1. 수행배경

• 바이오, 제약, 분석기관 등에서 주문별 공정이 달라 일부 작업이 누락되는 상황이 빈번함
• 전문가 규칙 기반은 문제마다 설계 필요하며 일반화가 어렵고, 대규모 문제에서 비효율적
• 강화학습(RL)을 통해 비정형성과 높은 복잡성을 갖는 조합 최적화 문제를 End-to-End로 처리 가능하도록 함

2. 수행기간

• 1~2주차: 문제 정의 및 데이터 설계

• 3~4주차: 기본 모델 개발 및 고정 크기 학습

• 5~6주차: 커리큘럼 학습(혼합 크기)

• 7~8주차: 후처리(IS), 하이퍼파라미터 튜닝 및 실험

• 9주차: 결과 정리 및 보고서 작성

3. 개발작품 설명

• 문제: 누락 작업을 포함한 고객 주문 스케줄링 문제

• 목표: 총 지연 시간 최소화

• 기술: Transformer 기반 강화학습(Policy Gradient) + 2단계 커리큘럼 학습

• 구성 요소:

  • 인코더: 작업 간 관계 임베딩

  • 디코더: Autoregressive 방식으로 작업 순서 생성

  • 상태-행동-보상 정의: 환경 기반 강화학습 구조

• 비교 성능: MILP, CP, BRKGA 등과 비교 시 지연 시간 성능 및 연산 시간에서 우위 입증

4. 활용방안

• 현장 적용: MES, APS, 실험실 시료 분석, 병원 검사, 정밀 진단 등 다양한 산업에 스케줄링 자동화 적용 가능

• 기술 확장:

  • 전이학습 기반 다른 공정에 적용

  • Hybrid 통합: MILP, GA, SA 등과 구조 융합

  • Flowshop, Parallel Machine 등 다양한 문제에 확장 가능

• 기대효과:

  • 납기 만족률 향상 및 지연 최소화

  • 작업자 개입 최소화 및 오류 방지

  • 대규모 스케줄 처리 효율 향상

  • 특허, 논문 등 기술 사업화 및 연구적 파급력 확보