[논문]다수의 도어를 갖는 크로스도킹 터미널에서 입고와 출고를 병행하는 트럭일정계획을 위한 유전알고리즘

주철민; 김병수

doi:10.7232/jkiie.2011.37.3.248

문제 정의

트럭일정계획 문제를 다룬 몇 가지 논문들 중 입/출고 도어가 한 개라는 가정 하에서 입고 및 출고 트럭들의 순서 결정문제에 관한 연구들이 시행되었다. 이 연구들은 입고 및 출고 트럭순서결정문제와 도어할당문제를 동시에 해결해야 하는 다수의 입고 및 출고 도어들을 가진 트럭일정계획 문제에 대한 기본적인 접근방법을 제시해 주는 연구들이라고 할수 있다. 먼저, Yu and Egbelu(2008)는 임시저장소(Temporary Storage)가 있는 크로스도킹 총 터미널 운영시간(Makespan)을 최소화하기 위한 입고트럭 및 출고트럭의 작업 순서를 결정하기 위해 수리모형을 수립하고, 휴리스틱 알고리즘을 제시하였다.
본 연구에서는 Joo and Kim(2011)의 연구를 확장하여 다수의 입/출고 도어 상황 하에 크로스도킹 터미널 및 트럭흐름 환경 하에서 트럭일정계획의 중요한 두 가지 요소인 입출고 트럭의 도어할당 문제와 입고트럭의 하역순서결정 및 출고트럭의 선적 순서결정 문제를 동시에 해결하고자 한다. 문제의 해결을 위해 수리적 모형을 수립하고 효율적인 해법을 제시하기 위해 메타휴리스틱(Meta-heuristic) 기법 중 하나인 유전알고리즘(Genetic Algorithm)을 제시한다.
본 연구에서 다루는 크로스도킹 터미널의 입고 및 출고트럭 일정계획문제의 목적은 총 터미널 운영시간(Makespan)을 최소화 하는 것이다. 총 터미널 운영시간은 첫 번째 입고트럭이 화물 하역을 시작하는 시점부터 마지막 출고 트럭에 마지막 화물을 선적 완료하는 시점까지를 의미한다.
제 2장에서 제시한 혼합정수계획 모형을 이용하여 한정된 시간(7,200초) 내에 최적해를 구하는 것은 실험결과 트럭의 수가 7개 이상이 되면 어렵다. 이에 본 연구에서는 보다 효율적으로 해를 탐색하기 위해 유전알고리즘(Genetic Algorithm : GA)을 제시한다. 유전알고리즘은 생물의 진화과정인 적자생존의 원칙을 활용해 해를 탐색해가는 메타 휴리스틱 기법의 하나로 Holland(1975)에 의해 처음 소개된 후로 다양한 문제에 적용되어 왔고, 특히 본 연구에서 다루는 문제와 같은 조합(Combinatorial) 문제에 대해 비교적 짧은 시간 내에 근사 최적해를 도출하는 것으로 알려져 있다(Gen and Cheng(2000)).
본 연구에서는 특수문자를 이용한 염색체 표현뿐만 아니라, 특수문자 없이 효율적인 도어 할당규칙(Dispatching Rule)을 이용한 염색체 표현 방법을 새로이 제시한다. 트럭의 입고 및 출고 일정계획을 위한 도어 할당규칙을 이용한 염색체 표현 방법은 단순히 도어 할당을 수행하는 순서를 나타내는 1부터 R까지의 정수를 이용한 R개의 유전자를 갖는 두 개의 단일 스트링(Single String) 배열을 사용한다.
본 연구에서는 특수문자를 이용한 염색체 표현 방법에 따른 유전알고리즘을 Genetic Algorithm with Special Character(GA_SC)라고 하고, 새로 제시한 도어 할당규칙을 이용한 염색체 표현 방법에 따른 유전알고리즘을 GA with Dispatching Rule(GA_DR)이라고 하며 두 가지 유전알고리즘의 성능을 평가하고자 한다. GA_SC와 GA_DR 모두 초기 세대의 해집단으로 정해진 동일한 수만큼 모두 임의생성(Random generation)한다.
본 연구에서는 m개의 하차도어와 n개의 상차도어가 서로 분리되어 있는 가장 일반적인 크로스도킹 터미널 환경 하에서 입고 및 출고작업을 병행하는 트럭들의 도어 할당 및 하역 및 선적 순서결정 문제를 다루었다. 문제의 해결을 위해 크로스 도킹 터미널의 총 터미널 운영시간을 최소화의 목적을 갖는 비선형 혼합정수계획모형을 제시하였고, 효율적인 해를 도출하기 위해 유전알고리즘을 제시하였다.

