Problemi optimizacije se najčešće opisuju adekvatnim matematičkim modelom, a zatim rešavaju koristeći egzaktne ili aproksimativne metode. Budući da veliki broj problema optimizacije spada u klasu NP-teških problema, egzaktne metode u praksi često ne mogu dati rešenja za probleme većih dimenzija, usled nedostatka vremena ili memorijskih resursa. Iz tog razloga koriste se metode koje, za razliku od egzaktnih metoda, ne garantuju optimalnost, ali dolaze do kvalitetnih rešenja u prihvatljivom vremenu izvršavanja.

Heuristički algoritmi rade “dobro” u velikom broju slučajeva, ali ne garantuju optimalnost dobijenog rešenja. Da bi heuristika vodila ka visokokvalitetnim rešenjima, njeni elementi i koraci moraju u velikoj meri biti zasnovani na specifičnostima konkretnog problema koji se rešava. U cilju formiranja metoda koje ne zavise od konkretnog problema koji se rešava i koje se mogu primeniti na širok spektar optimizacionih problema, kreirane su metaheurističke metode.

Osnovne karakteristike metaheurističkih metoda:

• Zasnovane na skupu uopštenih pravila na visokom apstraktnom nivou
• Ne garantuju optimalnost dobijenog rešenja
• Dolaze do kvalitetnih, neretko i optimalnih, rešenja u prihvatljivom vremenskom periodu
• Mogu se primeniti na veliki skup problema optimizacije

Osnovna podela metaheurističkih metoda:

• S-metaheuristike (engl. Single-solution based) - zasnovane na iterativnom poboljšanju jednog rešenja
• P-metaheuristike (engl. Population based) - istovremeno rade nad skupom rešenja koji se naziva populacija

Populacione metode (P-metaheuristike)

Najpoznatije P-metaheuristike su:

• Genetski algoritam
• Optmizacija mravljim kolonijama