Integrated packing, placement, scheduling, and routing of personalized production: a pharmaceutical Industry 4.0 use-case with a planar transport system

이 논문은 제약 산업의 4 차 산업혁명 (Industry 4.0) 과 대량 개인화 (Mass Personalization) 수요에 대응하기 위해, **평면 운송 시스템 (Planar Transport System, 예: Beckhoff XPlanar)**을 활용한 맞춤형 의약품 생산을 위한 통합 최적화 프레임워크를 제안합니다. 기존 선형 생산 라인의 비효율성을 극복하고, 독립적인 이동체 (Mover) 가 2 차원 격자 위에서 자유롭게 이동하며 주문을 처리하는 시스템을 설계하고 최적화하는 것이 핵심입니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem Statement)

제약 산업에서 환자에게 처방된 여러 약물을 조합하여 캡슐로 만드는 '개인 맞춤형 의약품 생산'은 기존 대량 생산 방식으로는 경제성이 떨어집니다. 이를 해결하기 위해 평면 운송 시스템을 도입하되, 다음과 같은 두 가지 수준의 의사결정 문제를 동시에 해결해야 합니다.

• 전술적 수준 (Tactical Level): 장기적인 하드웨어 구성 결정.
  • 패킹 (Packing): 과거 처방 데이터를 기반으로 어떤 약물을 어떤 디스펜서에 할당할지, 그리고 여러 약물을 하나의 타일 (Tile) 에 어떻게 그룹화할지 결정.
  • 배치 (Placement): 결정된 디스펜서와 인터페이스 (Interface) 를 공장 바닥의 2 차원 격자 (Layout) 에 물리적으로 배치하여 이동체의 예상 이동 거리를 최소화.
• 운영적 수준 (Operational Level): 일일 생산 스케줄링.
  • 스케줄링 (Scheduling): 들어온 주문을 사용 가능한 이동체에 할당하고, 약품 투입 순서를 결정.
  • 경로 계획 (Routing): 스케줄에 따라 이동체의 충돌 없는 실제 이동 경로를 생성.

2. 방법론 (Methodology)

2.1 전술적 최적화 (Tactical Optimization)

• 패킹 문제 (Packing Problem):
  • 목표: 약물 동시 발생 패턴 (Co-occurrence patterns) 을 활용하여 이동체의 이동 횟수를 줄이고 타일 활용도를 균일하게 분산.
  • 모델: **혼합 정수 2 차 계획법 (MIQP)**을 사용. 과거 처방 데이터를 기반으로 각 약물의 예상 수요를 계산하고, 타일당 최대 디스펜서 수 ($d_{max}$) 제약 하에 타일별 부하 ($\mu_k$) 의 최댓값을 최소화하는 모델을 구축했습니다.
• 배치 문제 (Placement Problem):
  • 목표: 패킹된 디스펜서들을 물리적 격자 ($H$) 에 배치하여 역사적 주문 데이터를 기반으로 한 이동체의 평균 이동 거리 (맨해튼 거리) 를 최소화.
  • 복잡도: 이 문제는 NP-hard 임이 증명되었습니다. (선형 레이아웃에서도 Exact 3-Cover 문제로 환원 가능).
  • 해법: **유전 알고리즘 (Genetic Algorithm, GA)**을 사용. 내부 최적화 문제로 근접 지역을 가진 최단 해밀턴 경로 (SHPPN) 문제를 해결합니다. GA 의 적합도 함수는 여러 에피소드 (시뮬레이션) 를 통해 greedy 하지 않은 경로도 고려하여 배치의 견고성을 평가합니다.

2.2 운영적 최적화 (Operational Optimization)

• 스케줄링 문제 (Scheduling Problem):
  • 모델: **제약 프로그래밍 (Constraint Programming, CP)**을 사용.
  • 자원 모델링: 이동체 (Mover) 를 **'Take-Give Reservoir Resource'**로 모델링합니다. 즉, 이동체는 하나의 주문을 시작하면 해당 주문의 모든 작업 (약물 투입, 캡슐 교체 등) 이 완료될 때까지 다른 주문을 처리할 수 없도록 강제합니다.
  • 제약 조건: 이동체 간 충돌, 디스펜서/타일 점유 배타성, 이동 시간 (거리 기반), 작업 순서 (시작/종료 인터페이스 필수) 등을 포함합니다.
  • 하한선 (Lower Bound): 병렬 머신 스케줄링 ($P||C_{max}$) 과 SHPPN 문제를 결합하여 이론적 최적값 (하한선) 을 계산하여 솔루션 품질을 평가합니다.
• 경로 계획 문제 (Routing Problem):
  • 목표: 스케줄링 결과에 기반하여 실제 충돌이 없는 이동 경로를 생성.
  • 특징: 기존 MAPF (Multi-Agent Path Finding) 와 달리, 평면 시스템의 특성상 한 타일에서 다른 이동체가 대기 (Resting) 하거나 회전할 수 있는 공간을 고려합니다.
  • 해법: **반복적 충돌 해결 (Iterative Conflict-Resolution)**과 DAG(유도 비순환 그래프) 기반 논리를 사용합니다. 스케줄을 DAG 로 변환하여 작업 간 의존성과 충돌 (동일 타일 점유) 을 감지하고, 필요시 대기 시간을 추가하여 스케줄을 재조정합니다.

