1.5.2 启发式方法
启发式方法又被称现代优化方法或智能优化方法，是针对传统优化方法的不足，运用一些经验法则来降低优化模型的数学精确程度，并通过模仿人的跟踪校对过程求取物流系统模型的满意解。启发式方法能同时满足详细描述问题和求解的需要，比传统优化算法更为实用，其缺点是难以知道何时求得最优解以及得到的解是否为全局最优解。因此，具体应用时应从实际需要出发，选择合适的方法。
1.模拟退火法（Simulated Annealing，SA）
模拟退火方法是模拟固体退火原理。将固体加热至充分高，然后让其冷却，加热时，固体内部粒子随温度升高变为无序状，内能增大；而冷却时，粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到优化组合问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接收或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得最优近似解。
2.禁忌搜索法（Taboo Search or Tabu，TS）
禁忌搜索法是对局部领域搜索的一种扩展，是一种全局逐步寻优算法，是对人类智力过程的一种模拟。禁忌搜索算法通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索，并通过蔑视准则来赦免一些被禁忌的优良状态，进而保证多样化的有效搜索以最终实现全局优化。禁忌搜索最重要的思想是标记对应已搜索的局部最优解的一些对象，并在进一步的迭代搜索中尽量避开这些对象（而不是绝对禁止循环），从而保证对不同有效搜索途径的探索。(https://www.daowen.com)
3.遗传算法（Genetic Algorithm，GA）
遗传算法是一种通过模拟自然进化过程搜索最优解的方法。它是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体，染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现。因此，在一开始需要实现从表现型到基因型的映射即编码工作。初代种群产生之后，按照适者生存、优胜劣汰的原则，逐代演化产生出越来越好的近似解，在每一代根据问题域中个体的适应度大小挑选个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
4.人工神经网络（Artificial Neural Network，ANN）
人工神经网络是模仿生物神经网络功能的一种经验模型。生物神经元手段传入刺激，又将其反应从输出端传到相连的其他神经元，输入和输出之间的变换关系一般是非线性的。神经网络是由若干简单（通常是自适应的）神经元及其层次组织，以大规模并行连接方式构造而成的网络，按照生物神经网络类似的方式处理输入信息。由于神经网络中的神经元之间复杂的连接关系和各神经元传递信号的非线性方式，输入和输出信号之间可以构建出各种各样的关系，因此可以用来作为黑箱模型，表达那些用机理模型还无法精确描述，但输入和输出之间确实存在的客观、确定性或模糊性的规律。常用的神经网络模型有BP神经网络模型等。
智能优化领域的算法发展日新月异，比较引人瞩目的还有蚁群算法、粒子群优化算法、捕食搜索算法等。此外，在综合多种方法优点的基础上，找到一种快速有效的新的混合算法，也是当前研究的一个热点问题。