가설 설정

화물은 종류에 관계없이 기본 단위별로 하역 및 선적되며, 입고 및 출고트럭의 일정에 따라 그 순서가 달라질 수 있다. 각 입고트럭들의 하역대상 화물종류 및 화물량과 출고트럭들의 선적대상 화물종류 및 화물량은 미리 알려져 있다고 가정한다. 화물 기본단위의 하역 및 선적 시간은 1단위시간으로 동일하게 주어지며, 하차도크에서 상차도크로의 화물 이동시간 및 입고트럭 및 출고트럭의 교체시간은 고정 값으로 미리 주어져있다고 가정한다.
각 입고트럭들의 하역대상 화물종류 및 화물량과 출고트럭들의 선적대상 화물종류 및 화물량은 미리 알려져 있다고 가정한다. 화물 기본단위의 하역 및 선적 시간은 1단위시간으로 동일하게 주어지며, 하차도크에서 상차도크로의 화물 이동시간 및 입고트럭 및 출고트럭의 교체시간은 고정 값으로 미리 주어져있다고 가정한다. 하차지점에서 상차지점으로 트럭이 이동하는 시간도 미리 주어져 있다고 가정한다.
화물 기본단위의 하역 및 선적 시간은 1단위시간으로 동일하게 주어지며, 하차도크에서 상차도크로의 화물 이동시간 및 입고트럭 및 출고트럭의 교체시간은 고정 값으로 미리 주어져있다고 가정한다. 하차지점에서 상차지점으로 트럭이 이동하는 시간도 미리 주어져 있다고 가정한다.
2를 사용하여 구하였다. 6개 이하의 트럭수 R, 7개 이하의 화물종류수 N, 그리고 2개 이하의 하차 및 상차 도어수 I와 O를 갖는 24개 실험 데이터를 랜덤하게 생성하고, 트럭의 도어 진출입시간 DE와 DL을 35와 45로, 화물 이동 및 분류시간 V를 100으로, 하차도크에서 상차도크로의 트럭 이동시간 TR을 50으로 가정하였다. GA는 해집단의 수를 2R로, 총 세대수를 1,000으로 하였고, 교차변이율과 돌연변이율은 여러 가지 조합의 예비 실험결과에서 가장 좋은 성능을 보였던 0.
더 큰 규모의 크로스도킹 터미널의 트럭 입고 및 출고 일정계획 문제에 대해 GA_SC와 GA_DR의 성능을 평가하기 위하여 트럭수를 20, 30, 40과 50으로 화물종류수를 5, 10, 15와 20으로 고정하고, 10개 이내의 하차 및 상차 도어수를 생성하여 32개의 실험 데이터를 임의로 생성하였다. 트럭의 도어 진출 입시간, 화물 이동 및 분류시간, 그리고 하차도크에서 상차도 크로의 트럭 이동시간은 첫 번째 실험과 동일한 값을 가정하였다. GA_SC와 GA_DR은 첫 번째 실험과 동일하게 해집단의 수를 2R로, 총 세대수를 1,000으로 하였고, 교차변이율과 돌연변이율은 각각 0.

