算法和启发式

其他解决问题的方法包括与数学相关的程序，例如算法而且启发式，适用于结构良好和结构不良的问题。研究解决问题通常区别于算法还有启发法，因为每种方法解决问题的方式和方法都不一样保证的成功。

一个解决问题的算法是一种程序，如果严格遵循它，就能保证得到解决方案。在一个众所周知的例子中，大英博物馆的技术，“一个人希望在庞大的馆藏中找到一件展品大英博物馆但不知道物体的位置。通过对博物馆每个房间里陈列的每件物品进行顺序检查，这个人最终会找到那件物品，但这种方法可能会花费相当多的时间。因此，算法方法虽然肯定会成功，但往往很慢。

一个解决问题的启发式是一种非正式的、直观的、推测性的程序，在某些情况下可以得到解决方案，但在其他情况下不能。事实是，应用的结果启发式不可预测意味着该策略可能比使用算法．因此，如果一个人有一个的想法在大英博物馆的哪里可以找到最受欢迎的物品，通过启发式搜索而不是算法搜索可以节省大量时间。但如果一个人碰巧弄错了对象的位置，他就必须尝试另一种启发式方法或求助于算法。

尽管有一些解决问题的启发式方法，但只有少数是经常使用的。它们被称为手段-目的分析，向前工作，向后工作，生成和测试。

在方法-目的分析，问题解决者从分析开始展望最终目标，然后决定在当前情况下实现目标的最佳策略。例如，如果有人想从纽约在尽可能短的时间内到达波士顿，那么，在驾驶过程中的任何给定时间点，人们都会选择最短的路线，以完成剩余的距离，考虑到交通状况、天气状况等等。

在向前工作的方法，顾名思义，问题解决者试图从头到尾解决问题。来自纽约市到波士顿的路线可以简单地参考地图，并确定从纽约市到波士顿的最短路线。在向后工作的方法，解决问题的人从最后开始，并朝着开始工作。例如，假设有人计划从纽约到巴黎旅行。人们希望到达自己在巴黎的旅馆。要到达目的地，需要从奥利机场乘出租车。要到达机场，需要坐飞机;以此类推，回到原点。

通常是最不系统的解决问题的启发式方法生成-测试方法涉及生成替代行动路线，通常是随机的，然后确定每条路线是否能解决问题。在绘制从纽约到波士顿的路线时，可以先生成一条可能的路线，然后看看是否能迅速得到一条从纽约到波士顿的路线;如果是这样，那就坚持这条路线。如果不是，则生成另一条路由并评估它。最终，人们会选择一条似乎最有效的路线，或者至少是一条有效的路线。正如这个例子所表明的，可以区分优化策略(为解决方案提供最佳路径)和满意策略(生成的第一个可接受的解决方案)。优化的优点是它能产生最好的策略;满意的好处是它减少了计划中涉及的时间和精力。