协调实时约束与长程推理：面向动态调度的异步智能体框架

动态柔性作业车间调度问题（Dynamic Flexible Job Shop Scheduling Problem，DFJSP）需要对随机扰动的即时反应与生产目标全局优化之间的权衡。传统优先级规则在应对复杂扰动时灵活性不足，而基于学习的方法往往牺牲可解释性或难以跨问题规模泛化。尽管大语言模型（LLM）具备弥合这一差距的先进推理能力，但其显著的推理延迟与工业控制系统的毫秒级决策周期不兼容。为解决这一冲突，我们提出RACE-Sched，一个通过双流架构将策略执行与逻辑推理解耦的异步智能体框架。反应流执行低延迟的符号启发式规则以实现实时调度，而并行运行的深思流则利用LLM来综合、验证并演化这些规则。候选规则在沙箱中经过严格测试，并通过原子更新部署，在不阻塞控制回路的前提下确保安全。此外，语义规则库为经过验证的启发式规则建立索引，用于基于检索的初始化，从而增强跨问题规模的可迁移性。在GEN-Bench、MK-Bench和JMS-Bench上的大量评估表明，RACE-Sched优于领先的深度强化学习（Deep Reinforcement Learning）及其他基于LLM的基线。该方法协调了实时约束与长程推理，实现了更优的解质量以及对动态事件的稳健适应。