1. 인하대학교 스마트시티공학전공 석사과정 (Graduate Student, Department of Smart City Engineering, Inha University)
  2. 인하대학교 건설환경시스템연구소 연구교수 (Research Professor, The Research Institute of Construction & Environmental System, Inha University)
  3. 인하대학교 스마트시티공학전공 석사과정 (Graduate Student, Department of Smart City Engineering, Inha University)
  4. 인하대학교 토목공학과 석사과정 (Graduate Student, Department of Civil Engineering, Inha University)
  5. 인하대학교 토목공학과 교수 (Professor, Department of Civil Engineering, Inha University)



다중 자원 평준화, 비용 최적화, Release and Re-Hire (RRH), Resource Idle Days (RID)
Multiple Resources Leveling, Cost Optimization, Release and Re-hire (RRH), Resource Idle Days (RID)

1. 서론

1.1 연구의 배경 및 목적

건설 프로젝트와 같은 대규모 프로젝트에서 자원의 효율적인 활용은 공정 관리의 핵심 요소로, 자원 수요의 불규칙한 변동이 발생할 경우 과도한 자원 투입 또는 유휴 상태가 발생하여 프로젝트 비용 증가와 일정 지연을 초래할 수 있다. 이러한 문제를 해결하기 위해 자원 평준화(Resource Leveling)는 자원의 수요를 조정함으로써 비용 절감과 일정 관리의 효율성을 극대화하는 중요한 기법으로 주목받고 있다.

자원 평준화는 비주요 액티비티(noncritical activity)들의 시작 일정을 여유시간(float) 내에서 조정하여, 프로젝트 기간을 지연시키지 않고 동일 시간대에 자원이 집중 투입되는 현상을 방지한다. 단일 자원만 투입되는 경우 해당 자원의 수요만을 평준화하면 충분하지만, 건설 프로젝트와 같이 다양한 자원이 동시에 투입되는 경우 자원 간의 상호 의존성으로 인해 더 복잡해진다. 예를 들어, 하나의 액티비티에 여러 종류의 자원이 투입될 경우 일정 조정 시 해당 액티비티에 투입되는 모든 자원의 수요가 동시에 이동해야 한다. 이 경우 특정 자원의 평준화가 다른 자원의 불균형을 초래할 수 있으며, 이는 자원 운영의 비효율성을 가중시킨다. 따라서 자원 간 상호 의존성을 고려한 다중 자원 평준화가 필수적이다.

또한, 각 자원의 비용 구조가 상이하기 때문에 자원 평준화 과정에서 비용 요소를 함께 고려하는 것이 중요하다. 고비용 자원이 유휴 상태에 놓이거나 동 시간대에 과도하게 투입될 경우 프로젝트 비용이 크게 증가할 수 있다. 예를 들어 자원 1의 유휴일수 발생으로 인한 단위비용이 1당 10만 원이고, 자원 2의 경우 1당 50만 원이라면 자원 1의 유휴일수를 4일 줄이는 것보다 자원 2의 유휴일수를 1일 줄이는 것이 더 경제적이다. 따라서, 비용 부담이 큰 자원을 더욱 집중하여 변동성을 줄이고 비용 효율성을 극대화할 필요가 있다.

비용 효율성을 높이기 위해서는 비효율적인 자원 변동(inefficient fluctuations)을 줄이는 것도 중요하다. <Fig. 1>과 같이 자원 수요 그래프 상에 오목한 형태(valley shape)가 나타나는 경우, 해당 기간 동안 자원의 일시적인 해고 후 재고용이 발생하거나 유휴일수가 발생하여 불필요한 비용이 초래된다. El-Rayes and Jun (2009)는 이러한 비효율적인 자원 변동을 제거하는 데 중점을 두고 해고와 재고용 지수(Release and Re-Hire; RRH)와 유휴지수(Resource Idle Days; RID)를 개발하고 유전 알고리즘을 활용하여 RRH 또는 RID를 감소시키는 자원 평준화 방법을 제시하였다.

RRH와 RID의 실용성 덕분에 이를 활용한 다양한 다중 자원 평준화 연구들이 진행되었다(Jun & El-Rayes, 2011; Alvin & Yang, 2023). 그러나 현재까지의 RRH와 RID 방법을 활용한 다중 자원 평준화 연구에서는 자원 간 비용 구조 차이를 구체적으로 고려하지 못한 한계가 있었다. 이에 본 연구에서는 자원의 RRH와 RID를 비용 구조와 함께 종합적으로 고려한 다중 자원 평준화 모델을 제안하고자 한다. 본 연구의 목표는 자원의 비효율적인 변동을 최소화함과 동시에 비용 효율성을 극대화하는 데 있다.

Fig. 1. RRH & RID

../../Resources/KICEM/KJCEM.2025.26.2.052/fig1.png

1.2 연구의 방법 및 범위

본 연구의 방법은 다음과 같은 방법으로 진행되었다.

(1) El-Rayes and Jun (2009)가 제시한 자원 평준화 모델을 다중 자원에 적합하도록 개선하고, 자원의 RRH 또는 RID와 비용을 종합적으로 고려한 모델을 제안한다.

