启发式算法和元启发式算法都是用于解决优化问题的算法，本文介绍一下两者的区别。

启发式算法

启发式算法是一种利用规则或直觉来引导解决方案搜索的算法，通常不保证找到最优解，而是寻找一个在可接受时间内找到的较好解决方案。启发式算法通常是针对特定问题设计的。

元启发式算法

元启发式算法是一种高级问题独立的算法框架，提供一组指导方针或策略来开发启发式优化算法。元启发式算法不针对特定问题，而是可以应用于广泛的问题领域，类似于设计模式，是一种通用的算法思想。

启发式与元启发式算法差异

参考文献：A Comparative Study of Metaheuristic Algorithms

文献链接:https://arxiv.org/pdf/1407.4863

启发式算法和元启发式算法在算法效率上有一些异同之处。一般来说，启发式算法通常更注重解决特定问题的效率，因为它们针对具体问题设计，利用问题的特定信息来引导搜索过程，可能会更快地找到较好的解决方案。

相比之下，元启发式算法更注重通用性和灵活性，它提供了一种框架或方法来设计启发式算法，可以适用于多种不同类型的问题。元启发式算法的效率可能会受到算法框架的通用性和灵活性的影响，因为它们需要更多的计算资源和时间来适应不同类型的问题。

总体而言，启发式算法在特定问题上可能更高效，因为它们利用了问题的特定信息，而元启发式算法更具通用性，可以应用于多种问题，但可能在效率上略逊色。选择使用哪种算法取决于具体问题的复杂性、要求和解决方案的可接受程度。 

因此，我们经常使用的遗传算法、粒子群算法、差分进化算法等严格意义上来讲，应该都属于元启发式算法。当然我们称这些算法为启发式算法也没有问题，因为元启发式算法属于启发式算法的一种特定的类型。

专家学者论文中的描述

参考文献：Sörensen, K. (2015). Metaheuristics—the metaphor exposed. International Transactions in Operational Research, 22(1), 3-18.

A metaheuristic is a high-level problem-independent algorithmic framework that provides a set of guidelines or strategies to develop heuristic optimization algorithms. The term is also used to refer to a problem-specific implementation of a heuristic optimization algorithm according to the guidelines expressed in such a framework (Sörensen, 2015). 

翻译成中文：

元启发式算法是一种与问题无关的高级算法，提供一套指导方针或策略的框架。启发式优化算法是根据特定问题设计的算法。