KR100982622B1

KR100982622B1 - 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법

Info

Publication number: KR100982622B1
Application number: KR20080051360A
Authority: KR
Inventors: 홍영채
Original assignee: 홍영채
Priority date: 2008-02-04
Filing date: 2008-06-02
Publication date: 2010-09-15
Also published as: WO2009099283A2; WO2009099283A3; KR20090085498A

Abstract

본 발명은 허브 입지 검색 방법에 관한 것으로서, 특히 물류비용모형을 이용한 비용절감 예측 모델을 휴리스틱 탐색 방법에 적용함으로써 정확하고 신뢰할만한 최적 허브 입지 위치를 탐색할 수 있어서, 운송 계획 수립 단계에서 계획자에게 신뢰할만한 의사결정 정보를 제공할 수 있고 물류 산업 전체의 질적인 수준을 향상시킬 수 있는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법에 관한 것이다.

이를 위하여, 본 발명은 네트워크 좌표 데이터를 기초로 노드들의 군집분포성향을 파악하고 상기 노드군집화 결과에 대응되는 근사적 군집 네트워크를 생성하는 단계; 각 군집에 대해 허브 건설의 타당성을 근사적 물류비용 비교를 통해 비용 절감효과가 큰 군집을 예측하는 단계; 및 상기 예측된 허브 토폴로지를 기초로 최적 허브 입지를 휴리스틱 탐색하는 단계로 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 제공한다.

허브입지, 물류비용, 타부서치, 허브앤스포크

Description

물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법{A method for searching optimum hub locations based on a prediction about logistic cost}

본 발명은 허브 입지 검색 방법에 관한 것으로서, 더욱 상세하게는 물류 수송 의 허브 입지 산정 계획에서 최적 허브 입지를 검색하기 위해 단순히 과거의 휴리스틱(heuristic) 탐색 성능에 의존하는 것이 아니라 현재의 물류 제반의 단위 비용 정보 및 네트워크 노드 좌표 정보를 이용함으로써 그 정확도를 높일 수 있는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법에 관한 것이다.

현재 물류 수송 시스템은 인프라 시설 및 산업 군집화에 따른 시너지 효과로 인해 허브앤스포크 형태(Hub-and-Spoke)로 널리 분포하고 있고, 최근에는 공항 또는 터미널 등의 허브를 중심으로 각 지역으로 물류를 운송하는 네트워크가 구성되어 규모의 경제성을 이용한 대규모 집산 형태의 물류 운송이 이루어지고 있다.

도 11 및 도 12는 일반적인 허브앤스포크 물류망 구조를 나타내는 도면이다. 기존의 Skorin-Kapov and Skorin-Kapov(1994)에 의해 제시된 타부허브(TabuHub) 방법론의 경우, 허브의 입지(location)에 관한 초기해를 설정함에 있어 허브(H)앤스포크(S) 형태로 구성되는 물류망의 특징을 반영하지 못하고 단순히 물동량이 많은 노드를 기준으로 초기해를 설정하여 탐색을 진행함으로써 근접노드 교환규칙을 가진 타부탐색(Tabu search)에 있어 지역 국소 최적해에 빠지는 비합리적인 결과가 발생한다.

한편, 지금까지 허브 입지를 결정하는 계획들은 허브앤스포크 형태로 구성되는 물류 네트워크의 군집특성을 반영하지 못하고 과거 공장 및 편의시설 등의 시설물 입지 문제(Facility Location Problem)를 응용한 형태로서 허브입지문제(Hub Location Problem)를 다룸으로써 물류 네트워크 상의 모든 노드를 동등한 위상으로 간주하여 최적 허브 입지를 탐색하여 왔다.

이로 인해 대규모 네트워크에 대한 최적 허브 입지 탐색의 경우 탐색비용이 기하급수적으로 증가하게 되었고 이러한 어려움으로 인해 흔히 휴리스틱(heuristic)한 방법들이 많이 제시되어 왔다.