(2) 제안 모델과 기존 모델을 통해 공정계획 예제를 활용하여 다중 자원 평준화를 실시하고, 비용 분석을 통해 자원별로 RRH 또는 RID로 인한 자원별 단위발생비용이 상이한 상황에서 제안 모델의 효율성을 검증한다.

또한, 본 연구에서는 RRH 또는 RID에 의해 발생하는 비용에 대해서 비용 효율적인 평준화가 이루어졌는지를 검증하는 것으로 범위를 한정하였다.

2. 선행 연구 분석

자원 평준화를 위해 다양한 측정기법을 통한 연구가 진행되어 왔다. Burgess and Killebrew (1962)는 시간대별 자원수요를 제곱하는 방법(sum of squares method)을 측정기법으로 사용한 휴리스틱 기반 자원 평준화 방법론을 제시하였고 이 측정기법은 다양한 연구에서 자원 사용의 균형을 평가하는 핵심 지표로 활용되었다(Hegazy, 1999; Son & Skibniewski, 1999). Easa (1989)는 자원 수요의 절대편차의 합을 최소화하는 측정기법을 통해 정수선형계획(integer linear programming) 모델을 제시하였고 해당 접근법 역시 여러 후속 연구에 활용되었다(Senouci & Eldin, 2004). Guo et al. (2009)은 각 자원의 일일 상대 수요를 측정한 후, 평균 일일 상대 수요와의 차이를 제곱하고 이를 전체 기간으로 나눈 값을 측정하는 자원 집약도(Resource Intensity; RI) 측정기법을 개발하였으며, 이후 여러 연구에서 자원 최적화와 수요 변동 분석에 중요한 도구로 활용되었다(Cheng et al., 2016; Alvin & Yang, 2023).

다중 자원 평준화에서는 자원들 간의 특성이 다를 수 있기에 가중치를 설정하여 더욱 중요한 자원들을 중점적으로 평준화할 필요가 있다. 특히, 비용 부담이 큰 자원일수록 가중치를 높게 설정해야 비용 효율적인 자원 평준화를 수행할 수 있다. 실제로 여러 다중 자원 평준화 연구에서 비용 요소를 반영한 가중치 설정을 통해 자원 평준화를 수행하였다. Hariga and El-Sayegh (2011)은 액티비티 분할(activity splitting)이 가능한 경우에서의 다중 자원 평준화를 수행하였고, 자원의 변동으로 인해 발생하게 되는 비용과 자원별 액티비티 분할로 인해 발생하게 되는 비용을 가중치로 반영하였다. Ponz-Tienda et al. (2013)는 적응형 유전 알고리즘(Adaptive Genetic Algorithm; AGA)을 개발하여 다중 자원 평준화를 수행하였고, 시간대별 자원 수요를 제곱하는 방법을 활용하였다. 여기서 각 자원에 대해 일일 수요를 제곱하고 단위비용을 곱하여 합산한 값을 최소화시키는 방향으로 평준화를 진행하였다. Damci et al. (2013)은 해당일의 자원 수요와 평균 자원 수요 간의 절대편차들의 합에 단위비용 가중치를 곱한 값을 측정 지표로 삼고 Line of Balance (LOB) 기법을 활용하여 다중 자원 평준화를 수행하였다. Li and Demeulemeester (2016)은 해당일의 자원 수요에서 기대 자원 수요를 차감한 값이 양수인 경우에 대하여, 단위 자원 초과 사용에 대한 비용을 곱하여 합산하는 측정기법을 활용하였다. Altun et al. (2020)은 자원별 일일 수요 최댓값과 단위비용을 곱하여 합산한 값을 측정 지표로 삼고 혼합 정수 계획법(mixed integer programming method)를 활용하여 다중 자원이 투입된 다중 프로젝트(multi project)에서의 자원 평준화를 수행하고 비용 분석을 통해 비용 절감을 확인하였다.

그러나 앞서 설명된 측정기법들은 주로 자원 수요 그래프의 형태를 직사각형화 하는 것을 목표로 하기에, 효율적인 다른 대체 자원 수요 그래프를 도출하는 데 한계가 있을 수 있다. 특히, 비용과 직결되는 비효율적인 자원 변동을 충분히 줄이지 못할 가능성이 있다.

El-Rayes and Jun (2009)은 이러한 비효율적인 자원 변동을 직접적으로 측정하는 RRH와 RID를 개발하였다. 자원 수요 그래프에서 오목한 형태가 발생하면, 자원의 일시적인 해고 후 재고용으로 인해 추가적인 고용 비용이 발생할 수 있다. 또한, 안정적인 고용이 보장되지 않아 고품질 자원의 고용 및 유지가 어려워 생산성 저하가 발생할 수 있다. 만약 일시적인 해고 후 재고용이 불가능할 경우, 자원이 유휴 상태로 방치되어 불필요한 비용이 발생하게 된다. RRH는 일시적인 해고 후 재고용이 가능한 상황에서 발생하는 자원의 총 해고 후 재고용량을 측정하는 지수이다. 반대로 일시적인 해고 후 재고용이 불가능한 상황에서 자원의 유휴일수의 총량을 측정하는 지수가 RID이다. 프로젝트의 특성에 따라 두 측정기법 중 하나를 선택하여 자원 평준화에 활용한다.

