1. 서 론

최근 고위험 감염병 확산으로 빠르고 높은 정확도의 자 동화 진단 설비에 대한 관심이 높아지고 있다. 현장에서는 스크리닝 용도의 면역진단법이 주로 활용되고 있지만, 보 다 정확한 진단을 위해서는 유전자 증폭 진단기술인 분자 진단이 필요하다. 우리나라의 경우 상급종합병원 28개, 종 합병원 328개, 병원 1,398개, 보건기관 244개로 다양한 규 모의 진단센터가 있으나[8], 전자동화 분자 진단설비의 경 우 규모가 크고 고가로 인해 대형 진단센터에서만 사용되 고 있다. 중소 진단센터의 경우 비용 및 운영공간의 제약 으로 검사시료 준비부터 유전자 추출 전처리 과정을 수작 업으로 하고 있으며, 복잡한 작업과 의료종사자 감염위험 으로 많은 전문인력과 시간이 소요되고 있다[16].

이러한 문제를 해결하기 위해 유전자 추출에서 시약 분 주, 유전자 증폭, 데이터 분석에 이르는 분자진단 공정별 자동화 설비를 통합한 정밀 분자진단 통합자동화 시스템 이 등장하였다. 정밀 분자진단 통합자동화 시스템은 질병 감염여부를 판정할 목적으로 혈액, 소변, 타액 등으로부터 세균, 바이러스 등의 감염물질 혹은 원인물질의 유전자를 신속 정확하게 추출해서 증폭 검사할 수 있다. 그동안 <Figure 1>과 같이 수작업으로 진행하던 ‘추출-분주-유전 자증폭(PCR)-분석’의 분자진단 공정을 소형 자동화 설비 로 통합 시스템화 한 것이다. 이는 수작업 분자진단 보다 표준화된 검사를 통해 재검사율 감소, 생산성 향상, 의료 종사자의 감염방지 등 검사품질을 향상시킬 수 있다. 그러 나 정밀 분자진단 통합자동화 시스템이 적용 가능한 병원 및 보건기관의 진단센터의 규모를 고려하여 적합한 진단 공정별 필요 설비개수 및 가용인력수를 결정하는 것은 여 전히 어려운 과제이다.

이에 본 연구에서는 분자진단 통합자동화 시스템의 개 별생산방식 설비배치 최적화 방안을 제시하고자 한다. 특 히 이산사건 시뮬레이션과 유전알고리즘을 연계한 방법론 을 제안한다. 파이썬 기반의 오픈소스 이산사건 시뮬레이 션 툴인 SimPy 패키지를 이용하여 분자진단 프로세스의 시뮬레이션 모델을 구축한다. 이 모델을 통해 각 공정 단 계별 설비 대수, 처리 시간, 배치사이즈 등의 변수들을 시 뮬레이션하여 해당 설정값(solution)의 적합도를 평가한다. 또한 유전 알고리즘의 토너먼트 선택 및 K번교차와 최고 적합도 개체를 마스크로 활용한 균일교차를 결합한 교차 연산, 그리고 변이 연산을 적용하여 최적의 설비배치 전략 을 도출한다.

본 논문의 구성은 제2장에서 이론적 배경을 살펴보고, 제3장에서는 문제정의와 적용된 유전알고리즘의 개요를 설명한다. 제4장에서는 이산사건 시뮬레이션 모델링과 이 의 검증, 그리고 제안된 유전알고리즘의 적용결과를 설명 한다. 마지막으로 제5장에서는 결론과 함께 공정 정체시 간 최적화 연구와 다양한 진단 스케줄링을 위한 강화학습 적용 연구를 추후연구 주제로 제시한다.

