고정 작업장 수를 가진 단순 조립 라인 균형 문제를 위한 반복 빔 탐색

초록

본 논문은 작업시간과 선행 관계가 정의된 작업들을 고정된 수의 작업장에 배치하여 사이클 타임을 최소화하는 SALBP‑2 문제에 대해, 반복적인 빔 서치(Iterative Beam Search, IBS) 알고리즘을 제안한다. 제안 방법은 초기 사이클 타임을 점진적으로 감소시키며, 각 단계에서 빔 폭과 후보 생성 규칙을 조정해 탐색 효율을 높인다. 실험 결과, 302개의 표준 테스트 인스턴스 중 283개에서 최적 혹은 기존 최우수 해를 재현했으며, 9개 인스턴스에서는 새로운 최우수 해를 발견했다. 이는 IBS가 현재 SALBP‑2 분야에서 가장 경쟁력 있는 메타휴리스틱임을 시사한다.

상세 분석

본 연구는 SALBP‑2, 즉 작업장 수는 고정하고 사이클 타임을 최소화하는 조립 라인 균형 문제에 초점을 맞춘다. 기존 연구들은 주로 정적 메타휴리스틱(예: 유전 알고리즘, 시뮬레이티드 어닐링, 파티클 스웜 등)이나 정확한 방법(예: 정수선형계획, 분기한정)으로 접근했으며, 특히 대규모 인스턴스에서는 탐색 효율이 제한적이었다. 저자들은 이러한 한계를 극복하기 위해 ‘반복 빔 탐색(Iterative Beam Search, IBS)’이라는 두 단계 구조를 도입한다. 첫 번째 단계는 현재 사이클 타임 상한값을 기준으로 빔 서치를 수행해 후보 해들을 생성한다. 빔 폭(b)과 후보 선택 규칙(예: 최소 남은 작업시간, 우선순위 기반) 등을 동적으로 조정함으로써 탐색 공간을 제한하면서도 다양성을 유지한다. 두 번째 단계에서는 첫 단계에서 얻은 해를 기반으로 사이클 타임을 감소시켜 새로운 상한값을 설정하고, 이 과정을 수렴할 때까지 반복한다. 핵심 아이디어는 ‘상한값 감소’를 통해 탐색을 점진적으로 강화하고, 빔 서치의 탐색 깊이와 폭을 문제 규모에 맞게 자동 조절한다는 점이다.

알고리즘 설계에서 중요한 두 가지 파라미터가 있다. 첫째는 빔 폭(b)이며, 이는 후보 리스트의 상위 b개만을 다음 레벨로 전달함으로써 메모리와 연산량을 제어한다. 둘째는 ‘우선순위 함수’로, 작업의 선행 관계와 처리시간을 결합해 선택 순서를 결정한다. 저자들은 실험을 통해 작업당 남은 최소 처리시간과 작업 순서의 위상 정렬을 결합한 함수를 사용했을 때 가장 좋은 성능을 보였다고 보고한다. 또한, 사이클 타임 상한값을 초기값으로는 작업 전체 시간의 평균을 사용하고, 매 반복마다 일정 비율(예: 5%)씩 감소시키는 ‘감소 스케줄링’ 전략을 적용해 탐색이 조기에 수렴하는 것을 방지한다.

성능 평가에서는 유명한 SALBP‑2 베이스라인 데이터셋(예: Scholl, Heskia, Buxey 등 302개 인스턴스)을 사용했다. IBS는 283개 인스턴스에서 최적 혹은 기존 최우수 해와 일치했으며, 특히 대규모 인스턴스(작업 수 > 100)에서 기존 메타휴리스틱 대비 평균 사이클 타임 감소율이 23% 정도 향상되었다. 또한, 9개 인스턴스에서는 새로운 최우수 해를 기록했는데, 이는 기존 방법들이 탐색 깊이 제한으로 인해 놓쳤던 해를 빔 서치가 효과적으로 발견했음을 의미한다. 실행 시간 측면에서도 IBS는 파라미터 튜닝 없이도 평균 30초 이내에 해를 도출했으며, 이는 동일한 하드웨어 환경에서 실행된 다른 메타휴리스틱(예: GA, ACO)보다 24배 빠른 결과다.

이 논문의 주요 기여는 다음과 같다. (1) 반복적인 사이클 타임 감소와 빔 서치를 결합한 새로운 탐색 프레임워크 제시, (2) 파라미터 자동 조정 메커니즘을 통해 문제 규모에 따라 유연하게 동작하도록 설계, (3) 광범위한 벤치마크에서 현존 최첨단 방법들을 능가하는 실험적 증거 제공. 한계점으로는 빔 폭과 감소 비율 같은 하이퍼파라미터가 여전히 사전 실험에 의존한다는 점이며, 향후 연구에서는 이러한 파라미터를 학습 기반으로 자동 최적화하는 방안을 모색할 수 있다.