Evolutionary Computation-Enhanced Large Language Models for Intelligent Code Completion

Dongbo Liu

doi:10.1109/tevc.2026.3655808

Evolutionary Computation-Enhanced Large Language Models for Intelligent Code Completion

2026-08-01

1

PRE

AI

DOI：10.1109/tevc.2026.3655808

原文链接

原文求助

摘要

En 中文

代码补全是一种存在于某些编程环境中的上下文感知代码补全功能。它可以加速应用程序的编码过程，提高开发效率并降低成本。与代码生成相比，代码补全具有灵活适应变化、高精度和针对性以及较低性能开销等优势。智能代码补全利用人工智能技术实现更有效的代码补全。然而，它面临可解释性差、性能不稳定以及对计算资源需求高等问题。为充分利用大型语言模型（LLMs）强大的语义理解、信息检索和文本生成能力，以及进化计算（EC）强大的全局优化和自适应搜索能力，提出了一种集成网络框架——进化双通道网络（EDN）。EDN利用LLMs精确的上下文理解和特征提取能力来预测抽象语法树（AST）的节点，从而实现代码补全。为增强整个框架的性能和可解释性，我们使用具有强大搜索能力的遗传算法（GA）作为EDN的主要优化方法。该提出的框架以新颖的方式结合了LLMs和EC。通过用EC优化LLMs网络框架中的特定组件，实现了LLMs和EC更灵活的集成。在包含多种编程语言（PLs）的三个公开语料库上的实验结果证明了所提出方法的有效性。

Keyword:

Codes

Semantics

Syntactics

Genetic algorithms

Trees (botanical)

Computer languages

Feature extraction

Source coding

Large language models

Deep learning

Evolutionary computation (EC)

intelligent code completion

large language models (LLMs)

Evolutionary Computation-Enhanced Large Language Models for Intelligent Code Completion

摘要

期刊

机构

引用论文