동적 작업 클러스터링 전략을 결합한 적응형 시뮬레이티드 어닐링 기반 위성 관측 스케줄링 방법

초록

본 논문은 위성 관측 스케줄링 문제(SOSP)를 해결하기 위해 적응형 시뮬레이티드 어닐링(ASA)과 동적 작업 클러스터링(DTC)을 결합한 ASA‑DTC 알고리즘을 제안한다. 동적 클러스터링은 스케줄링 과정 중에 실시간으로 작업을 병합·분리하며, 자원 소비 제약을 추가해 불필요한 클러스터링을 방지한다. 알고리즘은 적응적 온도 제어, 탐색 금지 탭루 리스트, 두 가지 이웃 구조의 지능형 조합을 도입해 탐색 효율을 높인다. 실험 결과, 특히 목표 수가 많거나 밀집된 경우 기존 방법보다 높은 수익과 실행 효율을 보였다.

상세 분석

ASA‑DTC는 기존의 정적 작업 클러스터링이 스케줄링 후반에 재조정되지 못하는 한계를 극복하기 위해, 클러스터링 연산을 이웃 탐색 단계에 내재시킨 점이 가장 큰 혁신이다. 구체적으로, 각 이웃 생성 시 현재 해에 포함된 작업들을 센서 회전각·시간창 일치 여부와 새로운 ‘자원 소비 제약(에너지·메모리)’을 동시에 검증한다. 이 제약은 다중 작업을 하나의 클러스터로 묶어도 실제로 에너지·메모리 사용량이 감소하지 않을 경우 클러스터링을 억제한다는 의미이며, 불필요한 센서 개방 횟수를 최소화한다.

알고리즘의 적응형 온도 제어는 전통적인 선형 감소 대신, 현재 해의 개선 정도와 탐색 성공률을 실시간으로 측정해 온도 감소 속도를 조절한다. 탐색이 정체될 경우 온도를 완만히 상승시켜 지역 최적에 빠지는 위험을 완화하고, 탐색이 활발하면 빠르게 냉각해 수렴 속도를 높인다.

탭루 리스트는 최근에 방문한 해의 특정 작업 조합을 일정 기간 금지함으로써 동일 이웃을 반복적으로 선택하는 현상을 방지한다. 리스트 길이는 동적으로 조정되며, 탐색 초기에 넓게 설정해 탐색 다양성을 확보하고, 후반부에서는 리스트를 축소해 미세 조정을 가능하게 한다.

두 가지 이웃 구조는 (1) 단일 작업 교환(삽입·삭제·교체)과 (2) 클러스터 기반 교환(클러스터 전체를 다른 클러스터와 교체하거나 분할·합병)이다. 이웃 선택은 과거 선택의 성공률을 기반으로 확률적으로 가중치를 부여해 자동으로 전환된다. 즉, 특정 문제 인스턴스에서 클러스터 기반 이웃이 더 큰 개선을 보이면 그 비중이 증가한다.

수식 모델은 다중 궤도·다중 위성을 하나의 자원으로 통합해 정수 계획(IP) 형태로 정의한다. 목표는 각 작업의 가중치 합을 최대화하면서, 센서 개방 횟수, 에너지, 메모리, 설정 시간, 회전각 제한 등을 모두 만족시키는 것이다. 제약식(2)(6)은 기존 연구와 동일하지만, 본 논문은 (7)(12)와 같이 클러스터링 전·후의 회전각·시간창·자원 소비 관계를 명시적으로 모델링한다.

실험에서는 3가지 시나리오(작업 수 100, 500, 1000)와 밀집도 변화를 적용해 기존 GA, TS, 고정 클러스터링 기반 SA와 비교하였다. 결과는 특히 작업 수가 500 이상이거나 목표가 지리적으로 고밀도일 때 ASA‑DTC가 평균 12%~18% 높은 수익을 달성했으며, 실행 시간은 1.2배 내외로 실용적인 수준을 유지했다. 또한, 자원 소비 제약을 적용했을 때 클러스터링 비율이 30% 이상 감소하면서도 전체 수익 손실이 미미한 점이 확인되었다.

종합적으로, ASA‑DTC는 동적 클러스터링과 적응형 메타휴리스틱을 결합해 SOSP의 복합 제약을 효과적으로 다루며, 대규모·고밀도 상황에서도 경쟁력 있는 해를 제공한다는 점에서 학술적·실무적 의의가 크다.