| 1 |
1
선형재료절단 문제에 대한 휴리스틱 기법을 선택하는 방법으로서,선형재료의 주문에 따른 다수의 선형재료절단 문제를 생성하는 단계;각 선형재료절단 문제에 대해 다수의 휴리스틱 기법을 적용한 후, 각 휴리스틱 기법 적용에 따른 절단 손실을 계산하는 단계;각 선형재료절단 문제에 따른 선형재료의 길이에 대한 정보(선형재료 정보)와 그 주문에 대한 정보(주문 정보)를 입력 변수로 포함하고, 해당 선형재료 정보 및 주문 정보에 따른 각 휴리스틱 기법 적용의 절단 손실이 최소인 휴리스틱 기법을 출력 변수로 포함하는 학습 데이터를 생성하는 단계;학습 데이터를 이용해 기계 학습 기법으로 학습시켜 학습 모델을 생성하는 단계;실제 발생한 선형재료절단 문제에 따른 선형재료 정보 및 주문 정보를 생성된 학습 모델에 입력하여, 해당 선행재료절단 문제에 대한 휴리스틱 기법을 선택하는 단계;를 포함하는 휴리스틱 기법 선택 방법
|
| 2 |
2
제1항에 있어서,상기 절단 손실이 최소인 휴리스틱 기법이 복수인 경우, 연산 시간이 최소인 휴리스틱 기법을 학습 데이터의 출력 변수로 포함하는 단계를 더 포함하는 휴리스틱 기법 선택 방법
|
| 3 |
3
제1항에 있어서,상기 주문 정보는 주문 길이의 종류수, 주문 길이에 대한 정보 및 주문 요구량에 대한 정보를 포함하는 휴리스틱 기법 선택 방법
|
| 4 |
4
제3항에 있어서,상기 주문 길이에 대한 정보는 주문 길이의 최대값, 주문 길이의 최소값, 주문 길이의 평균값 및 주문 길이의 분산값 중 적어도 하나를 포함하는 것을 특징으로 하는 휴리스틱 기법 선택 방법
|
| 5 |
5
제3항에 있어서,상기 주문 요구량에 대한 정보는 주문 요구량의 총합, 주문 요구량 최대값, 주문 요구량의 최소값, 주문 요구량의 평균값 및 주문 요구량의 분산값 중 적어도 하나를 포함하는 것을 특징으로 하는 휴리스틱 기법 선택 방법
|
| 6 |
6
제1항에 있어서,상기 기계 학습 기법은 지도 학습(supervised Learning) 기법인 휴리스틱 기법 선택 방법
|
| 7 |
7
제1항 있어서,상기 기계 학습 기법은 의사결정 트리(Decision tree) 기법인 휴리스틱 기법 선택 방법
|
| 8 |
8
선형재료절단 문제에 대한 휴리스틱 기법을 선택하는 학습 모델을 생성하는 전자 장치로서,상기 학습 모델을 저장하는 저장부; 및학습 데이터를 이용해 기계 학습 기법으로 학습시켜 상기 학습 모델을 생성하는 제어부;를 포함하며,상기 제어부는,선형재료의 주문에 따른 다수의 선형재료절단 문제를 생성하고, 각 선형재료절단 문제에 대해 다수의 휴리스틱 기법을 적용한 후 각 휴리스틱 기법 적용에 따른 절단 손실을 계산하며, 각 선형재료절단 문제에 따른 선형재료의 길이에 대한 정보(선형재료 정보)와 그 주문에 대한 정보(주문 정보)를 입력 변수로 포함하고 해당 선형재료 정보 및 주문 정보에 따른 각 휴리스틱 기법 적용의 절단 손실이 최소인 휴리스틱 기법을 출력 변수로 포함하는 상기 학습 데이터를 생성하는 전자 장치
|
| 9 |
9
학습 데이터를 통해 기계 학습 기법으로 학습시킨 학습 모델을 이용하여 선형재료절단 문제에 대한 휴리스틱 기법을 선택하는 장치로서,학습 모델을 저장하는 저장부; 및실제 발생한 선형재료절단 문제에 따른 선형재료 정보 및 주문 정보를 학습 모델에 입력하여, 해당 선행재료절단 문제에 대한 휴리스틱 기법을 선택하는 제어부;를 포함하며,상기 학습 데이터는,선형재료의 주문에 따라 생성된 다수의 선형재료절단 문제에 대해 각 선형재료절단 문제에 따른 선형재료의 길이에 대한 정보(선형재료 정보)와 그 주문에 대한 정보(주문 정보)를 입력 변수로 포함하고, 해당 선형재료 정보 및 주문 정보에 따른 각 휴리스틱 기법 적용 시 발생하는 절단 손실이 최소인 휴리스틱 기법을 출력 변수로 포함하는 것을 특징으로 하는 휴리스틱 기법 선택 장치
|
