.png){kind=icon}
返回
Multi-agent large language models as evolutionary optimizers for scheduling optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cie.2025.111197.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
调度优化对于提高各行业的效率与资源利用率至关重要。然而，调度问题的复杂性——源于多样的约束条件、复杂的任务依赖关系以及资源冲突——带来了显著挑战。传统方法通常需要为特定场景手动设计模型和算法，这需要大量领域专业知识，并限制了在高度复杂环境中的适应性。本文提出了一种多智能体大型语言模型驱动的进化框架（MAEF），用于调度优化，该新颖方法通过反馈驱动的迭代优化过程解决上述局限性。MAEF采用多个大型语言模型（LLM）智能体，每个智能体具有专门角色，以自动化任务定义、初始种群生成、进化优化和结果评估等任务。MAEF的关键创新在于其反馈循环：评估智能体持续评估中间解，为优化智能体提供实时指导以实现动态细化，并确保收敛至高质量解。通过整合自然语言处理能力与进化策略，MAEF降低了对于领域特定专业知识和人工干预的依赖。在四种代表性调度问题——单机调度、流水车间调度、作业车间调度和资源受限项目调度——上的实验表明，MAEF在可扩展性、用户友好性和解质量方面优于传统启发式和元启发式方法。这些结果凸显了MAEF作为调度问题通用自动优化器的潜力，为调度优化框架带来了显著进步。
Keyword:
Artificial intelligence
Large language models
Multi-agent systems
Combinatorial optimization
Scheduling problems
期刊
IF:
6.5
论文数:
1.0W
被引数:
3.8W
机构
引用论文
Metaheuristics in combinatorial optimization: Overview and conceptual comparison组合优化中的元启发式: 概述和概念比较
PREAI
分享收藏分享收藏A hybrid evolutionary algorithm for heterogeneous fleet vehicle routing problems with time windows
OAAI
OAAI分享收藏An Improved Ant Colony Optimization Algorithm Based on Hybrid Strategies for Scheduling Problem.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容