RRH 또는 RID를 활용한 자원 평준화 기법은 비용 발생 및 생산성 저하를 초래하는 비효율적인 자원 변동을 줄이는 데 효과적인 방법으로, 이후에도 이 기법을 활용한 다양한 연구가 진행되었다. Jun and El-Rayes (2011)는 다중 자원 프로젝트에서 유전 알고리즘을 활용하여 자원 평준화와 자원 할당을 최적화하는 연구를 수행하였다. 이 연구에서는 다중 자원이 투입된 단일 프로젝트의 기간과 RRH 또는 RID를 동시에 최적화하였다. 그러나 모든 자원의 RRH 또는 RID를 동시에 줄이는 데 집중하지 않았으며, 다른 자원의 일일 자원 한도(resource availability constraint)를 초과하지 않는 범위에서 각 자원의 독립적인 평준화를 진행하였다. 그 결과, 하나의 자원을 평준화할 경우, 다른 자원의 평준화가 저해될 수 있다는 한계가 있었다. Alvin and Yang (2023)은 Hybrid-Chromosome NSGA-II을 활용하여 다중 프로젝트에서 자원 평준화와 자원 할당을 동시에 수행해 프로젝트 기간, RRH 또는 RID, 그리고 자원 집약도(Resource Intensity; RI)를 동시에 최적화하였다. 이 연구에서는 모든 자원들의 RRH 또는 RID를 종합적으로 고려하였으나, 자원들 간의 중요도 차이는 반영되지 않았다는 한계가 남아 있었다. RRH와 RID는 자원 운영에 있어 중요한 비용 요인으로 작용하므로, 다중 자원 평준화에서는 이러한 요소를 충분히 고려해야 한다. 본 연구는 기존 연구의 한계를 극복하기 위해 자원의 RRH 또는 RID와 더불어 이로 인해 발생하는 비용을 종합적으로 고려한 다중 자원 평준화 모델을 제안한다. 이를 통해 자원의 변동성을 줄이는 동시에 비용 효율성을 극대화하고자 한다.

3. 비용 기반 다중 자원 평준화 모델

3.1 측정기법

El-Rayes and Jun (2009)에 의해 개발된 측정기법 RRH와 RID는 비효율적인 자원 변동량을 측정하는 지수이다. 비효율적인 자원 변동이란 자원 수요 그래프 상에서 중간에 수요가 감소했다가 다시 증가하여, <Fig. 1>과 같이 오목한 형태가 발생하는 경우이다. 이러한 경우 동일한 자원을 해고 후 재고용해야 하거나 자원의 유휴일수가 발생하게 된다.

3.1.1 RRH (Release and Re-Hire)

RRH는 해고와 재고용 지수로, 자원의 수요가 낮을 때 해고되고 수요가 증가했을 때 재고용되어야하는 총량을 측정하는 지수이다(식 1). 이를 계산하기 위해 총 자원 변동량(HR)을 산출한 후(식 2), 이를 절반으로 나눈 총 자원 증가량(H)을 도출하고, 최대 자원 수요(Maximum Resource Demand; MRD) (식 3)를 차감하여 RRH를 구한다. 다중 자원 평준화에서는 각 자원(k)의 RRH, MRD를 별도로 계산한다.

(1)
$RRH_{k}= H_{k}- MRD_{k}=\dfrac{1}{2}\times HR_{k}- MRD_{k}$
(2)
$HR_{k}= r_{k,\: 1}+\sum_{t=1}^{T-1}\left | r_{k,\: t}- r_{k,\: t+1}\right | + r_{k,\: T}$
(3)
$MRD_{k}=\max(r_{k,\: 1},\: r_{k,\: 2},\: \ldots ,\: r_{k,\: T})$
$ RRH_{k:}자원 k의 해고와 재고용 지수\\ H_{k}: 자원 k의 총 자원 증가량\\ HR_{k}: 자원 k의 총 자원 변동량\\ r_{k,\: t}: 자원 k의(t)일에서의 자원 수요\\ T : 프로젝트 전체 기간\\ MRD_{k}:자원 k의 최대 자원 수요 $

3.1.2 RID (Resource Idle Days)

RID는 유휴지수로, 자원의 유휴일수의 총량을 측정하는 지수이다(식 4). 공사의 시작일부터 (t)일까지의 자원 수요의 최댓값과 (t)일부터 종료일(T)까지의 자원 수요의 최댓값 중 작은 값에서 (t)일의 자원 수요을 제외하여 (t)일의 유휴 자원 수를 계산한다. 모든 날짜의 유휴 자원 수를 합산하여 자원의 유휴일수의 총량인 RID를 계산한다. 다중 자원 평준화에서는 각 자원(k)의 RID를 별도로 계산한다.

