W problemach wyszukiwania chcieliśmy znaleźć ścieżki w przestrzeni poszukiwań, takie jak droga z Aradu do Bukaresztu. Ale czasami zależy nam tylko na stanie końcowym, a nie na drodze do niego. Na przykład w zadaniu 8 hetmanów zależy nam tylko na znalezieniu poprawnej końcowej konfiguracji 8 hetmanów (ponieważ znając konfigurację, zrekonstruowanie kroków, które ją utworzyły, jest trywialne). Odnosi się to również do wielu ważnych aplikacji, takich jak projektowanie obwodów scalonych, rozplanowanie hali produkcyjnej, planowanie warsztatów, automatyczne programowanie, optymalizacja sieci telekomunikacyjnej, planowanie upraw i zarządzanie portfelem. Algorytmy wyszukiwania lokalnego działają poprzez przeszukiwanie od stanu początkowego do stanów sąsiednich, bez śledzenia ścieżek ani zbioru stanów, które zostały osiągnięte. Oznacza to, że nie są systematyczne – mogą nigdy nie zbadać części przestrzeni wyszukiwania, w której faktycznie znajduje się rozwiązanie. Mają jednak dwie kluczowe zalety: (1) zużywają bardzo mało pamięci; oraz (2) często potrafią znaleźć rozsądne rozwiązania w dużych lub nieskończonych przestrzeniach stanów, dla których systematyczne algorytmy są nieodpowiednie. Algorytmy wyszukiwania lokalnego mogą również rozwiązywać problemy optymalizacyjne, których celem jest znalezienie najlepszego stanu zgodnie z funkcją celu. Aby zrozumieć wyszukiwanie lokalne, rozważ stany problemu ułożone w krajobrazie przestrzeni stanów, jak pokazano na rysunku
Każdy punkt (stan) w krajobrazie ma „elewację”, określoną przez wartość funkcji celu. Jeśli wzniesienie odpowiada funkcji celu, wówczas celem jest znalezienie najwyższego szczytu – globalnego maksimum – a proces ten nazywamy wspinaczką górską. Jeśli wysokość odpowiada kosztowi, celem jest znalezienie najniższej doliny – globalnego minimum – i nazywamy to opadaniem gradientowym.