Automated Refactoring of Nested-IF Formulae in Spreadsheets
电子表格是最受欢迎的终端用户编程软件,其中公式就像程序一样,也有气味。电子表格公式的一个公认的共同气味是嵌套IF表达式,其可读性低,用户认知成本高,并且在重用或维护期间容易出错。然而,最终用户通常缺乏必要的程序设计语言知识和技能来解决甚至意识到问题。以前的研究工作在这方面做了非常初步的尝试,而目前还没有有效的自动化方法。本文首先提出了一种基于AST的自动化方法来系统地重构嵌套IF公式。总的想法是双重的。首先,我们检测并删除AST上的逻辑冗余。其次,我们确定了更高层次的语义已经支离破碎,分散,并重新组装语法使用简洁的内置函数。一个全面的评估已经进行了对现实世界的电子表格语料库,这是收集在一家领先的IT公司的研究目的。对68,000多个电子表格和2700万个nest-IF公式的结果表明,我们的方法能够消除超过99%的nest-IF公式的气味。超过50%的重构将嵌套IF的嵌套级别减少了一半以上。此外,一项涉及49名参与者的调查表明,在大多数情况下,参与者更喜欢重构公式,并同意这种自动重构方法是必要的和有用的。
2017-12-28 cs.SE
From Human to Machine Refactoring: Assessing GPT-4's Impact on Python Class Quality and Readability
University of Catania(卡塔尼亚大学);University of Sannio(桑尼奥大学)
本文评估GPT-4在Python类重构中的效果,发现其能提升代码质量和减少异味,但可能降低可读性。
2026-01-19 cs.SE
Automated Refactoring of Legacy JavaScript Code to ES6 Modules
Athens University of Economics and Business(雅典经济与商业大学)
本文研究了将遗留ES5代码自动转换为ES6模块,通过命名导入/导出语言构造实现细粒度重用,减少模块耦合并增强模块依赖。
2021-07-21 cs.SE
Automated Refactoring of Non-Idiomatic Python Code: A Differentiated Replication with LLMs
本文研究了GPT-4在推荐地道Python代码重构方面的有效性,发现其不仅能有效识别地道构造,还能在现有基线失败时提出正确的重构操作,突显了LLM替代复杂代码分析推荐器的潜力。
2025-01-28 cs.SE
MANTRA: Enhancing Automated Method-Level Refactoring with Contextual RAG and Multi-Agent LLM Collaboration
MANTRA是一个基于LLM智能体的方法级重构框架,结合上下文RAG、多智能体协作和口头强化学习,在703个实例上达到82.8%的成功率,显著优于基线,并被认为与人类代码同等可读可重用。
2025-03-27 cs.SE
ACE: Automated Technical Debt Remediation with Validated Large Language Model Refactorings
本文提出ACE工具,利用经过验证的大语言模型输出自动进行代码重构,在保证程序正确性的同时提升代码可理解性,从而有效缓解开发者极少处理的技术债务。
2025-07-04 cs.SE
Supporting single responsibility through automated extract method refactoring
本文提出一种基于后向切片的自动化提取方法重构算法,将长方法分解为切片并提取为独立方法以实现单一职责,在GEMS基准和真实项目中显著提升了重构精确率与召回率,并改善了方法内聚度。
2023-11-26 cs.SE
Bugs in the Shadows: Static Detection of Faulty Python Refactorings
Federal University of Campina Grande(坎皮纳格兰德联邦大学);Federal University of Alagoas(阿拉戈阿斯联邦大学);Pontifical Catholic University of Rio de Janeiro(里约热内卢天主教 Pontifical 大学)
针对Python动态类型系统导致自动化重构易引入类型错误的问题,本文提出静态分析技术检测重构引入的类型错误,在Rope及主流IDE的重构实现中发现多个已被开发者确认的缺陷,为提升重构工具鲁棒性提供了依据。
2025-07-01 cs.SE
Prefactory: Automated Discovery and Application of Library-Adoption Refactorings
CISPA Helmholtz Center for Information Security(CISPA 亥姆霍兹信息安全中心)
