AVALIAO DE ALGORITMOS HEURSTICOS DE OTIMIZAO EM

PROBLEMAS DE ESTIMAO DE PARMETROS

Marcio Schwaab

DISSERTAO SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS
PROGRAMAS DE PS-GRADUAO DE ENGENHARIA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSRIOS PARA A OBTENO DO GRAU DE MESTRE EM CINCIAS EM
ENGENHARIA QUMICA.


Aprovada por:



________________________________________________
Prof. Jos Carlos Costa da Silva Pinto, D.Sc.



________________________________________________
Prof. Jos Luiz Fontes Monteiro, D.Sc.



________________________________________________
Prof. Evaristo Chalbaud Biscaia Jr., D.Sc.



________________________________________________
Prof. Marcelo Castier, Ph.D.







RIO DE JANEIRO, RJ - BRASIL
SETEMBRO DE 2005
ii











SCHWAAB, MARCIO
Avaliao de Algoritmos Heursticos de
Otimizao em Problemas de Estimao de
Parmetros [Rio de Janeiro] 2005.
VII, 149 p. 29,7 cm (COPPE/UFRJ, M.Sc.,
Engenharia Qumica, 2005).
Dissertao - Universidade Federal do Rio
de Janeiro, COPPE.
1. Estimao de Parmetros.
2. Algoritmos Heursticos de Otimizao.
3. Enxame de Partculas.
4. Regio de Confiana dos Parmetros.
I. COPPE/UFRJ II. Ttulo ( srie )

iii



























A meus pais, Incio e Clarinda, a meus
irmos, Edison e Fernando, e Elisa pela
amizade e apoio. Deus por sempre
colocar as pessoas certas na hora certa em
minha vida. Muito que tenho hoje devo a
estas pessoas.
iv

AGRADECIMENTOS

Aos meus orientadores Jos Carlos Pinto e Jos Luiz Monteiro, pela amizade,
pelos ensinamentos e pela oportunidade concedida.
Geraldo Crossetti, Luciana Silva e Marcos Lopes Dias pelos valiosos
dados experimentais da reao de polimerizao.
Ariane, Neuman Resende e Vera Salim pelos valiosos dados experimentais
da reao de produo de gs de sntese.
A todos os colegas, funcionrios e professores do PEQ/COPPE/UFRJ, em
particular ao pessoal do LMSCP e do NUCAT.
Aos professores Jos Eduardo Olivo e Ndia Regina Camargo Fernandes
Machado da Universidade Estadual de Maring, pelo apoio e incentivo para a minha
vinda ao Rio de Janeiro.
Aos meus velhos amigos da poca do Handebol, em particular ao grande Jos
Carlos Mendes, mais conhecido como Spock, pela grande oportunidade que ele me
concedeu.
Neuza Patrcio de Santanna e Joo Carlos de Azevedo pelas inmeras cpias
de artigos na biblioteca e pelo bom humor durante o atendimento.
Aos meus pais, Incio e Clarinda, que muito me ajudaram e se esforaram para
que a realizao da minha graduao e a minha vinda ao Rio de Janeiro fossem
possveis.
Ao meu irmo dison, pela amizade e pela grande ajuda que ele deu a nossos
pais na mudana para Santa Catarina.
Ao meu irmo Fernando, pela amizade e pelas Ervas de Terer.
Elisa por seu carinho e amizade.
A todos do futebol do PEQ, sem eles nada disto seria possvel.
Ao grande Estado do Paran e ao grande Atltico Paranaense, o melhor time de
futebol do mundo.
Ao CNPq pelo apoio financeiro.
A todos que contriburam de alguma forma para a realizao deste trabalho.

A todos, o meu muito obrigado.
v
Resumo da Dissertao apresentada COPPE/UFRJ como parte dos requisitos
necessrios para a obteno do grau de Mestre em Cincias (M.Sc.)


AVALIAO DE ALGORITMOS HEURSTICOS DE OTIMIZAO EM
PROBLEMAS DE ESTIMAO DE PARMETROS


Marcio Schwaab

Setembro/2005

Orientadores: Jos Carlos Costa da Silva Pinto
Jos Luiz Fontes Monteiro.

Programa: Engenharia Qumica

Este trabalho avalia a utilizao de algoritmos heursticos de otimizao na
estimao de parmetros de modelo no lineares. Os mtodos heursticos usados foram
o Monte Carlo, o Algoritmo Gentico, o Recozimento Simulado e o Enxame de
Partculas. Estes mtodos apresentam diversas vantagens sobre os mtodos tradicionais
de estimao, como a realizao de uma busca global em uma regio de busca pr-
definida, sem a necessidade de uma estimativa inicial dos parmetros e sem a
diferenciao da funo objetivo ou do modelo. Assim, estes mtodos so mais
robustos, quando comparados aos mtodos tradicionais, j que os mtodos heursticos
utilizam somente os valores da funo objetivo e no so influenciados pela presena de
parmetros no-significativos. O mtodo do Enxame de Partculas, em particular,
apresentou resultados superiores aos demais algoritmos heursticos utilizados neste
trabalho, tanto na minimizao de funes-teste, como na estimao de parmetros de
problemas reais. Tambm foi possvel mostrar que o grande nmero de avaliaes da
funo objetivo realizadas pelos mtodos heursticos durante a minimizao pode ser
utilizado na construo das regies de confiana dos parmetros, sem a necessidade de
aproximaes, garantindo uma analise estatstica rigorosa dos resultados obtidos.
vi
Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M.Sc.)


EVALUATION OF HEURISTIC OPTIMIZATION ALGORITHMS
IN PARAMETER ESTIMATION PROBLEMS


Marcio Schwaab

September/2005

Advisors: Jos Carlos Costa da Silva Pinto
Jos Luiz Fontes Monteiro.

Department: Chemical Engineering

This work evaluates the use of heuristic optimization algorithms in nonlinear
parameter estimation problems. The heuristic methods used here were the Monte Carlo,
the Genetic Algorithm, the Simulated Annealing and the Particle Swarm algorithms.
This methods show several advantages over traditional parameter estimation methods,
as the realization of a global minimization in a predefined search region, without the
need for initialization parameter guesses and without differentiation of the objective
function or the model. For these reasons, these methods are more robust, when
compared to traditional methods, since the heuristic methods make use only of the
objective function values and are not influenced by presence of non significant
parameters. The Particle Swarm method, in particular, showed superior results over
others heuristic optimization methods used in this work, both for the minimization of
test functions and for estimation of kinetic parameters in kinetic models. It is also
shown that the large number of objective function evaluations performed by heuristic
methods during minimization can be used for construction of confidence regions of
parameter estimates, without need of approximations, ensuring a more rigorous
statistical analysis of the final obtained results.
vii

NDICE GERAL

1. INTRODUO.................................................................................................................1
2. REVISO BIBLIOGRFICA.............................................................................................5
2.1. A Funo Objetivo.......................................................................................6
2.2. A Minimizao...........................................................................................11
2.3. A Interpretao Estatstica dos Resultados ..............................................27
3. OS ALGORITMOS HEURSTICOS .................................................................................35
3.1. Monte Carlo...............................................................................................39
3.2. Algoritmo Gentico....................................................................................49
3.3. Recozimento Simulado..............................................................................62
3.4. Enxame de Partculas................................................................................71
3.5. Concluses .................................................................................................85
4. PROBLEMAS DE ESTIMAO DE PARMETROS..........................................................88
4.1. Determinao da Regio de Confiana em Modelos No Lineares........88
4.1.1. Modelo de Michaelis-Menten.......................................................89
4.1.2. Modelo Cintico de 1 Ordem.......................................................94
4.1.3. Modelo de Exponencial Dupla .....................................................99
4.2. Exemplo: Cintica da Reao de Polimerizao de Etileno..................103
4.3. Exemplo: Cintica da Reao de Produo de Gs de Sntese .............117
5. CONCLUSES E SUGESTES......................................................................................132
REFERNCIAS BIBLIOGRFICAS...................................................................................136
APNDICE......................................................................................................................143

1
CAPTULO 1: INTRODUO
A aplicao de modelos matemticos para a representao e interpretao de
processos qumicos, tanto em escala laboratorial quanto industrial, uma atividade
muito til e bem difundida no campo da engenharia qumica. Os modelos matemticos
so compostos por equaes algbricas e/ou diferenciais que relacionam as variveis do
processo, de modo que seja possvel obterem-se previses baseadas na resposta do
modelo, como, por exemplo, prever a converso de uma reao a uma dada temperatura
e composio na alimentao do reator. Estas previses fornecidas pelo modelo
permitem a simulao, o projeto e a otimizao do processo que o modelo representa.
Entretanto, para que as previses realizadas a partir de um modelo possam ser utilizadas
com segurana, necessrio que estas previses representem o processo real com
preciso.
Assim, durante o desenvolvimento e aperfeioamento de um determinado
modelo, a etapa de estimao de parmetros assume uma importncia fundamental, pois
atravs desta etapa que o modelo comparado a dados reais (ou experimentais),
permitindo a avaliao da adequao do modelo. Os parmetros so variveis que
surgem durante o desenvolvimento dos modelos e que no podem ser medidas
experimentalmente (por exemplo, o fator pr-exponencial e a energia de ativao de
uma reao na equao de Arrhenius) e cujos valores devem ser estimados de tal forma
que o modelo represente os dados experimentais com a maior preciso possvel.
O procedimento de estimao de parmetros consiste na minimizao de uma
funo objetivo atravs do ajuste dos parmetros do modelo, sendo a funo objetivo
uma medida da distncia entre os dados experimentais e as predies do modelo. Uma
funo objetivo muito utilizada a funo de mnimos quadrados, que mede a soma dos
desvios quadrticos do modelo em relao ao experimento. Porm, quando a diferena
na grandeza das variveis medidas significante, ou mesmo quando os erros associados
s medies experimentais so diferentes, a utilizao da funo de mnimos quadrados
se torna inadequada. Neste caso, a utilizao da funo de mxima verossimilhana, que
maximiza a probabilidade de serem observados os valores experimentais efetivamente
obtidos, deve ser preferida. Essa funo leva em considerao os erros associados a
cada medida e, conseqentemente, a diferena relativa da ordem de grandeza das
2
variveis. Alm disso, a utilizao da funo de mxima verossimilhana permite uma
anlise estatstica rigorosa dos resultados da estimao.
Uma vez definida a funo objetivo, o passo seguinte a sua minimizao
atravs do ajuste dos parmetros para, assim, obter-se um modelo com a melhor
predio possvel. Os mtodos de minimizao tradicionalmente utilizados na estimao
de parmetros so mtodos determinsticos, nos quais, a partir de uma estimativa inicial
dos parmetros, busca-se o mnimo da funo objetivo. Dentre os mtodos
determinsticos, destacam-se os mtodos de Newton, os quais fazem uso do Gradiente e
da matriz Hessiana da funo objetivo. As principais qualidades destes mtodos so a
rpida convergncia e a alta preciso dos valores obtidos.
Entretanto, devido freqente no linearidade encontrada nos modelos
matemticos utilizados na engenharia qumica, a minimizao da funo objetivo pode
apresentar uma srie de dificuldades, dentre as quais destacam-se, entre outros, a
presena de mnimos locais, a alta correlao entre os parmetros, o desconhecimento
de uma boa estimativa inicial dos parmetros e a presena de parmetros no
significativos.
Assim, a utilizao dos mtodos tradicionais fica muito prejudicada, pois a sua
eficincia depende principalmente de uma boa estimativa inicial. Por outro lado, estes
mtodos no so capazes de realizar uma busca global e para que o timo global seja
encontrado necessria, mais uma vez, uma boa estimativa inicial dos parmetros.
Para superar estas dificuldades, os mtodos heursticos de otimizao surgem
como uma alternativa eficiente e robusta. Estes mtodos so caracterizados por um
carter aleatrio na busca do timo, um grande nmero de avaliaes da funo objetivo
e por realizarem uma busca global em toda a regio de interesse. Alm disso, estes
mtodos no dependem de uma boa estimativa inicial dos parmetros e no utilizam
derivadas (Gradiente e matriz Hessiana) durante a otimizao, o que garante a robustez
do mtodo, mesmo em problemas com parmetros no significativos.
Dentre os mtodos heursticos, o mtodo de Monte Carlo, o Algoritmo Gentico,
o Recozimento Simulado e o Enxame de Partculas sero avaliados neste trabalho. O
mtodo de Monte Carlo apresenta um alto carter aleatrio, sendo que a busca consiste
em extensivas tentativas, onde os valores dos parmetros so sorteados aleatoriamente
dentro da regio de interesse. O Algoritmo Gentico procura simular a evoluo dos
seres vivos, onde os indivduos evoluem ao longo das iteraes mediante alguma funo
que mede a aptido de cada indivduo (neste caso, a prpria funo objetivo). O
3
Recozimento Simulado faz uma analogia ao recozimento de metais onde, a partir de
uma temperatura inicial, o metal resfriado e os seus tomos so rearranjados de forma
a minimizar a energia de estrutura cristalina. O Enxame de Partculas faz uma analogia
com o comportamento gregrio de animais (pssaros, peixes, abelhas, etc.), onde as
partculas do enxame trocam informaes entre si para encontrar o timo global da
funo objetivo.
Uma desvantagem marcante destes mtodos heursticos a necessidade de um
grande nmero de avaliaes da funo objetivo, o que aumenta muito o custo
computacional. Por outro lado, este grande nmero de avaliaes da funo objetivo
pode ser utilizado para a avaliao estatstica dos resultados finais, permitindo, por
exemplo, determinar a regio de confiana dos parmetros sem a necessidade de
aproximaes.
O Enxame de Partculas, em particular, se destaca por sua simplicidade,
eficincia e robustez. Uma caracterstica interessante deste mtodo marcada por uma
busca de carter global no incio do procedimento que, ao longo das iteraes, torna-se
local, quando ocorre a convergncia final das partculas. Assim, no incio realizada
uma busca global, permitindo a localizao de possveis mnimos globais; em seguida, o
carter local da busca permite aumentar a preciso do valor obtido. Esta caracterstica,
alm de aumentar a probabilidade de se encontrar o mnimo global, garante uma boa
preciso do valor obtido e uma boa explorao da regio prxima ao mnimo,
possibilitando uma boa representao da regio de confiana dos parmetros atravs da
utilizao das avaliaes da funo objetivo realizadas pelo mtodo durante a
minimizao.
O objetivo principal desta dissertao investigar a utilizao dos mtodos
heursticos de otimizao, em particular do Enxame de Partculas, na estimao de
parmetros de modelos comuns na engenharia qumica. Sero avaliados os resultados
obtidos na estimao de parmetros de problemas de grande dimenso e com alta
correlao entre os parmetros, alm da determinao da regio de confiana dos
parmetros sem a necessidade de aproximaes.
No Captulo 2 feita uma reviso da literatura sobre o procedimento de
estimao de parmetros, a sntese da funo de mxima verossimilhana, os principais
mtodos de otimizao, incluindo os mtodos heursticos, e a anlise estatstica dos
parmetros estimados.
4
No Captulo 3 so apresentados os algoritmos dos mtodos heursticos: Monte
Carlo, Algoritmo Gentico, Recozimento Simulado e Enxame de Partculas. Os
algoritmos so validados atravs de problemas padres de otimizao e os resultados
obtidos por cada um so avaliados e comparados. Tambm avaliada a capacidade de
cada algoritmo em descrever a regio prxima ao mnimo da funo, caracterstica
importante para a determinao da regio de confiana dos parmetros.
No Captulo 4 o Enxame de Partculas avaliado quanto capacidade de
descrever a regio de confiana dos parmetros em problemas de estimao com
modelo no lineares de pequena dimenso. Em seguida so resolvidos dois problemas
reais de estimao de parmetros: o primeiro consiste na estimao dos parmetros
cinticos da reao de polimerizao de etileno; o segundo consiste na estimao dos
parmetros cinticos da reao de converso do metano em gs de sntese atravs da
reao de reforma do metano com dixido de carbono combinada com a oxidao
parcial.
No Captulo 5 so apresentadas as concluses finais sobres os resultados obtidos
por cada mtodo heurstico de otimizao, tanto para a minimizao das funes teste
quanto para a estimao dos parmetros dos problemas reais. feita uma avaliao final
da regio de confiana dos parmetros obtida atravs da utilizao dos pontos avaliados
pelos mtodos heursticos durante a minimizao da funo objetivo. Por fim, so feitas
sugestes para trabalhos futuros.
5
CAPTULO 2: REVISO BIBLIOGRFICA
Os primeiros trabalhos onde o procedimento de estimao de parmetros
discutido foram apresentados por Legendre, em 1806, e Gauss, em 1809. Apesar de
Legendre ter sido o primeiro a publicar o uso do mtodo dos mnimos quadrados, Gauss
reivindicou o uso deste mtodo j em 1795, o que d a Gauss o reconhecimento de ter
sido o primeiro a usar esta importante ferramenta para a estimao de parmetros
(BECK e ARNOLD, 1977).
Apesar de Gauss ter dado fundamentos estatsticos ao mtodo de mnimos
quadrados, mostrando que as estimativas obtidas por este mtodo maximizam a
densidade de probabilidade para uma distribuio normal dos erros, antecipando desta
forma o mtodo de mxima verossimilhana, Gauss e seus contemporneos parecem
preferir justificativas puramente heursticas para utilizao do referido mtodo (BARD,
1974).
Os trabalhos seguintes, apresentados ainda no sculo XIX, realizados pelo
prprio Gauss e ainda por Cauchy, Bienaym, Chebyshev, Gram, Schmidt e outros, se
concentraram nos aspectos computacionais do ajuste linear por mnimos quadrados. No
inicio do sculo XX, o desenvolvimento de mtodos estatsticos de estimao foi
objetivo de estudo de Karl Pearson e R. A. Fisher. atribudo a R. A. Fisher, apesar de
baseado nas idias de Gauss, o desenvolvimento do mtodo de mxima
verossimilhana, incluindo a anlise das propriedades da estimao como consistncia,
eficincia e suficincia (SEAL, 1967; HIMMELBLAU, 1970; BARD, 1974).
O advento dos computadores possibilitou o uso de mtodos numricos para
estimao de parmetros, j que este procedimento envolve a busca do mnimo de uma
funo no linear. Muitos mtodos que levam os nomes de Newton, Gauss e Cauchy, e
que eram conhecidos h muito tempo, puderam finalmente ser aplicados de forma
intensiva aos mais diferentes problemas prticos de estimao, nas mais diferentes reas
(BARD, 1974).
Um fato que mostra o grande impacto do desenvolvimento computacional na
rea de estimao de parmetros o aumento do nmero de artigos publicados, como
foi observado pelo nmero de trabalhos no banco de dados do portal Web of Science
contendo as palavras parameter e estimation. H um aumento exponencial do
nmero de artigos na rea de estimao de parmetros, mesmo considerando o nmero
6
relativo de artigos em relao ao total de artigos em cada perodo de 10 anos, conforme
a Tabela 1.
Tabela 1: Evoluo dos artigos publicados com estimao de parmetros.
Perodo
Artigos
selecionados
Artigos
totais
Percentual dos
Artigos, %
1945-1954 7 721487 0,001
1955-1964 40 1526202 0,003
1965-1974 284 3894294 0,007
1975-1984 653 7308761 0,009
1985-1994 4018 9149986 0,044
1995-2004 13283 11757040 0,113

A seguir sero abordados os aspectos relacionados funo objetivo, sua sntese
e caractersticas, os mtodos tradicionais e heursticos de minimizao e os aspectos
relacionados anlise estatstica dos resultados.
2.1 A Funo Objetivo
Uma definio estatisticamente rigorosa da funo objetivo o ponto de
fundamental importncia no procedimento de estimao de parmetros. a partir da
definio da funo objetivo que as anlises estatsticas dos resultados podem ser feitas
com o rigor necessrio. Uma forma de introduzir uma interpretao estatstica rigorosa
no procedimento de estimao de parmetros atravs da definio da funo de
mxima verossimilhana.
Considerando que as variveis experimentais
e
z (independentes e dependentes)
esto sujeitas a erros, estas podem ser vistas como variveis aleatrias descritas por uma
certa funo de densidade de probabilidade

( )
; ,
e
e
P

z z V (2.1)
que fornece a probabilidade de obterem-se os valores experimentais z
e
, dados os valores
reais desconhecidos z* e uma medida do erro experimental V
e
(matriz de covarincia
dos desvios experimentais). O mtodo de mxima verossimilhana consiste em
maximizar esta probabilidade, dadas as restries do modelo
( ) = f z, 0 (2.2)
onde z um vetor que contm variveis independentes e dependentes, f um vetor com
as equaes do modelo e um vetor dos parmetros do modelo.
7
Admitindo que o modelo perfeito e que os experimentos so bem feitos, de
modo que seja razovel admitir que os resultados experimentalmente obtidos sejam os
mais provveis, parece razovel variarem-se os parmetros de forma a maximizar a
probabilidade de observarem-se os resultados experimentais obtidos (BARD, 1974).
Assim, os valores reais e desconhecidos z* podem ser considerados iguais aos valores
calculados a partir do modelo, j que este considerado perfeito, representados por z
m
.
Por outro lado, a definio da funo de densidade de probabilidade no uma
tarefa trivial, pois para isso um conjunto muito grande de experimentos seria necessrio.
Como a realizao de experimentos freqentemente custosa e pode levar muito tempo,
a opo mais comum admitir que os dados experimentais seguem uma distribuio
normal de probabilidade, haja visto que tambm muito difcil mostrar que um
conjunto de dados ou no normalmente distribudo (RATKOWSKY, 1990). Alm
disto, esta hiptese geralmente razovel por causa das caractersticas da distribuio
normal, que so (segundo BARD, 1974):
a) geralmente apresenta um comportamento prximo a muitas medidas
experimentais;
b) com o aumento do nmero de medidas, muitas distribuies aproximam-se da
distribuio normal;
c) dadas a mdia e a varincia de um conjunto de medidas e usando os conceitos do
clculo variacional, possvel mostrar que a distribuio normal a que insere a
menor quantidade de informaes extras ao problema;
d) a facilidade no tratamento matemtico, que permite a definio das distribuies

2
e F, de fundamental importncia para o estabelecimento de intervalos de
confiana dos parmetros e para o teste da qualidade do ajuste do modelo aos
dados.
Assim, admitindo que os desvios experimentais so normalmente distribudos, a
funo de mxima verossimilhana pode ser escrita como:
( )
( )
( )
( ) ( )
2
-1
2 1
exp
2
det
N
T
e m e m
e
e
L


l
l =
l
l
z z V z z
V
(2.3)
onde N o nmero total de variveis. Maximizar a funo acima o mesmo que
minimizar a funo
( ) ( ) ( )
-1
T
e m e m
e
S = z z V z z (2.4)
8
Se os experimentos so realizados de forma independente, os termos da matriz
de covarincia V
e
que correlacionam as variveis de diferentes experimentos so nulos
e, assim, pode-se reescrever a funo objetivo como:
( ) ( ) ( )
-1
1
i
NE
T
e m e m
i i e i i
i
S
=
=

z z V z z (2.5)
onde i denota o experimento e NE o nmero total de experimentos. Admitindo-se que os
desvios nas variveis independentes e dependentes no esto correlacionados, pode-se
escrever a funo objetivo da seguinte forma:
( ) ( ) ( ) ( ) ( ) ( ) ( )
-1 -1
1 1
, ,
i i
NE NE
T T
e m m e m m e m e m
i i i ey i i i i i ex i i
i i
S
= =
= +

y y x V y y x x x V x x (2.6)
onde x
e
e x
m
so vetores com os valores das variveis independentes medidos
experimentalmente e otimizados, respectivamente, y
e
e y
m
so vetores com os valores
das variveis dependentes medidos experimentalmente e calculados pelo modelo,
respectivamente, o vetor dos parmetros do modelo e V
ex
e V
ey
a matriz de
covarincia dos desvios experimentais relacionados, respectivamente, s variveis
independentes e s variveis dependentes.
interessante observar que a Equao (2.6) mostra de forma clara que os
desvios em ambas variveis podem ser considerados durante a estimao de parmetros.
Entretanto, deve-se observar que os valores de y
m
so calculados a partir de um modelo,
dados os parmetros e as variveis independentes x
m
. Geralmente, os desvios nas
variveis independentes so descartados, j que estas variveis podem ser controladas
com certa preciso. Entretanto, em problemas de reconciliao de dados, principalmente
quando so utilizados dados de plantas industriais, as variveis independentes podem
apresentar desvios da mesma ordem de grandeza presentes em de uma varivel
dependente (como as vazes de correntes de entrada e sada de um reator). Assim, o
procedimento de estimao de parmetros que leva em considerao os desvios nas
variveis independentes, assume um papel fundamental na reconciliao de dados (KIM
et al., 1991a, 1991b). DOVI et al. (1993) desenvolveram um procedimento para o
planejamento seqencial de experimentos especificamente para modelos onde as
variveis independentes tambm esto sujeitas a desvios.
9
Entretanto, em escala laboratorial muito comum considerar que as variveis
independentes so conhecidas com grande preciso. Assim, o segundo termo da direita
da Equao (2.6) nulo, resultando na seguinte expresso:
( ) ( ) ( ) ( ) ( )
-1
1
, ,
i
NE
T
e m m e m m
i i i ey i i i
i
S
=
=

y y x V y y x (2.7)
Por outro lado, se as medidas das variveis dependentes so realizadas de forma
a no haver correlao entre elas; isto , se os desvios entre as variveis dependentes
no esto correlacionados, a funo objetivo pode ser reescrita em uma forma conhecida
como funo de mnimos quadrados ponderados:
( )
( ) ( )
2
2
1 1
,
e m m
NE NY
ij ij i
i j ij
y y
S

= =

x
(2.8)
onde
2
a varincia associada medida da varivel j no experimento i.
Admitindo que o erro das variveis dependentes constante; ou seja, que o
mesmo para todas as variveis dependentes e em todos os experimentos, chega-se
conhecida funo de mnimos quadrados:
( ) ( ) ( )
2
1 1
,
NE NY
e m m
ij ij i
i j
S y y
= =
=

x (2.9)
Este resultado assegura uma interpretao estatstica ao mtodo de mnimos
quadrados, conforme descrito por Gauss. Entretanto, ao longo do desenvolvimento
acima realizado foram realizadas inmeras hipteses, as quais devem ser satisfeitas para
que o mtodo de mnimos quadrados tenha tal interpretao estatstica. Alm disso, em
modelos com mais de uma sada (por exemplo, um modelo que prev a converso e a
temperatura na sada de um reator) a funo de mnimos quadrados inadequada devido
s diferentes magnitudes das respostas do modelo.
importante ressaltar a importncia da matriz de covarincia das medidas
experimentais. O desenvolvimento das equaes feito acima foi sempre baseado em
hipteses com relao estrutura desta matriz. Assim, a escolha adequada da funo
objetivo passa pelo conhecimento prvio da estrutura dos erros experimentais do
problema em questo. Alm disso, em certos casos a matriz de erros pode trazer
importantes informaes sobre o problema em questo. Por exemplo, no trabalho de
10
LARENTIS et al. (2003) a anlise da matriz dos erros experimentais possibilitou a
obteno de informaes sobre o mecanismo da reao estudada.
Freqentemente a matriz de covarincia dos erros experimentais totalmente ou
parcialmente desconhecida, o que particularmente verdade quando os dados so
correlacionados. O mtodo da mxima verossimilhana permite que estes componentes
desconhecidos sejam considerados como parmetros adicionais e estimados em
conjunto com os parmetros do modelo. Entretanto, quando o nmero de variveis
grande e, conseqentemente, o nmero de componentes desconhecidos da matriz de
covarincia tambm grande, a dimenso do problema de estimao aumenta
consideravelmente, tornando esta prtica no usual devido a dados experimentais
limitados, erros sistemticos de modelagem e outras violaes de hiptese assumidas
para a anlise de mxima-verossimilhana (RICKER, 1984). Alm disso, SANTOS e
PINTO (1998) mostraram que a estimao simultnea dos parmetros e da correlao
entre as variveis pode levar a parmetros sem quaisquer significados fsico e/ou
matemtico, alm de inserir dificuldades adicionais para minimizao da funo
objetivo.
Um ponto importante para a estimao de parmetros a classificao das
variveis em independentes e dependentes. Dependendo da estrutura matemtica do
modelo, pode ser mais conveniente obter x como funo de y; ou seja, calcular a
varivel independente como funo da varivel dependente, fato comum em modelos
cinticos. Assim, alguns autores estimam os parmetros de tal modelo minimizando os
desvios em x, dados os valores de y (FROMENT e MEZAKI, 1970). Entretanto,
MEZAKI et al. (1973) mostram que a troca de y por x na minimizao dos desvios
quadrticos para estimao dos parmetros, alm de ser teoricamente errado, pode levar
a uma estimativa ruim dos parmetros. Isso ocorre porque a varivel x geralmente
conhecida com grande preciso, j que esta a condio que foi fixada para realizao
do experimento, o que no ocorre com a varivel y, que o resultado do experimento e
que pode depender de uma srie de fatores nem sempre controlveis.
Outro ponto muito importante e geralmente ignorado a hiptese de que o
modelo perfeito. Os modelos utilizados na engenharia qumica, mesmo quando
baseados em teorias, esto sujeitos a muitas simplificaes, pois virtualmente
impossvel desenvolver um modelo matemtico onde todos os fenmenos que ocorrem
em um processo qumico sejam considerados simultaneamente. Por outro lado, mesmo
se a estrutura de um modelo perfeita, os parmetros deste modelo so estimados a
11
partir de dados experimentais incertos, e, assim, as predies do modelo tambm so
incertas, de modo que o modelo no perfeito. Por este motivo, os desvios entre as
predies do modelo e os dados experimentais devem ser descritos pela distribuio do
erro de predio, ou melhor, pela matriz de covarincia de predio, que considera tanto
os erros experimentais quanto os erros de modelagem.
Baseado nestes fatos, SANTOS e PINTO (1998) propuseram um procedimento
de estimao onde a matriz de covarincia dos desvios experimentais substituda pela
matriz de covarincia de predio. Como esta matriz no conhecida a principio, j que
depende dos parmetros estimados, um procedimento iterativo deve ser utilizado. A
matriz de covarincia de predio calculada ao final da minimizao e a funo
objetivo, com a nova matriz de predio, minimizada novamente. Este processo
iterativo repetido at que a matriz de predio atinja a convergncia.
Alm do mtodo de mxima verossimilhana, existem outros mtodos de
estimao que diferem na formulao da funo objetivo, como a estimao Bayesiana
(BOX e DRAPER, 1965), o mtodo dos momentos (GALLANT, 1987), alm de outros
mtodos, mas no sero considerados neste trabalho.
2.2 A Minimizao
Uma vez definida a funo objetivo, a etapa seguinte a minimizao desta
funo. A minimizao consiste na busca de um conjunto de parmetros onde a funo
atinja o menor valor possvel. Nos casos onde as variveis independentes tambm esto
sujeitas a erros, a minimizao realizada de forma a encontrar os valores timos dos
parmetros e das variveis independentes.
A princpio, a minimizao da funo objetivo pode ser feita por qualquer
mtodo de otimizao e o seu resultado no deveria influenciar no procedimento de
estimao, j que o mnimo da funo objetivo independe do mtodo usado para
encontr-lo. Porm, fatos como a freqente no linearidade dos modelos, a presena de
mnimos locais e a alta correlao entre os parmetros podem tornam a minimizao da
funo objetivo uma tarefa nada fcil. Assim, a escolha adequada do mtodo pode ser
determinante para o sucesso do procedimento de estimao de parmetros.
Existem diversos mtodos de otimizao, os quais podem ser classificados em
(HIMMELBLAU, 1972):
a) Mtodos Analticos: consistem no uso de tcnicas clssicas do clculo diferencial e
clculo das variaes, buscando os pontos onde as derivadas so nulas; entretanto,
12
para sistemas no lineares e de grande dimenso, estes mtodos so
insatisfatrios;
b) Mtodos Numricos: consistem no uso de informaes prvias para a otimizao
do problema atravs de procedimentos iterativos; so mtodos capazes de resolver
problemas no lineares e de grande dimenso;
c) Mtodos Grficos: consistem no uso de uma representao grfica da funo e da
determinao do ponto timo por inspeo direta; um mtodo elementar e tem
como vantagem a possibilidade de mostrar se o ponto timo existe ou no;
entretanto, restrito a problemas de uma ou duas dimenses;
d) Mtodos Experimentais: consistem na busca de um extremo atravs da
experimentao direta sobre as variveis do processo ao invs da manipulao
matemtica da funo que descreve tal processo; este mtodo consegue tratar de
problemas onde a representao matemtica de determinado processo difcil,
sendo estas tcnicas conhecidas como EVOP (Evolutionary Optimization);
e) Mtodos de Estudo de Caso: consistem na avaliao de um nmero representativo
de solues; a melhor soluo encontrada admitida como o timo.
Na estimao de parmetros, a implementao de mtodos analticos vivel no
caso onde a funo objetivo no considera os desvios nas variveis independentes e
quando o modelo linear nos parmetros. Um modelo dito linear nos parmetros
quando pode ser escrito na forma
( ) ( ) ( )
1
,
NP
T
i i
i
f
=
= =

y x f x x (2.10)
Assim, considerando a funo objetivo descrita pela Equao (2.7), o conjunto
de parmetros que minimiza esta funo objetivo, dado o modelo linear nos parmetros
(Equao (2.10)), pode ser calculado pela seguinte equao:
( ) ( ) ( )
1
-1 -1
1 1
i i
NE NE
T T
e
i ey i i ey i
i i

= =
l l
l l
=
l l
l l

f x V f x f x V y (2.11)
Apesar de fortes restries impostas ao resultado acima, um nmero muito
grande de trabalhos devotado a este problema clssico de modelagem. Por isso,
mesmo que de modo aproximado, grande parte da anlise estatstica dos resultados que
so encontrados na literatura so baseados na aproximao linear dos modelos.
13
DRAPER e SMITH (1988) fornecem uma descrio detalhada sobre a estimao de
parmetros em modelos lineares.
Entretanto, os modelos geralmente usados na engenharia qumica so no-
lineares. Por isso, alm do fato da minimizao da funo objetivo no ter uma soluo
analtica, a anlise estatstica dos resultados baseada na aproximao linear dos modelos
est tambm sujeita qualidade desta aproximao, o que pode levar a concluses
equivocadas, conforme ser discutido no prximo item.
Os mtodos grficos so muito restritos e os mtodos experimentais so focados
para a busca de timos operacionais. Os mtodos de estudo de caso, por sua vez, so
computacionalmente intensivos; contudo, com o aumento da capacidade de clculo dos
computadores modernos, esses mtodos constituem alternativas interessantes. A
descrio destes mtodos remete aos mtodos heursticos de otimizao, apesar de no
serem muito difundidos (ou mesmo nem existirem) naquela poca.
Os mtodos numricos utilizam procedimentos iterativos para a otimizao e so
tradicionalmente utilizados para a minimizao da funo objetivo da estimao de
parmetros. Estes mtodos podem ser divididos em duas classes distintas: a primeira
consiste nos mtodos que utilizam o clculo das derivadas da funo objetivo para a
minimizao; e a segunda, as tcnicas em que a busca feita sem o clculo de
derivadas.
Dentre os mtodos que usam derivadas, o mtodo do gradiente o mais simples
e utiliza somente o vetor gradiente da funo objetivo (S); ou seja, as derivadas de
primeira ordem (HIMMELBLAU, 1972). A partir de um ponto inicial definida a
direo de busca, j que o vetor gradiente indica a direo ao longo da qual a funo
tem a maior variao. A equao a seguir mostra a forma iterativa com que a busca
feita:

