알고리즘 선택 (Algorithm Selection, AS)은 측정 가능한 문제 특성과 과거 성능 데이터를 활용하여 주어진 문제 인스턴스에 가장 적합한 최적화 알고리즘을 자동으로 식별하는 것을 목표로 합니다. 본 연구에서는 합성 (synthetic) 및 실세계 (real-world) 최적화 환경 모두에 걸친 AS 모델의 일반화 능력을 조사합니다. 우리는 널리 사용되는 두 가지 학술적 벤치마크 세트 (BBOB 및 CEC)와 두 가지 실세계 문제 세트 (로보틱스 궤적 최적화 작업 및 무인 항공기 경로 계획 문제)를 고려합니다. 체계적인 교차 벤치마크 평가 (cross-benchmark evaluation)를 통해, 우리는 AS 모델이 도메인 간에 어떻게 전이되는지 분석하고, 일반화가 성공하거나 실패하는 지점을 식별하며, 실제적인 도메인 특화 맥락에서 AS를 적용할 때 발생하는 과제들을 강조합니다. 우리의 연구 결과는 현재 AS 접근 방식의 견고성 (robustness)에 대한 통찰을 제공하며, 실세계 최적화를 위한 보다 신뢰할 수 있고 폭넓게 적용 가능한 AS 시스템 개발에 정보를 제공합니다.