.png){kind=icon}
返回
A survey on large language models for scheduling: From problem modeling to optimization algorithm generation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.aei.2026.104946.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
调度是指在一定约束条件下分配资源和安排任务顺序以实现既定目标的过程。然而，现代调度问题因其动态任务、复杂约束和大规模决策空间，越来越难以有效建模和求解。传统方法在适应性、可扩展性和全局推理方面往往面临挑战。在此背景下，大型语言模型（LLMs）为理解和优化复杂调度任务提供了一种有前景的新范式。本文综述了LLMs在调度问题建模和算法优化方面的最新进展。我们将现有研究分为两种范式：LLMs作为自主建模者，旨在以最少的人工输入将自然语言描述转化为形式化调度模型；LLMs作为辅助代理，通过任务解释、约束提取和工具协调促进人机协同建模流程。除问题建模外，我们还探讨了LLMs如何有助于优化算法生成，包括启发式规则生成、策略精炼和强化学习整合，从而提升调度策略的适应性和效率。通过比较代表性方法，我们分析了设计理念、集成深度和推理能力的差异。最后，我们讨论了关键挑战和未来方向，如自适应提示工程、反馈驱动的优化、多智能体协作和跨领域应用，强调了LLMs在实现可解释和智能化调度方法方面的潜力。
Keyword:
Scheduling optimization
Large language models
Problem modeling
Optimization algorithm generation
