程序合成的遗传算法
该文提出了一种将程序合成作为连续优化问题的新型方法,并使用现代演化方法解决问题,同时提出了一种映射方案将连续形式转换为实际的程序。通过比较 GENESYS 和其他程序综合技术,证明 GENESYS 在相同的时间预算内综合出更多程序。
Nov, 2022
本文介绍了神经引导演绎搜索 (NGDS) 技术,应用于编写用户意图程序的问题,结合了符号逻辑技术和统计模型,通过演绎搜索框架来学习神经网络组件,以找到最适合提供的规范的程序,并在真实客户场景中验证其实用性。
Apr, 2018
给出自动软件生成和配置的两个任务,第一个任务进一步分为两个子任务:用基于神经网络的适应度函数和程序跟踪与规范训练的遗传算法合成程序,用协方差矩阵适应演化策略合成程序;第二个任务是使用序列到序列深度学习机制从不同的输入文件(例如软件手册、配置文件、在线博客等)合成大规模软件的配置。
May, 2023
本研究发现目前基于随机生成数据的程序综合方法面对数据分布改变的情况下普遍存在泛化能力不足的问题,提出了一种新的对抗式方法,用于控制合成数据分布的偏差从而得到更好的结果。
Mar, 2020
本论文介绍了一种基于语法引导遗传编程的进化程序综合技术,用于发现具有高效性和泛化能力的具有前所未有结构的多重网格方法,从而解决部分微分方程的数值求解问题。该方法的可行性通过 Python 框架 EvoStencils 的实现得到证明。
Dec, 2023
在这项研究中,我们将通用 SyGuS 问题作为树搜索框架,并提出了一种基于蒙特卡洛树搜索 (MCTS) 的增强学习引导合成算法。我们的算法结合了学习到的策略和值函数,以及平衡探索和利用的树上置信上界。我们还介绍了一种基于现有一阶可满足性问题的反合一方法自动生成 SyGuS 的训练数据。通过这些成果,我们的工具在训练和测试集中相比基准枚举算法提高了 26 个百分点,超过了 1 CVC5 等最先进工具的表现,同时我们还公开了我们的数据集以便于进一步应用机器学习方法解决 SyGuS 问题。
Jul, 2023
本文旨在探索自动生成指定语言中的程序,依据输入输出行为生成程序,我们提出了一种新的方法来控制和评估合成数据分布的偏差,通过在 Karel 和小型计算器 DSL 上的实验表明,使用这些分布训练深度网络可以提高跨分布的泛化性能。
Dec, 2019
本文提出了一种新的程序合成方法,将寻找最优程序的问题转化为基于强化学习的马尔科夫决策过程, 并将这种方法应用于浮点数 RISC-V 汇编语言的子集上,并结合基于搜索技术的优先搜索树,证明了我们的方法相较于其他基线方法的优越性
Jun, 2018
本文提出了一种基于进化算法的新方法,通过遗传结果,从解码中导出系统实现的程序代码,解决了自动化数字化转型对工业过程中数据采集和处理提出的新要求,并在多目标优化问题下的工业液体站过程上对所提出的方法进行了评估。
Apr, 2023