대규모 조직을 위한 계층적 좌석 배치 자동화

초록

본 논문은 조직의 계층 구조를 고려한 좌석 배치 최적화 문제인 HSAP(Hierarchical Seating Allocation Problem)를 정의하고, PRM‑RRT 기반의 거리 추정과 정수 계획·휴리스틱을 결합한 두 단계 프레임워크를 제안한다. 실험을 통해 제안 방법이 기존 Manhattan·Euclidean 거리 기반 방식보다 높은 배치 품질을 제공함을 입증한다.

상세 분석

본 연구는 대규모 기업의 사무실 평면도에서 팀 간 계층적 친밀성을 반영한 좌석 배치를 자동화하려는 실용적 요구에서 출발한다. 기존의 수동 배치는 빈번한 재배치가 어려워 비효율적인 공간 활용과 팀 간 협업 저해를 초래한다는 점을 지적하고, 이를 해결하기 위해 두 가지 핵심 기술을 결합한다. 첫 번째는 좌석 간 보행 거리를 정확히 추정하기 위한 확률적 로드맵(PRM)과 급속 탐색 트리(RRT) 기반의 그래프 생성이다. PRM은 평면도에서 충돌‑free 노드를 무작위로 샘플링하고, RRT를 이용해 노드 간 최단 경로를 탐색함으로써 벽·복도 등 장애물을 자연스럽게 반영한다. 이 과정에서 δc(연결 거리)와 δs(시드 좌석 연결 반경)라는 두 하이퍼파라미터를 도입해 그래프의 밀도와 정확도 사이의 트레이드오프를 조절한다. 완성된 그래프는 Floyd‑Warshall 알고리즘을 적용해 O(n³) 시간 안에 모든 좌석 쌍의 최단 거리 행렬을 얻는다. 두 번째는 이 거리 행렬을 입력으로 하는 좌석 할당 단계이다. 여기서는 세 가지 알고리즘을 제시한다. (1) IPSA는 모든 좌석을 변수 xik(좌석 i가 중심 좌석 k에 할당)와 ykt(좌석 k가 팀 t의 중심)로 모델링한 정수선형 프로그램으로, 전역 최적해를 목표하지만 |S|²개의 변수 때문에 대규모 인스턴스에서는 계산량이 급증한다. (2) ICA는 k‑means‑유사 클러스터링을 반복 적용해 중심 좌석을 갱신하고, 각 반복마다 작은 규모의 정수 프로그램을 풀어 할당을 수행한다. 변수 수가 |T|·|S| 수준으로 감소해 실용적인 실행 시간을 확보한다. (3) GSA는 k‑means++ 로 초기 중심을 잡고, ‘후회값’(regret) 기반의 그리디 순서대로 좌석을 할당하는 휴리스틱이다. 후회값은 첫 번째·두 번째 근접 중심 좌석 간 거리 차이로 정의되어, 할당이 바뀔 경우 목표 함수에 미치는 영향을 정량화한다. 실험에서는 synthetic 및 실제 사무실 평면을 사용해 PRM‑RRT가 Manhattan 거리 대비 평균 12%18%의 거리 오차 감소를 보였으며, ICA가 IPSA에 비해 5배10배 빠른 시간 안에 2%~4% 수준의 품질 손실만을 나타냈다. GSA는 가장 빠른 실행 시간을 기록했지만, 최적해와의 격차가 6%~9%에 달했다. 전반적으로 제안 프레임워크는 거리 추정 정확도와 할당 효율성 사이의 균형을 잘 맞추어, 대규모 조직에서도 실시간 혹은 반실시간 수준의 재배치를 가능하게 한다. 다만, PRM‑RRT의 노드 수 K와 δ 파라미터 선택이 문제 규모와 평면 복잡도에 민감하며, 최적화 단계에서 팀 간 상호작용(예: 부서 간 협업 빈도)과 같은 비정량적 선호를 모델링하기 위한 추가 제약이 필요하다는 한계도 제시한다.