MAFIG: 다중 에이전트 기반 형식적 지시 생성 프레임워크

MAFIG: Multi-agent Driven Formal Instruction Generation Framework

스케줄링 시스템에서 발생하는 비상 상황은 종종 시스템 안정성을 저해하고 심지어 시스템 붕괴를 야기하는 국소적인 기능 장애를 유발합니다. 기존 방법은 주로 견고한 스케줄링 또는 반응형 스케줄링에 의존하며, 미리 정의된 규칙이나 재스케줄링 전략을 통해 비상 상황에 대처합니다. 그러나 실제 비상 상황의 다양성과 예측 불가능성은 이러한 방법의 적응성을 제한하는 주요 요인입니다. 최근 연구에 따르면, 대규모 언어 모델(LLM)은 방대한 사전 지식과 강력한 추론 능력을 바탕으로 복잡한 스케줄링 작업에 상당한 잠재력을 가지고 있습니다. 하지만 LLM의 높은 추론 지연 시간과 스케줄링 시스템의 방대한 컨텍스트 정보는 비상 상황 대응에 LLM의 적용을 어렵게 만듭니다. 이러한 문제를 해결하기 위해, 우리는 다중 에이전트 기반 형식적 지시 생성 프레임워크(MAFIG)를 제안합니다. MAFIG는 비상 상황에 영향을 받는 국소적인 기능 모듈의 의사 결정 범위를 제한하고, 형식적인 지시를 생성하여 스케줄링 로직을 신속하게 복구합니다. MAFIG는 비상 상황 인식 에이전트와 비상 의사 결정 에이전트를 포함하며, 이를 통해 시스템 컨텍스트의 부정적인 영향을 최소화하여 비상 상황 의사 결정 효율성을 향상시킵니다. 또한, 우리는 강력한 클라우드 기반 대규모 언어 모델(C-LLM)의 의사 결정 능력을 경량화된 로컬 모델로 이전하는 span-focused loss-driven local distillation (SFL) 메커니즘을 도입하여, 의사 결정 효과를 유지하면서 추론 지연 시간을 줄입니다. 항만, 창고, 갑판 스케줄링 데이터 세트에서의 실험 결과, 성공률은 각각 98.49%, 94.97%, 97.50%였으며, 평균 처리 시간은 0.33초, 0.23초, 0.19초로 나타났습니다. 이러한 결과는 MAFIG가 비상 상황의 영향을 효과적으로 완화하고 스케줄링 시스템의 견고성과 적응성을 향상시키는 것을 입증합니다.

Emergency situations in scheduling systems often trigger local functional failures that undermine system stability and even cause system collapse. Existing methods primarily rely on robust scheduling or reactive scheduling, handling emergencies through predefined rules or rescheduling strategies. However, the diversity and unpredictability of real-world emergencies make them difficult to anticipate, which limits the adaptability of these methods in complex scenarios. Recent studies have shown that Large Language Models (LLMs) possess strong potential for complex scheduling tasks because of their extensive prior knowledge and strong reasoning capabilities. Nevertheless, the high inference latency of LLMs and the lengthy contextual information of scheduling systems significantly hinder their application for emergency handling. To mitigate these issues, we propose the Multi-agent Driven Formal Instruction Generation Framework (MAFIG). The framework constrains the decision scope to local functional modules affected by emergency situations and repairs scheduling logic rapidly by generating formal instructions. MAFIG contains a Perception Agent and an Emergency Decision Agent, which mitigates the adverse impact of lengthy system contexts on emergency decision-making. We further introduce span-focused loss-driven local distillation mechanism (SFL) to transfer the decision-making capability of powerful Cloud Large Language Models (C-LLMs) to lightweight local models, reducing inference latency while preserving decision-making effectiveness. Experiments in the Port, Warehousing, and Deck scheduling datasets show success rates of 98.49\%, 94.97\%, and 97.50\%, with average processing times of 0.33 s, 0.23 s, and 0.19 s. These results demonstrate that MAFIG effectively mitigates the impact of emergencies and improves the robustness and adaptability of scheduling systems.