研究如何自动进行库采用重构。核心方法是用 LLM 合成搜索启发式方法,收集元数据和词汇生成检测器找候选函数,排序后用 LLM 生成重构并验证。主要贡献是在 PrefactoryBench 上表现优于基线,产生多个经测试验证的重构。
2026-07-21 cs.SE
Detecting Behavioral Changes in Python Refactoring Implementations with Foundation Models
Federal University of Campina Grande(坎皮纳格兰德联邦大学);Federal University of Alagoas(阿拉戈阿斯联邦大学);Pontifical Catholic University of Rio de Janeiro(里约热内卢天主教大学)
本研究提出基于基础模型Oracle的方法,通过分析git风格差异检测Python重构的行为变化,在Rope上评估发现13个bug,12个被接受,凸显需提升Python重构工具鲁棒性。
2026-08-11 cs.SE
SWE-Refactor: A Repository-Level Benchmark for Real-World LLM-Based Code Refactoring
Concordia University(康考迪亚大学)
SWE-Refactor是一个面向真实世界的基于大语言模型的代码重构仓库级基准,通过1099个Java项目中的重构实例评估九种LLMs,揭示复杂重构的失败率较高。
2026-02-03 cs.SE
Software Testing and Code Refactoring: A Survey with Practitioners
本研究面向软件测试从业者开展调研,探究其代码重构实践的收益与局限,发现重构可助力自动化测试维护、提升团队绩效,但存在管理层重视不足等障碍,为测试人员提升编码能力提供参考。
2023-10-03 cs.SE
Refactoring React Component Hierarchies to Eliminate Prop Drilling
Athens University of Economics and Business(雅典经济与商业大学);University of Ioannina(约阿尼纳大学)
本研究提出静态分析方法和自动化重构策略(基于Context API和组件组合),识别并消除React中的Prop Drilling,实证评估显示76.3%的实例可自动消除。
2026-11-06 cs.SE
Generating refactored code accurately using reinforcement learning
针对当前自动化提取方法重构依赖人工且缺乏语义理解的局限,提出一种基于强化学习PPO算法微调和对齐代码语言模型的方法,显著提升了Java代码重构的准确性与功能正确性。
2024-12-23 cs.SE
Refactoring Assertion Roulette and Duplicate Assert test smells: a controlled experiment
测试气味会降低开发人员与测试代码交互的能力。重构测试代码提供了一种安全的策略来处理测试气味。然而,手动重构活动并不是一个简单的过程,它通常是乏味的并且容易出错。本研究旨在评估RAIDE,一个自动识别和重构测试气味的工具。我们提出了RAIDE的实证评估,在其中,我们分析了它在重构断言轮盘赌和重复断言测试气味的能力,并将结果与手动重构和最先进的方法进行了比较。结果表明,RAIDE提供了一个更快,更直观的方法来处理测试气味比使用自动化的气味检测工具结合手动重构。
2022-07-12 cs.SE
Assessing the Impact of Refactoring Energy-Inefficient Code Patterns on Software Sustainability: An Industry Case Study
本文通过大型应用行业案例研究,评估自动化工具识别并重构能源低效代码模式的效果,发现重构后每用户每月能耗降低29%。
2025-06-11 cs.SE
Refactoring Detection in C++ Programs with RefactoringMiner++
针对C++项目缺乏重构检测工具的问题,本文提出RefactoringMiner++,基于RefactoringMiner 3扩展,是首个公开的C++重构检测工具,并通过种子数据集和演示验证其性能。
2025-02-24 cs.SE
An Exploratory Study on Refactoring Documentation in Issues Handling
