Computer science 启发式和超启发式的区别是什么？

在对算法进行了一些研究之后，我发现了两个让我困惑的术语。 我读过至少20篇论文，但对这两篇文章都没有明确的定义。 我希望有人能帮助我区分启发式算法和超启发式算法。 如果可能的话，添加它的来源

ps：我已经知道这些词的意思了，但我不知道它们在计算机科学中的确切区别

---

提前感谢

您可以想出类似于问题近似（而非近似）解决方案的启发式方法。近似和近似之间的区别在于，第一个是关于得到一个问题的解决方案的好的猜测，但是你并不知道它有多好。第二个是关于得到一个解决方案，你可以证明它是多么接近最佳解决方案

所以，启发式算法通常依赖于问题，也就是说，您为给定的问题定义了一个启发式算法。元启发式是与问题无关的技术，可以应用于广泛的问题。例如，一种启发式方法是选择一个随机元素进行快速排序。元启发式算法对它将要应用的问题一无所知，它可以将函数视为黑箱

---

你可以说，启发式方法利用与问题相关的信息来找到特定问题的“足够好”的解决方案，而元启发式方法与设计模式一样，是可以应用于广泛问题的通用算法思想。

为了给出与Alejandro答案相关的正确引用：

«元启发式是一种高级独立于问题的算法框架，它提供了一套开发启发式优化算法的指南或策略[…]根据元启发式框架中表达的指导原则，启发式优化算法的特定问题实现也被称为元启发式（Sörensen，Glover on）

完全完成。我们应该区分精确算法、近似算法和启发式算法。精确算法能找到精确解。近似算法应在可接受的时间内找到近似解，并指出其与假定最优解的差异范围。启发式算法只是在可接受的时间内找到一个足够好的解决方案

顺便说一句，Alejandro quicksort的例子由于两个或三个不同的原因似乎并不充分

事实上，启发式和超启发式是优化领域的一部分。因此，他们试图解决的问题是寻找最优解，而不是排序

在计算意义上，当你想处理的问题太复杂时，通常使用启发式方法——排序问题不是这样

如果我理解得很好，通过快速排序示例指出的是随机元素。原则上，您可以使用确定性启发式-我从未遇到过确定性元启发式，但可能有人可以编写它。这可能有点“玩弄文字”，但随机元素比（元）启发式更适合描述“随机搜索”

---

有关详细说明，请参阅：

元启发式是一种与问题无关的高级算法 提供一套指导方针或战略的框架 启发式优化算法。该术语也用于指 启发式优化算法的问题特定实现 根据在这样一个框架中表达的指导方针（Sörensen， 2015年）

---

启发式是指导原则，元启发式是使用这些指导原则的框架

这真的取决于上下文。启发法是一种有用的规则，可以近似完美的答案/行为。如果没有上下文，添加meta不会赋予它任何特殊的意义，它只是意味着它是meta，即关于启发式的启发式。这是在算法上下文中。它仍然取决于上下文，这意味着你永远不会得到一个直接的答案，因为它们不是直接定义的。在人工智能领域，启发式是一种“良好猜测”功能，用作更大（通常是搜索）算法的构建块。元启发式本身就是一种“好猜测”系统，它不断完善自己的猜测。但这只是我的看法——这些东西太不明确了，甚至对启发式和元启发式进行比较评估的论文也没有定义，或者只提供了松散的定义。基本上，当你看到一个时，你就知道一个。你也有关于这个的来源吗？有一本关于元启发式的很棒的入门书。它在导言中或多或少地陈述了同样的观点。那么，既然你说的，NSGAII是一个元启发式算法，因为它可以适用于许多问题，甚至是我自己的复杂问题，但是如果我利用自己复杂问题的信息编写自己的算法，这意味着这是一个启发式算法？我知道其中的含义和区别了吗？（抱歉英语不好）@Aerox，NSGAII是遗传算法的变体，因此通常与问题无关。正如Touki所说，元启发式的具体实现（与书中的抽象实现相反）也是元启发式，即使您必须做出与表示、成本函数等相关的决策，这些决策通常与问题相关。不过，在这种情况下，您正在自己的问题中“实例化”一个元启发式，就像填充模板一样。不同之处在于，您没有利用特定于问题结构的信息来设计一次性解决方案。@Aerox，不确定我是否理解您的陈述。如果算法利用了关于问题结构的信息（隐式或显式），而这些信息在广泛的（优化）问题中并不常见，那么它就是一种特定的启发式算法。正如我之前所说的，差异是微妙的，而bor