近日，清华大学王凌教授与聊城大学桑红燕教授作为联合通讯作者在智能优化国际旗舰期刊《IEEE Transactions on Evolutionary Computation》上发表学术论文《LLM-Assisted Automatic Memetic Algorithm for Lot-Streaming Hybrid Job Shop Scheduling With Variable Sublots》[1]，以飞机工装车间为背景，提出了应对复杂车间调度的模因算法自动设计框架，给出了一种有效提升算法自设计效率、实现知识与群智协同机制、提升算法优化效率的新思路。

随着全球航空事业的快速发展，现役大型客机数量快速增长。公开资料显示，预计2043年服役的大型客机数量将达48230架 [2]。为了加速我国飞机制造企业的数字化与智能化转型、实现产能提升，调度优化成为实现飞机工装车间智能制造的新途径。但工装车间场景复杂具有批量分割与生产制造耦合的难点，传统调度优化方法需要针对问题特性重新分析提炼知识并设计调度算法，这个过程非常耗时且需要大量的专家知识。目前基于大模型的自动算法设计的研究[3]仅提供了流水车间调度等简单场景的算法，难以应用于复杂的调度问题。因为，复杂问题的描述导致提示词过长，增加了大模型设计算法的难度。

对此，论文将飞机工装车间建模为批量混合作业车间调度问题，提出了一种协同进化的算法设计框架，通过问题分解降低算法设计难度，通过在提示词嵌入人工编写的编解码代码提升算法设计效率。论文的主要贡献包括：

1.提出了一种模因算法自动设计框架，采用大模型设计基于问题特性的局部搜索算子，结合通用的进化调度框架，实现复杂车间调度问题的高效算法设计。

2.设计了一种协同进化的调度算法设计框架，将复杂调度问题分解为多个子问题，为不同的子问题构建算法种群，设计不同的提示词引导大模型生成算法，最后将不同种群的算法组合，找到最优的局部搜索算子。

3.改进了原有的提示词框架，嵌入人工编写的编解码代码，提升大模型的问题理解能力和算法设计效率。

????该成果得到科技部重点研发项目、国家自然科学基金面上项目、国家自然科学基金区域联合基金等项目资助。《IEEE Transactions on Evolutionary Computation》是计算机科学和人工智能领域的权威学术期刊，最新SCI影响因子11.7。

[1] R. Li, L. Wang, H. Sang, L. Yao and L. Pan. LLM-Assisted Automatic Memetic Algorithm for Lot-Streaming Hybrid Job Shop Scheduling With Variable Sublots. IEEE Transactions on Evolutionary Computation, doi: 10.1109/TEVC.2025.3556186.

[2] Airbus. (2024) 2024 global market forecast. https://www.airbus.com/en/products-services/commercial-aircraft/global-market-forecast

[3] F. Liu, T. Xialiang, M. Yuan, X. Lin, F. Luo, Z. Wang, Z. Lu, and Q. Zhang. Evolution of heuristics: Towards efficient automatic algorithm design using large language model. Forty-first International Conference on Machine Learning, 2024.