Некоторые методы решения многомерных задач оптимизации требуют решения одномерной задачи глобальной оптимизации (или совокупности таких задач).
Рассматривается следующая одномерная задача условной глобальной оптимизации): найти минимум, вообще говоря, многоэкстремальной функции (), определенной в замкнутой области допустимых значений ,

 (1)

Метод перебора
Схема метода перебора (см. рис. 1):
Рис. 1.  К схеме метода перебора.
  1. Покрываем интервал некоторой сеткой с узлами , [1,].
  2. Производим испытание в точке , т.е. вычисляем значения функции в этой точке.
  3. Полагаем .
  4. Производим испытание в точке - вычисляем значение () функции () в этой точке.
  5. Если , то выполняем присваивания , .
  6. Если , то выполняем присваивание 1 и переходим на п.4). Иначе - заканчиваем вычисления.
  7. Принимаем в качестве приближенного значения точки глобального минимума функции () на интервале [,] или каким-либо из рассмотренных одномерных методов локальной оптимизации организуем в окрестности точки поиск локального минимума этой функции

При выборе количества узлов сетки , [1,] можно исходить из требуемой точности решения – максимальный шаг сетки принять равным этой величине.
Отметим, что метод перебора, как и любой другой метод глобальной оптимизации, при отсутствии априорной информации о свойствах минимизируемой функции не гарантирует нахождение глобального минимума (см. пунктирный график на рис. 1).

Одномерный метод Монте-Карло
Схема одномерного метода Монте-Карло:
  1. Генерируем с помощью какого-либо программного генератора случайных чисел, равномерно распределенных в интервале [,], случайное число .
  2. Производим испытание в точке - вычисляем значения функции () в этой точке.
  3. Полагаем 2.
  4. Аналогично п. 1) генерируем случайное число [,] .
  5. Производим испытание в точке - вычисляем значение () функции () в этой точке.
  6. Если , то выполняем присваивания , .
  7. Если , то выполняем присваивание 1 и переходим на п. 4). Иначе - заканчиваем вычисления. Здесь – количество испытаний.
  8. Принимаем в качестве приближенного значения точки глобального минимума функции () на интервале [,] или каким-либо из рассмотренных одномерных методов локальной оптимизации организуем в окрестности точки поиск локального минимума этой функции
При достаточно большом метода гарантирует нахождение глобального минимума с высокой вероятностью.