算法的性能通常关键取决于其参数配置。虽然已经提出了各种自动算法配置方法，以将用户从手动调整参数的繁琐且容易出错的任务中解脱出来，但由于学习到的配置是静态的，即参数设置在整个运行过程中保持不变，因此仍有许多未开发的潜力。然而，已经表明，一些算法参数在执行过程中最好是动态调整的。到目前为止，这通常是通过手工启发实现的。最近一种有希望的替代方法是从数据中自动学习此类动态参数自适应策略。在本文中，我们首次全面介绍了自动化动态算法配置（DAC）这一新领域，介绍了一系列最新进展，并为该领域的未来研究奠定了坚实的基础。具体而言，我们（i）将DAC置于人工智能研究的更广泛历史背景中；（ii）将DAC形式化为计算问题；（iii）确定现有技术中用于解决此问题的方法；以及（iv）进行在进化优化、人工智能规划和机器学习中使用DAC的实证案例研究。