2. 이론적 배경

2.1 유전알고리즘

유전알고리즘은 유전학상의 자연 도태 개념에 바탕을 둔 대표적인 메타휴리스틱 알고리즘으로 스케줄링[12], 로 봇 경로 최적화[10], 제조공정 최적화[27, 28], 공급망 관리 [1], 생산계획 수립[25] 등의 산업공학 전 분야에서 널리 활용되고 있다. 유전알고리즘의 기본 메커니즘은 자연 선택과 유전의 원리를 모방한다. 해의 집단인 세대 (population) 내의 각 해를 의미하는 염색체(chromosome) 가 세대를 거치며 진화하는 방식으로, 적합도가 높은 해가 선택되어 다음 세대로 전달된다. 핵심 연산자로는 적합도 (fitness value) 기반 선택(selection), 부모 해의 특성을 결합 하는 교차(crossover), 무작위 변형을 주는 돌연변이 (mutation)가 있으며, 이러한 과정을 통해 최적해를 탐색한 다. 적합도 기반 선택의 경우 무작위로 선택된 여러 개의 개체 중 토너먼트를 통해 가장 우수한 개체를 선택한다. 교차는 유전자 위치 중 임의의 한 지점에서 유전자를 교환 하는 단일점 교차와 이를 k번 반복하는 K번 교차와 임의 의 여러 지점에서 균등하게 유전자를 교차하는 균일 교차 가 있다. 돌연변이는 임의로 선택된 유전자 위치의 값을 설정된 변이확률에 따라 변경한다.

<Table 1>에 정리된 연구 사례들을 보면, 레이저 용접 공정변수 최적화[28], 창고 자재 위치 최적화[11] 등에서 성공적으로 활용되었다. 특히 공정변수, 생산 스케줄링, 자재배치 최적화 분야에서 높은 성과를 보여 왔다. 기존 공정최적화 유전자 알고리즘 연구들은 대부분 단일 공정 이나 공정변수에 초점을 맞추거나 생산 공정 설계 시 생산 성 향상을 위한 라인밸런싱에 관한 연구가 주로 이루어졌 다[15].

본 연구에서는 이산사건 시뮬레이션과 유전알고리즘을 결합하여 분자진단 통합자동화 시스템의 개별생산방식을 고려하여 실제 예산과 생산량을 가지고 설비배치 최적화 방법론을 제시한다는 점에서 차별성을 가진다. 또한 분자 진단 통합자동화 시스템의 설비배치 최적화는 여러 공정 변수들이 상호 연관되어 있고 다수의 제약조건을 고려해 야 하는 복잡한 문제이다. 분자진단 통합자동화 시스템은 연속된 공정의 특성을 가지는 시스템으로 다음과 같은 복 잡한 상호연관성이 존재한다. 첫째, 공정별 처리시간 차이 로 인한 병목현상이 발생한다. 예를 들어 PCR 공정은 90 분으로 직전 준비 공정 10분 보다 9배 긴 처리시간이 필요 하므로 준비공정에서 빠르게 처리된 샘플들이 PCR 공정 앞에 쌓이게 되어 전체 시스템의 처리능력이 제한된다. 둘 째, 각 공정의 설비 대수와 배치사이즈는 후속 공정의 처 리 능력에 직접적인 영향을 미친다. 구체적으로 추출공정 의 설비대수나 배치사이즈를 증가시키면 후속 분주공정에 더 많은 샘플이 유입되어 처리지연이 발생할 수 있다. 따 라서 각 공정별 설비 대수와 배치사이즈를 생산목표와 비 용제약 하에서 최적의 값으로 조절하여 공정간 흐름의 균 형을 맞추어야 한다. 이와 같은 복잡한 설비배치 최적화 문제에서는 다양한 해 공간을 효율적으로 탐색할 수 있는 교차 방법의 선택이 중요하다. 이에 본 연구에서는 단일점 교차를 여러 번 반복하는 K번 교차[21]와 Syswerda[23]가 제안한 최고 적합도의 개체를 마스크로 사용하는 균일교 차를 결합한 차별화된 교차 방법을 적용하여 최적해를 탐 색한다. 적용된 교차 방법에 대한 구체적인 내용은 3.2절 에서 상세히 설명한다.

