DSevolve: 利用大语言模型演化的启发式组合实现动态车间的实时自适应调度
人工智能
2026-03-31 v1
摘要
在动态制造环境中，机器故障和新订单到达等中断会持续改变最优调度策略，使得自适应规则选择至关重要。现有的基于大语言模型（LLM）的自动启发式设计（AHD）框架演化为单一精英规则，无法满足这种适应性需求。为了解决这个问题，我们提出了DSevolve，一个工业调度框架，它离线演化出一个质量多样化的调度规则组合，并以秒级响应时间在线自适应地部署它们。多角色播种和拓扑感知的演化算子产生了一个行为多样化的规则档案库，由MAP-Elites特征空间索引。在每个中断事件发生时，基于探针的指纹识别机制表征当前车间状态，从离线知识库中检索高质量候选规则，并通过快速前瞻模拟选择最佳规则。在源自真实工业数据的500个动态柔性作业车间实例上进行的评估表明，DSevolve优于最先进的AHD框架、经典调度规则、遗传编程和深度强化学习，为智能车间调度提供了一种实用且可部署的解决方案。
引用
@article{arxiv.2603.27628,
title = {DSevolve: Enabling Real-Time Adaptive Scheduling on Dynamic Shop Floor with LLM-Evolved Heuristic Portfolios},
author = {Jin Huang and Jie Yang and XinLei Zhou and Qihao Liu and Liang Gao and Xinyu Li},
journal= {arXiv preprint arXiv:2603.27628},
year = {2026}
}