(4)
$RID_{k}=\sum_{t=1}^{T}\left[\min\left\{\begin{aligned}\max(r_{k,\: 1},\: r_{k,\: 2},\: \ldots ,\: r_{k,\: t}),\: \\ \max(r_{k,\: t},\: r_{k,\: t+1},\: \ldots ,\: r_{k,\: T})\end{aligned}\right\}-r_{k,\: t}\right]$
$ RID_{k}:자원 k의 유휴지수 \\ r_{k,\: t}: 자원 k의(t)일에서의 자원 수요\\ T : 프로젝트 전체 기간 $

3.2 비용 기반 다중 자원 평준화 모델

3.2.1 선행 모델

El-Rayes and Jun (2009)은 자원 평준화를 위해 다음과 같은 모델을 제시하였다(식 5, 6). 자원 이용 효율을 높이기 위해서는 자원의 MRD를 낮추는 것 또한 중요하다. MRD가 낮으면 갑작스러운 일정 변경에 대응하기가 용이해져 프로젝트의 리스크를 줄이고, 일정 지연을 방지할 수 있으며 자원의 수급을 보다 안정적으로 진행할 수 있다. RRH와 RID 기법은 비효율적인 자원 변동만을 고려하고 있기에 MRD도 함께 고려하는 것이 효과적이다.

(5)
$minimize\; z = W_{a}RRH + W_{b}MRD$
(6)
$minimize \;z =W_{a}RID + W_{b}MRD$
(7)
$Subject \;to :W_{a}+W_{b}=1$
$ W_{a}: RRH 또는 RID의 가중치\\ W_{b}: MRD의 가중치 $

여기서 Wa와 Wb는 RRH 또는 RID와 MRD 간의 중요도를 결정하는 가중치로, 두 변수의 상대적 중요도는 프로젝트 조건 및 요구사항 등을 반영하여 사용자(현장 관리자)가 결정한다.

3.2.2 제안 모델

다중 자원 평준화에서는 모든 자원의 비효율적인 자원 변동, MRD, 그리고 RRH 또는 RID로 인한 단위발생비용을 종합적으로 고려하여 이를 최소화해야 한다. 특히, 비용 부담이 높은 자원일수록 평준화에 더 집중해야 실질적인 비용 절감을 달성할 수 있다. 따라서 각 자원의 RRH 또는 RID로 인한 단위발생비용을 총 자원의 단위발생비용으로 나누어 단위발생비용 가중치를 설정해야 한다(식 8).

(8)
$W_{k}=\dfrac{c_{k}}{\sum_{k=1}^{N}c_{k}}$
$ W_{k}: 자원 k의 RRH 또는 RID로 인한 단위발생비용 가중치\\ c_{k}: 자원 k의 RRH 또는 RID로 인한 단위발생비용\\ N : 총 자원 종류의 수 $

본 연구에서 제안한 모델은 다음과 같다(식 9, 10). 본 모델은 각 자원의 비용 요소를 고려하여 RRH 또는 RID, 그리고 MRD를 줄이는 다중 자원 평준화 모델이다. 자원의 RRH 또는 RID에 의한 단위발생비용에 따라 RRH 또는 RID와 MRD가 적절히 가중되어 반영되며, 이를 통해 비용 효율적인 자원 배분이 가능해진다.

(9)
$minimize \;z =\sum_{k=1}^{N}W_{k}(W_{a}RRH_{k}+ W_{b}MRD_{k})$
(10)
$minimize \;z =\sum_{k=1}^{N}W_{k}(W_{a}RID_{k}+ W_{b}MRD_{k})$
(11)
$Subject \;to \;:W_{a}+W_{b}=1$

3.3 비용 기반 다중 자원 평준화 시스템

제안 모델(식 9, 10)의 검증을 위해 El-Rayes and Jun (2009)에 의해 개발된 초기화 모듈(initialization module), 유전 알고리즘 모듈(GA module), 자원 평준화 모듈(resource leveling module)을 기반으로 한 유전 알고리즘 최적화 모델을 다중 자원 평준화에 적합하게 보완한 비용 기반 다중 자원 평준화 시스템을 활용하였다. 유전 알고리즘은 자연 선택과 유전학적 진화의 개념을 모방한 고수준 탐색 프레임워크로, 다양한 최적화 문제에서 전역 최적해(global optimum)를 탐색하는 데 강력한 도구로 평가되며, 자원 평준화 연구에 널리 활용되어 왔다(Hegazy, 1999; El-Rayes & Jun, 2009; Ponz-Tienda et al., 2013; Alvin & Yang, 2023).

유전 알고리즘은 기본적으로 해 집단(population)을 생성하고, 각 해(solution)는 문제 해결을 위한 변수 또는 인자들로 구성된 염색체(chromosome)로 표현된다. 각 해의 적합도(fitness)를 평가하고 선택(selection), 교차(crossover), 돌연변이(mutation) 과정을 거쳐 새로운 자손 염색체를 생성한다. 적합도 함수를 통해 우열이 구분되며 적합도가 높은 염색체는 다음 세대로 선택될 확률이 높아진다. 본 시스템에서는 적합도가 가장 높은 상위 몇 개의 염색체를 그대로 다음 세대로 전달하는 엘리트 선택(elite selection) 방식을 활용하여 세대 내에서 가장 우수한 해들을 보존하였다. 이 과정을 여러 세대(generations)에 걸쳐 반복하면서, 열성 염색체는 점차 제거되고, 전체 해 집단은 점진적으로 최적 또는 최적에 근접한 해에 수렴하게 된다.