理解重构文档的实践在学术界和工业界都是至关重要的。大多数软件项目都使用问题跟踪系统,使开发人员,质量保证,管理人员和用户能够提交功能请求和其他任务,如错误修复和代码审查。虽然最近的研究探索了如何在提交消息中记录重构,但很少有人知道开发人员如何在问题中描述他们的重构需求。在这项研究中,我们的目标是探索开发人员报告的问题中的重构变化,以更好地了解开发人员认为他们的代码中存在什么问题以及他们如何处理它。我们的方法依赖于文本挖掘45,477个重构相关问题,并通过调查与15,833重构操作和开发者的显式重构意图。我们的研究结果表明:(1)开发人员大多使用与重构相关的术语/短语来解决重构相关的问题;(2)开发人员倾向于明确提到特定质量属性的改进,并专注于重复代码的删除。我们设想我们的研究结果使工具构建者能够支持开发人员自动记录问题中的重构更改。
2022-03-19 cs.SE
RefDiff: Detecting Refactorings in Version Histories
重构是一种众所周知的技术,被软件工程师广泛采用,以改进设计并使系统能够进化。了解在代码更改中应用了哪些重构操作对于理解软件演化、调整软件组件、合并代码更改和其他应用程序是有价值的信息。在本文中,我们提出了RefDiff,这是一种自动化方法,可以识别git存储库中两个代码修订之间执行的重构。RefDiff采用了基于静态分析和代码相似性的方法来检测13种常见的重构类型。在使用分布在7个Java项目中的448个已知重构操作的Oracle进行的评估中,我们的方法实现了100%的精确度和88%的召回率。此外,我们的评估表明,RefDiff比现有的最先进的方法具有更高的精度和召回率。
2017-04-05 cs.SE
An Empirical Study on Refactoring-Inducing Pull Requests
背景资料:基于拉式的开发塑造了现代代码审查(MCR)的实践,其中审查者可以通过拉式请求(PR)中的注释和提交来贡献代码改进,例如重构。过去的MCR研究统一对待所有的PR,不管它们是否引起重构。我们将PR定义为重构诱导,即在初始提交后执行重构编辑,这是审阅者之间讨论的结果,也是PR开发人员自发采取的行动。目的:这项混合研究(定量和定性)探讨了代码审查相关的方面,旨在表征重构诱导PR。方法:我们假设,重构诱导PR有不同的特点比非重构诱导的,因此值得特别关注和治疗的研究人员,从业者和工具建设者。为了研究我们的假设,我们从GitHub中挖掘了1,845个Apache合并PR的样本,挖掘了这些PR中的重构编辑,并对重构诱导PR和非重构诱导PR进行了比较研究。我们还手动检查了2,096条评论,并从228个重构诱导PR中检测到1,891个重构。结果如下:我们在我们的样本中发现了30.2%的重构诱导PR,它们在提交数量、代码流失、文件更改数量、审查评论数量、讨论长度和合并时间方面与非重构诱导PR有显著差异。然而,我们没有发现统计证据表明,评论者的数量与重构诱导有关。我们的定性分析显示,至少有一个重构编辑引起的审查133(58.3%)的重构诱导PR检查。结论:我们的研究结果为研究人员,从业者和工具构建者提供了方向,以改善基于拉式代码审查的实践。
2021-08-24 cs.SE
Same Same But Different: Preventing Refactoring Attacks on Software Plagiarism Detection
KASTEL -- Institute of Information Security and Dependability, Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院 KASTEL 信息安全与可靠性研究所);KTH Royal Institute of Technology(瑞典皇家理工学院)
针对编程教育中基于重构的混淆攻击易绕过现有代码抄袭检测系统的问题,本文提出一种结合代码属性图与图变换的可扩展增强框架,经真实学生提交样本评估,显著提升了抄袭代码检测效果。
2025-10-29 cs.SE
Recommending Variable Names for Extract Local Variable Refactorings
针对IDE推荐变量名与开发者手动命名差异大的问题,提出VarNamer方法,结合静态分析和数据挖掘推荐变量名,显著提升匹配率并加快重构速度。
2025-07-01 cs.SE
Why We Refactor? Confessions of GitHub Contributors
重构是一种广泛的实践,可以帮助开发人员提高代码的可维护性和可读性。然而,有一个有限数量的研究经验调查背后的实际动机,具体的重构操作应用的开发人员。为了填补这一空白,我们监控了GitHub上托管的Java项目,以检测最近应用的重构,并要求开发人员解释他们决定重构代码的原因。通过对收集到的回复进行主题分析,我们为12种著名的重构类型编制了一个44种不同动机的目录。我们发现,重构活动主要是由需求的变化驱动的,而很少是由代码气味驱动的。提取方法是最通用的重构操作,有11种不同的用途。最后,我们发现有证据表明开发人员使用的IDE会影响自动化重构工具的采用。
2016-07-08 cs.SE
On the Use of Refactoring in Security Vulnerability Fixes: An Exploratory Study on Maven Libraries
