تعیین بهترین مدل رگرسیون زمانی که تعداد متغیرهای مستقل زیاد باشد، متعلق به گروه مسائل hard-np است. طراحی الگوریتمی که همه راه حل های ممکن را بررسی نماید بدلیل ابعاد مسئله غیر عملی است. در این تحقیق الگوریتم شبیه سازی تبرید بر ای تعیین مدل رگرسیون خطی پیشنهاد شده است. از آنجاکه بعضی از متغیرها کم تأثیر می باشند و حضور آنها در مدل تغییرات چندانی را برای بهبود مدل به همراه ندارند و زمان حل را بالا می برند، لذا در مواردی کاهش ابعاد مسئله مزایای زیادی به همراه دارد. بهمین دلیل یک روش ترکیبی از شبیه سازی تبرید و رگرسیون گام به گام برای انتخاب متغیرهای موثر در مدل ارائه می گردد. در این مطالعه بهترین مدل با استفاده از روش های بهینه سازی کلاسیک، گام به گام، ژنتیک، جستجوی ممنوع، شبیه سازی تبرید و روش ترکیبی معرفی و برحسب زمان شبیه سازی شده برای رسیدن به نتیجه، مقدار مجموع مربعات خطا و تعداد متغیرها در مدل با یکدیگر مقایسه شده اند. عملکرد الگوریتم ها روی داده های واقعی مورد ارزیابی قرار گرفته اند. نتایج حاصل حاکی از آن است که روش ترکیبی پیشنهادی با توجه به معیارهای مورد نظر بهتر عمل می نماید و در زمان کوتاهتر مدلی با حداقل تعداد متغیر مستقل و مجموع مربعات خطای کمتر را معرفی می سازد.