퍼지 작업장 스케줄링 문제의 혁신적인 해결책: 기대-최대화 알고리즘 기반 자기회귀 모델

Wang, Guo, Liu 세 연구원은 기대-최대화 알고리즘 기반 자기회귀 모델(EMARM)을 이용하여 모호한 작업장 스케줄링 문제(FJSSP)에 대한 효과적인 해결책을 제시했습니다. EMARM은 정답 레이블 없이도 문제를 해결할 수 있으며, 실험 결과 우수한 성능을 보였습니다.

퍼지 작업장 스케줄링 문제: 현실 세계의 복잡성을 반영하다

실제 제조 환경의 불확실성을 고려하여 기존의 작업장 스케줄링 문제(JSSP)를 한 단계 끌어올린 모호한 작업장 스케줄링 문제(FJSSP) 가 등장했습니다. 이 문제는 현실적인 적용성을 높이지만, 해결책을 찾는 데 있어 계산 복잡성을 증가시키는 어려움을 동시에 안고 있습니다.

신경 조합 최적화(NCO)의 새로운 도전: 퍼지 스케줄링 영역으로의 진출

결정론적 스케줄링 분야에서 신경 조합 최적화(NCO) 는 놀라운 효율성을 보여주었습니다. 하지만, 퍼지 스케줄링 문제에 대한 NCO의 적용은 아직 미개척 분야였습니다. Wang, Guo, Liu 세 연구원은 이러한 틈새를 메우기 위해 신경망을 활용하여 퍼지 정보를 처리하고 FJSSP를 해결하는 방법을 연구했습니다.

기대-최대화 알고리즘 기반 자기회귀 모델(EMARM): 혁신적인 해결책 제시

연구팀은 FJSSP를 생성적 과제로 접근하여, 기대-최대화 알고리즘 기반 자기회귀 모델(EMARM) 을 제시했습니다. EMARM은 주어진 예시로부터 스케줄링 계획을 생성(E-step)하고, 생성된 계획을 기반으로 자기회귀 모델의 가중치를 조정(M-step)하는 과정을 반복합니다. 이 방법은 NCO 프레임워크에서 흔히 발생하는 정답 레이블 부족 문제를 효과적으로 해결합니다.

실험 결과: EMARM의 우수한 성능 입증

실험 결과, EMARM은 FJSSP 해결에 탁월한 성능을 보였으며, 퍼지 스케줄링 분야의 실용적인 응용 가능성을 입증했습니다. 이 연구는 퍼지 스케줄링 문제에 대한 새로운 접근 방식을 제시하며, 실제 제조 환경에서의 스케줄링 최적화에 중요한 발걸음을 내딛었습니다. 향후 연구에서는 다양한 유형의 퍼지 정보와 더욱 복잡한 스케줄링 문제에 대한 EMARM의 적용 가능성을 탐구할 필요가 있습니다.