第三方库依赖在当今的软件开发中是司空见惯的。随着安全漏洞的威胁日益严重,及时应用安全补丁对保护软件系统至关重要。因此,社区开发了一个软件和硬件弱点列表,称为常见弱点枚举(CWE),以评估漏洞。以前的工作已经揭示了维护活动(如重构代码)可能与源代码中与安全相关的方面相关。在这项工作中,我们探讨重构和安全性之间的关系,通过分析在实践中执行的重构动作与漏洞修复。我们进行了一个案例研究,分析了143个maven库,其中351个已知漏洞已被检测和修复。令人惊讶的是,我们的探索性结果显示,开发人员在他们的修复中包含重构操作,其中31.9%(351个中的112个)的漏洞与重构操作配对。我们设想这篇简短的论文开辟潜在的新方向,以激励自动化工具支持,允许开发人员更快地交付修复,同时维护他们的代码。
2022-05-17 cs.SE
From Restructuring to Stabilization: A Large-Scale Experiment on Iterative Code Readability Refactoring with Large Language Models
Saarland University(萨尔兰大学)
本文通过大规模实验研究大语言模型在迭代代码重构中的能力,揭示了重构过程的收敛趋势及可读性提升的机制。
2026-02-25 cs.SE
Testing Refactoring Engine via Historical Bug Report driven LLM
提出RETESTER框架,利用历史缺陷报告和思维链提示生成重构变体,通过差分测试在Eclipse和IntelliJ IDEA中发现18个新缺陷。
2025-01-22 cs.SE
A Differential Fuzzing-Based Evaluation of Functional Equivalence in LLM-Generated Code Refactorings
University of Virginia(弗吉尼亚大学)
本文提出基于微分模糊测试的方法,评估LLM生成代码重构的功能等价性,发现LLM生成的重构存在显著语义偏差,现有测试套件难以检测。
2026-02-17 cs.SE
An Empirical Study on the Code Refactoring Capability of Large Language Models
本研究实证评估StarCoder2在30个Java项目中的代码重构能力,发现其比开发者多减少20.1%代码坏味道,结合一次性提示与多重构方案可显著提升性能。
2024-11-04 cs.SE
Quantifying the benefits of code hints for refactoring deprecated Java APIs
本研究量化了Javadoc代码提示对自动重构已弃用Java API的益处,构建符号与神经引擎,实验显示代码提示显著提升重构成功率,从无提示的14%提升至有提示的71%。
2025-04-21 cs.SE
Trustworthy Refactoring via Decomposition and Schemes: A Complex Case Study
广泛使用的复杂代码重构工具缺乏关于它们实现的转换的正确性的可靠推理,而对经证明的正确重构的兴趣正在不断增加,因为只有形式化验证才能在将工具自动化重构应用于工业规模代码时提供真正的信心。通过使用我们的战略重写为基础的重构规约语言,我们提出了一个复杂的转换分解成更小的步骤,可以表示为重构方案的实例,然后我们展示了半自动形式化验证的组件的基础上的语义的理论理解的程序设计语言。可扩展和可验证的重构定义可以在我们的解释器中执行,该解释器构建在静态分析器框架之上。
2017-08-24 cs.PL cs.SE
The Impact of Auto-Refactoring Code Smells on the Resource Utilization of Cloud Software
基于云的软件即服务(SaaS)由于其低成本和弹性而受到欢迎。然而,与其他软件一样,SaaS应用程序也会受到代码气味的影响,这会严重影响功能和资源使用。代码气味是指源代码中任何表明存在更深层次问题的设计。软件社区部署了自动化重构来消除气味,这可以提高性能并减少关键资源的使用。然而,分析SaaS中自动重构气味对CPU和内存等资源的影响的研究在一定程度上是有限的。在这里,我们的目标是填补这一空白,并研究SaaS应用程序的资源使用的影响,由于自动重构的七个经典的代码气味:上帝类,功能嫉妒,类型检查,循环依赖,鸟枪手术,上帝的方法,和意大利面条代码。我们从Github中指定了六个实际的SaaS应用程序,分别是Zimbra,OneDataShare,GraphHopper,Hadoop,JENA和JAMES,它们在Openstack云上运行。结果表明,JDeodrant和JSparrow等工具重构气味对基于气味重构类型的测试应用程序的CPU和内存消耗有着广泛不同的影响。我们提出了每种气味对资源利用的影响,并讨论了导致这种影响的潜在原因。
2020-08-14 cs.SE
Predicting the Impact of Batch Refactoring Code Smells on Application Resource Consumption
