InterEvo-TR: Interactive Evolutionary Test Generation With Readability Assessment
University of Cádiz（加的斯大学）；University of Córdoba（科尔多瓦大学）
本文提出 InterEvo-TR，将测试人员的交互式可读性评估融入 EvoSuite 进化测试生成过程，并通过 39 名参与者的受控实验验证了该交互策略在可读性评估中的有效性，为交互式测试生成发展奠定基础。
2024-01-13 cs.AI cs.SE
Interactive Visualization for Exploring Information Fragments in Software Repositories
Seoul National University（首尔大学）；Soongsil University（崇实大学）；Hankuk University of Foreign Studies（韩国外国语大学）；Samsung Electronics（三星电子）
软件开发人员探索和检查软件存储库数据，以获得开发历史中存档的详细信息。然而，开发人员谁不熟悉的开发环境遭受钻研的存储库与少数信息，他们有困难发现和扩展的信息片段，考虑到存储库的拓扑和顺序的多维结构。我们介绍ExIF，一个交互式的可视化探索信息片段的软件存储库。ExIF帮助用户发现集群或拓扑邻居中的新信息片段，并识别包含用户收集的片段的修订。
2021-04-28 cs.CV cs.SE
Search-based software test data generation using evolutionary computation
基于搜索的软件工程已被用于许多软件工程活动。基于搜索的软件工程的一个应用领域是测试数据生成。演化测试指定使用元启发式搜索方法来生成测试用例。搜索空间是测试对象的输入域，每个单独的或潜在的解决方案是该测试对象的输入的编码集合。适应度函数被定制为找到正在进行的测试类型的测试数据。进化测试（ET）使用优化搜索技术（例如进化算法）来生成测试数据。并将基于遗传算法的测试系统与随机测试系统进行了有效性比较。对于简单的程序，两种测试系统都能很好地工作，但随着程序复杂度或输入域复杂度的增加，基于遗传算法的测试系统明显优于随机测试。
2011-03-01 cs.SE
Conjecture and Inquiry: Quantifying Software Performance Requirements via Interactive Retrieval-Augmented Preference Elicitation
School of Computer Science and Engineering, UESTC（电子科技大学计算机科学与工程学院）；IDEAS Lab, University of Birmingham（英国伯明翰大学IDEAS实验室）
本文提出IRAP方法，通过交互式检索增强偏好获取将软件性能需求转化为数学函数，实验表明其在五个交互回合内实现最高40倍的性能提升。
2026-04-27 cs.AI cs.CL cs.SE
The Evolutionary Ecology of Software: Constraints, Innovation, and the AI Disruption
Institute of Evolutionary Biology (CSIC-UPF)（进化生物学研究所）；Theoretical and Experimental Ecology Station (CNRS)（理论与实验生态站）
本文研究软件进化生态，探讨人工智能驱动开发工具对软件创新和文化演变的影响。
2025-12-02 cond-mat.dis-nn cs.SE
AgentStepper: Interactive Debugging of Software Development Agents
University of Stuttgart（斯图加特大学）；CISPA Helmholtz Center for Information Security（CISPA 沃尔夫冈·泡利信息安全中心）
AgentStepper是一种用于LLM软件工程代理的交互式调试工具，通过结构化对话和逐步执行提升调试效率，减少开发者工作量。
2026-02-06 cs.AI cs.SE
Improving Software Requirements Prioritization through the Lens of Constraint Solving
Linnaeus University（林奈大学）；University of New Brunswick（新不伦瑞克大学）
本文提出一种基于约束求解和交互式成对比较的需求优先级排序方法，利用分析师知识处理不确定性，在真实医疗项目中验证了其有效性和鲁棒性优于现有方法。