제안 방법

일반적으로 GA에서는 세 가지 유전 연산방법들, 즉 교차변이(Crossover)연산, 돌연변이(Mutation)연산, 그리고 재생산(Reproduction)을 이용하여 진화된 자식세대(Generation)을 형성하게 된다. 동일한 환경에서 GA_SC와 GA_DR의 성능을 비교하기 위해 동일 유전 연산방법들을 사용하였으며, [Figure 4]와[Figure 5]에 본 연구에 사용된 두 가지 염색체 표현에 대한 교차변이연산과 돌연변이연산을 예시하였다. 입고 및 출고 트럭의 일정에 대한 염색체 표현이 동일한 형태를 가지므로 한 가지 일정에 대한 두 가지 염색체표현들의 교차변이연산과 돌연변이연산을 묘사하였다.
동일한 환경에서 GA_SC와 GA_DR의 성능을 비교하기 위해 동일 유전 연산방법들을 사용하였으며, [Figure 4]와[Figure 5]에 본 연구에 사용된 두 가지 염색체 표현에 대한 교차변이연산과 돌연변이연산을 예시하였다. 입고 및 출고 트럭의 일정에 대한 염색체 표현이 동일한 형태를 가지므로 한 가지 일정에 대한 두 가지 염색체표현들의 교차변이연산과 돌연변이연산을 묘사하였다. 교차변이연산으로 하나의 교차점을 임의로 선택하고 [Figure 4]와 같이 두 부모의 유전자를 교차하여 자식을 생성하는 한점교차(One cut-point crossover)방법을 사용하였다.
본 연구에서 제시한 GA_SC와 GA_DR의 성능을 검증하기 위하여 임의의 데이터를 생성하여 실험 하였다. 우선 최적해와의 비교를 위하여 제한된 시간(7,200초) 이내에 최적해를 구할 수 있는 규모로 제한된 실험데이터를 생성하였다.
6개 이하의 트럭수 R, 7개 이하의 화물종류수 N, 그리고 2개 이하의 하차 및 상차 도어수 I와 O를 갖는 24개 실험 데이터를 랜덤하게 생성하고, 트럭의 도어 진출입시간 DE와 DL을 35와 45로, 화물 이동 및 분류시간 V를 100으로, 하차도크에서 상차도크로의 트럭 이동시간 TR을 50으로 가정하였다. GA는 해집단의 수를 2R로, 총 세대수를 1,000으로 하였고, 교차변이율과 돌연변이율은 여러 가지 조합의 예비 실험결과에서 가장 좋은 성능을 보였던 0.7과 0.3으로 수행하였다.
[Table 1]에 규모가 제한된 문제에 대한 실험결과를 정리하였다. 각 실험데이터에 대해 CPLEX에 의한 최적해와 GA_SC와 GA_DR를 각각 10회씩 실행하여 그 해와 탐색시간의 평균을 계산하여 정리하였다. 제시된 알고리즘들의 성능을 평가하기 위한 척도로 해의 상대비율편차(Relative Percentage Deviation : RPD)를 이용하였다.
트럭의 도어 진출 입시간, 화물 이동 및 분류시간, 그리고 하차도크에서 상차도 크로의 트럭 이동시간은 첫 번째 실험과 동일한 값을 가정하였다. GA_SC와 GA_DR은 첫 번째 실험과 동일하게 해집단의 수를 2R로, 총 세대수를 1,000으로 하였고, 교차변이율과 돌연변이율은 각각 0.7과 0.3으로 수행하여 그 결과들을 [Table 2]에 정리하였다. 생성된 큰 규모의 실험 데이터들은 합리적인 시간 이내 에 정수계획법에 의한 최적해를 찾는 것이 불가능하므로, 최적해를 대신하여 알고리즘들의 성능을 비교하기 위한 기준점(Baseline)으로 본 연구에서는 GA_SC와 GA_DR 의 각각의 10개 반복실험의 결과들 중 가장 좋은(Best)해를 이용하였다.
3으로 수행하여 그 결과들을 [Table 2]에 정리하였다. 생성된 큰 규모의 실험 데이터들은 합리적인 시간 이내 에 정수계획법에 의한 최적해를 찾는 것이 불가능하므로, 최적해를 대신하여 알고리즘들의 성능을 비교하기 위한 기준점(Baseline)으로 본 연구에서는 GA_SC와 GA_DR 의 각각의 10개 반복실험의 결과들 중 가장 좋은(Best)해를 이용하였다. 즉, GA_SC와 GA_DR의 성능을 평가하기 위한 척도로 RPD 대신, Best값 대비 해의 상대비율편차(Relative Percentage Deviation with the best solution : RPD 생성된 큰 규모의 실험 데이터들은 합리적인 시간 이내 에 정수계획법에 의한 최적해를 찾는 것이 불가능하므로, 최적해를 대신하여 알고리즘들의 성능을 비교하기 위한 기준점(Baseline)으로 본 연구에서는 GA_SC와 GA_DR 의 각각의 10개 반복실험의 결과들 중 가장 좋은(Best)해를 이용하였다. 즉, GA_SC와 GA_DR의 성능을 평가하기 위한 척도로 RPD 대신, Best값 대비 해의 상대비율편차(Relative Percentage Deviation with the best solution : RPD_Best)를 이용하였다. RPD_Best는 Best 값에 대한 알고리즘에 의한 해의 편차의 비를 의미하며 식 (22)으로 표현된다.
해의 탐색시간은 트럭수가 많아질수록 증가폭이 커지나 모든 실험에 대해 GA_SC와 GA_DR 모두 수분 이내일 정도로 적어 실제문제에 적용 시 효율적인 일정계획의 수립이 가능할 것이다. GA_SC 대비 GA_DR의 우수성을 검증하기 위하여 95% 신뢰구간의 평균과 Tukey HSD intervals 로 두 알고리즘의 RPD_Best를 [Figure 6]에서와 같이 도식하였다. [Figure 6]에서 보는바와 같이 Tukey HSD intervals가 겹치는 부분이 없으므로 두 알고리즘의 RPD_Best 간에는 통계적으로 유의한 차이가 있음을 알 수 있다.
본 연구에서는 m개의 하차도어와 n개의 상차도어가 서로 분리되어 있는 가장 일반적인 크로스도킹 터미널 환경 하에서 입고 및 출고작업을 병행하는 트럭들의 도어 할당 및 하역 및 선적 순서결정 문제를 다루었다. 문제의 해결을 위해 크로스 도킹 터미널의 총 터미널 운영시간을 최소화의 목적을 갖는 비선형 혼합정수계획모형을 제시하였고, 효율적인 해를 도출하기 위해 유전알고리즘을 제시하였다. 제시된 알고리즘의 성능을 평가하기 위해 우선, 작은 규모의 문제들에 대해 본 연구에서 제시한 정수계획법에 의한 최적해와 두 가지 유전자 표현에 의한 GA_SC와 GA_DR의 해들의 성능을 비교하였다.
문제의 해결을 위해 크로스 도킹 터미널의 총 터미널 운영시간을 최소화의 목적을 갖는 비선형 혼합정수계획모형을 제시하였고, 효율적인 해를 도출하기 위해 유전알고리즘을 제시하였다. 제시된 알고리즘의 성능을 평가하기 위해 우선, 작은 규모의 문제들에 대해 본 연구에서 제시한 정수계획법에 의한 최적해와 두 가지 유전자 표현에 의한 GA_SC와 GA_DR의 해들의 성능을 비교하였다. 실험의 결과는 본 연구에서 제시한 GA_DR 해가 일반적인 유전자표현방식을 이용하는 GA_SC보다 우수성 있어서 탁월함을 확인할 수 있었다.

