A Stability-Aware Event-Triggered Rescheduling Framework with Bounded LLM Judgment for Production Scheduling
本文针对大语言模型驱动的生产调度中缺乏稳定性度量的问题，提出了一种结合确定性稳定性感知规则与有界大语言模型判别的混合型事件触发重调度框架，旨在选择最优恢复动作，同时确保可行性并防止决策震荡。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在工厂的核心地带，生产计划不仅仅是一份任务清单；它是对机器、材料和人员做出的承诺。它告诉工人应该站在哪台机器前，告诉叉车司机何时到达，并告诉客户何时可以期待到货。然而，工厂车间很少是一个能够完美预测的地方。机器可能会发生故障，原材料的到货可能会延迟，或者客户可能会突然要求比预期更快地交付订单。当这些干扰发生时，一个关键的问题随之而来：是应该将整个计划废弃并从头开始重写，还是应该仅仅调整当前任务的时间？
从理论上看，重写整个计划往往看起来是最明智的做法，因为它能榨取最大的效率。然而，在现实世界中，频繁更改计划会造成混乱。如果一名工人已经为某项特定工作完成了机器设置，却在几分钟后被告知要切换到另一项任务，这会浪费时间并导致混乱。这种现象被称为“调度神经质”（schedule nervousness），即当计划变化过于频繁，以至于车间的工人和资源无法跟上节奏时，就会发生这种情况。工厂经理面临的挑战在于寻找合适的时机来停下来并询问：这次干扰是否大到足以证明重新制定计划所带来的麻烦是值得的，还是我们只需吸收延迟而不必重写未来？
来自国立高雄科技大学的研究人员开发了一种新的方法来回答这个问题。他们创建了一个决策系统，充当生产计划的“守门员”。该系统不会在每次出现问题时都自动重写计划，而是会停下来评估情况。它针对每一次干扰考虑了三种具体的选项：如果延迟足够小可以被吸收，则忽略该事件；进行局部修复，即仅稍微推迟任务的时间而不改变其顺序；或者在保持近期计划冻结的情况下，完全重写未来的计划部分。
为了做出这些决策，研究人员构建了一个权衡两个竞争目标——性能与稳定性——的框架。性能衡量工厂完成期限和利用时间的能力；稳定性衡量新计划与旧计划之间的差异，包括移动了多少任务、重新分配了多少机器以及工作序列发生了多少变化。系统会为这三种选项中的每一种计算一个分数。如果干扰较小，系统会建议忽略它或进行小规模的局部修复。如果干扰严重，系统会检查进行一次完整的重写是否能回收足够的损失时间，从而证明改变计划所带来的混乱是值得的。这一检查过程包含一个“稳定性底线”（即新计划必须维持的最低程度的平稳性），以及一条“防震荡”（anti-thrashing）规则，旨在防止系统在不同的计划之间过快地反复切换。
这项工作的一个关键创新在于如何使用人工智能。虽然大型语言模型越来越多地被用于生成复杂的调度方案，但本研究发现，依靠它们来做出最终决定是具有风险的。在对 43 项近期研究的回顾中，作者发现大多数使用人工智能的系统要么是在离线状态下生成规则，要么是尝试直接解决调度问题，这往往会导致生成的计划看起来很完美，但在实际执行中却无法实现。此外，这些研究都没有衡量所得计划的稳定性。为了解决这个问题，这个新框架使用了一个本地化的、现场的人工智能模型，其作用不是创建调度方案，而是作为一种“第二意见”。该 AI 查看与主规则系统相同的数字和证据，并提供自己的建议。然而，该 AI 是受到严格约束的：它不能发明新的调度方案，必须遵循严格的格式，并且如果它失败或给出了令人困惑的答案，系统会自动回退到原始的基于规则的决策。最终的选择权始终在人类计划员手中，他们在采取行动之前，既能看到规则的建议，也能看到 AI 的提议。
研究人员使用两种不同的场景对该系统进行了严格测试。首先，他们使用了一个包含 6 个作业和 6 台机器的小型简单工厂模型，其中的每个数字都可以通过手工核对。然后，他们在涉及 312 项操作和 63 台机器的大型工业数据集上进行了测试。他们模拟了 27 种不同类型的干扰，包括机器故障、材料延迟和紧急插单。在每一次测试中，系统都做出了符合情境的正确决策，准确识别了何时应忽略问题、何时进行局部修复，以及何时需要进行全面重写。该系统还成功处理了人工智能连接失败或给出错误答案的情况，能够自动切换到安全的、基于规则的备份系统，且未出现任何错误。
其中一个最重要的发现涉及“冻结时界”（frozen horizon）的概念，即近期未来的计划是被锁定且不可更改的。研究表明，这个冻结期的长度是一种微妙的平衡。较长的冻结期会让计划更稳定，因为变化较少，但它也会降低计划从重大干扰中恢复的能力。研究人员发现，这个冻结期的最佳长度并非一个固定的数值，而是取决于工厂现场实际投入的时间，例如准备材料或设置机器所需的时间。
研究结论指出，应对干扰的最佳方式不是用一次全面的重写来应对每一个事件，而是拥有一种结构化的方式，来决定何时才真正需要进行改变。通过结合一个清晰的、基于规则的闸门和一个受限的人工智能顾问，该系统确保了计划保持稳定，工人不会被不断中断，同时在危机需要时仍能实现全面恢复。这种方法超越了仅仅询问如何更快地制定新调度，转而探讨一个更根本的问题：是否真的需要一个新的调度。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。