本文研究了16种代码异味批量重构对31个开源应用CPU和内存利用率的影响,并设计了基于ANN的回归模型,在重构决策前高精度预测资源消耗,实现资源感知的代码异味重构。
2023-06-27 cs.LG cs.SE
Towards Safe Automated Refactoring of Imperative Deep Learning Programs to Graph Execution
本文提出一种基于张量分析的自动化重构方法,帮助开发者将命令式深度学习代码安全、高效地转换为图执行,以兼顾易用性与性能,并已在PyDev Eclipse IDE中实现。
2023-10-10 cs.PL cs.SE
EM-Assist: Safe Automated ExtractMethod Refactoring with LLMs
University of Colorado Boulder(科罗拉多大学博尔德分校);JetBrains Research(JetBrains研究院)
针对长方法重构推荐与真实开发者实践不符的问题,提出基于LLM的IntelliJ插件EM-Assist,通过生成、验证、增强和排名重构建议实现安全自动化,在召回率与可用性上超越现有工具。
2024-05-31 cs.HC cs.LG cs.PL
Multi-objective Software Architecture Refactoring driven by Quality Attributes
针对架构优化任务难度高、耗时长且资源消耗大的问题,提出了一种质量属性驱动的多目标软件架构重构优化框架,测试了多种遗传算法的性能,并通过两个不同特征的案例研究完成了框架验证。
2023-01-18 cs.SE
LLM-based Multi-Agent System for Intelligent Refactoring of Haskell Code
Faculty of Information Technology and Communication Sciences, Tampere University(坦佩雷大学信息与通信科学学院)
本文提出基于LLM的多智能体系统,用于自动化Haskell代码重构,通过代码分析、重构执行、验证和调试等角色,提升代码质量与性能。
2025-06-24 cs.SE
Leveraging LLMs, IDEs, and Semantic Embeddings for Automated Move Method Refactoring
University of Colorado(科罗拉多大学);Tulane University(路易斯安那州立大学);Amazon Web Services(亚马逊网络服务);JetBrains Research(JetBrains研究);NEC Corporation(日本电报电话公司);NEC Laboratories America(日本电报电话美洲实验室);University of Texas at Dallas(德克萨斯大学达拉斯分校);Concordia University(康科迪亚大学);University of Colorado, JetBrains Research(科罗拉多大学,JetBrains研究)
针对Move Method重构,提出MM-assist助手,结合LLM、IDE静态分析和语义嵌入,通过RAG和自一致性过滤幻觉,显著提升推荐准确率并获用户好评。
2025-10-16 cs.AI cs.SE
Refactoring for Dockerfile Quality: A Dive into Developer Practices and Automation Potential
本研究利用 358 个开源项目的 600 个 Dockerfile,通过上下文学习与评分演示选择策略,实现自动化重构,平均减少镜像大小 32%、构建时长 6%,并显著提升可理解性与可维护性,为 CI/CD 中 Dockerfile 质量优化奠定基础。
2025-01-23 cs.SE
Automated Variable Renaming: Are We There Yet?
标识符,如方法名和变量名,构成了源代码的很大一部分。因此,低质量的标识符会严重阻碍代码的理解。为了支持开发人员使用有意义的标识符,已经提出了几种(半)自动技术,大多数是数据驱动的(例如,统计语言模型、深度学习模型)或依赖于静态代码分析。尽管如此,有限的经验调查已经执行的有效性,这些技术推荐开发人员有意义的标识符,可能导致重命名重构操作。我们提出了一个大规模的研究调查数据驱动的方法来支持自动变量重命名的潜力。我们实验了三种最先进的技术:统计语言模型和两个基于DL的模型。这三种方法已经在我们构建的三个数据集上进行了训练和测试,目的是评估它们推荐有意义的变量标识符的能力。我们的定量和定性分析表明,这种技术的潜力,在特定条件下,可以提供有价值的建议,并准备在重命名重构工具集成。尽管如此,我们的研究结果也突出了实验方法的局限性,需要在这一领域进行进一步的研究。
2022-12-12 cs.SE
