ReflecSched：通过 LLM 驱动的层次化反思求解动态灵活车间调度
人工智能
2026-01-21 v3
摘要
动态灵活车间调度（DFJSP）问题涉及实时事件和复杂路由。虽然传统规则高效但僵化，深度学习方法则晦涩且需要特征工程。大型语言模型（LLM）承诺无需此类工程即可实现自适应推理，但我们发现其直接应用效果不佳。基线 LLM 面临三个关键问题：长上下文悖论导致关键数据未被充分利用；对专家启发式方法的利用不足；以及目标导向决策。为此，我们提出了 ReflecSched 框架，使 LLM 超越直接调度器，通过赋予其战略分析能力。ReflecSched 要求 LLM 分析跨多个规划视角的启发式驱动模拟，并提炼为简洁的自然语言摘要，称为战略经验。该摘要被整合到最终决策模块的提示中，以引导其产生非目标导向的行动。实验表明，ReflecSched 的最佳变体在 GEN-Bench 上实现了 6.09% 的平均 RPD 和 4.39 的排名，显著超越包括 HMPSAC 和 IDDQN 在内的强大的传统和学习方法。它在统计上且决定性地超越了直接 LLM 基线，实现了 71.35% 的胜率，同时在 Normal 规模问题上平均节省 15.1% 的 token。进一步的累积运行时间分析表明，ReflecSched 的零样本特性消除了训练瓶颈，在高变动制造环境中提供了决定性的效率优势。消融研究将此性能归因于利用高质量对比经验的稳健反思机制。最终，框架的性能在统计上与类似 oracle 的策略相当，展示了其有效性和稳健性。
引用
@article{arxiv.2508.01724,
title = {ReflecSched: Solving Dynamic Flexible Job-Shop Scheduling via LLM-Powered Hierarchical Reflection},
author = {Shijie Cao and Yuan Yuan},
journal= {arXiv preprint arXiv:2508.01724},
year = {2026}
}