최적화 문제는 일반적으로 복수개의 목적식을 가지며, 이러한 목적식들의 대부분은 서로 충돌한다. 즉, 한 개의 목적식을 최적화하면 다른 목적식들은 최적화되지 못한다. 그러므로 하나의 목적식을 최적화하는 결정변수들이 다른 목적식들을 동시에 최적화시키기가 매우 어렵다. 따라서 최적화 개념도 하나의 목적식을 고려하는 경우와는 다른 관점에서 고려해야 한다. 본 연구에서는 다목표 최적화 문제를 해결하기 위한 새로운 실수코딩 유전자 알고리즘을 제시하고, 알고리즘의 효율 평가를 위해서 다목표 유전자 알고리즘에서 가장 일반적으로 사용되고 있는 MOGA 기법과 비교한다. 제시되는 다목표 실수코딩 유전자 알고리즘에서는 여러 개의 목적식을 평가하기 위한 적합도 함수를 제안하며, 목적식들을 만족하는 다양한 파레토 최적 집합을 구축하기 위한 방안을 제시한다. 개발된 다목표 최적화 알고리즘과 MOGA 기법의 효율 평가를 위해 두 알고리즘이 파레토 최적해의 집합을 어떻게 구성하는지 비교한다. 실수코딩 유전자 알고리즘의 실험을 위해 교배연산자는 단순교배 기법을 사용하고 돌연변이 연산자는 균등돌연변이 기법을 사용한다.

In this paper, we optimize simulation model of a manufacturing system using the real-coded genetic algorithm. Because the manufacturing system expressed by simulation model has stochastic process, the objective functions such as the throughput of a manufa

시뮬레이션은 분석적인 방법으로 해결할 수 없거나 표현하기가 어려운 문제를 현실 세계와 최대한 비슷하게 컴퓨터상에서 모델링하고, 결정 변수에 대한 시뮬레이션을 수행하여 수행도 결과를 주는 방법이다. 그러나 시뮬레이션은 시스템 수행도를 최적화할 수 있는 결정 변수의 값을 찾아주지 못하는 단점이 있다. 이러한 시뮬레이션 기법의 문제점을 해결하고자 최적화 기법을 시뮬레이션에 적용하여 사용하는 것이 일반적인 방법이다. 그러므로 본 논문에서는 최적해를 탐색시에 개체군을 사용하기 때문에 전역적 해를 찾을 확률이 다른 기법들보다 높은 유전자 알고리즘을 시뮬레이션에 적용시킨다. 본 연구에서는 제약 조건을 갖는 문제에서는 이진 코딩 유전자 알고리즘 보다 효과적이라고 알려진 실수 코딩 유전자 알고리즘을 생산 시스템의 시뮬레이션 최적화에 적용한다. 실수 코딩 유전자 알고리즘의 적용시에 재생산 연산자는 교체를 수반한 잔여확률분포 선택 기법을 사용하고, 교배 연산자는 단순 교배 기법을 사용한다. 돌연변이 연산자는 세대에 따라 탐색 영역을 조절해 줄 수 있는 동적 돌연변이 기법을 사용한다.