적응형 휴리스틱·메타러닝 기반 수리최적화 해법 연구

Adaptive Heuristics and Meta-learning for Mathematical Optimization

연구 내용

변화하는 탐색 동역학에 맞춰 최적화 연산자 선택과 시간지평선 기반 의사결정을 수행하며, 강화학습과 메타러닝을 결합한 해법을 개발하는 연구

최적화 알고리즘의 탐색 성능을 높이기 위해 적응형 해법을 설계합니다. 진화 기반 문제해결에서 연산자 선택이 인스턴스와 탐색 단계에 따라 달라지는 점을 반영하여, 과거 성과와 동적 정보를 학습하는 meta-learning 기반 adaptive operator selection을 구성합니다. 또한 도시 물류 문제에서 복잡한 제약을 다루기 위해 Q-learning과 가지치기 기법을 결합한 하이브리드 접근을 적용합니다. 공중 모빌리티 운영에서는 rolling horizon 최적화로 시간 지평선 내 의사결정을 반복 갱신하며 유전 알고리즘과 입자군 최적화 계열 휴리스틱을 활용해 계산 가능성을 확보합니다.

관련 프로젝트

1건

연구 흐름

최적화 해법의 적응성 강화를 목표로, 연산자 성능 데이터를 학습해 검색 정책을 동적으로 바꾸는 meta-learning 기반 adaptive operator selection 연구를 수행했습니다(2025). 동시에 도시 경로 최적화에서는 VRP-UT 문제에 대해 Q-learning과 pruning을 결합하는 하이브리드 해법을 제안했습니다(2025). 공중 모빌리티 운영에서는 공유 탑승과 시설·공역 제약을 포함한 문제를 시간지평선 관점에서 반복 해석하는 rolling horizon 최적화를 전개했습니다(2025). 병행하여 인공지능·데이터공학 문제기반 학습 교육과정 개발을 통해 방법론의 확산과 인력 양성을 추진했습니다(2024~2028).

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

적응형 연산자 선택 프레임워크
LSTM 기반 탐색 정책 학습
동적 인스턴스 최적화
강화학습 기반 경로 탐색
가지치기 기반 탐색 고속화
롤링 하이즌 운영 최적화
시간지평선 반복 의사결정
휴리스틱-수리모형 결합
진화 알고리즘 성능 개선
실시간 최적화 엔진 설계