Trong những năm gần đây, các thuật toán tìm kiếm ngẫu nhiên đã được sử dụng như là kỹ thuật chính để đạt được giải pháp tối ưu trong việc giải quyết các vấn đề thực tế. Các thuật toán như vậy chủ yếu đạt được tối ưu từ việc khai thác ngẫu nhiên làm cho các thuật toán này khác biệt so với các phương pháp xác định. Thuật toán xác định đáng tin cậy sẽ đưa ra câu trả lời giống nhau cho một vấn đề nhất định với một điểm khởi đầu giống nhau. Tuy nhiên, hành vi này dễ dẫn đến “cạm bẫy” tối ưu cục bộ, nó có thể xem như một bất lợi cho các kỹ thuật tối ưu xác định. Sự trì trệ tối ưu cục bộ đề cập đến cạm bẫy của thuật toán trong giải pháp cục bộ và kết quả là sự thất bại trong việc tìm kiếm tối ưu toàn cầu thực sự. Khi gặp những vấn đề thực tế có số lượng lớn các giải pháp cục bộ, các thuật toán xác định sẽ mất đi độ tin cậy trong việc tìm kiếm tối ưu toàn cầu.
Thuật toán tối ưu ngẫu nhiên (metaheuristic algorithms) đề cập đến giả định các thuật toán khai thác ngẫu nhiên bao gồm các thuật toán tiến hóa (evolutionary algorithm). Đặc tính ngẫu nhiên là đặc điểm chính của thuật toán ngẫu nhiên. Chúng sử dụng việc khai thác ngẫu nhiên khi tìm kiếm để đạt được tối ưu toàn cầu trong không gian tìm kiếm.
Mặc dù bản chất ngẫu nhiên của các kỹ thuật như vậy có thể làm các thuật toán này không đáng tin cậy trong việc có được một giải pháp tương tự trong mỗi lần chạy, các thuật toán này có thể tránh được giải pháp cục bộ dễ dàng hơn nhiều so với các thuật toán xác định. Các hành vi ngẫu nhiên cũng đạt được kết quả trong việc đưa ra các giải pháp khác nhau cho một vấn đề nhất định trong mỗi lần chạy.
Thuật toán tiến hóa tìm kiếm tối ưu toàn cầu trong một không gian bằng cách tạo ra một hoặc nhiều giải pháp ngẫu nhiên cho một vấn đề nhất định. Tập hợp này được gọi là được gọi là tập hợp các giải pháp “ứng cử”. Tập hợp này được cải thiện sau các vòng lặp cho đến khi đạt điều kiện dừng. Những cải tiến có thể được coi như việc tìm kiếm một xấp xỉ chính xác hơn về tối ưu toàn cầu so với những dự đoán ngẫu nhiên ban đầu. Cơ chế này mang đến cho các thuật toán tiến hóa một số thuận lợi thực sự: vấn đề độc lập, độc lập về nguồn gốc, tránh tối ưu cục bộ và sự đơn giản.
Một số thuật toán được biết đến nhiều trong lĩnh vực này là: Genetic Algorithms (GA), Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), Differential Evolution (DE), Evolutionary Programming (EP). Mặc dù các thuật toán này có thể giải quyết nhiều vấn đề thực tế và đầy thử thách, khái niệm gọi là No Free Lunch theorem cho phép các nhà nghiên cứu đề xuất các thuật toán mới. Theo khái niệm này, các thuật toán sẽ thực hiện bình đẳng với nhau khi giải quyết tất cả các vấn đề tối ưu hóa. Theo đó, một thuật toán có thể rất hiệu quả trong việc giải quyết một nhóm các vấn đề nhưng không có hiệu quả trong một nhóm các vấn đề khác. Đây là nền tảng của nhiều công trình trong lĩnh vực này. Một số các thuật toán gần đây như là: Grey Wolf Optimizer (GWO), Artificial Bee Colony (ABC), Firefly Algorithm (FA), Cuckoo Search (CS), Cuckoo Optimization Algorithm (COA), Gravitational Search Algorithm (GSA), Charged System Search (CSS), Magnetic Charged System Search, Ray Optimization (RO), Colliding Bodies Optimization (CBO), Hybrid Particle Swallow Swarm Optimization (HPSSO), Democratic Particle Swarm Optimization (DPSO), Dolphin Echolocation (DE) và Chaotic Swarming of Particles (CSP).