启发式算法和近似算法区别

这两个算法都是用来解决最优化问题的.   

有一些最优化问题很难求出最优解,至少在多项式时间内很难求解，比如NP-hard问题。为了解决这类问题，就有了用近似最优解（用近似方法找出）代替最优解的思想。（现实世界中，很多问题的输入数据是用测量方法获得的，而测量的数据本身就存在一定程度的误差，因此，输入数据是近似的。同时，很多问题的解允许有一定程度的误差，只要给出的解是合理的、可接受的，近似最优解常常就能满足实际问题的需要。此外，采用近似方法可以在很短的时间内得到问题的近似解，所以，近似方法是求解难解问题的一个可行方法。）

近似方法分为两种：近似算法和启发式算法。

近似算法通常能得到一个有质量保证的解。启发式算法通常可在传统解决问题的经验中找到寻求一种面向问题的策略，之后用这种策略来在可行时间内寻找一个相对比较好的解，但对解的质量没有保证。

启发式算法是通过一个启发函数对下一阶段状态进行粗略评估，这个评估是预计结果（并不确信）；在遍历状态的过程中，我们优先去看可能可以得到好结果的情况，并且如果发现一个状态的理想估计比当前确实遍历过的解中最好的要差则可以放弃，这就叫启发式算法，这里我们叫确定性启发式算法或者启发式搜索。然而启发式搜索的本质仍旧是遍历所有状态，要保证确定最优解，它仍旧是个遍历，耗时仍然有可能很大。这个情况下加入一条限制：如果计算时间已经到达可承受的极限，则放弃剩下部分的搜索直接以当前找到的最好结果为结果，这样的启发式算法则是非确定性的。