딥러닝 기반 스케줄링 최적화: 1000개 작업까지 효율적인 해결책 제시
본 논문은 단일 머신 스케줄링 문제에 대한 혁신적인 딥러닝 기반 접근 방식을 제시합니다. 오프라인 및 온라인 학습을 통합하여 최대 1000개 작업까지 효율적으로 고품질 솔루션을 생성하며, NP-Hard 문제 해결에 새로운 가능성을 제시합니다.

딥러닝으로 풀어내는 스케줄링 난제: 오프라인과 온라인 학습의 만남
류안방, 진롱첸, 진양장, 시첸 등 연구진이 발표한 논문 "통합 오프라인 및 온라인 학습을 통한 다양한 스케줄링 문제 해결"은 단일 머신 스케줄링 문제에 대한 혁신적인 접근 방식을 제시합니다. 이들은 비감소 최소합 목적 함수를 갖는 문제들을 통합된 머신러닝(ML) 방식으로 해결하는 딥러닝 네트워크(DNN)를 개발했습니다. 이는 릴리스 시간 유무에 관계없이 적용 가능하다는 점에서 주목할 만합니다.
3가지 핵심 혁신
이 연구의 핵심은 다음 세 가지 혁신적인 요소에 있습니다.
범용성: 연구진은 시간 색인 공식을 이용하여 다양한 스케줄링 문제를 통합적으로 다루는 DNN을 개발했습니다. 비용 매개변수를 입력으로 사용하여 연속적인 솔루션을 예측하고, 이를 바탕으로 실현 가능한 이산 솔루션을 생성합니다. 이는 기존의 특정 문제에만 국한된 접근 방식을 뛰어넘는 획기적인 발전입니다.
효율적인 오프라인 학습: 스케줄링 문제는 NP-Hard 문제로, 최적 해를 구하기 어렵습니다. 연구진은 이 문제를 해결하기 위해 최적 해를 쉽게 구할 수 있는 특수 인스턴스를 생성하여 DNN을 오프라인으로 학습시켰습니다. 이는 마치 어려운 수학 문제를 풀기 위한 연습 문제를 활용하는 것과 같습니다.
온라인 미세 조정: DNN의 매개변수를 특정 인스턴스에 맞춰 미세 조정하는 온라인 단일 인스턴스 학습 방식을 개발했습니다. 실현 가능성 보조 함수를 이용하여 DNN 출력을 기반으로 목적 함수 값을 연속 함수로 근사하여, 기울기를 계산하고 DNN의 학습 가능한 매개변수를 업데이트합니다. 이를 통해 주어진 인스턴스에 대한 더욱 개선된 솔루션을 생성할 수 있습니다. 마치 경험을 통해 실력을 향상시키는 것과 같습니다.
놀라운 결과: 최대 1000개 작업 효율적 처리
실험 결과, 이 접근 방식은 최대 1000개 작업의 단일 머신 스케줄링 최소합 문제에 대해 효율적으로 고품질 솔루션을 생성하는 것으로 나타났습니다. 이는 대규모 스케줄링 문제 해결에 있어 획기적인 성과이며, 실제 산업 현장에서의 활용 가능성을 높입니다. 이 연구는 단순히 알고리즘의 발전을 넘어, 오프라인과 온라인 학습의 시너지를 통해 복잡한 문제를 효율적으로 해결하는 새로운 패러다임을 제시합니다. 향후 더욱 다양한 스케줄링 문제와 복잡한 시스템에 적용될 가능성을 열었습니다.
Reference
[arxiv] Integrated Offline and Online Learning to Solve a Large Class of Scheduling Problems
Published: (Updated: )
Author: Anbang Liu, Zhi-Long Chen, Jinyang Jiang, Xi Chen
http://arxiv.org/abs/2501.04253v1