Automated Conversion of Static to Dynamic Scheduler via Natural Language

本文探讨了大型语言模型（LLMs）的潜在应用，它将自动建模约束并为动态调度问题生成代码，给定现有的静态模型。静态调度问题由优化专家建模和编码。这些模型可能很容易过时，因为底层约束可能需要进行微调，以反映调度规则的变化。此外，可能需要将静态模型转化为动态模型，以应对环境中的干扰。在本文中，我们提出了一种基于Retrieval-Augmented Generation（RAG）的LLM模型，用于自动实现动态调度的约束（RAGDyS），而无需寻求优化建模专家的帮助。我们的框架旨在最小化与数学建模和计算工作量相关的技术复杂性，从而允许终端用户通过自然语言约束描述快速获得接近原始调度的新调度，并反映出变化。

论文试图通过大型语言模型自动建模约束条件和生成代码，解决动态调度问题中静态模型过时和需要调整的问题，提高终端用户的使用效率。

提出了一种基于检索增强生成（Retrieval-Augmented Generation，RAG）的大型语言模型（LLM）框架，命名为RAGDyS，用于自动实现动态调度的约束条件，从而减少数学建模和计算负担。

论文使用了多个数据集进行实验，结果表明RAGDyS的性能优于其他基线模型。论文还提供了开源代码和数据集，为后续研究提供了便利。

最近在这个领域中，相关研究包括：Dynamic Programming、Constraint Programming、Integer Programming等。