본 시스템은 사용자 입력 모듈(user input module), 초기화 모듈(initialization module), 유전 알고리즘 모듈(GA module), 자원 평준화 모듈(resource leveling module)로 구성된다. 초기화 모듈, 유전 알고리즘 모듈, 자원 평준화 모듈 간의 데이터 연계 방식은 El-Rayes and Jun (2009)의 방식을 기반으로 하였다.

3.3.1 사용자 입력 모듈

본 모듈에서는 사용자가 자원 별 RRH 또는 RID에 의한 단위발생비용과 액티비티 별 정보(기간(duration), 선·후행 관계(precedence and successor relationship), 자원 별 일일 투입량)가 담긴 데이터를 입력한 후, 두 가지 측정기법(RRH 또는 RID) 중 하나를 선택한다. 이후, 유전 알고리즘의 주요 매개변수(해 집단 크기(population size), 세대 수(number of generation), 엘리트 크기(elite size), 교차율(crossover rate), 돌연변이율(mutation rate))와 RRH 또는 RID의 가중치 Wa, MRD의 가중치 Wb를 설정한다.

3.3.2 초기화 모듈

본 모듈에서는 먼저 사용자 입력 모듈에서 입력된 자원 별 단위발생비용을 바탕으로 (식 8)을 활용하여 각 자원의 Wk를 먼저 계산하고, 각 액티비티에 대한 정보를 바탕으로 각 액티비티의 이른 시작시간(early start time; ES), 이른 종료시간(early finish time; EF), 늦은 시작시간(late start time; LS), 늦은 종료시간(late finish time; LF), 자유여유시간(free float; FF), 총 여유시간(total float; TF)을 산출한다. 이후, 비주요 액티비티들에 대해 TF를 기준으로 본 시스템의 염색체를 구성하는 결정변수 M의 상한과 하한을 설정한다(식 12). M은 각 액티비티의 이른 ES로부터 의도적으로 착수를 미룰 수 있는 최대이동일수(maximum shift days)를 의미하며, 이는 총 여유시간 내에서 결정되어 프로젝트 기간 연장을 방지하는 역할을 한다.

최대이동일수 M을 결정변수로 활용하여 비주요 액티비티 일정을 조정하는 방법은 El-Rayes and Jun (2009)의 연구를 기반으로 하였다.

(12)
$0\le M_{n}\le TF_{n}$
$ M_{n}: 액티비티(n)의 최대이동일수\\ TF_{n}: 액티비티(n)의 총여유시간 $

3.3.3 유전 알고리즘 모듈

본 모듈에서는 먼저 초기화 모듈에서 정해진 M의 범위를 기반으로, 무작위로 해 집단의 크기만큼 초기 해 집단을 생성한다. 이후 구성된 해 집단은 자원 평준화 모듈로 전달되어 각 해에 대한 평준화가 수행된다. 평준화가 완료되면, 평준화 결과를 다시 받아 각 해의 평준화 결과를 바탕으로 적합도 평가를 수행한다(식 13, 14).

(13)
$Fitness =\dfrac{1}{1+\sum_{k=1}^{N}W_{k}(W_{a}RRH_{k}+ W_{b}MRD_{k})}$
(14)
$Fitness =\dfrac{1}{1+\sum_{k=1}^{N}W_{k}(W_{a}RID_{k}+ W_{b}MRD_{k})}$
(15)
$Subject\; to :W_{a}+W_{b}=1$
$Fitness : 적합도$

적합도는 제안 모델(식 9, 10)에 1을 더한 후 역수를 취해 계산하며. 이를 통해 분모가 0이 되는 문제를 방지하고, 적합도가 높을수록 다음 세대에 선택될 확률을 높인다.

모든 해에 대한 적합도 평가가 완료되면, 적합도가 높은 해를 엘리트 크기만큼 선택하여 엘리트 집단(elite pool)을 형성한다. 엘리트 집단의 염색체들은 변형 없이 다음 세대로 전달된다. 이후 엘리트 집단에서 부모 염색체 두 개를 무작위로 추출하여 교차율에 따라 교차 과정을 수행한다. 교차는 선택된 두 염색체 간의 유전 정보를 교환하여 새로운 자손 염색체를 생성하는 과정이다. 본 연구에서는 일점 교차(one-point crossover)를 사용하여, 두 염색체에서 교차점 하나를 무작위로 선택한 후 해당 지점을 기준으로 염색체의 유전 정보를 교환하는 방식을 활용하였다. 그 후, 돌연변이율에 따라 돌연변이를 적용하여 이를 통해 일부 자손 염색체의 유전자를 변형함으로써 다양성을 확보한다. 돌연변이는 설정된 M의 범위 내에서 염색체의 일부 유전자를 무작위로 변경하는 과정으로, 이를 통해 새로운 해를 탐색한다. 해당 세대의 해 집단의 크기가 충족될 때까지 선택-교차-돌연변이 과정을 거치며 자손 염색체를 생성하고, 해 집단의 크기가 충족되면 세대 교체(generation replacement)를 수행한다. 이후 해당 세대의 자원 평준화-적합도 평가-자손 생성-세대 교체 과정을 설정한 세대 수에 도달할 때까지 반복한다. 마지막 세대의 적합도 평가가 완료되면, 지금까지 가장 높은 적합도를 가진 해를 최종 결과로 도출한다.