2.2 이산사건 시뮬레이션 모듈

이산사건 시뮬레이션(discrete event simulation; DES)은 다양한 분석 기법과 연계하여 생산 시스템의 의사결정 최 적화에 널리 사용되는 접근법이다[4]. 일반적으로 DES는 복잡한 시스템의 동적 특성을 분석하고 다양한 운영 시나 리오를 평가하는데 효과적인 도구로 활용된다[2]. DES를 이용하면 생산 시스템의 운영과 관련된 다양한 시나리오 를 시뮬레이션하여 최적의 결정을 내릴 수 있으며, 이를 통해 생산성 향상과 리스크 감소를 달성할 수 있다.

DES 툴은 상용 소프트웨어와 오픈소스 기반 소프트웨 어로 구분된다. 일반적으로 상용 소프트웨어 기반의 DES 툴은 다양한 모델링 기능과 시각화 분석 도구 등을 제공한 다. 특히 AnyLogic, Simio, FlexSim, ExtendSim 같은 경우 최적화된 시뮬레이션 환경을 제공한다. 그러나 상용 소프 트웨어 기반의 DES 툴은 비싼 가격으로 개인이나 중소업 체가 사용하기 어려우며, 소스 코드가 공개되지 않고 연간 구독 비용을 지불해야 개발자에 의해 개선과 발전이 이루 어지기 때문에 지속성에 한계가 있다. 반면 본 연구에서 적용한 오픈소스 기반의 DES 툴인 SimPy는 2002년 Python 기반으로 개발되었으며, 2024년 현재까지 지속적 인 업데이트를 제공하고 있다. 비용이 저렴하며 사용자 중 심의 지속적인 개선 및 발전이 이루어져 높은 신뢰성을 제공하는 장점이 있다[18].

본 연구에서는 SimPy를 기반으로 분자진단 공정의 설 비배치 시뮬레이션 모델을 구축한다. SimPy는 이산사건 시뮬레이션 프레임워크이며, Pandas, Numpy 등의 인공지 능 및 데이터 처리 패키지를 통해 다양한 데이터 시뮬레이 션이 가능하다[1].

SimPy의 핵심구성요소는 <Figure 2>에서 보이는 바와 같이 Environment, Process, Resource로 SimPy.Environment 는 시간을 관리하고 이벤트를 정의하며 진행시킨다[18].

SimPy.Process는 Generator 함수를 기반으로 하여 모델 링한다. Generator 함수는 시간 진행에 따른 프로세스 생성 과 제어, 자원의 요청과 반환하는 기능을 수행하며, 시뮬 레이션 진행 중 필요한 Event 인스턴스들을 생성한다. Event는 시뮬레이션 과정 중에 발생하는 시간 진행 및 SimPy에서 제공하는 Resource 호출을 담당한다. 마지막으 로 SimPy.Resource는 공정에 필요한 리소스를 관리한다. 동일한 특성을 가지는 리소스를 모델링한 Resource, 이산 형(discrete) 리소스를 저장하기 위한 Store, 그리고 연속형 (continuous) 리소스를 저장하기 위한 Container로 이루어 진다[18].

3. 문제정의 및 유전알고리즘

3.1 문제정의

본 연구에서는 분자진단 통합자동화 시스템의 최적 설 비배치 문제를 해결하고자 한다. 주요 문제점들로는 각 공 정의 최대 배치사이즈가 상이하여 병목현상이 발생하고 제한된 예산에 따른 설비 비용 최소화가 필요하다. 따라서 이산사건 시뮬레이션 기법에 기반하여 분자진단 설비의 배치 모형을 구현하고, 유전알고리즘을 통해 목표 생산량 을 달성하면서 설비 비용을 최소화하는 최적의 설비배치 를 도출한다.

