الگوريتم هاي ديگري نيز هستند كه تضمين مي دهند با احتمال بالا جواب نزديك بهينه توليد كنند كه به آن ها الگوريتم هاي احتمالي گفته مي شود. جداي از اين دو دسته، مي توان الگوريتم هايي را پذيرفت كه هيچ تضميني در ارائه جواب ندارند اما براساس شواهد و سوابق نتايج آن ها، به طور متوسط بهترين تقابل كيفيت و زمان حل براي مسئله مورد بررسي را به همراه داشته اند. به اين  الگوريتمها،  الگوريتمهاي هيوريستيك گفته  ميشود  .

هيوريستيك ها عبارتند از معيارها،  روشها يا اصولي براي  تصميم گيري بين چند گزينه و انتخاب  اثربخش ترين براي دستيابي به اهداف مورد نظر. در حالت كلي سه دسته از الگوريتمهاي هيوريستيك قابل تشخيص است:

1. الگوريتمهايي كه بر ويژگيهاي ساختاري مساله و ساختار جواب متمركز ميشوند و با استفاده از آنها الگوريتمهاي سازنده يا جستجوي محلي تعريف ميكنند.
2. الگوريتمهايي كه بر هدايت هيورستيك يك الگوريتم سازنده يا جستجوي محلي متمركز ميشوند، به گونهاي كه آن الگوريتم بتواند بر شرايط حساس (مانند فرار از بهينه محلي) غلبه كند. به اين الگوريتمها، متاهيورستيك گفته مي -شود.
3. الگوريتمهايي كه بر تركيب يك چارچوب يا مفهوم هيورستيك با گونههايي از برنامه ريزي رياضي (معمولاً روشهاي دقيق) متمركز ميشوند.

هيوريستيكهاي نوع اول ميتوانند خيلي خوب عمل كنند ،(گاهي اوقات تا حد بهينگي) اما ميتوانند در جوابهايي با كيفيت پايين گير كنند. براي بهبود اين الگوريتم ها از اواسط دهه هفتاد، موج  تازهاي از رويكردها آغاز گرديد. اين رويكردها شامل  الگوريتمهايي است كه صريحاً يا به صورت ضمني تقابل بين ايجاد تنوع  جستجو (وقتي علائمي وجود دارد كه جستجو به سمت مناطق بد فضاي جستجو  ميرود) و تشديد جستجو (با اين هدف كه بهترين جواب در منطقه مورد بررسي را پيدا كند) را مديريت  ميكنند. اين  الگوريتمها متاهيوريستيك ناميده  ميشوند. از بين اين  الگوريتمها  ميتوان به موارد زير اشاره كرد:

الگوريتم ژنتيك (GA)، شبيه سازي آنيلينگ (SA)، جستجوي ممنوع (TS)، الگوريتم ازدحام ذرات (PSO)، بهينه سازي كلوني مورچگان (ACO)، الگوريتم كرم شبتاب (FA)، الگوريتم رقابت استعماري (ICA)، الگوريتم جستجوي هارموني (HS)، الگوريتم بهينه سازي فاخته _(COA) و….

[1] . Genetic Algorithms

[2] . Simulated Annealing

[3] . Tabu Search

[4] . Particle Swarm Optimization

[5] . Ant Colony Optimization

[6] . Firefly Algorithm

[7] . Imperialist Competitive Algorithm

[8] . Harmony Search

[9] . Cuckoo Optimization Algorithm

مقدمه ای بر روشهای حل برای مسایل بهینه سازی و ضرورت بکارگیری آنها
مقدمه ای بر تتوری پیچیده گی ها و هوش مصنوعی با تاکید بر الگوریتهای تکاملی
انواع الگوریتهای فراابتکاری و مكانيزم اجرايي الگوريتم ژنتيك
نحوه نمایش جوابها و اعمال اپراتورهاي ژنتيك در مسائل مهم مهندسي صنايع مانند مساله كوله پشتي، مساله حداقل درخت پوششی، مساله فروشنده دوره گرد و مساله پوشش مجموعه¬ها
طراحی واجرای الگوريتم ژنتيك برای مسایل بهینه سازی قابلیت اطمینان، زمانبندی عملیات، مساله حمل و نقل، مساله استقرار تسهيلات
الگوريتم شبيه سازي تبريد و الگوريتم جستجوي ممنوع
الگوريتم بهینه سازی ذرات انبوه و الگوريتم تكامل تفاضلي
الگوريتم جستجوي پراكنده، الگوريتم جستجوي تطبيقی تصادفي حريصانه و الگوريتم ارتباط مجدد مسيرها
برنامه نویسی و اجرای الگوریتمهای فراابتکاریدر محیط نرم افزار متلب
الگوريتم جستجوي محلي جهت دار شده و الگوريتم جستجوي همسايگي متغير
طراحي آزمايش برای تنظیم پارامترها و تحلیل آماری
الگوریتم کلونی زنبورها و الگوریتم رقابت استعماری
الگوریتم بهینه سازی میرایی ارتعاش، الگوریتم فاخته و الگوریتم کرم شب تاب
مقدمه ای بر مسایل بهینه سازی چند هدفه و الگوریتمهایتکاملی چند هدفه
برنامه نویسی و حل مسایل بهینه سازی ترکیباتی مختلف در حوزه مهندسی صنایع

نوشته گنجینه فیلم های آموزشی فارسی الگوریتم های بهینه سازی تکاملی-هوش مصنوعی اولین بار در ایران متلب پدیدار شد.