什么是启发式算式？
是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。
延伸阅读
阿德兰启发式算法的例题？
启发式算法一般用于解决NP-hard问题，其中NP是指非确定性多项式。
例如，著名的推销员旅行问题（Travel Saleman Problem or TSP）：假设一个推销员需要从南京出发，经过广州，北京，上海，…，等 n 个城市， 最后返回香港。 任意两个城市之间都有飞机直达，但票价不等。假设公司只给报销 C 元钱，问是否存在一个行程安排，使得他能遍历所有城市，而且总的路费小于 C？
推销员旅行问题显然是 NP 的。因为如果你任意给出一个行程安排，可以很容易算出旅行总开销。但是，要想知道一条总路费小于 C 的行程是否存在，在最坏情况下，必须检查所有可能的旅行安排。
启发式算法是相对于最优化算法提出的，是基于直观或者经验构造的算法，在可接受的开销（时间和空间）内给出待解决组合优化问题的一个可行解。
A算法是基于什么的一种加权启发式图搜索算法？
A算法是基于估价函数的一种加权启发式图搜索算法。
A算法又称为启发式搜索算法，即进行扩展时,都选取f值最小的节点进行排序，而且估价函数中带有问题自身的启发性信息。
有大神能解释一下启发式算法和人工智能算法的异同吗？
相同点：都依赖于计算机才能计算，无具体求解方程
不同点：前者是模拟某种现象规律而解决一些优化问题，后者是模拟人类大脑解决问题
A算法是基于什么？
A算法是一种启发式搜索算法，就是在状态空间中的搜索对某一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索，直到目标。这样可以省略大量无谓的搜索路径，提高了效率，在启发式搜索当中对位置的估价是很重要的，采用了不同的估价，可以有不同的效果。
此种算法可以用公式f（n）=g（n）+h（n）表示，其中f（n）是从最初点进入节点n到目标点的估价函数，g（n）是在状态空间中从初始节点到n节点的实际代价，h（n）是从n到目标节点最佳路径的估计代价，h*n是从n到目标节点最佳路径的实际代价，那么整个个启发式搜索过程，必须保证h（n）≤h*（n），否则输出出错，对于h（n）的选择，越接近h*（n）的速度越快。
元启式算法？
是启发式算法的改进，它是随机算法与局部搜索算法相结合的产物。
定义元启发式算法是相对于最优化算法提出来的，一个问题的最优化算法可以求得该问题的最优解，而元启发式算法是一个基于直观或经验构造的算法，它可以在可接受的花费(指计算时间和空间)下给出问题的一个可行解，并且该可行解与最优解的偏离程度不一定可以事先预计。
元启发式算法包括禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法、人工蜂群算法、人工神经网络算法等。
动态规划算法是启发式算法吗？
我一个个讲好了， 1）启发式算法：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定事先可以预计。
意思就是说，启发式算法是根据经验或者某些规则来解决问题，它求得的问题的解不一定是最优解，很有可能是近似解。
这个解与最优解近似到什么程度，不能确定。
相对于启发式算法，最优化算法或者精确算法（比如说分支定界法、动态规划法等则能求得最优解）。
元启发式算法是启发式算法中比较通用的一种高级一点的算法，主要有遗传算法、禁忌搜索算法、模拟退火算法、蚁群算法、粒子群算法、变邻域搜索算法、人工神经网络、人工免疫算法、差分进化算法等。
这些算法可以在合理的计算资源条件下给出较高质量的解。 2）仿生算法：是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。由于这些算法求解时不依赖于梯度信息，故其应用范围较广，特别适用于传统方法难以解决的大规模复杂优化问题。
主要有：遗传算法、人工神经网络、蚁群算法、蛙跳算法、粒子群优化算法等。
这些算法均是模仿生物进化、神经网络系统、蚂蚁寻路、鸟群觅食等生物行为。故叫仿生算法。
3）智能计算：也成为计算智能，包括遗传算法、模拟退火算法、禁忌搜索算法、进化算法、蚁群算法、人工鱼群算法，粒子群算法、混合智能算法、免疫算法、神经网络、机器学习、生物计算、DNA计算、量子计算、模糊逻辑、模式识别、知识发现、数据挖掘等。
智能计算是以数据为基础，通过训练建立联系，然后进行问题求解。 所以说，你接触的很多算法，既是仿生算法，又是启发式算法，又是智能算法，这都对。分类方法不同而已。 这次楼主不要再老花了哈！
