AI
컬리는 물류 최적화 문제를 어떻게 풀고 있을까? - 1부
두줄요약
QPS 생산성을 바구니 처리 속도로 정의하고, 고유 상품 수 최소화 문제로 전환했습니다.\n유전 알고리즘 적용으로 기존 방식보다 고유 상품 수를 약 10% 이상 줄였습니다.
문제 상황
- QPS의 실시간 바구니 분배 공정에서 생산성 향상을 위한 주문 그룹 구성 필요
- 주문 조합 탐색 공간이 큰 Open shop scheduling 기반 NP-Hard 문제
구조와 흐름
- 바구니 처리 속도를 QPS 생산성 지표로 정의하고 회귀분석으로 영향 변수 탐색
- 바구니 내 고유 상품 수 최소화를 목표로 주문 그룹 조합 구성
- 적합도 평가, 상위 50% 생존, batch 단위 교배·변이 반복으로 해 탐색
선택 이유
- 고유 상품 수 감소가 QPS 분배와 이전 피킹 작업의 효율성에 동시 영향
- 최적해 판별이 어려운 문제에서 효율적으로 근사해를 탐색하는 유전 알고리즘 채택
- 유사 주문을 배치한 초기 세대로 수행 시간과 해 품질 개선 시도
성능/운영 포인트
- 과거 주문 데이터에서 기존 대각 행렬 알고리즘 대비 batch 내 고유 상품 수 약 10% 이상 감소
- 세대 반복 증가에 따른 물류센터 작업 지연 가능성 고려
- 실제 적용 전 Digital Twin 기반 추가 검증 계획