스마트 팩토리 환경과 디지털 트윈 환경이 구축되며 요즘의 공장은 방대한 생산 데이터를 축적하고 공정 현황에 대해 실시간으로 사용자 편의에 맞는 시각화된 결과물로 관리되고 있다. 생산 제품의 다변화에 따른 공정의 복잡도가 증대되어 생산일정 계획이 어려워지고, 자동화 설비가 구축되는 상황에서 납기 지연을 예방하고, 공장의 변동성에 대한 사전 예측을 위한 방안으로 생산 시뮬레이션 기법이 각광받고 있다. 디지털 트윈 환경의 발전과 함께 신규 패키지가 개발되고 기존 패키지들의 기능 업데이트가 됨에 따라 상용 제품별 특성이나 장단점이 명확히 정의되지 않아 사용자들이 어떠한 패키지를 활용하여 시뮬레이션 개발을 진행하는 지에 대한 의사결정이 어려운 상황이다. 이에 본 연구에서는 이산적으로 발생되는 사건을 기반으로 수행하는 이산사건 시뮬레이션(DES, Discrete Event Simulation)의 개념을 정의하고, 다양한 시뮬레이션 패키지에 대한 특성을 비교 분석하고자 한다. 이를 위해 10년간 이산사건 시뮬레이션 패키지를 사용하여 실제 문제를 해결한 연구들을 분석하였고, 사용 빈도가 높은 패키지 세 가지를 도출하였다. 또한, 각 패키지들의 시뮬레이션 기법, 주요 업종, 시뮬레이션을 수행한 대상, 사용한 국가 등으로 분류하여 DES 소프트웨어의 특성과 사용 현황에 대한 분석을 진행하였다. 본 연구 결과는 추후 이산사건 시뮬레이션 패키지 선택에 어려움을 겪는 기업과 사용자에게 선택의 기반을 제공하며 기초자료로 사용될 것으로 판단한다.

본 논문은 실제 시스템의 빅데이터가 확보되었고 시스템에 대한 정보를 일부 알고 있을 때 파라미터를 가진 그레이박스 혹은 블랙박스 형태의 가설모델을 설정하고 기계학습을 통해 모델을 자동 생성하는 기법을 제안하였다. 제안된 프레임워크를 구현하고 다양한 가설모델에 대한 실험을 통해 학습된 모델의 정합도와 가설모델의 학습에 소요되는 비용에 대해 분석하였다. 실험결과 제안된 가설모델 기반 기계학습 기법으로 상미분방정식으로 기술될 수 있은 연속시스템의 그레이박스 혹은 화이트 박스 가설모델과 주어진 빅데이터를 이용하여 모델링을 했을 때 상당히 좋은 성능과 정확도를 보인 모델을 찾아낼 수 있음을 확인하였다. 이 기법은 최근 생성된 빅데이터를 이용하여 디지털트윈 모델의 일치성을 자동 갱신하거나 새로운 입력에 대한 출력을 예측하는 목적으로도 잘 활용될 수 있을 것으로 기대된다.

본 논문의 목적은 이항출력 실험을 이용할 경우에 확률적 전역 최적화 방법론들을 검토하고 알고리즘들간의 성능을 비교하기 위한 것이다. 모 성공확률은 알수 없고 확률적 특성을 갖기 때문에 확률적 전역 최적화 방법론에서는 모 성공확률 대신 성공확률의 추정치를 이용한다. 언덕오르기 알고리즘 , 단순랜덤탐색, 랜덤재출발 랜덤탐색, 랜덤 최적화, 담금질 기법 및 군집기반의 알고리즘인 입자 군집 최적화 알고리즘을 확률적 전역 최적화 알고리즘으로 사용하였다. 알고리즘의 비교를 위하여 두가지 테스트 함수(하나는 단봉이고 나머지는 다봉임)가 제안되었고 몬테카를로 시뮬레이션을 이용하여 알고리즘의 성능을 평가하였다. 단순 테스트 함수에 대하여는 모든 알고리즘이 유사한 성능을 보이고 있다. 복잡한 다봉의 테스트 함수에 대하여는 랜덤재출발 랜덤최적화, 담금질 기법과 군집 기반의 입자군집 알고리즘이 훨씬 더 좋은 성능을 보임을 알 수 있다.

최근 텍스트 분석으로 트렌드 분석이나 연구 동향 분석을 하는 연구 사례가 많다. 텍스트 분석을 위한 자료 수집에 사용되는 검색어가 약어일 때 약어의 특성상 의미 중의성 해소가 필요하다. 다수의 연구에서는 연구에 필요한 자료를 찾기 위해 수작업으로 자료를 하나씩 읽어 문서를 분류하고 있다. 약어의 의미 중의성 해소를 위한 연구는 단어의 의미를 명확화하는 연구가 대부분이고 지도학습을 이용하고 있다. 약어 중의성 해소를 위한 선행 방법은 약어로 검색된 자료에서 연구 대상 자료를 찾는 문서 분류에는 적합하지 않으며 관련 연구도 부족하다. 본 연구에서는 데이터 전처리 단계에서 비지도 학습 방법인 비음수 행렬 분해 방법으로 토픽 모델링을 진행하여 약어로 수집된 문서를 반자동으로 분류하는 방법을 제시한다. 이를 검증하기 위해 'MSA'라는 약어 검색어로 학술 데이터베이스에서 논문 자료를 수집했다. 수집된 논문 1,401편에서 제안된 방법으로 316편의 Micro Services Architecture와 관련된 논문을 찾았다. 제안된 방법의 문서 분류 정확도는 92.36%로 측정되었다. 제안된 방법이 수작업에 따른 연구자의 시간과 비용을 줄일 수 있기를 기대한다.

전투 모의 환경 하에서 실제 모의 대상의 탐지 성능 데이터를 모의 개체에 적절히 입력하는 것은 모의분석 결과에 큰 영향을 미친다. 주요 전투 시뮬레이션 도구에서 개체의 탐지 능력을 모의하기 위한 표적획득모델로 ACQUIRE-Target Task Performance Metric(TTPM)-Target Angular Size(TAS) 모델을 사용하며, 이 모델은 전투 개체의 조우 조건을 입력으로 받아 해당 개체 센서의 분해 곡선을 추정하고, 표적 유형에 따른 탐지 거리를 출력한다. 그런데 사용자가 입력을 원하는 새로운 탐지 개체의 성능을 표적획득모델에 적용하는 것은 쉽지 않다. 사용자는 탐지 거리를 표적획득모델에 입력하길 원하지만, 표적획득모델은 조우 조건에 따른 센서의 분해 곡선 데이터가 필요하기 때문이다. 본 논문에서는 표적에 대한 탐지 거리를 입력으로 하여 표적획득모델의 센서 분해 곡선 데이터를 역으로 도출하는 기법을 제안한다. 여기서 해당 센서 분해 곡선 데이터는 인원, 지상차량, 항공기의 3종류 표적 유형에 대한 각각의 탐지 거리를 동시에 만족한다. 마지막으로 여러 정찰 장비의 탐지 거리를 탐지 개체에 적용하여, 정찰 장비에 따른 탐지 효과도를 분석한다.