이 중에서 타부탐색방법이 물류, 교통 수송계획에서 효과적으로 이용되어 왔으나 허브앤스포크 형태의 물류 고유의 특징을 반영하지 못하는 경우 비합리적인 허브 입지 건설을 최적 대안으로 도출할 수도 있는 문제점을 가지고 있다.

현재 이러한 교통, 물류 분야의 고유한 특징인 군집특성을 바탕으로 합리적인 시간 내에 신뢰할만한 최적 허브 입지를 탐색하는 문제가 물류에서 매우 중요한 관심분야로 대두되었다.

다양한 분야로의 적용이 가능한 범용적인 구조를 지닌 메타-휴리스틱 탐색 방법인 타부(Tabu)탐색기법은 탐색 성능의 우수성과 직관적인 구조로 인한 해석 및 응용 용이성으로 인해 자주 이용됨에도 불구하고 물류수송의 고유한 특징인 허브앤 스포크 형태의 네트워크 구조 특성을 반영하지 못하는 경우 타부(Tabu)탐색 기법의 탐색 조건에 따라 국소 최적해를 벗어나지 못하는 구조적인 문제점을 보여주며 비합리적인 탐색 결과를 제시하는 경우가 존재한다.

따라서, 이러한 기술적 문제를 해결하기 위해 최적 허브 입지 가능성이 높은 노드(node)에 대한 근사적 군집화 기법을 통해 허브 비용을 미리 예측하는 탐색 방법을 제시함으로써 타부(Tabu) 탐색으로 인한 최적 허브 입지 결정의 신뢰성을 높이고 탐색비용을 줄이는 방법이 요구되었다.

본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로서, 타부(Tabu) 탐색 기법이 가진 구조적 우수성을 고려하는 동시에 물류망이 지닌 허브앤스포크 형태의 특징을 반영하여 허브건설 타당성 예측 모형을 이용한 최적 허브 입지 검색 방법을 제시하는 것으로서, 탐색 비용을 줄이고 네트워크 규모가 커짐에 따라 발생할 수 있는 탐색 시간의 기하급수적인 증가 문제를 해결하기 위해 허브앤스포크 형태의 네트워크 특징을 이용하여 근사적 군집 네트워크를 생성하고 현재 물류망의 수송 및 건설비용 정보를 적용하여 허브 입지 타당성의 경제적 절감 효과를 근사적으로 예측 수행한 후 예측된 비용 결과를 기반으로 최적 허브 입지를 탐색하는 검색 방법을 제공하는데 그 목적이 있다.

상기와 같은 목적을 달성하기 위한 본 발명의 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법은 네트워크 좌표 데이터를 기초로 노드들의 군집분포성향을 파악하고 노드군집화결과에 대응되는 근사적 군집 네트워크를 생성하는 단계; 각 군집에 대해 허브 건설의 타당성을 파악하도록 근사적 물류비용 비교를 통해 비용 절감 효과가 큰 군집을 예측하는 단계; 및 상기 예측된 허브 토폴로지를 기초로 최적 허브 입지를 휴리스틱 탐색하는 단계를 포함하여 구성되는 것을 특징으로 한다.

여기서, 상기 근사적 군집 네트워크를 생성하는 단계 전에 사용자 입력 인터 페이스를 통해 노드간 물동량 및 물류비용에 대한 정보 및 GIS지도 정보를 입력받는 단계를 더 포함하여 구성되는 것을 특징으로 한다.

바람직하게는, 상기 휴리스틱 탐색하는 단계 후에 결과를 저장 출력하는 단계를 더 포함하여 구성되는 것을 특징으로 한다.

그리고, 상기 근사적 군집 네트워크를 생성하는 단계는 알고리즘을 포함하는 데이터 마이닝 엔진과 연계하는 단계를 더 포함하여 구성되는 것을 특징으로 한다.

또한, 상기 휴리스틱 탐색하는 단계는 허브 네트워크 비용 산출 모형을 적용하는 단계를 더 포함하여 구성되는 것을 특징으로 한다.

