We address the resource leveling problem in the Liquefied Natural Gas (LNG) carrier production environment. In the shipbuilding industry, workload balancing is important as manpower fluctuations cause additional costs such as hiring, firing, and outsourcing costs. In this paper, we propose a two-step leveling approach for workload balancing that can be applied within a reasonable time. The proposed method first reschedules the given schedule with tank unit movements using reinforcement learning and then performs an iterative greedy algorithm. We apply the proposed two-step leveling in real-world data to minimize the fluctuation of the workload in the LNG carrier production environment. Experimental results on real data showed that our algorithm performed better than other algorithms and was able to lower the variance of the daily workload by more than 30% compared to the initial variance.
본 논문에서는 액화 천연 가스(LNG) 운반선 생산 환경의 자원 평준화 문제에 대해 다룬다. 조선업에서 인력의 변동은 고용, 해고, 외주 등 추가 비용을 발생시키기 때문에 인력의 변동을 최소화하는 것은 매우 중요하다. 우리는 합리적인 시간 내에 적용할 수 있는 2단계 평준화 방식을 제안한다. 제안된 방법은 먼저 강화 학습을 사용하여 탱크 단위의 움직임으로 주어진 일정을 조정한 후 반복 탐욕 알고리즘을 수행한다. 제안된 2단계 평준화 방법을 실제 데이터에 적용하여 LNG 운반선 생산 환경에서 작업 부하의 변동을 최소화한다. 실제 데이터에 대한 실험 결과, 우리 알고리즘이 다른 알고리즘보다 더 좋은 성능을 보였고, 초기 일일 작업량의 분산에 비해 분산을 30% 이상 낮출 수 있었다.