1

k k k

+
=

S (2.12)
onde k indica a iterao, o vetor dos parmetros, S o vetor gradiente e o passo
que dado na direo definida pelo vetor gradiente. pode ser um valor fixo ou
varivel ao longo das iteraes ou at mesmo ser otimizado em cada iterao. A busca
segue at que a variao nos valores dos parmetros seja pequena ou quando o vetor
gradiente seja praticamente nulo (de acordo com a preciso desejada). A eficincia deste
mtodo est intimamente ligada ao controle do passo e com a otimizao deste valor
14
em cada iterao, apesar de interessante, pode aumentar muito o custo computacional
deste mtodo.
J o mtodo de Newton utiliza, alm do vetor gradiente, a matriz Hessiana da
funo objetivo (H); ou seja, as derivadas de segunda ordem (HIMMELBLAU, 1972).
Este mtodo baseado na aproximao quadrtica da funo objetivo e o procedimento
iterativo descrito pela seguinte equao:

1 1

k k k

+
=

H S (2.13)
Na Equao (2.13), o produto entre a inversa da matriz Hessiana e o vetor
gradiente fornece a direo e o tamanho do passo que deve ser dado nesta direo,
baseado na aproximao quadrtica da funo objetivo. O passo mantido na equao
recursiva para acelerar ou retardar a busca, de acordo com a qualidade da aproximao.
A grande vantagem destes mtodos a rapidez na convergncia, j que uma
grande quantidade de informao sobre a funo utilizada. Por outro lado, obter
expresses analticas do gradiente e da matriz Hessiana pode tornar-se invivel em
problemas de grande dimenso. Por outro lado, o clculo das derivadas atravs de
aproximaes numricas envolve um grande nmero de avaliaes da funo, alm de
no serem os valores exatos das derivadas.
Gauss props uma aproximao para o clculo da matriz Hessiana para
problemas de estimao de parmetros. Considerando como funo objetivo a Equao
(2.7), ou seja, sem erros na varivel independente e sem correlao entre experimentos,
a matriz Hessiana pode ser descrita por:

( ) ( )
2 2
1 1
1 1
2 , 2
T
m m m NE NE
T
e m m i i i
i i i ey ey
i i
S y y y
H y y x V V


= =
1 1 1


= = +




( ) ( ) ( )

(2.14)
A aproximao consiste em desprezar o primeiro termo da direita da Equao
(2.14), considerando a hiptese de que os desvios entre os valores experimentais e a
predio do modelo so pequenos. Assim, a matriz Hessiana pode ser aproximada por:

1
1
2
T
m m NE
i i
ey
i
y y
H V

=
1 1







( ) ( )

(2.15)
Geralmente, quando a aproximao de Gauss usada num procedimento de
estimao de parmetros, o mtodo chamado de Gauss-Newton. Um aspecto
importante da aproximao de Gauss a possibilidade de calcular a matriz Hessiana
15
somente com valores das derivadas de primeira ordem do modelo, as quais j so
utilizadas para o clculo do vetor gradiente da funo objetivo. interessante observar
que, para modelos lineares, a aproximao de Gauss exata, j que o primeiro termo da
direita da Equao (2.14) nulo, pois a derivada segunda de um modelo linear em
relao a seus parmetros nula. Devido a esta caracterstica, KOSTINA (2004)
compara o mtodo de Gauss-Newton a um mtodo de programao linear seqencial, j
que o termo relativo s derivadas de segunda ordem do modelo ignorado.
Outro ponto importante na aplicao dos mtodos de Newton a inverso da
matriz Hessiana. Alm de acarretar um custo computacional relativamente alto, a sua
inverso pode ser difcil ou mesmo no ser possvel em problemas onde existam
parmetros pouco significativos. Assim, no caso de uma minimizao, importante
garantir que a matriz Hessiana seja positiva definida. O mtodo de Levenberg-
Marquardt (LEVENBERG, 1944; MARQUARDT, 1963) prope uma forma prtica e
eficiente de garantir a inverso da matriz Hessiana, de forma que a equao recursiva do
mtodo de Newton (Equao (2.13)) seja reescrita como:

1
1

k k k k


+
l
= +
l
l

H I S (2.16)
onde I a matriz identidade e
k
uma constante definida de forma a garantir que a
soma das matrizes seja positiva definida.
Uma forma interessante de manipular o valor de diminuir seu valor ao longo
das iteraes, j que prximo ao mnimo espera-se que a matriz Hessiana seja positiva
definida. Assim, o procedimento se inicia com um comportamento prximo ao do
mtodo do gradiente e, ao longo das iteraes, aproxima-se do comportamento de um
mtodo de Newton. Comparando diversos mtodos que utilizam derivadas, BARD
(1970) mostra que o mtodo de Levenberg-Marquardt inferior aos mtodos de Gauss-
Newton. Mais tarde, porm, BARD (1974) conclui que em problemas onde no se
dispe de boas estimativas iniciais, o mtodo de Levenberg-Marquardt pode ser mais
eficiente.
Uma forma interessante de evitar o cmputo da matriz Hessiana proposta pelo
mtodo Davidon-Fletcher-Powell (FLETCHER e POWELL, 1963), onde uma
aproximao da inversa da matriz Hessiana na iterao k+1 calculada atravs das
informaes coletadas at a iterao k.
16
BRITT e LUECKE (1973) desenvolvem um mtodo de estimao de parmetros
incluindo problemas onde ambas variveis, independentes e dependentes, esto sujeitas
a desvios, de acordo com a funo de mxima verossimilhana. ANDERSON et al.
(1978) chegam a um mtodo muito similar ao proposto por BRITT e LUECKE (1973),
j que ambos fazem uma aproximao linear do modelo em cada iterao (ambos os
mtodos so do tipo de Gauss-Newton). Entretanto, ANDERSON et al. (1978) aplicam
um mtodo descrito por LAW e BAILEY (1963), que limita a busca sempre que a
aproximao linear do modelo no satisfatria. Isso torna o procedimento de
estimao mais robusto com relao estimativa inicial dos parmetros.
Como foi discutido acima, as vantagens dos mtodos de Newton so a rapidez
na busca pelo mnimo, devido convergncia quadrtica destes mtodos, e a garantia de
que um ponto mnimo encontrado, j que a busca terminada quando o vetor
gradiente nulo. Por outro lado, a necessidade do clculo das derivadas (analticas ou
numricas), a inverso da matriz Hessiana e as dificuldades associadas necessidade de
uma estimativa inicial dos parmetros podem tornar invivel a utilizao destes
mtodos.
Uma forma de evitar algumas destas dificuldades pode ser feita atravs da
utilizao dos mtodos de busca direta; isto , sem a necessidade do clculo das
derivadas. Estes mtodos so simples, sendo a direo e o sentido da busca determinada
atravs da inferncia direta dos valores da funo. Assim, a partir de um ponto inicial,
so feitas tentativas nas vizinhanas deste ponto. De acordo com os valores obtidos,
pode-se determinar uma direo para onde o ponto timo deve estar localizado. Uma
vez determinada a direo de busca, podem ser usados diversos critrios para que a
busca avance nesta direo, como dar passos nesta direo at que ocorra uma falha;
isto , que um valor indesejvel seja encontrado. Uma vez feito isso, uma nova direo
de busca deve ser determinada e o procedimento segue at que o ponto timo ou algum
critrio de parada seja satisfeito.
A principal vantagem destes mtodos o fato de no utilizar o cmputo das
derivadas da funo, tornando estes mtodos extremamente simples e com iteraes
muito rpidas. Com relao aos mtodos de Newton, os mtodos de busca direta so
mais robustos e o sucesso da busca menos dependente das estimativas iniciais.
Entretanto, o fato de no usar as derivadas da funo faz com que a busca seja baseada
em uma quantidade pequena de informaes sobre a funo, podendo dificultar a busca
do ponto timo. Por isso, geralmente, so necessrias muitas iteraes para que o ponto
17
timo seja alcanado. Os mtodos que utilizam este tipo de procedimento so os
mtodos de Hooke-Jeeves (HOOKE e JEEVES, 1961), Rosenbrock, (ROSENBROCK,
1960), Powell (POWELL, 1964 e 1965) e Simplex, tambm conhecido como Poliedros
Flexveis (NELDER e MEAD, 1965). BARD (1974) conclui que, apesar de ser atraente
a idia de realizar uma busca direta sem o cmputo de derivadas, a eficincia destes
mtodos baixa, quando comparada a dos mtodos que usam o cmputo de derivadas.
Entretanto, devido freqente no linearidade dos modelos na rea da
engenharia qumica, a funo objetivo usada na estimao de parmetros pode
apresentar mnimos locais e os mtodos de otimizao descritos acima so incapazes de
distinguir um timo local de um timo global. Considerando ainda as dificuldades
associadas ao clculo das derivadas e inverso da matriz Hessiana, a utilizao destes
mtodos pode apresentar srias dificuldades, muitas vezes, impossibilitando sua
aplicao.
As dificuldades acima esto intimamente relacionadas com a definio
apropriada de uma boa estimativa inicial dos parmetros. Porm, nem sempre se dispe
de uma boa estimativa inicial e em problemas de grande dimenso, onde a correlao
entre os parmetros geralmente alta, virtualmente impossvel dispor de uma boa
estimativa inicial.
Uma dificuldade adicional que a estimao de parmetros pode apresentar a
existncia de parmetros no significativos. Este problema provoca dificuldades
adicionais ao procedimento de estimao de parmetros e pode ocorrer por causa da
superparametrizao do modelo, prpria estrutura do modelo ou aos pontos
experimentais disponveis, os quais podem no permitir a identificao de um efeito
especfico.
Tendo em vista as dificuldades acima relatadas, os algoritmos heursticos
surgem como uma soluo eficiente, robusta e de simples implementao
computacional, tornando estes mtodos muito atraentes. Se a classificao dos mtodos
de otimizao descrita por HIMMELBLAU (1972) for considerada, os mtodos
heursticos de otimizao se enquadrariam nos mtodos de Estudos de Caso. Entretanto,
esta definio no representa de forma correta estes mtodos e os termos heursticos ou
estocsticos so mais apropriados.
Os algoritmos heursticos de otimizao so caracterizados pela realizao de
um grande nmero de avaliaes da funo objetivo em toda a regio de busca, de
forma a aumentar a probabilidade de encontrar o timo global da funo objetivo. Alm
18
disso, o carter aleatrio do procedimento de busca elevado, para evitar que a busca
fique presa a um timo local. Estes mtodos no precisam de uma estimativa inicial e
no utilizam as derivadas para chegar ao ponto timo, evitando assim muitas das
dificuldades associadas aos mtodos tradicionais.
Dentre os mtodos heursticos, destacam-se o mtodo de Monte Carlo, o
Algoritmo Gentico (Genetic Algorithm), o Recozimento Simulado (Simulated
Annealing) e o Enxame de Partculas (Particle Swarm). Ainda existem outros mtodos
heursticos, como o mtodo da Busca Tabu (Tabu Search) e o mtodo da Colnia de
Formigas (Ant Colony), mas estes no sero considerados neste trabalho.
O mtodo de Monte Carlo, tambm chamado de Busca Aleatria Pura (DIXON
e SZEGO, 1975), consiste em um procedimento totalmente aleatrio de busca pelo
ponto timo de uma funo qualquer. A busca consiste em sortear aleatoriamente um
nmero elevado de pontos na regio de busca e considerar o melhor ponto encontrado
como o ponto timo, sendo esta a forma mais simples do mtodo de Monte Carlo. um
mtodo extremamente simples e robusto, pois facilmente aplicado e sempre funciona,
independente de chute inicial, do clculo de derivadas e da dimenso do sistema. claro
que a grande limitao deste mtodo a necessidade de um nmero muito grande de
avaliaes da funo objetivo; no existindo garantia formal de que o ponto timo tenha
sido encontrado.
Uma forma de tentar melhorar a eficincia deste mtodo identificar as regies
mais provveis em conter o timo global e concentrar a busca nestas regies, sendo esta
forma conhecida como por Busca Adaptativa Pura (PATEL et al., 1988; ZABINSKY e
SMITH, 1992). PRICE (1976) props um algoritmo hbrido que combina a Busca
Aleatria Pura com o mtodo Simplex, sendo este novo algoritmo chamado de Busca
Aleatria Controlada. KRIVY e TVRDK (1995) inseriram uma pequena modificao
no algoritmo de Price e aplicaram este mtodo em problemas de regresso. KLEPPER e
HENDRIX (1994a) propuseram um novo mtodo de busca aleatria chamado de UCPR
(uniform covering by probabilistic rejection) e aplicaram este algoritmo na estimao
e determinao da regio de confiana de parmetros de modelos no lineares.
BROOKS (1958) discutiu a aplicao destes mtodos aleatrios no planejamento
de experimentos para busca de pontos timos, alegando que planejamentos fatoriais em
problemas com muitas variveis levam a um nmero muito grande de experimentos.
Alm disso, Brooks discutiu duas formas alternativas dos mtodos aleatrios: a primeira
consiste em dividir a regio de busca em sub-regies e sortear um ponto aleatrio em
19
cada sub-regio; a segunda alternativa consiste em realizar tentativas aleatrias em
torno de uma estimativa inicial do ponto timo, sorteando, por exemplo, pontos
normalmente distribudos em torno desta estimativa inicial. De forma surpreendente,
Brooks observou que existem analogias intrigantes entre a segunda forma dos mtodos
aleatrios e a evoluo, aparentemente antecipando j em 1958 os algoritmos evolutivos
de otimizao.
A grande aplicao do mtodo de Monte Carlo est relacionada com a gerao
de um grande nmero de resultados estocsticos para posterior anlise estatstica. Um
exemplo o trabalho de DONALDSON e SCHNABEL (1987), onde o mtodo de
Monte Carlo aplicado para a gerao de um grande conjunto de dados para posterior
determinao da regio de confiana de parmetros.
O Algoritmo Gentico um mtodo de otimizao baseado na evoluo dos
seres vivos, onde os indivduos mais aptos tendem a sobreviver (teoria da seleo
natural de Darwin) e uma herana gentica passada atravs do cruzamento dos
indivduos (princpios da herana gentica de Mendel). Este mtodo foi desenvolvido
por John Holland e seus colegas da Universidade de Michigan e o primeiro trabalho
neste tpico a monografia de John Holland de 1975, como descrito por GOLDBERG
(1989).
A analogia com um procedimento de otimizao baseada na avaliao da
aptido de um individuo atravs de uma funo objetivo. Cada indivduo comporta um
conjunto de valores das variveis de otimizao que considerado a carga gentica
deste indivduo. Durante o cruzamento entre indivduos pr-selecionados, ocorre a troca
de informaes, isto , a carga gentica dos indivduos combinada. Assim, novos
indivduos so gerados a partir do cruzamento entre os indivduos selecionados do
grupo, de acordo com o valor da funo objetivo; isto , indivduos mais aptos tm
maior chance de serem selecionados e realizarem o cruzamento. Por outro lado,
ocasionalmente alguns indivduos sofrem mutaes; ou seja, sua carga gentica
alterada aleatoriamente, gerando um novo indivduo com caractersticas diferentes. A
mutao ocorre com igual probabilidade em qualquer individuo do grupo, independente
de sua aptido, e possibilita uma maior diversificao no processo de busca.
Tradicionalmente, a evoluo da busca era creditada ao cruzamento, enquanto a
mutao evitava a convergncia prematura. Porm, estudos recentes defendem a
mutao com sendo o verdadeiro responsvel pela evoluo de todo grupo (HIBBERT,
1993a; BALLAND et al., 2000).
20
Na sua forma tradicional, o Algoritmo Gentico usado com codificao
binria; porm, em diversas aplicaes esta codificao no vem mais sendo usada,
evitando assim a necessidade de converter os valores das variveis de otimizao da
codificao binria para codificao decimal, sempre que necessrio avaliar a funo
objetivo (BALLAND et al., 2000).
Uma desvantagem deste mtodo que, conforme se aproxima do valor timo, a
convergncia do procedimento se torna muito lento. Uma alternativa interessante
utilizar o Algoritmo Gentico para gerar uma soluo aproximada e refinar esta soluo
com um mtodo de busca local, os chamados algoritmos hbridos. HIBBERT (1993b)
avaliou a utilizao do Algoritmo Gentico seguido de um mtodo de gradiente,
comparando algumas formas de usar os resultados obtidos pelo Algoritmo Gentico
como ponto de partida do mtodo de gradiente. MOROS et al. (1996) e PARK e
FROMENT (1998) utilizaram o Algoritmo Gentico para gerao de estimativas iniciais
para o mtodo de Levenberg-Marquardt em problemas de estimao de parmetros de
modelos cinticos. BALLAND et al. (2000) utilizaram o Algoritmo Gentico seguido
do mtodo de Rosenbrock, tambm para estimao de parmetros. Em todos estes casos
a aplicao de um algoritmo hbrido permitiu a soluo de problemas de grande
dimenso, garantindo tanto a preciso do valor timo encontrado como a realizao de
uma busca global.
O mtodo do Recozimento Simulado, proposto por KIRKPATRICK et al.
(1983) para problemas de otimizao combinatria, baseia-se na minimizao da
energia da estrutura cristalina sofrida por um corpo metlico durante o processo de
recozimento. Este processo consiste no aquecimento de um corpo metlico at uma
temperatura suficientemente alta. Em seguida, resfriado lentamente, possibilitando a
reorganizao dos tomos do corpo metlico em uma estrutura com menor energia.
O procedimento de otimizao de uma funo objetivo consiste em explorar a
regio de busca atravs de transies sucessivas (anlogas s mudanas da estrutura
cristalina). As transies consistem em pequenas mudanas das variveis de otimizao.
De acordo com o valor da funo objetivo neste novo ponto, a transio pode ou no ser
aceita: se a transio para o novo ponto leva a um menor valor da funo objetivo, a
mudana aceita; se o valor da funo objetivo no novo ponto for maior, a transio
pode ser aceita ou no, de acordo com o clculo de uma probabilidade de transio.
A forma tradicional do clculo da probabilidade de transio feita de acordo
com a estatstica de Boltzmann, que corresponde seguinte equao:
21
exp
N
k
F F
p
T
1

( )
(2.17)
onde p a probabilidade de transio, F o valor da funo objetivo, F
N
o valor da
funo objetivo no novo ponto e T
k
a k-sima temperatura. O valor calculado de p
comparado com um nmero aleatrio com distribuio uniforme no intervalo [0, 1]. Se
p maior que este nmero aleatrio, a transio aceita; caso contrrio, a transio no
ocorre. O valor de T deve ser alto no incio, aumentando a probabilidade de ocorrerem
transies para pontos onde a funo objetivo aumenta, possibilitando que ocorra uma
boa explorao do espao de busca e levando o algoritmo a encontrar o mnimo global.
KIRKPATRICK et al. (1983) diminuem exponencialmente o valor de T, de acordo com
a seguinte equao:

1 k k
T T
+
= (2.18)
sendo um valor positivo menor que 1.
TSALLIS e STARIOLO (1996) sugeriram um algoritmo onde a probabilidade
de transio calculada de acordo com a estatstica de Tsallis, definida pela seguinte
equao:
( )
( )
1
1
1 1
a
N
q
a
k
F F
p q
T
l 1

l
=

l

( )
l
l
(2.19)
onde q
a
um parmetro adicional. Neste caso, a diminuio do parmetro temperatura
feita da seguinte forma:

( )
1
1 1
2 1
1 1
v
v
q
k k q
T T
t

=
+
(2.20)
onde q
v
outro parmetro adicional e t o tempo discreto que corresponde ao nmero
de pontos avaliados at o momento.
AHON et al. (2000) compararam diferentes algoritmos do Recozimento
Simulado. Com relao forma de calcular a probabilidade de transio, concluram
que, em problemas de grande dimenso, o algoritmo baseado na estatstica de Tsallis
converge para o mnimo global com maior freqncia que o algoritmo baseado na
estatstica de Boltzmann. Para isso o algoritmo utiliza um nmero maior de avaliaes,
22
tornando-se assim mais lento. Uma dificuldade adicional do uso da estatstica de Tsallis
a determinao dos valores dos parmetros adicionais q
a
e q
v
.
Outro ponto importante para a aplicao do mtodo do Recozimento Simulado
a definio do valor inicial do parmetro temperatura. DAS et al. (1990) determinaram
o parmetro temperatura da seguinte forma:

0
ln
F
T
p

= (2.21)
onde F
*
a diferena entre o maior e o menor valor da funo objetivo em um
pequeno nmero de avaliaes da funo objetivo e p a probabilidade das transies
ocorrerem, que deve ser alta para que no incio da busca muitas transies sejam aceitas,
possibilitando a explorao da regio de busca.
Um algoritmo hbrido proposto por KVASNICKA e POSPCHAL (1997) utiliza
o Recozimento Simulado para tornar aleatria uma busca realizada com base no mtodo
Simplex. COSTA et al. (2000) aplicaram o mtodo do Recozimeto Simulado em um
problema de estimao de parmetros de modelos termodinmicos e mostraram que os
resultados obtidos pelo mtodo do Recozimento Simulado so superiores aos resultados
obtidos pelo mtodo de Powell, j que o mtodo do Recozimento Simulado foi capaz de
encontrar mnimos menores que o mtodo de Powell, que um mtodo de busca local.
EFTAXIAS et al. (2002) compararam o desempenho do Recozimento Simulado com o
mtodo de Levenberg-Marquardt em problemas de estimao de parmetros de modelos
cinticos. Mostraram que, em problemas de grande dimenso, somente o Recozimento
Simulado consegue estimar os parmetros, compensando o alto custo computacional
requerido por este mtodo.
O mtodo do Enxame de Partculas consiste em um algoritmo de otimizao
heurstica inspirado no comportamento gregrio de animais (peixes, pssaros, etc.).
Proposto por KENNEDY e EBERHART (1995), este mtodo consiste na otimizao de
uma funo objetivo atravs da troca de informaes entre os elementos (partculas) do
grupo, resultando em um algoritmo eficiente, robusto e de simples implementao
computacional.
O movimento de cada partcula em cada iterao corresponde soma de trs
termos distintos: o primeiro um termo relativo inrcia da partcula e que traduz o
modo com que a partcula vem se movendo; o segundo um termo relativo atrao da
partcula ao melhor ponto que j encontrou; e o terceiro termo relativo atrao da
23
partcula ao melhor ponto que todo o grupo (ou uma parte do grupo) j encontrou. Desta
forma, KENNEDY e EBERHART (1995) propuseram as seguintes equaes:

( ) ( )
1
, , 1 , , 2 , ,
k k k k k k
i d i d 1 i d i d 2 global d i d
v v c r p x c r p x
+
= + + (2.22a)

1 1
, , ,
k k k
i d i d i d
x x v
+ +
= + (2.22b)
onde os ndices k, i e d denotam, respectivamente, a iterao, a partcula e a direo de
busca; v a velocidade e x a posio no espao de busca; c
1
e c
2
so duas constantes
positivas, chamadas respectivamente de parmetro cognitivo e social; r
1
e r
2
so dois
nmeros aleatrios com distribuio uniforme no intervalo [0, 1] e so sempre
diferentes para cada direo, partculas e iterao; p
i
o melhor ponto encontrado pela
partcula i e p
global
o melhor valor encontrado por todo enxame.
O termo Enxame foi utilizado em acordo com o trabalho de Milonas
(KENNEDY e EBERHART, 1995) que desenvolveu modelos para aplicaes em vida
artificial e articulou cinco princpios bsicos da Inteligncia de Enxames, sobre os quais
o mtodo do Enxame de Partculas fundamentado. Os princpios so:
a) Proximidade: o enxame deve ser capaz de realizar clculos simples de tempo e
espao. O mtodo do Enxame de Partculas realiza uma srie de clculos no
espao n-dimensional em muitos intervalos de tempo.
b) Qualidade: o enxame deve ser capaz de responder a fatores de qualidade do
ambiente. O mtodo responde a fatores de qualidade definidos pela melhor
posio encontrada pelo enxame e por cada melhor posio encontrada por cada
partcula.
c) Respostas Diversas: o enxame no deve submeter sua atividade em meios
excessivamente limitados. A definio do movimento de cada partcula do
enxame em relao s melhores posies individuais e melhor posio do
enxame garante a diversidade das respostas.
d) Estabilidade: o enxame no deve mudar seu comportamento a todo momento que
o ambiente se altera. O comportamento do procedimento s alterado quando
ocorre mudana nos melhores valores encontrados.
e) Adaptabilidade: o enxame deve ser capaz de alterar seu comportamento, quando o
custo computacional no for proibitivo. Assim que os melhores valores so
alterados, o comportamento do enxame se adapta aos novos valores.
24
interessante observar que os dois ltimos princpios so opostos, mas o
mtodo do Enxame assegura que ambos sejam satisfeitos, j que o melhor valor
encontrado no , necessariamente, alterado a todo instante. Quando este alterado, o
enxame se adapta a este novo valor, de forma a assegurar estabilidade e adaptabilidade
ao mtodo.
A verso proposta inicialmente sofreu algumas pequenas alteraes. A primeira
alterao foi proposta pelos prprios inventores do mtodo e consistiu em considerar
que cada partcula, alm da influncia do melhor ponto encontrado por ela mesma, sofre
a influncia do melhor ponto encontrado pelas partculas vizinhas a ela, e no pelo
melhor valor encontrado por todo o enxame. Esta verso local do algoritmo promove
uma maior explorao do espao de busca, mas requer em mdia mais iteraes para
que o enxame convirja (EBERHART e KENNEDY, 1995).
A segunda alterao, proposta por SHI e EBERHART (1998a), consistiu na
introduo de um novo parmetro, chamado de peso de inrcia (inertia weight) ou fator
de inrcia, o qual pondera o termo relativo velocidade prvia da partcula, de acordo
com as seguintes equaes:

( ) ( )
1
, , 1 , , 2 , ,
k k k k k k
i d i d 1 i d i d 2 global d i d
v w v c r p x c r p x
+
= + + (2.23a)

1 1
, , ,
k k k
i d i d i d
x x v
+ +
= + (2.23b)
O papel fundamental do peso de inrcia w balancear o carter global e local da
busca. Este peso pode ser uma constante positiva ou mesmo uma funo do tempo
(iteraes) positiva linear ou no linear. SHI e EBERHART (1998a; 1998b) observaram
que o nmero de iteraes necessrias para atingir o valor mnimo aumenta quando se
aumenta o valor de w. Por outro lado, o nmero de falhas aumenta quando se diminui o
valor de w. Isto mostra que valores maiores de w aumentam o carter exploratrio e
global da busca, aumentando as chances de encontrar o valor timo, enquanto valores
pequenos de w aumentam o carter local da busca, fazendo com que as partculas
convirjam rapidamente, para o ponto timo ou no, sem que haja uma boa explorao
do espao de busca.
Desta forma, uma alternativa interessante iniciar a busca com um valor alto de
w e diminuir este valor ao longo das iteraes, como proposto por SHI e EBERHART
(1998a; 1998b, 1999), onde propuseram que o valor de w deve diminuir linearmente
entre 0,9 e 0,4, aproximadamente. Valores inferiores a 0,4 congelam o conjunto de
25
partculas muito rapidamente, enquanto valores superiores a 0,9 podem causar a
exploso das partculas. Uma forma de evitar a exploso do conjunto de partculas
limitar o valor da velocidade de cada partcula. Entretanto, definir este limite mximo
da velocidade, alm de implicar na definio de um parmetro adicional, depende do
problema que se est resolvendo. Assim, uma forma simples de controlar a velocidade
das partculas, evitando a exploso, evitar que uma partcula ultrapasse os limites do
espao de busca zerando a sua velocidade.
TRELEA (2003) avaliou a convergncia das partculas atravs de resultados da
teoria de sistemas dinmicos e mostrou que o conjunto de partculas converge sempre
que o valor absoluto de w menor que 1, a despeito dos valores de c
1
e c
2
, que tambm
influenciam a convergncia das partculas. Assim, a princpio no necessrio diminuir
o valor de w ao longo das iteraes, pois mesmo com um valor de w igual a 0,9, por
exemplo, a busca tem um carter global. Ao longo das iteraes, medida que as
partculas convergem, o carter da busca passa a ser local. Porm, neste caso, a
velocidade com que as partculas convergem depende do problema que est sendo
resolvido. Assim, pode ser mais fcil controlar o nmero de iteraes forando a
convergncia atravs da diminuio do valor de w ao longo das iteraes.
Uma terceira verso do mtodo do Enxame de Partculas foi proposta por
CLERC (1999), atravs do uso de um fator de constrio K, o qual pode ser necessrio
para assegurar a convergncia do algoritmo. As equaes desta nova verso so:

( ) ( )
1
, , 1 , , 2 , ,
k k k k k k
i d i d 1 i d i d 2 global d i d
v K v c r p x c r p x
+
l
= + +
l
l
(2.24a)

1 1
, , ,
k k k
i d i d i d
x x v
+ +
= + (2.24b)

2
2
2 4
K

=

(2.24c)
onde = c
1
+ c
2
e > 4. Entretanto, conforme observado por EBERHART e SHI
(2000), a forma do algoritmo descrita pela Equaes (2.24) idntica descrita na
Equao (2.23), sendo a nica diferena a definio dos valores dos parmetros de
busca. Uma vantagem do algoritmo proposto por CLERC (1999) a autocorreo dos
valores dos parmetros de busca. Se os valores de c
1
e c
2
so altos, o que pode provocar
a exploso do enxame, estes valores so multiplicados pelo fator de constrio, que
menor que 1, impedindo a exploso do enxame. CLERC e KENNEDY (2002)
26
analisaram a estabilidade e convergncia do mtodo do Enxame de Partculas, chegando
a uma forma generalizada do algoritmo, contendo um conjunto de coeficientes que
controlam a tendncia de convergncia do mtodo.
Como j foi citado acima, TRELEA (2003) avaliou a convergncia das
partculas atravs de resultados da teoria de sistemas dinmicos e definiu uma regio
que delimita os valores dos parmetros w e c (onde c o valor mdio de c
1
e c
2
) onde a
convergncia do algoritmo garantida. Mostrou tambm os diferentes comportamentos
oscilatrios que podem ocorrer durante movimento das partculas do enxame, de acordo
com os valores dos parmetros w e c.
Apesar de ser um mtodo proposto recentemente, o Enxame de Partculas tem
apresentado bons resultados em diferentes aplicaes. PARSOPOULOS e VRAHATIS
(2002a) avaliam a eficincia do Enxame de Partculas em diferentes problemas de
otimizao, e propuseram uma forma muito interessante de resolver problemas de
otimizao multiobjetivo com este mtodo, onde enxames paralelos trocam informaes
entre si, sendo cada enxame avaliado por uma funo objetivo especfica. Em outro
trabalho, PARSOPOULOS e VRAHATIS (2002b) fizeram a inicializao das
partculas, que geralmente feita de forma aleatria, utilizando o mtodo Simplex,
procurando detectar mais rapidamente regies promissoras e acelerar a busca pelo
mnimo global.
OURIQUE et al. (2002) fizeram uma aplicao muito interessante do mtodo do
Enxame de Partculas para a anlise dinmica no linear de processos qumicos.
COSTA et al. (2003) aplicaram o Enxame de Partculas na otimizao da polimerizao
de estireno em reatores tubulares.
Como o mtodo do Enxame de Partculas no necessita da diferenciao da
funo objetivo e capaz de resolver problemas de grande dimenso, PARSOPOULOS
et al. (2001) aplicaram o mtodo a problemas de estimao de parmetros onde todas as
variveis so consideradas na estimao (variveis independentes e dependentes). Os
resultados mostraram que este mtodo capaz de resolver estes problemas com grande
eficincia.
Recentemente, BISCAIA et al. (2004) propuseram uma nova forma do Enxame
de Partculas baseada na dinmica de sistemas dinmicos lineares de segunda ordem
subamortecidos. As caractersticas principais da forma tradicional do mtodo do
Enxame de Partculas so mantidas, sendo a principal diferena relacionada definio
dos parmetros de busca, j que no novo algoritmo estes parmetros esto relacionados
27
ao amortecimento e freqncia das oscilaes, facilitando a escolha destes parmetros
de busca.
A maior dificuldade associada ao uso dos mtodos heursticos de otimizao est
relacionada necessidade de um nmero muito grande de avaliaes da funo
objetivo. Entretanto, este grande nmero de avaliaes da funo objetivo pode ser
usado para a determinao da regio de confiana dos parmetros, a qual pode ento ser
obtida sem a necessidade de aproximaes. Desta forma, a principal desvantagem dos
algoritmos heursticos transformada em uma vantagem, j que permite uma anlise
estatstica mais rigorosa dos resultados, como ser discutido no prximo item.
importante ressaltar que comparaes entre os mtodos tradicionais de
otimizao e os mtodos heursticos so sempre difceis e at mesmo imprprias. O que
deve estar em questo o tipo de problema que est sendo resolvido. Em problemas que
no envolvam muitas variveis, onde no haja dificuldades relacionadas ao cmputo das
derivadas e a escolha de uma estimativa inicial, os mtodos tradicionais devem ser
aplicados, pois so muito mais rpidos que os mtodos heursticos, alm de garantirem
que chegam a um ponto timo (as derivadas de primeira ordem so nulas). Por outro
lado, em problemas de grande dimenso, onde no se dispe de uma boa estimativa
inicial, onde existem mnimos locais ou existem problemas relacionados s derivadas,
como a impossibilidade de inverter a matriz Hessiana, a aplicao dos mtodos
tradicionais invivel e os mtodos heursticos constituem uma ferramenta eficiente e
robusta para soluo destes problemas.
2.3 A Interpretao Estatstica dos Resultados
importante ressaltar aqui que a interpretao estatstica dos resultados da
estimao de parmetros se inicia durante a formulao de uma funo objetivo
consistente com as condies experimentais. Mais especificamente, a estrutura da
matriz de varincia dos desvios experimentais deve ser conhecida e utilizada no
procedimento de estimao de parmetros. A interpretao estatstica dos resultados
pode incluir diversos aspectos, tais como o valor da funo objetivo, a anlise dos
resduos, a correlao entre os dados experimentais e os valores preditos pelo modelo,
entre outros. Entretanto, este trabalho se restringe anlise da regio de confiana dos
parmetros e ao uso dos algoritmos heursticos de otimizao para, alm de minimizar a
funo objetivo, determinar a regio de confiana dos parmetros.
28
Admitindo-se que os desvios entre os dados experimentais e as predies do
modelo tm distribuio normal, a funo de mxima verossimilhana pode ser
interpretada como uma soma do quadrado de variveis com distribuio normal.
Portanto, a distribuio de probabilidades associada ao valor da funo objetivo a
distribuio chi-quadrado (
2
) com N-NP graus de liberdade, onde N = NE.NY. Ento
possvel determinar, com um nvel de confiana o intervalo esperado para a funo
objetivo e, desta forma, avaliar o ajuste do modelo aos dados experimentais.
Como os valores experimentais utilizados para a estimao dos parmetros so
variveis que seguem uma determinada distribuio de probabilidade, ou seja, no so
valores exatos, os parmetros estimados tambm devem ser vistos desta forma.Logo, a
caracterizao dos parmetros estimados envolve tanto a definio do valor que
minimiza a funo objetivo como uma medida da incerteza deste valor. Esta medida
caracteriza uma regio em torno do ponto mnimo onde o valor da funo objetivo no
aumenta significativamente com a mudana nos valores dos parmetros. Esta regio em
torno do ponto mnimo chamada de regio de confiana dos parmetros.
A forma tradicional para a determinao da regio de confiana consiste na
aproximao quadrtica da funo objetivo em torno do ponto mnimo, como na
equao abaixo:
( )
( ) ( ) ( ) ( )
1

