본 연구는 성향 특징 기반 팀 구성 시나리오를 탐색하는 시스템 'Itching'을 제안한다. 다양한 협업 환경에서는 제한된 시간 내 공정하고 효율적이며 성과를 고려한 팀 구성 기준이 필요하지만, 기존 팀매칭 연구는 특정 도메인에 특화되어 범용성이 제한적이다. 이에 본 연구는 팀매칭 문제를 균등 분할 문제로 정식화하고, 대화 데이터를 활용한 Big Five 성향 추정과 메타 휴리스틱 최적화 알고리즘을 결합한 시스템을 설계하였다. 성향 특징 추출에는 검색 기반 점수 산정 방식을 적용하였으며, 팀매칭 단계에서는 성향과 팀 성과 간 연관성을 반영한 가중치 기반 목표 함수를 설계하고 시뮬레이티드 어닐링 (SA) 알고리즘을 구현하였다. 실험 결과, SA 기반 접근법은 기존 유전 알고리즘 기반 기법보다 최적화 성능과 해의 품질 측면에서 더 우수한 결과를 보였다. 또한 조정 가능한 가중치 기반 성향 평가 지표와 서비스형 소프트웨어 구현을 통해 다양한 협업 환경에서 활용 가능성을 확인하였다.

AI와 로봇 기술 발전으로 의료기기 분야도 스마트 팩토리 구축이 확산되고 있다. 그러나 카테터와 같은 일부 의료기기 제조 공정은 자동화를 시도하고 있음에도 재공정품을 다음날 처리하는 Offline Rework 방식을 여전히 사용되어 재작업 지연, 인력 의존성, 공정 흐름 단절 등의 비효율이 발생한다. 본 연구에서는 재공정품을 다음날 처리하지 않고 검사 직후 공정에 재투입하는 Inline Rework Loop를 설계하고 DEVS(Discrete Event Systems Specification) 기반 방법론을 통해 로봇 이송·검사·재공정 처리 로직을 포함하는 카테터 제조 공정 모델로 구현하였다. 쉬스(Sheath)와 딜레이터(Dilator) 각 1,000개 투입 및 공정별 재작업 발생률 3% 조건에서 Offline Rework와 Inline Rework Loop 시나리오를 비교한 결과, Inline Rework Loop는 전체 공정 시간이 다소 증가함에도 총 생산량이 약 10.1% 증가하고 단위 시간당 생산량도 약 4 pcs/h 향상되는 등 생산 효율성과 자율 공정 운영 측면에서 우수한 성능을 보였다. 본 연구는 카테터 생산라인 자동화 설계 및 재작업 정책 선택을 위한 시뮬레이션 기반 분석 틀을 제공하며, 제조 기업의 무인 시스템 운영 방향을 제시한다.

제조 및 물류 시스템의 디지털 트윈(Digital Twin) 구성할 때, 이산사건 시뮬레이션과 물리 시뮬레이션은 각각 대규모 연산 효율성과 미시적 물리 재현성이라는 상충되는 장단점을 지닌다. 이에 본 연구에서는 고충실도 물리 시뮬레이션과 저충실도 이산사건 시뮬레이션을 결합한 다중 충실도 기반의 하이브리드 시뮬레이션 프레임워크를 제안한다. 제안하는 방법론은 물리 시뮬레이션에서 관측되는 미시적 물리 변수를 조건부 확률 분포 모델로 추상화하여 이산사건 시뮬레이션에 사전 주입한다. 이를 통해 연산 부하가 최소화된 시뮬레이션 환경에서 대규모 반복 평가를 수행하여 시스템에 적합한 파라미터를 신속히 탐색하고, 선별된 후보 파라미터를 물리 시뮬레이션으로 재검증하여 대표 운전 조건을 선정한다. 본 프레임워크를 간단한 로봇 픽앤플레이스(Pick-and-Place) 셀 공정에 사례 연구로 적용하였다. 결과적으로 물리적 리스크가 반영된 최종 안정 파라미터를 도출하면서 성능 임계값을 비교적 빠르게 탐색할 수 있음을 확인하였다. 따라서 제안된 프레임워크는 대규모 최적화에 필요한 연산 효율성과 제조 공정의 물리적 신뢰성을 동시 확보할 수 있으며, 향후 다양한 제조 분야에서 비용 효율적인 디지털 트윈 및 시뮬레이션 개발을 지원하고 디지털 전환에 기여할 것으로 기대된다.

