동적 다모드 프로젝트 스케줄링을 위한 서러게이트 기반 유전 프로그래밍과 순위 기반 표현형 특성화

본 논문은 동적 다모드 자원제한 프로젝트 스케줄링 문제(DMRCPSP)를 해결하기 위한 새로운 서러게이트 기반 유전 프로그래밍(GP) 프레임워크를 제시한다. DMRCPSP는 활동의 실제 소요 시간이 실행 중에만 밝혀지고, 자원 가용성이 실시간으로 변동하는 복합적인 최적화 문제로, 기존 GP 접근법은 각 개체를 시뮬레이션으로 평가하는 데 높은 계산 비용이 소요되어 실용성이 제한되었다. 이를 극복하고자 저자들은 두 가지 핵심 기여를 한다. 첫째, ‘순위 기반 표현형 특성화(PC)’ 방식을 설계하였다. 시뮬레이션 실행 중에 일정 수의 의사결정 상황을 샘플링하고, 각 상황에서 GP가 산출한 우선순위 값을 기반으로 모든 후보 활동‑모드 쌍 및 활동 그룹에 순위를 매긴다. 이렇게 얻은 순위 벡터들을 연결해 고차원 PC 벡터를 구성함으로써, 개체의 행동을 정량적으로 표현한다. 기존의 단일 선택 상황에만 적용 가능한 PC와 달리, 본 방식은 순위 기반 선택과 부분집합 선택을 동시에 포착한다. 둘째, 이 PC 벡터를 이용해 서러게이트 모델을 구축한다. 가장 단순한 최근접 이웃(Nearest‑Neighbour) 모델을 채택했으며, Manhattan 거리를 사용해 현재 세대의 평가된 개체들 중 가장 가까운 이웃의 실제 적합도 값을 추정값으로 반환한다. 서러게이트는 전체 적합도 평가를 대체하지 않고, 진화 과정에서 ‘가벼운’ 선별 단계로 활용된다. 구체적인 알고리즘 흐름은 다음과 같다. 초기 개체군은 전면 평가 후 PC 벡터를 계산하고, 중복된 PC를 제거한다. 이후 k배(오프스프링 배수)의 중간 자손을 생성하고, 이들의 PC를 계산한 뒤 서러게이트가 추정한 적합도 순으로 상위 |P|개를 실제 평가한다. 이 과정을 세대마다 반복하면서, 전체 평가 횟수는 기존 KGGP와 동일하게 유지하되, 서러게이트가 제공하는 가이드 덕분에 진화 초기에 유망한 영역을 빠르게 탐색한다. 실험 설계는 200활동, 3모드, 12자원 유형을 갖는 대규모 프로젝트 인스턴스를 사용했으며, 선행 복잡도(오더 스트렝스) 0.75, 0.5, 0.25의 세 가지 시나리오를 설정하였다. 각 GP 개체는 5개의 프로젝트 인스턴스에서 평균 메크스팬(하한 대비 비율)으로 평가되었다. 제안된 알고리즘은 SKGGP라는 이름으로, 오프스프링 배수 k를 1, 1.5, 2, 4로 변형한 네 버전을 비교하였다. 모든 실험은 30회 독립 실행했으며, 동일한 하드웨어 환경에서 수행되었다. 결과는 다음과 같다. (1) SKGGP는 동일 세대에서 최적 해에 도달하는 속도가 KGGP보다 현저히 빠르며, 최종 메크스팬에서도 동등하거나 약간 우수한 성능을 보였다. (2) 서러게이트 도입으로 전체 실행 시간은 5~10% 정도만 증가했으며, 이는 평가 비용 절감 효과가 충분히 상쇄됨을 의미한다. (3) 오프스프링 배수 k=2가 가장 좋은 균형을 이루어, 충분한 후보 다양성을 유지하면서도 서러게이트가 효과적으로 자손을 선별하도록 했다. 논문의 주요 인사이트는 다음과 같다. 첫째, DMRCPSP에 특화된 순위 기반 PC가 서러게이트와 결합될 때, 평가 비용을 크게 낮추면서도 진화 효율을 높일 수 있다. 둘째, 서러게이트는 진화 과정에서 ‘가벼운’ 선택 압력을 제공해, 탐색 공간을 효율적으로 축소한다. 셋째, 오프스프링 배수와 같은 하이퍼파라미터가 서러게이트 활용 효과에 민감하므로, 문제 특성에 맞는 조정이 필요하다. 한계점으로는 현재 Manhattan 거리 기반 최근접 이웃만을 사용했기 때문에 고차원 PC 공간에서 거리 왜곡이 발생할 가능성이 있으며, 세대별 데이터만을 사용함으로써 장기적인 지식 축적이 어려운 점을 들 수 있다. 향후 연구에서는 커널 회귀, 딥러닝 기반 서러게이트, 그리고 다세대 데이터 통합 방식을 도입해 예측 정확도와 일반화를 향상시키는 방안을 모색한다. 또한, 다른 동적 스케줄링 문제(예: 동적 작업장 스케줄링)에도 적용 가능성을 검증하고, 실시간 의사결정 시스템에 통합하는 연구가 기대된다.