该文概述了自动算法选择的研究，涵盖离散问题和连续问题的应用，并讨论算法配置、调度或组合选择等相关方法。此外，文章还提供了离散问题和连续问题的问题实例特征概述，并对未来的工作进行了展望，讨论了许多开放性的研究挑战。

Nov, 2018

本文使用统计和在线学习理论的概念来分析特定应用领域下的算法选择问题，并将算法选择建模为统计学习问题，同时研究了在线算法选择问题的可能性和不可能性结果。

Nov, 2015

本文旨在提供关于在线投资组合选择技术的一揽子研究，其中包括基准线、赢家追踪方法、输家追踪方法、基于模式匹配的方法和元学习算法等在内的多个状态性方法，同时探讨这些算法与资本增长理论之间的关系。此文旨在帮助研究人员和投资经理更好地了解这些技术及其潜在应用，并评估未来研究方向的新趋势。

Dec, 2012

算法优化领域已经通过自动配置算法参数的方法显著进展。本文深入研究了算法配置问题，重点优化针对特定决策 / 优化问题实例的参数化算法。我们提出了一个全面的框架，不仅形式化了算法配置问题，还概述了利用机器学习模型和启发式策略解决该问题的不同方法。本文将已有的方法论分为按实例和按问题的方法，并区分了模型构建和部署的离线和在线策略。通过综合这些方法，我们旨在为理解和应对算法配置中固有的复杂性提供清晰的路径。

Mar, 2024

本文提出了基于整数规划的方法来构建用于算法选择问题的决策树，并使用 COIN-OR Branch & Cut solver 实现的线性规划算法进行了实验。实验结果表明，该方法具有很好的泛化性能且未过度拟合。

Jul, 2019

文章提出了一个能够表示不同场景的算法选择标准格式和一个包含文献中日益增多的数据集的存储库，使用这个标准还可建立和评估算法选择模型，从而得到显著的性能改进。

Jun, 2015

从 ASLib 中的六个数据集中评估了三种方法：基于预测不确定性的主动学习、使用超时预测器增强算法预测器以及使用逐步增加超时的方式收集训练数据，并展示了每个选项所实现的标记成本的降低。

May, 2024

介绍了解决图上组合优化问题的现有方法存在的问题，调查了与计算复杂性相关的机器学习研究的发展，并组织和比较了解决组合优化问题的学习结构。

May, 2020

通过对单目标连续黑箱优化领域的算法选择的关键贡献进行概述，我们介绍了在优化问题实例、算法实例及其交互的元特征表示学习方面的正在进行的工作，并研究了用于自动算法选择、配置和性能预测的机器学习模型，通过这些分析，我们发现了现有技术的不足之处，并提出了进一步发展元特征表示的思路。

Jun, 2024

本文探讨了基于组合算法选择的一个有效算法配置过程，分析了三种情况可能导致多样性的算法集合与性能预测之间的差距，提出了一种 end-to-end 的学习理论分析集合组合与算法选择的方法，并通过实验证明个体算法选择器的复杂性和算法性能的学习理论复杂性将会对方案的性能产生重要影响。

Dec, 2020