2023-06-21 cs.AI cs.SE
Evolutionary Optimization of AI-Collapsed Software Development Stacks: Labor Tipping Points and Workforce Realignment
Athena’s Zephyr LLC（阿瑞涅的泽费尔有限责任公司）
本文提出一个量化框架，用于优化软件开发中人类与AI劳动力的分配，通过建立基线和AI压缩劳动力模型，推导出安全裁员临界点方程，并在多目标进化优化框架中嵌入，实验揭示了可复现的自动化策略，降低成本同时保持质量和稳定的工作负载。
2026-05-12 cs.SE
Interactive Duplicate Search in Software Documentation
各种软件功能，如类、方法、需求和测试，通常具有类似的功能。这可能导致在其描述性文档中出现重复。通过复制/粘贴创建的不受控制的重复文件妨碍了文件维护过程。因此，在软件文档中进行重复检测的任务是非常重要的。解决这个问题使得有计划的重用成为可能，同时创建和使用模板来统一和自动生成文档。在本文中，我们提出了一个交互式的过程中，涉及到用户，以进行有意义的搜索重复检测。它包括一个新的形式化定义的近似副本，一个基于模式的，并证明其完整性。此外，我们展示了几个工业项目的文件集的实验结果。
2019-08-22 cs.DS cs.SE
Modeling Cloud Architectures as Interactive Systems
云软件的开发和维护因复杂但关键的技术要求而变得复杂，这些技术要求彼此紧密耦合，并与软件的实际业务功能紧密耦合。因此，设计、实现、部署和维护活动的复杂性增加。我们提出了一种架构描述语言，通过将云软件建模为交互式系统来提高技术抽象水平。我们展示了它的模型如何对应于一个架构风格，特别是满足基于云的网络物理系统的要求。该结果为基于架构驱动的模型的云软件工程方法提供了基础。
2014-08-25 cs.SE
Don't Guess, Just Ask: Evaluating Interactive Requirement Clarification for Repository-Level Software Development
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
该研究提出ReqClarifyBench基准，评估LLM在仓库级软件开发中通过交互将模糊用户意图转化为明确需求的能力，发现澄清效果与文档质量无必然关联，编码智能体工具未提升需求文档质量。
2026-10-12 cs.AI cs.SE
LoCoBench-Agent: An Interactive Benchmark for LLM Agents in Long-Context Software Engineering
Salesforce AI Research（Salesforce AI研究院）
针对现有长上下文代码基准无法评估多轮交互编码智能体的问题，本文提出LoCoBench-Agent交互式评估框架，覆盖多场景多指标长上下文测评，通过实验揭示智能体长上下文性能规律。
2025-11-17 cs.AI cs.SE
Interactive GDPR-Compliant Privacy Policy Generation for Software Applications
本文提出一种基于规则库与交互式问答的GDPR合规隐私政策自动生成方法，实验证明其生成结果在完整性与覆盖范围上优于现有生成器和生成式AI工具。
2024-10-04 cs.SE
PyRIDE: An Interactive Development Environment for PR2 Robot
University of Technology, Sydney（悉尼科技大学）
基于Python的机器人交互式开发环境（PyRIDE）是一个支持PR 2/ROS（机器人操作系统）平台上机器人技能和行为的快速\textit{interactive}编程的软件。PyRIDE的关键特性之一是其交互式远程访问Python控制台，允许用户以与使用标准Python交互式解释器相同的方式对机器人\textit{online}和\textit{realtime}进行编程。它允许程序在运行时被修改。PyRIDE也是一个软件集成框架，可以抽象和聚合不同的低级ROS软件模块，例如手臂关节电机控制器，并通过统一的Python编程接口公开其功能。PR 2程序员能够实验和开发机器人行为，而无需处理访问底层软件和硬件的具体细节。PyRIDE提供了一种客户端-服务器机制，允许远程用户访问机器人功能，例如远程机器人监控和控制，访问实时机器人摄像头图像数据等。这使得使用不同设备和用户界面的多模态人机交互成为可能。所有这些功能都无缝集成到一个轻量级和可移植的中间件包中。在本文中，我们使用四个真实的场景来演示PyRIDE的关键功能，并说明软件的实用性。
