在许多非线性优化问题中，目标函数具有大量的局部最小值和最大值。通过使用经典的局部搜索方法来找到任一局部最优相对比较简单，但是，找出所有目标函数值中的最大或最小（即全局最优）则要困难得多，例如符号分析方法通常不适用，而使用数值解策略通常又会遇到严峻的挑战。不同于局部搜索，全局搜索旨在找到全局最优，而非局部最优。常用的全局搜索算法分为确定性和随机性两类。其中确定性算法主要包括切平面法（cutting plane methods）、分支定界法（branch and bound methods）等；随机性算法主要包括直接蒙特卡洛采样（direct Monte-Carlo sampling）、随机隧道（stochastic tunneling）以及启发式或元启发式方法等。