امروزه استفاده از روش های فرا ابتکاری برای دست یابی به پاسخ¬های رضایتبخش در بهینه¬یابی ترکیبیاتی رشد چشمگیری یافته است. به دلیل نزدیک شدن مسائل به شرایط موجود در دنیای واقعی و در نتیجه افزایش پیچیدگی مسائل و ناتوانی روش های ریاضی فعلی برای ارائه نقطه بهینه با صرف معقول منابع، این اقبال تشدید شده است. توسعه روش های فرا ابتکاری معمولاً با بررسی نحوه بهینه-یابی در طبیعت و الهام گرفتن از آن صورت می¬گیرد که از جمله می¬توان به الگوریتم ژنتیک، الگوریتم مورچگان و شبیه¬سازی تبرید اشاره کرد.
الگوریتم پیشنهادی این مقاله، با بررسی رفتار جالب توجه دو تابع (xCos(x و tanh(x) در حلقه های تکرار، توسعه یافته است و روشی برای یافتن همسایگی در توابع پیوسته ارائه می¬دهد که نسبت به الگوریتم بهینه¬یابی شبیه¬سازی تبرید و الگوریتم شبیه¬سازی تبرید مبتنی بر تئوری ابر، عملکرد بهتری از نظر دقت و سرعت دارد. برتری الگوریتم پیشنهادی به دو الگوریتم یاد شده، با مقایسه عملکرد این الگوریتم¬ها در یافتن نقطه (نقاط) بهینه هفت تابع پیوسته معروف به اثبات رسید
