LLM-升级版图 reinforcement learning 用于智能制造中的碳感知作业调度
机器学习
2025-12-09 v1 计算与语言
摘要
本文提出了 \textsc{Luca} 框架，一个 \underline{l}arge language model (LLM)-\underline{u}pgraded graph reinforcement learning 框架，用于 \underline{c}arbon-\underline{a}ware flexible job shop scheduling。\textsc{Luca} 通过整合图神经网络和 LLM， guided by 一个精心设计的内部 prompting 策略，产生融合嵌入，既捕获最新调度状态的结构特征又捕获上下文语义。这种表达性嵌入随后由深度 reinforcement learning 策略网络处理，用于生成针对 makespan 和碳排放目标优化的实时调度决策。为支持可持续目标，\textsc{Luca} 包含一个双目标奖励函数，鼓励能源效率和调度 timely。在 synthetic 和 public 数据集上的实验结果表明，\textsc{Luca} 持续优于比较算法。例如，在 synthetic 数据集上，平均实现 4.1% 且最高达 12.2% 的 makespan 降低，同时保持相同的排放水平。在 public 数据集上，还为 makespan 和排放获得额外收益。这些结果表明 \textsc{Luca} 在智能制造中有效且实用。
引用
@article{arxiv.2512.06351,
title = {LLM-Upgraded Graph Reinforcement Learning for Carbon-Aware Job Scheduling in Smart Manufacturing},
author = {Zhiying Yang and Fang Liu and Wei Zhang and Xin Lou and Malcolm Yoke Hean Low and Boon Ping Gan},
journal= {arXiv preprint arXiv:2512.06351},
year = {2025}
}