2016-05-30 cs.RO cs.SE
Interactive Complexity: Software Metrics from an Ecosystem Perspective
现在，即使是最微不足道的应用程序也是在数百万行库、API和程序设计语言代码之上编写的，因此，设计软件时存在的许多复杂性已经被抽象掉，以便程序员能够主要关注业务逻辑。由于每个应用程序都严重依赖于其设计运行的生态系统，无论是局限于本地系统还是包括对通过网络连接的机器的依赖，测量这些系统的复杂性不再仅仅通过观察应用程序内部的代码来完成;我们还需要考虑其外部交互。在考虑安全问题时，这一点尤为重要，因为我们的医疗保健，金融和汽车依赖于复杂的软件系统。我们提出了互动的复杂性，它提供了一个量化的措施，如何交织的系统部分。一些最著名的软件复杂性度量是CK度量套件中的度量;这些度量是为测量面向对象系统而设计的，但我们相信它们可以用来帮助测量软件系统的交互。我们的实验结果表明，在一个版本中修复的错误数量与足够规模的系统中这些指标的价值之间存在很强的相关性。
2017-11-28 cs.SE
ASTOR: Evolutionary Automatic Software Repair for Java
背景：在过去的几年里，许多自动软件修复方法已经提出了软件工程研究社区。根据相应的论文，这些方法能够修复开源项目中的实际缺陷。问题：自动修复领域以前的一些出版物没有提供其方法的实现。因此，研究界不可能重新执行原始评估，建立新的评估（例如，针对新的缺陷评估性能）或相互比较方法。解决方案：我们提出了一个公开的自动软件修复工具，称为Astor。它在Java程序的上下文中实现了三种最先进的自动软件修复方法（包括GenProg和PAR模板的子集）。Astor的源代码在GNU通用公共许可证（GPL v2）下许可。
2014-10-24 cs.SE
SWEeper-Bench: Can Agents Discover Bugs in Interactive Software?
Princeton University（普林斯顿大学）
SWEeper-Bench是含200项真实漏洞任务的基准，用于评估智能体发现交互式软件漏洞的能力，15个前沿智能体中最佳者仅完成59.0%任务，瓶颈为识别漏洞行为。
2026-10-14 cs.SE
Non Linear Software Documentation with Interactive Code Examples
本文提出名为 Casdoc 的交互式文档格式，以代码示例为中心、按需展示注释，并通过 300 余人参与的实地研究验证其能承载更多信息而不干扰读者，同时总结出可推广的设计见解与在线文档导航改进指南。
2023-11-29 cs.HC cs.SE
Design and development of a software system for swarm intelligence based research studies
Usak University（乌沙克大学）
本文介绍了一个软件系统，包括广泛使用的群体智能算法或方法，用于相关的科学研究与主题领域的研究。该系统的编程基础设施允许在一个快速，易于使用，交互式平台上工作，以更有效，高效和准确的方式执行基于群体智能的研究。从这个意义上说，该系统采用了所有必要的控制算法，它确保了一个互动的平台上，计算机用户可以进行研究的范围广泛的解决方案与简单的问题，也更先进的问题。
2017-04-03 cs.AI cs.SE
Interactive Diagrams for Software Documentation
本文提出以交互式节点-链接图替代传统文本和静态图表来展示代码库结构，通过静态分析自动生成，原型Helveg可分析C#代码，经五名程序员测试验证其可行性与挑战。
2024-07-31 cs.SE
Interactive Static Software Performance Analysis in the IDE
在开发过程中检测由于次优代码导致的性能问题可能是一项艰巨的任务，特别是在部署后注意到性能下降后进行本地化时。静态分析有可能为开发人员提供有关性能问题的早期反馈，而不必运行具有昂贵（且通常不可用）性能测试的分析器。我们开发了一个VSCode工具，它通过代码注释和装饰（在上下文中显示复杂性分析结果）以及显示细节和概述的侧面板视图（使结果具有可解释性）集成了来自Infer的静态性能分析结果。此外，我们设计的系统具有交互性，以便在发生代码更改时能够更好地响应。我们通过测量静态性能分析集成在开发工作流中引入的开销来评估我们的工具的有效性。此外，我们报告了一个案例研究，说明了我们的系统如何在ElasticSearch开源项目中的一个真实性能错误的背景下用于推理软件性能。演示视频：https://www.youtube.com/watch? v=-GqPb_YZMOs存储库：https://github.com/ipa-lab/vscode-infer-performance