3.3.4 자원 평준화 모듈

본 모듈은 사용자의 입력 데이터와 각 해를 바탕으로 자원 평준화를 수행하는 기능을 갖춘 모듈로, 유전 알고리즘 모듈에서 생성된 해 집단을 입력받아 각 해에 대해 다음과 같은 과정으로 평준화를 실시한다. 이 과정은 El-Rayes and Jun (2009)의 자원 평준화 모듈에서 제시된 방법을 활용하였다.

초기화 모듈에서 산출된 각 액티비티의 ES, EF, FF, TF와 해의 결정변수 M을 불러온 후, TF가 0이 아닌 비주요 액티비티를 식별한다. 식별된 비주요 액티비티들 중에서 a, b, c 규칙에 의해 한 번에 한 액티비티씩 선별하여 각 액티비티의 최종이동일수(selected shift days) S를 계산한다.

a) 이전에 선택되지 않았던 비주요 액티비티 중 가장 LF가 늦은 액티비티를 선택한다.

b) 규칙 a에서 동률인 액티비티가 있다면 TF가 가장 적은 액티비티를 선택한다.

c) 규칙 b에서도 동률이 발생하였다면 높은 (n)값을 가진 액티비티를 선택한다.

선택된 액티비티의 최종이동일수 S는 (식 16)에 따라 계산된다.

(16)
$$ S_{n^*}=\left\lfloor\frac{\left(F F_{n^*}+1\right)}{\left(T F_{n^*}+1\right)} \times M_{n^*}\right\rfloor $$
$ S_{n^{*}}:선택된 액티비티(n^{*})의 최종이동일수\\ FF_{n^{*}}:선택된 액티비티(n^{*})의 자유여유시간\\ TF_{n^{*}}: 선택된 액티비티(n^{*})의 총여유시간\\ M_{n^{*}}: 선택된 액티비티(n^{*})의 최대이동일수 $

해당 액티비티의 ES와 EF에 계산된 S를 더해 ES와 EF를 갱신한다. ES와 EF가 변경됨에 따라 해당 액티비티의 선행 액티비티들의 FF는 전부 재계산된다. 이러한 절차는 모든 비주요 액티비티들이 한 번씩 선택될 때까지 a, b, c 규칙에 따라 액티비티 선별하고, S 계산, ES와 EF의 갱신, FF 재계산을 반복한다.

모든 비주요 액티비티들의 ES와 EF 갱신이 완료되면, 변경된 ES와 EF를 기준으로 일일 자원 수요(daily resource demand)를 산출하고, (식 1, 4, 3)을 통해 해의 RRH 또는 RID와 MRD 값을 산출한다. 해당 세대의 모든 해에 대한 계산이 완료되면 적합도 평가를 위해 유전 알고리즘 모듈로 전달한다.

4. 모델 검증

4.1 자원 평준화

다중 자원의 비용 요소와 비효율적인 자원 변동량을 종합적으로 고려하기 위해, El-Rayes and Jun (2009)의 연구에서 활용된 공정계획에 자원의 종류를 두 가지(R1, R2)로 변형하고, 각 자원의 일일 투입량을 임의로 배정하였다<Fig. 2>. 자원의 RRH 또는 RID에 의한 단위발생비용은 R1: 100, R2: 400으로 가정하였다.

Fig. 2. Precedence diagram

../../Resources/KICEM/KJCEM.2025.26.2.052/fig2.png

<Fig. 3, 4>는 평준화 전의 간트 차트와 일일 자원 수요 그래프이며, 이때의 RRH는 R1: 24, R2: 12, RID는 R1: 100, R2: 55로 계산되었다.

Fig. 3. Initial activity schedule

../../Resources/KICEM/KJCEM.2025.26.2.052/fig3.png

Fig. 4. Initial daily resource demand

../../Resources/KICEM/KJCEM.2025.26.2.052/fig4.png

기존 모델 (식 5, 6)과 제안 모델(식 9, 10)의 성능 차이를 비교하기 위해, 먼저 단위비용 가중치를 고려하지 않은 기존 모델을 활용하여 자원 평준화를 수행하였고, 이후 제안 모델을 적용하여 자원 평준화를 수행하였다. (식 5, 6)의 경우 자원의 종류가 하나인 경우에 적용되지만, 본 연구에서는 자원이 여러 개인 상황을 반영하여 이를 다음과 같이 변형하여 적용하였다.

(17)
$minimize \;z =\dfrac{\sum_{k=1}^{N}(W_{a}RRH_{k}+ W_{b}MRD_{k})}{N}$
(18)
$minimize \;z =\dfrac{\sum_{k=1}^{N}(W_{a}RID_{k}+ W_{b}MRD_{k})}{N}$
(19)
$Subject \;to :W_{a}+W_{b}=1$

두 모델의 성능을 동일한 조건 하에서 검증하기 위해, 유전 알고리즘의 매개변수로 해 집단 크기는 100, 세대 수는 100, 엘리트 크기는 10, 교차율은 90%, 돌연변이율은 1%, RRH 또는 RID의 가중치(Wa)는 0.8, MRD의 가중치(Wb)는 0.2로 설정하였다.