분자진단 공정은 다음과 같이 총 6개의 단위공정으로 구성된다: 1) decapping은 샘플 용기의 뚜껑을 제거하고 초 기 준비 작업을 수행하는 10분 소요의 전처리 공정이며, 2) extraction은 검체로부터 DNA/RNA를 추출하는 40분 소요의 핵산 추출 공정이고, 3) dispenser는 추출된 핵산을 검사용 튜브에 분주하는 10분 소요의 공정이다. 4) PCR setup은 PCR 반응을 위한 10분 소요의 시약 준비 공정이 고, 5) PCR running은 표적 핵산을 증폭하는 90분 소요의 공정이며, 6) analysis는 증폭 결과를 분석하고 보고서를 생성하는 10분 소요의 공정이다. <Figure 1>에서 보는 바 와 같이, 각 공정별 장비 당 최대 처리 가능한 샘플 수는 96개로 동일하다. 진단키트의 표준 포장단위는 8개의 샘 플이 하나의 단위(unit)로 구성되며, 각 설비는 이 단위를 기준으로 작업을 처리한다. 본 연구에서 배치사이즈는 각 공정에서 한 번에 처리하는 단위의 수를 의미한다. 의사결 정 변수로는 <Table 2>와 같이 각 공정 단계별로 장비 대 수, 배치사이즈, 그리고 WIP (work in process) 총량이 있 다. 이들 변수는 모두 정수 값을 가져야 하며, 장비 대수는 실제 검사실의 공간 제약을 고려하여 1대에서 5대 사이로 제한한다. 배치사이즈는 각 공정별 장비의 최대 처리 용량 과 진단 키트의 표준 포장 단위를 고려하여 1개에서 12개 사이의 값으로 제약한다. WIP 총량은 시스템 내에서 동시 에 처리되고 있는 배치의 총 개수를 의미하며, 샘플의 품 질관리와 공정 효율성을 고려하여 1에서 10 사이의 값으 로 설정한다.

본 연구에서는 유전알고리즘의 적합도 함수를 식 (1)과 같이 다음 세 가지 요소로 구성한다. 첫째는 생산량 달성 도를 평가하는 부분으로, 목표 생산량(t) 대비 실제 생산량 (p) 값의 비율로 나타낸다. 이때 과잉 생산을 방지하기 위 해 최대값을 1로 제한한다. 둘째는 목표 생산량과의 편차 를 반영하는 부분으로, 실제 생산량과 목표 생산량 차이의 절대값(|p-t|)을 차감한다. 마지막으로 설비 비용을 고려하 여 총비용(C)에 0.01을 곱하여 반영한다. 이때 총비용은 식 (2)와 같이 각 공정별로 장비 대수(n_i), 장비 단가(c_i), 배치사이즈(b_i)를 곱한 값들의 합과 WIP 비용(w×20)의 합 을 더하여 산출한다. WIP 비용에 20을 곱하는 가중치는 다음과 같은 추가 비용 요소들을 고려하여 산정되었다: 1) WIP 관리를 위한 전담 인력의 인건비(8), 2) 온도/습도 제 어가 필요한 검체 보관 설비 운영비용(6), 3) 품질관리 비 용(4), 4) 소모품 및 기타 관리비(2). 특히 분자진단의 특성 상 검체의 변질 방지를 위한 온도 관리와 정확한 이력 추 적이 중요하므로, 이와 관련된 비용이 상대적으로 높게 반 영되었다.

이러한 적합도 함수를 통해 유전알고리즘은 목표 생산 량을 달성하면서도 설비 투자 비용을 최소화하는 최적해 를 찾아간다. 특히 생산량 비율항과 편차항을 통해 목표 생산량에 최대한 근접하도록 유도하며, 비용항을 통해 불 필요한 설비 투자를 억제한다. 모든 의사결정 변수들이 제 약조건을 만족해야 하므로, 실제 현장에 적용 가능한 현실 적인 적정 설비배치 방법을 도출하게 된다.

3.2 유전알고리즘 구조 및 흐름도

염색체의 구조는 각 공정별 장비대수와 배치사이즈, WIP의 총량 정보를 바탕으로 <Table 3>과 같이 길이가 13 인 1차원 배열로 구성된다.

