論文の概要: Recent Developments in Program Synthesis with Evolutionary Algorithms
- arxiv url: http://arxiv.org/abs/2108.12227v1
- Date: Fri, 27 Aug 2021 11:38:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 01:12:36.415245
- Title: Recent Developments in Program Synthesis with Evolutionary Algorithms
- Title（参考訳）: 進化的アルゴリズムによるプログラム合成の最近の進歩
- Authors: Dominik Sobania, Dirk Schweim, Franz Rothlauf
- Abstract要約: 関連する進化的プログラム合成手法を同定し,その性能を詳細に解析する。
私たちが特定する最も影響力のあるアプローチは、スタックベース、文法誘導、および線形遺伝プログラミングである。
今後の研究のために、研究者は、プログラムのアウトプットを使用して、ソリューションの品質を評価するだけでなく、ソリューションへの道を開くことを奨励します。
- 参考スコア（独自算出の注目度）: 1.8047694351309207
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The automatic generation of computer programs is one of the main applications
with practical relevance in the field of evolutionary computation. With program
synthesis techniques not only software developers could be supported in their
everyday work but even users without any programming knowledge could be
empowered to automate repetitive tasks and implement their own new
functionality. In recent years, many novel program synthesis approaches based
on evolutionary algorithms have been proposed and evaluated on common benchmark
problems. Therefore, we identify in this work the relevant evolutionary program
synthesis approaches and provide an in-depth analysis of their performance. The
most influential approaches we identify are stack-based, grammar-guided, as
well as linear genetic programming. Further, we find that these approaches
perform well on benchmark problems if there is a simple mapping from the given
input to the correct output. On problems where this mapping is complex, e.g.,
if the problem consists of several sub-problems or requires iteration/recursion
for a correct solution, results tend to be worse. Consequently, for future
work, we encourage researchers not only to use a program's output for assessing
the quality of a solution but also the way towards a solution (e.g., correctly
solved sub-problems).
- Abstract（参考訳）: コンピュータプログラムの自動生成は、進化計算の分野で実践的な関係を持つ主要な応用の1つである。
プログラム合成技術を使えば、ソフトウェア開発者が日々の作業でサポートできるだけでなく、プログラミング知識のないユーザでも反復的なタスクを自動化し、独自の新機能を実装することができる。
近年,進化的アルゴリズムに基づく新しいプログラム合成手法が数多く提案され,共通ベンチマーク問題に基づいて評価されている。
そこで本研究では,関連する進化的プログラム合成手法を同定し,その性能を詳細に解析する。
最も影響力のあるアプローチは、スタックベース、文法誘導、線形遺伝プログラミングである。
さらに、与えられた入力から正しい出力への単純なマッピングがある場合、これらのアプローチはベンチマーク問題でうまく機能する。
このマッピングが複雑である問題、例えば、問題が複数のサブ問題で構成されている場合や、正しい解の反復/再帰を必要とする場合、結果が悪化する傾向がある。
その結果, 今後の課題として, プログラムのアウトプットを用いて解の質を評価するだけでなく, 解への道筋(例えば, 正しく解いた部分問題など)を求める。
関連論文リスト
- Searching Latent Program Spaces [0.0]
本研究では,連続空間における潜伏プログラム上の分布を学習し,効率的な探索とテスト時間適応を可能にするプログラム誘導アルゴリズムを提案する。
テスト時間適応機構を利用して、トレーニング分布を超えて一般化し、目に見えないタスクに適応できることを示す。
論文 参考訳（メタデータ） (2024-11-13T15:50:32Z) - Genetic-based Constraint Programming for Resource Constrained Job
Scheduling [5.068093754585243]
資源制約されたジョブスケジューリングは、鉱業に起源を持つ計算の最適化問題である。
既成のソリューションはこの問題を合理的な時間枠で十分解決できない。
本稿では,制約プログラミングの効率的な探索手法を探索する遺伝的プログラミングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-01T09:57:38Z) - ExeDec: Execution Decomposition for Compositional Generalization in Neural Program Synthesis [54.18659323181771]
プログラム合成において望ましいいくつかの異なる構成一般化形式を特徴付ける。
本稿では,ExeDecを提案する。ExeDecは,実行サブゴールを予測し,各ステップでプログラム実行によって段階的に通知される問題を解くための,新しい分解ベースの戦略である。
論文 参考訳（メタデータ） (2023-07-26T01:07:52Z) - Synthesizing a Progression of Subtasks for Block-Based Visual
Programming Tasks [21.33708484899808]
本稿では,その複雑さの観点から,高品質で十分な空間を持つサブタスクの進行を生成する新しい合成アルゴリズムを提案する。
本稿では,Karelプログラミング環境における課題解決のためのAIエージェントの有効性向上のための合成アルゴリズムの有用性を示す。
論文 参考訳（メタデータ） (2023-05-27T16:24:36Z) - Iterative Genetic Improvement: Scaling Stochastic Program Synthesis [11.195558777385259]
プログラム合成は、与えられた仕様を満たす基礎となるプログラミング言語からプログラムを自動的に見つけることを目的としている。
既存のプログラム合成技術はこの期待を十分に満たさず、スケーラビリティの問題に悩まされている。
本稿では、この問題を解決するために反復的遺伝的改善と呼ばれるプログラム合成の新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-02-26T02:00:35Z) - Searching for More Efficient Dynamic Programs [61.79535031840558]
本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。
実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
論文 参考訳（メタデータ） (2021-09-14T20:52:55Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。
特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。
単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
論文 参考訳（メタデータ） (2020-07-28T17:46:18Z) - Strong Generalization and Efficiency in Neural Programs [69.18742158883869]
本稿では,ニューラルプログラム誘導の枠組みを強く一般化する効率的なアルゴリズムを学習する問題について検討する。
ニューラルネットワークの入力/出力インターフェースを慎重に設計し、模倣することで、任意の入力サイズに対して正しい結果を生成するモデルを学ぶことができる。
論文 参考訳（メタデータ） (2020-07-07T17:03:02Z) - Creating Synthetic Datasets via Evolution for Neural Program Synthesis [77.34726150561087]
いくつかのプログラム合成手法は、ランダムに生成された例と異なるデータ分布によく一般化されていることを示す。
本稿では, 合成データ分布のバイアスを制御し, 現在の手法より優れていることを示すための, 新たな敵対的手法を提案する。
論文 参考訳（メタデータ） (2020-03-23T18:34:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。