<Fig. 5, 6>은 기존 모델 (식 17)을 통해 RRH를 기준으로 자원 평준화를 수행한 후의 간트 차트와 일일 자원 수요 그래프이다. 도출된 최적해는 비주요 액티비티들의 최대이동일수 (M)의 조합으로 [3, 5, 0, 5, 5, 5, 0, 1, 4, 0, 1, 1, 1, 0]이며, 이로 인해 각 액티비티의 최종이동일수는 B: 2일, D: 5일, G: 5일, H: 5일, I: 5일, L: 1일, M: 4일, O: 1일, Q: 1일로 계산되었다. 최종적으로 RRH는 R1: 5, R2: 8로 계산되었다.

Fig. 5. Acitivity schedule after leveling using RRH (existing model)

../../Resources/KICEM/KJCEM.2025.26.2.052/fig5.png

Fig. 6. Daily resource demand after leveling using RRH (existing model)

../../Resources/KICEM/KJCEM.2025.26.2.052/fig6.png

<Fig. 7, 8>은 기존 모델 (식 18)을 통해 RID를 기준으로 자원 평준화를 수행한 후의 간트 차트와 일일 자원 수요 그래프이다. 도출된 최적해는 [4, 5, 0, 5, 5, 4, 2, 0, 4, 0, 0, 0, 5, 0]이며, 이로 인해 각 액티비티의 최종이동일수는 B: 3일, D: 4일, G: 4일, H: 4일, I: 4일, K: 2일, M: 4일로 계산되었다. 최종적으로 RID는 R1: 8, R2: 28로 계산되었다.

Fig. 7. Acitivity schedule after leveling using RID (existing model)

../../Resources/KICEM/KJCEM.2025.26.2.052/fig7.png

Fig. 8. Daily resource demand after leveling using RID (existing model)

../../Resources/KICEM/KJCEM.2025.26.2.052/fig8.png

<Fig. 9, 10>은 제안 모델 (식 9, 10)을 통해 자원 평준화를 수행한 후의 간트 차트와 일일 자원 수요 그래프이다. RRH와 RID 기준 모두 동일한 해를 최적으로 도출하였다. 도출된 해는 [4, 5, 1, 5, 5, 7, 2, 1, 1, 3, 1, 1, 5, 5]이며, 이로 인해 각 액티비티의 최종이동일수는 B: 3일, D: 4일, G: 4일, H: 4일, I: 4일, L: 1일, M: 1일, N: 3일, O: 1일, Q: 1일, R: 5일, T: 5일로 계산되었다. 최종적으로 RRH는 R1: 15, R2: 5, RID는 R1: 57, R2: 13으로 계산되었다.

Fig. 9. Acitivity schedule after leveling (proposed model)

../../Resources/KICEM/KJCEM.2025.26.2.052/fig9.png

Fig. 10. Daily resource demand after leveling (proposed model)

../../Resources/KICEM/KJCEM.2025.26.2.052/fig10.png

4.2 결과 분석

<Table 1>은 RRH 또는 RID로 인한 단위발생비용이 R1은 100, R2는 400인 조건에서의 자원 평준화 결과이다. 결과를 바탕으로 RRH와 RID로 인해 발생한 비용을 계산하였다.

RRH를 기준으로 한 자원 평준화에서는 제안 모델을 적용하였을 때 약 5.41%의 비용 감소를 확인할 수 있었다. 또한, RID를 기준으로 한 자원 평준화에서는 약 9.17%의 비용 감소 효과가 확인되었다.

비용 분석을 통해, 자원 간 비용이 상이한 경우에는 비용을 고려한 다중 자원 평준화가 더 효과적임을 확인할 수 있었다.

Table. 1 Multiple resources leveling result

Metric

Existing model

Proposed model

R1

R2

R1

R2

RRH

5

8

15

5

RID

8

28

57

13

Table. 2 costs

Metric

Existing model

Proposed model

RRH

3700

3500

RID

12000

10900

5. 결론

비효율적인 자원 변동(RRH, RID)은 자원의 일시적인 해고 후 재고용을 유발하거나, 자원을 유휴 상태로 방치하게 하여 불필요한 비용을 초래할 수 있다. 따라서 자원 평준화는 이러한 자원 변동을 최소화하는 것이 중요한 과제로 꼽힌다. 특히, 다중 자원이 투입되는 프로젝트에서는 비효율적인 자원 변동뿐만 아니라 각 자원의 비용 요소까지 종합적으로 고려해 비용 효율적인 평준화를 수행하는 것이 필수적이다. 자원의 비용 부담이 높은 자원의 비효율적인 변동은 더 큰 비용 손실을 초래할 수 있으므로 집중적으로 평준화하는 것이 프로젝트 비용 절감을 위한 핵심 전략이 될 수 있다.

