크로스도킹 물류센터 시뮬레이션 최적화와 공통 난수 활용

본 논문은 크로스도킹 물류센터의 주문 피킹 과정을 모델링하고, 이를 이산 이벤트 시뮬레이션(Discrete Event Simulation, DES) 기반 최적화 문제로 전환하는 연구를 다룬다. 크로스도킹은 재고를 최소화하고 입고‑출고 과정을 즉시 연결하는 물류 전략으로, 주문 피킹 단계에서 발생하는 다양한 불확실성(작업자 숙련도 차이, 자동화 설비 고장 등)이 전체 시스템 성능에 큰 영향을 미친다. 이러한 복잡성을 정량적으로 분석하기 위해 시뮬레이션을 활용하고, 최적화 기법을 적용해 비용을 최소화하는 방안을 모색한다. **연구 배경 및 문제 정의** 전통적인 물류센터는 입고‑보관‑출고의 3단계를 거치지만, 크로스도킹은 보관 단계를 생략하고 입고와 출고를 바로 연결한다. 이 과정에서 주문 피킹은 핵심 작업이며, 작업자와 자동 디스펜서의 배치·수량이 비용과 서비스 수준을 결정한다. 시뮬레이션을 통해 다양한 시나리오를 평가할 수 있지만, 시뮬레이션 결과는 확률적 변동성을 내포한다. 따라서 최적화 단계에서 목표 함수(총 사용 비용)의 정확한 추정이 필요하고, 이를 위해 충분한 복제(replication) 수가 요구된다. 복제 수가 많을수록 계산 비용이 급증하므로, 변동을 감소시켜 정밀도를 높이는 방법이 필요하다. **변동 감소 기법으로서의 공통 난수(CRN)** 논문은 변동 감소 기법 중 하나인 공통 난수(Common Random Numbers, CRN)를 선택하였다. CRN은 모델 내 각 확률적 입력에 별도의 난수 스트림을 할당함으로써, 서로 다른 실험(또는 설계 변수) 간에 동일한 난수 시퀀스를 사용하게 한다. 이렇게 하면 두 설계 간 차이가 난수에 의한 무작위 오차가 아니라 실제 설계 차이에 기인한다는 장점이 있다. 특히 시뮬레이션 최적화에서는 목표 함수값의 변동을 최소화함으로써 탐색 효율을 높일 수 있다. **실험 설계** 두 개의 시뮬레이션 모델을 구축하였다. - **Model 1‑1**: Arena 기본 난수 스트림을 사용, 즉 CRN 미적용. - **Model 1‑2**: 각 확률적 요소(도착률, 피킹 시간 등)에 별도 난수 스트림을 할당, CRN 적용. 두 모델 모두 동일한 물류 프로세스를 구현했으며, 작업자는 숙련도에 따라 두 명·두 명, 자동 디스펜서는 각 피킹 포인트에 하나씩 배치하였다. 복제 수를 100, 1 000, 2 500, 5 000으로 변화시키면서 95 % 신뢰구간의 반폭(Half‑Width)을 측정하였다. 목표 성능 지표는 ‘총 사용 비용(Total Usage Cost)’이다. **CRN 실험 결과** 표 5에 제시된 결과에 따르면, 복제 수가 100~2 500 구간에서는 Model 1‑2(CRN 적용)의 반폭이 Model 1‑1보다 현저히 작았다. 예를 들어 복제 1 000에서 CRN 모델의 반폭은 6.4, 비CRN 모델은 8.0으로 차이가 약 20 %에 달한다. 복제 수가 5 000에 이르면 두 모델 간 차이가 거의 사라지거나 비CRN 모델이 미세하게 우위에 서는 현상이 나타났다. 이는 복제 수가 충분히 클 경우 기본 난수 스트림에서도 통계적 오차가 감소하기 때문이다. 그러나 실무에서는 5 000 복제는 계산 비용이 과도하므로, CRN을 활용해 1 000 이하 복제에서도 목표 정밀도(반폭 ≤ 0.5 등)를 달성할 수 있다는 점이 중요한 시사점이다. **시뮬레이션 최적화 실험** 최적화 단계에서는 OptQuest와 연계된 Arena 시뮬레이션을 사용하였다. 고정된 시뮬레이션 실행 수는 100회, 복제 수는 3, 4, 5로 설정하고, 전체 복제는 500으로 고정하였다. 의사결정 변수는 자동 디스펜서 수(최대 6)와 수동 작업자 수(최대 4)이며, 목표는 ‘총 사용 비용 최소화’이다. CRN을 적용한 Model 1‑2는 동일한 복제·실행 조건에서도 비CRN 모델보다 더 빠르게 비용 최소점에 도달했으며, 최적해 탐색에 필요한 시뮬레이션 실행 횟수가 약 15 %~25 % 감소하였다. 이는 CRN이 목표 함수값의 변동성을 감소시켜 탐색 공간을 보다 효율적으로 샘플링하게 만든 결과이다. **결론 및 향후 연구** 논문은 다음과 같은 결론을 도출한다. 1. CRN은 시뮬레이션 출력의 신뢰구간 반폭을 감소시켜, 동일 정밀도에서 필요한 복제 수를 현저히 줄인다. 2. 정밀도가 향상된 출력값을 활용하면 시뮬레이션 최적화 단계에서 전체 시뮬레이션 실행량을 감소시킬 수 있다. 3. 복제 수가 충분히 많을 경우 CRN의 이점이 감소하므로, 실무에서는 적절한 복제 수(예: 1 000 이하)와 CRN을 결합하는 것이 비용 효율적이다. 향후 연구에서는 CRN 외에도 Antithetic Variates, Control Variates 등 다른 변동 감소 기법과의 복합 적용을 검토하고, 더 복잡한 물류 네트워크(다중 크로스도킹 노드, 다중 운송 모드)에도 동일한 접근법을 확장하는 방안을 제시한다. 또한, 최적화 알고리즘 자체를 메타휴리스틱(Genetic Algorithm, Particle Swarm)과 결합해 전역 탐색 능력을 강화하는 연구도 진행될 예정이다.