启发式算法和元启发式算法

启发式算法

启发式算法（Heuristic Algorithm)是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。

元启发式算法

元启发式算法（Meta-heuristic Algorithm）是启发式算法的改进，它是随机算法与局部搜索算法相结合的产物。元启发式策略通常会对搜索过程提出一些要求，然后按照这些要求实现的启发式算法便被称为元启发式算法。常见的元启发式算法包括禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法、人工蜂群算法、人工神经网络算法等。

二者区分

相同点
（1）两者无法保证得到某个优化问题的全局最优解；
（2）两者存在意义就是快速地求解那些不存在或者暂时未找到多项式时间内算法的问题。比如TSP问题，车间调度问题。而像Linear programming就不会用heuristics或者meta-heuristics去求解了；

不同点
不同点在于：heuristics算法中不会存在“随机因素”。对于同样一个问题，只要给定了一个输入，那么算法执行的步骤就固定下来了，输出也因此固定。但是meta-heuristics就不一样了，里面包括了“随机因素”。就拿遗传算法来说，同样一个初始的种群（输入一致），运行两次（每次100代），得到的结果很可能是不同的。因为交叉、变异操作的对象是随机选择的。又比如模拟退火，按照metropolis准则跳出局部最优解时也是随机的，这也解释了为什么模拟退火可能得到全局最优解。

总之，heuristics在固定的输入下得到固定的输出。meta-heuristics在固定的输入下得到的输出不固定。