대상 데이터

본 연구는 m개의 하차도어와 n개의 상차도어가 서로 분리되어 있는 크로스도킹 터미널을 대상으로 한다. 입고트럭은 하차도크 내의 도어 중 한곳에 할당되어 순차적으로 화물을 하역하고, 하역된 화물들은 출고트럭별로 분류되어 상차도크로 이동한다.
본 연구에서 제시한 GA_SC와 GA_DR의 성능을 검증하기 위하여 임의의 데이터를 생성하여 실험 하였다. 우선 최적해와의 비교를 위하여 제한된 시간(7,200초) 이내에 최적해를 구할 수 있는 규모로 제한된 실험데이터를 생성하였다. 최적해는 제 2장에서 제시한 혼합정수계획 모형을 ILOG CPLEX 10.
더 큰 규모의 크로스도킹 터미널의 트럭 입고 및 출고 일정계획 문제에 대해 GA_SC와 GA_DR의 성능을 평가하기 위하여 트럭수를 20, 30, 40과 50으로 화물종류수를 5, 10, 15와 20으로 고정하고, 10개 이내의 하차 및 상차 도어수를 생성하여 32개의 실험 데이터를 임의로 생성하였다. 트럭의 도어 진출 입시간, 화물 이동 및 분류시간, 그리고 하차도크에서 상차도 크로의 트럭 이동시간은 첫 번째 실험과 동일한 값을 가정하였다.

