arXiv cs.AI· Chengjie Chuan, Pengzhou Chen, Tao Chen·· 10 小时前AI 评分18
将 Meta Multi-Objectivization 专门化为软件工程优化的基线方法
Specializing Meta Multi-Objectivization as Baseline for Software Engineering Optimization
AI 导读
研究将 Meta Multi-Objectivization（MMO）专门化为跨软件工程优化问题的通用基线，在涵盖 212 个案例的 9 类 SE 优化问题上，选对辅助目标时 MMO 分别以 79% 和 94% 的比例优于其他 SOTA 与通用优化器。作者据此提出工具 L2RAC，可为给定 SE 问题自动推荐最佳辅助目标选择，排序准确率最高提升 60%，并节省多达 99% 的试错成本。
正文 · AI 翻译
摘要：鉴于许多软件工程（SE）优化问题具有离散性质，陷入局部最优仍是优化器设计中的一个关键问题。元多目标化（MMO）是一种通过引入一个额外的辅助目标来克服局部最优的优化模型。然而，MMO 最初仅针对配置调优而设计，其是否适用于其他 SE 问题仍存疑问，尤其是在辅助目标的选择方面。本文研究将 MMO 专门化为适用于一系列 SE 优化问题的通用基线的可能性与解决方案，使其成为未来旨在缓解局部最优问题的 SE 优化器的基础性对照方法。为此，我们同时提供理论依据与实证证据：我们通过分析表明辅助目标的选择至关重要，同时在包含 212 个案例的九个 SE 优化问题上证明了当能够选对辅助目标时 MMO 的有效性，即 MMO 分别能在 79% 和 94% 的案例中优于其他最先进优化器和通用优化器。基于理论理解与实证发现，我们随后提出 L2RAC，一种能够针对给定 SE 问题/案例自动推荐最佳辅助目标选择的工具，从而有助于将 MMO 专门化应用于其中。通过大量实验，我们发现，总体而言，L2RAC 在某一案例下对 MMO 辅助目标选择的排序准确率比其他猜测方法高出多达 60%，并可节省使用 MMO 时原本需进行试错所耗费成本的 99%。
| 评论： | 已被 IEEE Transactions on Software Engineering (TSE) 接收 |
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.12991 [cs.SE] |
| （或 arXiv:2611.12991v1 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.12991 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chengjie Chuan [查看邮箱]
[v1]
2026年11月8日 星期日 10:43:08 UTC（4,638 KB）
来源：arXiv cs.AI · arxiv.org