3. 주요 기여 (Key Contributions)

1. 통합 프레임워크 제안: 평면 운송 시스템을 활용한 맞춤형 의약품 생산을 위한 전술적 (배치/패킹) 과 운영적 (스케줄링/경로) 의사결정을 통합한 다단계 최적화 프레임워크를 정립했습니다.
2. 수학적 모델링:
   • MIQP 를 통한 약물 동시성 기반의 효율적 디스펜서 할당.
   • GA 와 SHPPN 을 결합한 복잡한 배치 최적화 알고리즘.
   • 이동체를 'Take-Give' 자원으로 모델링한 CP 기반 스케줄링.
3. 복잡도 분석 및 하한선 도출: 배치 문제의 NP-hard 성을 증명하고, 병렬 머신 스케줄링과 Noon-Bean 변환을 결합한 하한선 (Lower Bound) 을 제시하여 솔루션의 최적성 평가 기준을 마련했습니다.
4. 실증적 검증: 실제 처방 데이터 (NHANES 기반) 를 사용하여 40 가지 약물, 최대 500 개의 주문에 대해 프레임워크의 확장성과 효율성을 입증했습니다.

4. 실험 결과 (Results)

• 전술적 안정성: 생성된 레이아웃은 훈련 데이터와 다른 검증 데이터셋에서도 일관된 성능 (평균 Cmax 편차 ±10% 이내) 을 보여주어 과적합 (Overfitting) 이 없음을 확인했습니다.
• 배치와 스케줄링의 상관관계: 배치 최적화 단계에서 최소화한 목적 함수 (이동 거리) 와 실제 스케줄링의 완료 시간 (Makespan, $C_{max}$) 사이에 강한 양의 상관관계가 있음을 확인했습니다.
• 확장성 (Scalability): DAG 기반의 배치 병합 (Batch Merging) 기법을 사용하여 500 개의 주문까지 처리 가능한 확장성을 보였습니다.
• 라우팅 오버헤드: 스케줄링 단계에서 충돌을 거의 예측하여, 실제 경로 계획 (Routing) 단계에서의 추가 시간 오버헤드는 매우 낮았습니다 (일반적으로 1~3% 이내). 다만, 약품 투입 속도가 빨라질수록 이동 시간이 상대적으로 길어지며 충돌 확률이 증가하여 오버헤드가 다소 커졌습니다.
• 하한선 비교: 제안된 솔루션의 완료 시간은 이론적 하한선과 비교해 8~25% 정도의 격차를 보였으며, 이는 제약 프로그래밍의 한계 내에서 매우 우수한 성능으로 평가됩니다.

5. 의의 및 결론 (Significance)

이 연구는 제약 산업의 대량 개인화 트렌드에 맞춰, 유연한 생산 시스템 (FMS) 의 새로운 패러다임을 제시합니다.

• 실용적 가치: 투자자나 시스템 설계자가 물리적 구현 전에 레이아웃, 디스펜서 수, 이동체 수 등을 시뮬레이션하여 생산량 (Throughput) 을 예측하고 투자 대비 효율성을 분석할 수 있는 도구 역할을 합니다.
• 기술적 혁신: 기존 선형 라인의 비효율성을 2 차원 평면 운송 시스템으로 해결하고, 이를 위한 수학적 최적화 기법을 체계적으로 정립함으로써 복잡한 물류 및 생산 스케줄링 문제 해결에 중요한 기여를 했습니다.

결론적으로, 이 프레임워크는 이론적 최적화와 실제 운영의 균형을 맞추어, 맞춤형 의약품 생산의 효율성과 확장성을 동시에 달성할 수 있는 강력한 솔루션을 제공합니다.