2

T
S S = + +

S H (2.31)
O termo onde aparece o gradiente descartado, j que no ponto mnimo o
gradiente nulo. A matriz Hessiana calculada pela Equao (2.15). Definindo a matriz
de covarincia dos parmetros como:

1
1
1

T
NE
i i
ey
i

y y
V V

=
l
1 1

l
=


l
( ) ( )
l
l

(2.32)
onde y corresponde varivel dependente calculada com os valores estimados dos
parmetros. A Equao (2.31) pode ser reescrita como:
( )
( ) ( ) ( )
1

T
S S

=

V (2.33)
Para modelos lineares nos parmetros a aproximao quadrtica da funo
objetivo exata. Deste modo, se os desvios entre os dados experimentais e as predies
do modelo tm distribuio normal, os parmetros tambm so normalmente
29
distribudos e cada um dos lados da Equao (2.33) segue a distribuio
2
com NP
graus de liberdade. Assim, para modelos lineares nos parmetros a regio de confiana
tem a forma elptica, definida pelo lado direito da Equao (2.33), com o limite superior
definido pela distribuio
2
com NP graus de liberdade e um nvel de confiana de ,
como na equao abaixo:

( ) ( )
( )
1 2

,
T
NP

V (2.34)
Entretanto, rigorosamente, a matriz de covarincia dos parmetros no
conhecida com exatido, j que determinada por um certo nmero limitado de
experimentos que representam apenas uma amostra de todos os possveis experimentos.
Como foi discutido acima, a funo objetivo tem distribuio
2
com N-NP graus de
liberdade e a razo entre o lado direito da Equao (2.33) e a funo objetivo, cada qual
ponderado pelos seus respectivos graus de liberdade, tem distribuio F de Fisher com
NP e N-NP graus de liberdade, respectivamente, como na seguinte equao:

( ) ( )
( )
( )
( )
1

, ,

T
NP
F NP N NP
S N NP

l

l
l
l

(2.35)
que pode ser reescrita como:

( ) ( ) ( )
( )
1

, ,
T
NP
S F NP N NP
N NP

V (2.36)
Para modelos no lineares nos parmetros, a regio obtida pela Equao (2.36)
ou (2.34) no exata e a qualidade da aproximao da regio de confiana dependente
da qualidade da aproximao linear. A vantagem de utilizarem-se regies de confiana
obtidas por aproximao linear que o ponto mnimo o centro da regio; ou seja, a
regio de confiana simtrica, a distribuio dos parmetros normal e o ponto de
mnimo pode ser visto como o ponto mdio. Alm disso, a forma elptica da regio
facilita a interpretao geomtrica. Adicionalmente, como toda regio definida pelo
ponto mnimo e pela matriz de covarincia dos parmetros, a utilizao desta regio
para procedimentos subseqentes ao da estimao, como o planejamento de
experimentos, so matematicamente facilitados (BARD, 1974).
Quando a aproximao linear do modelo e, conseqentemente, a aproximao
quadrtica da funo objetivo no apresentam boa qualidade, os resultados obtidos pela
30
Equao (2.36) podem levar a concluses equivocadas sobre os parmetros e sobre a
regio de confiana. Uma forma de melhorar os resultados obtidos na determinao da
regio de confiana atravs da aproximao linear fazer o uso de transformaes nos
parmetros, que podem diminuir a correlao entre os parmetros e melhorar a
qualidade da regio de confiana (BATES e WATTS, 1981).
Outra forma de se obter a regio de confiana , ao invs de se utilizar o lado
direito da Equao (2.33), utilizar o lado esquerdo desta equao. Assim, a regio de
confiana pode ser definida pelos parmetros que satisfazem a seguinte equao:
( )
( )
( )
2

, S S NP (2.37)
Como discutido anteriormente, rigorosamente a matriz de covarincia dos
desvios entre os dados experimentais e as predies do modelo no conhecida com
exatido, sendo apenas baseada em um conjunto limitado de experimentos. A razo
entre o lado esquerdo da Equao (2.33) e a funo objetivo, cada qual ponderado pelos
seus respectivos graus de liberdade, tem distribuio F de Fisher com NP e N-NP graus
de liberdade. Ento, a seguinte equao pode ser obtida:

( )
( ) ( )
( )
( )
( )

, ,

S S NP
F NP N NP
S N NP

(2.38)
A razo presente na Equao (2.38) conhecida como razo de verossimilhana
e, por isto, a regio de confiana obtida por esta via chamada de regio de
verossimilhana (DONALDSON e SCHNABEL, 1987). A Equao (2.38) pode ser
reescrita como:
( )
( )
( )

1 , ,
NP
S S F NP N NP
N NP

1

+

( )
(2.39)
Apesar da regio de confiana obtida pelas Equaes (2.37) ou (2.39) s ser
exata para modelos lineares nos parmetros, o erro fica restrito ao fato de que a Equao
(2.37) no tem distribuio
2
, j que para modelos no-lineares nos parmetros a
distribuio de probabilidade dos parmetros no normal mesmo que os desvios entre
os valores experimentais e os valores calculados pelo modelo tenham distribuio
normal. Assim, o erro associado definio da regio de confiana a partir da Equao
(2.39) est ligado ao nvel de confiana, ou seja, o valor da distribuio F no condiz
com a realidade. Entretanto, a forma da regio de confiana muito prxima da real
31
(DONALDSON e SCHNABEL, 1987), o que no acontece na regio determinada pelas
Equaes (2.34) ou (2.36), onde a forma da regio de confiana sempre elptica..
Para a determinao exata da regio de confiana, WILLIAMS (1962),
HALPERIN (1962) e HARTLEY (1964) desenvolveram um mtodo onde a soma dos
quadrados dos desvios dividida em duas partes independentes, sendo estas partes
variveis aleatrias com distribuio
2
. Assim, a razo entre estas duas partes tem
distribuio F e a determinao da regio de confiana consiste nos valores de que
satisfazem a seguinte expresso:

( ) ( ) ( )
( ) ( ) ( )
( )
, ,
, ,
, ,
T
e m m e m m
T
e m m e m m
NP
F NP N NP
N NP

l l

l l
l l

l l
l

l l l
l l
y y x P y y x
y y x I P y y x
(2.40)
onde I a matriz identidade e P() e a matriz definida como:
( ) ( ) ( ) ( ) ( )
1
T T

l
=
l
l
P J J J J (2.41)
sendo J() a matriz Jacobiana (N x NP) definida da seguinte forma:

m
i
ij
j
y

J (2.42)
interessante observar que este mtodo (chamado de Lack-of-Fit Method) no
necessita a priori da soluo do procedimento de estimao, ou seja, a determinao
da regio de confiana independente do ponto mnimo da funo objetivo
(DONALDSON e SCHNABEL, 1987). RATKOWSKY (1990) adverte que, alm das
dificuldades computacionais associadas determinao da regio de confiana exata, j
que necessrio o clculo da matriz Jacobiana para cada conjunto de parmetros, esta
pode apresentar caractersticas indesejveis, como consistir de sub-regies
desconectadas. Por outro lado, no desenvolvimento deste mtodo a funo de mnimos
quadrados foi considerada. Deve-se lembrar que esta funo objetivo implica na
hiptese de erros com distribuio normal e varincia constante. Nos casos onde estas
hipteses no podem ser aplicadas, a determinao da regio de confiana por este
mtodo fica comprometida.
DONALDSON e SCHNABEL (1987) compararam os resultados obtidos pelos
trs mtodos descritos acima (aproximao quadrtica, razo de verossimilhana e
Lack-of-Fit Method) para determinar a regio de confiana e concluram que, nos
32
problemas estudados, no h diferenas significativas entre as regies obtidas pelo
mtodo exato e pelo de verossimilhana. J as regies obtidas pela linearizao do
modelo podem levar a resultado inverossmeis.
importante ressaltar que os critrios definidos acima para obteno da regio
de confiana so baseados ou em aproximaes quadrticas da funo objetivo
(Equaes (2.34), (2.36), (2.37) e (2.39)) ou so desenvolvidos a partir de hipteses que
nem sempre so apropriadas, como a Equao (2.40), que considera a funo de
mnimos quadrados para estimao dos parmetros. Uma forma simples e exata de se
determinar a regio de confiana dos parmetros atravs da prpria definio da
funo objetivo como uma varivel estatstica. Assim, determina-se apenas um limite
superior para esta varivel. De uma forma simples, a regio de confiana poderia ser
definida pelos valores dos parmetros que satisfazem seguinte expresso:
( )
( )

S cS (2.43)
onde c uma constante (c > 1) definida em termos estatsticos de forma a delimitar o
limite superior de confiana para a funo objetivo. Esta regio poder ser considerada
exata, j que no baseada em nenhuma aproximao; porm, difcil definir o valor
de c com algum significado estatstico (MARSILI-LIBELLI et al., 2003). A Equao
(2.39) tem a forma da Equao (2.43) e, quando o valor de N grande, a regio de
confiana definida pela Equao (2.39) assume um nvel de confiana assinttico; ou
seja, conforme N aumenta a regio se aproxima da regio verdadeira. interessante
observar que, apesar do nvel de confiana definido pela constante c no ser exato, a
forma da regio de confiana muito prxima da real, o que no ocorre quando so
definidas regies de confiana elpticas (Equaes (2.34) e (2.36)).
Apesar de ser possvel obterem-se regies de confiana dos parmetros muito
prximas da real, a utilizao de equaes do tipo da Equao (2.43) pouco difundida.
Isso ocorre por causa das dificuldades computacionais associadas obteno da regio,
j que a soluo destas equaes no simples. Alguns autores sugerem a utilizao de
extensivas simulaes de Monte Carlo para obteno da regio de confiana
(DONALDSON e SCHNABEL, 1987; VANROLLEGHEM e KEESMAN, 1996).
Uma outra forma de obteno dos intervalos de confiana dos parmetros de
modelos no lineares consiste na construo dos grficos de perfil t (profile t plots),
como sugerido por BATES e WATTS (1988). Os grficos obtidos fornecem
informaes sobre a caracterstica no linear dos parmetros estimados. BATES e
33
WATTS (1988) usaram a funo de mnimos quadrados para definir a seguinte
estatstica t para
i
:
( ) ( )

sign( )
i i i i
F = (2.44)
sendo F(
i
) definido abaixo:
( )
( ) ( )
( )
( )

i i
i
S S
F
S N NP

(2.45)
onde
( )
,
i i
S

o valor mnimo da funo objetivo com o parmetro

i
fixo e re-
estimando os parmetros restantes, que fazem parte do vetor
i

. Comparando (
i
)
com a distribuio t
N-NP
possvel obter o intervalo de confiana do parmetro
i
. J o
grfico de (
i
) contra
i
chamado de grfico de perfil t e pode ser usado para uma
anlise da no linearidade do modelo, j que para modelos lineares este grfico uma
reta. SULIEMAN et al. (2001, 2004) aplicam este mtodo para anlise de sensitividade
de modelos de regresso no linear.
Este mtodo apresenta bons resultados para determinao dos intervalos de
confiana dos parmetros e para anlise da no linearidade dos modelos. Porm, este
mtodo no fornece de forma direta a regio de confiana dos parmetros. Por outro
lado, a necessidade de inmeras minimizaes da funo objetivo, sempre fixando um
parmetro e re-estimando os demais, inviabiliza a aplicao deste mtodo em problemas
com muitos parmetros.
KLEPPER e HENDRIX (1994a, 1994b) e KLEPPER e BEDAUX (1997a,
1997b) utilizaram um mtodo aleatrio de otimizao e incorporaram a Equao (2.43)
no algoritmo de otimizao, procurando cobrir uniformemente a regio de confiana dos
parmetros atravs de extensivas avaliaes da funo objetivo. A regio obtida
comparada com a regio de confiana obtida pela aproximao quadrtica da funo
objetivo, mostrando que regies diferentes so obtidas, fortalecendo a necessidade de
uma anlise estatstica mais rigorosa em problemas de estimao de parmetros de
modelos no lineares.
MARSEGUERRA et al. (2003) usaram o Algoritmo Gentico para estimao de
parmetros de um modelo de reator nuclear e mostraram que os pontos avaliados pelo
algoritmo durante a soluo podem ser usados para obter informaes sobre a
convergncia e estabilizao dos diferentes parmetros do problema de estimao.
34
Assim, a utilizao dos algoritmos heursticos de otimizao para a estimao de
parmetros, alm das vantagens relacionadas ao procedimento de minimizao, tem a
vantagem de possibilitar a determinao da regio de confiana sem representar custos
adicionais de computao, j que os prprios pontos avaliados durante a minimizao
podem ser utilizados para descrever a regio de confiana, de acordo com algum critrio
semelhante Equao (2.43). Desta forma, como j foi dito acima, a principal
desvantagem dos mtodos heursticos convertida uma importante vantagem,
permitindo uma avaliao estatstica rigorosa dos parmetros estimados, sem a
necessidade de aproximaes que podem levar a regies que, alm de no representar a
forma real da regio, podem conduzir a concluses equivocadas sobre os nveis de
confiana dos parmetros.
35
CAPTULO 3: OS ALGORITMOS HEURSTICOS
Neste captulo so apresentados os detalhes de implementao dos algoritmos
heursticos. Em seguida, os algoritmos so avaliados e comparados na minimizao de
funes conhecidas e que apresentam caractersticas especficas, como a presena de
mnimos locais, funes com um grande nmero de variveis e a alta correlao entre as
variveis. Os mtodos so avaliados quanto a sua eficincia, relacionada ao nmero de
avaliaes da funo objetivo, e quanto a sua robustez, relacionada ao nmero de
sucessos em encontrar o mnimo global.
So utilizadas duas funes para a avaliao dos mtodos de otimizao. A
primeira funo a funo de Rosenbrock (ROSENBROCK, 1960; TRELEA, 2003).
Esta uma funo de n variveis, conforme a Equao (3.1). Na Figura 1 pode ser
observada grficos desta funo para duas variveis, onde fica visvel a forma em curva
da regio prxima ao mnimo e o rpido aumento da funo na medida que se afasta do
mnimo, dificultando muito o procedimento de minimizao desta funo.
( ) ( ) ( )
1
2
2
2
1
1
100 1
n
i i i
i
f x x x

+
=
= +

x (3.1)

Figura 1: Representao da Funo de Rosenbrock para duas variveis.

Neste trabalho, a avaliao dos mtodos ser feita usando a funo de
Rosenbrock com dimenso n igual a 30 e delimitando o espao de busca no intervalo
dado por x = [-30, 30]
n
. Esta funo apresenta um mnimo global em x
i
= 1, i = 1 ... n,
onde a funo igual a 0. Devido ao grande nmero de dimenses usadas e
Mnimo Global
36
dificuldade em minimizar esta funo, sempre que a busca resultar em um valor inferior
a 100 a busca ser admitida como um sucesso, como feito por TRELEA (2003).
A segunda funo utilizada na avaliao dos mtodos a funo de Levy N 5
(PARSOPOULOS e VRAHATIS, 2002a) ou, simplesmente, funo de Levy. Esta
funo de duas variveis apresenta no espao de busca delimitado por x = [-10, 10]
2

cerca de 760 mnimos locais e um mnimo global localizado em x
1
= -1,3068 e x
2
=
-1,4248, onde a funo assume o valor aproximado de -176,14. Desta forma, a busca foi
limitada ao intervalo [-10, 10] para cada varivel. Sempre que a minimizao encontrar
um valor menor que -176, definido de forma arbitrria, a busca ser considerada como
sucesso.
Devido ao grande nmero de mnimos locais e de somente um mnimo global, a
minimizao desta funo avalia a capacidade dos mtodos de encontrar o mnimo
global de uma funo, ou seja, dentre todos os mnimos da funo encontrar e convergir
para o mnimo global. A Equao (3.2) mostra a forma matemtica desta funo. A
Figura 2 mostra o grande nmero de mnimos e mximos locais que esta funo
apresenta.

( ) ( ) ( ) ( ) ( )
( ) ( )
5 5
1 2 1 2
1 1
2 2
1 2
, cos 1 cos 1
1, 42513 0,80032
i j
f x x i i x i j j x j
x x
= =
l l
= + + + +
l l
l l
+ + + +

(3.2)


Figura 2: Funo de Levy em 3 dimenses e em grfico de contorno.

O desempenho de cada algoritmo, em cada uma das duas funes apresentadas
acima, foi avaliada atravs do nmero de sucessos que cada um obteve em 50 corridas,
pela mdia aritmtica (Iter) e pelo desvio padro (Dp
iter
) das iteraes das corridas que
Mnimo Global
37
obtiveram sucesso e pelo valor esperado de avaliaes da funo objetivo, sendo este
ltimo valor calculado pela seguinte equao (TRELEA, 2003):
NF Npt Iter PS = (3.3)
onde NF o nmero esperado de avaliaes da funo objetivo, Npt o nmero de
pontos avaliados por iterao, Iter a mdia aritmtica das iteraes das corridas que
resultaram em sucesso e PS o percentual de sucesso. Assim, o nmero esperado de
avaliaes da funo objetivo leva em conta as corridas que no conseguem atingir o
mnimo, aumentando o nmero esperado de avaliaes da funo objetivo na medida
que a porcentagem de sucessos diminui.
Os mtodos heursticos de otimizao tambm sero avaliados quanto
qualidade da regio de confiana obtida para estimao de parmetros de um modelo
linear, de acordo com a seguinte equao:

1 2
y x = + (3.4)
onde y a varivel dependente, x a varivel independente e
1
e
2
so os parmetros,
cujos valores so ajustados para a minimizao da funo objetivo. Neste caso, a
varivel independente considerada exata e os erros de medida da varivel y tm
distribuio de probabilidade normal com varincia constante. Portanto, a funo
objetivo usada para a estimao dos parmetros a funo de mnimos quadrados
(Equao (2.9)). Os dados foram obtidos atravs da Equao (3.4), com os valores de
1

e
2
ambos iguais a 5,0, perturbando-se o valor de y obtido com um erro aleatrio com
distribuio normal, com mdia 0,0 e desvio padro 2,0. Na Tabela 2 so reportados os
dados experimentais simulados usados para estimao dos parmetros.
Tabela 2: Dados experimentais para
estimao dos parmetros do modelo linear.
x y
1,0 9,92
2,0 16,89
3,0 17,12
4,0 26,03
5,0 30,71
6,0 33,28
7,0 39,83
8,0 42,44
9,0 50,44
10,0 53,63
38
Como o modelo cujos parmetros esto sendo estimados um modelo linear, a
regio de confiana dos parmetros uma elipse descrita pela Equao (2.36). Assim,
possvel avaliar a qualidade da regio obtida por cada mtodo de otimizao, j que a
regio de confiana exata conhecida. A regio de confiana obtida pelos mtodos de
otimizao obtida pelos pontos avaliados pelo mtodo que satisfazem a Equao
(2.39).
A regio elptica obtida pela minimizao da funo objetivo atravs de um
algoritmo chamado Estima desenvolvido por NORONHA et al.(1993), o qual utiliza um
mtodo do tipo Gauss-Newton. No caso de modelo linear, obtm a soluo exata em
apenas uma iterao e fornece a matriz de covarincia dos parmetros (Equao (2.32)),
que, no caso da funo objetivo ser de mnimos quadrados, utiliza a matriz identidade
no lugar da matriz de covarincia dos erros experimentais (V
ey
).
A estimao dos parmetros com este mtodo obtm os valores estimados dos
parmetros
1
e
2
iguais a 4,84 e 5,40, respectivamente, valores estes onde a funo
objetivo tem o valor mnimo igual a 20,78. A matriz de covarincia dos parmetros
obtida :

2 1
165 15
7 1
15 15
l

l
= l
l
l
l

V (3.5)
Desta forma, substituindo os valores obtidos na estimao na Equao (2.36) e
considerando um nvel de confiana de 95%, a regio de confiana dos parmetros do
problema definido acima descrita pela seguinte equao:

1 1
2 2
4, 84 385 55 4, 84
23,16
5, 40 55 10 5, 40
T


1 1 l l l l l

l l l l l



l l l l l
( ) ( )
l l l l l
(3.6)
onde a matriz de covarincia dos parmetros j est invertida. Aps a multiplicao
matricial fornece a seguinte equao algbrica:

2 2
1 2 1 2 1 2
385,0 +10,0 +110,0 -4322,0 -640,6 +12169.2 0 (3.7)
A Equao (3.7) define uma elipse e pode ser vista na Figura 3, onde tambm
aparece o ponto mnimo, no centro da elipse.
39

Figura 3: Regio de confiana e ponto timo dos
parmetros estimados do modelo linear.
A regio de confiana definida pela Equao (2.39) consiste de todos os
conjuntos de parmetros em que a funo objetivo menor que o valor de 43,95. Assim,
aps a minimizao realizada pelos mtodos heursticos, todos os pontos avaliados
durante a busca so comparados com o valor mximo de 43,95. Os pontos onde o valor
da funo objetivo menor que este valor mximo so salvos e usados para a
construo da regio de confiana.
A seguir o algoritmo de cada um dos mtodos heursticos de otimizao ser
apresentado e os mtodos sero avaliados na minimizao das duas funes descritas
acima e no problema de estimao dos parmetros de um modelo linear, para avaliao
da qualidade da regio de confiana obtida por cada mtodo.
3.1. Monte Carlo
O mtodo de Monte Carlo um algoritmo heurstico que realiza uma busca
totalmente aleatria. Um nmero significativo de pontos sorteado aleatoriamente na
regio de busca e o melhor valor encontrado considerado o valor mnimo. Para que um
resultado razovel seja encontrado, necessrio um nmero muito grande de avaliaes
40
da funo objetivo, tornando este mtodo computacionalmente intensivo, o que tambm
diminui a eficincia deste mtodo. Apesar disso, o mtodo de Monte Carlo robusto, j
que no depende de nenhum parmetro de busca e que, a despeito da necessidade do
grande nmero de avaliaes da funo objetivo, sempre funciona. Os pontos so
sorteados aleatoriamente na regio de busca segundo a Equao (3.8), a qual usada
para sortear cada ponto em todas as direes de busca e em cada iterao:

( )
L H L
= + x x r x x (3.8)
onde x um vetor que representa o ponto sorteado, x
L
e x
H
so, respectivamente,
vetores com o limite inferior e superior da regio de busca, r um vetor contendo
nmeros aleatrios com distribuio uniforme entre 0 e 1, de forma que a probabilidade
de um ponto ser escolhido a mesma em toda a regio de busca. O smbolo indica
multiplicao de elemento por elemento dos vetores. Todos estes vetores tm dimenso
n, que corresponde ao nmero de variveis que sero otimizadas; isto , a dimenso do
problema.
Uma forma de aumentar a eficincia deste mtodo utilizar um procedimento
iterativo onde em cada iterao um nmero de pontos avaliado (Npt) e a regio de
busca diminuda em torno do melhor ponto encontrado at ento. Para tanto,
necessrio fornecer a taxa de reduo da regio de busca. Dados os limites iniciais da
regio de busca (x
L0
: limite inferior inicial; x
H0
: limite superior inicial), os limites em
cada iterao podem ser calculados atravs das seguintes equaes:

( ) ( )
0
1
k
L L otm otm
TR = + x x x x (3.9a)

( ) ( )
0
1
k
H H otm otm
TR = + x x x x (3.9b)
onde x
otm
o vetor de dimenso n contendo o melhor ponto encontrado at a k-sima
iterao e TR a taxa de reduo.
Quando a reduo da regio de busca aplicada durante a busca, possvel
correlacionar o nmero mximo de iteraes (Niter) com a taxa de reduo, j que a
busca pode ser interrompida assim que a regio de busca seja reduzida a uma pequena
faixa. A regio de busca pode ser calculada em funo do nmero de iteraes atravs
da diferena entre as Equaes (3.9a) e (3.9b), resultando na seguinte equao:
( )
0
1
Niter
TR = x x (3.10)
41
onde x e x
0
so, respectivamente, vetores contendo o intervalo de busca reduzido e
inicial em cada uma das n dimenses. Assim, fazendo a razo entre o intervalo de busca
reduzido e o inicial, tem-se uma idia da preciso do valor encontrado, j que o menor
valor encontrado est dentro do intervalo de busca reduzido. Assim, dado um certo
nmero mximo de iteraes (Niter) e uma direo de busca d qualquer, possvel
definir um valor apropriado da taxa de reduo de acordo com a seguinte equao:
( )
1
0
1
Niter
d d
TR x x = (3.11)
observando que a razo entre a faixa de busca atual e a inicial a mesma para todas as
direes.
Porm, preciso tomar um certo cuidado com o valor de TR, pois um valor
muito alto pode diminuir a regio de busca prematuramente, prejudicando a explorao
de toda a regio de busca e possibilitando que um mnimo global seja perdido. Assim,
ao invs de calcular o valor de TR, pode ser mais interessante fornecer um valor de TR e
realizar a busca at que um critrio de parada seja satisfeito, o qual pode ser dado pela
razo entre intervalo de busca reduzido e o inicial, um certo valor da funo objetivo, ou
ainda, o nmero de iteraes, entre outros.
Em cada iterao, o melhor ponto sorteado selecionado e comparado com o
ponto timo at a iterao anterior. Caso um ponto melhor seja encontrado, o ponto
timo atualizado e o procedimento iterativo continua.
A eficincia do mtodo de Monte Carlo influenciada de forma direta pelo
nmero de pontos avaliados da funo objetivo e pela taxa de reduo da regio de
busca em cada iterao. Assim, o efeito da taxa de reduo e o nmero de pontos
avaliados por iterao foram avaliados na minimizao das funes de Rosenbrock e de
Levy (Equaes (3.1) e (3.2), respectivamente), observando o nmero mdio e o desvio
padro das iteraes das corridas que resultaram em sucesso e o nmero esperado de
avaliaes da funo objetivo, calculado pela Equao (3.3).
Foram usados trs critrios de parada: o primeiro aplicado no momento em que
a funo objetivo atinge o limite proposto para cada funo (100 para a funo de
Rosenbrock e -176 para a funo de Levy); o segundo consiste em limitar a busca a no
mximo 50000 iteraes; o terceiro critrio aplicado com relao reduo da regio
de busca sempre que o valor da razo x
d
/x
0d
for inferior a 1.10
-5
a busca
interrompida. O primeiro critrio de parada relacionado a um sucesso da busca e os
outros dois so relacionados insucessos. Geralmente, quando a taxa de reduo nula
42
ou muito pequena os insucessos esto ligados ao nmero mximo de iteraes e quando
a taxa de reduo alta os insucessos esto ligados ao valor da razo x
d
/x
0d
inferior a
1.10
-5
. Na Figura 4 apresentado um fluxograma bsico deste mtodo.


Figura 4: Fluxograma do mtodo de Monte Carlo.
43
Os resultados obtidos nas 50 corridas realizadas na minimizao da funo de
Rosenbrock so apresentados a seguir na Tabela 3.
Tabela 3: Resultados obtidos com o mtodo de Monte Carlo na
minimizao da funo de Rosenbrock.
Npt TR [%] Sucessos Iter DP
Iter
NF
0,00 0 ----- ----- -----
0,01 50 44617 676 446170
0,05 50 9260 184 92602
0,10 50 4777 274 47766
0,50 50 1019 66 10186
1,00 50 522 50 5221
2,00 49 278 29 2842
5,00 34 130 18 1916
10
10,00 0 ----- ----- -----
0,00 0 ----- ----- -----
0,01 50 43949 581 1318460
0,05 50 9031 192 270917
0,10 50 4572 85 137145
0,50 50 985 141 29537
1,00 50 506 55 15179
2,00 50 261 26 7834
5,00 48 109 10 3405
30
10,00 19 67 12 5265
0,00 0 ----- ----- -----
0,01 50 43668 619 2183380
0,05 50 9023 432 451168
0,10 50 4532 72 226615
0,50 50 938 32 46924
1,00 50 481 31 24042
2,00 50 248 17 12418
5,00 48 106 12 5512
50
10,00 36 63 11 4365

Os resultados obtidos na minimizao da funo de Rosenbrock mostram que a
reduo da regio de busca fundamental para que o mnimo da funo seja atingido, j
que sem a reduo (TR igual a 0), nenhuma das 50 corridas conseguiu obter sucesso,
sendo que o nmero mximo de iteraes foi alcanado e a busca interrompida. Nas
corridas em que a reduo da regio de busca foi realizada, verifica-se uma diminuio
no nmero mdio de iteraes e do nmero esperado de avaliaes da funo objetivo
com o aumento da taxa de reduo, j que a regio de busca reduzida mais
rapidamente. Entretanto, esta queda nas iteraes e no nmero de avaliaes da funo
objetivo tambm acompanhada da queda do nmero de sucessos; isto , do nmero de
corridas que alcanam valores da funo objetivo inferiores a 100. Para a minimizao
44
desta funo uma taxa de reduo da ordem de 1% parece ser um valor adequado, j que
se consegue obter 100% de sucessos sem ser necessrio um nmero muito grande de
iteraes.
Um resultado interessante foi que o nmero mdio de iteraes no foi alterado
significativamente, medida que o nmero de avaliaes por iterao (Npt) aumentava.
Conseqentemente, com um nmero menor de pontos avaliados por iterao, o valor
esperado de avaliaes da funo objetivo menor para valores menores de Npt, j que
mesmo com um valor baixo de Npt o nmero de sucessos de 100%, exceto para as
buscas realizadas com uma taxa de reduo muito alta (5 e 10%) ou sem a taxa de
reduo (0%).
Em seguida foi avaliada a eficincia do mtodo de Monte Carlo para a
minimizao da funo de Rosenbrock com os mesmos valores de TR e Npt usados
acima, mas definindo a regio de busca no intervalo [-5, 30]
n
; ou seja, fazendo com que
o mnimo da funo fique mais prximo dos limites da regio de busca. Nenhum
sucesso foi obtido em qualquer uma das configuraes, mostrando de forma clara que a
reduo de busca pode levar a resultados muito ruins quando o mnimo da funo
objetivo fica prximo dos limites da regio de busca, j que este valor pode ser excludo
da regio de busca com a reduo.
A prxima etapa consistiu na minimizao da funo de Levy, onde tambm
foram realizadas 50 corridas, com os critrios de parada que j foram definidos
anteriormente e cujos resultados so apresentados na Tabela 4.
Na minimizao da funo de Levy, o mtodo de Monte Carlo conseguiu
encontrar o mnimo global mesmo sem a reduo da regio de busca, provavelmente
devido ao pequeno nmero de dimenses desta funo quando comparada funo de
Rosenbrock. Nas corridas em que a reduo da regio de busca foi utilizada, os
resultados obtidos mostram que o aumento da taxa de reduo provoca uma queda do
nmero de sucessos; isto , o nmero de corridas que alcanam valores da funo
objetivo inferiores a -176,0 diminui. Entretanto, o nmero mdio de iteraes
necessrias para alcanar este objetivo e o nmero esperado de iteraes necessrias
para a minimizao (NF) tambm diminuem.
Conforme foi observado na minimizao da funo de Rosenbrock, no
observada uma queda significativa do nmero mdio de iteraes com o aumento do
nmero de avaliaes por iterao, para um mesmo valor da taxa de reduo.
Entretanto, na minimizao da funo de Levy, um valor adequado da taxa de reduo
45
deve ser de 0,1%, j que valores acima deste apresentam uma queda no nmero de
sucessos. Na minimizao da funo de Rosenbrock um valor de 1% foi considerado
adequado. Esta diferena deve ter ocorrido devido grande quantidade de mnimos
locais que a funo de Levy apresenta e uma taxa de reduo elevada pode levar a
regio a convergir em torno de um mnimo local.
Tabela 4: Resultados obtidos com o mtodo de Monte Carlo na
minimizao da funo de Levy.
Npt TR [%] Sucessos Iter DP
Iter
NF
0,00 18 26149 15210 726367
0,01 50 13751 5513 137513
0,05 50 4295 1129 42948
0,10 50 2344 675 23439
0,50 43 662 143 7699
1,00 41 356 56 4337
2,00 38 199 33 2615
5,00 23 86 9 1873
10
10,00 29 47 4 808
0,00 35 22483 14166 963540
0,01 50 10585 3636 317548
0,05 50 3207 1062 96220
0,10 50 1999 618 59955
0,50 50 500 155 14990
1,00 47 304 59 9708
2,00 43 168 22 5868
5,00 38 76 16 3017
30
10,00 29 40 6 2067
0,00 43 14341 13011 833798
0,01 50 7845 3848 392255
0,05 50 3078 961 153886
0,10 50 1745 597 87249
0,50 50 467 150 23334
1,00 50 276 56 13776
2,00 49 160 31 8153
5,00 36 70 11 4878
50
10,00 35 37 6 2676

De uma forma geral, os resultados indicam que uma busca com poucas
avaliaes por iterao e uma pequena taxa de reduo a melhor opo para este
mtodo, j que dessa forma o nmero de avaliaes da funo objetivo menor e a
probabilidade de sucesso maior. Entretanto, preciso tomar cuidado com a reduo da
regio de busca, principalmente se a funo apresenta o mnimo global prximo dos
limites da regio de busca ou muitos mnimos locais, j que este ponto pode ser
46
excludo da regio de busca, levando a busca para um mnimo local ou outro ponto
qualquer.
O mtodo de Monte Carlo tambm foi avaliado com relao regio de
confiana obtida na soluo do problema de estimao de parmetros de um modelo
linear proposto acima. Foram usadas trs configuraes de busca, onde os parmetros de
busca foram alterados para avaliar seus efeitos na regio de confiana obtida. Como a
minimizao desta funo objetivo muito mais fcil que a minimizao das funes de
Resenbrock de Levy, foram usadas poucas iteraes e avaliaes por iterao, de modo
a dificultar a obteno do mnimo e da regio de confiana e, assim, permitir uma
melhor discriminao entre os resultados obtidos.
Na Tabela 5 as configuraes e os resultados obtidos so relatados de forma
sucinta.
Tabela 5: Condies de busca e resultados obtidos pelo mtodo de
Monte Carlo na estimao de parmetros de um modelo linear.
Condio MC01 MC02 MC03
Niter 100 100 200
Npt 10 10 05
TR [%] 5,0 2,0 1,0
S() 20,78 20,79 20,79

1
4,84 4,84 4,83

2
5,40 5,39 5,45
PRC 596 137 136

Nas trs condies o valor da funo objetivo alcanado e dos parmetros
estimados muito prximo do valor encontrado pelo ESTIMA. Entretanto, o nmero de
pontos na regio de confiana (PRC) obtido na condio MC01 muito maior que nas
outras duas condies, apesar do nmero de avaliaes da funo objetivo ser o mesmo.
Como pode ser observado na Figura 5, onde a regio obtida pelo mtodo de Monte
Carlo com a configurao MC01 comparada regio elptica (Figura 3), o valor de
5% da taxa de reduo concentra os pontos em uma regio muito prxima ao mnimo,
prejudicando a qualidade da regio de confiana obtida.
Diminuindo a taxa de reduo para 2% (configurao MC02), apesar do nmero
de pontos na regio de confiana diminuir, j que a regio onde os pontos so sorteados
tem uma reduo menor, a qualidade desta melhor, j que estes pontos se encontram
mais distribudos, como mostra a Figura 6.
47
Com o objetivo de tentar aumentar a qualidade da regio de confiana obtida,
sem, no entanto, aumentar o nmero de avaliaes da funo objetivo, foi usada uma
terceira configurao de busca (MC03), onde o nmero de iteraes foi dobrado e o
nmero de avaliaes por iterao diminudo metade. Como o nmero de iteraes
maior, a taxa de reduo foi diminuda para 1%, para evitar uma alta concentrao de
pontos prxima do mnimo. A regio obtida apresentada na Figura 7. Como pode ser
visto, no h melhora significativa com relao regio apresentada na Figura 6.
Para aumentar a qualidade da regio de confiana obtida seriam necessrias mais
avaliaes da funo objetivo, de forma a aumentar a cobertura da regio de confiana
pelos pontos. Entretanto, o objetivo desta avaliao observar os efeitos que os
parmetros de busca tm na regio de confiana obtida pelo mtodo de otimizao. Foi
possvel observar que pequenas taxas de reduo evitam uma concentrao muito alta
de pontos nas proximidades do ponto mnimo.


