Muitos problemas enfrentados por sistemas inteligentes podem ser modelados como problemas de busca. Um desses problemas é a definição de parâmetros de algoritmos de modo a maximizar (ou minimizar) uma função objetivo que demanda alto custo de tempo para determinar os melhores valores para cada parâmetro. Descrevemos, neste trabalho, um sistema multiagente autônomo que faz uso do algoritmo Hill Climbing explorando a paralelização de processamento natural em sistemas multiagentes. Foram realizados diversos experimentos com o problemas clássicos e uma experiência de otimização paramétrica em um agente operador do mercado financeiro. Os resultados obtidos demonstram eficácia e eficiência do sistema.