启发式算法就是例如遗传算法，模拟退火，各种群算法，蚁群，鱼群，粒子群，人工神经网络等模仿自然界或生命体行为模式的算法，一般又称人工智能算法或全局优化算法。
模拟生物学中遗传学规律，在每一代中挑选出最优的去“繁殖”后代，以得到最优解。
算法步骤
1.对潜在问题进行编码，初始化基因组，并根据基因组随机初始化种群，并指定繁衍代数；
2.计算种群中每个个体的适应度，选择一定数量的留下，其它淘汰；
3.在留下的个体中，随机繁衍，对母基因进行交叉（极小概率变异），产生下一代；
4.跳转到第2步，继续循环，直到达到繁衍代数为止。
模拟物体在加热后分子达到高度混乱的状态，然后慢慢冷却的过程。
1.初始化温度T（充分大），温度下限Tmin(充分小)，初始解X，每个T迭代次数为L；
2.随机生成临时解域X_new;
3.设f(x)函数来计算解的好坏，计算出f(X_new)-f(X);
4.如果f(X_new)-f(X)>0，说明新解比原来的解好，则无条件接受，如果f(X_new)-f(X)<0，则说明旧解比新解好，则以概率exp((f(X_new)-f(x))/k*T)接受X_new作为解。
5.如果当前温度小于Tmin的时候，退出循环，输出结果；否则，降低当前温度，T=a*T,(0 但在具体的实现中，这个一定概率应该怎么选择是一个值得深思的问题。太小了跳不出局部最优，太大了可能搜索过头。 一群蚂蚁，寻找路线，每一条路线都有信息素，运气好的蚂蚁走的最优路线，那么往返次数多，信息素越高，就是最优路径。 1.初始化蚂蚁数量、可行路段、每条路段距离、每条路段的初始信息素大小等信息； 2.设定蚂蚁的起点和终点； 3.蚂蚁从起点出发根据信息素浓度，有一定概率性地选择路段，浓度越高，概率越大，逐步到达终点； 4.在蚂蚁走过的路径上，根据每条路段的长度按照比例释放信息素，短的路段释放的信息素多，长的路段释放的信息素少；