算法工程專注于計算機算法的設計、分析、實現、優化、剖析和實驗評估，彌補了軟件工程中算法理論和實際應用之間的差距。它是一種算法研究的一般方法。

算法工程并不打算取代或與算法理論競爭，而是試圖用實驗算法（也稱為經驗算法）來豐富、完善和加強其正式方法。這樣，它就可以在以下情況下為算法的效率和性能提供新的見解手頭的算法不太適合于算法理論分析，形式分析悲觀地提出了不太可能出現在實際興趣的輸入上的界限，算法依賴于現代硬件架構的復雜性，如數據定位、分支預測、指令停滯、指令延遲，而算法理論中使用的機器模型無法捕獲所需的細節，需要確定具有不同恒定成本和漸近行為的競爭算法之間的交叉。方法論一些研究者將算法工程的方法論描述為由算法設計、分析、實現和實驗評估組成的循環，并加入了機器模型或現實輸入等進一步的內容。他們認為，將算法工程等同于實驗算法學的做法過于局限，因為將設計和分析、實現和實驗視為獨立的活動，忽略了算法工程中這些要素之間的關鍵反饋回路。

雖然具體的應用是在算法工程的方法論之外，但它們在塑造問題和底層機器的現實模型方面發揮著重要作用，并為實驗提供真實的輸入和其他設計參數。

與通常專注于算法的漸進行為的算法理論相比，算法工程師需要牢記進一步的要求。此外，算法的常數因素對現實世界的輸入有相當大的影響，有時由于常數因素較低，具有較差的漸進行為的算法在實踐中表現得更好。

有些問題可以用啟發式算法和隨機式算法來解決，比確定性算法更簡單、更有效。不幸的是，這使得即使是簡單的隨機算法也很難分析，因為有一些微妙的依賴關系需要考慮到。

理論見解、制定的算法、編程語言和硬件之間巨大的語義差距對甚至簡單算法的有效實施構成了挑戰，因為小的實施細節會對執行行為產生漣漪效應。比較算法的幾種實施的xxx可靠方法是花相當多的時間進行調整和分析，在多種架構上運行這些算法，并查看生成的機器代碼。實驗見。實驗算法學

用于實驗的算法的實現與可用于應用的代碼有很大的不同。前者優先考慮快速的原型設計、性能和實驗過程中的測量儀器，后者需要徹底的測試、可維護性、簡單性和對特定類別的輸入進行調整。