111
Os métodos de minimização tradicionalmente utilizados na estimação de
parâmetros são métodos determinísticos (por exemplo, os métodos de Newton), os
quais, a partir de uma estimativa inicial dos parâmetros, levam à obtenção do mínimo da
função objetivo (HIMMELBLAU, 1970). Como a utilização desses métodos pressupõe
uma boa estimativa inicial dos parâmetros, sua eficiência fica prejudicada nos casos em
que, devido a não linearidade dos modelos matemáticos normalmente propostos, a
minimização da função objetivo envolve uma série de dificuldades, como por exemplo,
a existência de mínimos locais, a alta correlação entre os parâmetros e a presença de
parâmetros não significativos.
Em tais casos, o uso de métodos heurísticos de otimização se torna mais
apropriado. Esses métodos são caracterizados por um caráter aleatório na busca do
ótimo da função objetivo, envolvendo um grande número de avaliações desta, e
realizando uma busca global em toda a região paramétrica de interesse. Além disso,
independem de estimativas iniciais dos parâmetros e de diferenciações da função
objetivo (para chegar ao ponto ótimo) ou do modelo. Como exemplo desses métodos,
pode ser citado o Enxame de Partículas (KENNEDY e EBERHART, 1995), que faz
uma analogia com o comportamento gregário de animais (pássaros, peixes, abelhas,
etc.) e no qual as partículas do enxame trocam informações entre si para encontrar o
ótimo global da função objetivo. O método do Enxame de Partículas se caracteriza por
realizar uma busca de caráter global no início do procedimento de estimação, que acaba
por se tornar local ao longo das iterações, quando ocorre a convergência final das
partículas. Em resumo, no início da estimação, é realizada uma busca global, permitindo
a localização de possíveis mínimos globais da função objetivo; em seguida, o caráter
local da busca permite aumentar a precisão do valor obtido. Essa característica, além de
aumentar a probabilidade de ser encontrado o mínimo global, garante uma boa precisão
do valor obtido e uma boa exploração da região próxima ao mínimo, possibilitando uma
representação adequada da região de confiança dos parâmetros por meio da utilização
das avaliações da função objetivo realizadas pelo Enxame durante a minimização.
Nesse trabalho, a busca pelo mínimo da função objetivo definida na Equação 25
foi realizada por um método híbrido de minimização, que teve início com o Enxame de
Partículas. O melhor conjunto de valores dos parâmetros encontrado pelo método do
Enxame foi, então, usado como estimativa inicial por um método determinístico padrão,
o método de Gauss-Newton (NORONHA
et al., 1993), que realiza o refinamento da
solução e garante que o valor final da função objetivo seja, de fato, um mínimo.