DScheLLM：通过微调双系统大语言模型实现动态调度

生产调度极易受动态扰动影响，例如加工时间变化、机器可用性变化以及意外任务插入。传统方法通常依赖事件专属模型与显式解析公式，限制了其对未见扰动的适应性与泛化。为克服这些局限，本文提出DScheLLM，一种动态调度方法，在双系统（快-慢）推理架构中利用微调后的大语言模型来应对不同规模的扰动。构建了一个统一的大语言模型框架来处理动态事件，其中快、慢两种推理模式的训练数据集均使用运筹学求解器得到的精确调度生成。随后使用LoRA在混合推理范式下微调Huawei OpenPangu Embedded-7B模型。在标准作业车间调度基准上的实验评估表明，快思考模式能高效生成高质量调度，慢思考模式能产出与求解器兼容、格式良好的决策输入。据我们所知，这项工作是将大语言模型应用于动态环境下作业车间调度的最早研究之一，凸显了其在智能自适应调度优化上的可观潜力。