IJCAIJul, 2023

使用局部搜索优化程序：你能优化我的代码吗？

PDF
TL;DR本文介绍了一种用于改进现有程序的本地搜索方法，即基于单项游戏评分提高程序效率的 POLIS 方法，在 27 人的用户研究中得到验证，可以作为可衡量目标的编程问题的有用助手。
发现论文，激发创造
  • 整数线性规划的局部搜索

    该论文开发了第一个独立的本地搜索模型，使用紧密移动和提升移动两种算子，解决了复杂的整数线性规划问题，并在 MIPLIB 数据集上实现了比市场上同类解决方案更好的结果。

    Apr, 2023

  • 程序超优化学习

    本研究提出了一种新的基于学习的方法来对程序进行超优化，该方法利用无偏估计梯度来学习建议分布以提高程序性能，实验表明，该方法能够在超优化方面显着优于现有的基于规则和基于随机搜索的方法。

    Nov, 2016

  • 学习超优化现实世界程序

    本文提出了一种使用神经序列到序列模型来学习超级优化现实世界程序的框架，并介绍了一种易于实现的方法（SILO）来增强优化，该方法在测试集上优化了 5.9％，超过了标准策略梯度方法和模型预训练的优化演示。

    Sep, 2021

  • SPoC: 基于搜索的伪代码到代码

    使用编译错误信号进行归因分配的伪代码到程序的综合。

    Jun, 2019

  • 程序超优化的学习 - 工作坊版

    该论文介绍了使用强化学习学习建议分布来提高超级优化技术中的随机搜索方法，该方法改进了当前程序的修改建议，通过解决程序修改建议的优化问题可用于压缩程序，提高程序速度及减小程序文件大小。

    Dec, 2016

  • 迭代还是创新？针对代码优化的问题导向视角

    大语言模型在代码优化方面展示出强大的能力，通过将优化对构建成面向问题的方法，结合不同程序员对同一问题的巧妙思路，实验证明了适应面向问题的优化对能显著提升大语言模型的优化能力，进一步通过模型合并解决性能瓶颈，达到了新的高水平。

    Jun, 2024

  • 选择优秀的对手：如何指导程序战略的综合

    本文介绍了 Local Learner（2L），一种用于提供一组参考策略以指导在双人零和博弈中寻找策略的算法，并使用 MicroRTS 等三个游戏进行了实证研究，结果表明，与传统方法相比，2L 能够学习到提供更强的搜索信号的参考策略。同时，在 MicroRTS 比赛中，使用 2L 的综合策略表现优于两个最新 MicroRTS 比赛的获胜者，这些获胜者是由人类程序编写的。

    Jul, 2023

  • 通过迭代局部搜索进行编程策略提取

    通过结合模仿投影、数据集聚合和局部搜索启发式，我们提出了一种直接提取预训练神经策略的程序化策略的简单方法，该方法在编程问题和摆动问题上实现了可解释性和高效性。

    Jan, 2022

  • Opti Code Pro: 基于启发式搜索的代码重构方法

    使用基于启发式搜索的技术来解决代码重构中特定的耦合和内聚问题，并在 Java 项目上实现该算法及其有效性进行了演示。

    May, 2023

  • 学习性能提高的代码修改

    本文探讨了大型语言模型对编写和重构性能更好的代码方面的能力，通过收集大量的程序优化历程以评估和提高大型语言模型的能力，并使用优化器 CODEGEN 推出性能更好的代码以帮助程序员编写有效的代码。

    Feb, 2023