本發(fā)明涉及人工智能，尤其涉及一種基于大語(yǔ)言模型的動(dòng)態(tài)調(diào)度策略生成方法及裝置。

背景技術(shù)：

1、動(dòng)態(tài)調(diào)度問(wèn)題，是指在調(diào)度環(huán)境和任務(wù)存在不可預(yù)測(cè)擾動(dòng)的情況下，根據(jù)實(shí)時(shí)信息動(dòng)態(tài)調(diào)整任務(wù)執(zhí)行順序和資源分配的優(yōu)化問(wèn)題。與靜態(tài)調(diào)度相比，動(dòng)態(tài)調(diào)度能夠更靈活地應(yīng)對(duì)生產(chǎn)現(xiàn)場(chǎng)的實(shí)際變化，生成更具可操作性的決策方案。動(dòng)態(tài)調(diào)度問(wèn)題核心的難點(diǎn)是：解決復(fù)雜性與不確定性的問(wèn)題，在實(shí)際生產(chǎn)或運(yùn)行環(huán)境中，任務(wù)的到達(dá)時(shí)間、資源需求、加工時(shí)間等參數(shù)確定隨時(shí)變化，同時(shí)出現(xiàn)機(jī)器故障、任務(wù)優(yōu)先級(jí)調(diào)整等動(dòng)態(tài)干擾時(shí)間；滿足多目標(biāo)優(yōu)化的需求，動(dòng)態(tài)調(diào)度通常需要同時(shí)優(yōu)化多個(gè)目標(biāo)，例如最小化延遲時(shí)間、最大化資源利用率、降低能耗等；實(shí)時(shí)性要求，許多應(yīng)用場(chǎng)景（如智能制造、互聯(lián)網(wǎng)、物流交通、云計(jì)算等）對(duì)實(shí)時(shí)性要求較高，需要?jiǎng)討B(tài)調(diào)度算法能夠快速響應(yīng)環(huán)境變化。

2、基于遺傳編程的超啟發(fā)式算法是一種通過(guò)自動(dòng)演化調(diào)度啟發(fā)式算法來(lái)解決動(dòng)態(tài)調(diào)度問(wèn)題的創(chuàng)新方法。通過(guò)利用遺傳編程的原理，基于遺傳編程的超啟發(fā)式算法生成并改進(jìn)高級(jí)啟發(fā)式算法，以適應(yīng)現(xiàn)實(shí)世界中復(fù)雜的調(diào)度挑戰(zhàn)，如車間任務(wù)調(diào)度和考試時(shí)間安排等。這種自適應(yīng)能力使基于遺傳編程的超啟發(fā)式算法成為組合優(yōu)化中的一個(gè)重要工具，可以針對(duì)不同的問(wèn)題特征找到既靈活又穩(wěn)健的解決方案?；谶z傳編程的超啟發(fā)式算法框架通常涉及啟發(fā)式表征的選擇、交叉和突變，從而探索各種啟發(fā)式組合，以改善調(diào)度結(jié)果。

3、盡管基于遺傳編程的超啟發(fā)式算法具有諸多優(yōu)勢(shì)，但將其應(yīng)用于動(dòng)態(tài)調(diào)度問(wèn)題仍面臨一些挑戰(zhàn)：

4、1、訓(xùn)練過(guò)程耗時(shí)，改進(jìn)調(diào)度啟發(fā)式算法通常需要大量的計(jì)算資源和時(shí)間，尤其是當(dāng)調(diào)度環(huán)境變化復(fù)雜性增加時(shí)。這一漫長(zhǎng)的訓(xùn)練階段成為了一個(gè)瓶頸，尤其是在動(dòng)態(tài)環(huán)境中，作業(yè)車間的特征會(huì)經(jīng)常變化，因此有必要重新訓(xùn)練啟發(fā)式。

5、2、泛化能力不足，雖然基于遺傳編程的超啟發(fā)式算法目標(biāo)是通過(guò)在高層次啟發(fā)式空間中搜索來(lái)提供通用解決方案，但是在實(shí)際應(yīng)用中往往會(huì)出現(xiàn)不足。超啟發(fā)式的設(shè)計(jì)確定過(guò)于針對(duì)特定問(wèn)題，導(dǎo)致在面對(duì)新的或未見(jiàn)過(guò)的問(wèn)題實(shí)例時(shí)缺乏魯棒性。這種特殊性限制了基于遺傳編程的超啟發(fā)式算法的通用性，限制了其在各種調(diào)度場(chǎng)景的適用性。

