Es gibt sehr effiziente iterative Methoden, lokale Minima differenzierbarer skalarer Funktion in mehreren Veränderlichen zu finden. Diese Iterationsverfahren funktionieren jedoch nicht bei der globalen Minimumsuche, da sie stets nur in Richtung abnehmender Funktionswerte gehen können. In diesem Praktikum wird eine Anwendung des Metropolis-Algorithmus untersucht, der zufällige Punkte im Raum generiert, die mit hoher Wahrscheinlichkeit in der Nähe einer globalen Minimalstelle einer vorgegebenen Funktion liegen. Diese können dann als Startwerte eines lokalen Optimierungsverfahrens gewählt werden.