본 연구에서 적용한 유전알고리즘은 다음과 같은 4단계 로 구성된다.

일반적인 유전알고리즘과 달리, 본 연구에서는 K-교차 의 반복 수행과 현재 세대에서 최고 적합도를 가지는 개체 하고 균일교차(uniform crossover)를 하는 단계를 추가하여 알고리즘의 성능을 개선한다. 구체적으로, 단일점교차 (single point crossover) 변이를 여러 번 반복하는 K번교차 (K point crossover)를 통해 무작위성을 높이며, 현재 세대 에서 모든 유전자를 비교하여 최고 적합도를 가지는 개체 를 마스크로 사용하여 모든 개체하고 균일교차를 하는 변 이를 도입하여 우수한 유전자가 전달될 수 있도록 효율성 을 높이고 전체적인 해의 품질을 향상시킨다.

유전알고리즘의 작동 흐름은 <Figure 4>와 같이 먼저 세대수, 변이확률, 집단개수를 먼저 설정하고 설정한 집단 개수만큼 무작위로 개체를 생성한다. 생성된 설정값을 적 용하여 시뮬레이션하여 모든 개체의 적합도를 계산한다.

가장 높은 적합도를 가지는 개체를 저장하고 유전알고 리즘을 단계별로 수행한다. 유전알고리즘의 연산 과정에 서 부모 선택 단계에서 토너먼트 선택 방식을 사용하며, 토너먼트에서는 무작위로 선택된 두 개체의 적합도를 비 교하여 우수한 개체를 선택한다. 다음 단계인 K-교차 연산 은 두 부모 개체 사이에서 하나의 유전자 위치를 임의로 선택하여 유전자를 교환하는데 이를 k번 반복한다. 예를 들어 <Figure 3>에서 Step 2와 같이 [5, 2, 3, 3, 4, 3, 8]과 [5, 2, 2, 4, 4, 4, 9]라는 부모개체가 있을 경우 5번째 위치 에서 교차점이 선택되어 해당 지점에서 유전자가 교환이 되면 [5, 2, 3, 3, 4, 4, 9]와 [5, 2, 2, 4, 4, 3, 8]의 자식 개체 가 생성된다. 다음 단계에서는 현재 세대에서 모든 유전자 를 비교하여 최고 적합도를 가지는 유전자와 여러개 유전 자 위치에서 균등하게 유전자를 교환한다. 마지막 단계인 돌연변이는 하나의 유전자 위치를 임의로 선택하여 변이 확률에 따라 임의의 값으로 변경된다. 예를 들어 <Figure 3>에서 Step 4와 같이 [5, 2, 3, 3, 4, 4, 9] 유전자에서 4번 째 위치의 3이 1로 값이 변경된다면 [5, 2, 3, 1, 4, 4, 9]로 변경된다.

이 과정 중에 부모선택 단계에서 우수한 부모만 선택되 어 집단의 크기가 50%로 줄어들지만, 이후 K-교차와 균일 교차 연산을 통해 각각 원래 집단 크기의 50%씩 자식을 생성하여 원래 집단의 크기를 유지한다. 그리고 설정한 세 대수만큼 반복하여 가장 높은 적합도를 가지는 최적의 설 정값을 도출한다.

4. 시뮬레이션

4.1 이산사건 시뮬레이션 모델링

분자진단 공정은 다음과 같이 총 6개의 단위공정으로 구성된다: 1) decapping, 2) extraction, 3) dispenser, 4) PCR setup, 5) PCR running, 그리고 6) analysis. 공정별로 배치 (batch)의 크기, 처리시간, 장비 대수를 설정한다. 본 연구 에서는 SimPy 패키지 기반의 시뮬레이션을 통해 설정된 대안별로 하루 540분 가동시간 동안의 일일 검사량을 평 가한다.

