La optimización multimodal trata problemas donde coexisten múltiples soluciones globales factibles. A pesar de compartir un valor común de función objetivo, algunos óptimos globales pueden ser preferidos sobre otros por diversas razones. En tales casos, es fundamental idear métodos que sean capaces de encontrar tantos óptimos globales como sea posible dentro de un presupuesto computacional asequible. Las estrategias de nicho han recibido una atención abrumadora en los últimos años como la técnica más adecuada para abordar este tipo de problemas. En este documento exploramos un enfoque diferente, basado en un uso sistemático y versátil de métodos tradicionales de búsqueda directa. Cuando se prueba sobre funciones de referencia, nuestra propuesta, a pesar de su aparente simplicidad, se destaca notablemente en la comparación con los métodos de nicho de última generación en la mayoría de los casos, tanto en el número de óptimos globales encontrados como en el número de evaluaciones de funciones requeridas. Sin embargo, en lugar de intentar superar a los métodos de nicho, mucho más elaborados, nuestro objetivo es enriquecerlos con el conocimiento adquirido al explotar las características distintivas de los métodos de búsqueda directa. Con ese fin, proponemos dos nuevas medidas de rendimiento que pueden ser utilizadas para evaluar, comparar y monitorear el progreso de algoritmos de optimización de naturaleza (posiblemente) muy diferente en su esfuerzo por encontrar tantos óptimos globales como sea posible de una función objetivo multimodal dada. Creemos que adoptar estas métricas como criterios de referencia podría llevar a algoritmos más sofisticados y eficientes computacionalmente, que podrían beneficiarse de la fuerza bruta de los métodos de búsqueda local sin derivadas.