設定狀態變數及確定值域

確定狀態組，分別列出初始狀態集和目標狀態集

定義並確定操作集

估計全部狀態空間數，並儘可能列出全部狀態空間或給予描述

當狀態數不是很大時，依問題的有序元組畫出狀態空間圖，並依照狀態空間圖搜尋解

完備性

最優性

時間複雜度

空間浮渣度

核心思想是每次都選擇局部最優解，但演算法並不能保證最後得出的結果是全域最優解

大部分的貪婪演算法都是基於圖的方式來尋找最優路徑

貪婪演算法比較典型的案例就是最短路徑搜索

與廣度優先搜尋演算法類似，唯一不同的是，它是沿著樹的深度遍歷數的節點，盡可能遍歷搜尋數的分支

它會先遍歷根節點的第一個子節點，接著遍歷子節點的第一個子節點，並沿著樹的深度一直遍歷下去

解決自動尋路功能的演算法之一

作為一種常見的圖形搜尋演算法，它也被廣泛應用於解決其他各類演算法問題

一般情況下，對於一個節點，它的鄰居節點的集合被稱為open list，而在這個節點被遍歷之前，其他所有已經遍歷過的節點存於close list中

完備性：當分支因子有限時，演算法完備

最適性：當路徑代價是結點深度的非遞減函數時此演算法是最優的

時間複雜度：與寬度優先搜尋演算法一致

空間複雜度

電腦科學的兩大基礎目標，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演算法，但啟發式演算法則試圖一次提供一或全部目標

爬山法爬山法就是完全的貪心演算法，每一步都選最優位置，可能只能得到局部最優解

隨機重啟爬山法，當爬山步數超過一定值時，會重新打亂棋盤，重新“爬山”

最陡上山法的平均路徑長度更短，但是搜尋耗散卻比首選爬山法多，原因是，為了得到最陡的子結點，需要探查所有的相鄰子節點

試圖擴展離目標最近的結點，理由是這樣可能很快就能找到解

解LRP問題，收斂的準則是計算意義上的

最基本的一種求解整數規劃的方法

A演算法的搜尋效率很大程度取決於估價函數 h(n)

在滿足**h(n)≤h(n)**的前提下，h(n)的值越大越好

資訊性：h(n)的值越大，表示它攜帶的啟發性資訊越多，A演算法搜尋時擴展的節點就越少，搜尋的效率就越高

對於以往難以解決的函數最佳化問題 ,複雜的多目標規劃問題 ,工農業生產中的配管、配線問題 ,以及機器學習 ,圖象識別 ,人工神經網路的權係數調整和網路構造等問題

是一種用來在圖中尋找最佳化路徑的機率型技術

子其靈感來自螞蟻在尋找食物過程中發現路徑的行為，蟻群演算法是一種模擬進化演算法,初步的研究表明該演算法具有許多優良的性質主題

是一種基於Monte Carlo迭代求解策略的隨機尋優演算法，其出發點是基於物理中固體物質的退火過程與一般組合最佳化問題之間的相似性

其目的在於為具有NP（Non-deterministic Polynomial）複雜性的問題提供有效的近似求解演算法，它克服了其他最佳化過程容易陷入局部極小的缺陷和對初值的依賴性

以其實現容易、精度高、收斂快等優點引起了學術界的重視，並且在解決實際問題中展示了其優越性

是用來跳脫局部最優的搜尋方法

TS是人工智慧的體現，是局部領域搜尋的一種擴展

禁忌搜尋是一種亞啟發式隨機搜尋演算法，它從一個初始可行解出發，選擇一系列的特定搜尋方向(移動)作為試探，選擇實現讓特定的目標函數值變化最多的移動

為了避免陷入局部最優解，TS搜尋中採用了一種靈活的「記憶」技術，對已經進行的最佳化過程進行記錄和選擇，指導下一步的搜尋方向