算法選擇（有時也稱為每實例算法選擇或離線算法選擇）是一種元算法技術，在逐個實例的基礎上從組合中選擇一種算法。它的動機是，在許多實際問題上，不同的算法具有不同的性能特征。也就是說，雖然一種算法在某些情況下表現良好，但在另一些情況下卻表現不佳，反之亦然。如果我們能夠確定何時使用哪種算法，我們就可以針對每個場景進行優化，并提高整體性能。這就是算法選擇所要做的。應用算法選擇技術的xxx前提是，存在（或可以構建）一套互補的算法。

布爾可滿足性問題（和其他硬組合問題）算法選擇的一個著名應用是布爾可滿足性問題。在這里，算法組合是一組（互補的）SAT求解器，實例是布爾公式，成本指標是例如平均運行時間或未解決實例的數量。因此，我們的目標是為每個單獨的實例選擇一個表現良好的SAT求解器。以同樣的方式，算法選擇可以應用于許多其他的-困難問題（如混合整數編程、CSP、人工智能規劃、TSP、MAXSAT、QBF和答案集編程）。在SAT競賽中獲勝的系統有SATzilla、3S和CSHC。

在機器學習中，算法選擇更多地被稱為元學習。算法組合包括機器學習算法（例如，隨機森林、SVM、DNN），實例是數據集，成本指標是例如錯誤率。因此，目標是預測哪種機器學習算法在每個數據集上的誤差小。

算法選擇問題主要是通過機器學習技術來解決的。通過用數字特征表示問題實例{displaystylef}，算法的選擇可以被看作是對問題實例的選擇。的映射，算法選擇可以被看作是一個多類分類問題，通過學習實例特征是實例的數字表示。例如，我們可以計算變量的數量、子句的數量、布爾公式的平均子句長度，或者ML數據集的樣本數量、特征、類平衡，以獲得對其特征的印象。

我們對兩種特征進行區分。靜態特征在大多數情況下是一些計數和統計（例如SAT中的子句與變量之比）。這些特征從非常便宜的特征（比如變量的數量）到非常復雜的特征（比如關于變量-句子圖的統計）。探測特征（有時也被稱為里程碑特征）是通過在一個實例上運行一些算法行為分析來計算的（比如一個便宜的決策樹算法在ML數據集上的準確性，或者在一個布爾公式上短時間內運行一個隨機的局部搜索求解器）。這些特征往往比簡單的靜態特征成本更高。特征成本取決于所使用的性能指標例如，如果我們使用運行時間作為性能指標，我們就會把計算實例特征的時間計入算法選擇系統的性能中。

SAT求解是一個具體的例子，這種特征成本不能被忽視，因為CNF公式的實例特征可以是非常便宜的（例如，對于DIMACs格式的CNF來說，得到變量的數量可以在恒定的時間內完成），也可以是非常昂貴的（例如，圖特征可能要花費幾十或幾百秒）。在這種情況下，在實踐中考慮特征計算的開銷是很重要的；否則會對算法選擇方法的性能產生誤導。例如，如果可以非常準確地決定選擇哪種算法，但特征是組合算法的運行時間，那么組合方法就沒有任何好處。