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

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

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

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

该论文提出了一种将算法表示集成到算法选择过程中的方法，通过模块化提取问题和算法的表示，利用预训练的 LLMs 来计算匹配度，实验证实了该模型的有效性以及预训练 LLMs 的性能，表明该算法选择框架有潜力作为评估 LLMs 编码表示能力的基准任务。

Nov, 2023

本研究介绍了一个名为 OpenAL 的灵活开源框架，用于快速运行和比较现实任务中提出的采样可用性策略。该基准测试还增加了可解释性度量和统计分析方法，以确保对数据集的采样需求被最好地解决。

Apr, 2023

本文介绍了一个可访问、策划和开发的公共基准资源，用于促进不同机器学习方法的优缺点的识别。我们比较了这一资源中当前一组基准数据集的元特征，以表征可用数据的多样性。最后，我们应用了一些已经建立的机器学习方法到整个基准套件，并分析数据集和算法在性能方面是如何聚类的。该工作是了解流行基准套件的限制并开发将现有的基准标准与未来更多样化和有效标准相连接的资源的重要第一步。

Mar, 2017

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

我们提出了一种识别易解问题的方法，以便在不需要算法选择的情况下，使用普通求解器快速解决问题，并将节省的计算资源用于处理困难问题。在 BBOB 数据集上的实验证明，识别易解问题可大幅减少函数评估次数，并将节省的计算资源重新分配到困难问题上以提高性能。

Jun, 2024