Dissect-and-Restore: AI-based Code Verification with Transient Refactoring
KTH Royal Institute of Technology(瑞典皇家理工学院);RISE Research Institutes of Sweden(瑞研所)
本研究提出AI辅助代码验证系统Prometheus,通过模块化分解重构复杂程序与引理,结合自然语言引导,大幅提升了代码形式化验证的成功率,尤其在高复杂度场景下增益显著。
2025-10-30 cs.SE
Toward Refactoring of DMARF and GIPSY Case Studies a Team 7 SOEN6471-S14 Project Report
软件体系结构被定义为一个结构良好的解决方案的过程,它满足所有的技术和操作要求,并提高系统的质量属性,如可读性,可靠性,可维护性和性能。它涉及一系列设计决策,这些决策可能对系统质量属性和应用程序的整体成功产生相当大的影响。在这项工作中,我们首先分析和调查两个开源软件(OSS)平台DMARF和GIPSY,主要是在Java中实现的。许多研究论文已经被研究,以获得更多的见解和清晰的背景,他们的架构,增强,演变,挑战和功能。随后,我们提取并找到他们的需求,高层次的要求,和架构结构,导致重要的设计决策,从而影响他们的质量属性。首先,我们逆向工程每个系统的源代码,以重建其领域模型和类图模型。我们试图实现需求和其他设计工件之间的可追溯性,以保持一致。此外,我们进行了手动和自动重构技术,以摆脱一些现有的代码气味,最终获得更可读和更易于理解的代码,而不会影响其可观察的行为。
2014-12-18 cs.SE
Evaluating LLMs Effectiveness in Detecting and Correcting Test Smells: An Empirical Study
该实证研究评估GPT-4-Turbo、LLaMA 3 70B和Gemini-1.5 Pro在Python与Java测试套件中的测试坏味检测与重构能力,发现Gemini整体表现最佳。
2025-06-09 cs.SE
REFINE: A Multi-Agent LLM Approach for Evidence-Guided Code Refactoring
Tampere University(坦佩雷大学);University of Derby(德比大学)
本研究提出多智能体方法REFINE,结合静态分析、LLM等技术生成Java代码重构候选,在450个文件上使异味降低超68%,效果优于直接提示基线,但存在残留风险需人工审查。
2026-08-26 cs.AI cs.SE
Proactive Empirical Assessment of New Language Feature Adoption via Automated Refactoring: The Case of Java 8 Default Methods
随着时间的推移,程序设计语言和平台不断改进,有时会产生新的语言功能,提供许多好处。然而,尽管有这些好处,开发人员可能并不总是愿意在他们的项目中采用它们。在本文中,我们描述了一个实证研究,我们评估通过一个特定的新的语言功能。研究开发人员如何使用(或不使用)新的语言功能在程序设计语言研究和工程中很重要,因为它使设计人员了解语言的可用性,从而用该语言创建有意义的程序。反过来,这些知识可以推动该领域未来的创新。在这里,我们探索Java 8默认方法,它允许接口包含(实例)方法实现。默认方法可以简化接口的演化,使某些普遍存在的设计模式变得多余,并提高模块性和可维护性。这项工作的重点是通过科学的方法和新的技术,发现开发人员发现这些构造有用的情况,以及它们没有的原因。虽然有几项研究围绕着评估新的语言特征,但据我们所知,这种结构以前没有被考虑过。尽管有这些好处,但我们发现开发人员并不是在所有情况下都采用默认方法。我们的研究包括提交pull request,将语言特性引入19个真实世界的开源Java项目,而不改变原始程序语义。这种新颖的评估技术是主动的,因为采用是由自动重构方法驱动的,而不是等待开发人员自己发现和集成功能。通过这种方式,我们提出了更早而不是更晚有效使用语言功能的最佳实践和模式,并且能够指导(不久的)未来的语言发展。我们预见这种技术在评估其他新的语言特性、设计模式和其他编程习惯方面是有用…
2018-03-27 cs.PL cs.SE
Refactoring with LLMs: Bridging Human Expertise and Machine Understanding
Department of Computer Engineering and Software Engineering(计算机工程与软件工程系)
本研究参考Martin Fowler重构指南设计多种指令策略,提升LLM自动执行61种重构任务的能力,实验验证其可完成所有基准重构并保留语义,聚焦整体目标的指令效果更优。
2025-10-04 cs.AI cs.SE
Do AI Agents Really Improve Code Readability?
