trabalho realizado nesta Iniciação Científica apresenta uma abordagem que consiste na aplicação de Curriculum Learning a um fluxo de otimização lógica baseado em CGP para melhorar tal aspecto. Esta técnica classifica os exemplos do conjunto de treinamento e os escolhe para participar da seleção de circuitos de acordo com alguma regra preestabelecida. Os resultados preliminares obtidos indicam que, quando são priorizados exemplos de treinamento com dificuldade igualitariamente distribuída ou exemplos mais difíceis, é possível que a técnica traga benefícios para o processo evolutivo. É importante observar ainda que este projeto teve como motivação inicial a otimização de um fluxo de síntese baseado em Árvores de Decisão. Entretanto, com a alteração de bolsista, um novo levantamento bibliográfico foi realizado, onde foi identificado que a otimização de um fluxo de síntese baseado em CGP poderia ser explorada, e assim foi feito.