啟發式策略（heuristic）
是一類在求解某個具體問題時，在可以接受的時間和空間內能給出其可行解，但又不保證求得最優解（以及可行解與最優解的偏離）的策略的總稱。許多啟發式算法是相當特殊的，依賴於某個特定問題。啟發式策略在一個尋求最優解的過程中能夠根據個體或者全局的經驗來改變其搜索路徑，當尋求問題的最優解變得不可能或者很難完成時（e.g. NP-Complete 問題），啟發式策略就是一個高效的獲得可行解的辦法。這是一類“problem specific”的策略
啟發式算法(Heuristic Algorigthm)是一種基於直觀或經驗構造的算法,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實例的一個可行解，該可行解與與最優解的偏離程度一般不可以事先預計。
啟發式算法是一種技術,這種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所得解與最優解之間的近似程度。
元啟發式策略（metaheuristic）則不同，元啟發式策略通常是一個通用的啟發式策略，他們通常不借助於某種問題的特有條件，從而能夠運用於更廣泛的方面。元啟發式策略通常會對搜索過程提出一些要求，然后按照這些要求實現的啟發式算法便被稱為元啟發式算法。許多元啟發式算法都從自然界的一些隨機現象取得靈感（e.g. 模擬退火、遺傳算法）。現在元啟發式算法的重要研究方向在於防止搜索過早得陷入局部最優，已經有很多人做了相應的工作，例如禁忌搜索（tabu）和非改進轉移（模擬退火）。這是一類“problem independent”的策略
元啟發式算法（MetaHeuristic Algorigthm）是啟發式算法的改進，它是隨機算法與局部搜索算法相結合的產物，常見的啟發式算法包括遺傳算法、模擬退火算法、禁忌搜索算法及神經網絡算法等。
新興的元啟發式算法有、粒子群優化算法、差分進化算法，蟻群優化算法、螢火蟲算法、布谷鳥算法、和聲搜索算法、差分進化算法、隨機蛙跳算法、細菌覓食算法、蝙蝠算法的算法等