2016년 알파고의 등장 이후 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 강화학습 등을 사용한 머신러닝 방법론은 최적화 분야 등에서도 사용범위를 넓혀가고 있고 성능이 우수하다고 주장하고 있음. 최근 연구에서 좋은 성과를 보여주었다고 하지만 아직 초기단계로 기존의 최적화 방법론 대비 다음과 같은 한계점이 존재함. 1) 표현에 따라 성능이 민감함. 2) 학습에 많은 data와 시간/지원이 소모되며, 모델이 변화가 생기면 다시 학습해야 함. 3) 도출된 결과에 대한 원인 파악이 어려움(Black-box model)

  본 연구의 목표는 최적화 문제의 새로운 접근법인 머신러닝 기반 방법론을 전통적인 최적화 방법론과 비교/평가하고 머신러닝 방법론의 개선점을 연구하는 것임. 이를 위해 LG display 반도체/LCD 공장의 스케쥴링 문제를 이용하여 두 방법론을 비교하고, 이와 더불어 머신러닝 방법론의 표현 민감도 연구, 재학습 비용 연구, 설명가능성 연구를 수행할 것임.

[1] Luo, Shu., “Dynamic scheduling for flexible job shop with new job insertions by deep reinforcement learning.”, Applied Soft Computing, 2020.

[2] Han, Bao-An, and Jian-Jun Yang., “Research on adaptive job shop scheduling problems based on dueling double DQN.”, IEEE Access, 2020.

[3] Das, Arun, and Paul Rad, “Opportunities and challenges in explainable artificial intelligence (xai): A survey.”, arXiv, 2020.

[4] Tallón-Ballesteros, A., and C. Chen., “Explainable AI: Using Shapley value to explain complex anomaly detection ML-based systems.”, Machine learning and artificial intelligence, 2020.

[5] Hwang Seol., “강화 학습을 이용한 듀얼 크레인 스토커 스케쥴링”, 한국과학기술원, 2018.