Несколько рекомендаций, как оптимизировать производительность сложных алгоритмов за счёт правильного выбора точек экстремума:

• Использовать байесовскую оптимизацию. 2 Она улучшает случайный перебор по сетке, выделяя области, где вероятность получить экстремальное значение выше. 2 Соответственно, в этих областях можно чаще генерировать точки для поиска решения. 2
• Применять генетические алгоритмы. 4 Это эвристические методы оптимизации, основанные на принципах эволюции биологических видов: селекции, мутации, скрещивании и т. п.. 4 Мутация позволяет выбрать точки, которые близки по значениям к текущему приближению, а скрещивание — точки, которые сильно различаются по сравнению с ним. 4 Селекция помогает отсеять точки, которые не являются глобальным экстремумом. 4
• Использовать метод золотого сечения. 5 В нём две внутренние точки, которые используются для сокращения отрезка поиска, выбираются таким образом, чтобы одна из них использовалась с той же целью и на следующем уже сокращённом отрезке. 5 Это позволяет сократить число вычислений функции вдвое: одна итерация требует расчёта только одного нового значения функции. 5

Выбор метода зависит от условий задачи и других факторов.