Les algorithmes stochastiques sont très flexibles, mais susceptibles d'entraîner un coût computationnel élevé. parmi eux, les algorithmes génétiques ou évolutionnaires sont séduisants, mais leur coût peut rapidement devenir prohibitif. En les plaçant dans un cadre plus général, on peut construire des méthodes hybrides, plus efficaces et reposant sur des arguments mathématiques solides (théorèmes de convergence). En outre, les méthodes stochastiques fournissent des formules de représentation utiles pour la détermination de points de départ ou des populations initiales.