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

离线算法选择，算法组合，固定预算设置，函数评估，优化问题。

May, 2024

本文针对设计算法组合的问题，提出了并行考虑调度问题和机器学习问题的技术，并在布尔可满足性、01 整数规划和人工智能规划等领域取得了显著的实验性能提升，具有较强的理论保证。

Jun, 2012

近年来，深度强化学习在在线组合选择中的应用得到了广泛的关注。我们提出了一个新的培训和评估过程以评估古典深度强化学习算法在组合管理中的表现，发现大多数深度强化学习算法不够健壮，策略泛化能力差，在回归测试期间很快退化。

Jun, 2023

采用基于元表示的数据驱动技术对算法进行组合选择，实现多样性、代表性和非冗余的算法组合，并且相比传统贪婪方法，个性化组合在大多数情况下表现相当或稍好。

Oct, 2023

通过基本理念和关键原则的系统回顾以及对不同算法和技术的适当分类，此调查旨在提供对在线机器学习文献的全面调查。总体而言，现有的在线学习作品可以根据学习类型和反馈信息的形式分为三个主要类别：（i）始终可用全反馈信息的监督式在线学习，（ii）具有有限反馈的在线学习，以及（iii）无反馈可用的无监督在线学习。

Feb, 2018

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

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

该论文综述了算法选择问题的研究现状及其在组合搜索问题中的性能提升，归纳了目前算法选择的多种方法并且讨论了使用这些方法的不同方向，最后总结出未来研究的方向。

Oct, 2012

本研究提出了一种基于深度强化学习的成本敏感投资组合选择方法，使用两个投资组合策略网络提取价格序列模式和资产相关性，通过新的成本敏感回报函数约束成本并实现最大的累积回报，经实际数据验证，该方法具有良好的获利能力、成本敏感性和代表能力。

Mar, 2020