Cet article présente un algorithme d'optimisation bayésienne (BO) pour les problèmes d'optimisation boîte noire dans l'espace de permutation. Les techniques d'optimisation bayésienne de pointe existantes s'appuient sur le noyau de Mallows de complexité $\Omega(n^2)$, qui énumère explicitement toutes les comparaisons par paires. Dans cet article, nous proposons un nouveau cadre pour la génération de fonctions noyau dans l'espace de permutation, basé sur des algorithmes de tri. Dans ce cadre, le noyau de Mallows peut être considéré comme un cas particulier dérivé du tri à bulles. De plus, nous présentons un noyau de fusion construit à partir du tri par fusion, qui réduit la complexité quadratique à $\Theta(n\log n)$, obtenant ainsi la complexité la plus faible. Le vecteur de caractéristiques résultant est beaucoup plus court et peut être calculé en temps logarithmique linéaire, tout en capturant efficacement les distances de permutation significatives. Afin d'améliorer la robustesse et l'invariance du membre droit tout en maintenant la compacité, nous incorporons également trois descripteurs légers indépendants de la tâche : histogramme de décalage, ligne de paire divisée et motifs de fenêtre glissante. Les résultats expérimentaux montrent que le noyau proposé surpasse systématiquement les noyaux Mallows de pointe existants sur divers tests d'optimisation de permutation. Nous démontrons que le noyau Merge offre une solution plus compacte et plus efficace à l'optimisation bayésienne dans l'espace de permutation.