6、3、有限的搜索方法，目前基于遺傳編程的超啟發(fā)式算法采用的超啟發(fā)式設(shè)計(jì)方法往往局限于啟發(fā)式選擇，而非啟發(fā)式生成。這限制了基于遺傳編程的超啟發(fā)式算法生成新啟發(fā)式的能力，而新啟發(fā)式可以更好地應(yīng)對(duì)調(diào)度挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)的問(wèn)題，本發(fā)明的目的是提供一種基于大語(yǔ)言模型的動(dòng)態(tài)調(diào)度策略生成方法及裝置。本發(fā)明首先定義了啟發(fā)式的個(gè)體和群體，并利用大語(yǔ)言模型對(duì)群體進(jìn)行初始化設(shè)置。接著，利用大語(yǔ)言模型對(duì)群體的個(gè)體進(jìn)行演化進(jìn)化操作。然后，基于離散仿真單元進(jìn)行評(píng)估。接著，利用大語(yǔ)言模型對(duì)群體中的個(gè)體進(jìn)行篩選。重復(fù)演化進(jìn)化、評(píng)估、篩選直到滿足停止迭代的條件。最終，基于群體評(píng)估其用于未知數(shù)據(jù)集下動(dòng)態(tài)調(diào)度的整體表現(xiàn)，選擇出最優(yōu)的啟發(fā)式個(gè)體。本發(fā)明能夠利用大語(yǔ)言模型的自動(dòng)化和決策能力，解決基于遺傳編程的超啟發(fā)式算法面臨動(dòng)態(tài)環(huán)境下的適應(yīng)能力和效率問(wèn)題，不僅增強(qiáng)了動(dòng)態(tài)調(diào)度的靈活性，還最大限度地減輕了基于遺傳編程的超啟發(fā)式算法的計(jì)算負(fù)擔(dān)。

2、實(shí)現(xiàn)本發(fā)明目的的具體技術(shù)方案是：

3、一種基于大語(yǔ)言模型的動(dòng)態(tài)調(diào)度策略生成方法，包括以下步驟：

4、群體初始化，利用大語(yǔ)言模型對(duì)群體進(jìn)行初始化設(shè)置；

5、群體演化，基于測(cè)試數(shù)據(jù)集對(duì)群體的個(gè)體逐個(gè)進(jìn)行評(píng)估，并利用大語(yǔ)言模型對(duì)群體進(jìn)行演化進(jìn)化操作，迭代更新群體；

6、策略選擇，整體評(píng)估群體中的每個(gè)個(gè)體，選出整體最優(yōu)的個(gè)體，作為最終使用的調(diào)度策略；其中：

7、所述利用大語(yǔ)言模型對(duì)群體進(jìn)行演化進(jìn)化操作，包括：

8、基于離散事件仿真模擬動(dòng)態(tài)調(diào)度，對(duì)群體中的每個(gè)個(gè)體進(jìn)行評(píng)估，生成適應(yīng)度向量；

9、執(zhí)行遺傳算子操作，包括隨機(jī)交叉算子、隨機(jī)突變算子以及基于大語(yǔ)言模型的知識(shí)共享交叉算子；

10、選擇群體，包括非支配解排序遺傳算法和基于大語(yǔ)言模型的排序選擇算法；

11、判斷是否達(dá)成給定設(shè)置的迭代次數(shù)，若未達(dá)成則重復(fù)上述演化進(jìn)化操作。

12、進(jìn)一步，所述群體，是由給定目標(biāo)數(shù)量的多個(gè)個(gè)體組成的序列，所述個(gè)體為調(diào)度策略個(gè)體三元組，包括：遺傳編程表達(dá)式、策略自然語(yǔ)言描述和適應(yīng)度向量；其中：

13、所述遺傳編程表達(dá)式，是由給定的運(yùn)算符號(hào)集合和給定的運(yùn)算符號(hào)集合中元素共同組成的表達(dá)式，是用于計(jì)算調(diào)度優(yōu)先級(jí)的函數(shù)，其展示形式包括數(shù)學(xué)表達(dá)式和樹(shù)形結(jié)構(gòu)圖；