2021-05-04 cs.SE
Software Effort Estimation with Ridge Regression and Evolutionary Attribute Selection
University of Cyprus（塞浦路斯大学）；Frederick University（弗雷德里克大学）；Cyprus University of Technology（塞浦路斯理工大学）
针对软件成本估算中属性选择依赖经验且传统方法不准确的问题，本文提出结合岭回归与遗传算法的混合模型，自动选择成本驱动因素，并在高维数据集上验证了消除冗余属性可提高估算精度。
2010-12-28 cs.AI cs.LG cs.SE
Simulated Interactive Debugging
Ruhr University Bochum（波鸿鲁尔大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Singapore Management University（新加坡管理大学）
本文提出模拟交互调试方法，通过交互式指导帮助学生更系统地学习调试技能，提升学习效率和效果。
2025-08-25 cs.SE
Transferring Interactive Search-Based Software Testing to Industry
基于搜索的软件测试（SBST）是将优化算法应用于软件测试中的问题。在以前的工作中，我们已经实现和评估了基于交互式搜索的软件测试（ISBST）工具原型，目标是成功地将技术转移到行业。虽然SBSE解决方案通常在基准问题上进行验证，但需要在操作环境中验证它们。本文件讨论了SBST工具的开发和部署，供工业界使用，并反映了这些技术向工业界的转让。除了以前的工作讨论的ISBST原型的开发和验证，一个新版本的原型ISBST系统进行了评估，在实验室和工业。该评估基于工业系统测试（SUT），并与工业从业人员一起进行。技术转移模型是用来作为一个框架来描述的ISBST系统的开发和评估的进展。本文介绍了以前的工作开发和评估的ISBST原型，以及提出一个评估，在学术界和工业界，该原型的最新版本的综合。本文介绍了一个概述的开发和部署的ISBST系统在工业环境中，使用的技术转移模型的框架。我们的结论是，ISBST系统是能够发展有用的测试用例的设置，虽然系统使用的方法来传达信息给用户的改进仍然需要。此外，还列出并讨论了从该项目中吸取的一系列经验教训。我们的目标是帮助其他研究人员，希望在工业中验证基于搜索的系统，并提供更多的信息，这些系统的优点和缺点。
2018-04-24 cs.SE
Creating Interactive Visualizations of TopHat Programs
许多公司和机构已经在工作流管理软件中实现了业务流程的自动化。新的编程范式面向任务编程（TOP）为此类软件提供了抽象。基于TOP的最大框架iTasks已被用于开发真实世界的软件。工作流软件通常包括关键系统。在这种情况下，对软件进行推理以确定其正确性是很重要的。缺乏正式的iTasks语义使其不适合形式化推理。为此，TopHat已被开发为具有正式语义的TOP语言。然而，TopHat缺乏图形用户界面（GUI），这使得开发实用的TopHat系统变得更加困难。在本文中，我们介绍了TopHat UI。通过结合现有的服务器框架和用户界面框架，我们已经开发了一个功能齐全的概念实现的证明，在Haskell的TopHat的语义之上。我们表明，实现TOP框架是可能的，使用不同的主机语言比iTasks使用。TopHat的任何形式属性都没有受到损害，因为UI框架完全独立于TopHat。我们运行几个示例程序，并评估其生成的GUI。拥有这样一个系统可以提高TOP软件的质量和可验证性。
2022-08-29 cs.HC cs.PL cs.SE
Teaching Software Ethics to Future Software Engineers
针对软件工程伦理教学的需求，研究开发了交互式场景化软件伦理测验，结合线上讲座与含测验、复盘的工作坊开展教学，验证了其参与度与效果，并分享经验资源以推动该领域发展。
2023-12-19 cs.SE
SWE-Arena: An Interactive Platform for Evaluating Foundation Models in Software Engineering
School of Computing Queen's University Kingston, Canada（计算学院皇后大学加拿大金斯顿）
