2 註解
單一的進化樹的數量會隨着分類羣數量的增長而呈指數增長，從而變爲一個天文數字。由於計算能力的限制，現在一般只允許對很小一部分的可能的進化樹進行搜索。具體的數目主要依賴於分類羣的數量、優化標準、參數設定、數據結構、計算機硬件以及計算機軟件。
有兩種搜索方法保證可以找到最優化的進化樹：窮舉法和樹枝 跳躍法（BB）。對於一個很大的數據集，這兩種方法都很不實用。對分類羣數量的限制主要取決於數據結構和計算機速度，但是對於超過20個分類羣的數據集，BB方法很少會得到應用。窮舉法要根據優化標準，對每一個可能的進化樹進行評估。BB方法提供一個邏輯方法，以確定那些進化樹值得評估，而另一些進化樹可被簡單屏蔽。因此BB方法通常要比窮舉法快得多。
絕大多數分析方法都使用“啓發式”的搜索。啓發式現搜索出相近的次優化的進化樹家族（“島嶼”），然後從中得到優化解（“山頂”）。不同的算法用不同程度的精確性搜索這些島嶼和山頂。最徹底也是最慢的程序（TBR，tree bisection-reconnection，進化樹對分重接）先把進化樹在每一個內部樹枝處劈開，然後以任意方式將劈開的碎片重新組合起來。最快的算法只是檢查一下相鄰終端的不太重要的重新組合，因此傾向於找到最近的島嶼的山頂。
降低搜索代價的最好方法是對數據集進行剪除。影響優化搜索策略選擇的因素（數據量，數據結構，時間量，硬件，分析目的）太複雜，無法推薦一個簡單可行的處方。因此進行搜索的用戶必須對數據非常熟悉且有明確的目標，瞭解各種各樣的搜索程序及自己硬件設備和軟件的能力。
除上述當前應用最廣的方法外，還有大量的建立和搜索進化樹的其它方法。這些方法包括Wagner距離方法和親近方法（距離轉化方法）；Lake的不變式方法（一個基於特徵符的方法，它選擇的拓撲結構包含一個意義重大的正數以支持顛換）；Hadamard結合方法（一個精細的代數方陣方法，對距離數據或者觀察到的特徵符進行修正）；裂解方法（這個方法決定在數據中應該支持哪一個基於距離的可選的拓撲結構）；四重奏迷惑（Quartet puzzling）方法可以爲ML建樹方法所應用，這個算法相對而言是個較快的進化樹搜索算法。