[論文レビュー] LLM-Assisted Automatic Dispatching Rule Design for Dynamic Flexible Assembly Flow Shop Scheduling

Junhao Qiu, Haoyang Zhuang+3 more|arXiv (Cornell University)|Jan 22, 2026

Scheduling and Optimization Algorithms被引用数 0

ひとこと要約

本論文は、 dual-LLM エージェントとエリート知識を用いてオンライン FAFSP の動的ディスパッチ規則を自動設計・進化させるフレームワーク、LLM4DRD を提案し、動的擾乱下で堅牢な性能を実現する。

ABSTRACT

Dynamic multi-product delivery environments demand rapid coordination of part completion and product-level kitting within hybrid processing and assembly systems to satisfy strict hierarchical supply constraints. The flexible assembly flow shop scheduling problem formally defines dependencies for multi-stage kitting, yet dynamic variants make designing integrated scheduling rules under multi-level time coupling highly challenging. Existing automated heuristic design methods, particularly genetic programming constrained to fixed terminal symbol sets, struggle to capture and leverage dynamic uncertainties and hierarchical dependency information under transient decision states. This study develops an LLM-assisted Dynamic Rule Design framework (LLM4DRD) that automatically evolves integrated online scheduling rules adapted to scheduling features. Firstly, multi-stage processing and assembly supply decisions are transformed into feasible directed edge orderings based on heterogeneous graph. Then, an elite knowledge guided initialization embeds advanced design expertise into initial rules to enhance initial quality. Additionally, a dual-expert mechanism is introduced in which LLM-A evolutionary code to generate candidate rules and LLM-S conducts scheduling evaluation, while dynamic feature-fitting rule evolution combined with hybrid evaluation enables continuous improvement and extracts adaptive rules with strong generalization capability. A series of experiments are conducted to validate the effectiveness of the method. The average tardiness of LLM4DRD is 3.17-12.39% higher than state-of-the-art methods in 20 practical instances used for training and testing, respectively. In 24 scenarios with different resource configurations, order loads, and disturbance levels totaling 480 instances, it achieves 11.10% higher performance than the second best competitor, exhibiting excellent robustness.

研究の動機と目的

• 動的な柔軟組立フローショップにおけるオンライン集約スケジューリングのニーズに対応する。
• 大規模言語モデルを活用して規則を生成・評価する自動的で適応的なPDR設計フレームワークを開発する。
• 初期化を指導するエリート知識と統合評価を組み込み、収束と一般化を向上。
• 二重のキッティング制約と階層的依存関係を捉える離散グラフベースMDPとして問題をモデル化する。
• 動的擾乱下での広範な実験を通じて堅牢性と一般化を示す。

提案手法

• 二重キッティング制約を持つ FAFSP を離散グラフベースMDPとして定式化する。
• LLM4DRD を2つのLLMエージェントで導入する：PDR生成用に LLM-A、スケジューリング品質評価用に LLM-S。
• エリート知識に基づく初期化を用いて高品質な初期 PDR をシードする。
• 目的遅延指標とエキスパートの定性的フィードバックを組み合わせたハイブリッド評価を用いる。
• エキスパートのフィードバックとエリート戦略に導かれたクロスオーバー/突然変異を通じて一般化を向上させる。
• 各PDRを意味的テキストルールとして、記述、実行コード、適合度スコアを含めて表現する。

実験結果

リサーチクエスチョン

• RQ1 LLMs をオンラインの動的 FAFSP に統合して効果的なPDRを自動設計するにはどうすればよいか？
• RQ2 エリート知識、デュアルLLM協調、ハイブリッド評価という仕組みは急速に進化するPDRの品質と一般化をどのように向上させるか？
• RQ3 オンライン設定で階層的キッティング制約を持つ多品目配送をこの枠架で扱えるか？
• RQ4 動的擾乱の下で、最新手法と比較してどの程度の性能向上または堅牢性を達成できるか？

主な発見

• LLM4DRD の平均遅延は、訓練・テストの20組のインスタンスで最先端手法よりそれぞれ3.17-12.39%高い。
• 資源・負荷・擾乱を変化させた24シナリオ（全480インスタンス）で、LLM4DRD は2番手の競合より11.10%高い性能を示す。
• 本手法は異なる擾乱レベルや資源構成に対して堅牢性を示す。
• エリート知識初期化は収束を加速し、初期ルール品質を向上させる。
• デュアルエキスパート機構は継続的なルール改善のための異分野知識統合を可能にする。