시뮬레이션 모델의 작동 프로세스는 다음과 같다. 먼저 공정별 진단설비의 성능 기본값을 설정하고, 각 공정별로 설비대수, 배치사이즈, WIP의 총량을 무작위로 초기화한 다. 설정된 WIP 총량을 초과하지 않는 범위에서 생산 프 로세스가 시작되며, 각 공정에서는 필요한 장비를 점유하 고, 해당 공정의 처리시간 동안 생산이 진행된다. 공정이 완료되면 생산량이 업데이트되고, 다음 공정으로의 전환 은 완료된 생산량이 다음 공정의 배치사이즈를 충족할 때 이루어진다. 이러한 일련의 과정은 하루 가동시간인 540 분 동안 반복되며, <Figure 5>의 순서도는 이러한 전체 시 뮬레이션 프로세스의 논리적 흐름을 보여준다.

4.2 시뮬레이션 모델 검증

시뮬레이션 모델의 유효성을 검증하기 위해 진단센터 의 규모별 5가지 유형(종합병원, 혈액원, 응급실, 지역병 원, 보건소/소규모병원)에 대한 검증을 진행하였다. 각 유 형에 따라 달라지는 일일 검사량과 설비개수를 설정하고, 실제 현장에서 일정계획을 할 때 사용하는 간트차트(gantt chart)를 활용한 process scheduling 분석과 이산사건 시뮬 레이션 모델을 비교하였다.

<Table 5>와 같이 하루 540.분 기준의 일일 검사량에 대 한 대응표본 t-검정(paired t-test) 분석 결과를 살펴보면, t 통계량 0.154(자유도=4)이며, p값이 0.88로 유의수준 0.05 보다 크게 나타났다. 따라서 process scheduling 분석과 이 산사건 시뮬레이션 모델 간의 생산량 차이가 통계적으로 유의하지 않음을 확인할 수 있다. 이는 본 연구의 이산사 건 시뮬레이션 모델이 다양한 규모와 유형의 진단센터에 서 높은 신뢰도로 활용될 수 있음을 입증한다.

4.3 유전알고리즘 적용결과

시뮬레이션에 유전알고리즘 적용에 앞서, 유전알고리 즘 튜닝을 통해 최적의 교차 연산자를 선정하기 위한 비교 분석을 수행하였다. <Table 6>와 같이 단일점, 복수점, K 번교차, 균일교차 방식에 대한 성능을 평가한 결과, K번교 차(k=5)와 최고 적합도 개체를 마스크로 활용한 균일교차 를 결합한 방식이 목표생산량 1000일 때 2.66, 2000일 때 -42.1로 가장 우수한 성능을 보였다. 이는 여러 지점에서 의 유전자 교환을 통해 광범위한 해공간을 탐색하고 우수 한 유전자의 특성을 보전이라는 장점을 동시에 활용할 수 있기 때문이다.

정밀 분자진단 통합시스템이 적용할 수 있는 종합병원, 병원, 보건기관의 진단센터 규모를 고려하여 다음과 같이 세 가지 규모별 목표 생산량을 설정하였다. 소규모 진단센 터(500건/일), 중규모 진단센터(1000건/일), 대규모 진단센 터(2000건/일)으로 설정한 총 3가지 유형으로 유전알고리 즘을 적용한 시뮬레이션을 수행하였다. 각 규모별로 시뮬 레이션 모델에서는 목표 생산량에 따른 공정별 배치사이즈 와 장비 수가 다르게 적용되며, 규모가 커질수록 병렬 처리 를 위한 장비수가 증가하고 공정간 배치사이즈의 차이도 커져 WIP 관리가 중요해진다. 유전알고리즘에서는 목표생 산량만 규모별로 다르게 적용하고, 세대수는 100, 변이확 률은 0.7, 집단 개수는 1000개로 동일하게 설정하였다.

