Für viele schwierige und anwendungsrelevante Probleme, wie etwa aussagenlogische Erfüllbarkeit (SAT), das Handlungsreisenden Problem (TSP) und binäre Klassifikation im maschinellen Lernen, gibt es keinen einzelnen "besten" Algorithmus, und die Performanz von Hochleistungsverfahren zur Lösung solcher Probleme hängt stark von Einsatz und Kalibrierung heuristischer Mechanismen ab. Dieser Vortrag befasst sich mit generischen Methoden zur automatischen Performanz-Optimierung praktisch relevanter Algorithmen, basierend auf Verfahren zur automatischen Algorithmenselektion und -konfiguration. Der Einsatz dieser Verfahren hat in den letzten Jahren zu deutlichen Verbesserungen in den praktisch besten Lösern für viele prominente Probleme, wie etwa SAT, geführt. In letzter Konsequenz bildet er die Grundlage eines neuartigen Ansatzes zur Konstruktion praktisch effizienter Algorithmen. Im Gegensatz zur herkömmlichen Herangehensweise steht bei diesem, "Programming by Optimisation (PbO)" genannten Ansatz das Offenlegen von Freiheitsgraden und Designalternativen beim Entwurf und bei der Implementierung von Algorithmen im Vordergrund, um so eine breite Grundlage für die automatische Performanz-Optimierung für verschiedene Anwendungsfälle zu schaffen. Der Vortrag behandelt die Thematik am Beispiel des aussagenlogischen Erfüllbarkeitsproblems, beinhaltet jedoch auch eine kurze Übersicht über zahlreiche weitere Anwendungen.