Le recuit est une technique utilisée pour améliorer l'efficacité des échantillonneurs Monte Carlo, généralement en ciblant plusieurs distributions artificielles qui sont des versions simplifiées de la cible. Ces échantillonneurs alternent entre l'exploration d'une distribution et la propagation d'informations entre différentes distributions. Nous présentons PANA-C (Parallel ANnealed Arrayed-Chains), un algorithme de Monte Carlo à chaîne de Markov basé sur le recuit qui utilise une proposition à candidats multiples pour combiner les mouvements intra-distribution et inter-distribution en un seul noyau de transition. La structure de l'algorithme permet une implémentation hautement parallèle, ce qui réduit considérablement la charge de calcul du recuit et des chaînes multiples. À l'aide de simulations et d'exemples de jeux de données, nous démontrons l'efficacité de l'algorithme PANA-C, en nous concentrant sur les distributions présentant plusieurs modes et des caractéristiques hautement non gaussiennes. Nous explorons les performances de l'algorithme tant dans la génération d'échantillons que dans l'estimation de la constante de normalisation.