合成似然（SL）是当似然函数在分析或计算上难以处理时进行参数推断的一种策略。在SL中，数据的似然函数被数据汇总统计上的多元高斯密度所取代。SL需要在采样算法（如马尔可夫链蒙特卡罗（MCMC））考虑的每个参数值下模拟多个重复数据集，这使得该方法具有计算密集性。我们提出了两种策略来减轻计算负担。首先，我们介绍了一种生成提案分布的算法，该提案分布是按顺序调整的，并以数据为条件，因此它可以快速导向装置针对高后向密度区域的建议参数。在我们的实验中，我们算法的少量迭代足以快速定位高密度区域，我们使用这些区域初始化一个或多个链，这些链使用离线自适应MCMC方法。我们的“引导”方法也可能与MCMC采样器一起用于近似贝叶斯计算（ABC）。其次，我们利用从相关伪边缘MCMC文献中借用的策略来改进SL框架中的链混合。此外，当后验是多模态的，并且当链在参数空间的低后验概率区域初始化时，我们的方法能够为具有挑战性的案例研究提供推理，其中标准采样器出现故障。为了说明我们框架的优点，我们考虑了五个基准示例，包括宇宙模型和具有高度非高斯汇总统计的随机模型的参数估计。