이론/모형

본 연구에서는 Joo and Kim(2011)의 연구를 확장하여 다수의 입/출고 도어 상황 하에 크로스도킹 터미널 및 트럭흐름 환경 하에서 트럭일정계획의 중요한 두 가지 요소인 입출고 트럭의 도어할당 문제와 입고트럭의 하역순서결정 및 출고트럭의 선적 순서결정 문제를 동시에 해결하고자 한다. 문제의 해결을 위해 수리적 모형을 수립하고 효율적인 해법을 제시하기 위해 메타휴리스틱(Meta-heuristic) 기법 중 하나인 유전알고리즘(Genetic Algorithm)을 제시한다.
입고 및 출고 트럭의 일정에 대한 염색체 표현이 동일한 형태를 가지므로 한 가지 일정에 대한 두 가지 염색체표현들의 교차변이연산과 돌연변이연산을 묘사하였다. 교차변이연산으로 하나의 교차점을 임의로 선택하고 [Figure 4]와 같이 두 부모의 유전자를 교차하여 자식을 생성하는 한점교차(One cut-point crossover)방법을 사용하였다. 한점 교차방법은 순서결정 문제 및 일정계획 문제의 염색체 표현에서 가장 보편적으로 이용되는 방법으로 실행불가능(Infeasible)해를 발생시키지 않고 다양한 해를 탐색할 수 있게 한다.
한점 교차방법은 순서결정 문제 및 일정계획 문제의 염색체 표현에서 가장 보편적으로 이용되는 방법으로 실행불가능(Infeasible)해를 발생시키지 않고 다양한 해를 탐색할 수 있게 한다. 돌연변이연산으로는 [Figure 5]와 같이 부모의 유전자에서 임의로 선택된 두 점을 상호 교환하여 자식을 생성하는 교환 돌연변이(Swap-mutation)방법을 사용하였다.
우선 최적해와의 비교를 위하여 제한된 시간(7,200초) 이내에 최적해를 구할 수 있는 규모로 제한된 실험데이터를 생성하였다. 최적해는 제 2장에서 제시한 혼합정수계획 모형을 ILOG CPLEX 10.2를 사용하여 구하였다. 6개 이하의 트럭수 R, 7개 이하의 화물종류수 N, 그리고 2개 이하의 하차 및 상차 도어수 I와 O를 갖는 24개 실험 데이터를 랜덤하게 생성하고, 트럭의 도어 진출입시간 DE와 DL을 35와 45로, 화물 이동 및 분류시간 V를 100으로, 하차도크에서 상차도크로의 트럭 이동시간 TR을 50으로 가정하였다.
각 실험데이터에 대해 CPLEX에 의한 최적해와 GA_SC와 GA_DR를 각각 10회씩 실행하여 그 해와 탐색시간의 평균을 계산하여 정리하였다. 제시된 알고리즘들의 성능을 평가하기 위한 척도로 해의 상대비율편차(Relative Percentage Deviation : RPD)를 이용하였다. RPD는 최적해에 대한 알고리즘에 의한 해의 편차의 비를 의미하며 식 (21)로 표현된다.