본 연구는 자원의 비효율적인 자원 변동과 비용을 동시에 고려한 다중 자원 평준화 모델을 제안하였다. 제안 모델은 유전 알고리즘을 활용한 비용 기반 다중 자원 평준화 시스템에 적용되었으며, 비용 구조가 상이한 두 종류의 자원이 포함된 공정계획 예제에 대해 자원 평준화를 수행하였다. RRH와 RID 기준 각각에 대해 자원 평준화를 수행한 결과, 기존 모델 대비 손실 비용이 RRH 기준으로 약 5.41%, RID 기준으로 약 9.17% 감소함을 확인하였다. 이를 통해 자원의 단위비용이 상이한 상황에서 제안 모델이 기존 모델보다 더 효과적으로 손실 비용을 줄이는 것을 입증하였다. 이 연구 결과는 자원 간 비용 구조 차이가 있는 다중 자원 프로젝트에서 효율적인 자원 관리와 비용 절감을 위한 실질적인 기여를 할 수 있다.

본 연구는 RRH 또는 RID에 의해 발생하는 비용만 고려하여 진행되었으나, 향후 연구에서는 자원의 계약 방식, 일일 자원 수요 등에 따라 발생하는 다양한 비용 요소들을 고려한 추가적인 분석이 필요하다.

감사의 글

본 연구는 국토교통부/국토교통과학기술진흥원이 시행, 한국도로공사가 총괄하는 “스마트건설기술개발 국가R&D사업(과제번호 RS-2020-KA158708)” 결과의 일부임.

References

1 
Altun, M., Sonmez, R., and Akcamete, A. (2020). “A mixed integer programming method for multi-project resource leveling.” Journal of Construction Engineering, Management & Innovation, 3(2), 131-140. https://doi.org/10.31462/jcemi.2020.02131140DOI
2 
Alvin, N., and Yang, I.T. (2023). “Multi-resource allocation and leveling in multi-project scheduling problem with hybrid-chromosome non-dominated sorting genetic algorithm II.” Dimensi Utama Teknik Sipil, 10(2), 232-251. https://doi.org/10.9744/duts.10.2.232-251DOI
3 
Burgess, A.R., and Killebrew, J.B. (1962). “Variation in activity level on a cyclical arrow diagram.” Journal of Industrial Engineering, 13(2), 76-83URL
4 
Cheng, M.Y., Prayogo, D., and Tran, D.H. (2016). “Optimizing multiple-resources leveling in multiple projects using discrete symbiotic organisms search.” Journal of Computing in Civil Engineering, 30(3), 04015036. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000512DOI
5 
Damci, A., Arditi, D., and Polat, G. (2013). “Multiresource leveling in line-of-balance scheduling.” Journal of Construction Engineering and Management, 139(9), 1108-1116. https://doi.org/10.1061/(ASCE)CO.1943-7862.0000716DOI
6 
Easa, S.M. (1989). “Resource leveling in construction by optimization.” Journal of Construction Engineering and Management, 115(2), 302-316. https://doi.org/10.1061/(ASCE)0733-9364(1989)115:2(302)DOI
7 
El-Rayes, K., and Jun, D.H. (2009). “Optimizing resource leveling in construction projects.” Journal of Construction Engineering and Management, 135(11), 1172-1180. https://doi.org/10.1061/(ASCE)CO.1943-7862.0000097DOI
8 
Guo, Y., Li, N., and Ye, T. (2009). “Multiple resources leveling in multiple projects scheduling problem using particle swarm optimization.” In 2009 Fifth International Conference on Natural Computation, IEEE, 3, 260-264. https://doi.org/10.1109/icnc.2009.142DOI
9 
Hariga, M., and El-Sayegh, S.M. (2011). “Cost optimization model for the multiresource leveling problem with allowed activity splitting.” Journal of Construction Engineering and Management, 137(1), 56-64. https://doi.org/10.1061/(asce)co.1943-7862.0000251DOI
10 
Hegazy, T. (1999). “Optimization of resource allocation and leveling using genetic algorithms.” Journal of Construction Engineering and Management, 125(3), 167-175. https://doi.org/10.1061/(asce)0733-9364(1999)125:3(167)DOI
11 
Jun, D.H., and El-Rayes, K. (2011). “Multiobjective optimization of resource leveling and allocation during construction scheduling.” Journal of Construction Engineering and Management, 137(12), 1080-1088. https://doi.org/10.1061/(asce)co.1943-7862.0000368DOI
12 
Li, H., and Demeulemeester, E. (2016). “A genetic algorithm for the robust resource leveling problem.” Journal of Scheduling, 19, 43-60. https://doi.org/10.1007/s10951-015-0457-6DOI
13 
Ponz-Tienda, J.L., Yepes, V., Pellicer, E., and Moreno-Flores, J. (2013). “The resource leveling problem with multiple resources using an adaptive genetic algorithm.” Automation in Construction, 29, 161-172. https://doi.org/10.1016/j.autcon.2012.10.003DOI
14 
Senouci, A.B., and Eldin, N.N. (2004). “Use of genetic algorithms in resource scheduling of construction projects.” Journal of Construction Engineering and Management, 130(6), 869-877. https://doi.org/10.1061/(asce)0733-9364(2004)130:6(869)DOI
15 
Son, J., and Skibniewski, M.J. (1999). “Multiheuristic approach for resource leveling problem in construction engineering: Hybrid approach.” Journal of Construction Engineering and Management, 125(1), 23-31. https://doi.org/10.1061/(asce)0733-9364(1999)125:1(23)DOI