在这项研究中，我们提出了一种分布算法（HEDA）的混合估计来解决联合分层和样本分配问题。这是一种复杂的问题，其中每个可能分层的每个分层的每个分层的质量都被测量其最佳样本分配。佳航是随机黑盒优化算法，可用于估计，构建和采样概率模型在寻找最佳分层中。在本文中，我们通过添加模拟退火算法来提高EDA的开发属性，使其成为混合EDA。原子和连续地层的经验比较结果表明，与使用分组遗传算法，模拟退火算法或爬山算法相同数据的基准测试相比，HEDA达到了最佳结果。但是，对HEDA的执行时间和总执行较高。

该研究结合了模拟退火与三角洲评估来解决联合分层和样品分配问题。在这个问题中，原子地层被划分为互斥且统称的地层。原子地层的每个分区是分层问题的可能解决方案，其质量通过其成本来衡量。对于甚至适度数量的原子地层而言，可能的溶液的响铃数量是巨大的，并且在每种溶液的评估时间中加入额外的复杂性。许多更大的组合优化问题不能解决最优性，因为寻找最佳解决方案需要禁止的计算时间。已经为此问题设计了许多本地搜索启发式算法，但这些可能会被捕获在局部最小值中，以防止进一步的改进。我们添加了现有的本地搜索算法套件，这是一种模拟退火算法，其允许从局部最小值转发并使用增量评估来利用连续解决方案之间的相似性，从而降低了评估时间。我们将模拟退火算法与两个最近的两个算法进行了比较。在这两种情况下，模拟退火算法在相当较少的计算时间内实现了相当质量的解决方案。