在用启发式算法寻找最优解时，我们通常采用试错法的搜索方法。不能保证在这种方法中会找到解决方案，因为许多其他流行的方法可能更有效。一般来说，启发式算法被认为是基于局部搜索的方法，因为它们的搜索集中于局部变量；然而，启发式算法仍然可以被认为是解决优化问题的最佳方法，特别是当时间约束在问题解决中也很重要的时候。但我之前说过，(请阅读之前关于启发式的故事，启发式解决方案:优化问题的捷径)。这种算法的主要问题之一是陷入局部优化而没有机会逃脱。为了改进这些算法，已经使用了新一代的方法，元试探法，其包括显式或隐式地使用搜索多样化(当有一些线索表明搜索正在向搜索空间的坏区域移动)和搜索强化(目标是在可行空间中找到最佳答案)之间的折衷的算法。
术语元启发式(或元启发式)是指高级启发式算法，该词开头的“元”表示超越，元启发式是指通过使用高级技术以及试错法来找到最佳解决方案。启发式方法要求了解问题，并对特定的问题做出反应。例如，寻找最佳购买房屋的方法可能与寻找合适汽车的方法不同。事实上，用于寻找最好的房子的启发式方法只对寻找价格合理的住处有效。实际上，这是元启发式算法的最佳位置，它可以在不知道问题的情况下搜索最优点。事实上，元启发式算法能够在不知道问题的情况下，通过提供一般的解决方案，以合理的速度和精度解决问题。
群体思维和决策在很多情况下都能得出一个有利的答案。同时，生物的行为也表明了一种在自然界中达成最优答案的共同努力。观察自然界中的社会行为，就像鸟类在旅行中寻找最优路径的行为一样，是自然界中群体智能的一个例子。PSO 算法是模仿鸟群社会行为的最佳群体搜索算法之一。让我们假设一群鸟偶然接触到一个区域的食物，并且在搜索区域中只有一种食物。不是所有的鸟都知道食物在哪里，但它们知道每次重复有多少食物。那么寻找食物的最佳策略是什么呢？解决方法是寻找离食物最近的鸟。
PSO 从一组随机粒子(解)开始，然后通过更新代来搜索。在每次迭代中，每个粒子用两个最佳值更新。第一个是有史以来获得的最佳解或拟合函数，将被存储并被称为“pbest”。另一个“最佳”是到目前为止由群体中的每个粒子实现的值，是最佳的普适值，并且被称为“gbest”。当一个粒子以群体的一部分作为其拓扑邻居时，最佳值就是最佳局部，称为‘lbest’。在找到“pbest”和“gbest”的最佳值后，粒子更新其速度和位置。该算法是一种通用的优化方法，可用于处理答案为 n 维空间中的点或面的问题。在这样的空间中，假设被做出，初始速度被分配给粒子，以及粒子之间的通信通道。这些粒子然后在响应空间中移动，并且在每个时间间隔之后基于能力标准计算结果。随着时间的推移，粒子加速向具有更高能力标准并且在同一通信组中的粒子移动。该方法相对于其他优化策略的主要优点是大量的拥塞粒子使得该方法在面对局部最优响应问题时更加灵活。
受自然启发开发的一些其他元启发式算法是蚁群优化算法、蜂群算法、布谷鸟搜索算法、灰狼优化算法、蜻蜓优化算法、花朵授粉优化算法、鲸鱼优化、蝗虫优化算法和帝企鹅克隆优化算法。几乎在所有这些算法中，主要的方法都是基于达尔文的进化论，并为新一代算法——进化算法——奠定了基础。请阅读下一个关于这种奇妙算法的故事。
R. Balamurugan 上午纳塔拉詹；K. Premalatha (2015 年)。“双聚类微阵列基因表达数据的恒星质量黑洞优化”。应用人工智能。
莫斯卡托出版社，2012 年。“元启发式优化框架调查和基准测试”。软计算(2012)
*Siadati，Saman。(2013).进化计算。*10.13140/rg . 2 . 2 . 36143 . 15526