Figura 5: Comparao da regio de confiana obtida pelo
mtodo de Monte Carlo (MC01) com a regio elptica.

48

Figura 6: Comparao da regio de confiana obtida pelo
mtodo de Monte Carlo (MC02) com a regio elptica.


Figura 7: Comparao da regio de confiana obtida pelo
mtodo de Monte Carlo (MC03) com a regio elptica.
49
Assim sendo, tanto para avaliao da minimizao das funes teste, como para
obteno da regio de confiana, as condies mais favorveis consistem na utilizao
de pequenas taxas de reduo. Com relao ao nmero de pontos avaliados por iterao,
para a minimizao a melhor condio consiste em poucas avaliaes por iterao, de
modo a diminuir o nmero de avaliaes da funo objetivo para o mnimo ser
alcanado. Entretanto, para obteno da regio de confiana, quanto maior o nmero de
avaliaes da funo objetivo, melhor ser a regio de confiana obtida. Assim, quando
se deseja obter tanto o ponto mnimo quanto a regio de confiana, a melhor
configurao parece ser a combinao de pequenas taxas de reduo e o maior nmero
de avaliaes por iterao, desde que a busca no seja prejudicada, pois um nmero
muito grande de avaliaes por iterao impede que a busca progrida, tornando o
processo de minimizao muito lento.
Enfim, o mtodo de Monte Carlo conseguiu obter bons resultados tanto na
minimizao quanto na obteno da regio de confiana dos parmetros do modelo
linear, apesar de que cuidados devem ser tomados com relao reduo da regio de
busca.
3.2. Algoritmo gentico
O Algoritmo Gentico um mtodo de otimizao baseado na evoluo dos
seres vivos. Durante o procedimento de otimizao so realizadas operaes que
procuram simular as condies de evoluo dos seres vivos, como a seleo natural, o
cruzamento entre os indivduos e a mutao. Estas operaes so realizadas sobre um
conjunto de pontos distribudos no espao de busca, geralmente chamados de
indivduos, procurando fazer com que estes pontos encontrem valor timo da funo
objetivo.
Assim, cada indivduo contm um conjunto de informaes que descrevem sua
localizao no espao de busca; ou seja, cada indivduo consiste em um vetor contendo
os valores das variveis de busca que correspondem a uma determinada posio. Desta
forma, a codificao dos indivduos o prprio vetor das variveis de busca de cada um
dos Npt pontos usados na busca.
A primeira gerao de indivduos (ou seja, o conjunto inicial de pontos) gerada
de forma aleatria dentro da regio de busca, de acordo com a Equao (3.8), dados os
limites da regio de busca. Este conjunto inicial de indivduos avaliado segundo uma
funo objetivo, cujo mnimo procurado. O valor da funo objetivo corresponde a
50
uma medida da aptido de cada indivduo. No caso de uma minimizao, quanto menor
o valor da funo objetivo, maior a aptido do indivduo.
Aps a avaliao da aptido de todos os indivduos, realizado o cruzamento
entre os indivduos mais aptos. Para a seleo dos pares de indivduos utilizada a
seleo por torneio, onde dois indivduos so sorteados aleatoriamente e aquele que tem
a maior aptido (neste caso, o menor valor da funo objetivo) escolhido. Este
procedimento repetido para a formao a escolha do segundo indivduo do par. Os
dois indivduos do par so combinados para a gerao de um novo indivduo.
Entretanto, a combinao dos indivduos do par s ocorre de fato se a probabilidade do
cruzamento (Pcruz) for maior que um nmero aleatrio com distribuio uniforme no
intervalo [0, 1], sorteado para cada par que ir ou no sofrer o cruzamento. Caso o
cruzamento no ocorra, um dos indivduos selecionados, definido neste trabalho como o
primeiro indivduo selecionado, incorporado na nova gerao sem sofrer nenhuma
alterao.
Caso o cruzamento ocorra, a combinao consiste em sortear um ponto de
quebra para os dois indivduos. O novo indivduo gerado composto do segmento
inicial de um dos indivduos selecionados e pelo segmento final do outro indivduo
selecionado (BALLAND et al., 2000), de acordo com a Figura 8, onde o procedimento
de cruzamento entre dois indivduos ilustrado:


Figura 8: Operao de cruzamento entre dois indivduos para
gerao de um indivduo novo.
Este procedimento de seleo e cruzamento repetido at que seja formada uma
nova gerao de indivduos.
51
Em seguida realizada a mutao, que consiste na seleo de indivduos de
acordo com uma probabilidade de mutao (Pmut) e modific-los de forma aleatria,
garantindo uma maior explorao da regio de busca. A forma de mutao utilizada
neste trabalho consiste em perturbar cada uma das direes de busca que definem o
indivduo em torno dos valores atuais, de acordo com a seguinte equao:
( ) 2 1
N
= + x x r x (3.12)
onde x
N
e x so os vetores correspondentes ao novo indivduo e ao indivduo atual,
respectivamente, r um vetor de nmeros aleatrios com distribuio uniforme no
intervalo [0, 1] e x um vetor com o tamanho mximo da perturbao. Assim, a
perturbao em x um valor entre -x e x, de acordo com os valores aleatrios
contidos no vetor r, os quais so sorteados para cada mutao realizada. Como na
Equao (3.8), o smbolo indica multiplicao elemento por elemento dos vetores. Na
Figura 9 apresentada uma ilustrao da operao de mutao para uma busca
bidimensional, onde aparece no centro da figura o ponto e a regio em torno deste ponto
onde o novo ponto ser gerado pela mutao do ponto atual.


Figura 9: Operao de mutao de um indivduo,
mostrando a regio onde o novo ponto ser gerado.
Uma outra prtica comum a realizao do elitismo, que consiste em manter o
melhor indivduo da gerao atual na gerao seguinte, evitando que a melhor soluo
encontrada seja perdida devido ao carter aleatrio do algoritmo.
Um fluxograma bsico do algoritmo apresentado na Figura 10.

52

Figura 10: Fluxograma do mtodo do Algoritmo Gentico.
O Algoritmo Gentico foi avaliado na minimizao das funes objetivo
definidas anteriormente, observando as influncias do nmero de pontos avaliados por
iterao, da probabilidade de mutao e do tamanho da perturbao realizada durante a
mutao, sendo que a probabilidade de cruzamento foi fixada em 70% para todas as
minimizaes, j que este deve ser um valor alto (GOLDBERG, 1989), alm de evitar a
53
necessidade de se realizar um nmero muito grande de simulaes para se observar a
influncia deste parmetro de busca.
Os critrios de parada consistem no valor limite para o valor da funo objetivo
(100 para a funo de Rosenbrock e -176 para a funo de Levy) e o nmero mximo de
50000 iteraes.
Nas Tabelas 6, 7, 8 e 9 so apresentados os resultados da minimizao da funo
de Rosenbrock, onde a perturbao realizada nas mutaes corresponde a valores de at
1, 2, 5 e 10% da faixa total de cada direo de busca.
Os resultados obtidos e apresentados nas Tabelas 6, 7, 8 e 9 mostram que as
minimizaes realizadas com uma probabilidade de mutao da ordem de 30 a 40%
obtm os melhores resultados, alcanando um nmero de sucessos prximos a 50 (ou
seja, prximo a 100%) e com um baixo nmero mdio de iteraes, fazendo com que o
nmero esperado de avaliaes da funo objetivo seja menor que as minimizaes com
probabilidade de mutao de 1, 10, 20 e 50%. Este comportamento foi observado para
todos os nveis de perturbaes realizadas pela mutao.

Tabela 6: Resultados obtidos com o mtodo do Algoritmo Gentico na
minimizao da funo de Rosenbrock, com perturbao de 1% nas mutaes.
Npt Pmut [%] Sucessos Iter DP
Iter
NF
1 0 ----- ----- -----
10 30 23863 14927 397716
20 40 9205 9090 115061
30 42 5404 3994 64336
40 47 4735 4540 50371
10
50 41 6975 6395 85063
1 0 ----- ----- -----
10 36 13103 12688 545956
20 44 5270 7719 179646
30 48 4488 7194 140264
40 48 2993 3841 93519
30
50 50 4665 5778 139963
1 3 22068 20529 18390278
10 41 7678 8485 468169
20 42 6064 12168 360923
30 48 3299 5554 171828
40 49 1953 3420 99633
50
50 45 7331 10091 407298


54
Tabela 7: Resultados obtidos com o mtodo do Algoritmo Gentico na
minimizao da funo de Rosenbrock, com perturbao de 2% nas mutaes.
Npt Pmut [%] Sucessos Iter DP
Iter
NF
1 0 ----- ----- -----
10 8 39896 4149 2493469
20 35 21262 10323 303736
30 39 16424 10486 210564
40 40 15478 9603 193471
10
50 40 19435 9365 242936
1 0 ----- ----- -----
10 26 29680 10585 1712328
20 45 9264 10407 308799
30 43 5126 7649 178828
40 45 4461 5304 148689
30
50 45 14459 8543 481967
1 0 ----- ----- -----
10 34 22891 11325 1683155
20 46 6072 7111 330020
30 50 4109 7828 205440
40 47 4499 5962 239299
50
50 47 15214 9566 809238

Tabela 8: Resultados obtidos com o mtodo do Algoritmo Gentico na
minimizao da funo de Rosenbrock, com perturbao de 5% nas mutaes.
Npt Pmut [%] Sucessos Iter DP
Iter
NF
1 0 ----- ----- -----
10 0 ----- ----- -----
20 0 ----- ----- -----
30 16 37600 6650 1175006
40 8 37704 9020 2356492
10
50 0 ----- ----- -----
1 0 ----- ----- -----
10 0 ----- ----- -----
20 24 31553 11321 1972060
30 41 16796 10623 614490
40 39 21665 11732 833253
30
50 15 39900 5647 3989993
1 0 ----- ----- -----
10 0 ----- ----- -----
20 41 25795 11292 1572893
30 48 14277 11431 743615
40 43 18234 10226 1060105
50
50 7 35929 7839 12831888


55
Tabela 9: Resultados obtidos com o mtodo do Algoritmo Gentico na
minimizao da funo de Rosenbrock, com perturbao de 10% nas mutaes.
Npt Pmut [%] Sucessos Iter DP
Iter
NF
1 0 ----- ----- -----
10 0 ----- ----- -----
20 0 ----- ----- -----
30 0 ----- ----- -----
40 0 ----- ----- -----
10
50 0 ----- ----- -----
1 0 ----- ----- -----
10 0 ----- ----- -----
20 1 43547 ----- 65320500
30 23 31841 10267 2076578
40 19 36054 7398 2846356
30
50 0 ----- ----- -----
1 0 ----- ----- -----
10 0 ----- ----- -----
20 7 30183 6767 10779745
30 30 26753 12017 2229417
40 19 29514 10313 3883470
50
50 0 ----- ----- -----

Os resultados tambm mostram que o aumento da perturbao da mutao
provoca uma queda do nmero de sucessos, assim como aumenta o nmero de iteraes
necessrias para um valor da funo objetivo inferior a 100 ser alcanado. Alm disso,
quando a perturbao de 5 e 10%, o nmero de sucessos zero para grande parte das
configuraes utilizadas, como mostram as Tabelas 8 e 9. Dessa forma, valores
pequenos de perturbao devem ser utilizados, j que estes valores levam a resultados
melhores.
Com relao ao nmero de pontos avaliados em cada iterao, ou melhor, ao
nmero de indivduos em cada gerao, vemos que o seu aumento provoca um aumento
do nmero de sucessos e uma queda do nmero de iteraes. Porm, as minimizaes
com uma perturbao de 1% na mutao apresentam um aumento do nmero esperado
de avaliaes da funo objetivo com o aumento do nmero de indivduos, mesmo
tendo um aumento no nmero de sucessos e uma queda no nmero de iteraes. Este
comportamento tambm foi observado nas minimizaes realizadas pelo mtodo de
Monte Carlo. Como os melhores resultados foram obtidos com perturbaes pequenas,
realizar buscas com um pequeno nmero de pontos avaliados por iterao aparenta ser a
melhor alternativa, apesar do menor nmero de sucessos. Mas se o custo computacional
associado avaliao da funo objetivo no prejudicar a busca pelo mnimo, um
56
nmero maior de pontos avaliados por iterao (ou de indivduos) deve ser utilizado, j
que o nmero de sucessos maior.
Ainda importante observar os valores altos do desvio padro do nmero de
iteraes das corridas que resultaram em sucesso, o que salienta o carter aleatrio do
mtodo. Esta aleatoriedade pode dificultar o controle da busca, j que difcil
determinar quando uma busca pode ser encerrada. Uma forma de se conseguir isto
diminuir a probabilidade de mutao ao longo das iteraes (HIBBERT, 1993b),
fazendo com que o conjunto de pontos convirja, j que a mutao que mantm uma
certa diversidade no conjunto de pontos.
A avaliao do mtodo do Algoritmo Gentico segue com a minimizao da
funo de Levy. Os resultados obtidos so apresentados nas Tabelas 10, 11, 12 e 13.
Os resultados obtidos pelo Algoritmo Gentico na minimizao da funo de
Levy mostram que o nmero de sucessos aumenta com o aumento da probabilidade de
mutao, independentemente do tamanho da perturbao realizada nas mutaes.
Entretanto, quando a perturbao realizada pela mutao tem um tamanho de 1 e 2% da
faixa total de busca (Tabelas 10 e 11, respectivamente), o nmero de sucessos baixo.
Somente com uma perturbao correspondente a 5 e 10% da faixa total de busca
possvel atingir uma taxa de sucessos igual ou prxima a 100%.
Tabela 10: Resultados obtidos com o mtodo do Algoritmo Gentico na
minimizao da funo de Levy, com perturbao de 1% nas mutaes.
Npt Pmut [%] Sucessos Iter DP
Iter
NF
1 2 2591 2597 647625
10 3 87 40 14444
20 4 1165 1298 145563
30 11 6610 7212 300475
40 15 11799 13703 393313
10
50 28 13021 13632 232520
1 8 719 645 134742
10 7 70 22 14969
20 12 3218 11028 402208
30 13 4306 8148 496828
40 25 9702 14306 582134
30
50 29 2965 5281 153355
1 10 801 639 200275
10 17 36 27 5234
20 10 5684 14425 1421050
30 15 4736 12018 789356
40 29 3285 7039 283231
50
50 33 1018 2297 77105

57

Tabela 11: Resultados obtidos com o mtodo do Algoritmo Gentico na
minimizao da funo de Levy, com perturbao de 2% nas mutaes.
Npt Pmut [%] Sucessos Iter DP
Iter
NF
1 0 ----- ----- -----
10 16 9751 12664 304727
20 29 3948 4674 68076
30 30 868 995 14473
40 30 316 290 5262
10
50 29 218 177 3750
1 10 4369 10773 655275
10 26 8416 12534 485547
20 32 900 1181 42193
30 33 260 482 11826
40 29 111 138 5752
30
50 36 61 39 2530
1 10 1271 1504 317675
10 34 3768 6554 277087
20 38 335 501 22060
30 34 111 110 8188
40 40 62 50 3864
50
50 42 57 28 3374

Tabela 12: Resultados obtidos com o mtodo do Algoritmo Gentico na
minimizao da funo de Levy, com perturbao de 5% nas mutaes.
Npt Pmut [%] Sucessos Iter DP
Iter
NF
1 34 18302 12854 269152
10 28 1767 1081 31561
20 31 653 436 10531
30 33 1006 3437 15244
40 47 5318 8732 56571
10
50 49 1463 1629 14933
1 20 7009 4160 525709
10 29 501 294 25926
20 35 150 109 6426
30 46 3638 9797 118615
40 49 135 105 4125
30
50 47 159 107 5068
1 31 5982 7695 482393
10 39 432 306 27668
20 39 122 94 7845
30 42 783 4633 46593
40 46 93 47 5065
50
50 48 120 69 6275

58
Tabela 13: Resultados obtidos com o mtodo do Algoritmo Gentico na
minimizao da funo de Levy, com perturbao de 10% nas mutaes.
Npt Pmut [%] Sucessos Iter DP
Iter
NF
1 26 22145 12858 425865
10 29 3162 4798 54510
20 50 5787 10908 57869
30 50 1732 2529 17318
40 50 607 456 6070
10
50 50 743 513 7431
1 21 18019 13099 1287071
10 32 1118 768 52403
20 49 2213 6851 67733
30 50 237 184 7124
40 50 220 146 6600
30
50 50 290 235 8698
1 27 10713 8020 991948
10 38 1416 4880 93161
20 50 1477 3750 73868
30 50 122 76 6094
40 48 145 100 7576
50
50 50 281 189 14053

J o nmero mdio de iteraes diminuiu com o aumento da probabilidade de
mutao, com exceo dos resultados obtidos com 1% de perturbao, onde o nmero
de iteraes apresentou um mnimo em 10% de probabilidade de mutao.
Como o aumento da probabilidade de mutao provoca um aumento no nmero
de sucessos e, simultaneamente, uma queda no nmero de iteraes, o nmero esperado
de avaliaes da funo objetivo tambm cai com o aumento da probabilidade de
mutao.
Com relao ao nmero de indivduos (nmero de pontos avaliados por
iterao), observado que um aumento do nmero de indivduos leva a um aumento do
nmero de sucessos e a uma queda do nmero mdio de iteraes. Alm disso, o
nmero esperado de avaliaes da funo objetivo tambm cai em alguns casos;
enquanto em outros casos, fica constante ou muda pouco, o que indica a possibilidade
de se utilizar um nmero maior de indivduos sem, no entanto, levar a um esforo
computacional excessivo.
interessante observar que, no caso da minimizao da funo de Levy, uma
configurao mais aleatria foi a que resulta nos melhores resultados, indicando que
funes com muitos mnimos locais, um carter mais aleatrio necessrio para
garantir a realizao de uma busca global e conseguir determinar o mnimo global. J a
59
funo de Rosenbrock no resulta em bons resultados quando o carter aleatrio da
busca predominante, j que os melhores resultados foram obtidos com uma pequena
perturbao realizada pela mutao.
Esta comparao mostra que a definio dos parmetros timos de busca
dependente do problema que se deseja resolver. Desta forma, quando se tem em mos
um problema cuja soluo no conhecida, a melhor forma de resolv-lo consiste em
realizar diversas buscas com valores diferentes dos parmetros de busca, de forma a
aumentar a probabilidade de encontrar o mnimo global deste problema.
O mtodo do Algoritmo Gentico foi tambm avaliado na determinao da
regio de confiana dos parmetros de um modelo linear. Foram avaliadas as
influncias do tamanho da perturbao realizada pela mutao e do nmero de
avaliaes por iterao. A probabilidade de cruzamento foi mantida igual a 70%, do
mesmo modo que foi feito na avaliao da minimizao das funes-teste, e a
probabilidade de mutao foi mantida igual a 40%, j que esta valor resultou sempre em
bons resultados nas minimizaes das funes teste. Foram usadas trs configuraes e
os resultados obtidos esto apresentados na Tabela 14.
Tabela 14: Condies de busca e resultados obtidos pelo mtodo do
Algoritmo Gentico na estimao de parmetros de um modelo linear.
Condio AG01 AG02 AG03
Niter 100 100 200
Npt 10 10 05
x [%] 1,0 5,0 5,0
S() 20,79 20,78 20,79

1
4,85 4,38 4,83

2
5,38 5,43 5,41
PRC 924 523 570

As trs configuraes acima apresentadas alcanaram o ponto mnimo, j que os
valores obtidos so muito prximos dos valores obtidos pelo ESTIMA. A configurao
onde a perturbao da mutao foi de 1,0% (configurao AG01) obteve um nmero
alto de pontos na regio de confiana (PRC), mas estes pontos ficaram concentrados no
cento da regio de confiana, como mostra a Figura 11. O aumento da perturbao para
5,0% (configurao AG02) provocou uma queda no nmero de pontos na regio de
confiana, mas como os pontos se encontraram mais dispersos, a regio de confiana foi
descrita com uma qualidade superior, como mostra a Figura 12. Entretanto, os pontos
60
esto dispersos na parte superior da regio de confiana e a parte inferior ficou sem
pontos.
Uma terceira configurao foi avaliada (configurao AG03), onde foram
avaliados 5 pontos por iterao e o nmero de iteraes foi 200, mantendo-se constante
o nmero de avaliaes da funo objetivo. A perturbao da mutao foi mantida igual
a 5%. A regio de confiana obtida (Figura 13), apesar de apresentar os pontos mais
distribudos, ainda obteve mais pontos na regio superior da regio de confiana.
Os resultados obtidos na determinao da regio de confiana com o mtodo do
Algoritmo Gentico mostram que um carter mais aleatrio indicado para uma boa
descrio da regio de confiana, apesar de que a regio obtida pode apresentar
problemas como os apontados acima. Como no mtodo de Monte Carlo, um maior
nmero de iteraes e de avaliaes por iterao seriam necessrios para uma boa
descrio da regio de confiana. Por outro lado, devido ao carter aleatrio deste e dos
demais algoritmos, um nmero maior de resultados deve ser analisado em conjunto para
ser possvel obterem-se concluses mais consistentes. Entretanto, mesmo com este
pequeno nmero de casos avaliados, possvel verificar-se a influncia de alguns
parmetros e mostrar que possvel obter-se uma descrio aproximada da regio de
confiana, mesmo com um nmero pequeno de avaliaes da funo objetivo.

Figura 11: Comparao da regio de confiana obtida pelo
mtodo do Algoritmo Gentico (AG01) com a regio elptica.
61


Figura 12: Comparao da regio de confiana obtida pelo
mtodo do Algoritmo Gentico (AG02) com a regio elptica.


Figura 13: Comparao da regio de confiana obtida pelo
mtodo do Algoritmo Gentico (AG03) com a regio elptica.
62
Assim, o mtodo do Algoritmo Gentico se mostrou eficiente para minimizao
das funes-teste e para obteno da regio de confiana de parmetros. Alm disso,
ficou claro que a escolha adequada dos parmetros de busca tem grande influncia nos
resultados obtidos. Assim, como foi discutido acima, a realizao de diversas buscas
com diferentes configuraes necessria para aumentar a probabilidade de se ter
encontrado o mnimo global e para a obteno de uma boa descrio da regio de
confiana.
3.3. Recozimento Simulado
O mtodo do Recozimento Simulado consiste em um procedimento de
minimizao (ou maximizao) exaustiva, sendo a busca realizada atravs de pequenas
transies aleatrias que exploram toda a regio de busca durante a procura do mnimo
global. No incio da minimizao so realizadas transies para valores maiores da
funo objetivo, permitindo que a busca escape de mnimos locais. Ao longo das
iteraes, as transies passam gradativamente a serem aceitas somente quando a
funo objetivo diminui, para que a busca convirja para o mnimo.
Neste trabalho ser utilizada a forma tradicional para o clculo da probabilidade
de transio; ou seja, aquela baseada na estatstica de Boltzmann. A queda da
temperatura ser feita exponencialmente (KIRKPATRICK et al., 1983) e o valor inicial
da temperatura ser definido de tal forma que inicialmente 95% das transies para
pontos com valor maior da funo objetivo sejam aceitas (DAS et al., 1990). Assim, as
equaes para o clculo da probabilidade de transio, para a reduo da temperatura e
para a definio da temperatura inicial so, respectivamente:
exp
N
k
F F
p
T
1

( )
(3.13)

1 k k
T T
+
= (3.14)

( )
0
ln 0,95
F
T

= (3.15)
onde p a probabilidade de transio, F o valor atual da funo objetivo, F
N
o valor
da funo objetivo no novo ponto, T
k
a k-sima temperatura, o fator de reduo de
temperatura, T
0
a temperatura inicial, e F* a mxima variao da funo objetivo
em torno do ponto inicial, calculada a partir de um certo nmero de transies.
63
O procedimento iterativo consiste na realizao de um certo nmero de
tentativas de transies Npt, que podem ou no ser aceitas, em uma mesma temperatura
T
k
, de acordo com a Equao (3.13). Em seguida a temperatura reduzida com o auxlio
da Equao (3.14) e so realizadas outras Npt tentativas de transies, reduz-se a
temperatura e assim por diante, at que um critrio de parada seja satisfeito.
Apesar de AHON et al. (2000) mostrarem que com a estatstica de Tsallis o
mtodo encontra o mnimo global com maior freqncia, esta forma requer um maior
nmero de avaliaes da funo objetivo, alm da necessidade da definio dos
parmetros adicionais q
v
e q
a
. Assim, a aplicao da estatstica de Boltzmann uma
forma mais simples, j que no depende de muitos parmetros. Como a temperatura
inicial definida pela Equao (3.15), os parmetros que ainda devem ser definidos so
o nmero de redues da temperatura (NT) e o nmero de tentativas de transies feitas
em cada temperatura Npt. Uma alternativa reduzir a temperatura at que um nmero
mximo de transies no-aceitas consecutivamente seja atingido, indicando que o
sistema est congelado.
O valor da temperatura inicial determinado a partir da Equao (3.15), sendo o
valor de F* determinado pela diferena entre o maior e o menor valor da funo
objetivo encontrados em um nmero significativo de tentativas de transio a partir de
um ponto inicial sorteado de forma aleatria. Neste trabalho, foi arbitrado um valor de
50 tentativas de transio para a definio da temperatura inicial.
O ltimo ponto importante a questo da vizinhana, a qual define o conjunto
de pontos vizinhos ao ponto atual que podem vir a ser o novo ponto. De uma forma
simples, definido um intervalo em torno do ponto atual em cada direo de busca, e
um novo ponto sorteado nesta regio. Neste trabalho a regio em torno do ponto atual
foi definida como qualquer posio x maior ou menor que a posio atual, sendo x
um vetor contendo as variaes em cada direo para definio de uma regio em torno
do ponto atual onde o novo ponto ser gerado usando a Equao (3.12), tambm
utilizada pelo mtodo do Algoritmo Gentico, reescrita abaixo:
( ) 2 1
N
= + x x r x (3.12)
onde x
N
e x so os vetores correspondentes ao novo ponto e ao ponto atual,
respectivamente e r um vetor de nmeros aleatrios com distribuio uniforme no
intervalo [0, 1].
Na Figura 14 apresentado um fluxograma bsico do mtodo.
64

Figura 14: Fluxograma do mtodo do Recozimento Simulado.
Foram analisadas as influncias do nmero de avaliaes em cada temperatura
(Npt), do valor de , usado na Equao (3.14) para reduzir o valor da temperatura, e da
perturbao realizada para o clculo do novo ponto, que corresponde a um percentual da
faixa total de cada direo de busca. Os critrios de parada foram os limites da funo
objetivo propostos para cada funo (100 para a funo de Rosenbrock e -176 para a
65
funo de Levy). A busca era interrompida sempre que aps cinco redues sucessivas
de temperatura nenhuma transio fosse aceita, indicando que a busca congelou.
Nas Tabelas 15 e 16 esto reportados os resultados obtidos na minimizao da
funo de Rosenbrock, com uma perturbao para o clculo do novo ponto de 0,1 e
0,5% da faixa de busca em cada direo, respectivamente. Uma perturbao de 1%
tambm foi usada, mas como no foi obtido nenhum sucesso, os dados no foram
reportados.
Os resultados apresentados nas Tabelas 15 e 16 mostram que o mtodo do
Recozimento Simulado alcanou bons resultados na minimizao da funo de
Rosenbrock, obtendo um nmero de sucessos alto, particularmente para uma
perturbao de 0,1%.
Os resultado tambm mostram que o aumento do nmero de avaliaes em uma
mesma temperatura (Npt) provocou um aumento do nmero de sucessos e uma queda
do nmero de redues de temperatura (NT). O nmero esperado de avaliaes da
funo objetivo, no entanto, aumenta muito.

Tabela 15: Resultados obtidos com o mtodo do Recozimento Simulado na
minimizao da funo de Rosenbrock, com perturbao de 0,1%.
alfa Npt Sucessos NT DP
Iter
NF
100 41 98 24 11984
500 42 26 5 15334
1000 44 23 2 26679
3000 43 22 1 77637
5000 44 22 1 126808
0,5
10000 47 22 1 234948
100 34 104 28 15281
500 38 46 3 30419
1000 42 44 1 51899
3000 46 44 2 141848
5000 46 44 3 239249
0,7
10000 49 43 2 440650
100 34 162 18 23750
500 40 151 8 94594
1000 49 151 16 153769
3000 47 149 8 475396
5000 46 145 5 789816
0,9
10000 49 146 5 1488755


66
Tabela 16: Resultados obtidos com o mtodo do Recozimento Simulado na
minimizao da funo de Rosenbrock, com perturbao de 0,5%.
alfa Npt Sucessos NT DP
Iter
NF
100 7 40 8 28367
500 28 32 8 28476
1000 28 28 3 50829
3000 34 26 1 113668
5000 38 25 1 164647
0,5
10000 41 25 1 302499
100 3 61 1 101667
500 30 55 5 46028
1000 28 53 3 94069
3000 38 50 2 196641
5000 45 49 1 273333
0,7
10000 43 49 1 564359
100 8 177 3 110391
500 34 172 6 126125
1000 40 169 4 211250
3000 39 166 4 639250
5000 40 164 3 1027969
0,9
10000 46 163 3 1770794

O aumento de no provocou mudanas significativas no nmero de sucessos,
mas provocou um aumento do nmero de redues de temperatura e um conseqente
aumento do nmero esperado de avaliaes da funo objetivo.
O aumento do tamanho da perturbao para as transies provocou uma ligeira
queda, quando os resultados das Tabelas 15 e 16 so comparados. Lembrando que
quando a perturbao foi de 1% nenhum sucesso foi obtido, chega-se concluso de
que o aumento da perturbao provoca uma queda do nmero de sucessos na
minimizao da funo de Rosenbrock.
Nas Tabelas 17 e 18 so reportados os resultados obtidos na minimizao da
funo de Levy com 0,5 e 1% de perturbao para o clculo do novo ponto. O valor de
0,1% para perturbao tambm foi utilizado, mas, como o nmero de sucessos foi muito
baixo, os dados no foram reportados.
Desta vez, os resultados apresentados nas Tabelas 17 e 18 mostram que o
mtodo do Recozimento Simulado encontrou uma certa dificuldade na minimizao da
funo de Levy, j que o nmero de sucessos no foi alto para a maioria das condies
de busca.

67
Tabela 17: Resultados obtidos com o mtodo do Recozimento Simulado na
minimizao da funo de Levy, com perturbao de 0,5%.
alfa Npt Sucessos NT DP
Iter
NF
100 0 ----- ----- -----
500 0 ----- ----- -----
1000 1 3 ----- 150000
3000 5 3 1 84000
5000 4 2 1 125000
0,5
10000 12 2 1 86806
100 1 9 ----- 45000
500 2 6 1 68750
1000 2 9 4 225000
3000 6 6 3 141667
5000 14 5 3 95663
0,7
10000 25 4 2 84000
100 0 ----- ----- -----
500 3 22 8 183333
1000 10 19 10 95000
3000 20 17 9 128625
5000 30 16 9 134444
0,9
10000 42 13 9 149093

Tabela 18: Resultados obtidos com o mtodo do Recozimento Simulado na
minimizao da funo de Levy, com perturbao de 1,0%.
alfa Npt Sucessos NT DP
Iter
NF
100 0 ----- ----- -----
500 1 3 ----- 75000
1000 4 3 2 37500
3000 13 4 1 43491
5000 19 3 1 44321
0,5
10000 25 3 1 64800
100 0 ----- ----- -----
500 3 8 2 63889
1000 7 6 5 43878
3000 21 6 2 43537
5000 24 7 3 71615
0,7
10000 34 6 3 90398
100 3 27 11 44444
500 13 30 11 58136
1000 22 24 9 54545
3000 30 19 8 96833
5000 39 21 10 132479
0,9
10000 45 17 9 193333

Os resultados mostram que o aumento do nmero de avaliaes em uma mesma
temperatura (NT) leva a um aumento do nmero de sucessos e a uma ligeira queda do
68
nmero de redues de temperatura, mas com um aumento do nmero esperado de
avaliaes da funo objetivo, da mesma forma que foi observado para a minimizao
da funo de Rosenbrock.
O aumento de provocou um aumento do nmero de sucessos, mas sendo
necessrias mais redues de temperatura. J o aumento do tamanho da perturbao
para as transies provocou um aumento do nmero de sucessos, enquanto o nmero de
redues de temperatura no foi significativamente afetado. Este comportamento foi o
oposto do observado na minimizao da funo de Rosenbrock.
Os resultados obtidos pelo mtodo do Recozimento Simulado indicam uma certa
dependncia dos parmetros de busca com o tipo de problema. Assim, para uma funo
que apresenta diversos mnimos locais, como a funo de Levy, necessrio um carter
mais global da busca, obtido com uma queda lenta da temperatura e um grande nmero
de avaliaes em cada temperatura. Alm disso, uma perturbao relativamente grande
para as transies tambm leva a melhores resultados. J para a minimizao da funo
de Rosenbrock, o aumento do carter global da busca no aumenta muito o nmero de
sucessos, apesar do aumento do nmero de redues de temperatura e do maior nmero
de avaliaes da funo objetivo.
importante ressaltar que estas concluses so restritas s faixas de parmetros
de busca avaliadas aqui e que outros comportamentos podem ser observados se outros
parmetros forem avaliados. Um exemplo o fato do nmero de sucessos aumentar com
o aumento da perturbao para o clculo de um novo ponto. bem provvel que este
aumento esteja restrito faixa avaliada e que, se este parmetro continuar a ser
aumentado, o nmero de sucessos venha a cair.
A avaliao da obteno da regio de confiana dos parmetros de um modelo
linear pelo mtodo do Recozimento Simulado foi feita a partir de trs estimaes, onde
os parmetros de busca foram alterados conforme mostra a Tabela 19, onde tambm
esto apresentados os resultados obtidos em cada estimao. Os valores altos da
perturbao x foram assim definidos para aumentar o carter exploratrio da busca, e
procurar obter uma boa descrio da regio de confiana.
A configurao RS01, onde o fator de queda da temperatura foi 0,9 e a
perturbao foi de 5,0%, obteve uma boa descrio da regio de confiana, apesar da
parte superior da regio conter poucos pontos, como mostra a Figura 15.

69
Tabela 19: Condies de busca e resultados obtidos pelo mtodo do
Recozimento Simulado na estimao de parmetros de um modelo linear.
Condio RS01 RS02 RS03
Niter 100 100 200
Npt 10 10 05
0,9 0,7 0,9
x [%] 5,0 5,0 10,0
S() 20,80 20,78 20,85

1
4,86 4,38 4,84

2
5,34 5,42 5,47
PRC 314 387 141



Figura 15: Comparao da regio de confiana obtida pelo
mtodo do Recozimento Simulado (RS01) com a regio elptica.
A diminuio do fator de reduo da temperatura para 0,7 (configurao RS02)
concentra os pontos no centro da regio de confiana. A rpida reduo da temperatura
concentra a busca prxima ao ponto mnimo, sem que seja realizada uma boa varredura
de toda a regio de busca, de forma que a parte inferior da mesma no contm nenhum
ponto, como apresentado na Figura 16.



70

Figura 16: Comparao da regio de confiana obtida pelo
mtodo do Recozimento Simulado (RS02) com a regio elptica.