SWE-Arena是一个交互式平台，通过多轮对话、自对弈一致性得分和RepoChat上下文注入，实现对软件工程基础模型的端到端评估。
2025-10-10 cs.LG cs.SE
ARI3D: A Software for Interactive Quantification of Regions in X-Ray CT 3D Images
Max Delbrück Center for Molecular Medicine in the Helmholtz Association（海德堡-马克斯·德尔布吕克分子医学研究中心（海德堡协会））；Helmholtz Imaging（海德堡成像）；Humboldt-Universität zu Berlin（柏林洪堡大学）；Helmholtz-Zentrum Dresden-Rossendorf（德累斯顿-罗斯托克海德堡研究中心）
针对X射线CT成像伪影干扰微观结构定量分析的问题，提出交互式软件ARI3D，协助用户分类和量化3D图像内对象，以提升物相识别、量化精度并统一跨领域分析。
2025-08-13 cs.CV cs.SE
A Survey on Software Testing Techniques using Genetic Algorithm
软件行业的总体目标是确保向最终用户交付高质量的软件。为了保证软件的高质量，需要对软件进行测试。测试确保软件满足用户规范和要求。然而，软件测试领域存在许多需要解决的潜在问题，例如测试用例的有效生成、测试用例的优先级排序等。这些问题需要测试的努力，时间和成本。已经提出了不同的技术和方法来处理这些问题。利用进化算法自动生成测试一直是许多研究人员感兴趣的领域。遗传算法（GA）就是这样一种进化算法。在这篇研究论文中，我们提出了一个调查的GA方法来解决软件测试过程中遇到的各种问题。
2014-11-05 cs.SE
GEML: A Grammar-based Evolutionary Machine Learning Approach for Design-Pattern Detection
University of Córdoba（科尔多瓦大学）；Virginia Tech（弗吉尼亚理工大学）
本文提出GEML方法，通过进化机器学习提取符合上下文无关文法的人类可读规则并构建分类器，在15个设计模式上验证了其检测有效性与鲁棒性。
2024-01-13 cs.AI cs.SE
Trustworthy Software Project Generation : a Case Study with an Interactive Theorem Prover
Key Laboratory of High Confidence Software Technologies (Peking University), Ministry of Education（教育部高可信软件技术重点实验室；北京大学计算机学院）；School of Computer Science Peking University
本文研究利用交互式定理证明器（ITP）从自然语言需求自动生成大规模可信软件项目，通过将纯逻辑与有副作用的代码分离，在Rocq中完成验证并提取C++代码，成功生成一个RISC-V RV32I CPU解释器，证明了ITP作为LLM生成软件验证后端的可行性。
2026-05-25 cs.SE
EvoSpex: An Evolutionary Algorithm for Learning Postconditions
软件可靠性是软件构造中的主要关注点，因此也是软件质量定义中的基本组成部分。分析软件可靠性需要对被分析的软件的预期行为进行规范，并且在源代码级别，这样的规范通常采取断言的形式。不幸的是，软件很多时候缺乏这样的规范，或者只为特定于Java的行为提供它们，作为伴随测试的断言。这个问题严重削弱了软件的可分析性，就其可靠性而言。在本文中，我们解决这个问题，提出了一种技术，给定一个Java方法，自动产生一个规范的方法的当前行为，在后置条件断言的形式。该机制基于生成被分析的方法的执行以获得有效的前/后状态对，使这些对变异以获得（据称）无效的前/后状态对，并且然后使用遗传算法来产生由有效的前/后状态对满足的断言，而忽略无效的前/后状态对。该技术，其目标是在特定的方法的基于引用的类的实现，评估的基准开源Java项目，表明我们的遗传算法是能够产生后的条件，更强大，更准确的，比相关的自动化方法产生的，由一个自动化的Oracle评估工具进行评估。此外，我们的技术也能够推断出手动编写的丰富的后置条件在验证类的重要组成部分，并重现合同的方法，其类的实现是自动合成的规范。
2021-03-01 cs.SE
Graphectory Viewer: A Tool for Process-Centric Analysis of Agentic Software Trajectories
