Les méthodes de recherche traditionnelles ne posent pas de problème lorsqu'il s'agit de rechercher des solutions locales en partant d'un point de départ donné et de données de modèle précises. En revanche, elles échouent lorsqu'il s'agit de rechercher des solutions globales aux problèmes posés par des situations réelles impliquant un degré d'incertitude important. Récemment, les progrès réalisés en matière d'optimisation ont abouti à des méthodes de recherche efficaces capables de rechercher des solutions optimales à des problèmes complexes impliquant des éléments d'incertitude.
OptQuest intègre la métaheuristique pour guider son algorithme de recherche vers les solutions optimales. Cette approche utilise une forme de mémoire adaptive pour se souvenir des solutions qui ont bien fonctionné précédemment et les recombiner dans de nouvelles solutions, encore meilleures. Etant donné que cette technique n'utilise pas l'approche d'escalade des algorithmes de calcul (solver) ordinaires, elle ne se limite pas aux solutions locales et ne subit pas l'influence des données de modèle bruyantes (incertaines). Vous trouverez plus d'informations sur la méthodologie de recherche d'OptQuest dans les références de publication répertoriées dans la section OptQuest du guide Oracle Crystal Ball Reference and Examples Guide (disponible en anglais uniquement).
Une fois que vous avez décrit un problème d'optimisation (en sélectionnant des variables de décision et l'objectif et, éventuellement, en imposant des contraintes et des exigences), OptQuest appelle Crystal Ball pour évaluer le modèle de simulation de différents ensembles de valeurs de variable de décision. OptQuest évalue les sorties statistiques du modèle de simulation, les analyse et les intègre aux sorties de simulations précédentes, et définit un nouvel ensemble de valeurs à évaluer. Il s'agit d'un processus itératif qui génère de nouveaux ensembles de valeurs les uns après les autres. Ces valeurs n'améliorent pas toutes l'objectif, mais, au fil du temps, ce processus dessine une trajectoire très efficace vers les meilleures solutions.
Comme illustré par l'organigramme suivant, le processus de recherche se poursuit jusqu'à ce qu'OptQuest ait atteint des critères de fin donnés, qu'il s'agisse d'une limite appliquée à la durée de la recherche ou d'un nombre maximal de simulations.
