در حالت كلی سه دسته از الگوریتم‌های هیوریستیك قابل تشخیص است:

1-       الگوریتم‌هایی كه بر ویژگی‌های ساختاری مساله و ساختار جواب متمركز می‌شوند و با استفاده از آنها الگوریتم‌های سازنده یا جستجوی محلی تعریف می‌كنند .

2-       الگوریتم‌هایی كه بر هدایت هیوریستیك یك الگوریتم سازنده یا جستجوی محلی متمركز می‌شوند به گونه‌ای كه آن الگوریتم بتواند بر شرایط حساس (مانند فرار از بهینه محلی) غلبه كند . به این الگوریتم‌ها ، متاهیوریستیك گفته می‌شود .

3-       الگوریتم‌هایی كه بر تركیب یك چارچوب یا مفهوم هیوریستیك با گونه‌هایی از برنامه‌ریزی ریاضی (معمولا روشهای دقیق) متمركز می‌شوند .

هیوریستیك‌های نوع اول می‌توانند خیلی خوب عمل كنند (گاهی اوقات تا حد بهینگی) اما ممكن است در جواب‌های دارای كیفیت پایین گیر كنند . همان طور كه اشاره شد یكی از مشكلات مهمی كه این الگوریتم‌ها با آن روبرو می‌شوند افتادن در بهینه‌های محلی است ، بدون اینكه هیچ شانسی برای فرار از آنها داشته باشند . برای بهبود این الگوریتم‌ها از اواسط دهه هفتاد ، موج تازه‌ای از رویكردها آغاز گردید . این رویكردها شامل الگوریتم‌هایی است كه صریحا یا به صورت ضمنی تقابل بین ایجاد تنوع جستجو (وقتی علائمی وجود دارد كه جستجو به سمت مناطق بد فضای جستجو می‌رود) و تشدید جستجو (با این هدف كه بهترین جواب در منطقه مورد بررسی را پیدا كند) را مدیریت می‌كنند .

این الگوریتم‌ها متاهیوریستیك نامیده می‌شوند . از بین این الگوریتم‌ها می‌توان به موارد زیر اشاره كرد:

• بازپخت شبیه‌سازی شده .

• جستجوی ممنوع .

• الگوریتم‌های ژنتیك .

• شبكه‌های عصبی مصنوعی .

• بهینه‌سازی مورچه‌ای یا الگوریتم‌های مورچه .