본 연구는 분산형 제조실행 환경에서의 강화학습 기반 동적 디스패칭 메커니즘을 제안한다. 이는 다품종 혼류 생산 환경의 불확실성에 실시간으로 대응하며, 중앙집중형 제어 방식의 높은 연산 부담 해소와 분산형 접근에서 나타나는 협상 과정의 복잡성 및 행동 공간의 기하급수적 증가 문제를 해결하는 것에 목적을 둔다. 이를 위해 중앙 시스템의 개입을 배제하고, 개별 공정 설비 에이전트가 병렬적으로 의사결정을 수행하는 자율적 제어 구조를 개발한다. 특히, 에이전트가 처리할 작업을 직접 할당하는 대신 사전 정의된 휴리스틱 디스패칭 규칙 중 하나를 선택하도록 문제를 재정식화함으로써, 행동 공간을 제한하고 학습의 안정성을 높인다. 또한 연속형 상태변수를 효과적으로 처리하기 위해 심층 Q-네트워크(deep Q-network, DQN)를 도입하며, 셋업 시간 및 납기 지연 최소화라는 다목적 최적화를 위한 보상 함수를 적용한다. 시뮬레이션 결과, 제안 모델은 관측되지 않은 생산 시나리오 하에서도 기존의 정적 디스패칭 규칙 및 이산형 Q-learning 모델 대비 통계적으로 유의미한 성능 향상을 보임으로써 강건한 일반화 성능을 확인할 수 있다.

추진 및 에너지 저장 기술의 발전으로 잠수함의 작전 지속 능력이 향상되면서, 잠수함은 단발적 교전이 아니라 연속적이고 반복적인 대잠 위협에 노출될 가능성이 높아지고 있다. 또한 잠수함의 대형화는 기동성을 저하시켜 음향 기만기에 대한 의존도를 증가시킨다. 특히 자항식 기만기는 발사 방향이 고정되어 있어, 반복 교전 과정에서 특정 방향의 탑재량이 소진되면 가용한 기만 운용 조합의 수가 감소하여 전술적 대응 능력이 저하될 우려가 있다. 본 연구는 이러한 다중 교전 상황에서 자항식 기만기의 운용 효과도 변화를 정량적으로 분석한다. 이를 위해 기본체계모델(BSM) 구조를 기반으로 AddSIM 환경에서 잠수함, 어뢰, 기만기로 구성된 교전 모델을 구축하고, 최대 3회의 연속 교전 시나리오를 몬테카를로(Monte Carlo) 시뮬레이션으로 분석하였으며, 방향별 잔여 탑재량을 고려하는 운용 방식과 무작위 선택 방식을 비교하였다. 분석 결과, 기만 효과는 첫 번째 교전에서는 완전하게 유지되나 교전이 누적됨에 따라 저하되며, 잔량을 고려한 방식이 후반 교전까지 효과를 더 오래 유지하였다. 다만 두 방식 모두 전체 탑재량이 소진되는 최종 교전에서는 효과가 급격히 감소하였다. 본 연구 결과는 다중 위협 상황에 대비한 자항식 기만기의 적정 탑재 수량 산출 및 운용 교리 수립을 위한 기초자료로 활용될 수 있다.

수요응답형교통(DRT, Demand Responsive Transport) 시뮬레이션에서 차량 배차와 경로 계획은 수요의 공간·시간적 발생 패턴과 이용자 행태에 직접적으로 의존하므로, 현실성을 갖춘 다양한 가상 수요를 생성하는 것이 중요하다. 그러나 기존 연구는 주로 단순 통계 분포 가정 기반의 가상 수요에 의존하여, 연령과 성격 등 개인 간 이질적 특성을 충분히 반영하지 못했으며, 실제 승객을 포함한 HILS(Human-in-the-Loop Simulation) 기반 실시간 검증에도 제약이 있었다. 본 연구는 인구통계학 정보와 다섯 가지 성격 특성을 갖는 AI 페르소나로부터 취미 활동과 목적지를 연쇄적으로 생성하는 두 단계 확률 매핑 모형을 제안하고, 이를 실제 이용자 호출과 동일한 이벤트 구조로 처리하는 DEVS(Discrete Event System Specification) 기반 HILS DRT 서비스 프레임워크에 통합한다. 가상 승객 600명을 대상으로 생성된 취미 분포를 2024년 국민여가활동조사와 비교한 결과, 연령대별 집단에서 피어슨 상관계수가 0.80 이상으로 나타나 제안 수요 생성 모듈의 통계적 타당성을 확인하였다. 또한 실험 지역을 대상으로 수행한 what-if 시뮬레이션 분석에서, 제안 DRT 서비스는 기존 고정 노선 기반 서비스 및 시내버스와 비교하여 평균 총 소요시간을 각각 약 66.7%와 56.2% 단축하였다. 이러한 결과는 제안한 AI 페르소나 기반 수요 생성 방법과 HILS 통합 시뮬레이션 프레임워크가 DRT 운영 전략을 현실적인 조건에서 평가하기 위한 신뢰성 있는 시뮬레이션 도구로 활용될 수 있음을 시사한다.