14、所述策略自然語(yǔ)言描述，是用于描述所述遺傳編程表達(dá)式的邏輯，該描述由中文、英文或其他語(yǔ)言進(jìn)行描述；具體描述內(nèi)容包括：該遺傳表達(dá)式考慮的因素、方向、目標(biāo)以及實(shí)現(xiàn)方式；

15、所述適應(yīng)度向量，是用于評(píng)估所述遺傳編程表達(dá)式在當(dāng)前測(cè)試數(shù)據(jù)集上的表現(xiàn)，該適應(yīng)度向量為動(dòng)態(tài)調(diào)度優(yōu)化的目標(biāo)下的表現(xiàn)，具體表現(xiàn)形式為對(duì)應(yīng)目標(biāo)參數(shù)數(shù)量的浮點(diǎn)型數(shù)值。

16、進(jìn)一步，所述利用大語(yǔ)言模型對(duì)群體進(jìn)行初始化設(shè)置，包括：

17、定義初始化提示詞模版，所述模版包含自然語(yǔ)言描述的任務(wù)目標(biāo)、任務(wù)背景、遺傳編程表達(dá)式的組成描述、返回內(nèi)容的格式要求以及引導(dǎo)式思維鏈描述；

18、拼接完整的提示詞文本，通過(guò)調(diào)用大語(yǔ)言模型應(yīng)用編程接口獲取遺傳編程表達(dá)式及其策略自然語(yǔ)言描述；

19、利用正則表達(dá)式和抽象語(yǔ)法樹(shù)從返回的自然語(yǔ)言描述中提取遺傳編程表達(dá)式和策略自然語(yǔ)言描述，構(gòu)建個(gè)體三元組；

20、所述大語(yǔ)言模型，是通過(guò)海量文本數(shù)據(jù)訓(xùn)練而成的深度學(xué)習(xí)網(wǎng)絡(luò)模型，能夠處理多種自然語(yǔ)言任務(wù)，使用大語(yǔ)言模型的方式包括：本地部署開(kāi)源模型、微調(diào)預(yù)訓(xùn)練模型應(yīng)用和調(diào)用大語(yǔ)言模型應(yīng)用編程接口，其中，調(diào)用大語(yǔ)言模型應(yīng)用編程接口，是指通過(guò)標(biāo)準(zhǔn)化協(xié)議對(duì)外暴露軟件功能，允許開(kāi)發(fā)者無(wú)需理解底層實(shí)現(xiàn)即可調(diào)用大語(yǔ)言模型的應(yīng)用服務(wù)，所述調(diào)用大語(yǔ)言模型應(yīng)用編程接口，包括由openai、google、anthropic和deepseek公司提供的大語(yǔ)言模型應(yīng)用編程接口。

21、進(jìn)一步，所述基于大語(yǔ)言模型的知識(shí)共享交叉算子，包括：

22、從群體中隨機(jī)選取若干個(gè)體，并對(duì)每個(gè)個(gè)體進(jìn)行自然語(yǔ)言描述；

23、定義知識(shí)提取提示詞模版，所述模版包含自然語(yǔ)言描述的任務(wù)目標(biāo)、個(gè)體描述以及引導(dǎo)式思維鏈描述；

24、拼接完整的提示詞文本，通過(guò)調(diào)用大語(yǔ)言模型應(yīng)用編程接口提取知識(shí)列表；

25、將提取的知識(shí)注入到群體中個(gè)體的遺傳編程表達(dá)式的節(jié)點(diǎn)，生成個(gè)體；其中：

26、所述知識(shí)列表，是給定目標(biāo)數(shù)量的知識(shí)組成的序列；所述知識(shí)是所述個(gè)體中遺傳編程表達(dá)式中提取的信息；具體的，知識(shí)是遺傳編程表達(dá)式的樹(shù)形結(jié)構(gòu)中的一部分，其形式包括：遺傳編程表達(dá)式的樹(shù)形結(jié)構(gòu)本身，遺傳編程表達(dá)式的樹(shù)形結(jié)構(gòu)的子樹(shù)和遺傳編程表達(dá)式的樹(shù)形結(jié)構(gòu)的葉子。

