본 연구실은 현대의 복잡한 산업 시스템을 위한 지능형 의사결정 방법론(Intelligent Decision-making)을 전문적으로 연구합니다. 최적화 및 메타휴리스틱(Optimization & Metaheuristics), 강화학습(Reinforcement Learning), 그리고 데이터 기반 머신러닝(Data-driven ML) 기술을 유기적으로 결합하여, 일정계획(Scheduling) 및 운영 효율화를 위한 실무 중심의 해법을 제시합니다.
제조 시스템을 위한 일정계획 및 최적화 (Scheduling & Optimization)
반도체 공정 및 스마트 팩토리와 같이 고도로 복잡한 제조 시스템을 대상으로, 생산 효율을 극대화하기 위한 일정계획(Scheduling) 및 최적화 기법을 연구합니다. 현실적인 물리적·운영적 제약 조건을 수리적으로 모델링하고, 변화하는 현장 상황에서도 신속하고 강건하게(Robust) 대응할 수 있는 실무 중심의 의사결정 엔진 개발에 초점을 둡니다.
- 반도체 생산 스케줄링 및 지능형 디스패칭 (Semiconductor Scheduling & Dispatching)
- 복합 공정 제약 기반의 수리적 최적화 (e.g., Q-time constraints)
- 실시간 생산 현장 대응을 위한 의사결정 지원 시스템 (Real-time Decision Support)
학습 기반 지능형 최적화 (RL & Metaheuristics)
강화학습(RL)의 동적 대응 능력과 메타휴리스틱(Metaheuristics)의 전역 탐색 능력을 결합한 차세대 최적화 패러다임을 연구합니다. 기존 알고리즘으로 해결하기 어려운 대규모 조합 최적화 문제(Combinatorial Optimization)를 해결하기 위해, 학습 기반의 정책과 휴리스틱 탐색을 결합한 하이브리드(Hybrid) 접근법을 제안하며, 이를 통해 다양한 산업 도메인에 즉시 적용 가능한 확장성 높은 알고리즘을 설계합니다
- 순차적 의사결정 및 자율 스케줄링을 위한 강화학습 (DRL for Scheduling)
- 고도화된 메타휴리스틱 알고리즘 연구 (GA, PSO, SA)
- 하이브리드 지능형 최적화 기법 (Hybrid RL + Heuristic Search)
- 조합 최적화 난제 해결을 위한 알고리즘 프레임워크
데이터 기반 산업 인공지능 (Industrial AI & Analytics)
제조 현장 및 산업 시스템에서 발생하는 방대한 운영 데이터를 분석하여 예측(Prediction), 분류(Classification), 그리고 지능형 의사결정을 수행하는 머신러닝 모델을 연구합니다. 특히 시계열(Time-series) 데이터의 특성을 반영한 표현 학습과 데이터 효율성을 극대화하는 준지도학습 기법을 활용하여, 현장의 불확실성을 최소화하고 생산성을 높이는 데이터 기반의 AI 솔루션 구현에 매진하고 있습니다.
- 시계열 표현 학습 및 예측 분석 (Time-series Representation Learning)
- 데이터 효율성 증대를 위한 준지도학습 및 대조학습 (Semi-supervised & Contrastive Learning)
- 산업 현장 특화형 진단 및 예측 모델링 (Industrial Predictive Analytics)
- 설비 모니터링 및 운영 지표 최적화
Selected Projects
고객 평점 데이터를 기반으로 Matrix Factorization 추천 모델을 적용하여 캠핑용품/장소 추천 시스템을 개발 Details
SK hynix 반도체 생산라인을 기반으로 Planning·Scheduling·Dispatching 기법을 연구하고 강화학습 기반 알고리즘을 개발 Details
