为了优化，来自维基百科：
在计算机科学中，元启发式指定了一种计算方法，该方法通过迭代地尝试改进关于给定质量度量的候选解决方案来优化问题。元启发式对正在优化的问题做出很少或没有假设，并且可以搜索非常大的候选解决方案空间。然而，元启发式并不能保证找到最佳解决方案。许多元启发式算法实现了某种形式的随机优化。
与元启发式具有相似含义的其他术语是：无导数、直接搜索、黑盒或实际上只是启发式优化器。已经出版了几本关于该主题的书籍和调查论文。
我想知道如何判断优化方法是否是元启发式的？例如，
(1) 线性规划的单纯形法是元启发式的吗？
（2）大多数非线性规划方法，如梯度下降法、拉格朗日乘子法、惩罚法、内点法（障碍法）、元启发式？
(3) 所有无梯度方法，例如 Nelder-Mead 方法或下坡单纯形法，都是元启发式的吗？
有哪些不是元启发式的优化方法？
更一般地（超越优化）用于解决问题的技术，来自Wikipedia：
启发式是指基于经验的解决问题、学习和发现的技术。在穷举搜索不切实际的情况下，启发式方法用于加快寻找满意解决方案的过程。这种方法的例子包括使用经验法则、有根据的猜测、直觉判断或常识。
更准确地说，启发式是使用易于访问但应用松散的信息来控制人类和机器解决问题的策略。
我想知道如何理解“启发式”的含义？
我如何判断“问题解决、学习和发现”技术是否是启发式的？
有哪些非启发式的“问题解决、学习和发现”技术？
谢谢并恭祝安康！