A Survey of Meta-features Used for Automated Selection of Algorithms for Black-box Single-objective Continuous Optimization

这篇文章讨论了在解决一个问题实例时选择最合适的算法，也就是算法选择，这个过程是基于不同算法在问题实例集合中的互补性能力。然而，确定一个未知问题实例的最优算法被证明是一个具有挑战性的任务，近年来已经引起了研究人员的重视。在这篇综述中，我们概述了单目标连续黑盒优化领域中算法选择的关键贡献。我们介绍了元特征表示学习的持续工作，包括优化问题实例、算法实例及它们之间的相互作用。我们还研究了用于自动化算法选择、配置和性能预测的机器学习模型。通过这个分析，我们确定了现有技术的差距，并提出了进一步发展元特征表示的想法。

基于元特征的单目标连续黑盒优化算法选择的综述

本文综述了基于元特征的算法选择的研究现状，包括元特征的表示学习、自动算法选择和性能预测等方面，并提出了未来研究的方向

本文着重介绍了基于元特征的算法选择方法，这种方法可以通过对问题实例、算法实例及其交互关系的元特征进行表示学习，从而实现自动算法选择和性能预测。此外，本文还分析了当前研究中存在的不足，并提出了未来研究的方向和建议。

近期相关研究包括：1. 'A Survey of Hyper-Heuristic Frameworks'；2. 'A Review of Meta-Learning for Deep Neural Networks: Adaptation and Personalization'；3. 'Automatic Algorithm Selection for Complex Simulation Optimization Problems Using Meta-Learning'等