성능/효과

크로스도킹(Cross docking) 터미널은 새로운 개념의 물류터미널 운영방식으로 다양한 물품의 소단위 배송이 요구되는 고객의 물품주문을 신속하게 처리하여 JIT(Just In Time) 배송하는데 효과적이며, 기존 물류터미널의 고비용의 노동집약적인 저장과 불출작업을 근본적으로 제거하여 터미널 내부의 물류비용의 획기적인 절감을 이룰 수 있다. 또한, 크로스도킹 터미널은 서로 다른 공급지점으로부터 특정 배송지점으로 각각 따로 수송하는 다수의 LTL(Less-than Truckload) 트럭들의 물품들을 터미널에서 취합하여 FTL(Full truckload) 트럭을 구성한 후, 한꺼번에 특정 배송지로 수송하여 물류운송비용을 획기적으로 줄일 수 있다. 이와 같이, 고객주문에 대한 리드타임(Lead time)의 감소로 인한 고객서비스 향상 및 물류수송비용의 절감을 동시에 획득할 수 있는 혁신적인 물류터미널 개념이 바로 크로스도킹 터미널이다(Apte and Viswanathan, 2000).
바꾸어 말하면, 목적함수가 선형이든 비선형이든 간에 문제해결에 복잡성을 갖지 않는다. 본 연구에서 다루는 문제는 최소화 문제이므로 각 염색체의 목적함수 값, 즉 총 터미널 운영시간이 낮은 값이 적합도가 우수하다. 염색체 i의 적합도함수 값 F_i는 식 (20)과 같이 해집단 내의 염색체 i의 총 터미널 운영시간 T_i와 해 집단 내의 최대 총 터미널 운영시간 T_max를 이용한다.
[Table 1]의 실험 결과를 보면 GA_SC와 GA_DR의 RPD 평균이 1.33%와 0.68%로 아주 작아 규모가 제한된 문제에 대해 그 성능이 대단히 우수함을 알 수 있다. CPLEX의 최적해 탐색시간은 트럭 수가 늘어남에 따라 급속하게 늘어남을 알 수 있다.
13%보다 상대적으로 매우 적다. 이는 특수문자를 이용한 염색체 표현을 이용하는 것에 비해, 본 연구에서 제시한 도어 할당 규칙을 이용하는 것이 다수의 도어를 갖는 크로스도킹 터미널에서 입고와 출고를 병행하는 트럭 일정계획 문제에 대한 GA의 성능을 훨씬 향상 시킨다는 사실을 알 수 있다. 해의 탐색시간은 트럭수가 많아질수록 증가폭이 커지나 모든 실험에 대해 GA_SC와 GA_DR 모두 수분 이내일 정도로 적어 실제문제에 적용 시 효율적인 일정계획의 수립이 가능할 것이다.
[Figure 7]과 [Figure 8]에서 보는바와 같이 트럭수가 많아질수록 또는 상하차 도어의 수가 많아질수록 두 알고리즘의 RPD_Best 간에는 통계적으로 더 큰 차이가 발생 함을 알 수 있다. 이는 도어 할당 규칙을 이용한 하는 것이 트럭수 및 상하차 도어의 수가 많아질수록 더 많은 효과를 볼 수 있음을 의미한다.
제시된 알고리즘의 성능을 평가하기 위해 우선, 작은 규모의 문제들에 대해 본 연구에서 제시한 정수계획법에 의한 최적해와 두 가지 유전자 표현에 의한 GA_SC와 GA_DR의 해들의 성능을 비교하였다. 실험의 결과는 본 연구에서 제시한 GA_DR 해가 일반적인 유전자표현방식을 이용하는 GA_SC보다 우수성 있어서 탁월함을 확인할 수 있었다. 규모가 큰 문제에 대한 실험에서는 GA_SC와 GA_DR의 성능을 평가하기 위한 기준점으로 반복실험 결과들 중 Best 해와의 비교를 제시하였고, 그 결과 GA_RD는 RPD_Best 전체 평균이 2.
실험의 결과는 본 연구에서 제시한 GA_DR 해가 일반적인 유전자표현방식을 이용하는 GA_SC보다 우수성 있어서 탁월함을 확인할 수 있었다. 규모가 큰 문제에 대한 실험에서는 GA_SC와 GA_DR의 성능을 평가하기 위한 기준점으로 반복실험 결과들 중 Best 해와의 비교를 제시하였고, 그 결과 GA_RD는 RPD_Best 전체 평균이 2.12%으로 GA_SC의 15.13%보다 현저히 작은 우수한 해를 도출함을 알 수 있었다. 또한, GA_DR은 규모가 큰 현실적인 문제에 대한 실험에서 최적해에 근사한 해를 수분 이내에 탐색하는 탁월한 효율성을 입증하였다.
13%보다 현저히 작은 우수한 해를 도출함을 알 수 있었다. 또한, GA_DR은 규모가 큰 현실적인 문제에 대한 실험에서 최적해에 근사한 해를 수분 이내에 탐색하는 탁월한 효율성을 입증하였다.

후속연구

이는 특수문자를 이용한 염색체 표현을 이용하는 것에 비해, 본 연구에서 제시한 도어 할당 규칙을 이용하는 것이 다수의 도어를 갖는 크로스도킹 터미널에서 입고와 출고를 병행하는 트럭 일정계획 문제에 대한 GA의 성능을 훨씬 향상 시킨다는 사실을 알 수 있다. 해의 탐색시간은 트럭수가 많아질수록 증가폭이 커지나 모든 실험에 대해 GA_SC와 GA_DR 모두 수분 이내일 정도로 적어 실제문제에 적용 시 효율적인 일정계획의 수립이 가능할 것이다. GA_SC 대비 GA_DR의 우수성을 검증하기 위하여 95% 신뢰구간의 평균과 Tukey HSD intervals 로 두 알고리즘의 RPD_Best를 [Figure 6]에서와 같이 도식하였다.
향후, 물류비 감소와 고객 서비스 수준 증대를 동시에 이룰 수 있는 혁신적인 물류개념인 크로스도킹 터미널의 효율적인 관리를 위하여 다양한 형태의 연구가 지속되어야 하며, 다양한 목적함수에 관한 연구 및 다수의 입고 및 출고도어를 가지는 크로스도킹 터미널에서 다양한 트럭흐름이 혼재된 상황 하의 입고 및 출고 트럭의 일정계획문제를 해결하는 추가 연구가 수행되어야 할 것이다.

