본 논문은 동적 유연 작업장 스케줄링(DFJSP) 문제에 대한 새로운 접근법인 ReflecSched를 제안합니다. DFJSP는 실시간 이벤트 적응과 복잡한 기계 라우팅으로 인해 어려운 NP-hard 문제입니다. 기존의 dispatching rules는 효율적이지만 유연성이 부족하고, 딥러닝 접근 방식은 불투명하며 복잡한 특징 엔지니어링이 필요합니다. Large Language Models (LLMs)은 이러한 엔지니어링 오버헤드 없이 적응형 추론을 약속하지만, 직접적인 적용은 최적이 아닙니다. 본 논문은 기존 LLM의 세 가지 주요 단점(긴 문맥 역설, 전문가 휴리스틱 활용 저조, 근시안적인 의사결정)을 지적하고, 휴리스틱 기반 시뮬레이션 분석을 통해 얻은 전략적 경험을 LLM에 통합하여 비근시안적인 의사결정을 유도하는 ReflecSched 프레임워크를 제시합니다. 실험 결과 ReflecSched는 기존 LLM 기준 모델보다 성능이 훨씬 우수하며(71.35% 승률, 2.755% 상대 백분율 편차 감소), 모든 개별 휴리스틱을 능가하고, 모든 문제 사례에서 각 인스턴스에 맞게 조정된 최고의 휴리스틱과 동등한 성능을 보입니다.
