论文用LLM预测作业到达，AWMP降低调度拖期。
资讯摘要
论文提出将预训练大模型用作结构化世界模型的外生部分，预测不确定的未来作业到达。方法利用afterstate分解，把已知的确定性车间状态转移与不确定的外生到达分开，让LLM只通过紧凑信念表示预测后者，并据此构建AWMP规划方法，结合信念条件调度策略与短场景推演。作者报告在动态作业车间和柔性作业车间基准上，加权拖期分别比八种经典优先调度规则中最好的降低6-21%和22-46%。
要点速读
- 论文采用afterstate分解，将确定性车间转移与不确定外生作业到达分离，LLM仅预测后者。
- AWMP结合信念条件调度策略与短场景推演，并用惊讶触发刷新机制按需调用LLM。
- 作者报告加权拖期在动态作业车间降低6-21%，柔性作业车间降低22-46%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。