[논문 리뷰] LLM-Assisted Automatic Dispatching Rule Design for Dynamic Flexible Assembly Flow Shop Scheduling

Junhao Qiu, Haoyang Zhuang외 3명|arXiv (Cornell University)|2026. 01. 22.

Scheduling and Optimization Algorithms인용 수 0

한 줄 요약

논문은 dual-LLM 에이전트와 엘리트 지식을 활용해 온라인 FAFSP에 대한 동적 디스패치 규칙을 자동으로 설계·진화하는 프레임워크인 LLM4DRD를 제시하며, 동적 교란 하에서도 견고한 성능을 달성한다.

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.

연구 동기 및 목표

• 다중 제품 배송을 포함하는 동적 유연 조립 흐름 작업장의 온라인 통합 일정 수립 필요성에 대응한다.
• 대규모 언어 모델을 활용하여 규칙을 생성하고 평가하는 자동적이고 적응적인 PDR 설계 프레임워크를 개발한다.
• 수렴성과 일반화를 향상시키기 위해 엘리트 지식이 가이드하는 초기화와 하이브드 평가를 도입한다.
• 듀얼 키팅 제약과 계층적 의존성을 포착하기 위해 이질적 그래프 기반 MDP로 문제를 모델링한다.
• 동적 교란 하에서 광범위한 실험을 통해 강건성과 일반화를 입증한다.

제안 방법

• 듀얼 키팅 제약을 가진 FAFSP를 이질적 그래프 기반 MDP로 형식화한다.
• 생성 에이전트 LLM-A와 평가 에이전트 LLM-S의 두 가지 LLM 에이전트를 사용한 LLM4DRD를 도입한다. LLM-A는 PDR를 생성하고 LLM-S는 일정 품질을 평가한다.
• 엘리트 지식 가이드 초기화를 사용하여 고품질의 초기 PDR을 시드한다.
• 객관적 지연 지표와 전문가의 정성적 피드백을 결합한 하이브드 평가를 적용한다.
• 전문가 피드백과 엘리트 전략에 의해 교차/돌연변이로 PDR을 진화시켜 일반화를 향상시킨다.
• 각 PDR을 설명, 실행 가능 코드 및 적합도 점수를 포함한 시맨틱-텍스트 규칙으로 표현한다.

실험 결과

연구 질문

• RQ1 온라인 동적 FAFSP에 LLM을 어떻게 통합하여 효과적인 PDR을 자동으로 설계할 수 있는가?
• RQ2 어떤 메커니즘(엘리트 지식, 이중 LLM 협업, 하이브드 평가)이 빠르게 진화하는 PDR의 품질과 일반화를 향상시키는가?
• RQ3 온라인 환경에서 계층적 키팅 제약을 갖는 다중 제품 배송을 프레임워크가 처리할 수 있는가?
• RQ4 동적 교란 하에서 최첨단 방법과 비교하여 어떤 성능 향상이나 강건성을 달성할 수 있는가?

주요 결과

• LLM4DRD의 평균 지연은 20개의 학습/테스트 인스턴스에서 각각 최첨단 방법보다 3.17-12.39% 높았다.
• 자원, 하중, 교란이 다양한 24개 시나리오(총 480개 인스턴스)에서 LLM4DRD는 두 번째로 우수한 경쟁자보다 성능이 11.10% 높은 성능을 보인다.
• 본 방법은 서로 다른 교란 수준과 자원 구성을 아우르는 강건성을 보여준다.
• 엘리트 지식 초기화는 수렴을 가속화하고 초기 규칙의 품질을 향상시킨다.
• 이중 전문가 메커니즘은 연속적인 규칙 개선을 위한 교차 도메인 지식 통합을 가능하게 한다.