啟發式演算法（heuristic algorithm)是相對於
最優化演算法提出的。乙個問題的最優演算法求得該問題每個例項的
最優解。啟發式演算法可以這樣定義：乙個基於直觀或經驗構造的演算法，在可接受的花費（指計算時間和空間）下給出待解決組合優化問題每乙個例項的乙個
可行解，該可行解與最優解的偏離程度一般不能被預計。現階段，啟發式演算法以仿自然體演算法為主，主要有
蟻群演算法
、模擬退火法
、神經網路等。
大自然是神奇的，它造就了很多巧妙的手段和執行機制。受大自然的啟發，人們從大自然的執行規律中找到了許多解決實際問題的方法。對於那些受大自然的執行規律或者面向具體問題的經驗、規則啟發出來的方法，人們常常稱之為啟發式演算法（heuristic algorithm）。現在的啟發式演算法也不是全部來自然的規律，也有來自人類積累的工作經驗。
啟發式演算法的發展：
啟發式演算法的計算量都比較大，所以啟發式演算法伴隨著計算機技術的發展，取得了巨大的成就。
40年代：由於實際需要，提出了啟發式演算法（快速有效）。
50年代：逐步繁榮，其中貪婪演算法和區域性搜尋等到人們的關注。
60年代: 反思，發現以前提出的啟發式演算法速度很快，但是解得質量不能保證，而且對大規
模的問題仍然無能為力（收斂速度慢）。
70年代：計算複雜性理論的提出，np問題。許多實際問題不可能在合理的時間範圍內找到全域性最優解。發現貪婪演算法和區域性搜尋演算法速度快，但解不好的原因主要是他們只是在區域性的區域內找解，等到的解沒有全域性最優性。
由此必須引入新的搜尋機制和策略………..
holland的遺傳演算法出現了（genetic algorithm）再次引發了人們研究啟發式演算法的
興趣。80年代以後：
模擬退火演算法（simulated annealing algorithm），人工神經網路（artificial neural network），禁忌搜尋（tabu search）相繼出現。
最近比較熱或剛熱過去的：
演化演算法（evolutionary algorithm）, 蟻群演算法（ant algorithms），擬人擬物演算法，量子演算法等。
各個演算法的思想這就不再詳細給出，為什麼要引出啟發式演算法，因為np問題，一般的經典演算法是無法求解，或求解時間過長，我們無法接受。這裡要說明的是：啟發式演算法得到的解只是近似最優解（近似到什麼程度，只有根據具體問題才能給出）. 二十一世紀的最大的數學難題np？=p，如果np=p啟發式演算法就不在有存在的意義。
啟發式演算法的不足和如何解決方法：
啟發式演算法目前缺乏統
一、完整的理論體系。
很難解決！啟發式演算法的提出就是根據經驗提出，沒有什麼堅實的理論基礎。
由於np理論，啟發式演算法就解得全域性最優性無法保證。
等np？=p有結果了再說吧，不知道這個世紀能不能行。
各種啟發式演算法都有個自優點如何，完美結合。
如果你沒有實際經驗，你就別去幹這個，相結合就要做大量嘗試，或許會有意外的收穫。
啟發式演算法中的引數對演算法的效果起著至關重要的作用，如何有效設定引數。
還是那句話，這是經驗活但還要悟性，只有try again………..
啟發演算法缺乏有效的迭代停止條件。
還是經驗，迭代次數100不行，就200，還不行就1000…………
還不行估計就是演算法有問題，或者你把它用錯地方了………..
啟發式演算法收斂速度的研究等。
你會發現，沒有完美的東西，要快你就要付出代價，就是越快你得到的解也就遠差。
啟發式與元啟發式演算法
啟發式演算法 heuristic algorigthm 是一種基於直觀或經驗構造的演算法,在可接受的花費 指計算時間 計算空間等 給出待解決優化問題的每一例項的乙個可行解，該可行解與與最優解的偏離程度一般不可以事先預計。啟發式演算法是一種技術,這種演算法可以在可接受的計算費用內找到最好的解,但不一定...
啟發式演算法和元啟發式演算法
是一種基於直觀或經驗構造的演算法,在可接受的花費 指計算時間 計算空間等 給出待解決優化問題的每一例項的乙個可行解，該可行解與與最優解的偏離程度一般不可以事先預計。啟發式演算法是一種技術,這種演算法可以在可接受的計算費用內找到最好的解,但不一定能保證所得到解的可行性及最優性，甚至大多數情況下無法闡述...
啟發式演算法與元啟發式演算法
相對與精確演算法提出的。是一種群體智慧型演算法。平衡區域性最優解與全域性最優解。啟發式演算法可以這樣定義 乙個基於直觀或經驗構造的演算法，在可接受的花費 指計算時間和空間 下給出待解決組合優化問題每乙個例項的乙個可行解，該可行解與最優解的偏離程度一般不能被預計。許多啟發式演算法是相當特殊的，依賴於某...