算法运行时间预测：研究现状

基于摘要分析。本文研究如何根据问题实例特征与算法参数，用机器学习预测算法在未见输入上的运行时间，服务于算法分析、基于算法组合的算法选择，以及参数化算法的自动配置。研究对象是 SAT、TSP 和 MIP 求解算法，而非神经信号解码或 BCI。 方法上，作者扩展和改进已有运行时间模型，引入新的模型族，并更系统地将算法参数作为模型输入；同时整理用于 SAT、TSP 和 MIP 运行时间预测的新旧实例特征。摘要未提供具体模型名称、特征定义、损失函数或训练流程，相关实现细节尚未验证。 评估覆盖 11 种算法和 35 种问题实例分布，实例来源从均匀随机生成的问题延伸至真实工业应用。作者报告，相较文献中的多种运行时间建模方法，新模型在预测新问题实例、参数化空间中的新算法，以及两者同时变化时，均获得更好的运行时间预测。摘要未给出误差指标、改善幅度或具体划分方式；实验协议、消融及统计信息尚未验证，不能据此量化优势。 平台推测（待验证）：可迁移的是“实例特征与算法参数共同预测计算耗时”的机制，而非 EEG 解码模型本身。若用于 EEG 处理流程的计算预算估计，需要重新设计通道数、记录长度等输入特征，并采集固定硬件环境下的运行时间监督数据；原文 SAT、TSP、MIP 特征不能直接复用。硬件变化、计时噪声及小规模训练数据可能削弱泛化。一个可检验的小实验是：固定硬件，对同一 EEG 处理算法采集不同输入规模与参数配置的耗时，分别留出输入规模和参数组合，比较仅使用实例特征与加入算法参数的预测模型。该实验仅检验耗时预测，不代表解码效果或 BCI 在线有效性；已有 EEG 相关工作尚未检索确认。