LLM4EO: Large Language Model for Evolutionary Optimization in Flexible Job Shop Scheduling

一、文章主要内容总结

本文针对进化算法（EAs）中传统静态算子适应性差、动态算子依赖预定义设计和局部参数控制的局限，提出了一种基于大语言模型（LLMs）的进化优化框架LLM4EO，用于柔性作业车间调度问题（FJSP）的优化。

核心内容包括：

1. 问题背景：传统进化算法的算子设计依赖专家知识，静态参数和固定结构难以适应进化过程中的动态变化，导致搜索性能易退化；现有动态算子方法缺乏全局自适应优化机制。
2. 框架构成：LLM4EO包含三大核心组件：
   • 基于知识迁移的算子设计：利用LLM迁移经典算子优势，生成高质量初始算子种群；
   • 进化感知与分析：结合适应度表现和进化特征，分析算子的搜索偏好与局限，识别优化瓶颈；
   • 自适应算子进化：当种群进化停滞时，通过改进提示策略动态优化算子的基因选择优先级，实现种群与算子的协同进化。
3. 技术细节：采用遗传算法（GA）求解FJSP，设计元算子结构，包含邻域操作（如OSV交叉/变异、关键操作交换等）和分层基因选择策略；通过结构化提示激活LLM的领域先验知识，生成基因选择启发式函数。
4. 实验验证：在Brandimarte、Fattahi等多个FJSP基准数据集上，将LLM4EO与传统遗传算法、符号进化方法（GP/GEP）、混合优化算法（如HGWO、PSO）等对比，验证其在收敛速度和优化精度上的优势；进一步扩展到分布式柔性作业车间调度问题（DFJSP），证明其泛化能力。</