LLMs can Schedule

要約

ジョブ ショップ スケジューリング問題 (JSSP) は、生産プロセスの最適化において依然として大きな障害となっています。
この課題には、総処理時間やジョブの遅延などの要因を最小限に抑えながら、限られた数のマシンにジョブを効率的に割り当てることが含まれます。
人工知能の最近の進歩により、強化学習やグラフ ニューラル ネットワークなどの有望なソリューションが生み出されていますが、この論文では、JSSP における大規模言語モデル (LLM) の可能性を探ります。
JSSP 用に LLM をトレーニングするために特別に設計された、最初の教師あり 120k データセットを紹介します。
驚くべきことに、私たちの調査結果は、LLM ベースのスケジューリングが他のニューラル アプローチと同等のパフォーマンスを達成できることを示しています。
さらに、JSSP に取り組む際の LLM の有効性を高めるサンプリング方法を提案します。

要約(オリジナル)

The job shop scheduling problem (JSSP) remains a significant hurdle in optimizing production processes. This challenge involves efficiently allocating jobs to a limited number of machines while minimizing factors like total processing time or job delays. While recent advancements in artificial intelligence have yielded promising solutions, such as reinforcement learning and graph neural networks, this paper explores the potential of Large Language Models (LLMs) for JSSP. We introduce the very first supervised 120k dataset specifically designed to train LLMs for JSSP. Surprisingly, our findings demonstrate that LLM-based scheduling can achieve performance comparable to other neural approaches. Furthermore, we propose a sampling method that enhances the effectiveness of LLMs in tackling JSSP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google