특히 변이확률은 예비실험 결과에 따라 설정하였다. 0.1 에서 0.3 사이의 변이확률에서는 지역 최적화에 빠지는 경 우가 많았으며, 0.7의 변이확률에서 가장 우수한 해를 도 출할 수 있었다. 이는 최고 적합도의 개체를 교차변이에 사용하고 제안한 유전 알고리즘에서의 염색체 구조(즉, 길 이가 13인 1차원 배열)에서 13개 중에 1개만 변이확률에 따라 변이되기 때문에 높은 변이확률에 따른 영향이 크지 않기 때문이다.

세대 수 100과 집단 개수 1000개의 경우 세대 수 및 집 단 개수 증가에 따른 적합도 비교를 통해 결정되었으며, 세대수는 80부터 적합도가 수렴되어 100 이상부터는 적합 도 증가가 미미했다. 집단 개수도 1000개 이상부터는 계산 시간 대비 적합도 향상이 크지 않았다.

각 유형별로 동일한 조건에서 30회의 반복 실행하여 통 계적 유의성을 확보하였다. <Table 7>는 유전알고리즘을 적용한 이산사건 시뮬레이션 결과로 유형별 적합도 상위 3개의 최적해를 보여준다.

유전알고리즘을 적용한 이산사건 시뮬레이션 분석 결 과, 3가지 유형의 시뮬레이션 모두 진단센터 규모별로 생 산량이 목표한 수준과 일치하고 비용이 작을수록 적합도 가 높은 결과를 보여주었다.

시뮬레이션 결과 마다 총 6개 분자진단 흐름 생산공정 의 필요한 장비 대수(machines)와 배치사이즈(batch size), WIP(work in process)의 총량을 도출하였다. <Table 8>은 유형별 최고 적합도의 설비배치 설정값을 보여준다. 결과 를 분석해보면, 소규모 및 중규모는 대부분 1,2대 장비로 구성되어 초기 투자 비용을 최소화하고, 대규모는 초기 공 정에도 많은 장비를 배치하여 처리량을 확보하는 것으로 나타났다. 또한 모든 규모에서 처리시간이 오래 걸리는 extraction, PCR setup과 PCR running 공정의 배치사이즈 를 크게 설정하여 병목현상을 방지하였다. 특히 규모가 2 배씩 증가할 때 비용은 1.7배 수준으로 증가하여 규모의 경제 효과를 확인할 수 있었다. 이는 연간 운영비용 절감 과 함께 인력 운영 효율화가 기대된다. 특히 신속하고 정 확한 진단 서비스 제공을 통한 의료 품질 향상에도 기여할 것으로 예상된다.

5. 결 론

본 논문에서는 분자진단 통합자동화 시스템의 최적 설 비배치 전략을 도출하기 위해 Python SimPy 기반의 이산 사건 시뮬레이션과 유전알고리즘을 활용하였다. 이를 통 해 진단센터의 규모와 유형별 특성을 고려한 맞춤형 설비 배치 방안을 제시하였다.

분자진단 과정의 6개 공정을 이산사건 시뮬레이션으로 모델링하였다. 여기에 유전알고리즘의 토너먼트 선택, K 번교차와 최고 적합도의 개체를 마스크로 사용하는 균일 교차를 결합한 교차 연산, 변이 연산을 적용하여 최적해를 탐색하였다. 그 결과 목표 생산량을 달성하면서도 비용이 최소화하는 설비배치 방안을 도출할 수 있었다.

구체적으로, 각 공정별로 최적의 배치사이즈, 장비대수 를 결정하였으며, 전체 시스템의 WIP(work in process)의 총량도 최적화하였다.

본 연구의 결과는 분자진단 통합시스템 구축을 계획하 는 진단센터들의 의사결정을 지원하는 도구로 활용될 수 있을 것이다.

향후 연구 과제로는 진단센터 구조에 따른 물류흐름을 보다 원활하게 수행하기 위하여 설비위치 및 공정 정체시 간에 대한 개선연구와 강화학습모델 적용하여 다양한 종 류의 진단을 하기 위한 스케줄링(scheduling) 연구가 필요 할 것으로 보인다.