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
Graphectory Viewer是一款基于网页的交互式开源工具，可将异构软件智能体原始轨迹转换为阶段感知图，支持多框架轨迹分析，助力研究人员分析智能体执行、行为模式及成功失败案例，为智能体软件轨迹研究提供支撑。
2026-08-19 cs.AI cs.SE
Software Requirements Specification - Softbody Simulation System
本文档的目的是为交互式计算机图形物理仿真系统提供视觉。它侧重于利益攸关方的需求以及这些需求的原因。
2013-05-19 cs.SE
Exploranative Code Quality Documents
良好的代码质量是高效开发可维护软件的先决条件。在本文中，我们提出了一种新的方法来生成探索性（解释性和探索性）的数据驱动的文档，报告代码质量在一个互动的，探索性的环境。我们采用基于模板的自然语言生成方法来创建有关代码质量的文本解释，依赖于来自软件度量的数据。交互式文档通过不同类型的可视化来丰富，包括用于数据探索的平行坐标图和散点图以及嵌入到文本中的图形。我们设计了一个交互模型，允许用户探索代码质量与文本和可视化之间的一致链接;通过集成的解释性文本，用户被教导有关代码质量方面的背景知识。我们的交互式文档方法是在设计研究过程中开发的，其中包括软件工程和可视化分析专家。虽然解决方案是特定于软件工程的情况下，我们讨论如何将概念推广到多变量数据和报告的经验教训，在更广泛的范围。
2019-10-09 cs.HC cs.SE
Code Shrew: Software platform for teaching programming through drawings and animations
在本文中，我们提出了代码Shrew，一个新的软件平台，伴随着一个交互式编程课程。它的目的是通过让用户创建自己的绘图和动画来教授计算机编程的基础知识。该程序设计语言具有基于Python的简单语法，并添加了一些新功能，可以使用面向对象代码轻松绘制和动画。编辑器的反应无缝，即时，提供了一个引人入胜的和互动的环境，实验和测试的想法。编程课程包括涵盖基本编程原则的课程，以及测试用户在课程中进步的技能的挑战。课程和挑战都利用了编辑的即时反馈，允许专注于边做边学。我们描述了软件和内容，它们背后的动机，以及它们与建构主义的联系。
2018-08-08 cs.CY cs.SE
Wayback Machine: A tool to capture the evolutionary behaviour of the bug reports and their triage process in open-source software systems
问题跟踪系统（ITS）是数据驱动决策的丰富数据源。错误的不同特征，如严重性、优先级和修复时间，提供了ITS的清晰图像。然而，这些信息可能会误导。例如，花在bug上的确切时间和精力可能与实际的报告时间和修复时间有很大的不同。类似地，这些值可以是主观的，例如，严重性和优先级值是基于用户或开发者的直觉而不是基于结构化和明确定义的过程来分配的。因此，我们将探索bug依赖图的演变以及优先级和严重性级别，以探索实际的分类过程。受万维网的“Wayback Machine”概念的启发，我们的目标是重建ITS中的历史决策。因此，任何错误优先级或错误分类算法/场景可以应用在相同的环境中使用我们提出的ITS Wayback Machine。更重要的是，当采用自定义分类/优先级策略时，我们跟踪ITS中的进化指标。我们使用从三个开源项目中提取的数据测试所提出的算法的效率。我们的实证研究揭示了被忽视的进化指标-例如，过期的错误和开发人员的负载-这是通过我们提出的过去事件再生器促进。
2022-03-15 cs.SE
Satori-SWE: Evolutionary Test-Time Scaling for Sample-Efficient Software Engineering
Singapore University of Technology and Design（新加坡科技设计大学）；MIT（麻省理工学院）；UMass Amherst（马萨诸塞大学阿默斯特分校）；Harvard（哈佛大学）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
针对小参数语言模型在真实软件工程任务中表现不佳且现有测试时扩展方法采样成本高的问题，提出演化式测试时扩展方法 EvoScale，通过强化学习训练模型自我演化，使 32B 模型在 SWE-Bench-Verified 上以少量样本匹敌超 100B 模型。
2025-05-29 cs.AI cs.CL cs.SE
Evolutionary Trends of Developer Coordination: A Network Approach
