指数族通常用于对具有复杂相关性的数据集进行建模。当似然性计算昂贵时，最大似然估计量（MLE）可能很难估计。基于[17]中MCMC-MLE算法的马尔可夫链蒙特卡罗（MCMC）方法在理论上保证从任意值开始时在一定条件下收敛，但在实际中，当给定一个较差的起始值时，这种算法可能会费力收敛。我们提出了一种简单的线搜索算法，用于在MLE存在且唯一的情况下找到正则指数族的MLE。该算法可以从任何初始值开始，避免了与随机近似等校准算法相关的反复试验。与许多优化算法不同，该方法仅利用一阶导数信息，既不计算似然函数本身，也不计算高于一阶的导数。在梯度可以精确计算的情况下，我们证明了算法的收敛性。当它做不到时，它有一种特别方便的形式，很容易用MCMC进行估计，使算法对从业者仍然有用。