27、進(jìn)一步，所述基于大語(yǔ)言模型的排序選擇算法，包括：

28、從群體中隨機(jī)選取若干個(gè)體，并對(duì)每個(gè)個(gè)體進(jìn)行自然語(yǔ)言描述；

29、定義排序選擇提示詞模版，所述模版包含自然語(yǔ)言描述的任務(wù)目標(biāo)、群體描述以及引導(dǎo)式思維鏈描述；

30、拼接完整的提示詞文本，通過(guò)調(diào)用大語(yǔ)言模型應(yīng)用編程接口選擇適應(yīng)度最高的個(gè)體組成下一代的群體；其中：

31、所述適應(yīng)度為對(duì)應(yīng)目標(biāo)參數(shù)數(shù)量的浮點(diǎn)型數(shù)值組成的向量，適應(yīng)度最高是適應(yīng)度數(shù)值最小或者是適應(yīng)度數(shù)值最大。

32、一種基于大語(yǔ)言模型的動(dòng)態(tài)調(diào)度策略生成裝置，包括：

33、群體初始化單元，用于群體初始化，定義啟發(fā)式的個(gè)體三元組，并利用大語(yǔ)言模型對(duì)群體進(jìn)行初始化設(shè)置；

34、群體演化單元，用于基于測(cè)試數(shù)據(jù)集對(duì)群體的個(gè)體逐個(gè)進(jìn)行評(píng)估，并利用大語(yǔ)言模型對(duì)群體進(jìn)行演化進(jìn)化操作，迭代生成下一代的群體；

35、策略選擇單元，用于整體評(píng)估群體中的每個(gè)個(gè)體，選出整體最優(yōu)的個(gè)體，作為最終使用的調(diào)度策略。

36、進(jìn)一步，所述群體初始化單元，包括：

37、提示詞模版定義模塊，用于定義初始化提示詞模版，所述模版包含自然語(yǔ)言描述的任務(wù)目標(biāo)、任務(wù)背景、遺傳編程表達(dá)式的組成描述、返回內(nèi)容的格式要求以及引導(dǎo)式思維鏈描述；

38、提示詞拼接模塊，用于拼接完整的提示詞文本；

39、大語(yǔ)言模型接口調(diào)用模塊，用于通過(guò)調(diào)用大語(yǔ)言模型應(yīng)用編程接口獲取遺傳編程表達(dá)式及其策略自然語(yǔ)言描述；

40、個(gè)體構(gòu)建模塊，用于利用正則表達(dá)式和抽象語(yǔ)法樹(shù)從返回的自然語(yǔ)言描述中提取遺傳編程表達(dá)式和策略自然語(yǔ)言描述，構(gòu)建個(gè)體三元組。

41、進(jìn)一步，所述群體演化單元，包括：

42、離散事件仿真單元，用于對(duì)群體中的每個(gè)個(gè)體進(jìn)行評(píng)估，生成適應(yīng)度向量；

43、遺傳算子執(zhí)行單元，用于執(zhí)行隨機(jī)交叉算子、隨機(jī)突變算子以及基于大語(yǔ)言模型的知識(shí)共享交叉算子；

44、群體選擇單元，用于選擇群體，包括非支配解排序遺傳算法和基于大語(yǔ)言模型的排序選擇算法；

45、迭代控制單元，用于判斷是否滿足停止迭代條件，若不滿足則重復(fù)演化進(jìn)化操作。

46、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有上述方法的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述方法的步驟。

47、本發(fā)明與現(xiàn)有技術(shù)相比存在的有益效果是：提出的方法能夠利用大語(yǔ)言模型的自然語(yǔ)言處理能力生成和完善調(diào)度啟發(fā)式算法，可以以自然語(yǔ)言描述的復(fù)雜調(diào)度要求，從而無(wú)需大量人工干預(yù)即可快速調(diào)整以適應(yīng)不斷變化的參數(shù)，這不僅增強(qiáng)了調(diào)度算法的靈活性，還最大限度地減輕了遺傳編程方法的計(jì)算負(fù)擔(dān)，最終實(shí)現(xiàn)了動(dòng)態(tài)調(diào)度效果的提升。