National Institute of Technology, Nara College(奈良工业高等专门学校);Nara Institute of Science and Technology(奈良先端科学技术大学院大学)
研究探讨AI代理重构对代码可读性的影响,通过分析403个提交发现,AI主要改进逻辑复杂度和文档,但导致传统质量指标下降。
2026-03-14 cs.SE
IntelliTC: Automating Type Changes in IntelliJ IDEA
开发人员经常更改程序元素的类型。这种重构通常不仅涉及更新元素本身的类型,还涉及更新代码中所有依赖于类型的引用的API,因此它是乏味和耗时的。尽管类型更改比重命名更频繁,但目前只有少数IDE工具仅为一小部分硬编码类型提供部分自动化支持。研究人员最近提出了一种数据驱动的方法,使用代码提交历史来推断Java中类型更改模式的API重写规则。在本文中,我们建立在这些最新的进展,并介绍IntelliTC -一个工具来执行Java类型更改重构。我们将其实现为IntelliJ IDEA的插件,这是JetBrains开发的流行Java IDE。从用户体验的角度来看,我们提出了3种不同的方法来支持这种重构:经典模式、建议重构和检查模式。为了评估这些使用IntelliTC的方式,我们调查了22位经验丰富的软件开发人员。他们对该工具的有用性给予了积极评价。该插件的源代码和分发可在GitHub上获得:https://github.com/JetBrains-Research/data-driven-type-migration。演示视频在YouTube上:https://youtu.be/pdcfvADA1PY。
2022-05-07 cs.SE
AST-Based Automated Elimination of break and continue Statements in Java Code
University of Málaga(马拉加大学)
该研究开发了一个基于Eclipse JDT API的Java自动重构工具,通过引入辅助布尔变量重写抽象语法树,消除循环中的break和continue语句,保持语义等价,并经测试和开源项目验证,支持后续提取方法等重构。
2026-09-24 cs.SE
A GNN-Based Approach for Code Smell Detection and Refactoring Opportunity Identification
Waseda University(早稻田大学)
本文提出基于图神经网络的代码异味重构方法,设计两类输入图并结合图分类和节点分类任务,针对长方法、大类和特征 envy 三种代码异味进行重构,实验表明方法在传统和先进深度学习方法中表现优异。
2026-11-16 cs.SE stat.ME
Speculative Automated Refactoring of Imperative Deep Learning Programs to Graph Execution
City University of New York (CUNY) Hunter College(纽约市立大学亨特学院);CUNY Graduate Center(纽约市立大学研究生中心);Oakland University(奥克兰大学)
针对命令式深度学习程序,提出基于静态分析和推测性关键词分析的自动化重构方法,将其转为图执行以提升性能,在19个项目中平均加速2.16倍。
2025-10-06 cs.AI cs.PL cs.SE
RefAgent: A Multi-agent LLM-based Framework for Automatic Software Refactoring
Polytechnique Montreal(蒙特利尔大学)
RefAgent是一种基于多智能体的LLM框架,用于自动化软件重构,通过自我反思和工具调用能力提升重构效率和代码质量。
2026-03-04 cs.AI cs.SE
AI-Assisted Unit Test Writing and Test-Driven Code Refactoring: A Case Study
Faculty of Electrical Engineering and Computing, University of Zagreb(萨格勒布大学电气工程与计算学院)
本文研究了利用AI生成单元测试并进行安全重构的方法,通过案例展示如何通过迭代测试捕获系统行为,减少重构风险,提升代码维护效率。
2026-04-03 cs.AI cs.SE
Search Budget in Multi-Objective Refactoring Optimization: a Model-Based Empirical Study
该研究针对多目标软件模型重构优化中搜索预算(时间限制)的影响展开实证,通过两个不同案例测试三种遗传算法,发现预算限制会降低解质量,且算法选择对结果有关键作用。
2022-12-16 cs.SE
Exploring Variational Graph Auto-Encoders for Extract Class Refactoring Recommendation
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
代码气味是软件系统中设计和开发缺陷的标志,它会降低系统的可重用性和可维护性。重构是一种持续的实践,以消除程序代码中的代码气味。在不同的代码气味中,God类或Blob是最常见的代码气味之一。一个god类包含太多的责任,违反了面向对象编程设计的低耦合和高内聚原则。本文提出了一种自动的方法来提取一个上帝类到多个更小的类更具体的责任。为此,我们首先为相关的god类构建一个方法图(作为节点)。任何两种方法之间的边缘由它们的结构相似性确定,并且使用不同的语义表示方法初始化每个方法的特征。然后,使用变分图自动编码器来学习每种方法的向量表示。最后,学习的向量用于将方法聚类到不同的组中,以推荐为重构类。我们使用三种不同的类内聚度量对从两个著名的开源系统中收集的16个实际的上帝类进行了评估。我们还对我们的方法与类似的现有方法进行了比较研究,发现所提出的方法对实验中使用的几乎所有上帝类都产生了更好的结果。
2023-03-19 cs.AI cs.SE