MAFIG：多Agent生成形式化指令以处理调度突发事件

调度系统中的紧急情况常触发局部功能失效，破坏系统稳定性甚至导致系统崩溃。现有方法主要依赖鲁棒调度或反应式调度，通过预定义规则或重调度策略处理紧急情况。然而，现实中紧急情况的多样性与不可预测性使其难以被预判，限制了这些方法在复杂场景中的适应性。近期研究表明，大语言模型（LLM）凭借广泛的先验知识与强大的推理能力，在复杂调度任务上具有巨大潜力。然而，LLM的高推理时延与调度系统冗长的上下文信息严重阻碍了其在应急处理中的应用。为缓解这些问题，我们提出多智能体驱动的形式化指令生成框架（MAFIG）。该框架将决策范围约束在受紧急情况影响的局部功能模块，并通过生成形式化指令快速修复调度逻辑。MAFIG包含感知智能体与应急决策智能体，缓解了冗长系统上下文对应急决策的不利影响。我们进一步引入聚焦片段的损失驱动本地蒸馏机制（SFL），将强大的云端大语言模型（C-LLM）的决策能力迁移到轻量本地模型，在保持决策效果的同时降低推理时延。在港口（Port）、仓储（Warehousing）与甲板（Deck）调度数据集上的实验显示，成功率分别为98.49%、94.97%和97.50%，平均处理时间分别为0.33秒、0.23秒和0.19秒。这些结果证明MAFIG有效缓解了紧急情况的影响，提升了调度系统的鲁棒性与适应性。