La plupart des modèles de simulation possèdent des variables que vous pouvez contrôler, comme le montant d'un loyer ou la somme à investir. Dans Crystal Ball, ces variables contrôlées sont appelées variables de décision. Trouver les valeurs optimales pour les variables de décision peut faire la différence entre atteindre un objectif important et le manquer.
L'obtention des valeurs optimales suppose généralement une recherche itérative ou ad hoc. Une méthode plus rigoureuse consiste à énumérer de manière systématique toutes les possibilités. Ce processus peut s'avérer long et fastidieux, même pour les petits modèles. De plus, la façon d'ajuster les valeurs d'une simulation à l'autre n'est souvent pas évidente.
OptQuest surmonte les limites des méthodes énumérative et ad hoc en recherchant de façon intelligente des solutions optimales aux modèles de simulation. Vous décrivez un problème d'optimisation dans OptQuest, puis le laissez rechercher les valeurs de variables de décision qui maximisent ou minimisent un objectif prédéfini. Dans la grande majorité des cas, OptQuest recherche efficacement une solution optimale ou quasiment optimale parmi un grand nombre de possibilités, même lorsque vous n'en explorez qu'une petite partie.
La façon la plus simple de comprendre le rôle joué par OptQuest est de l'appliquer à un exemple simple. La section « Didacticiel 1 — Modèle Futura Apartments » donne un exemple du fonctionnement de base d'OptQuest.