Figura 17: Comparao da regio de confiana obtida pelo
mtodo do Recozimento Simulado (RS03) com a regio elptica.
71
Assim, a configurao RS03 manteve o valor do fator de queda da temperatura
em 0,9 e aumentou o nmero de temperaturas para 200 e diminuiu o nmero de
avaliaes por temperatura para 5. Entretanto, o valor da perturbao teve de ser
aumentado, pois como o nmero de quedas na temperatura maior, necessria uma
maior perturbao para evitar que os pontos fiquem muito concentrados no centro da
regio de confiana. A Figura 17 mostra a regio de confiana obtida. Apesar do
pequeno nmero de pontos, a descrio da regio boa, j que os pontos se encontram
bem espalhados.
Os resultados obtidos na determinao da regio de confiana pelo mtodo do
Recozimento Simulado mostraram que importante a definio adequada dos
parmetros de busca para a obteno de regies de confiana com boa qualidade. Em
particular, uma queda lenta na temperatura tende a gerar bons resultados.
Desta forma, o mtodo do Recozimento Simulado resultou em bons resultados
para a minimizao das funes teste e para definio da regio de confiana de
parmetros de um modelo linear. Entretanto, na etapa da avaliao da minimizao de
funes-teste ficou clara a dependncia dos parmetros de busca com o tipo de
problema. Sendo assim, necessria a realizao de diversas buscas, alterando-se o
valor dos parmetros, para que se aumente a probabilidade de ser encontrado o mnimo
global e se obtenha uma regio de confiana com uma boa qualidade.
3.4. Enxame de Partculas
O Mtodo do Enxame de Partculas proposto por KENNEDY e EBERHART
(1995) consiste em um mtodo de otimizao simples e robusto onde um conjunto de
pontos, denominados partculas, trocam informaes de forma a levar o conjunto de
partculas para o ponto timo de uma funo qualquer. A partir deste primeiro trabalho,
algumas modificaes foram propostas, como a insero do peso de inrcia (SHI e
EBERHART, 1998a) e a insero do fator de constrio (CLERC, 1999), alm de uma
nova formulao proposta recentemente por BISCAIA et al. (2004), conforme foi
discutido no captulo anterior. Neste trabalho foi utilizado o mtodo do Enxame de
Partculas com a insero do peso de inrcia, de acordo com as seguintes equaes:

( ) ( )
1
1 2
k k k k k k
i i 1 i i 2 global i
w c c
+
= + + v v r p x r p x (3.13a)

1 1 k k k
i i i
+ +
= + x x v (3.13b)
72
onde x
i
e v
i
so, respectivamente, vetores da posio e velocidade da partcula i, w o
peso de inrcia, c
1
e c
2
so duas constantes, r
1
e r
2
so dois vetores contendo nmeros
aleatrios com distribuio uniforme no intervalo [0, 1], p
i
a posio com o menor
valor da funo objetivo que a partcula i j encontrou e p
global
o posio do menor
valor encontrado por todo o conjunto de partculas. O smbolo indica multiplicao
de elemento por elemento dos vetores.
O peso de inrcia w, segundo TRELEA (2003), deve ser um valor menor que 1
para que a busca convirja para um ponto, a despeito dos valores de c
1
e c
2
. Outra forma
de realizar a busca diminuir o peso de inrcia ao longo das iteraes, iniciando a busca
com um valor alto, aumentando o carter exploratrio da busca, e finalizando com um
valor baixo, aumentando o carter local da busca e permitindo o refinamento da soluo
encontrada. Uma forma simples de se fazer isto consiste em reduzir o valor de w
linearmente de um valor inicial w
i
at um valor final w
f
, de acordo com a seguinte
equao:

( )
( )
( )
1
1
i i f
k
w w w w
Niter

= +

(3.14)
onde w
i
e w
f
so, respectivamente, os valores do peso de inrcia no incio e na ltima
iterao Niter, sendo Niter o nmero mximo de iteraes. O valor de Niter tambm
pode ser definido como a iterao a partir da qual o valor do peso de inrcia permanea
constante em w
f
. Definindo w
i
igual a w
f
, a busca feita com um valor constante do peso
de inrcia w. Para ajudar a evitar a exploso do conjunto de partculas, foi definida
uma velocidade mxima em cada direo de busca, sendo esta velocidade igual a
metade do tamanho total de cada direo de busca.

( )
max
2
H L
v x x = (3.15)
Alm disso, sempre que uma partcula ultrapassar algum limite da regio de
busca, esta recolocada no limite da regio e a sua velocidade definida como a
metade de sua velocidade atual com o sentido invertido; ou seja, sua velocidade
multiplicada por -1/2. A posio inicial de cada partcula calculada utilizando a
Equao (3.8) (ou seja, de forma aleatria em toda regio de busca) e a velocidade
inicial calculada de forma aleatria segundo a seguinte equao:
( )
0
max
2 1
i
= v r v (3.16)
73
Na Figura 18 o fluxograma do mtodo do Enxame de Partculas apresentado.

Figura 18: Fluxograma do mtodo do Enxame de Partculas.
Como os demais mtodos, este foi avaliado na minimizao das funes de
Rosenbrock e de Levy, onde alguns valores de w, c
1
e c
2
foram avaliados, verificando a
influncia destes no desempenho do mtodo. Os critrios de parada foram o valor
definido como mnimo para cada funo (100 para a funo de Rosenbrock e -176 para
a funo de Levy), o limite mximo de 50000 iteraes e uma anlise da convergncia
das partculas, de acordo com a seguinte equao:
74
( )
1
1
Npt
i otm
i
F F
Npt

=
<

(3.17)
onde F
i
o valor da funo objetivo da partcula i, F
otm
o melhor valor encontrado e
uma tolerncia fixada em 10
-5
. Sempre que a Equao (3.17) satisfeita, considera-se
que o conjunto de partculas convergiu e a busca encerrada.
Nas Tabelas 20, 21, 22 e 23 so apresentados os resultados obtidos com os
valores de c
1
e c
2
iguais a 0,5 1,0 1,5 e 2,0, respectivamente, para minimizao da
funo de Rosenbrock. Os valores de c
1
e c
2
usados neste trabalho sempre so iguais
entre si, para manter um equilbrio entre a atrao na direo do melhor ponto
encontrado pela partcula e a atrao na direo do melhor ponto encontrado por todo
enxame. Em cada tabela foram usados diferentes valores de w, ou mantidos fixos
durante a busca, ou variando de 1,2 a 0,5, conforme a Equao (3.14). Tambm foi
avaliado o efeito do nmero de partculas, sendo realizadas buscas com 10, 30 e 50
partculas.
Tabela 20: Resultados obtidos com o mtodo do Enxame de Partculas na
minimizao da funo de Rosenbrock, com os valores de c
1
e c
2
iguais a 0,5.
Npt w Sucessos Iter DP
Iter
NF
0,8 0 ----- ----- -----
0,9 0 ----- ----- ----- 10
1,2 - 0,5 0 ----- ----- -----
0,8 0 ----- ----- -----
0,9 39 464 240 17841 30
1,2 - 0,5 0 ----- ----- -----
0,8 0 ----- ----- -----
0,9 49 325 222 16560 50
1,2 - 0,5 6 550 26 229167

Tabela 21: Resultados obtidos com o mtodo do Enxame de Partculas na
minimizao da funo de Rosenbrock, com os valores de c
1
e c
2
iguais a 1,0.
Npt w Sucessos Iter DP
Iter
NF
0,8 0 ----- ----- -----
0,9 50 3850 5766 38501 10
1,2 - 0,5 0 ----- ----- -----
0,8 31 417 216 20165
0,9 50 2998 4500 89953 30
1,2 - 0,5 1 633 ----- 949500
0,8 43 315 220 18295
0,9 50 1289 846 64461 50
1,2 - 0,5 23 647 23 70317
75
Tabela 22: Resultados obtidos com o mtodo do Enxame de Partculas na
minimizao da funo de Rosenbrock, com os valores de c
1
e c
2
iguais a 1,5.
Npt w Sucessos Iter DP
Iter
NF
0,6 0 ----- ----- -----
0,7 1 910 ----- 455000
0,8 50 2274 3778 22741
0,9 0 ----- ----- -----
10
1,2 - 0,5 0 ----- ----- -----
0,6 1 196 ----- 294000
0,7 50 410 262 12295
0,8 50 1010 546 30293
0,9 0 ----- ----- -----
30
1,2 - 0,5 25 829 34 49726
0,6 13 209 130 40163
0,7 50 327 286 16355
0,8 50 1312 1570 65602
0,9 0 ----- ----- -----
50
1,2 - 0,5 36 823 75 57176

Tabela 23: Resultados obtidos com o mtodo do Enxame de Partculas na
minimizao da funo de Rosenbrock, com os valores de c
1
e c
2
iguais a 2,0.
Npt w Sucessos Iter DP
Iter
NF
0,1 0 ----- ----- -----
0,2 0 ----- ----- -----
0,3 0 ----- ----- -----
0,4 10 620 192 30975
0,5 50 1837 2947 18374
0,6 50 2681 2960 26815
0,7 48 11124 6945 115870
10
1,2 - 0,5 49 2810 2667 28669
0,1 5 580 321 174000
0,2 5 369 102 110700
0,3 35 346 122 14831
0,4 50 478 393 14340
0,5 50 827 1135 24800
0,6 50 1347 1220 40420
0,7 49 7069 5622 216409
30
1,2 - 0,5 50 1632 1107 48968
0,1 21 434 178 51718
0,2 25 459 711 45920
0,3 48 397 555 20654
0,4 50 507 555 25364
0,5 50 701 952 35073
0,6 50 1004 755 50180
0,7 50 6658 3598 332920
50
1,2 - 0,5 50 1508 1040 75412

76
Os resultados obtidos com o valor de c
1
e c
2
igual a 0,5, apresentados na Tabela
20, mostram que somente foram obtidos sucessos em trs configuraes, sendo que as
configuraes que no obtiveram sucesso algum foram excludas da tabela. Com 30
partculas e w igual a 0,9 o nmero de sucessos no foi alto, mas o nmero mdio das
iteraes foi baixo, de forma que o nmero esperado de avaliaes da funo objetivo se
manteve prximo aos menores valores obtidos. J com 50 partculas e w igual a 0,9, o
nmero de sucessos foi alto e houve uma queda do nmero de iteraes com relao
busca com 30 partculas, mantendo baixo o nmero esperado de avaliaes da funo
objetivo. J a busca realizada com 50 partculas e w variando de 1,2 a 0,5 obteve um
nmero de sucessos muito baixo.
Com o aumento de valor de c
1
e c
2
para 1,0 a quantidade de configuraes que
obtiveram sucesso foi maior, conforme a Tabela 21, e sempre com um valor alto de w.
Com o valor de 0,9 para w foram obtidos 50 sucessos, ou seja, 100% de sucesso, com
10, 30 e 50 partculas. Entretanto o nmero mdio de iteraes foi alto, de forma a
aumentar o nmero esperado de avaliaes da funo objetivo. Com o valor de w igual a
0,8 o nmero de sucessos foi menor e foram obtidos com 30 e 50 partculas. Mas o
nmero mdio de iteraes foi bem menor que as buscas realizadas com w igual a 0,9,
fazendo com que o nmero esperado de avaliaes da funo objetivo fosse menor,
mesmo com um menor nmero de sucessos.
Na Tabela 22, onde o valor de c
1
e c
2
igual a 1,5, o nmero de configuraes
que alcanam algum sucesso aumenta, mas a faixa de w que consegue obter uma taxa de
sucessos prximo a 100% ainda estreita e se limita aos valores de w iguais a 0,7 e 0,8.
As buscas realizadas com w igual a 0,9, que obtiverem bons resultados com valores
menores de c
1
e c
2
, no obtiveram sucesso algum, j que atingiram o limite mximo de
iteraes antes de ser alcanado o sucesso. Com 30 e 50 partculas foram obtidos os
melhores resultados com o valor de w igual a 0,7, j que tem uma taxa de sucessos de
100% e um nmero mdio de iteraes menor que as buscas com w igual a 0,8 e que
tambm obtiveram 100% de sucesso.
Quando o valor de c
1
e c
2
igual a 2,0, o nmero de configuraes que alcanam
sucessos aumenta ainda mais, conforme a Tabela 23. Porm, agora a faixa dos valores
de w que alcanam os melhores resultados de 0,4 a 0,7. As corridas com w igual a 0,8
e 0,9 atingiram o limite mximo de iteraes e as corridas com valores baixos de w tm
pouco ou nenhum sucesso devido convergncia prematura do enxame.
77
Desta forma, ficou claro que para a minimizao da funo de Rosenbrock
importante uma definio adequada dos parmetros de busca. Uma vez que estes
parmetros sejam escolhidos corretamente, os resultados obtidos pelo mtodo do
Enxame de Partculas so muito bons, alcanando uma taxa de sucesso de 100% e com
um nmero mdio de iteraes relativamente baixo.
Nas Tabelas 24, 25, 26 e 27 apresentadas a seguir, o mtodo do Enxame de
Partculas avaliado na minimizao da funo de Levy, a fim de verificar como este
mtodo se comporta na minimizao de uma funo com diversos mnimos locais.

Tabela 24: Resultados obtidos com o mtodo do Enxame de Partculas na
minimizao da funo de Levy, com os valores de c
1
e c
2
iguais a 0,5.
Npt w Sucessos Iter DP
Iter
NF
0,1 7 32 16 2286
0,2 4 25 12 3094
0,3 9 49 44 2728
0,4 17 42 32 1237
0,5 25 18 5 370
0,6 26 32 38 615
0,7 25 34 25 671
0,8 32 57 51 897
0,9 42 105 53 1250
10
1,2 0,5 49 468 24 4776
0,1 15 35 20 3453
0,2 20 26 17 1980
0,3 21 18 12 1259
0,4 26 16 15 908
0,5 22 15 3 1026
0,6 32 25 33 1150
0,7 38 53 60 2095
0,8 48 59 78 1842
0,9 50 72 32 2150
30
1,2 0,5 50 445 18 13363
0,1 27 25 18 2342
0,2 27 17 7 1571
0,3 29 14 6 1186
0,4 34 14 8 1062
0,5 33 14 3 1072
0,6 34 22 21 1581
0,7 45 44 48 2430
0,8 49 48 48 2436
0,9 50 55 16 2750
50
1,2 0,5 50 434 25 21690

78
Na Tabela 24, onde c
1
e c
2
so iguais a 0,5, o nmero de sucessos s alcana
valores altos quando os valores de w tambm so altos. Para valores baixos de w o
nmero de sucessos baixo, mas o nmero mdio de iteraes baixo, de forma que
nessas condies o nmero esperado de avaliaes da funo objetivo baixo. Assim,
de acordo com este dado, valores de w prximos a 0,5 resultam nos melhores resultados.
No caso do custo computacional na avaliao da funo objetivo no limitar a busca,
valores de w iguais a 0,9 devem ser utilizados, j que resultam num maior nmero de
sucessos.

Tabela 25: Resultados obtidos com o mtodo do Enxame de Partculas na
minimizao da funo de Levy, com os valores de c
1
e c
2
iguais a 1,0.
Npt w Sucessos Iter DP
Iter
NF
0,1 5 17 4 1680
0,2 18 20 11 546
0,3 18 14 6 401
0,4 24 16 5 332
0,5 28 23 10 405
0,6 27 27 18 508
0,7 32 45 35 698
0,8 45 77 47 859
0,9 49 169 114 1726
10
1,2 0,5 50 511 35 5115
0,1 31 11 7 535
0,2 29 12 8 626
0,3 33 17 13 763
0,4 32 16 10 749
0,5 43 24 21 840
0,6 42 33 30 1195
0,7 47 32 15 1027
0,8 46 50 22 1632
0,9 50 94 39 2824
30
1,2 0,5 50 465 42 13957
0,1 33 12 11 939
0,2 35 13 15 914
0,3 35 19 18 1351
0,4 42 16 13 979
0,5 39 19 13 1200
0,6 49 34 33 1739
0,7 48 25 8 1319
0,8 50 40 14 1976
0,9 50 76 26 3809
50
1,2 0,5 50 463 18 23153

79
Com o aumento dos valores de c
1
e c
2
para 1,0 (Tabela 25), o nmero de
configuraes que resultam num alto nmero de sucessos aumenta. Como o nmero
mdio de iteraes cai um pouco em relao aos resultados obtidos com c
1
e c
2
iguais a
0,5, o nmero esperado de avaliaes da funo objetivo menor. Aumentando ainda
mais os valores de c
1
e c
2
para 1,5 (Tabela 26) e 2,0 (Tabela 27), o nmero de sucessos
aumenta ainda mais, mostrando que o aumento de c
1
e c
2
aumenta o carter exploratrio
da busca, mas com um maior custo computacional, j que o nmero esperado de
avaliaes da funo objetivo aumenta.

Tabela 26: Resultados obtidos com o mtodo do Enxame de Partculas na
minimizao da funo de Levy, com os valores de c
1
e c
2
iguais a 1,5.
Npt w Sucessos Iter DP
Iter
NF
0,1 13 20 11 751
0,2 28 23 16 415
0,3 25 28 35 561
0,4 29 32 27 552
0,5 35 32 19 452
0,6 39 58 50 746
0,7 43 61 39 712
0,8 50 117 159 1168
0,9 50 332 168 3325
10
1,2 0,5 50 570 157 5703
0,1 32 24 39 1124
0,2 46 37 61 1194
0,3 40 29 36 1083
0,4 43 30 33 1054
0,5 45 28 22 942
0,6 48 32 20 992
0,7 50 37 16 1119
0,8 50 64 29 1920
0,9 50 167 75 5017
30
1,2 0,5 50 509 30 15273
0,1 46 23 27 1249
0,2 45 20 22 1089
0,3 47 24 31 1297
0,4 50 20 15 1004
0,5 50 25 16 1262
0,6 50 25 12 1226
0,7 50 33 12 1656
0,8 50 51 18 2559
0,9 50 133 58 6627
50
1,2 0,5 50 493 40 24650

80
Tabela 27: Resultados obtidos com o mtodo do Enxame de Partculas na
minimizao da funo de Levy, com os valores de c
1
e c
2
iguais a 2,0.
Npt w Sucessos Iter DP
Iter
NF
0,1 37 44 52 592
0,2 45 47 57 524
0,3 40 52 41 649
0,4 45 51 50 565
0,5 44 71 76 806
0,6 46 75 93 819
0,7 47 105 50 1116
0,8 50 168 80 1677
0,9 50 3253 2605 32528
10
1,2 0,5 50 640 63 6403
0,1 50 33 41 980
0,2 50 29 26 873
0,3 50 25 14 762
0,4 50 32 26 955
0,5 50 36 19 1085
0,6 50 41 14 1218
0,7 50 56 26 1680
0,8 50 98 43 2927
0,9 50 1300 1141 39007
30
1,2 0,5 50 588 35 17645
0,1 50 28 35 1379
0,2 50 22 18 1090
0,3 50 21 17 1045
0,4 50 23 10 1174
0,5 50 32 17 1589
0,6 50 35 10 1770
0,7 50 48 17 2375
0,8 50 86 33 4306
0,9 50 786 670 39301
50
1,2 0,5 50 562 40 28117

De uma forma geral, o mtodo do Enxame de Partculas se mostrou eficiente e
robusto na minimizao da funo de Levy, conseguindo obter uma alta taxa de
sucessos com um nmero relativamente baixo de iteraes. Ainda importante ressaltar
que no caso da funo de Levy os resultados no se mostraram to dependentes da
definio dos parmetros de busca como na minimizao da funo de Rosenbrock,
provavelmente devido ao grande nmero de variveis de busca presentes na
minimizao da funo de Rosenbrock.
Entretanto, apesar da maior dependncia da definio dos parmetros de busca
que o mtodo apresentou na minimizao de funo de Rosenbrock, comportamentos
idnticos foram observados. O primeiro deles que o aumento de w provoca um
81
aumento do nmero de sucessos e do nmero mdio de iteraes. Isso ocorre devido
mudana do carter da busca, j que valores baixos de w provocam uma convergncia
mais rpida, diminuindo o nmero de iteraes, mas podendo levar o enxame a
convergir em um ponto ainda distante do mnimo global, o que diminui o nmero de
sucessos. J com valores altos de w, a busca tem uma convergncia mais lenta. Como
so feitas mais avaliaes da funo objetivo, a probabilidade de ser encontrado o
mnimo aumenta, o que leva a um maior nmero de sucessos, mas com um maior
nmero de iteraes. Algumas vezes, a convergncia to lenta que o limite mximo de
iteraes alcanado e a busca terminada. Este efeito do parmetro de busca w, o peso
de inrcia, j foi descrito pela literatura (SHI e EBERHART, 1998a,b) e fica claro na
minimizao da funo de Levy. Na minimizao da funo de Rosenbrock este efeito
no to claro devido estreita faixa de valores de w que levaram a algum sucesso, mas
tambm est presente, j que as corridas com baixos valores de w no resultam em
sucessos devido rpida convergncia. As corridas com valores altos de w no
conseguem sucesso devido ao limite mximo de iteraes que alcanado.
Tambm importante observar a correlao que existe entre os valores de c
1
e c
2

e o valor de w. Quando os valores de c
1
e c
2
so pequenos, valores altos de w fornecem
os melhores resultados. J com valores altos de c
1
e c
2
, valores pequenos de w tendem a
fornecer resultados melhores. Assim, alm da influncia de w na convergncia do
enxame, os valores de c
1
e c
2
tambm modificam o comportamento do movimento das
partculas. Esta correlao praticamente a mesma para as duas funes usadas na
avaliao do algoritmo. Assim, a definio dos parmetros no parece ser dependente
do tipo de problema que se est resolvendo. Esta uma caracterstica importante e
facilita a definio dos parmetros de busca.
Um ponto que pode trazer alguma dificuldade para a definio dos parmetros
se deve ser dada maior importncia para o nmero de sucessos, o nmero mdio de
iteraes ou ainda o nmero esperado de avaliaes da funo objetivo, que de certa
forma usa as informaes do nmero de sucessos e o nmero de iteraes
simultaneamente. Quando o tempo computacional est sendo considerado, o nmero de
iteraes e o nmero esperado de avaliaes da funo objetivo devem ser analisados, j
que estes valores esto diretamente ligados ao tempo que ser necessrio para soluo
do problema. Desta forma, os valores escolhidos para os parmetros de busca iro levar
a uma rpida convergncia, pois nessas condies o nmero mdio de iteraes ou o
valor esperado de avaliaes da funo objetivo menor. Entretanto, nessas mesmas
82
condies a taxa de sucessos geralmente no alta e devem ser realizadas algumas
corridas para que se tenha maior confiana nos resultados obtidos.
Por outro lado, se o tempo computacional no est sendo considerado ou no
limita a busca, o nmero (ou a taxa) de sucessos que deve ser levado em considerao.
Deste modo, condies onde ocorre uma grande explorao da regio de busca devem
ser usadas. Um nmero menor de corridas necessrio, j que existe uma maior
explorao da regio de busca em cada corrida e o nmero de sucessos nestas condies
alto.
Alm disso, um dos objetivos deste trabalho a soluo de problemas de
estimao de parmetros, onde se planeja determinar a regio de confiana em torno do
ponto mnimo utilizando o prprio mtodo de otimizao. Para que esta regio em torno
do mnimo seja bem determinada, necessrio que as partculas explorem bem a regio
de busca, o que tambm aumenta a taxa de sucessos.
Assim, na avaliao da determinao da regio de confiana dos parmetros de
um modelo linear, como proposto no incio deste captulo, foram usadas trs
configuraes de busca onde o parmetro de busca w foi mantido igual a 0,9,
aumentando o carter exploratrio da busca. Os parmetros c
1
e c
2
foram alterados, bem
como o nmero de pontos avaliados por iterao, como mostra a Tabela 28, onde
tambm so apresentados os resultados de cada estimao.
Tabela 28: Condies de busca e resultados obtidos pelo mtodo do
Enxame de Partculas na estimao de parmetros de um modelo linear.
Condio EP01 EP02 EP03
Niter 100 100 200
Npt 10 10 05
c
1
, c
2
1,0 2,0 2,0
S() 20,78 20,79 20,80

1
4,85 4,84 4,83

2
5,38 5,42 5,43
PRC 245 125 155

A configurao EP01 obteve uma boa descrio da funo objetivo, apesar dos
pontos se concentrarem um pouco no centro da regio de confiana, como mostra a
Figura 19. O aumento do valor de c
1
e c
2
para 2,0 (configurao EP02) aumenta o
carter exploratrio da busca e, como mostra a Figura 20, a regio de confiana obtida
apresenta os pontos um pouco mais espalhados por toda a regio de confiana.
83
Entretanto, o nmero de pontos pequeno e isto diminui a qualidade da regio de
confiana obtida.

Figura 19: Comparao da regio de confiana obtida pelo
mtodo do Enxame de Partculas (EP01) com a regio elptica.

Figura 20: Comparao da regio de confiana obtida pelo
mtodo do Enxame de Partculas (EP02) com a regio elptica.
84

Figura 21: Comparao da regio de confiana obtida pelo
mtodo do Enxame de Partculas (EP03) com a regio elptica.
A terceira configurao usada manteve os valores de c
1
e c
2
iguais a 2,0, mas
aumentou o nmero de iteraes para 200 e diminuiu o nmero de pontos avaliados por
iterao para 5. A qualidade da regio de confiana obtida boa, j que os pontos se
encontram bem distribudos por toda a regio de confiana, como mostra a Figura 21.
Como nas trs configuraes utilizadas acima o valor do peso de inrcia w foi
sempre igual a 0,9, as regies de confiana sempre apresentaram uma boa disperso, j
que um valor alto para este parmetro garante um boa explorao da regio de busca.
importante observar que as minimizaes com valores altos de w resultam em maior
nmero de iteraes para que o mnimo seja encontrado, isto devido maior explorao
da regio de busca e, conseqentemente, maior demora na convergncia dos pontos.
Por outro lado, valores altos de w aumentam a probabilidade de ser encontrado o
mnimo global, como pode ser observado pelo alto nmero de sucessos obtidos com
estes valores de w.
Assim, na resoluo de um problema qualquer, cuja soluo no conhecida, a
configurao que deve ser adotada realizar buscas com valores altos de w, aumentando
a probabilidade de ser encontrado o mnimo global e possibilitando a obteno de
regies de confiana com boa qualidade.
85
Por fim, uma importante qualidade do mtodo do Enxame de Partculas que
pde ser observada a facilidade em alterar a caracterstica da busca. O prprio mtodo
j apresenta uma caracterstica global no inicio da busca, explorando a regio de busca,
e ao longo das iteraes convergindo as partculas e tornando a busca com caracterstica
local. Alm desta caracterstica intrnseca do mtodo, a manipulao dos parmetros de
busca permite acelerar ou retardar a convergncia do algoritmo, permitindo adaptar o
mtodo a uma variedade muito grande de problemas.
3.5. Concluses
Os quatro mtodos heursticos de otimizao considerados neste trabalho foram
avaliados na minimizao de duas funes conhecidas: a funo de Rosenbrock e a
funo de Levy. Todo os mtodos foram capazes de solucionar os problemas e foi
possvel identificar os pontos fortes e fracos de cada mtodo, bem como a influncia dos
parmetros de busca. Tambm foram avaliadas as regies de confiana obtidas pelos
mtodos de otimizao na estimao dos parmetros de um modelo linear, mostrando
que possvel obter-se uma boa descrio da regio de confiana utilizando os prprios
pontos que foram usados para a minimizao da funo objetivo.
O mtodo de Monte Carlo obteve resultados bons, alcanando o nmero mximo
de sucessos sem, no entanto, ser necessrio um nmero muito grande de iteraes.
Porm, quando no aplicada a reduo da regio de busca, o nmero de sucessos
nulo. Por outro lado, quando o ponto mnimo se encontra prximo dos limites da regio
de busca, a reduo da regio de busca acaba excluindo o ponto mnimo,
impossibilitando que a busca alcance o sucesso. Quando a reduo da regio de busca
muito rpida, a regio de confiana obtida apresenta os pontos muito concentrados em
torno do mnimo, prejudicando a qualidade da regio obtida. Deste modo, em problemas
cuja soluo no conhecida, a aplicao deste mtodo pode levar a resultados
indesejados e um cuidado especial deve ser tomado para a definio da taxa de reduo
da regio de busca.
O mtodo do Algoritmo Gentico tambm obteve resultados bons, alcanando
um alto nmero de sucessos para uma grande variedade de parmetros de busca.
Entretanto, os parmetros de busca se mostraram dependentes do tipo de problema que
se est resolvendo e este ponto pode prejudicar a definio destes valores. importante
observar que as probabilidades de mutao usadas neste trabalho e que apresentaram os
melhores resultados so muito maiores que os valores encontrados na literatura,
86
provavelmente devido forma com que o cruzamento realizado, pois no cruzamento
os pontos apenas trocam os valores dos parmetros e com a mutao que novos
valores so gerados. Por outro lado, o nmero de avaliaes da funo objetivo
realizadas pelo mtodo do Algoritmo Gentico , em geral, maior que o nmero de
avaliaes realizadas pelo mtodo de Monte Carlo. Entretanto, como o mtodo do
Algoritmo Gentico no utiliza a reduo da regio de busca, este no apresenta as
mesmas dificuldades encontradas pelo mtodo de Monte Carlo quando o mnimo se
encontra prximo dos limites da regio de busca, o que o torna um mtodo mais
confivel. Com relao determinao da regio de confiana de parmetros, foi
possvel observar que a qualidade da regio depende da definio apropriada dos
parmetros de busca e um nmero maior de avaliaes da funo objetivo deve ser
usado para a obteno de uma regio de confiana com maior qualidade.
J o mtodo do Recozimento Simulado apresentou dificuldades na minimizao
da funo de Levy, onde os resultados bons se restringiram a algumas condies de
busca. Por outro lado, na minimizao da funo de Rosenbrock os resultados obtidos
foram muito bons. Os parmetros de busca que levaram aos melhores resultados se
mostraram dependentes do tipo de problema, como foi observado para o mtodo do
Algoritmo Gentico. Com relao ao nmero de avaliaes da funo objetivo, o
mtodo do Recozimento Simulado realiza, em geral, um nmero de avaliaes maior
que o Algoritmo Gentico. J as regies de confiana obtidas, apesar de dependerem da
escolha adequada dos parmetros de busca, apresentaram uma boa qualidade, j que os
pontos se encontraram bem dispersos por toda a regio de confiana.
O mtodo do Enxame de Partculas obteve os melhores resultados em relao
aos demais mtodos, j que consegue alcanar o nmero mximo de sucessos com um
nmero de iteraes e avaliaes da funo objetivo inferior aos demais mtodos, sendo
assim um mtodo mais robusto e eficiente. Entretanto, importante definir os
parmetros de busca de forma a obter uma maior eficincia deste mtodo. interessante
observar que a definio dos parmetros de busca no aparenta ser dependente do tipo
do problema que se est resolvendo. Entretanto, os parmetros parecem estar
correlacionados, j que quanto maior o valor dos parmetros c
1
e c
2
, menor o valor de
w que alcana os melhores resultados. Com relao determinao da regio de
confiana dos parmetros do modelo linear, foi observado que as regies de confiana
apresentam uma boa qualidade, com os pontos bem distribudos por toda a regio.
87
Entretanto, necessrio garantir que a definio dos parmetros de busca seja traduzida
em uma busca com um carter global, explorando bem toda a regio de busca.
Desta forma, os resultados apresentados acima apontam para o mtodo do
Enxame de Partculas como o mais indicado para a soluo de problemas de otimizao
de grande dimenso e que apresentam mnimos locais e alta correlao entre as
variveis, problemas geralmente encontrados em estimao de parmetros. Alm disso,
a boa qualidade das regies de confiana obtidas com este mtodo refora a indicao
deste mtodo como o mais adequado para problemas de estimao de parmetros.
88
CAPTULO 4: PROBLEMAS DE ESTIMAO DE PARMETROS
Neste captulo so apresentados os resultados obtidos na estimao de
parmetros de dois problemas reais. O primeiro consiste na estimao dos parmetros
para o ajuste de um modelo da taxa de consumo de eteno em uma reao de
polimerizao de eteno. No segundo problema feita a estimao de parmetros de
modelos cinticos da converso de gs natural em gs de sntese atravs da combinao
das reaes de reforma com CO
2
e oxidao parcial.
Entretanto, antes de partir para a resoluo dos problemas reais de estimao de
parmetros, sero resolvidos problemas de estimao de parmetros de modelos no-
lineares simples, cujas solues j foram obtidas por outros mtodos. Estes modelos
apresentam regies de confiana onde a aproximao elptica ruim, reforando a
necessidade de mtodos que possibilitam a obteno da regio de confiana verdadeira.
Alm disso, neste captulo o mtodo do Enxame de Partculas ser
preferencialmente usado, pois obteve at aqui os melhores resultados conforme o
capitulo anterior.
4.1. Determinao da Regio de Confiana em Modelos No-Lineares
Como foi discutida no Captulo 2, a determinao da regio de confiana dos
parmetros como uma regio elptica em torno dos parmetros est associada
linearidade do modelo, cujos parmetros esto sendo estimados. Porm, em modelos
no-lineares a regio de confiana dos parmetros pode ter uma forma muito diferente
de uma elipse.
Desta forma, a obteno da regio de confiana dos parmetros de um modelo
no-linear deve ser feita atravs de outros mtodos. Um mtodo que apresenta bons
resultados o da regio de verossimilhana (Equao (2.39)). Apesar da aparente
dificuldade na construo desta regio, a utilizao dos mtodos heursticos facilita a
obteno da mesma, j que os pontos utilizados para a minimizao da funo objetivo
podem ser empregados na construo da regio de confiana, sem implicar em um custo
computacional adicional.
A seguir, sero apresentados os resultados obtidos na determinao da regio de
confiana dos parmetros de modelos no-lineares simples, mostrando as diferenas
ente a regio de confiana elptica e a de verossimilhana, alm da facilidade na
89
obteno das regies de confiana de verossimilhana quando associadas a um mtodo
heurstico de otimizao.
O mtodo utilizado para soluo destes problemas o mtodo do Enxame de
Partculas, devido melhor qualidade dos resultados obtidos, conforme discutido no
captulo anterior. importante ressaltar que o nvel de confiana usado para a
construo das regies de confiana foi sempre igual a 95% em todos os problemas
resolvidos neste captulo e que as regies elpticas foram construdas da mesma forma
como foram obtidas para o modelo linear no captulo anterior, onde este procedimento
foi descrito com detalhes.
4.1.1. Modelo de Michaelis-Menten
O modelo de Michaelis-Menten muito aplicado para representao matemtica
de fenmenos bioqumicos (por exemplo, na descrio da velocidade de reaes
enzimticas). Apesar de ser um modelo simples contendo apenas dois parmetros,
conforme mostra a Equao (4.1), a no-linearidade do modelo pode prejudicar a
aproximao elptica da regio de confiana.

