論文の概要: Multi-objective Integer Linear Programming approach for Automatic Software Cognitive Complexity Reduction
- arxiv url: http://arxiv.org/abs/2601.21565v1
- Date: Thu, 29 Jan 2026 11:28:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.766445
- Title: Multi-objective Integer Linear Programming approach for Automatic Software Cognitive Complexity Reduction
- Title（参考訳）: 自動ソフトウェア認知複雑度低減のための多目的整数線形計画法
- Authors: Adriana Novoa-Hurtado, Rubén Saborido, Francisco Chicano, Manuel Giménez-Medina,
- Abstract要約: 与えられたコードの認知的複雑さを低減するための,多目的線形プログラミングモデルを提案する。
モデルを検証するためにいくつかのアルゴリズムが開発されている。
これらのアルゴリズムは、ソフトウェア認知の複雑さを減らす問題のパラメータ化された解決を可能にするツールに統合されている。
- 参考スコア（独自算出の注目度）: 1.6799377888527687
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Clear and concise code is necessary to ensure maintainability, so it is crucial that the software is as simple as possible to understand, to avoid bugs and, above all, vulnerabilities. There are many ways to enhance software without changing its functionality, considering the extract method refactoring the primary process to reduce the effort required for code comprehension. The cognitive complexity measure employed in this work is the one defined by SonarSource, which is a company that develops well-known applications for static code analysis. This extraction problem can be modeled as a combinatorial optimization problem. The main difficulty arises from the existence of different criteria for evaluating the solutions obtained, requiring the formulation of the code extraction problem as a multi-objective optimization problem using alternative methods. We propose a multi-objective integer linear programming model to obtain a set of solutions that reduce the cognitive complexity of a given piece of code, such as balancing the number of lines of code and its cognitive complexity. In addition, several algorithms have been developed to validate the model. These algorithms have been integrated into a tool that enables the parameterised resolution of the problem of reducing software cognitive complexity.
- Abstract（参考訳）: メンテナンス性を確保するためには、明確で簡潔なコードが必要です。そのため、ソフトウェアは可能な限りシンプルで、バグを回避し、そして何よりも、脆弱性を理解することが重要です。
コード理解に必要な労力を減らすために、主要なプロセスをリファクタリングする抽出方法を考えると、機能を変更することなく、ソフトウェアを強化する方法はたくさんあります。
この作業で使用される認知的複雑性尺度は、静的コード分析のためのよく知られたアプリケーションを開発するSonarSourceによって定義されたものだ。
この抽出問題は組合せ最適化問題としてモデル化できる。
主な困難は、得られた解を評価するための異なる基準の存在から生じ、代替手法を用いた多目的最適化問題としてコード抽出問題を定式化する必要がある。
本稿では,コード行数と認知複雑性のバランスをとるような,与えられたコードの認知複雑性を低減するための,多目的整数線形プログラミングモデルを提案する。
さらに、モデルを検証するためにいくつかのアルゴリズムが開発されている。
これらのアルゴリズムは、ソフトウェア認知の複雑さを減らす問題のパラメータ化された解決を可能にするツールに統合されている。
関連論文リスト
- Scaling Code-Assisted Chain-of-Thoughts and Instructions for Model Reasoning [65.20602712957725]
Cacoは、高品質で検証可能な多様な命令-CoT推論データの合成を自動化する新しいフレームワークである。
我々の研究は、人間の介入なしに自己持続的で信頼できる推論システムを構築するためのパラダイムを確立します。
論文 参考訳（メタデータ） (2025-10-05T07:59:24Z) - EXALT: EXplainable ALgorithmic Tools for Optimization Problems [2.1184929769291294]
本稿では、最適化問題から始めることで、説明可能なアルゴリズムを開発するための新しいアプローチを提案する。
開発したソフトウェアライブラリは,4つの重要な方法論を通じて,人間に理解可能な説明を伴う基本アルゴリズムを充実させる。
論文 参考訳（メタデータ） (2025-02-28T10:28:20Z) - Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
本稿では,自然言語問題記述から解法対応最適化モデルを自動生成する,$textitautoformulation$の問題にアプローチする。
オートフォーミュレーションの3つの主要な課題を識別する: $textit(1)$ 巨大で問題に依存した仮説空間、および$textit(2)$ 不確実性の下でこの空間を効率的かつ多様に探索する。
我々は,$textitLarge Language Models$と$textitMonte-Carlo Tree Search$を併用した新しい手法を提案する。
論文 参考訳（メタデータ） (2024-11-03T20:41:38Z) - Automatizing Software Cognitive Complexity Reduction through Integer
Linear Programming [1.1970409518725493]
近年,ソフトウェア認知複雑性の低減を最適化問題としてモデル化し,開発者を支援する手法を提案する。
このアプローチは、停止基準を満たすまでコード抽出操作のシーケンスを列挙する。結果として、コードの認知複雑性を所定のしきい値に減らすことができる最小限のコード抽出操作のシーケンスを返す。
論文 参考訳（メタデータ） (2024-02-08T10:53:00Z) - When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。
具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。
コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
論文 参考訳（メタデータ） (2023-08-29T17:22:39Z) - Learning a Generic Value-Selection Heuristic Inside a Constraint
Programming Solver [2.8425837800129696]
本稿では,制約型プログラミング解法内での値選択に利用できる汎用的な学習手法を提案する。
これは、深いQ-ラーニングアルゴリズム、カスタマイズされた報酬信号、異種グラフニューラルネットワークアーキテクチャの組み合わせによって実現されている。
論文 参考訳（メタデータ） (2023-01-05T05:13:48Z) - Efficient lifting of symmetry breaking constraints for complex
combinatorial problems [9.156939957189502]
この作業は、Answer Set Programmingのためのモデルベースのアプローチの学習フレームワークと実装を拡張します。
Inductive Logic Programming System ILASPに新たなコンフリクト解析アルゴリズムを組み込む。
論文 参考訳（メタデータ） (2022-05-14T20:42:13Z) - Adaptive Discretization in Online Reinforcement Learning [9.560980936110234]
離散化に基づくアルゴリズムを設計する際の2つの大きな疑問は、離散化をどのように生成し、いつそれを洗練するかである。
オンライン強化学習のための木に基づく階層分割手法の統一的理論的解析を行う。
我々のアルゴリズムは操作制約に容易に適応し、我々の理論は3つの面のそれぞれに明示的な境界を与える。
論文 参考訳（メタデータ） (2021-10-29T15:06:15Z)
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。