의류 공장의 원단 펼침·절단 문제를 위한 휴리스틱 알고리즘

초록

본 논문은 의류 공장에서 원단을 펼치고 절단하는 과정(FSCP)의 비용 최소화를 목표로 한다. 정확히 요구된 부품 수량을 초과하지 않으면서 절단 베드 사용 횟수(레이 수)를 최소화하는 것이 핵심이다. 저자는 구성 단계와 개선 루프를 결합한 반복 그리디(Iterated Greedy) 알고리즘을 제안한다. 구성 단계에서는 요구량을 만족하는 레이를 순차적으로 생성하고, 개선 루프에서는 기존 레이 집합에서 하나씩 레이를 제거한 뒤 남은 부품들을 더 적은 레이로 재배열한다. 실험 500건에 대해 제안 알고리즘은 기존 방법 대비 레이 수를 평균 8 % 이상 감소시키면서 실행 시간도 실용적인 수준을 유지함을 보였다.

상세 분석

Fabric Spreading and Cutting Problem(FSCP)은 원단 롤을 일정한 폭으로 펼쳐서 절단 베드에 배치하고, 각 레이(lay)마다 여러 종류의 부품을 동시에 절단하는 복합 최적화 문제이다. 이 문제는 두 가지 상충 목표를 동시에 만족시켜야 한다. 첫째, 각 스타일·사이즈·색상 조합에 대해 요구되는 부품 수량을 정확히 맞추어야 하며, 초과 생산을 방지해 원단 손실을 최소화한다. 둘째, 레이 수를 최소화함으로써 절단 베드 사용 빈도를 줄이고, 인건비·설비비·에너지 비용을 절감한다. 이러한 이중 제약은 일반적인 2차원 배치 문제와 다중 자원 할당 문제를 결합한 형태이며, NP‑hard로 알려져 있다.

저자는 기존 연구에서 제시된 정수선형계획(ILP) 기반 exact solver와 메타휴리스틱(유전 알고리즘, 시뮬레이션 어닐링 등)의 한계를 지적한다. Exact solver는 문제 규모가 커지면 계산 시간이 급격히 증가하고, 메타휴리스틱은 파라미터 튜닝과 수렴 속도에서 불안정성을 보인다. 이를 보완하기 위해 제안된 Iterated Greedy(IG) 알고리즘은 두 단계로 구성된다.

1. Constructive Procedure(구성 단계)

   • 입력된 부품 요구량을 우선순위(예: 남은 수량, 원단 종류, 레이 폭 활용도) 기반으로 정렬한다.
   • 현재 레이가 비어 있으면 새로운 레이를 시작하고, 가능한 한 많은 부품을 현재 레이에 삽입한다. 삽입 시 원단 폭 제한과 남은 원단 길이(또는 면적) 제약을 검사한다.
   • 삽입이 불가능한 부품이 남으면 새로운 레이를 생성하고 과정을 반복한다.
   • 이 단계는 O(N·L) 시간 복잡도를 가지며, N은 부품 종류 수, L은 생성된 레이 수이다.

2. Improving Loop(개선 루프)

   • 현재 레이 집합 S에서 하나의 레이 r을 선택해 임시로 제거한다.
   • 남은 부품 집합을 다시 구성 단계와 동일한 그리디 전략으로 재배치한다. 재배치 결과 레이 수가 |S|−1 이하이면 r을 영구적으로 삭제하고, 새로운 레이 집합을 채택한다.
   • 위 과정을 모든 레이에 대해 순차적으로 수행하고, 더 이상 레이 수 감소가 일어나지 않을 때까지 반복한다.
   • 시간 제한(time limit)이나 사전 정의된 반복 횟수에 도달하면 루프를 종료한다.

이 알고리즘의 핵심 아이디어는 부분 해제와 재구성을 통해 지역 최적해에 빠지는 것을 방지하고, 작은 레이 집합을 탐색하는 것이다. 그리디 삽입 규칙은 “가장 많이 남은 부품을 먼저 배치”와 “레이가 남은 폭을 최소화하도록 채우기” 두 가지 기준을 가중합해 결정한다. 개선 루프는 각 레이를 제거하고 재배치함으로써, 초기 구성 단계에서 발생한 비효율성을 교정한다.

실험 설계는 500개의 무작위 생성 인스턴스를 사용했으며, 각 인스턴스는 원단 종류(35종), 레이 폭(120180cm), 부품 종류(50~200) 등 다양한 파라미터를 포함한다. 비교 대상은 기존의 단순 그리디 알고리즘과 ILP 기반 최적해(시간 제한 2시간)이다. 결과는 다음과 같다.

• 평균 레이 수 감소율: 제안 IG 8.3 % > 기존 그리디 3.1 %
• 평균 실행 시간: IG 12.4초, 기존 그리디 4.7초, ILP 1,845초(시간 초과 포함)
• 대부분의 인스턴스에서 IG는 최적해와 1~2 레이 차이 내에 머물렀다.

알고리즘의 장점은 구현이 간단하고, 파라미터(시간 제한, 반복 횟수)만 조정하면 대규모 실무 환경에 적용 가능하다는 점이다. 단점은 레이 제거 순서에 따라 최종 결과가 달라질 수 있어, 무작위 시드에 의존하는 경향이 있다. 또한 원단 종류가 매우 다양하거나 레이 폭이 비정형인 경우, 현재 그리디 규칙이 최적에 가까운 해를 보장하지 못한다. 향후 연구에서는 레이 제거 순서를 메타휴리스틱(탐욕적 선택 + 탭우 검색)으로 개선하거나, 머신러닝 기반 예측 모델을 도입해 삽입 우선순위를 동적으로 조정하는 방안을 제시한다.