1
2
x
y
x

=
+
(4.1)
No modelo definido na equao acima, y a varivel independente, x a
varivel dependente e
1
e
2
so os dois parmetros do modelo. Os dados
experimentais utilizados para estimao dos parmetros esto descritos na Tabela 29.
Estes dados referem-se a uma reao enzimtica onde a varivel independente
corresponde concentrao de substrato em ppm e a varivel dependente a velocidade
da reao, medida em contagens / min
2
.
Tabela 29: Dados experimentais usados na estimao dos parmetros
do modelo de Michaelis-Menten (BATES e WATTS, 1988).
x y x y
0,02 76 0,22 159
0,02 47 0,22 152
0,06 97 0,56 191
0,06 107 0,56 201
0,11 123 1,10 207
0,11 139 1,10 200

A funo objetivo utilizada para a estimao foi a de mnimo quadrados e foi
utilizado o algoritmo Estima (NORONHA et al., 1993) para a estimao dos parmetros
90
e obteno da matriz de covarincia dos parmetros e construo da regio de confiana
elptica. Nestes modelos simples e quando se dispe de uma boa estimativa inicial dos
parmetros, mtodos de Newton so muito superiores aos demais e so usados aqui para
obteno de um resultado preciso, o qual ser usado para verificar se o mtodo do
Enxame de Partculas alcanou o mnimo.
Os parmetros estimados com o Estima foram 212,7 e 0,06412 para
1
e
2
,
respectivamente, onde a funo objetivo assume o valor mnimo de 1195,45. A matriz
de covarincia dos parmetros

3
3 6
0, 4037 0, 3682.10
0, 3682.10 0, 5736.10

l
l
=
l
l

V (4.2)
indicando uma correlao de 0,7651 entre os parmetros. A regio de confiana elptica
foi construda de acordo com a Equao (2.36) para comparao com a regio obtida
atravs da Equao (2.39), utilizando o mtodo do Enxame de Partculas.
A estimao de parmetros foi realizada com o mtodo do Enxame de Partculas
na regio de busca limitada por [0, 500] para o parmetro
1
e [0, 1] para o parmetro

2
. A busca consistiu na realizao de 1000 iteraes com 40 partculas, c
1
e c
2
iguais a
2,0 e w decrescendo linearmente de 1,2 a 0,8. Os parmetros estimados e o valor
mnimo da funo objetivo foram os mesmos alcanados com o Estima e a regio de
confiana dos parmetros pode ser descrita com um total de 1240 pontos avaliados pelo
mtodo do Enxame de Partculas e cuja funo objetivo inferior ao limite de 2176,40,
calculado atravs da Equao (2.39). Na Figura 22 apresentado o ajuste do modelo aos
dados experimentais, com os parmetros estimados pelo Enxame de Partculas. Na
Figura 23 as regies de confiana obtidas por aproximao elptica, utilizando a matriz
de covarincia fornecida pelo Estima, e atravs do Enxame de Partculas so
comparadas.
A Figura 23 mostra que as regies de confiana obtidas pelos dois mtodos so
muito prximas e esto praticamente sobrepostas. possvel observar que o contorno da
regio obtida com os pontos avaliados pelo mtodo do Enxame de Partculas bem
definido, mostrando a boa qualidade das regies obtidas desta forma. Este resultado
indica que apesar da no-linearidade do modelo, a aproximao linear que resulta na
regio de confiana elptica tem uma boa qualidade. Porm, isto pode ter ocorrido
devido boa qualidade do ajuste obtido, pois se o ajuste bom, a regio de confiana
dos parmetros pequena. Quanto mais prximo do ponto mnimo, melhor a
91
aproximao quadrtica da funo objetivo e, conseqentemente, a regio de confiana
tem a forma prxima de uma elipse.

Figura 22: Ajuste do modelo de Michaelis-Menten aos dados experimentais.

Figura 23: Comparao entre a regio de confiana elptica e a obtida com o Enxame
de Partculas na estimao dos parmetros do modelo de Michaelis-Menten.
92
Para verificar este fato, dados experimentais foram simulados usando o modelo
de Michaelis-Menten com os parmetros
1
e
2
iguais a 100 e 0,5 e adicionando aos
valores calculados pelo modelo um erro aleatrio com distribuio normal com mdia
zero e desvio padro igual a 10, ou seja, simulando o erro experimental. Os dados
simulados so apresentados na Tabela 30.
Tabela 30: Dados simulados usados na estimao dos parmetros do modelo de
Michaelis-Menten.
x y
0,2 20,41
0,2 43,01
0,5 55,31
0,5 72,80
1,0 56,91
1,0 76,57
2,5 100,86
2,5 73,98
5,0 84,86
5,0 78,21

Os parmetros do modelo foram ajustados aos dados experimentais com a
minimizao da funo de mnimos quadrados e os resultados obtidos com o Estima
foram os valores de 91,39 e 0,2972, respectivamente, para os parmetros
1
e
2
, onde o
valor da funo objetivo 1265,13. A matriz de covarincia dos parmetros foi igual a:

2
2 4
0, 4395 0, 4728.10
0, 4728.10 0, 8487.10

l
l
=
l
l

V (4.3)
de onde calculado o valor de 0,7742 para a correlao entre os parmetros.
A minimizao com o Enxame de Partculas foi realizada na regio definida pelo
intervalo [0, 500] para o parmetro
1
e [0, 10] para o parmetro
2
. A busca consistiu
na realizao de 1000 iteraes com 40 partculas, c
1
e c
2
iguais a 2,0 e w decrescendo
linearmente de 1,2 a 0,8. Os valores encontrados foram 91,57 e 0,3008,
respectivamente, para os parmetros
1
e
2
, com o valor mnimo da funo objetivo
igual a 1265,30, sendo o limite mximo da funo objetivo para a construo da regio
de confiana igual a 2675,77, calculado pela Equao (2.39), de forma que o nmero de
pontos na regio de confiana foi igual a 1854. Como pode ser observado, o valor
mnimo obtido muito prximo do valor obtido pelo Estima, indicado que o mtodo do
Enxame de Partculas alcanou o mnimo da funo. Na Figura 24 apresentado o
93
ajuste do modelo aos dados simulados, com os parmetros estimados pelo Enxame de
Partculas. Em seguida foram construdas as regies de confiana, a elptica e a obtida
com o mtodo do Enxame de Partculas, as quais so apresentadas na Figura 25.

Figura 24: Ajuste do modelo de Michaelis-Menten aos dados simulados.


Figura 25: Comparao entre a regio de confiana elptica e a obtida com o Enxame
de Partculas na estimao dos parmetros do modelo de Michaelis-Menten com os
dados simulados.
94
Diferentemente do que foi observado na Figura 23, onde as duas regies de
confiana so prximas, na Figura 25 as duas regies no esto to prximas. possvel
observar que a regio de confiana obtida pelo mtodo do Enxame de Partculas no
simtrica em relao ao ponto mnimo, indicando que falha a hiptese de que a
distribuio de probabilidade dos erros paramtricos seja normal. Alm disso, possvel
observar que a regio elptica contm valores negativos do parmetro
2
, o que na
realidade no ocorre como mostra a regio obtida pelo mtodo do Enxame de Partculas.
Assim, a partir do resultado obtido pela aproximao elptica da regio de confiana a
concluso obtida seria que o parmetro
2
no importante para o modelo, pois pode
assumir o valor zero. Mas o que ocorre de fato, que a aproximao elptica ruim e a
regio de confiana verdadeira obtida pelo mtodo do Enxame de Partculas no contm
valores negativos do parmetro
2
, permitindo assim a anlise correta dos resultados
obtidos.
4.1.2. Modelo Cintico de 1 Ordem
Modelos cinticos de 1 ordem so modelos onde a velocidade de uma reao
considerada proporcional concentrao de um determinado reagente. Assim, dada uma
reao da forma A B, pode-se definir o consumo de A ao longo do tempo como:

A
A
dC
k C
dt
= (4.4)
Sendo C
A0
a concentrao do reagente A no tempo inicial 0, a soluo da
Equao (4.4) pode ser escrita como:
( )
0
exp
A A
C C k t = (4.5)
Considerando a relao estequiomtrica, onde 1 mol de A gera 1 mol de B, e que
no tempo inicial a concentrao de B nula, a Equao (4.5) pode ser reescrita de forma
a mostrar a concentrao do produto B ao longo do tempo, como segue abaixo:
( ) ( )
0
1 exp
B A
C C k t = (4.6)
Para manter a nomenclatura que vem sendo usada, a Equao (4.6) pode ser
escrita da seguinte forma:
( ) ( )
1 2
1 exp y x = (4.7)
95
onde y a varivel dependente e corresponde concentrao de B, x a varivel
independente e corresponde ao tempo de reao e
1
e
2
so os parmetros do modelo
que sero ajustados. Apesar de no ser comum, considerar a concentrao inicial de um
componente da reao como um parmetro a ser estimado facilita o procedimento de
estimao. Alm disso, em alguns casos a medida deste valor inicial, particularmente
em processos industriais, difcil ou invivel (PRATA, 2005).
Assim, o modelo definido na Equao (4.7) foi ajustado aos dados experimentais
apresentados na Tabela 31, sendo minimizada a funo de mnimos quadrados. Os
dados apresentados referem-se a medidas da demanda bioqumica de oxignio em mg/L
(varivel dependente) em funo do tempo de amostragem em dias (varivel
independente).
Tabela 31: Dados experimentais usados na estimao dos parmetros
do modelo cintico de 1 ordem (BATES e WATTS, 1988).
x y
1,0 8,3
2,0 10,3
3,0 19,0
4,0 16,0
5,0 15,6
7,0 19,8

O resultado obtido com o Estima foi um valor mnimo de 25,99 da funo
objetivo, com os parmetros,
1
e
2
iguais a 19,14 e 0,5311, respectivamente. A matriz
de covarincia dos parmetros obtida foi:

1
1 2
0, 9588 0, 6653.10
0, 6653.10 0, 6347.10

l
=
l

V (4.8)
sendo a correlao entre os parmetros igual a -0,8528.
A minimizao realizada pelo mtodo do Enxame de Partculas foi limitada na
regio de busca definida por [0, 100] para ambos parmetros, realizando um total de
1000 iteraes com 40 partculas, c
1
e c
2
iguais a 2,0 e w decrescendo linearmente de
1,2 a 0,8. Os resultados obtidos foram os valores de 19,15 e 0,5273 para os parmetros

1
e
2
, respectivamente, e o valor de 26,00 para o mnimo da funo objetivo,
mostrando que o mnimo foi alcanado. O nmero de pontos na regio de confiana que
o mtodo do Enxame de Partculas obteve foi de 2722, sendo o limite mximo da
funo objetivo de 116,3 para os pontos na regio de confiana, de acordo com a
96
Equao (2.39). Na Figura 26 o ajuste do modelo aos dados experimentais
apresentado e na Figura 27 as regies de confiana dos parmetros so comparadas.

Figura 26: Ajuste do modelo cintico de 1 ordem aos dados experimentais.


Figura 27: Comparao entre a regio de confiana elptica e a obtida com o Enxame
de Partculas na estimao dos parmetros do modelo cintico de 1 ordem.
97
Como pode ser observado na Figura 27, a regio de confiana obtida com o
mtodo do Enxame de Partculas apresenta uma forma no convexa, mostrando que a
aproximao elptica da regio de confiana leva a resultados totalmente equivocados.
A aproximao elptica mostra que o parmetro
2
tem um erro pequeno e que a maior
variao ocorre com relao ao parmetro
1
. Entretanto, o que ocorre na realidade
que ambos os parmetros tm uma incerteza muito grande, j que fixando um dos
parmetros possvel ajustar o outro de forma a conseguir um ajuste com uma
qualidade dentro do nvel de confiana estabelecido. Alm disso, devido forma
matemtica do modelo, quando
2
tende ao infinito, o modelo fica reduzido a y =
1
, ou
seja, uma reta paralela ao eixo x na Figura 26. Como os dados experimentais contm
uma incerteza muito grande, o ajuste de uma reta paralela ao eixo x no
significativamente pior que o melhor ajuste do modelo e, assim, a regio de confiana
dos parmetros aberta, conforme discutido por BATES e WATTS (1988).
Neste problema, tambm fica claro que quando a incerteza grande, j que so
poucos pontos experimentais e o espalhamento destes relativamente grande, a
aproximao elptica invivel. Assim, para evidenciar este fato, novos dados foram
simulados usando mais pontos experimentais e com a insero de um erro experimental
pequeno. Os dados simulados, apresentados na Tabela 32, foram gerados atravs da
Equao (4.7) com
1
e
2
iguais a 20,0 e 0,5, respectivamente, e adicionando ao valor
calculado um erro aleatrio com distribuio normal com mdia zero e desvio padro
igual a 1,0.
Tabela 32: Dados simulados usados na estimao dos parmetros do modelo cintico
de 1 ordem.
x y
1 8,79
2 11,21
3 16,27
4 16,27
5 18,63
6 20,51
7 20,32
8 18,91
9 19,13
10 19,74

Com os dados da Tabela 32 os parmetros do modelo cintico de 1 ordem
foram estimados com o Estima, sendo que os valores encontrados para
1
e
2
foram
98
20,06 e 0,4961, respectivamente, onde a funo objetivo assume o valor mnimo de
8,637. A matriz de covarincia dos parmetros obtida foi:

1
1 2
0, 2991 0, 2129.10
0, 2129.10 0, 2735.10

l
=
l

V (4.9)
de onde calculada uma correlao de -0,7443 entre os parmetros.
A minimizao realizada com o mtodo do Enxame de Partculas foi limitada no
intervalo de [0, 50] para
1
e [0, 1] para
2
. Foram utilizadas 1000 iteraes com 40
partculas, c
1
e c
2
iguais a 2,0 e w decrescendo linearmente de 1,2 a 0,8. O valor mnimo
da funo objetivo foi de 8,637 e os valores para os parmetros
1
e
2
foram 20,06 e
0,4960, mostrando que o mtodo alcanou resultado idntico ao obtido pelo Estima.
Alm disso, nmero de pontos na regio de confiana que o mtodo do Enxame de
Partculas avaliou e que tm o valor da funo objetivo inferior ao limite de 18,26
(calculado pela Equao (2.39)) foi de 3333. Na Figura 28 apresentado o modelo
ajustado aos dados simulados e na Figura 29 a regio de confiana dos parmetros
obtida pelo Enxame de Partculas comparada com a regio elptica.


Figura 28: Ajuste do modelo cintico de 1 ordem aos dados simulados.

99

Figura 29: Comparao entre a regio de confiana elptica e a obtida com o Enxame
de Partculas na estimao dos parmetros do modelo cintico de 1 ordem com os
dados simulados.
Como pode ser observado na Figura 29, a qualidade da aproximao elptica
muito superior que foi observada na Figura 27, mostrando que quanto maior a
preciso dos parmetros obtidos, que funo do nmero de dados experimentais e do
erro experimental, melhor a aproximao elptica da regio de confiana. Por outro
lado, a regio de confiana obtida pelo mtodo do Enxame de Partculas apresenta uma
boa qualidade, j que uma linha que delimita a regio de confiana pode ser facilmente
traada contornando os pontos da Figura 29.
4.1.3. Modelo de Exponencial Dupla
Modelos de Exponencial Dupla, isto , constitudos por uma soma de duas
exponenciais, como mostra a Equao (4.10), so muito comuns em sistemas onde
ocorrem transformaes sucessivas, como reaes em srie.
( ) ( )
1 3 2 4
exp exp y x x = (4.10)
Este modelo apresenta 4 parmetros para serem ajustados, os quais apresentam
uma alta correlao entre si, sendo esta uma caracterstica de modelos que apresentam a
funo exponencial como na Equao (4.10).
100
Os dados foram simulados com os parmetros
1
,
2
,
3
e
4
respectivamente
iguais a 200, 100, 0,1 e 0,8 e foi adicionado ao valor calculado pelo modelo um erro
aleatrio com distribuio de probabilidade normal com mdia zero e desvio padro 5.
Na Tabela 33 os dados simulados e usados para a estimao dos parmetros do modelo
de Exponencial Dupla so apresentados.
Tabela 33: Dados simulados usados na estimao dos parmetros do modelo de
Exponencial Dupla.
x y
0,0 97,56
0,5 117,10
1,0 138,93
1,5 148,13
2,0 150,00
2,5 139,25
3,0 138,91
3,5 136,89
4,0 134,71
4,5 124,53
5,0 125,35
5,5 115,33
6,0 105,78
6,5 105,95
7,0 95,10
7,5 98,82
8,0 82,67
8,5 93,83
9,0 79,79
9,5 75,92
10,0 74,52

A minimizao realizada com o Estima alcanou um valor mnimo de 318,51
para a funo objetivo, sendo que os parmetros estimados foram :

1
= 203,70;
2
=108,12;
3
= 0,1020; e
4
= 0,8440.
A minimizao realizada pelo Enxame de Partculas foi realizada na regio de
busca delimitada por [0, 1000] para os parmetros
1
e
2
, e por [0, 5] para os
parmetros
3
e
4
. Foram realizadas 5000 iteraes, com 20 partculas, c
1
e c
2
iguais a
1,5 e w igual a 0,7. Porm, como este modelo apresenta um nmero maior de
parmetros e uma certa dificuldade na minimizao devido alta correlao entre os
parmetros, a minimizao foi realizada de forma que sempre que a convergncia das
partculas foi detectada, a busca era totalmente reiniciada. Esta forma de busca d maior
101
garantia de que o mnimo encontrado seja o mnimo global e aumenta a explorao da
regio de busca em torno do ponto mnimo.
O valor mnimo da funo objetivo e dos parmetros estimados encontrado pelo
mtodo do Enxame de Partculas foi o mesmo valor encontrado acima pelo Estima. Na
Figura 30 o ajuste do modelo aos dados simulados apresentado.


Figura 30: Ajuste do modelo de Exponencial Dupla aos dados simulados.
A regio de confiana dos parmetros estimados foi construda com os dados
avaliados pelo mtodo do Enxame de Partculas, com um total de 53426 pontos cujas
funes objetivo tm valor inferior ao limite de 540,69. As regies so apresentadas
para cada par de parmetros, conforme ilustrado na Figura 31. Alm disso, o ponto onde
a funo tem o valor mnimo aparece destacado para cada par de parmetros.
Neste caso, a regio elptica no apresentada, j que a determinao desta
regio quando o nmero de parmetros maior que dois comea a apresentar
dificuldades adicionais relacionadas s projees das elipses aos planos de
representao. J com a utilizao do mtodo do Enxame de Partculas, a definio das
regies de confiana no apresenta maiores dificuldades, j que os pontos utilizados
para isso so os mesmos usados pelo mtodo de otimizao para encontrar o mnimo da
funo objetivo, sem a necessidade de um esforo computacional adicional.
102

Figura 31: Regies de confiana dos parmetros do modelo de Exponencial Dupla
obtidas pelo mtodo do Enxame de Partculas.
Como pode ser observado na Figura 31, as regies de confiana so curvas e no
simtricas com relao ao ponto mnimo, j que este se encontra deslocado para uma
das extremidades da regio, mostrando que a aproximao elptica, neste caso, alm de
ser de difcil obteno no representa a forma real das regies de confiana.
Os trs problemas de estimao de parmetros em modelos no-lineares
resolvidos at aqui evidenciaram que a aproximao elptica das regies de confiana
no consegue representar com qualidade as regies de confiana verdadeiras. Por outro
lado, as regies verdadeiras podem ser bem definidas com a utilizao dos pontos
avaliados pelo mtodo do Enxame de Partculas, os quais so selecionados pelo critrio
descrito pela Equao (2.39) que define a regio de verossimilhana.
103
Alm disso, foi possvel observar que o aumento da incerteza paramtrica
prejudica ainda mais a qualidade da aproximao elptica. A incerteza paramtrica
tanto maior quanto maiores so os erros experimentais e quanto menor o nmero de
dados experimentais. Este comportamento ocorre devido ao fato da qualidade da
aproximao quadrtica da funo objetivo melhorar medida que se aproxima do
ponto mnimo, o que acontece quando a regio de confiana pequena; ou seja, quando
os parmetros so precisos.
Por fim, foi possvel mostrar a facilidade e a boa qualidade das regies de
confiana obtidas com o mtodo do Enxame de Partculas. Alm disso, a construo da
regio de confiana no implica em custo computacional adicional, j que as regies de
confiana so construdas a partir dos pontos que o mtodo do Enxame de Partculas j
havia utilizado para a minimizao da funo objetivo, sendo necessria apenas a
seleo dos pontos que fazem parte da regio de confiana, de acordo com algum
critrio, como o definido pela Equao (2.39).
4.2. Exemplo: Cintica da Reao de Polimerizao de Etileno
O estudo dos processos de polimerizao tem uma importncia muito grande,
devido grande aplicabilidade que os materiais polimricos tm atualmente. O processo
de polimerizao do etileno com complexos de nquel contendo isotiocianato, em
particular, pode ser suscetvel a mudanas da atividade do catalisador devido a
alteraes em sua estrutura, que alteram as caractersticas do stio ativo onde a reao de
polimerizao ocorre e que, assim, promovem alteraes de atividade do catalisador,
conforme apontado por CROSSETTI et al. (2004).
O catalisador presente no reator sofre inicialmente uma ativao, ou seja, passa
de uma espcie inativa para uma espcie ativa, capaz de promover as reaes de
polimerizao. Em seguida, esta espcie ativa pode sofrer alteraes gerando,
gradativamente, novas espcies ativas, cujas atividades so diferentes da primeira. O
nmero de alteraes que o catalisador pode sofrer no conhecido a priori, a menos
que avaliaes mais rigorosas sejam feitas, como uma anlise qumica detalhada do
catalisador ao longo da reao de polimerizao. Entretanto, admite-se que devem
ocorrer somente duas ou trs transformaes sucessivas, podendo ento estar presentes
duas ou trs diferentes espcies ativas do catalisador, j que a primeira espcie inativa.
O conjunto de transformaes sucessivas que ocorrem com o catalisador pode
ser visto como um conjunto de reaes sucessivas descritas abaixo:
104

0
1
1
0 1
1 2
1
1
n
m
k
k
k
n n
k
m m
C C
C C
C C
C C

(4.11)
onde C
n
corresponde concentrao presente da n-sima forma do catalisador, k
n
a
constante de velocidade de transformao da forma n na forma posterior n+1 e m o
nmero de transformaes que ocorrem e tambm corresponde ao nmero de espcies
ativas.
Assim, a Equao (4.11) denota um conjunto de transformaes sucessivas a
partir de uma espcie inicial C
0
at uma espcie final C
m
. Considerando que as
velocidades das transformaes ocorrem na forma de taxas de primeira ordem em
relao a cada uma das espcies e que a atividade de cada espcie do catalisador
proporcional a sua concentrao, possvel escrever um conjunto de equaes de
balano cuja soluo (descrita com maiores detalhes no Apndice) dada pela seguinte
equao:
( )
0
i
m m
k t n
n i
i n i
Rp t Kp A e

= =
l
l
=
l
l

(4.12)
onde Kp
n
a constante de polimerizao da n-sima espcie do catalisador. Os demais
coeficientes so calculados de forma recursiva, como descrito abaixo:

( )
0
0
1 1
1
0
1
; 0.. -1 ; 0
n n n
i i
n i
n
n n
n i
i
A
k
A A i n n
k k
A A

=
=
= = >

(4.13)
importante observar que o valor de k
m
nulo, j que m a ltima espcie do
catalisador e no sofre nenhuma transformao. Alm disso, o valor de Kp
0
tambm
nulo, j que a espcie inicial de catalisador inativa.
Assim, o nmero de constantes cinticas que devem ser estimadas a partir de
dados experimentais igual a 2m, sendo m constantes cinticas de transformao de
105
espcie do catalisador (k
0
, k
1
, ..., k
m-1
) e m constantes cinticas de polimerizao (Kp
1
,
Kp
2
, ..., Kp
m
).
Um caso especial que pode ser considerado a hiptese de que as
transformaes sucessivas das espcies tm uma mesma constante de velocidade, ou
seja, k
0
= k
1
= ... = k
m-1
= k. Neste caso, a soluo do sistema de equaes de balano
(descrita com maiores detalhes no Apndice) tem a seguinte forma:
( ) ( )
1
0
!
n m
kt
n m m
n
k
Rp t Kp Kp e Kp
n

=
l
l
= +
l
l

(4.14)
Neste modelo, onde as constantes de transformao das espcies do catalisador
so iguais, o nmero de parmetros que so estimados igual a m+1, sendo 1 constante
cintica de transformao de espcie do catalisador e m constantes cinticas de
polimerizao (Kp
1
, Kp
2
, ..., Kp
m
), lembrando que Kp
0
igual a zero.
Os dados experimentais da polimerizao de etileno usados para estimao dos
parmetros foram obtidos por SILVA (2004). A reao foi realizada em um reator semi-
batelada, onde o etileno era alimentado ao reator de modo a manter a presso do sistema
constante, j que medida que o etileno consumido pela reao, a presso tende a cair.
Assim, a taxa de polimerizao pode ser acompanhada pelo consumo de etileno durante
o decorrer da reao. Estes dados sero usados para a estimao dos 2m parmetros
cinticos do modelo desenvolvido acima. Maiores detalhes do sistema reacional podem
ser obtidos em SILVA (2004).
Foram usados os dados de consumo de etileno da corrida NCS07, que
corresponde a uma reao realizada na temperatura de 0 C, presso de 3 atm e o
catalisador com a razo de Al/Ni igual a 460. Foram medidos 402 valores de consumo
de etileno em aproximadamente 22 minutos de reao.
Inicialmente foram consideradas duas transformaes sucessivas do catalisador
(ou seja, m = 2) e foram ajustados 4 parmetros, de acordo com o modelo definido pelas
Equaes (4.12) e (4.13). A funo objetivo usada para a estimao dos parmetros foi a
funo de mnimos quadrados, cuja minimizao foi realizada pelo mtodo do Enxame
de Partculas. Foram realizadas diversas buscas com diferentes configuraes para
aumentar a confiana de que o mnimo global foi encontrado. Os resultados
apresentados a seguir foram obtidos, em particular, com uma busca consistindo de um
total de 15000 iteraes e 25 partculas. Os valores de c
1
e c
2
usados foram iguais a 1,5 e
w foi mantido constante e igual a 0,8. Alm disso, sempre que a convergncia das
106
partculas era detectada, as posies e as velocidades das partculas eram reiniciadas e
os melhores pontos encontrados, tanto o individual quanto o global, eram apagados da
memria das partculas; ou seja, uma nova busca era iniciada. A convergncia das
partculas foi definida pela diferena mdia das funes objetivo de todo o conjunto de
partculas com relao ao melhor ponto encontrado at o momento, conforme a Equao
(3.17). Neste caso, sempre que a diferena mdia for menor que 50, a busca reiniciada,
de forma a serem realizadas diversas novas buscas dentro do total de 15000 iteraes,
aumentando o carter exploratrio da busca.
importante observar que, por se tratar de um problema real de estimao de
parmetros, cuja soluo no conhecida a priori, a despeito da eficincia do mtodo
que j foi comprovada nos exemplos anteriores, um nmero grande de avaliaes
necessrio para garantir que a soluo encontrada realmente a melhor possvel. Por
isso, o nmero de iteraes deve ser grande.
A faixa de busca dos parmetros foi definida aps algumas buscas inicias, onde
se procurou encontrar faixas mais restritas para a busca pelo mnimo, j que
inicialmente a nica informao disponvel que os parmetros so positivos e finitos.
Alm disso, uma minimizao em uma regio de busca mais restrita possibilita uma
melhor descrio da regio de confiana dos parmetros. As faixas definidas para os
parmetros correspondem aos seguintes intervalos: para k
0
[0, 100]; para k
1
[0, 50]; para
Kp
1
[0, 1000]; e para Kp
2
[0, 10].
O valor mnimo da funo objetivo encontrado pelo Enxame de Partculas ao
final da busca foi de 1001,21, sendo os parmetros estimados apresentados na Tabela
34.
Tabela 34: Parmetros estimados considerando 2 transformaes no catalisador.
Parmetro Valor estimado
k
0
6,3805
k
1
6,3807
Kp
1
150,54
Kp
2
6,2781

interessante observar que as constantes de transformao do catalisador so
praticamente as mesmas, indicando que o modelo definido pela Equao (4.14) deve ser
mais apropriado para este caso. Alm disso, v-se que a primeira espcie ativa tem uma
atividade de polimerizao muito superior da segunda espcie ativa.
107
Na Figura 32 apresentado o ajuste do modelo aos dados experimentais, bem
como a taxa correspondente a cada espcie do catalisador (sendo Rpi a taxa de
polimerizao da espcie i). J a Figura 33 apresenta a variao da frao de cada
espcie de catalisador ao longo do tempo.

Figura 32: Ajuste do modelo (linha preta) com 2 transformaes no catalisador
aos dados experimentais (pontos) e taxa correspondente a cada espcie do catalisador
(Rp
1
: linha amarela; Rp
2
: linha verde).

Figura 33: Frao de cada espcie de catalisador ao longo do tempo de reao.
C
0
: linha vermelha; C
1
: linha amarela; C
2
: linha verde.
108
As Figuras 32 e 33 mostram que as transformaes no catalisador so
extremamente rpidas e em apenas 1 minuto praticamente todo o catalisador j est
transformado na espcie final. A partir da, a atividade total de polimerizao
constante e igual atividade da ltima espcie do catalisador.
A regio de confiana dos parmetros foi determinada com um nvel de
confiana de 95 % e foi usado o critrio da razo de verossimilhana (descrito pela
Equao (2.39)) em conjunto com os pontos avaliados pelo mtodo do Enxame de
Partculas durante a minimizao da funo objetivo. A regio de confiana dos
parmetros apresentada na Figura 34, onde a regio de confiana mostrada para cada
par de parmetros, para permitir a avaliao do efeito da correlao entre cada par dos
parmetros.
A constante de transformao da espcie inicial e a constante de polimerizao
da primeira espcie ativa, k
0
e Kp
1
respectivamente, so muito pouco significativas, j
que os intervalos de confiana destes parmetros so muito amplos. A constante de
transformao da primeira espcie ativa na ultima espcie do catalisador, k
1
, tambm
apresenta um intervalo de confiana grande, mas no tanto como os anteriores. Este fato
ocorre devido s rpidas transformaes que ocorrem logo no incio da reao, j que
todo o catalisador convertido na sua espcie final em apenas 1 minuto. Assim, no faz
muita diferena se a constante de transformao da espcie inicial igual a 6 ou 100, j
que de uma forma ou outra esta espcie convertida rapidamente. O mesmo ocorre com
a primeira espcie ativa que, alm de ter uma constante de transformao cujo limite do
intervalo de confiana vai de 4,0 a 36,0, tem uma constante de polimerizao que pode
assumir valores desde 100 a 1000, pois mais uma vez esta espcie consumida
rapidamente e seu efeito no ajuste pequeno.
J a constante de polimerizao da ltima espcie ativa, Kp
2
, tem um intervalo
de confiana muito estreito. Isto ocorre porque, aps o minuto inicial, este o nico
parmetro que tem algum efeito no ajuste do modelo e pequenas mudanas no seu valor
tm um grande efeito no valor da funo objetivo, j que pode afastar o modelo de um
nmero muito grande de dados experimentais.
interessante observar que as regies de confiana no so simtricas em
relao ao ponto mnimo. Alm disso, no caso dos parmetros k
0
, k
1
e Kp
1
as regies de
confiana apresentam formas nada convencionais, deixando claro que a aproximao
elptica da regio de confiana no deve ser utilizada.

109

Figura 34: Regies de confiana dos parmetros do modelo de polimerizao
com 2 transformaes no catalisador.
Como foi comentado acima, os valores das constantes de transformao do
catalisador so praticamente iguais e, por isso, foi usado o modelo definido pela
Equao (2.14) que, no caso de duas transformaes sucessivas, tem 3 parmetros.
importante observar que quando as constantes de transformao do catalisador so
iguais, o modelo definido pela Equao (2.12) apresenta uma descontinuidade, mas os
valores calculados tendem no limite aos valores calculados pelo modelo de ks iguais;
ou seja, se os ks so iguais, ambos modelos fornecem os mesmos resultados. A
diferena fica no menor nmero de parmetros que o modelo de ks iguais apresenta.
Apesar de isso no alterar o ajuste do modelo,essa modificao altera as regies de
confiana dos parmetros de forma muito significativa, conforme mostra a Figura 35.
110
A estimao dos parmetros do modelo com ks iguais foi realizada com as
mesmas condies descritas anteriormente para o modelo com constantes de
transformao diferentes. O valor mnimo da funo objetivo e os parmetros estimados
foram os mesmos obtidos antes e apresentados na Tabela 34, lembrando que para este
modelo k
0
e k
1
so definidos por k, j que tm o mesmo valor.


Figura 35: Regies de confiana dos parmetros do modelo de polimerizao
com 2 transformaes no catalisador com constantes de transformao iguais.
As regies de confiana apresentadas na Figura 35 mostram que os parmetros
estimados com o segundo modelo apresentam uma maior preciso, j que, a despeito da
curvatura da regio de confiana para os parmetros k e Kp
1
, as regies so bem
definidas, sendo regies fechadas e menores que as obtidas para o caso anterior.
111
O parmetro Kp
1
ainda apresenta um intervalo de confiana relativamente
grande, mas mais restrito que o obtido para o caso anterior. Os parmetros k e Kp
2

apresentam intervalos de confiana bem mais restritos, indicando uma boa preciso
nestes valores.
Apesar da melhor qualidade dos parmetros estimados, o ajuste do modelo aos
dados experimentais no apresenta uma boa qualidade, j que aps o primeiro minuto de
reao a taxa de polimerizao permanece constante, comportamento que no
observado nos dados experimentais.
Desta forma, foi utilizado um modelo com 3 transformaes sucessivas no
catalisador, considerando que as constantes de transformao podem ser diferentes, de
acordo com a Equao (4.12). Neste caso, so 6 parmetros que devem ser estimados e
o mtodo do Enxame de Partculas foi usado para a minimizao da funo objetivo
com um total de 10000 iteraes, com 50 partculas, c
1
e c
2
iguais a 1,5 e w constante e
igual a 0,8. Como no caso anterior, a busca era reiniciada sempre que a convergncia
das partculas era detectada.
Durante as buscas preliminares para a definio da regio de busca dos
parmetros, foi observado que este problema apresenta dois mnimos onde a funo
objetivo assume o valor de 106,39, ou seja, dois mnimos globais. Na Tabela 35 os
valores dos parmetros em cada mnimo so apresentados, bem como os limites de
busca para cada parmetro.
Tabela 35: Limite de busca e parmetros estimados para cada mnimo e
com o modelo considerando 3 transformaes no catalisador.
Parmetro Limite de busca Mnimo A Mnimo B
k
0
[0, 100] 10,31 2,313
k
1
[0, 50] 2,313 10,30
k
2
[0, 1] 0,232 0,232
Kp
1
[0, 1000] 55,98 249,6
Kp
2
[0, 1] 0,000 0,000
Kp
3
[0, 10] 7,587 7,587

A Tabela 35 mostra que de um mnimo para outro, apenas os valores de k
0
e k
1

so trocados entre si e o valor de Kp
1
muda, sendo que os demais valores so iguais nos
dois mnimos. O que ocorre que apesar do ajuste da taxa global de polimerizao ser
igual para os dois mnimos (Figura 36), as quantidades presentes das espcies inicial e
da segunda espcie do catalisador so diferentes (Figura 37) e a atividade da primeira
espcie ativa diferente.
112


Figura 36: Ajuste do modelo (linha preta) com 3 transformaes no catalisador
aos dados experimentais (pontos) e taxa correspondente a cada espcie do catalisador
(Rp
1
: linha amarela; Rp
3
: linha azul).

