Reinforcement Learning for Resource Constrained Project Scheduling
연구 내용
활동 반복과 크래싱을 포함한 자원 제약 프로젝트 스케줄링을 Markov decision process로 정식화하고 deep reinforcement learning으로 최적 자원배분 정책을 도출하는 연구
프로젝트 실행은 작업 간 반복과 불확실한 소요시간을 포함하므로 자원 배분 정책이 일정과 비용에 직접 영향을 줍니다. 본 연구는 활동 반복과 크래싱(추가 자원을 투입해 작업 기간을 단축)을 고려하여 문제를 Markov decision process로 정식화하고, deep reinforcement learning 기반으로 최적 자원배분 정책을 학습합니다. 또한 휴리스틱 규칙과의 비교를 통해 제안 정책의 타당성과 성능을 검증하는 데 초점을 둡니다.
관련 연구 성과
관련 논문
1편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 활동 반복이 존재하는 resource constrained project scheduling 문제에서 자원 투입 타이밍과 기간 단축 전략의 관계를 모델링하고, 이를 MDP로 변환하는 기초 연구를 수행했습니다. 이후 deep reinforcement learning으로 최적 자원배분 정책을 학습하도록 알고리즘 구성을 확장하고, 상태 전이와 보상 설계를 정교화했습니다. 이후 휴리스틱 규칙 대비 일정 및 비용 관점의 성능을 비교 평가하며 적용 가능성을 확인했습니다. 해당 흐름은 2020년 게재 논문 성과로 정리되어 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Reinforcement Learning for Resource Constrained Project Scheduling Problem with Activity Iterations and Crashing