교수님께서 주신 GPT 답변을 생각해 보니 . . . 내가 잘못 생각했음.

→ CSV Schema 파일을 통해, Simulation + Rule/RL (우선, Rule based → Meta Heurstic → RL 순)

스키마를 통해 각 id를 설정하고, 데이터 셋을 만든 이후 무조건 ‘수리적 모델링’이 들어가야 할 것이라고 생각했다.

정확히는, ‘모델링’ 단계가 수리적인지, Simulation을 이용하는지에 따라 나뉘는 것이라고 생각하지 못했다. 수리적인 모델을 통해 정량적인 값을 Simulation으로 증명하겠다 라고 생각했을 뿐. (사실, 수리적으로 증명된 것을 뭐하러 Simulation을 만들어야하나? 라는 생각이 있었다)

데이터 스키마 관련 이후 생각했던 방향 ?

1. Data Schema를 통해 각 데이터를 입력하여 데이터셋을 생성한다.
2. Data Schema에 있는 제약조건들 (예 : Machine은 n개의 작업을 할당할 수 있다.) 을 반영하여 수리적으로 모델링하는 것. (FJSP, 주로 MILP로 수리적 모델링) 2.1 Scheduling 계획 -> PM타이밍 계산하여 ReScheduling하는 방법으로 진행한다면, 2가지 수리모델 수립 필요
3. 해당 Scheduling을 기반으로 시뮬레이션 결과 출력된 Output (Makespan 또는 Cost 등..)
4. 결과해석?

여기에서 방법이 나뉜다.

반영하고자 하는 요소는 ‘Stochastic’, 확률적인 요소.

→ 확률적인 요소가 포함된 이상, MIP와 같은 수리적 모델로는 정확한 ‘고장 발생 시점’을 모델링 할 수 없다.

→ (Gemini) hazard(age) = base_hazard + rate * age (시간이 지나며 확률적으로 판정되는 요소)

** 주요 참고 논문이었던 ‘Joint Optimization ~ ‘논문은, deterministic 환경에서 Optimality Guarnatee를 주장하기 위해 수리적 모델을 사용한 것이지, MIP 또는 MILP와 같은 모델로만 증명해야 한다는 아니었다.

→ 마찬가지로, 2-stage 로 구성한 실험 설계는 solution framework이지 solution method가 아니었다.

전에 시시뮬 문제 들고 한진일교수님께 MIP로 최적화 할 수 있지 않나 여쭤봤는데, 매번 위치가 Stochastic으로 바뀌는 문제는 MIP와 같은 수리모델로 풀 수 없는 문제라고 하셨음. 시뮬레이션 방식에 적합한 최적화 분야.