Este artículo presenta un algoritmo de optimización bayesiana (BO) para problemas de optimización de caja negra en el espacio de permutaciones. Las técnicas de BO más avanzadas se basan en el kernel de Mallows de complejidad $\Omega(n^2)$, que enumera explícitamente todas las comparaciones por pares. En este artículo, proponemos un nuevo marco para generar funciones kernel en el espacio de permutaciones basado en algoritmos de ordenamiento. Dentro de este marco, el kernel de Mallows puede considerarse un caso especial derivado del ordenamiento de burbuja. Además, presentamos un kernel de fusión (Merge) construido a partir del ordenamiento por fusión (merge sort), que reduce la complejidad cuadrática a $\Theta(n\log n)$, logrando la menor complejidad. El vector de características resultante es mucho más corto y puede calcularse en tiempo logarítmico lineal, a la vez que captura eficientemente distancias de permutación significativas. Para mejorar la robustez y la invariancia del lado derecho, manteniendo la compacidad, incorporamos adicionalmente tres descriptores ligeros independientes de la tarea: histograma de desplazamiento, línea de par dividido y motivos de ventana deslizante. Los resultados experimentales muestran que el kernel propuesto supera consistentemente a los kernels Mallows de última generación existentes en diversas pruebas de referencia de optimización de permutaciones. Demostramos que el kernel Merge proporciona una solución más compacta y eficiente para la optimización bayesiana en el espacio de permutaciones.