핵심어	질문	논문에서 추출한 답변
	크로스도킹 터미널은 어느 곳에서 운영하는가?	이와 같이, 고객주문에 대한 리드타임(Lead time)의 감소로 인한 고객서비스 향상 및 물류수송비용의 절감을 동시에 획득할 수 있는 혁신적인 물류터미널 개념이 바로 크로스도킹 터미널이다(Apte and Viswanathan, 2000). 크로스 도킹 터미널은 택배회사나 식자재 유통회사와 같은 그 신속성이 경쟁력의 근간되는 회사에서 필수적으로 운영하고 있다.
	크로스도킹(Cross docking) 터미널의 장점은 무엇인가?	전통적인 물류 터미널에서 내부의 입고 및 출고 물품들에 대한 저장(Storing) 및 불출(Retrieving)과 관련된 물류처리(Material handling)작업들은 고비용이 소요되는 노동집약적인 부분이다. 크로스도킹(Cross docking) 터미널은 새로운 개념의 물류터미널 운영방식으로 다양한 물품의 소단위 배송이 요구되는 고객의 물품주문을 신속하게 처리하여 JIT(Just In Time) 배송하는데 효과적이며, 기존 물류터미널의 고비용의 노동집약적인 저장과 불출작업을 근본적으로 제거하여 터미널 내부의 물류비용의 획기적인 절감을 이룰 수 있다. 또한, 크로스도킹 터미널은 서로 다른 공급지점으로부터 특정 배송지점으로 각각 따로 수송하는 다수의 LTL(Less-than Truckload) 트럭들의 물품들을 터미널에서 취합하여 FTL(Full truckload) 트럭을 구성한 후, 한꺼번에 특정 배송지로 수송하여 물류운송비용을 획기적으로 줄일 수 있다. 이와 같이, 고객주문에 대한 리드타임(Lead time)의 감소로 인한 고객서비스 향상 및 물류수송비용의 절감을 동시에 획득할 수 있는 혁신적인 물류터미널 개념이 바로 크로스도킹 터미널이다(Apte and Viswanathan, 2000).
	크로스도킹 터미널이란 무엇인가?	또한, 크로스도킹 터미널은 서로 다른 공급지점으로부터 특정 배송지점으로 각각 따로 수송하는 다수의 LTL(Less-than Truckload) 트럭들의 물품들을 터미널에서 취합하여 FTL(Full truckload) 트럭을 구성한 후, 한꺼번에 특정 배송지로 수송하여 물류운송비용을 획기적으로 줄일 수 있다. 이와 같이, 고객주문에 대한 리드타임(Lead time)의 감소로 인한 고객서비스 향상 및 물류수송비용의 절감을 동시에 획득할 수 있는 혁신적인 물류터미널 개념이 바로 크로스도킹 터미널이다(Apte and Viswanathan, 2000). 크로스 도킹 터미널은 택배회사나 식자재 유통회사와 같은 그 신속성이 경쟁력의 근간되는 회사에서 필수적으로 운영하고 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 다수의 도어를 갖는 크로스도킹 터미널에서 입고와 출고를 병행하는 트럭일정계획을 위한 유전알고리즘
A Genetic Algorithm for Scheduling of Trucks with Inbound and Outbound Process in Multi-Door Cross Docking Terminals 원문보기

Abstract ▼ AI-Helper

Keyword

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (18)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 다수의 도어를 갖는 크로스도킹 터미널에서 입고와 출고를 병행하는 트럭일정계획을 위한 유전알고리즘 A Genetic Algorithm for Scheduling of Trucks with Inbound and Outbound Process in Multi-Door Cross Docking Terminals 원문보기

Abstract ▼ AI-Helper

Keyword

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (18)

이 논문을 인용한 문헌

저자의 다른 논문 :

주철민 (15) 김병수 (7)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 다수의 도어를 갖는 크로스도킹 터미널에서 입고와 출고를 병행하는 트럭일정계획을 위한 유전알고리즘
A Genetic Algorithm for Scheduling of Trucks with Inbound and Outbound Process in Multi-Door Cross Docking Terminals 원문보기

AI 본문요약
AI-Helper