概括内容
啟發式算法一般用于解決NP-hard問題，其中NP是指非确定性多項式。計算機科學的兩大基礎目标，就是發現可證明其執行效率良好且可得最佳解或次佳解的算法。而啟發式算法則試圖一次提供一或全部目标。 例如它常能發現很不錯的解，但也沒辦法證明它不會得到較壞的解；它通常可在合理時間解出答案，但也沒辦法知道它是否每次都可以這樣的速度求解。
有時候人們會發現在某些特殊情況下，啟發式算法會得到很壞的答案或效率 極差，然而造成那些特殊情況的 數據組合，也許永遠不會在現實世界出現。因此現實世界中啟發式算法常用來解決問題。啟發式算法處理許多實際問題時通常可以在合理時間内得到不錯的答案。有一類的通用啟發式策略稱為元啟發式算法（metaheuristic），通常使用 亂數搜尋技巧。他們可以應用在非常廣泛的問題上，但不能保證效率。
近年來随着智能計算領域的發展，出現了一類被稱為 超啟發式算法（Hyper-Heuristic Algorithm）的新算法類型。最近幾年，智能計算領域的著名國際會議（GECCO 2009, CEC 2010，PPSN 2010）分别舉辦了專門針對超啟發式算法的workshop或session。從GECCO 2011開始，超啟發式算法的相關研究正式成為該會議的一個領域（self* search-new frontier track）。國際智能計算領域的兩大著名期刊Journal of Heuristics和Evolutionary Computation也在2010年和2012年分别安排了專刊，着重介紹與超啟發式算法有關的研究進展。
最短路徑
所謂的 最短路徑問題有很多種意思， 在這裡 啟發式指的是一個在一個搜尋樹的節點上定義的 函數h(n)，用于評估從此節點到目标節點最便宜的 路徑。啟發式通常用于資訊充分的搜尋算法，例如最好優先 貪婪算法與A*。最好優先貪婪算法會為啟發式函數選擇最低代價的節點；A*則會為g(n) + h(n)選擇最低代價的節點，此g(n)是從起始節點到目前節點的路徑的确實代價。如果h(n)是 可接受的（admissible）意即h(n)未曾付出超過達到目标的代價，則A*一定會找出最佳解。
最能感受到啟發式算法好處的經典問題是n-puzzle。此問題在計算錯誤的拼圖圖形，與計算任兩塊拼圖的 曼哈頓距離的總和以及它距離目的有多遠時，使用了本算法。注意，上述兩條件都必須在可接受的範圍内。
運算效能
任何的搜尋問題中，每個節點都有 個選擇以及到達目标的深度 ，一個毫無技巧的算法通常都要搜尋bd個節點才能找到答案。啟發式算法借由使用某種切割機制降低了分叉率(branching factor)以改進搜尋效率，由 降到較低的b'。分叉率可以用來定義啟發式算法的 偏序關系，例如：若在一個 節點的搜尋樹上，h1(n)的分叉率較h2(n)低，則 h1(n) < h2(n)。啟發式為每個要解決特定問題的搜尋樹的每個節點提供了較低的分叉率，因此它們擁有較佳效率的計算能力。
新方法
如何找到一個分叉率較少又通用的合理啟發式算法，已被 人工智能社群深入探究過。 他們使用幾種常見技術：部分問題的解答的代價通常可以評估解決整個問題的代價，通常很合理。例如一個10-puzzle拼盤，解題的代價應該與将1到5的方塊移回正确位置的代價差不多。通常解題者會先建立一個儲存部份問題所需代價的模式數據庫(pattern database)以評估問題。 解決較易的近似問題通常可以拿來合理評估原先問題。
例如曼哈頓距離是一個簡單版本的n-puzzle問題，因為我們假設可以獨立移動一個方塊到我們想要的位置，而暫不考慮會移到其他方塊的問題。 給我們一群合理的啟發式函式h1(n),h2(n),...,hi(n)，而函式h(n) = max{h1(n),h2(n),...,hi(n)}則是個可預測這些函式的啟發式函式。 一個在1993年由A.E. Prieditis寫出的程式ABSOLVER就運用了這些技術，這程式可以自動為問題産生啟發式算法。ABSOLVER為8-puzzle産生的啟發式算法優于任何先前存在的！而且它也發現了第一個有用的解 魔術方塊的啟發式程式。
