1.啟發式算法
百度百科：
啟發式算法（heuristic algorithm)是相對於最優化算法提出的。一個問題的最優算法求得該問題每個實例的最優解。啟發式算法可以這樣定義：一個基於直觀或經驗構造的算法，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一個實例的一個可行解，該可行解與最優解的偏離程度一般不能被預計。現階段，啟發式算法以仿自然體算法為主，主要有蟻群算法、模擬退火法、神經網絡等。
簡單理解：
啟發式算法就是例如遺傳算法，模擬退火，各種群算法，蟻群，魚群，粒子群，人工神經網絡等模仿自然界或生命體行為模式的算法，一般又稱人工智能算法或全局優化算法。
2.算法介紹
2.1遺傳算法
模擬生物學中遺傳學規律，在每一代中挑選出最優的去“繁殖”后代，以得到最優解。
算法步驟
1.對潛在問題進行編碼，初始化基因組，並根據基因組隨機初始化種群，並指定繁衍代數；
2.計算種群中每個個體的適應度，選擇一定數量的留下，其它淘汰；
3.在留下的個體中，隨機繁衍，對母基因進行交叉（極小概率變異），產生下一代；
4.跳轉到第2步，繼續循環，直到達到繁衍代數為止。
2.2模擬退火算法
模擬物體在加熱后分子達到高度混亂的狀態，然后慢慢冷卻的過程。
算法步驟
1.初始化溫度T（充分大），溫度下限Tmin(充分小)，初始解X，每個T迭代次數為L；
2.隨機生成臨時解域X_new;
3.設f(x)函數來計算解的好壞，計算出f(X_new)-f(X);
4.如果f(X_new)-f(X)>0，說明新解比原來的解好，則無條件接受，如果f(X_new)-f(X)<0，則說明舊解比新解好，則以概率exp((f(X_new)-f(x))/k*T)接受X_new作為解。
5.如果當前溫度小於Tmin的時候，退出循環，輸出結果；否則，降低當前溫度，T=a*T,(0<a<1)，跳轉到第二步繼續循環。
模擬退火是啟發示算法的一種，也是一種貪心算法，但是它的搜索過程引入了隨機因素。在迭代更新可行解時，以一定的概率來接受一個比當前解要差的解，因此有可能會跳出這個局部的最優解，達到全局的最優解。以下圖為例，假定初始解為左邊藍色點A，模擬退火算法會快速搜索到局部最優解B，但在搜索到局部最優解后，不是就此結束，而是會以一定的概率接受到左邊的移動。也許經過幾次這樣的不是局部最優的移動后會到達全局最優點D，於是就跳出了局部最小值。
但在具體的實現中，這個一定概率應該怎么選擇是一個值得深思的問題。太小了跳不出局部最優，太大了可能搜索過頭。
2.3蟻群算法
一群螞蟻，尋找路線，每一條路線都有信息素，運氣好的螞蟻走的最優路線，那么往返次數多，信息素越高，就是最優路徑。
算法步驟
1.初始化螞蟻數量、可行路段、每條路段距離、每條路段的初始信息素大小等信息；
2.設定螞蟻的起點和終點；
3.螞蟻從起點出發根據信息素濃度，有一定概率性地選擇路段，濃度越高，概率越大，逐步到達終點；
4.在螞蟻走過的路徑上，根據每條路段的長度按照比例釋放信息素，短的路段釋放的信息素多，長的路段釋放的信息素少；
5.對所有路段的信息素進行揮發；
6.返回第二步，繼續循環，直到螞蟻數量迭代完成。