En este documento se propone un nuevo método determinista. Este método depende de presentar algunas modificaciones a los parámetros existentes de algunos métodos de gradiente conjugado. Los parámetros de nuestro método sugerido contienen una mezcla de parámetros deterministas y estocásticos. El método propuesto se agrega a un algoritmo de búsqueda de línea para convertirlo en un método convergente globalmente. Se establece el análisis de convergencia del método. El vector gradiente se estima mediante un enfoque de aproximación de diferencia finita, y un nuevo tamaño de paso de este enfoque se genera aleatoriamente. Además, se construye un conjunto de fórmulas de parámetros estocásticos a partir de las cuales se generan aleatoriamente algunas soluciones para un problema no restringido. Esta técnica estocástica se hibrida con el nuevo método determinista para obtener un nuevo algoritmo híbrido que encuentra una solución aproximada para el problema de minimización global. El rendimiento del algoritmo híbrido sugerido se prueba en dos conjuntos de problemas de prueba de optimización de referencia que contienen funciones convexas y no convexas. En este estudio se enumeran comparaciones exhaustivas frente a otros cuatro algoritmos híbridos. Los perfiles de rendimiento se utilizan para evaluar y comparar el rendimiento de los cinco algoritmos híbridos. Los resultados numéricos muestran que nuestro algoritmo híbrido propuesto es prometedor y competitivo para encontrar el punto óptimo global. Los resultados de comparación entre el rendimiento de nuestro algoritmo híbrido sugerido y los otros cuatro algoritmos híbridos indican que el algoritmo propuesto es competitivo y, en todos los casos, superior a los cuatro algoritmos en términos de eficiencia, confiabilidad y efectividad para encontrar los minimizadores globales de funciones no convexas.