常用的启发式算法包括模拟退火算法(SA)、蚁群算法(ACO)、粒子群算法(PSO)、遗传算法(GA)、禁忌搜索算法(TS)等。以下是这些算法的详细解释：
- 模拟退火算法(SA)：模拟退火算法是一种概率算法，它借鉴了物理学中固体退火过程的原理。该算法通过随机过程寻找最优解，并在搜索过程中允许一定程度的恶化，以跳出局部最优解，从而找到全局最优解。模拟退火算法在求解组合优化问题时表现出色。
- 蚁群算法(ACO)：蚁群算法是一种基于蚁群觅食行为的优化算法。在算法中，每只蚂蚁都在解空间中进行搜索，并在所经过的路径上释放信息素。信息素浓度的变化引导蚂蚁群体的搜索方向，使得算法能够找到问题的最优解。蚁群算法适用于解决如旅行商问题等优化问题。
- 粒子群算法(PSO)：粒子群算法是一种基于群体智能的优化算法。在算法中，每个粒子代表问题的一个潜在解，粒子们通过跟随当前最优粒子在解空间中搜索。粒子群算法通过不断调整粒子的速度和位置来寻找最优解，具有收敛速度快、实现简单的特点。
- 遗传算法(GA)：遗传算法是一种模拟自然选择和遗传学机制的优化算法。算法通过选择、交叉和变异等操作对候选解集进行迭代，逐步逼近问题的最优解。遗传算法具有较强的全局搜索能力，能够避免陷入局部最优解。
- 禁忌搜索算法(TS)：禁忌搜索算法是一种避免搜索陷入局部最优解的方法。算法通过维护一个禁忌列表来避免循环搜索和重新搜索先前的状态，同时结合邻域搜索技术，不断扩展搜索空间，从而找到全局最优解。
这些启发式算法各具特色，在实际应用中可以根据问题的特点选择合适的算法进行求解。它们通常能够在可接受的时间和空间开销内，给出待解决组合优化问题的一个可行解，尽管这个解可能不是最优的，但已经足够满足实际应用的需求。