자원 배분은 프로젝트 관리에서 핵심적인 의사결정 과정으로, 자원을 프로젝트의 활동에 할당하고 비용 및 시간의 관점에서 효율적인 방식으로 해당 할당 시점을 결정한다. 본 연구에서는 활동 간에 반복(iterations)이 존재하는 프로젝트에 대한 자원 배분 문제를 다루며, 추가 자원을 투입하여 한 활동의 기간을 단축하는 방법인 crashing이 이용 가능하다. 프로젝트 수행의 확률적 성격을 고려하여 자원 배분을 마코프 결정 과정(Markov decision process)으로 정식화하고, 딥 강화학습 알고리즘을 사용하여 최적의 자원 배분 정책을 탐색한다. 이후 이 알고리즘을 자원 배분에 적용하는 가능성과 성능은 경험칙(heuristic rules)과의 비교를 통해 조사한다.

목적 본 연구는 소비자가 패션 아이템 구매 의사결정에 영향을 미치는 심리특성(psychographic), 인구통계(demographic), 신체적 특성(physical characteristics)을 특징으로 하는 자기보고형 소비자 프로필에서 수집된 소량의 제로파티 데이터(zero-party data)를 활용하는 패션 추천 시스템(FRS)을 제안한다. 다양한 선행 변수(antecedent variables)들이 패션 구매 의사결정에 미치는 영향을 통합적 관점에서 FRS에 적용할 수 있는지를 확인하는 것을 목적으로 한다. 얻어진 결과는 소비자 제로파티 데이터 기반 의사결정나무(decision trees)를 통해 FRS를 개발하는 것이 가능함을 검증한다. 연구설계/방법/접근 의사결정나무 모델을 구성하여 패션 양말에 대한 소비자의 디자인 선호를 예측하였다. 응답자들의 자기보고 데이터(즉, 소비자 제로파티 데이터)를 Classification and Regression Trees(CART) 모델에 기반하여 이 정보가 패션 아이템 구매 의사결정에서 갖는 관련성을 추정하는 데 사용하였다. 결과 소비자 제로파티 데이터의 활용이 FRS를 개선하는 효과적인 방법임이 나타났다. 특히 본 연구는 예측에 결정적인 역할을 하는 상위 20개 특징(features)을 도출하고, 높은 CART 모델 정확도를 입증하였다. 독창성/가치 본 연구는 소비자의 심리특성, 인구통계 및 신체적 특징으로 구성된 소량의 데이터로 패션 추천 시스템을 구축하는 가능성을 검토하였다. 이러한 학제간(interdisciplinary) 연구는 추천 시스템 연구의 범위와 깊이를 확장한다. 또한 본 새로운 접근법은 패션 기업(특히 중소기업)이 자체적인 추천 시스템을 구축하는 데에도 도움이 될 수 있다.

자원 예약 기반 서비스는 클라우드 자원을 특정 시간 구간 내의 작업을 위해 예약함으로써 클라우드 컴퓨팅의 이점을 최대한 활용할 수 있도록 제공되어 왔다. 이러한 관행은 작업 배정의 시점에 대한 추가 의사결정과 자원 상태에 대한 시간 지수를 유발한다. 또한 클라우드 컴퓨팅의 규모가 커짐에 따라 이는 클라우드 컴퓨팅에서의 작업 스케줄링 복잡성을 증가시킨다. 한편, 시장에서 요구하는 서비스 특성을 충족하기 위해서는 작업 스케줄링 과정의 품질과 반응성을 추구해야 한다. 본 연구에서는 시간에 따른 자원 가용성이 존재하는 작업 스케줄링 문제를 정식화하고, 이 문제에 대해 매우 짧은 시간 내에 고품질 해를 도출하는 휴리스틱 알고리즘을 설계하여 이러한 과제에 대응한다. 알고리즘의 최적성 및 계산 효율성에 관한 성능은 상용 최적화 솔버가 찾아낸 최적 하한(optimal bound)과의 비교를 통해 입증한다.