Figura 37: Frao de cada espcie de catalisador ao longo do tempo de reao para o
mnimo A (linha tracejada) e mnimo B (linha pontilhada).
C
0
: linha vermelha; C
1
: linha amarela; C
2
: linha verde; C
3
: linha azul.
A Figura 36 mostra o ajuste do modelo aos dados experimentais e as taxas das
espcies 1 e 3, j que a espcie 2 tem atividade nula. Apesar da constante de
113
polimerizao da espcie 1 mudar de um mnimo para outro, a sua concentrao
tambm muda, como mostra a Figura 37, de forma que a atividade desta espcie a
mesma nos dois casos. Na Figura 37 tambm possvel observar que as concentraes
das espcies 2 e 3 so as mesmas para os dois mnimos. J as espcies 0 e 1 tm valores
diferentes para cada mnimo.
Para o ponto de mnimo A, a espcie inicial rapidamente convertida na espcie
1 e a converso desta espcie na espcie 2 mais lenta, aumentando rapidamente a
concentrao da espcie 1. Para manter a taxa de polimerizao em um nvel adequado,
a constante de polimerizao da espcie 1 menor que no caso do mnimo B.
Para o ponto de mnimo B a constante de transformao da espcie 0 na espcie
1 mais lenta que a constante de transformao da espcie 1 na espcie 2, mantendo
baixa a concentrao da espcie 1. Neste caso, a constante de polimerizao da espcie
1 maior para compensar a baixa concentrao e manter a taxa global em um nvel
adequado para o bom ajuste do modelo.
Na Tabela 35 so apresentados os intervalos obtidos para cada mnimo na
estimao dos parmetros. No mnimo A o parmetro k
0
alcana o limite mximo da sua
faixa de busca, enquanto no mnimo B o parmetro Kp
1
que alcana o limite mximo
da sua faixa de busca. Alm disso, o parmetro Kp
2
atinge o limite mnimo da sua faixa
de busca nos dois mnimos e este limite que o valor timo deste parmetro. Os
intervalos de confiana dos parmetros k
2
, Kp
2
e Kp
3
so aproximadamente os mesmos
nos dois mnimos. As regies de confiana obtidas dos parmetros estimados so
apresentadas para cada par de parmetros na Figura 38.

Tabela 35: Intervalos de confiana para cada mnimo do ajuste do
modelo com 3 transformaes no catalisador.
Parmetro Mnimo A Mnimo B
k
0
6,186 100,0 2,137 2,525
k
1
2,150 2,515 6,467 35,87
k
2
0,2165 0.2484 0,2157 0,2453
Kp
1
49,39 75,58 139,6 1000
Kp
2
0,000 0,1128 0,0000 0,1228
Kp
3
7,444 7,746 7,467 7,741



114

Figura 38a: Regies de confiana dos parmetros do modelo de polimerizao
com 3 transformaes no catalisador.
115

Figura 38b: Regies de confiana dos parmetros do modelo de polimerizao
com 3 transformaes no catalisador.
116

Figura 38c: Regies de confiana dos parmetros do modelo de polimerizao
com 3 transformaes no catalisador.
Como pode ser observado na Figura 38, as regies de confiana que envolvem
os parmetros k
0
, k
1
e Kp
1
apresentam regies de confiana desconectadas, devido ao
fato da funo objetivo possuir dois mnimos globais. interessante observar a alta
correlao entre os parmetros k
1
e Kp
1
em torno do mnimo B. Isto ocorre porque k
1
a
constante de velocidade com que a espcie 1 convertida. Se a espcie 1 desaparece
com maior velocidade, a constante de taxa de polimerizao desta espcie, Kp
1
, tende a
aumentar para compensar a menor concentrao desta espcie. Um fato idntico, mas
no to pronunciado, ocorre entre os parmetros k
0
e Kp
1
para o mnimo A. As demais
regies, bem como as discutidas acima, no so simtricas com relao aos valores
estimados o que, em conjunto com as outras caractersticas citadas acima, tornam a
aproximao elptica destas regies totalmente inapropriada.
117
Como esperado, o ajuste do modelo considerando trs transformaes sucessivas
do catalisador apresentou uma qualidade bem superior ao ajuste obtido com o modelo
com somente duas transformaes sucessivas. Por outro lado, a existncia de dois
mnimos locais e a conseqente formao de regies de confiana desconectadas refora
a necessidade da utilizao de mtodos heursticos de otimizao para estimao de
parmetros.
importante informar que a aplicao dos algoritmos baseados no mtodo de
Gauss-Newton, como o Estima, no obteve sucesso, isto , a busca no convergiu. Isto
ocorreu devido presena de parmetros pouco significativos e de parmetros cujo
valor timo se encontram no limite da regio de busca. Alm disso, mesmo quando os
parmetros eram significativos, uma estimativa inicial muito prxima do ponto mnimo
era necessria. J no caso onde a funo objetivo apresentou dois mnimos globais, o
que foi prontamente apontado pelos resultados obtidos com o Enxame de Partculas, a
utilizao de um mtodo de Gauss-Newton apresentaria dificuldades adicionais, j que
diversas estimativas iniciais deveriam ser fornecidas e a chance de serem observados os
dois mnimos menor do que quando utilizado o mtodo do Enxame de Partculas,
cuja busca baseada em um grande conjunto de pontos, o que aumenta a explorao da
regio de busca, possibilitando a observao da regio de confiana verdadeira, mesmo
quando esta composta por regies disjuntas.
4.3. Exemplo: Cintica da Reao de Produo de Gs de Sntese
A produo do gs de sntese uma importante etapa para a converso do gs
natural em combustveis mais prticos e outros produtos qumicos de interesse. As
reaes envolvidas na produo do gs de sntese fazem parte de um sistema reacional
muito complexo (LARENTIS, 2001) e incluem, alm de outras que no sero
consideradas, as seguintes reaes:

4 2 2
CH +H O CO+3H reforma com vapor (1)

4 2 2
CH +CO 2CO+2H reforma com CO
2
(2)

1
4 2 2
2
CH + O CO+2H oxidao parcial (3)

4 2 2 2
CH +2O CO +2H O oxidao total(4)

2 2 2
CO+H O CO +H deslocamento gua-gs(5)
118
Considerando as cinco reaes reversveis acima, mesmo considerando um
modelo cintico simplificado, onde as taxas das reaes so consideradas de primeira
ordem em relao a cada reagente e as constantes cinticas modeladas de acordo com a
equao de Arrhenius, o nmero de parmetros igual a 20.
Assim, a utilizao de mtodos do tipo Gauss-Newton torna-se difcil, pois alm
das dificuldades associadas ao grande nmero de parmetros, a correlao entre estes
parmetros e a presena de parmetros no significativos torna o procedimento de
estimao um verdadeiro desafio. Um exemplo disso foram as dificuldades encontradas
no trabalho de LARENTIS et al. (2001), onde para ser possvel a estimao, diversas
hipteses tiveram de ser realizadas para a simplificao do sistema de equaes,
permitindo a estimao de um conjunto menor de parmetros. Estas hipteses nem
sempre podem ser feitas de forma segura, o que pode dar uma desconfiana nos
resultados obtidos. Esta dificuldade motiva ainda mais a utilizao dos algoritmos
heursticos em problemas de estimao de parmetros.
Para a estimao dos parmetros cinticos deste sistema reacional sero
utilizados os dados experimentais obtidos por LARENTIS (2000). Estes dados foram
obtidos na reao de reforma com dixido de carbono combinada com a oxidao
parcial do gs natural em um reator tubular de bancada contendo catalisador 1,12% Pt/-
Al
2
O
3
. A alimentao consistia de uma mistura de gs natural (79% CH
4
, 17% C
2
H
6
e
4% C
3
H
8
), ar seco e comprimido (20% O
2
, 79% N
2
e 1% Ar) e dixido de carbono em
diferentes quantidades. A anlise dos gases foi feita por cromatografia gasosa
(Chrompack CP 9001), usando uma coluna recheada (HAYESEP D) e detector de
condutividade trmica. Maiores detalhes podem ser encontrados em LARENTIS (2000).
O reator foi modelado como um reator tubular de fluxo empistonado e foram
usadas as equaes de balano de massa individual para cada espcie i

cat i
i cat i
dC dv
v C m R
dx dx
+ = (4.15)
onde v a vazo volumtrica (m
3
/s), C
i
a concentrao da espcie i (gmol/m
3
), m
cat
a
massa de catalisador (g), R
i
cat
taxa de reao do componente i em relao massa de
catalisador (gmol/g
cat
/s) e x o comprimento adimensional do reator. Tambm foi usada
a equao do balano de massa total

1
NC
cat
cat i
i
dv RT
m R
dx P
=
=

(4.16)
119
onde R a constante dos gases ideais (J/gmol/K), T a temperatura (K) e P a presso
(Pa), de forma a considerar a variao na vazo volumtrica devido mudana do
nmero de moles nas reaes. As condies iniciais das equaes diferenciais so as
concentraes medidas na entrada do reator e a taxa de alimentao volumtrica,
tambm medida na entrada do reator. O nmero de espcies envolvidas na reao
igual a 7: CH
4
, O
2
, CO, H
2
, CO
2
, H
2
O e N
2
, sendo o nitrognio um composto inerte
neste sistema. As concentraes de cada espcie foram calculadas com a equao dos
gases ideais, como uma funo das fraes molares (y
i
) obtidas por cromatografia
gasosa, como segue:

i
i
y P
C
RT
= (4.17)
O sistema de equaes diferenciais integrado com o auxlio do procedimento
numrico Dassl (PETZOLD, 1989).
As taxas de reao foram descritas com base na massa de catalisador e so
definidas como:

cat
i i cat
R R = (4.18)
onde
cat
a densidade do catalisador e R
i
a taxa em termos volumtricos (gmol/m
3
/s).
A taxa de reao individual de uma espcie i em particular consiste na soma das
taxas de cada reao em que a espcie i participa ponderada pelo coeficiente
estequiomtrico, como a equao abaixo:

, i i j j
j
R q r =

(4.19)
onde i indica o componente, j indica a reao, q indica o coeficiente estequiomtrico do
componente i na reao j e o termo r
j
representa a taxa de cada reao (gmol/m
3
/s).
Inicialmente ser considerado um modelo simples, j citado acima, onde as taxas
das cinco reaes apresentadas acima so consideradas de primeira ordem em relao a
cada componente, como mostram as equaes a seguir:

4 2 2
1 1 1 CH H O r H CO
r k C C k C C = (4.20a)

4 2 2
2 2 2 CH CO r H CO
r k C C k C C = (4.20b)

4 2 2
3 3 3 CH O r H CO
r k C C k C C = (4.20c)

4 2 2 2
4 4 4 CH O r H O CO
r k C C k C C = (4.20d)

2 2 2
5 5 5 CO H O r H CO
r k C C k C C = (4.20e)
120
onde k
j
so as constantes cinticas (m
3
/gmol/s) calculadas pela equao de Arrhenius:

( ) ( )
exp 1
j j j ref
k A B T T = + (4.21)
onde T
ref
uma temperatura de referncia (K) e A
j
e B
j
so os parmetros que sero
estimados. Esta forma da equao de Arrhenius apresenta uma menor correlao entre
os parmetros e faz com que a faixa de busca dos parmetros A
j
e B
j
seja mais limitada
(KITTRELL, 1970). As relaes dos parmetros A
j
e B
j
com a energia de ativao e
fator pr-exponencial so dadas pelas seguintes equaes:

j j ref
E B RT = (4.22)

( )
exp
oj j j
k A B = + (4.23)
Como foi discutido acima, o nmero de parmetros que devem ser estimados
igual a 20 e a faixa de busca definida pelo intervalo [0, 50] para todos os parmetros.
Esta faixa corresponde a uma faixa em termos de energia de ativao de [0, 508]
kJ/gmol e em termos de do fator pr-exponencial de [0, 5,2.10
21
] m
3
/gmol/s.
Este modelo simplificado ser usado inicialmente para uma comparao entre os
mtodos heursticos de otimizao considerados neste trabalho. A funo objetivo a
funo de mnimos quadrados ponderados (Equao 2.08), sendo a varincia de cada
medida, estimada a partir de rplicas, igual a 8.10
-3
para todas as concentraes
(LARENTIS, 2000).
Foi definido um valor mximo de 100 mil avaliaes da funo objetivo e foram
usadas trs configuraes diferentes para cada mtodo.
O mtodo de Monte Carlo foi usado com o valor da taxa de reduo calculado
pela Equao (3.11) de tal forma que, ao final das iteraes, a faixa de busca
correspondia a 1 % da faixa inicial; ou seja, a faixa final tinha um tamanho de 0,5, j
que a faixa inicial tem o tamanho de 50. Na Tabela 36 so apresentadas as
configuraes de busca e o valor mnimo da funo objetivo encontrado em cada busca.
A busca MC2 alcanou o valor da funo objetivo de 9220,4 e foi o menor valor
encontrado pelo mtodo de Monte Carlo, enquanto a busca MC5 obteve o valor de
14016,9, a busca com o maior valor final. J o valor mdio da funo objetivo foi igual
a 11640,8.


121
Tabela 36: Configuraes de busca e valor mnimo da funo objetivo
encontrado pelo mtodo de Monte Carlo.
Nome Npt Niter TR [%] F
min

MC1 25 4000 0,115 10516,0
MC2 25 4000 0,115 9220,4
MC3 25 4000 0,115 10561,4
MC4 50 2000 0,230 10085,4
MC5 50 2000 0,230 14016,9
MC6 50 2000 0,230 12869,2
MC7 100 1000 0,460 11031,2
MC8 100 1000 0,460 13764,0
MC9 100 1000 0,460 12702,8

O mtodo do Algoritmo Gentico foi usado com uma probabilidade de
cruzamento igual a 70 %, valor utilizado na minimizao das funes teste no Captulo
3, uma probabilidade de mutao de 40 %, valor que obteve os melhores resultados na
minimizao das funes teste, e uma perturbao relativa nos parmetros realizada pela
mutao igual a 1 %. Foram realizadas 9 minimizaes com trs configuraes
diferentes, as quais em conjunto com o valor mnimo encontrado so apresentadas na
Tabela 37.
Tabela 37: Configuraes de busca e valor mnimo da funo objetivo
encontrado pelo mtodo do Algoritmo Gentico.
Nome Npt Niter F
min

AG1 25 4000 9630,6
AG2 25 4000 10321,7
AG3 25 4000 11672,2
AG4 50 2000 11120,0
AG5 50 2000 8438,6
AG6 50 2000 11107,9
AG7 100 1000 9827,5
AG8 100 1000 10264,5
AG9 100 1000 10269,3

O menor valor da funo objetivo encontrado pelo mtodo do Algoritmo
Gentico foi de 8438,6 na busca AG5 e inferior ao menor valor encontrado pelo
mtodo de Monte Carlo. A corrida AG3 teve como valor mnimo 11672,2 e foi o pior
resultado obtido pelo Algoritmo Gentico. O valor mdio da nove minimizaes foi
igual a 10294,7.
Para a utilizao do mtodo do Recozimento Simulado a temperatura inicial e
final foram definidas a priori como auxilio da Equao (2.21), sendo o valor do fator
122
de reduo de temperatura calculado de tal forma a satisfazer estas temperaturas. A
temperatura inicial foi definida como 20000, de forma que com uma probabilidade de
95%, uma transio para um valor maior da funo objetivo de at 1026,0 fosse aceita.
J a temperatura final foi definida como 1, sendo que com uma probabilidade de apenas
10%, uma transio para um valor maior da funo objetivo s ser aceita se o aumento
for menor que 2,3, de forma a busca para algum mnimo prximo de onde a ponto de
busca se encontra. O valor das perturbaes para a realizao das transies de 5 % da
faixa total. Na Tabela 38 so apresentadas as configuraes de cada busca e o valor
mnimo encontrado para a funo objetivo em cada busca.
Tabela 38: Configuraes de busca e valor mnimo da funo objetivo
encontrado pelo mtodo do Recozimento Simulado.
Nome Npt Niter F
min

RS1 250 400 0,976 6622,5
RS2 250 400 0,976 7265,3
RS3 250 400 0,976 9489,0
RS4 500 200 0,952 9398,3
RS5 500 200 0,952 9642,6
RS6 500 200 0,952 11181,7
RS7 1000 100 0,906 7368,8
RS8 1000 100 0,906 6280,8
RS9 1000 100 0,906 10145,3

Os resultados obtidos pelo mtodo de Recozimento simulado so superiores ao
encontrados pelo mtodo de Monte Carlo e pelo mtodo do Algoritmo Gentico. O
menor valor foi igual a 6280,8 na busca RS7, e o maior valor foi 11181,7 na busca RS6.
O valor mdio encontrado foi de 8599,3, um valor menor que os valores mdios obtidos
pelo mtodo de Monte Carlo e do Algoritmo Gentico.
A boa qualidade dos resultados obtidos nas minimizaes realizadas pelo
Recozimento Simulado, superiores aos obtidos pelo Algoritmo Gentico e Monte Carlo,
deve ter sido fruto da definio adequada das temperaturas inicial e final, de forma a
garantir uma boa explorao no incio da busca, seguida de uma convergncia para o
ponto mnimo na medida que a temperatura diminui. Antes da realizao das corridas
acima, pode ser observado que o valor da temperatura inicial determinada
automaticamente, com a utilizao da Equao (3.15), era muito diferente em cada
busca realizada, j que este valor depende do ponto inicial, determinado aleatoriamente,
e das transies iniciais realizadas em torno deste ponto para a determinao do valor de
F* usado na Equao (3.15). Desta forma, parece ser mais adequada uma anlise
123
preliminar do problema, particularmente da grandeza nos valores da funo objetivo,
para a definio adequada dos valores das temperaturas inicial e final.
O mtodo do Enxame de Partculas foi usado com os parmetros c
1
e c
2
iguais a
1,5 e o valor de w decrescendo ao longo das iteraes de 1,0 at 0,7. O valor mximo de
avaliaes da funo objetivo foi fixado em 100 mil avaliaes e o nmero de partculas
e de iteraes ajustados de forma a satisfazer este valor. Na Tabela 39 so apresentadas
as condies de cada busca e o valor mnimo alcanado em cada busca.

Tabela 39: Configuraes de busca e valor mnimo da funo objetivo
encontrado pelo mtodo do Enxame de Partculas.
Nome Npt Niter F
min

EP1 25 4000 6253,6
EP2 25 4000 7163,6
EP3 25 4000 7087,7
EP4 50 2000 7821,1
EP5 50 2000 6295,8
EP6 50 2000 6275,8
EP7 100 1000 6328,9
EP8 100 1000 7302,9
EP9 100 1000 9316,0

O menor valor encontrado pelo mtodo do Enxame de Partculas foi igual a
6253,6 na busca EP1, e este valor o menor encontrado por todos os algoritmos usados.
Alm disso, as corridas EP5, EP6, e EP7 alcanaram valores muito prximos ao menor
valor obtido. A busca com o pior resultado foi a EP9 e a funo objetivo foi igual a
9316,0. O valor mdio alcanado pelo mtodo do Enxame de Partculas foi de 7039,9, o
menor valor mdio dentre os mtodos usados. Este resultado mostra mais uma vez que o
mtodo do Enxame de Partculas tem uma eficincia superior aos demais mtodos
avaliados neste trabalho.
Como o mtodo do Enxame de Partculas obteve os melhores resultados, este foi
utilizado para a definio dos intervalos de confiana dos parmetros, atravs da seleo
dos pontos avaliados cuja funo objetivo satisfez a razo de verossimilhana, definida
pela Equao (2.39), e em seguida, observando os valores mnimo e mximo de cada
parmetro neste conjunto de dados selecionados. Para isso, o mtodo do Enxame de
Partculas foi utilizado com 50 partculas, 5000 iteraes, w com o valor constante de
0,7 e c
1
e c
2
iguais a 1, 5. Para aumentar a explorao da regio de busca, sempre que
aps 500 iteraes sucessivas sem que o melhor ponto encontrado tivesse uma queda
124
maior que 1 a velocidade de cada partcula era reiniciada, de forma a aumentar a
explorao da regio de busca e evitar uma convergncia prematura.
Ao final desta busca o melhor valor encontrado foi de 6227,8 e na Tabela 40
podem ser observados os valores dos parmetros estimados e os seus respectivos limites
inferiores e superiores e o valor das constantes cinticas na temperatura de referncia.
Tabela 40: Resultados da estimao dos parmetros do
modelo simplificado da reao.
Parmetro Limite inferior Valor estimado Limite superior k
i
(em 1222 K)
A
1
10,80 42,93 50,00
B
1
0,00 13,36 50,00
1,44.10
-13

A
1r
13,74 15,04 50,00
B
1r
0,00 12,95 22,86
1,24.10
-01

A
2
10,60 49,57 50,00
B
2
0,00 24,92 50,00
1,99.10
-11

A
2r
14,82 42,03 50,00
B
2r
0,00 0,00 3,51
5,59.10
-19

A
3
4,19 5,04 6,62
B
3
0,94 3,15 8,65
1,51.10
-01

A
3r
13,70 48,18 50,00
B
3r
0,00 0,99 30,82
3,20.10
-21

A
4
5,59 6,06 9,92
B
4
0,00 0,14 3,72
2,69.10
-03

A
4r
6,99 8,19 9,17
B
4r
2,34 7,44 12,03
4,69.10
-01

A
5
13,59 16,98 50,00
B
5
29,75 49,99 50,00
2,16.10
+14

A
5r
11,01 11,45 11,84
B
5r
2,89 4,76 7,35
1,25.10
-03


A Tabela 40 mostra que so poucos os parmetros que tm um intervalo de
confiana pequeno. A maioria dos parmetros relacionados com as reaes de reforma
com vapor (reao 1), reforma com CO
2
(reao 2) e deslocamento gua-gs (reao 5)
so pouco significativos.
Este resultado pode ter ocorrido devido m qualidade do modelo utilizado,
onde as equaes das taxas de reao foram consideradas de primeira ordem (Equaes
4.20), sendo assim um modelo simplificado e que no leva em considerao a adsoro
dos compostos presentes. Assim, com o objetivo de melhorar o ajuste do modelo, foi
considerada a adsoro dos compostos presentes, com exceo do oxignio. A adsoro
do oxignio no foi considerada, uma vez que como em nenhuma condio foi
observado oxignio na sada do reator, indicando que seu consumo rpido, acreditou-
125
se que no seria necessrio considerar a sua adsoro. As equaes das taxas so ento
definidas como:

4 2 2
1 1
1
1
CH H O r H CO
i i
i
k C C k C C
r
K C

=
+

(4.24a)

4 2 2
2 2
2
1
CH CO r H CO
i i
i
k C C k C C
r
K C

=
+

(4.24b)

4 2 2
3 3
3
1
CH O r H CO
i i
i
k C C k C C
r
K C

=
+

(4.24c)

4 2 2 2
4 4
4
1
CH O r H O CO
i i
i
k C C k C C
r
K C

=
+

(4.24d)

2 2 2
5 5
5
1
CO H O r H CO
i i
i
k C C k C C
r
K C

=
+

(4.24e)
onde i = CH
4
, CO, H
2
, CO
2
e H
2
O.
A dependncia das constantes de adsoro com a temperatura definida como

( ) ( )
exp 1
i i i ref
K A B T T = + (4.25)
onde i define um componente especfico e A
i
e B
i
so os parmetros a serem estimados.
Na expresso da constante de adsoro o parmetro B
i
est relacionado com a entalpia
de adsoro que pode ser tanto positiva quanto negativa, dependendo se a adsoro
exotrmica ou endotrmica. Assim, para sua estimao, os 20 parmetros relacionados
com as constantes cinticas tiveram seus limites de busca definidos pelo intervalo [0,
50] e os 10 parmetros relacionados com as constantes de adsoro tiveram o limite de
busca definido pelo intervalo [-30, 30], tanto para os A
i
como para os B
i
.
As estimaes realizadas, mais uma vez, somente com o mtodo do Enxame de
Partculas foram realizadas com um total de 20000 iteraes, 50 partculas, w fixo e
igual a 0,7 e c
1
e c
2
iguais a 1,5. Mais uma vez, sempre que aps 500 iteraes
consecutivas a queda do melhor valor encontrado da funo objetivo for menor que 1 a
velocidade das partculas eram reiniciadas, impedindo a convergncia prematura e
aumentando a explorao da regio de busca.
O valor mnimo da funo objetivo encontrado foi igual a 5036,96, mostrando
uma queda significativa com relao ao modelo simplificado onde as adsores no
126
foram consideradas. Na Tabela 41 so apresentados os parmetros estimados, os limites
de confiana e o valor das constantes na temperatura de referncia.
Tabela 41: Resultados da estimao dos parmetros do modelo
considerando as adsores dos componentes da reao.
Parmetro Limite inferior Valor estimado Limite superior k
i
(em 1222 K)
A
1
0,39 2,68 3,38
B
1
15,95 17,18 22,67
1,98.10
06

A
1r
5,41 7,21 8,22
B
1r
9,86 16,27 26,77
8,56.10
03

A
2
1,71 3,63 5,37
B
2
25,88 30,15 45,53
3,29.10
11

A
2r
7,93 8,63 16,06
B
2r
0,00 6,44 11,02
1,12.10
-01

A
3
0,00 0,00 0,87
B
3
9,00 11,39 19,29
8,82.10
04

A
3r
24,87 45,28 50,00
B
3r
0,00 0,06 50,00
2,29.10
-20

A
4
0,68 0,86 4,53
B
4
0,00 0,00 0,07
4,24.10
-01

A
4r
0,00 0,00 2,33
B
4r
12,24 14,93 47,48
3,05.10
06

A
5
3,18 4,41 5,03
B
5
9,08 10,47 14,77
4,30.10
02

A
5r
2,17 3,20 3,54
B
5r
13,03 14,17 17,79
5,80.10
04

A
CH4
-8,58 -7,98 -7,82
B
CH4
14,80 16,04 18,67
2,68.10
10

A
CO
-5,98 29,15 30,00
B
CO
-30,00 -29,97 30,00
2,11.10
-26

A
H2
-5,23 29,64 30,00
B
H2
-30,00 21,04 30,00
1,84.10
-04

A
CO2
-6,91 29,44 30,00
B
CO2
-21,56 -6,25 30,00
3,17.10
-16

A
H2O
-6,43 27,26 30,00
B
H2O
-30,00 -29,98 30,00
1,38.10
-25


Como pode ser visto na Tabela 41, com exceo da constante de adsoro do
metano, as demais constantes de adsores tm valores muito pequenos, como pode ser
visto pelo valor destes constantes na temperatura de referncia. Alm disso, os
parmetros relacionadas a estas constantes de adsoro tm intervalos de confiana
muito grandes, mostrando que so parmetros pouco significativos.
Assim, uma nova estimao foi realizada com um modelo onde somente a
adsoro do metano foi considerada, conforme as equaes abaixo.
127

4 2 2
4 4
1 1
1
1
CH H O r H CO
CH CH
k C C k C C
r
K C

=
+
(4.26a)

4 2 2
4 4
2 2
2
1
CH CO r H CO
CH CH
k C C k C C
r
K C

=
+
(4.26b)

4 2 2
4 4
3 3
3
1
CH O r H CO
CH CH
k C C k C C
r
K C

=
+
(4.26c)

4 2 2 2
4 4
4 4
4
1
CH O r H O CO
CH CH
k C C k C C
r
K C

=
+
(4.26d)

2 2 2
4 4
5 5
5
1
CO H O r H CO
CH CH
k C C k C C
r
K C

=
+
(4.26e)
Na Tabela 42 so apresentados os valores estimados dos parmetros, os limites
inferior e superior de confiana e o valor das constantes na temperatura de referncia.
Tabela 42: Resultados da estimao dos parmetros do modelo
considerando somente a adsoro do metano.
Parmetro Limite inferior Valor estimado Limite superior k
i
(em 1222 K)
A
1
3,95 6,37 13,50
B
1
0,00 8,22 12,29
6,36.10
+00

A
1r
9,23 11,16 19,66
B
1r
0,00 10,38 50,00
4,56.10
-01

A
2
4,39 6,68 50,00
B
2
0,00 22,30 36,37
6,05.10
+06

A
2r
11,07 22,03 50,00
B
2r
0,00 0,01 50,00
2,73.10
-10

A
3
2,47 3,42 6,09
B
3
0,00 0,70 7,59
6,58.10
-02

A
3r
10,14 10,72 50,00
B
3r
0,00 0,00 50,00
2,21.10
-05

A
4
0,48 0,77 5,29
B
4
0,00 0,00 1,19
4,63.10
-01

A
4r
0,00 0,00 5,78
B
4r
6,54 15,54 23,63
5,62.10
+06

A
5
6,80 7,99 15,40
B
5
0,00 0,47 2,94
5,39.10
-04

A
5r
5,85 6,76 9,83
B
5r
2,10 4,72 6,96
1,308.10
-01

A
CH4
-5,57 -4,61 -0,94
B
CH4
2,74 7,25 9,60
1,41.10
+05


Com este modelo, onde somente a adsoro do metano foi considerada
(Equaes 4.26), o valor mnimo da funo objetivo alcanado foi 5033,50. Este valor
128
at um pouco inferior ao encontrado com o modelo onde todas as adsores foram
consideradas, indicando que naquele caso a busca no alcanou um mnimo,
provavelmente devido ao grande nmero de parmetros do modelo.
Ainda procurando encontrar uma forma mais simples do modelo, mas mantendo
a qualidade do ajuste, foi realizada uma simplificao relacionada ao fato de que em
todas as condies experimentais observadas a concentrao de oxignio na sada do
reator era nula, ou seja, as reaes de oxidao so rpidas ou praticamente instantneas
quando comparadas s demais reaes. Assim, como feito por LARENTIS et al. (2001),
o consumo de oxignio pela reao de oxidao parcial (Reao 3) definido pelo
parmetro e o consumo de oxignio pela reao de oxidao total (Reao 4)
definido pelo parmetro . As modificaes causadas por estas reaes instantneas so
inseridas no problema atravs da mudana das concentraes da alimentao do reator,
como segue abaixo

2
1
, 2
2
O in
C + = (4.27a)

4 4
,0 , CH CH in
C C = (4.27b)

2
,0
0
O
C = (4.27c)

,0 , CO CO in
C C = + (4.27d)

2 2
,0 ,
2
H H in
C C = + (4.27e)

2 2
,0 , CO CO in
C C = + (4.27f)

2 2
,0 ,
2
H O H O in
C C = + (4.27g)

2 2
,0 , N N in
C C = (4.27h)
Como a concentrao de alimentao de oxignio conhecida, apenas
necessrio estimar um dos parmetros ou , j que o outro pode ser calculado atravs
da Equao (4.27a). Assim, o parmetro estimado foi e o seu intervalo de busca foi de
2
,
0, 2
O in
C (

. Aqui os parmetros e foram considerados independentes da
temperatura, diferente do trabalho de LARENTIS et al. (2001) onde estes parmetros
foram considerados como funes da temperatura.
Com a simplificao, as equaes do modelo foram reduzidas s equaes a
seguir:

4 2 2
4 4
1 1
1
1
CH H O r H CO
CH CH
k C C k C C
r
K C

=
+
(4.28a)
129

4 2 2
4 4
2 2
2
1
CH CO r H CO
CH CH
k C C k C C
r
K C

=
+
(4.28b)

2 2 2
4 4
5 5
5
1
CO H O r H CO
CH CH
k C C k C C
r
K C

=
+
(4.28e)
sendo apenas excludas as equaes de taxa relacionadas s reaes de oxidao parcial
e total.
Desta forma, o nmero de parmetros a serem estimados foi reduzido a 14,
sendo 12 parmetros das constantes cinticas, 2 parmetros de adsoro do metano e 1
parmetro relacionado s reaes de oxidao.
O valor mnimo encontrado foi igual a 5664,83, indicando que considerar
instantneas as reaes de oxidao prejudicou a qualidade do ajuste. Na Tabela 43 so
apresentados os parmetros estimados, os limites inferior e superior de confiana e o
valor das constantes na temperatura de referncia.
Tabela 43: Resultados da estimao dos parmetros do modelo considerando somente a
adsoro do metano e considerando instantneas as reaes de oxidao.
Parmetro Limite inferior Valor estimado Limite superior k
i
(em 1222 K)
A
1
2,06 2,42 6,76
B
1
5,54 13,03 13,57
4,06.10
+04

A
1r
9,20 9,90 13,41
B
1r
0,00 0,00 5,68
5,03.10
-05

A
2
5,65 11,43 50,00
B
2
0,00 49,87 50,00
4,98.10
+16

A
2r
7,76 8,51 19,58
B
2r
0,00 15,28 34,32
8,77.10
+02

A
5
4,57 5,08 9,53
B
5
0,00 4,79 6,93
7,52.10
-01

A
5r
3,78 4,11 8,85
B
5r
0,14 8,08 9,53
5,31.10
+01

A
CH4
-6,43 -6,23 -1,51
B
CH4
-0,70 7,58 8,06
9,96.10
+05

0,00 0,00 0,00 ---

O parmetro , correspondente reao de oxidao parcial, teve seu valor
estimado igual a 0 e, mesmo os limites inferior e superior de confiana tambm iguais a
0, mostrando que todo o oxignio consumido na reao de oxidao total, de acordo
com o resultado obtido por LARENTIS et al. (2001).
Na Figura 39 os valores das concentraes preditas pelo modelo so comparados
aos valores experimentais, considerando os resultados obtidos com o modelo
130
representado pelas Equaes (4.26), onde somente a adsoro do metano foi
considerada e no foram feitas simplificaes com relao s reaes de oxidao,
sendo este o melhor resultado obtido.
Como pode ser observado na Figura 39, a concordncia entre os valores preditos
e experimentais de boa qualidade. Entretanto, apesar do modelo ter uma relao com
os modelos de Langmuir-Hinshelwood, este modelo no pode ser considerado um
modelo fenomenolgico, j que as reaes, a despeito da adsoro do metano, so
reaes de primeira ordem em relao a cada componente, sendo definidas assim
unicamente para simplificar o modelo e diminuir o nmero de parmetros a serem
estimados.
Contudo, neste trabalho foi mostrado que os algoritmos heursticos, em
particular o Enxame de Partculas, so capazes de estimar parmetros, mesmo em
problemas com muitos parmetros. Desta forma, a obteno de modelos baseados no
mecanismo das reaes que ocorrem na superfcie do catalisador, mesmo resultando em
modelos com muitos parmetros, no deve apresentar dificuldades adicionais, j que o
prprio mtodo de otimizao, no caso o Enxame de Partculas, ajuda na determinao
de parmetros pouco significativos, indicando onde modificaes podem ser realizadas.
Neste exemplo, ficou claro que a adsoro dos componentes era desnecessria,
com exceo da adsoro do metano, tanto que o modelo que s considerou a adsoro
do metano alcanou-se um resultado similar ao modelo com as adsores de todos os
componentes, mesmo com 8 parmetros a menos.
Por outro lado, os resultados no indicavam que as reaes de oxidao
poderiam ser simplificadas, j que os parmetros ligados a estas reaes sempre
apresentaram intervalos de confiana pequenos. Assim, aps fazer a hiptese de que
estas reaes poderiam ser consideradas instantneas, a qualidade do ajuste do modelo
foi prejudicada, como j poderia ter sido esperado.
Enfim, este exemplo mostra que, alm de possibilitar a estimao de parmetros
em problemas de grande dimenso, os algoritmos heursticos, em particular o Enxame
de Partculas, permitem uma avaliao do modelo e indicam possveis simplificaes,
ajudando no desenvolvimento dos modelos.
131

