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

提出一种基于预测模型的算法配置方法，利用算法在先前基准测试的性能信息来对新类型的基准测试进行热启动配置，实验证明相较于现有的算法配置方法，该方法在优化硬组合问题求解器时可大幅提升速度（最高可达 165 倍），同时可以在相同的计算预算下找到更好的配置。

Sep, 2017

本文探讨了自动算法配置 (AAC) 中的性能估计问题，首先证明了在实际设置中的通用最佳性能估计器，然后分别考虑了有限和无限配置空间，建立了估计误差的理论界限，并在四个涉及不同问题领域的算法配置情景中进行了广泛的实验验证。此外，本文还提出了加强现有 AAC 方法的见解。

Nov, 2019

文章主要介绍了一个新兴的自动化动态算法配置（DAC）领域，总结了相关先前的研究成果和现有的解决方法，并进行了以进化优化、人工智能规划和机器学习为例的实证案例研究。

May, 2022

研究自动化算法配置的困境及解决方案，提出了避免实验设计问题和达到最新性能的最佳实践，并介绍了可处理多个问题的工具 GenericWrapper4AC。

May, 2017

本文扩展了算法配置的自动化调节方法，使用后处理方法、多阶段方法和多臂赌博机的在线算法来实现自动检测配置数据集中的多个模式。在多个机器人应用领域中，如立体深度估计、可微分渲染、运动规划和视觉测速中，本文反映了这些方法的性能优势。

Mar, 2023

本文描述了一种自动化算法配置框架，其中提供了用于通过变化一组序数和 / 或分类参数来优化目标算法在给定问题实例类上的性能的方法，并提供了用于加速本地搜索的算法配置过程的新技术，同时通过对 SAT 的完整和不完整算法进行配置，评估了我们方法的结果，同时还提供了关于自动配置 CPLEX 混合整数规划求解器的首个已知结果。

Jan, 2014

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

我们提出了一种基于机器学习和优化的方法来选择给定实例的求解器配置。通过使用一组求解实例和配置来学习求解器的性能函数，然后利用学习得到的信息构建一个混合整数非线性规划问题，在未知实例到达时解决该问题，以找到基于性能函数的最佳求解器配置。我们的方法的主要创新在于将配置集搜索问题定义为数学规划问题，这使得我们可以有效地通过现成的优化工具强制执行配置的依赖和兼容性约束，并高效地解决该问题。

Jan, 2024

研究了在给定一组配置和一个大的数据集随机划分为训练和测试集的情况下，如何在训练集上训练以获取近似最高测试精度的最佳配置，使用置信区间（CI）-based 渐进采样和剪枝策略，能够保证小的精度损失。与使用完整数据寻找精确最佳配置相比，我们的解决方案实现了超过两个数量级的速度提升，而返回的顶部配置具有相同或接近的测试准确性。

Nov, 2018