GPU 기반 병렬 유전 알고리즘을 이용한 에너지 효율 동적 유연 흐름 작업장 스케줄링

초록

본 논문은 에너지 효율을 핵심 목표로 하는 동적 유연 흐름 작업장(Flexible Flow Shop, FFS) 스케줄링 문제를 정의하고, 새로운 작업이 실시간으로 유입되는 상황을 고려한 예측‑반응형 완전 재스케줄링 프레임워크를 제안한다. 문제의 NP‑hard 특성 때문에 우선순위 기반 하이브리드 유전 알고리즘을 CUDA 기반 GPU 병렬화하여 구현했으며, 실험을 통해 정적 접근법 대비 에너지 소비 감소와 응답 시간 단축을 동시에 달성함을 입증한다.

상세 분석

이 연구는 현대 제조 현장에서 에너지 비용과 환경 규제가 급격히 강화되는 추세를 반영하여, 기존의 정적 스케줄링 모델이 갖는 한계를 극복하고자 한다. 먼저, 저자들은 동적 유연 흐름 작업장(Dynamic Flexible Flow Shop, DFFS) 모델을 수학적으로 정의한다. 여기서 작업은 여러 단계(Station)와 병렬 라인(Parallel Machines)으로 구성되며, 각 작업은 도착 시간(Release Time)이 불확실하게 변동한다. 에너지 효율성은 ‘피크 전력(Peak Power)’을 최소화하는 형태로 목표 함수에 포함되는데, 이는 전력 요금제에서 피크 부하에 대한 추가 비용을 반영한다는 점에서 실용적이다.

문제는 ‘새로운 작업이 도착할 때마다 전체 스케줄을 재계산해야 하는’ 예측‑반응형( Predictive‑Reactive) 상황을 가정한다. 이때 전통적인 완전 재스케줄링(complete rescheduling) 방식은 연산량이 급증해 실시간 적용이 어려우므로, 저자들은 두 단계의 하이브리드 GA를 설계한다. 첫 번째 단계는 ‘우선순위 기반 초기 해 생성’으로, 작업의 긴급도와 전력 부하를 동시에 고려한 히스토리 기반 룰을 적용한다. 두 번째 단계는 ‘다중 교차·돌연변이 연산’을 병렬 GPU 스레드에서 수행해 해 집합을 빠르게 탐색한다. 특히, CUDA의 스레드 블록과 그리드 구조에 맞춰 개체(Chromosome)와 유전 연산을 매핑함으로써 메모리 전송 오버헤드를 최소화하고, 전역 메모리와 공유 메모리를 효율적으로 활용한다.

알고리즘의 핵심 혁신은 ‘예측‑반응형 완전 재스케줄링’과 ‘GPU 병렬 GA’를 결합한 점이다. 예측 단계에서는 기존 스케줄을 기반으로 새로운 작업의 삽입 가능성을 사전 평가하고, 반응 단계에서는 실제 도착 시점에 GPU를 이용해 빠르게 재최적화를 수행한다. 이를 통해 응답 시간은 수 초 수준으로 단축되면서도, 피크 전력 감소율은 정적 모델 대비 평균 12~18% 향상된다. 또한, 실험에서는 작업 수와 라인 수가 증가할수록 GPU 가속 비율이 20배 이상으로 확대되는 것을 확인하였다.

이 논문의 한계로는 전력 모델이 피크 전력만을 고려하고 있어 전체 에너지 소비(예: 평균 전력, 탄소 배출량)와의 연관성을 추가 분석하지 않은 점, 그리고 GPU 자원에 대한 의존도가 높아 CPU‑전용 환경에서의 적용 가능성이 제한적이라는 점을 들 수 있다. 향후 연구에서는 다목적 최적화(에너지·시간·품질)와 하이브리드 클라우드‑엣지 컴퓨팅 환경을 결합한 확장 모델이 기대된다.