软件演化是一个基本的过程，它超越了技术工件的领域，渗透到软件项目的整个组织结构中。通过对18个大型开源项目的纵向实证研究，我们研究并讨论了管理开发人员协调的进化原则。通过应用网络分析方法，我们发现，开发人员协调的隐式和自组织结构是无处不在的非随机组织原则，无视传统的软件工程智慧。特别是，我们发现：（a）开发者形成无标度网络，其中大多数协调需求出现在极少数开发者之间，（b）开发者倾向于随着时间的推移与越来越多的开发者积累协调需求，这大概受到上限的限制，以及（c）最初开发者被分层地布置，但是随着时间的推移，形成混合结构，其中核心开发者被分层地安排而外围开发者没有。我们的研究结果表明，大型项目的组织结构受到限制，发展到一个平衡开发人员协调的成本和收益的状态，用于实现这种状态的机制取决于项目的规模。
2016-10-19 cs.SE
IACDM: Interactive Adversarial Convergence Development Methodology -- A Structured Framework for AI-Assisted Software Development
本文提出IACDM方法论，通过外部验证代理解决AI生成应用中的验证缺口问题，强调通过层次语义分析、知识管理及系统对抗批评提升软件开发质量。
2026-08-14 cs.AI cs.SE
Building the Collaboration Graph of Open-Source Software Ecosystem
开源软件社区已经成为许多研究人员关注的中心，他们正在研究这个巨大生态系统中协作的各个方面。由于它的大小，很难把握它是否有结构，如果有，它可能是什么。我们的黑客项目旨在通过提供这个生态系统的交互式协作图，基于开发人员对项目贡献的双向图，利用从代码世界基础设施获得的数据，促进对开发人员协作结构和项目之间关系的理解。我们试图可视化整个项目和开发人员，但由于布局和可视化工具无法处理超大规模的完整图而受阻。我们使用WoC来过滤节点（开发人员和项目）和边（开发人员对项目的贡献），以减少图形的规模，使其适合交互式可视化并发布结果可视化。我们计划采用分层的方法，能够将整个数据的交互式可视化，并评估这种可视化的几个任务的效用。
2021-03-22 cs.SE cs.SI
"Sampling"' as a Baseline Optimizer for Search-based Software Engineering
越来越多的软件工程（SE）研究人员使用基于搜索的优化技术来解决SE问题的多个冲突的目标。这些技术通常应用CPU密集型进化算法来探索候选解群体的突变代。本文提出的另一种方法是从一个非常大的群体开始，然后抽样到更好的解决方案。我们称这种方法为“SWAY”，是“采样方式”的缩写。摇摆是非常简单的实现，在各种软件工程模型的研究中，这种抽样方法被发现是有竞争力的，而需要更少的计算成本与相应的国家的最先进的进化算法。考虑到Sway的简单性和有效性，因此，我们提出这种方法作为基于搜索的软件工程模型的基线方法，特别是对于执行速度非常慢的模型。
2018-01-05 cs.SE
Lightweight Interactive Proving inside an Automatic Program Verifier
在形式化方法中，演绎验证方法允许在关键软件上建立最强可能的形式化保证。缺点是设计适当的正式规范和成功履行所需的证明义务所需的人力成本。为了在工业软件开发环境中推广演绎验证，必须提供从简单和自动化方法逐步过渡到演绎验证的方法。SPARK环境，用于开发用Ada编写的关键软件，通过提供自动化工具来正式证明某些代码满足Ada合同中表达的要求，从而实现了这一目标。在利用自动证明器来履行证明义务的程序验证器中，需要一些额外的用户与证明任务的交互：或者帮助分析证明失败的原因，或者最终履行最先进的自动证明器无法达到的验证条件。在SPARK中添加交互式证明功能似乎很复杂，因为证明工具链使用了独立的中间验证工具Why 3，它足够通用，可以接受不同输入语言的多个前端。本文报告了我们的方法来扩展Why 3与交互式证明功能，并与一个通用的客户端-服务器基础设施，允许集成到一个外部的，前端的图形用户界面，如SPARK的证明交互。
2018-11-27 cs.LO cs.PL cs.SE
Evolutionary Conflict Checking
在软件演化过程中，现有功能可能会受到新更改的不利影响，这就是众所周知的回归错误。维护高质量的测试套件有助于防止回归错误，而这在很大程度上取决于开发人员。基于新的变更不断地扩充现有的测试套件可以帮助开发人员调查这些新变更的影响。通过比较生成的测试用例在两个版本上的执行情况，现有技术能够检测出一些常见的错误。然而，缺少对现有程序行为的新更改的需求和预言。此外，当新的更改没有与其他未更改的代码进行充分检查时，可能会引入新的错误，最终无法满足开发人员对更改的真实意图。在本文中，我们提出了进化冲突检查的概念，以验证新的变化。通过提取新变更所反映的开发者意图，将线性演化过程转化为一个三向合并过程，检测现有行为与新变更之间的冲突。我们的实验结果表明，进化冲突检查是能够适用于保证软件质量的变化。
