Une méta-heuristique est une méthode générique pour la résolution de problèmes combinatoires NP-difficiles. La résolution de ces problèmes nécessite l'examen d'un très grand nombre (exponentiel) de combinaisons. Les méta-heuristiques contournent le problème de l'explosion combinatoire en n'explorant délibérément qu'une partie de l'espace des combinaisons. Ce chapitre présente les deux grandes familles d'approches heuristiques : les approches perturbatives, qui construisent des combinaisons en modifiant des combinaisons existantes, et les approches constructives, qui génèrent des combinaisons de façon incrémentale en utilisant pour cela un modèle stochastique. Ces différentes approches peuvent être hybridées, et nous présentons ensuite quelques uns des schémas d'hybridation les plus connus. Nous introduisons ensuite les notions d'intensification (exploitation) et de diversification (exploration), communes à toutes ces approches heuristiques : l'intensification vise à diriger l'effort de recherche aux alentours des meilleures combinaisons trouvées, tandis que la diversification vise à garantir un bon échantillonnage de l'espace de recherche. Enfin, nous développons deux applications de ces méta-heuristiques à la résolution de problèmes classiques de l'intelligence artificielle, à savoir la satisfiabilité de formules booléennes et la satisfaction de contraintes.