传统优化方法：枚举法、启发式算法和搜索算法

1.枚举法

枚举出可行解集合内的所有可行解，以求出精确最优解。
对于连续函数，该方法要求先对其进行离散化处理，这样就可能因离散处理而永远达不到最优解。
当枚举空间比较大时，该方法的求解效率比较低，有时甚至在目前先进计算工具上无法求解。

2.启发式算法

寻求能产生可行解的启发式规则以找到一个最优解或近似最优解。
该方法求解效率较高，但对每一个需求解的问题必须找出其特有的启发式规则，这个启发式规则一般无通用性，不适合于其他问题。
现阶段，启发式算法以仿自然体算法为主，主要有蚁群算法、模拟退火法、神经网络等。

3.搜索算法

寻求一种搜索算法，该算法在可行解集合的一个子集内进行搜索操作，以找到问题的最优解或者近似最优解。
该方法虽然保证不了一定能够得到问题的最优解，但若适当地利用一些启发知识，就可在近似解的质量和效率上达到一种较好的平衡。主要有广度优先搜索（BFS）, 深度优先搜索（DFS）, 爬山法（Hill Climbing）, 最佳优先算法（Best-first search strategy） , 回溯法 （Backtracking）, 分支限界算法（Branch-and-bound Search Algorithm）, A*算法