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

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

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

本研究针对进化计算领域中的算法选择问题，通过提出一种自适应 CMA-ES 算法的选择方式并测试，取得了比之前研究更稳健的结果，证明了模块选择对于不同优化问题的关键作用。

Apr, 2019

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

最近，通过学习动态金融市场中的空间和时间信息，采用深度学习或强化学习方法对投资组合进行优化。然而，在大多数情况下，现有的方法可能会根据传统价格数据产生偏斜的交易信号，由于大量市场噪音，这可能导致投资回报和风险无法平衡。因此，本文提出了一种多智能体和自适应投资组合优化框架，集成了注意机制和时间序列，即 MASAAT，其中创建了多个交易智能体以观察和分析价格序列和方向变化数据，以识别不同粒度级别上资产价格的显著变化，从而增强价格序列的信号噪声比。通过重构金融数据的令牌序列，每个智能体的基于注意力的横截面分析模块和时间分析模块可以有效捕捉资产之间的相关性和时间点之间的依赖关系。此外，将投资组合生成器集成到所提出的框架中，以融合空间 - temporal 信息，然后总结所有交易智能体建议的投资组合，生成新的合奏投资组合，以减少偏斜的交易行为，并平衡整体回报和风险。实验结果清楚地表明，与许多知名的投资组合优化方法相比，MASAAT 框架在 DJIA、S&P 500 和 CSI 300 三个具有挑战性的数据集上取得了令人印象深刻的增强效果。更重要的是，我们的提案在未来的研究中具有许多潜在优势应用。

Apr, 2024

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

本文通过采用在线多臂赌博策略，采用多种参数化的收购功能组合（其中最佳的是 GP-Hedge），优于使用单一收购方法，提高了排序算法的性能，并提供了算法性能的理论界限。

Sep, 2010