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。
現代啟發式演算法的各種具體實現方法是相對獨立提出的,相互之間有一定的區別。從歷史上看,現代啟發式演算法主要有:
模擬退火演算法(sa)、遺傳演算法(ga)、列表搜尋演算法(st)、進化規劃(ep)、進化策略(es)、蟻群演算法(aca)、人工神經網路(ann)。
人在解決問題時所採取的一種根據經驗規則進行發現的方法。其特點是在解決問題時,利用過去的經驗,選擇已經行之有效的方法，而不是系統地、以確定的 步驟去尋求答案。啟發式解決問題的方法是與演算法相對立的。演算法是把各種可能性都一一進行嘗試，最終能找到問題的答案，但它是在很大的問題空間內，花費大量 的時間和精力才能求得答案。啟發式方法則是在有限的搜尋空間內，大大減少嘗試的數量，能迅速地達到問題的解決。但由於這種方法具有嘗試錯誤的特點，所以也 有失敗的可能性。科學家的許多重大發現，常常是利用極為簡單的啟發式規則。
超啟發式演算法
現有超啟發式演算法可以大致分為4類：
基於隨機選擇、基於貪心演算法、基於元啟發式演算法和基於學習的超啟發式演算法。
基於隨機選擇的超啟發式演算法
該類超啟發式演算法是從給定的集合中隨機選擇llh，組合形成新的啟發式演算法。這類超啟發式演算法的特點是結構簡單、容易實現。同時，這類超啟發式演算法也經常被用作基準（bench mark），以評價其他型別的超啟發式演算法效能。該類超啟發式演算法可以進一步細分為純隨機（pure random）、帶延遲接受條件的隨機（random with late acceptance）等。
基於貪心策略的超啟發式演算法
該類超啟發式演算法在構造新啟發式演算法時，每次都挑選那些能夠最大化改進當前（問題例項）解的llh。由於每次挑選llh時需要評估所有llh，故此該類方法的執行效率低於基於隨機選擇的超啟發式演算法。
基於元啟發式演算法的超啟發式演算法
該類超啟發式演算法採用現有的元啟發式演算法（作為高層策略）來選擇llh。由於元啟發式演算法研究相對充分，因此這類超啟發式演算法的研究成果相對較多。根據所採用的元啟發式演算法，該類超啟發式演算法可以細分為基於禁忌搜尋、基於遺傳演算法、基於遺傳程式設計、基於蟻群演算法和基於grasp with path-relinking等。[5]
基於學習的超啟發式演算法
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...