基于大语言模型和深度强化学习的柔性作业车间动态调度问题研究
来源：计算机集成制造系统杂志2026年第1期北京时间：
作者：王丽君, 王成广, 李相阳, 文笑雨, LU Zhongyu
单位：1.华北水利水电大学机械学院2.华北水利水电大学管理与经济学院3.郑州轻工业大学河南省机械装备智能制造重点实验室4.利兹贝克特大学建筑环境、工程与计算学院
摘要：在制造业数字化转型进程中,柔性作业车间的动态调度因工件随机到达、订单变更等实时扰动而极具挑战,传统调度方法在应对动态插入工件时往往难以兼顾效率与适应性。针对工件动态插入的柔性作业车间动态调度问题,以最小化总延期时间为目标,提出一种将大语言模型(LLM)与深度强化学习(DRL)结合的LLM-DQN 算法。通过将LLM的语义理解能力与深度Q网络(DQN)相结合,构建了包含状态空间优化、混合动作选择和奖励函数设计的集成框架。在状态表示方面,利用LLM生成加权特征向量以突出关键调度指标;在动作选择阶段,设计混合策略实现LLM专家建议与DQN策略的动态融合;同时引入LLM驱动的自适应奖励机制。在DeepSeek和Doubao等大语言模型上的仿真实验表明,LLM-DQN在多种测试场景下优于单一调度动作及其他深度强化学习方法。
关键词：大语言模型,深度强化学习,柔性作业车间,动态调度
基金资助：国家自然科学基金面上资助项目(52475543);河南省高校科技创新人才支持计划资助项目(24HASTIT048)。
