Дополнительный материал
LLM-Guided Heuristic Design from Simulation Traces: A Case Study in Dynamic Production and AGV Scheduling
ID исходника: I2-SCI-0012. Слой: iteration2-v0.1.
Проекция исходной записи для навигации. Принятие исследовательского выпуска не подтверждает автоматически каждое утверждение. Каноническая запись — найти по ID.
Содержание и границы
Вывод работы: Авторы (Университет Цинхуа) предлагают фреймворк, где LLM-агент («менеджер») анализирует не только агрегатные оценки политики, но и пошаговые трассы симуляции (какие узкие места возникли), формулирует гипотезы о причинах и параллельно генерирует код-правки политики; агенты-редакторы вносят изменения, лучшие варианты сохраняются. В DES-кейсе динамического производства и AGV-диспетчеризации по пяти независимым запускам с Gemini-3.1-Pro средняя итоговая оценка составила 77,51 из 100; в лучшем запуске трассовая диагностика привела к проактивной зарядке, дистанционно-осознанному назначению AGV и перебалансировке приоритетов, подняв лучшую-на-текущий-момент среднюю оценку с 62,49 до 78,61. На 100 совпадающих сценариях лучшая найденная политика превзошла эталонные rolling-MILP, rule-based и метаэвристические политики на каждом (100%) сценарии и сохранила преимущество при случайных сбоях оборудования без повторной оптимизации.
Объём чтения: full_text
transfer_limits: Всё исследование выполнено в синтетической дискретно-событийной симуляции, разработанной самими авторами, а не на реальном производственном участке; сравнение ведётся с базовыми политиками (MILP, rule-based, метаэвристика), реализованными теми же авторами, что не исключает смещения в пользу предложенного метода. Стоимость и время работы самого LLM-агента (число обращений к модели, вычислительные затраты) в приведённых фрагментах не детализированы для прямого сравнения с операционными затратами внедрения на реальном заводе.
Продолжение: Следить за переносом метода на реальный завод/симулятор с реальными данными, а не полностью синтетическую модель.