2020-09-22 cs.SE
Towards Observation Lakehouses: Living, Interactive Archives of Software Behavior
University of Mannheim（曼海姆大学）
本文提出观察湖仓，通过持续SRCs实现软件行为的动态观察与分析，支持行为聚类和共识或acles，展示在509问题基准测试中高效处理能力。
2026-01-16 cs.SE
Towards Interactive, Incremental Programming of ROS Nodes
Conpleks ApS；University of Southern Denmark（南丹麦大学）
编写用于控制机器人的软件是一项复杂的任务，通常需要掌握许多程序设计语言并需要大量的实验。我们相信，自下而上的开发过程可以补充传统的基于组件和基于MDSD的方法，从而促进实验。我们建议使用一个内部DSL提供一个工具，以交互方式创建ROS节点和行为替换机制，以交互方式重塑现有的ROS节点，通过包装外部接口（发布/订阅主题），动态控制使用Python命令行界面。
2014-12-15 cs.RO cs.SE
SWE-rebench: An Automated Pipeline for Task Collection and Decontaminated Evaluation of Software Engineering Agents
Nebius
针对真实世界SWE任务数据稀缺和静态基准易受污染的问题，提出自动化流水线构建了包含超2.1万个任务的SWE-rebench数据集和无污染评估基准，揭示了部分模型因污染导致性能虚高。
2025-11-04 cs.CL cs.SE
STEAM: Simulating the InTeractive BEhavior of ProgrAMmers for Automatic Bug Fixing
本文提出名为STEAM的分阶段框架，通过模拟多个程序员在缺陷报告、诊断、补丁生成与验证四个阶段的交互协作行为，利用ChatGPT显著提升了大型语言模型的自动缺陷修复能力，达到了最先进的性能水平。
2023-08-28 cs.SE
Introducing Interactions in Multi-Objective Optimization of Software Architectures
本研究针对软件架构多目标优化的资源密集型问题，提出引入设计者中间介入的交互式方法，经实验和用户研究验证，该方法可提升架构质量、发现新架构并实现探索效率与计算时间的更好平衡。
2024-12-19 cs.SE
On the Role of Search Budgets in Model-Based Software Refactoring Optimization
ISISTAN, CONICET-UNICEN（ISISTAN，CONICET-UNICEN）；University of L’Aquila（拉奎拉大学）
本研究探讨了在软件模型优化中实施搜索预算以限制设计替代方案搜索的影响，分析了时间预算对Pareto前沿质量及生成方案结构特征的作用，并为设计者在时间约束下选择算法提供了建议。
2025-11-03 cs.PF cs.SE
An Evolutionary Study of Configuration Design and Implementation in Cloud Systems
提出了许多技术来检测云系统中的软件错误配置和诊断由这种错误配置引起的非预期行为。检测和诊断是朝着正确方向迈出的一步：错误配置会导致许多代价高昂的故障和严重的性能问题。但是，我们认为，继续关注检测和诊断是一个更严重的问题的症状：配置设计和实现还不是一流的软件工程在云系统中的努力。关于开发人员如何以及为什么发展配置设计和实现，以及他们在这样做时面临的挑战，我们知之甚少。本文提出了一个源代码级的云系统中的配置设计和实现的演变研究。我们的目标是了解修改初始配置设计/实现决策的基本原理和开发人员实践，特别是在响应错误配置的后果时。为此，我们研究了1178个与配置相关的提交，这些提交来自四个大规模、主动维护的开源云系统（HDFS、HBase、Spark和Cassandra）的2.5年版本控制历史。我们得到新的见解的软件配置工程过程。我们的研究结果激励新的技术，通过改进云系统中的配置设计和实施过程，主动减少错误配置。我们强调了一些未来的研究方向。
2021-02-23 cs.SE cs.SY eess.SY