Figura 39: Comparao dos valores preditos e observados das concentraes de cada
componente. (a) metano; (b) monxido de carbono; (c) hidrognio; (d) dixido de
carbono; (e) gua; (f) nitrognio.
(a)
(c)
(d)
(e) (f)
(b)
132
CAPTULO 5: CONCLUSES E SUGESTES
Neste trabalho foi avaliada a utilizao de algoritmos heursticos de otimizao
em problemas de estimao de parmetros. Foram considerados quatro algoritmos
heursticos: Monte Carlo, Algoritmo Gentico, Recozimento Simulado e Enxame de
Partculas. Inicialmente foram avaliados os efeitos dos parmetros de busca de cada
mtodo na minimizao de funes teste e na construo da regio de confiana dos
parmetros de um modelo. Em seguida, o mtodo do Enxame de Partculas foi aplicado
na determinao de regies de confiana de parmetros de modelos no-lineares. O
mtodo do Enxame de Partculas tambm foi aplicado para a estimao de parmetros
de dois problemas cinticos: um da reao de polimerizao de etileno e outro da reao
de produo de gs de sntese.
Na minimizao das funes teste, o mtodo de Monte Carlo obteve uma alta
taxa de sucessos, mas somente nas buscas com reduo na regio de busca. Apesar dos
bons resultados, a reduo da regio de busca pode trazer certos inconvenientes, como
excluir o ponto timo da regio de busca e concentrar os pontos avaliados em uma
regio muito prxima ao mnimo, prejudicando a representao da regio de confiana
dos parmetros.
O mtodo do Algoritmo Gentico alcanou um bom nmero de sucessos.
Entretanto, a definio dos parmetros parece depender muito da forma da funo
objetivo, como foi observado para as funes de Rosenbrock e funo de Levy. Apesar
do nmero de iteraes necessrias ser maior que no mtodo de Monte Carlo, o
Algoritmo Gentico no apresenta os inconvenientes da utilizao da reduo da regio
de busca.
O mtodo do Recozimento Simulado apresentou dificuldades na minimizao
das funes teste, devido provavelmente ao clculo da temperatura inicial, o qual feito
com um certo grau de aleatoriedade e, dependendo dos valores calculados, pode
prejudicar muito a minimizao por este mtodo. Por outro lado, as regies de confiana
obtidas, apesar de dependerem da escolha adequada dos parmetros de busca,
apresentaram uma boa qualidade.
O mtodo do Enxame de Partculas obteve os melhores resultados nas
minimizaes das funes teste. Entretanto, a definio adequada dos parmetros de
busca fundamental para garantir o sucesso da minimizao. Tambm foi observada
133
uma forte correlao entre os valores de c
1
e c
2
e o valor de w, aparentemente
independente do problema que se est resolvendo. Com relao s regies de confiana
dos parmetros, as regies obtidas com o mtodo do Enxame de Partculas apresentaram
uma boa distribuio dos pontos, possibilitando uma boa descrio da regio de
confiana. Outra vantagem do mtodo do Enxame de Partculas o controle da
explorao da regio de busca atravs da definio do parmetro w, que pode ser um
valor fixo ou um valor decrescente para promover uma busca com carter global nas
primeiras iteraes e forar a convergncia ao final da busca.
Na obteno das regies de confiana dos modelos no-lineares foi possvel
mostrar casos onde a aproximao elptica no representa a verdadeira regio de busca e
reforar a necessidade da utilizao dos mtodos heursticos de otimizao, permitindo
uma anlise estatstica rigorosa dos parmetros estimados. Alm disso, a determinao
da regio de confiana a partir dos pontos avaliados pelo mtodo do Enxame (ou por
outro mtodo heurstico) no representa custo computacional adicional e transforma
uma desvantagem do mtodo em uma importante vantagem sobre os mtodos
tradicionais de estimao.
Na estimao dos parmetros cinticos da reao de polimerizao de etileno
foram obtidas regies de confiana dos parmetros, cuja forma em nada se assemelha
com elipses. Alm disso, este problema de estimao apresenta uma alta correlao
entre os parmetros, parmetros pouco significativos e a surpreendente existncia de
dois mnimos globais (no caso de trs transformaes no catalisador), e mesmo assim, o
mtodo do Enxame de Partculas foi capaz de obter a soluo e de descrever com boa
qualidade as regies de confiana dos parmetros.
Na estimao dos parmetros cinticos da reao de produo de gs de sntese,
os algoritmos heursticos foram comparados novamente, com um modelo contendo 20
parmetros cinticos. Mais uma vez, o mtodo do Enxame de Partculas obteve os
melhores resultados. Entretanto, o mtodo do Recozimento Simulado obteve resultados
superiores aos obtidos pelo Algoritmo Gentico e pelo Monte Carlo, o que no foi
observado na minimizao das funes teste. Este melhor desempenho do mtodo do
Recozimento Simulado ocorreu devido uma definio adequada da temperatura inicial
e final da busca, sendo o valor da taxa de reduo de temperatura calculado de forma
a satisfazer os valores definidos para a temperatura inicial e final e para o nmero de
temperaturas utilizadas. Pode ser observado que o clculo da temperatura inicial estava
levando a valore muito diferentes em cada inicializao da minimizao, devido ao alto
134
carter aleatrio do procedimento de clculo da temperatura inicial. Assim, a definio
adequada destes valores permitiu um melhor desempenho do mtodo do Recozimento
Simulado.
Mas como o mtodo do Enxame de Partculas ainda obteve os melhores
resultados, este foi usado em novas estimaes, onde foram consideradas as adsores
dos componentes, com exceo do oxignio, totalizando 30 parmetros. Os resultados
obtidos permitem, atravs da anlise dos intervalos de confiana de cada parmetro,
identificar as reaes que tm maior importncia no sistema e permite a realizao de
simplificaes no modelo de forma prtica e segura.
Desta forma, foi possvel mostra as vantagens da utilizao dos mtodos
heursticos de otimizao, em particular do mtodo do Enxame de Partculas, na
resoluo de problemas de estimao de parmetros, garantindo uma busca de carter
global, sem necessidade de estimativas iniciais e do clculo de derivadas e permitindo
uma anlise estatstica rigorosa dos parmetros estimados, atravs da construo de uma
regio de confiana sem a necessidade de aproximaes elpticas da regio de
confiana.
Uma sugesto para os usurios destes mtodos a necessidade da realizao de
diversas minimizaes para garantir que o menor valor encontrado realmente o
mnimo, j que estes mtodos tm um alto carter aleatrio e, assim, a soluo
encontrada pode nem sempre ser o ponto timo. Com a realizao de diversas buscas,
alterando os parmetros de busca para alterar o carter exploratrio da busca, possvel
garantir a definio do ponto timo.
Algumas sugestes para trabalhos futuros so:
a) a necessidade de um nmero maior de avaliaes de cada um dos mtodos, de
forma a identificar de forma precisa o efeito dos parmetros de busca nos
resultados obtidos por cada um dos mtodos heursticos;
b) procurar formas automticas para a definio apropriada dos parmetros de
busca, sem a necessidade do usurio do mtodo precisar definir estes parmetros
de busca, j que para a definio apropriada destes valores preciso um bom
conhecimento do mtodo que se est usando;
c) utilizar minimizaes paralelas, com ou sem troca de informao, onde cada
busca pode ter uma caracterstica diferente, explorando mais a regio de busca
ou convergindo mais rapidamente, evitando a necessidade da realizao de
diversas buscas individuais;
135
d) utilizar tcnicas de programao paralela para aumentar a velocidade dos
clculos realizados e diminuir o tempo necessrio para a estimao de
parmetros com os mtodos heursticos, sem sombra de dvida a maior
dificuldade para a utilizao rotineira destas tcnicas;
e) construo de algoritmos hbridos, onde a busca inicia com um mtodo
heurstico e na medida que se aproxima da soluo, um mtodo do tipo de
Newton utilizado para acelerar a convergncia e garantir que o ponto
encontrado um mnimo;
Por fim, a utilizao dos mtodos heursticos na otimizao e, em particular, na
estimao de parmetros tem se apresentado como uma excelente alternativa, pois alm
dos resultados promissores obtidos por estes algoritmos, so mtodos extremamente
simples e fceis de serem implementados. So mtodos robustos e conseguem obter
boas solues mesmo em problemas de difcil soluo. Assim, a utilizao destes
mtodos deve ser considerada como uma alternativa vivel e eficiente, pois apesar do
custo computacional para a avaliao de um grande nmero de pontos, estes podem ser
usados tanto na definio da regio de confiana dos parmetros, quanto para a anlise
de sensitividade em problemas de otimizao, aumentando assim a qualidade dos
resultados obtidos.
136
REFERNCIAS
AHON, V.R., TAVARES, F.W., CASTIER, M., 2000, A Comparison of Simulated
Annealing Algorithms in the Scheduling of Multiproduct Serial Batch Plants,
Brazilian Journal of Chemical Engineering, v. 17, pp. 199-209.
ANDERSON, T.F., ABRAMS. D.S., GRENS II, E.A., 1978, Evaluation of Parameters
for Nonlinear Thermodynamic Models, AIChE Journal, v. 24, pp. 20-29.
BALLAND, L., ESTEL, L., COSMAO, J.M., MOUHAB, N., 2000, A Genetic
Algorithm with Decimal Coding for the Estimation of Kinetic and Energetic
Parameters, Chemometrics and Intelligent Laboratory Systems, v. 50, pp. 121-
135.
BARD, Y., 1970, Comparison of Gradient Methods for the Solution of Nonlinear
Parameter Estimation Problems, SIAM Journal on Numerical Analysis, v. 7, pp.
157-186.
BARD, Y., 1974, Nonlinear Parameter Estimation. New York, Academic Press.
BATES, D.M., WATTS, D.G., 1981, Parameter Transformations for Improved
Approximate Confidence Regions in Nonlinear Least Squares, Annals of
Statistics, v. 9, pp. 1152-1167.
BATES, D.M., WATTS, D.G., 1988, Nonlinear Regression Analysis and Its
Applications. New York, John Wiley & Sons.
BECK, J.V., ARNOLD, K.J., 1977, Parameter Estimation in Engineering and Science.
New York, John Wiley & Sons.
BISCAIA JR., E.C., SCHWAAB, M., PINTO, J.C., 2004, Um Novo Enfoque do
Mtodo do Enxame de Partculas. Em: Nanobio: Workshop em Nanotecnologia e
Computao Inspirada em Biologia, Rio de Janeiro, RJ, Brasil, 23-24 Maro.
BOX, G.E.P., DRAPER, N.R., 1965, The Bayesian Estimation of Common Parameters
from Several Responses, Biometrika, v. 52, pp. 355-365.
BRITT, H.I., LUECKE, R.H., 1973, The Estimation of Parameters in Nonlinear,
Implicit Models, Technometrics, v. 15, pp. 233-247.
BROOKS, S.H., 1958, A Discussion of Random Methods for Seeking Maxima,
Operations Research, v. 6, pp. 244-251.
137
CLERC, M., 1999, The Swarm and the Queen: Towards a Deterministic and Adaptive
Particle Swarm Optimization. In: Proc. International Conference on
Evolutionary Computation, Washington, USA, pp. 1951-1957.
CLERC, M., KENNEDY, J., 2002, The Particle Swarm - Explosion, Stability, and
Convergence in a Multidimensional Complex Space, IEEE Transactions on
Evolutionary Computation, v. 6, pp. 58-73.
COSTA, A.L.H., SILVA, F.P.T., PESSOA, F.L.P., 2000, Parameter Estimation of
Thermodynamic Models for High-Pressure Systems Employing a Stochastic
Method of Global Optimization, Brazilian Journal of Chemical Engineering, v.
17, pp. 349-353.
COSTA, E.F., LAGE, P.L. C., BISCAIA JR., E.C., 2003, On the Numerical Solution
and Optimization of Styrene Polymerization in Tubular Reactors, Computers and
Chemical Engineering, v. 27, pp. 1591-1604.
CROSSETTI, G.L., DIAS, M.L., QUEIROZ, B.T., SILVA, L.P., ZIGLIO, C.M.,
BOMFIM, J.A.S., FILGUEIRAS, C.A.L., 2004, Ethylene Polymerization with
Imine and Phosphine Nickel Complexes Containing Isothiocyanate, Applied
Organometallic Chemistry, v. 18, pp. 331-336.
DAS, H., CUMMINGS, P.T., LEVAN, M.D., 1990, Scheduling of Serial Multiproduct
Batch Processes via Simulated Annealing, Computers and Chemical
Engineering, v. 14, pp. 1351-1362.
DIXON, L.C.W., SZEGO, G.P., 1975, Towards Global Optimization, Amsterdam,
North-Holland Publishing Company.
DONALDSON, J.R., SCHNABEL, R.B., 1987, Computational Experience with
Confidence Regions and Confidence Intervals for Nonlinear Least Squares,
Technometrics, v.29, pp. 67-82.
DOVI, V.G., REVERBERI, A.P., MAGA, L., 1993, Optimal Design of Sequential
Experiments for Error-in-Variables Models, Computers and Chemical
Engineering, v. 17, pp. 111-115.
DRAPER, N.R., SMITH, H., 1988, Applied Regression Analysis, 3
a
ed. New York, John
Wiley & Sons.
EBERHART, R., KENNEDY, J., 1995, A New Optimizer Using Particle Swarm
Theory. In: Proc. Sixth Symposium on Micro Machine and Human Science,
Nagoya, Japan, pp. 39-43.
138
EBERHART, R., SHI, Y., 2000, Comparing Inertia Weights and Constrictions Factors
in Particle Swarm Optimization. In: Proc. Congress on Evolutionary
Computation, San Diego, USA, pp. 84-88.
EFTAXIAS, A., FONT., J., FORTUNY, A., FABREGAT, A., STBER, F., 2002,
Nonlinear Kinetic Parameter Estimation Using Simulated Annealing,
Computers and Chemical Engineering, v. 26, pp. 1725-1733.
FLETCHER, R e POWELL, M.J.F., 1963 A Rapidly Convergent Descent Method for
Minimization, Computer Journal, v. 6, pp. 163-168.
FROMENT, G.F., MEZAKI, R., 1970, Sequential Discrimination and Estimation
Procedures for Rate Modeling in Heterogeneous Catalysis, Chemical
Engineering Science, v. 25, pp. 293-301.
GALLANT, A.R., 1987, Nonlinear Statistical Models. New York, John Wiley & Sons.
GOLDBERG, D.E., 1989, Genetic algorithms in search, optimization and machine
learning. 1 ed. Boston, Addison Wesley Longman, Inc.
HALPERIN, M., 1963, Confidence Interval Estimation in Non-Linear Regression,
Journal of the Royal Statistical Society B, v. 25, pp. 330-333.
HARTLEY, H.O., 1964, Exact Confidence Regions for the Parameters in Non-Linear
Regression laws, Biometrika, v. 51, pp. 347-353.
HIBBERT, D.B., 1993a, Genetic Algorithms in Chemistry, Chemometrics and
Intelligent Laboratory Systems, v. 19, pp. 277-293.
HIBBERT, D.B., 1993b, A Hybrid Genetic Algorithm for the Estimation of Kinetic
Parameters, Chemometrics and Intelligent Laboratory Systems, v. 19, pp. 319-
329.
HIMMELBLAU, D.M., 1970, Process Analysis by Statistical Methods. New York, John
Wiley & Sons.
HIMMELBLAU, D.M., 1972, Applied Nonlinear Programming. New York, McGraw-
Hill.
HOOKE, R., JEEVES, T.A., 1961, Direct Search Solution of Numerical and Statistical
Problems, Journal of ACM., v. 8, pp. 212-229.
KENNEDY, J., EBERHART, R., 1995, Particle Swarm Optimization. In: Proc. IEEE
International Conference on Neural Networks, Perth, Australia, pp. 1942-1948.
KIM, I.W., EDGAR, T.F., BELL, N.H., 1991b, Parameter Estimation for a Laboratory
Water-Gas-Shift Reactor using a Nonlinear Error-in-Variables Method,
Computers and Chemical Engineering, v. 15, pp. 361-367.
139
KIM, I.W., LIEBMAN, M.J., EDGAR, T.F., 1991a, A Sequential Error-in-Variables
Method for Nonlinear Dynamic Systems, Computers and Chemical Engineering,
v. 15, pp. 663-670.
KIRKPATRICK, S., GELLAT JR., C.D., VECCHI, M.P., 1983, Optimization by
Simulated Annealing, Science, v. 220, pp. 671-680.
KITTRELL, J.R., 1970, Mathematical modeling of chemical reactions, Advances in
Chemical Engineering, v. 8, pp. 97-183.
KLEPPER, O., HENDRIX, E.M.T., 1994a, A Comparison of Algorithms for Global
Characterization of Confidence Regions for Nonlinear Models, Environmental
Toxicology and. Chemistry, v. 13, pp. 1887-1899.
KLEPPER, O., HENDRIX, E.M.T., 1994b, A Method for Robust calibration of
Ecological Models under Different Types of Uncertainty, Ecological Modelling,
v. 74, pp. 161-182.
KLEPPER, O., BEDAUX, J.J.M., 1997a, A Robust Method for Nonlinear Parameter
Estimation Illustrated on a Toxicological Model, Nonlinear Analysis, v. 30, pp.
1677-1686.
KLEPPER, O., BEDAUX, J.J.M., 1997b, Nonlinear Parameter Estimation for
Toxicological Threshold Models, Ecological Modelling, v. 102, pp. 315-324.
KOSTINA, E., 2004, Robust Parameter Estimation in Dynamic Systems,
Optimization and Engineering, v. 5, pp. 461-484.
KRIVY, I., TVRDIK, J., 1995, The Controlled Random Search Algorithm in
Optimizing Regression Models, Computational Statistics and Data Analysis, v.
20, pp. 229-234.
KVASNICKA, V., POSPCHAL, J., 1997, A Hybrid of Simplex Method and
Simulated Annealing, Chemometrics and Intelligent Laboratory Systems, v. 39,
pp. 161-173.
LARENTIS, A.L., 2000, Modelagem do Processo Combinado de Reforma com Dixido
de Carbono e Oxidao Parcial de Metano. Dissertao de M.Sc., PEQ/COPPE,
Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ, Brasil.
LARENTIS, A.L., RESENDE, N.S., SALIM, V.M.M., PINTO, J.C., 2001, Modeling
and Optimization of the Combined Carbon Dioxide Reforming and Partial
Oxidation of Natural Gas, Applied Catalysis A, v. 215, pp. 211-224.
140
LARENTIS, A.L., BENTES JR., A.M.P., RESENDE, N.S., SALIM, V.M.M., PINTO,
J.C., 2003, Analysis of Experimental Errors in Catalytic Tests for Production of
Synthesis Gas, Applied Catalysis A, v. 242, pp. 365-379.
LAW, V.J., BAILEY, R.V., 1963, A Method for the Determination of Approximate
Systems Transfer Functions, Chemical Engineering Science, v. 18, pp. 189-202.
LEVENBERG, K., 1944, A method for the solution of certain non-linear problems in
least squares, Quarterly of Applied Mathematics, v. 2, pp. 164-168.
MARQUARDT, D.W., 1963, An Algorithm for Least-Squares Estimation of
Nonlinear Parameters, SIAM Journal, v. 11, pp. 431-441.
MARSEGUERRA, M., ZIO, E., PODOFILLINI, L., 2003, Model Parameters
Estimation and Sensitivity by Genetic Algorithms, Annals of Nuclear Energy, v.
30, pp. 1437-1456.
MARSILI-LIBELLI, S., GUERRIZIO, S., CHECCHI, N., 2003, Confidence Regions
of Estimated Parameters for Ecological Systems, Ecological Modelling, v. 165,
pp. 127-146.
MEZAKI, R., DRAPER, N.R., JOHNSON, R.A., 1973, On the Violations of
Assumptions in Nonlinear Least Squares by Interchange of Response and
Predictor Variables, Industrial and Engineering Chemistry Fundamentals, v. 12,
pp. 251-254.
MOROS, R., KALIES, H., REX, H.G., SCHAFFARCZYK, S., 1996, A Genetic
Algorithm for Generating Initial Parameter Estimations for Kinetic Models of
Catalytic Processes, Computers and Chemical Engineering, v. 20, pp. 1257-
1270.
NELDER, J.A., MEAD, R., 1965, A Simplex Method for Function Minimization,
Computer Journal, v. 7, pp. 308-313.
NORONHA, F.B., PINTO, J.C., MONTEIRO, J.L., LOBO, M.W., SANTOS, T.J.,
1993, Um Pacote Computacional para Estimao de Parmetros e Projeto de
Experimentos, Relatrio Tcnico PEQ/COPPE, Universidade Federal do Rio de
Janeiro, Rio de Janeiro, RJ, Brasil.
OURIQUE, C.O., BISCAIA JR., E.C., PINTO, J.C., 2002. The Use of Particle Swarm
Optimization for Dynamical Analysis in Chemical Processes, Computers and
Chemical Engineering, v. 26, pp. 1783-1793.
141
PARK, T.Y., FROMENT, G.F., 1998, A Hybrid Genetic Algorithm for the Estimation
of Parameters in Detailed Kinetic Models, Computers and Chemical
Engineering, v. 22, pp. S103-S110.
PARSOPOULOS, K.E., LASKARI, E.C., VRAHATIS, M.N., 2001, Solving L1 Norm
Errors-In-Variables Problems Using Particle Swarm Optimization, In: Artificial
Intelligence and Applications, Anahein, USA, pp. 185-190.
PARSOPOULOS, K.E., VRAHATIS, M.N., 2002a, Recent Approaches to Global
Optimization Problems through Particle Swarm Optimization, Natural
Computing, v. 1, pp. 235-306.
PARSOPOULOS, K.E., VRAHATIS, M.N., 2002b, Initializing the Particle Swarm
Optimizer Using the Nonlinear Simplex Method, In: Advances in Intelligent
Systems, Fuzzy Systems, Evolutionary Computation, pp. 216-221, WSEAS Press.
PATEL, N.R., SMITH, R.L., ZABINSKY, Z.B., 1988, Pure Adaptive Search in Monte
Carlo Optimization, Mathematical Programming, v. 43, pp. 317-328.
PETZOLD, L.R., 1989, Dassl Code (Differential Algebraic System Solver), Computing
and Mathematics Research Division, Lawrence Livermore National Laboratory,
Livermore.
POWELL, M.J.D., 1964, An Efficient Method for Finding the Minimum of a Function
of Several Variables without Calculating Derivatives, Computer Journal, v. 7,
pp. 155-162.
POWELL, M.J.D., 1965, A Method for Minimizing a Sum of Squares of Non-Linear
Functions without Calculating Derivatives, Computer Journal, v. 7, pp. 303-307.
PRATA, D.M., 2005, Reconciliao de Dados em um Reator de Polimerizao,
Dissertao de M.Sc., PEQ/COPPE, Universidade Federal do Rio de Janeiro, Rio
de Janeiro, RJ, Brasil
PRICE, W.L., 1976, A Controlled Random Search Procedure for Global
Optimization, Computer Journal, v. 20, pp. 367-370.
RATKOWSKY, A.D., 1990, Handbook of Nonlinear Regression Models. New York,
Marcel Dekker.
RICKER, N.L., 1984, Comparison of Methods for Nonlinear Parameter Estimation,
Industrial and Engineering Chemistry Process Design and Development, v. 23,
pp. 283-286
ROSENBROCK, H.H., 1960, An Automatic Method for Finding the Greatest or Least
Value of a Function, Computer Journal, v. 3, pp. 175-184.
142
SANTOS, T.J., PINTO, J.C., 1998, Taking Variable Correlation into Consideration
During Parameter Estimation, Brazilian Journal of Chemical Engineering, v. 15,
pp. 1-20.
SEAL, H.L., 1967, Studies in the History of Probability and Statistics. XV: The
Historical Development of the Gauss Linear Model, Biometrika, v. 54, pp. 1-24.
SHI, Y., EBERHART, R., 1998a, A Modified Particle Swarm Optimizer. In: Proc.
Conference on Evolutionary Computation, Anchorage, Alaska, pp. 69-73.
SHI, Y., EBERHART, R., 1998b, Parameter Selection in Particle Swarm
Optimization. In: Proc. Annual Conference on Evolutionary Programming, New
York, EUA, pp. 591-600.
SHI, Y., EBERHART, R., 1999, Empirical Study of Particle Swarm Optimization. In:
Proc. Congress on Evolutionary Computation, pp. 1945-1950.
SILVA, L.P., 2003, Sntese e caracterizao de poliolefinas obtidas com complexos
diimnicos de nquel contendo pseudo-haletos. Dissertao de M.Sc., IMA,
Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ, Brasil.
SULIEMAN, H., MCLELLAN, P.J., BACON, D.W., 2001, A Profile-Base Approach
to Parametric Sensitivity Analysis of Nonlinear Regression Models,
Technometrics, v. 43, pp. 425-433.
SULIEMAN, H., MCLELLAN, P.J., BACON, D.W., 2001, A Profile-Base Approach
to Parametric Sensitivity in Multiresponse Regression Models, Computational
Statistics & Data Analysis, v. 45, pp. 721-740.
TRELEA, I. C., 2003, The Particle Swarm Optimization Algorithm: Convergence
Analysis and Parameter Selection, Information Processing Letters, v. 85, pp.
317-325.
TSALLIS, C., STARIOLO, D.A., 1996, Generalized Simulated Annealing, Physica
A, v. 233, pp. 395-406.
VANROLLEGHEM, P.A., KEESMAN, K.J., 1996, Identification of Biodegradation
Models Under Model and Data Uncertainty, Water Science and Technology, v.
33, pp. 91-105.
WILLIAMS, E.J., 1962, Exact Fiducial Limits in Non-Linear Estimation, Journal of
the Royal Statistical Society B, v. 24, pp. 125-139.
ZABINSKY, Z.B., SMITH, R.L., 1992, Pure Adaptive Search in Global
Optimization, Mathematical Programming, v. 53, pp. 323-338.
143
APNDICE
Considerando o conjunto de transformaes sucessivas descritas abaixo:

0
1
1
0 1
1 2
1
1
n
m
k
k
k
n n
k
m m
C C
C C
C C
C C

(A.01)
onde C
n
corresponde a concentrao presente da n-sima forma do catalisador, k
n
a
constante de velocidade especfica de transformao da forma n na forma posterior n+1
e m o nmero de transformaes que ocorrem e tambm corresponde ao nmero de
espcies ativas, possvel escrever o seguinte conjunto de equaes de balano:
( )
0
0 0 0
0 ; 0 1
dC
k C C
dt
+ = = (A.02)
( )
1
1 1 0 0 1
; 0 0
dC
k C k C C
dt
+ = = (A.03)

( )
1 1
; 0 0
n
n n n n n
dC
k C k C C
dt

+ = = (A.04)

( )
1 1
; 0 0
m
m m m
dC
k C C
dt

= = (A.05)
As solues das Equaes (A.02) e (A.03) so respectivamente:
( )
0
0
k t
C t e

= (A.06)
( ) ( )
0 1 0
1
1 0
k t k t
k
C t e e
k k

=

(A.07)
A soluo da Equao (A.04) pode ser obtida observando-se que esta uma
equao diferencial ordinria, linear, no homognea e com coeficientes constantes.
Neste caso, a soluo pode ser colocada na forma:
144
( )
*
n
k t
n n n
C t C e Sp

= + (A.08)
onde E
n
uma constante de integrao e Sp
n
uma soluo particular, obtida a partir da
soluo de C
n-1
(t). Observe que a soluo C
n
(t) tem necessariamente a forma de uma
soma de exponenciais, em funo da natureza recursiva do conjunto de equaes e em
funo da forma das Equaes (A.06) e (A.07). Assim, supondo que a soluo C
n
(t)
possa ser escrita na forma:
( )
0
i
n
k t n
n i n
i
C t A e b

=
= +

(A.09)
de modo que:

( )
0
i
n
n k t n
i i
i
dC t
A k e
dt

=
=

(A.10)
Substituindo as Equaes (A.09) e (A.10) na Equao (A.04) obtm-se:

1
1
1
1 1 1
0 0 0
i i i
n n n
k t k t k t n n n
i i n i n n n i n n
i i i
A k e k A e k b k A e k b

= = =
+ + = +

(A.11)
e agrupando os dois primeiros termos da equao acima tem-se:
( )
1
1
1
1 1 1
0 0
i i
n n
k t k t n n
i n i n n i n n n
i i
A k k e k b A k e k b

= =
+ = +

(A.12)
Para que a Equao (A.12) seja satisfeita, as seguintes igualdades devem ser
observadas:

1 1 n n n n
k b k b

= (A.13)
( )
1
1
n n
i n i i n
A k k A k

= (A.14)
A Equao (A.14) pode ser escrita na seguinte forma recursiva:

( )
1 1 n n n
i i
n i
k
A A
k k

=

(A.15)
para i = 0 ... n-1. As solues para C
0
(t) e C
1
(t) (Equaes (A.06) e (A.07)) indicam que
b
0
e b
1
so iguais a 0 e assim, de acordo com a Equao (A.13), todos os b
i
s so nulos.
A Equao (A.06) ainda mostra que
0
0
A = 1.
145
Alm disso, a condio inicial da Equao (A.04) C
n
(0) = 0 e substituindo na
Equao (A.09), lembrando que b
n
=0, obtm-se:

0
0
n
n
i
i
A
=
=

(A.16)
ou ainda

1
0
n
n n
n i
i
A A

=
=

(A.17)
Deste modo, a concentrao de uma forma n qualquer ao longo do tempo pode
ser obtida pela seguinte equao:
( )
0
i
n
k t n
n i
i
C t A e

=
=

(A.18)
sendo os coeficientes calculados atravs das seguintes equaes:

( )
0
0
1 1
1
0
1
; 0.. -1 ; 0
n n n
i i
n i
n
n n
n i
i
A
k
A A i n n
k k
A A

=
=
= = >

(A.19)
Finalmente, a soluo da Equao (A.05) pode ser obtida pela substituio da
soluo de C
m-1
(t) e posterior por integrao, como segue:

1
1
1
0
i
m
k t m m
m i
i
dC
k A e
dt

=
=

(A.20)

1
1
1
0 0
0
m
i
m
C t
k m
m i m
i
d A k e d

=
=


(A.21)
( )
1 1
1 1 1 1
0 0
i
m m
k t m m m m
m i i
i i i i
k k
C t A e A
k k


= =
=


(A.22)
A Equao (A.22) pode ser reescrita com a insero da constante cintica de
transformao k
m
, lembrando que esta constante igual a 0, j que a m-sima forma no
sofre transformaes.
( )
1 1
1 1 1 1
0 0
i
m m
k t m m m m
m i i
i i m i m i
k k
C t A e A
k k k k


= =
=


(A.23)
146
O segundo termo do lado direito da Equao (A.23) , de acordo com as
Equaes (A.15) e (A.17), igual a
m
m
A . Utilizando ainda a Equao (A.15) o primeiro
temor do lado direito tambm pode ser simplificado e, assim, a Equao (A.23) pode ser
reescrita com a seguinte forma:
( )
1
1
0
i
m
k t m m
m i i
i
C t A e A

=
= +

(A.24)
ou ainda:
( )
0
i
m
k t m
m i
i
C t A e

=
=

(A.25)
que uma equao com a mesma forma da soluo genrica para uma forma
intermediria n qualquer. Assim, a concentrao de qualquer forma do catalisador pode
ser representada pela Equao (A.18), sempre lembrando que para a ltima forma o
valor de k
m
nulo.
Sendo a taxa de polimerizao catalisada por uma forma n qualquer do
catalisador proporcional concentrao desta forma, a taxa global de polimerizao
pode ser definida como:
( ) ( )
0 0 0
i
m m n
k t n
n n n i
n n i
Rp t Kp C t Kp A e

= = =
= =

(A.26)
onde Kp
n
a constante da taxa de polimerizao associada a n-sima forma do
catalisador. A Equao (A.26) ainda pode ser reescrita em uma forma mais concisa,
como segue:
( )
0
i
m m
k t n
n i
i n i
R t Kp A e

= =
l
l
=
l
l

(A.27)
Desta forma a taxa global de polimerizao descrita pela Equao (A.27),
sendo os coeficientes calculados pelas Equaes (A.19) e lembrando que k
m
= 0. Alm
disso, o valor de Kp
0
tambm deve ser nulo, j que o catalisador em sua forma inicial
no ativo. Assim, o nmero de parmetros que devem ser estimados igual a 2m,
sendo m constantes cinticas de transformao de espcie do catalisador (k
0
, k
1
, ..., k
m-1
)
e m constantes cinticas de polimerizao (Kp
1
, Kp
2
, ..., Kp
m
).
Considerando um caso muito particular em que k
0
= k
1
= ... = k
n
= ... = k
m-1
= k, a
Equao (A.04) tem soluo genrica:
147
( )
* kt
n n n
C t C e Sp

= + (A.28)
onde C
n
*
uma constante de integrao e Sp
n
uma soluo particular. Como a
constante de transformao k a mesma para todas as espcies, a soluo particular tem
a forma

0
n
i kt
n i
i
Sp At e

=
=

(A.29)
gerando a seguinte soluo genrica:
( )
( )
0
n
n i kt
n i
i
C t A t e

=
=

(A.30)
Substituindo a equao (A.30) na equao (A.04) temos:

( ) ( )
( )
( ) ( )
1
1 1 1
0 0 0 0
n n n n
n n n n i kt i kt i kt i kt
i i i i
i i i i
A it e A t e k kA t e kA t e

= = = =
+ + =

(A.31)
Agrupando os termos de igual potncia de t temos:

( )
( )
( ) ( ) ( ) ( ) ( )
( )
1
1
1
0
1 0
n
n n n n n n i kt n kt
i i i i n n
i
A i kA kA kA t e kA kA t e

+
=
(
+ + + + =

(A.32)
de onde possvel obter:

( ) ( ) 1
1
1
n n
i i
k
A A
i

+
=
+
(A.33)
Da condio inicial
( )
( ) ( ) 0
0
0
0 0 0 0
n
n n i k
n i
i
C A e A

=
= = =

(A.34)
Sabendo que
( ) 0
0
1 A = (Equao (A.06)), conclui-se que

( ) ( )
( ) ( ) ( )
( ) ( )
1 1
0 1
2
2 2 1
0 1 1
0
0,
0, 0,
2
0, ,
!
n
n n
n
A A k
k
A A A
k
A i n A
n
= =
= = =
= =
(A.35)
de maneira que
148
( ) , 1 1
!
n
n kt
n
k
C t t e n m
n

= (A.36)
que a soluo de Poisson.
Para n = m, a Equao (A.05) leva a

( )
( )
1
; 0 0
-1 !
m
m kt m
m
dC k
t e C
dt m

= = (A.37)
Postulando a soluo
( )
( )
0
m
m i kt
m i m
i
C t A t e b

=
= +

(A.38)
e substituindo a Equao (A.38) na Equao (A.37) temos:

( ) ( )
( )
( )
1 1
0 0
-1 !
m m m
m m i kt i kt m kt
i i
i i
k
A it e A t e k t e
m

= =
+ =

(A.39)

( )
( )
( ) ( )
( )
1 1
1
1
0 0
1
-1 !
m m m
m m m i kt i kt m kt m kt
i i m
i i
k
A i t e kA t e kA t e t e
m


+
= =
+ =

(A.40)
de onde se conclui que

( )
( ) ( )
( )
( )
1
1
1
0;
, 1... 2;
1
1 !
m
m
m m
i i
m
m
m
A
k
A A i m
i
k
A
m
+

=
= =
+
=

(A.41)
Da equao (A.41)

( )
!
i
m
i
k
A
i
= (A.42)
de maneira que, da condio inicial, temos b
m
= 1 e a soluo :
( )
1
0
1
!
i m
i kt
m
i
k
C t t e
i

=
=

(A.43)
Dessa forma, se a taxa de polimerizao ocorre com velocidade proporcional s
quantidades de cada espcie:
149

1 1
0 0 0
1
! !
n n m m m
n kt n kt
n n n m
n n n
k k
R Kp C Kp t e Kp t e
n n


= = =
| |
= = +
|
\ .

(A.44)
( )
1
0
!
n m
n kt
n m m
n
k
R Kp Kp t e Kp
n

=
= +

(A.45)
Neste modelo o nmero de parmetros que so estimados igual a m+1, sendo 1
constante cintica de transformao de espcie do catalisador e m constantes cinticas
de polimerizao (Kp
1
, Kp
2
, ..., Kp
m
), lembrando que Kp
0
igual a zero.