Los métodos de búsqueda tradicionales funcionan bien al buscar soluciones locales alrededor de un punto inicial concreto con datos de modelo que se conocen con precisión. Sin embargo, estos métodos fallan al buscar soluciones globales para problemas del mundo real que contienen considerables cantidades de incertidumbre. Los desarrollos recientes en optimización han producido métodos de búsqueda eficientes capaces de buscar soluciones óptimas a problemas complejos que implican elementos de incertidumbre.
OptQuest incorpora elementos metaheurísticos para guiar su algoritmo de búsqueda hacia las mejores soluciones. Este enfoque utiliza una forma de memoria adaptativa para recordar qué soluciones funcionaron bien antes y volver a combinarlas en mejores soluciones nuevas. Puesto que esta técnica no utiliza el enfoque de escalada de los solucionadores comunes, no se queda atrapado en las soluciones locales ni se desvía debido a datos de modelo ruidosos (inciertos). Pueden encontrar más información sobre la metodología de búsqueda de OptQuest en las referencias de publicaciones mostradas en la sección de OptQuest de la guía de referencia y ejemplos de Oracle Crystal Ball.
Una vez descrito un problema de optimización (seleccionando variables de decisión y el objetivo e imponiendo posibles restricciones y requisitos), OptQuest invoca a Crystal Ball para evaluar en el modelo de simulación distintos conjuntos de valores de variables de decisión. OptQuest evalúa las salidas estadísticas del modelo de simulación, las analiza e integra con salidas de ejecuciones de simulaciones anteriores y determina un nuevo conjunto de valores que evaluar. Se trata de un proceso iterativo que genera sucesivamente nuevos conjuntos de valores. No todos estos valores mejoran el objetivo, pero con el tiempo este proceso proporciona una trayectoria muy eficiente hacia las mejores soluciones.
Como se muestra en el siguiente diagrama de flujo, el proceso de búsqueda continúa hasta que OptQuest alcanza algún criterio de finalización, ya sea un límite en la cantidad de tiempo dedicado a la búsqueda o un número máximo de simulaciones.
