近年来，见证了超启发式技术在众多现实应用中的巨大成功。 超启发式算法通过操纵一组低级启发式算法（LLH）来解决问题，并旨在实现算法设计过程的自动化，从而提高了搜索方法的通用性。 但是，这些LLH通常是参数化的，这可能与超启发式方法的独立于域的动机相矛盾。 在本文中，我们展示了如何使用具有LLP自适应功能的超启发式算法（AD-HH）自动维护低级参数（LLP），并通过自适应地维护两个超启发式模型的LLP来举例说明AD-HH的可行性。 此外，为了解决由于LLP适应引起的搜索空间扩展，我们应用启发式空间缩减（SAR）机制来改进AD-HH框架。 LLP自适应和SAR机制的集成能够更有效地探索启发式空间。 为了评估所提出算法的性能，我们选择p中值问题作为案例研究。 实验结果表明，通过对LLP和SAR机制的适应，所提出的算法能够在三种不同种类的基准实例上取得竞争性结果。