바람직하게는, 상기 근사적 군집 네트워크를 생성하는 단계는, 노드들을 분류할 때 클러스터링을 이용하여 잠정적으로 예상하는 허브 건설개수에 해당하는 노드군집으로 분화하는 것을 특징으로 한다.

더욱 바람직하게는, 상기 근사적 군집 네트워크를 생성하는 단계는, 클러스터링을 이용하여 각 노드가 허브 건설 개수에 해당하는 노드군집에 소속될 확률을 파악하는 것을 특징으로 한다.

이때, 상기 휴리스틱 탐색하는 단계는, 타부 탐색 엔진을 이용하여 탐색하는 것을 특징으로 한다.

한편, 상기 비용 절감 효과가 큰 군집을 예측하는 단계는, 각 군집에 속하는 노드들의 물동량 및 좌표를 고려한 무게중심을 계산하여 각 군집을 대표하는 위치좌표를 구하고, 노드간 물동량은 군집 내부 수송에 의한 내부 수송량과 클러스터 사이의 수송에 의한 외부 수송량으로 구분하여 집산하는 것을 특징으로 한다.

여기서, 상기 비용 절감 효과가 큰 군집을 예측하는 단계는, 물류 시스템 분석을 고려한 단일 할당 허브 네트워크 설계 모형을 이용하여 탐색하는 것을 특징으로 한다.

바람직하게는, 상기 비용 절감 효과가 큰 군집을 예측하는 단계는, 각 군집별로 허브 건설을 하지 않는 경우의 물류비용과 허브를 건설하는 경우의 물류비용의 차이를 산출하여 값의 차이가 큰 후보를 탐욕적으로 제외하는 기법(Greedy Drop Strategy)을 사용하는 것을 특징으로 한다.

이와 같이 구성된 본 발명의 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법은 다음과 같은 유용한 효과를 발휘한다.

첫째, 사용자가 입력하는 물류비용 데이터와아 GIS(Geographic Information System) 지도 정보를 결합하여 허브앤스포크 물류망의 허브 입지 계획 과정에서 물류비용 절감효과가 우수하다고 판단되는 노드를 우선적으로 탐색하게 하여 계획 수립시간 단축 및 탐색비용을 절감시키고 기존에 휴리스틱 탐색에만 의존한 결과의 신뢰성도 향상시켜 준다.

둘째, 사용자 입력 인터페이스를 통해 앞서 얻은 결과를 기반으로 허브 입지 네트워크 구성을 순환적으로 개선하고 이를 검증하는 절차를 통해서 최적화된 물류 창고 입지 계획을 수립할 수 있다.

이하, 본 발명의 목적이 구체적으로 실현될 수 있는 바람직한 실시예를 첨부 된 도면을 참조하여 상세히 설명한다. 본 실시예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.

본 발명의 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 개략적으로 요약하면 도 1 내지 도 4에 도시된 바와 같이, 노드들(node)의 군집성향을 파악하고 군집결과에 적합한 근사적 군집 네트워크(Clustered Network)를 생성하고, 각 군집(Cluster)에 대해 근사적 물류비용 비교를 통해 비용 절감효과가 큰 군집을 예측한 후, 상기 예측된 허브 토폴로지를 기초로 최적 허브입지를 휴리스틱 탐색 기법을 이용하여 검색한 다음, 상기 결과들을 저장 출력하는 단계를 포함하여 구성된다.

즉, 물류망의 허브앤스포크(Hub-and-Spoke) 형태의 네트워크 특징을 이용하여 근사적 군집 네트워크를 생성하고 물류비용 및 건설비용 정보를 적용하여 허브 입지 타당성의 경제적 절감 효과를 예측 수행한 후 타부(Tabu)탐색 및 유전자 알고리즘(Genetic Algorithm) 등의 최적해 탐색 엔진을 통해 최적 허브 입지를 탐색하게 된다.

먼저, 본 발명은 도 3에 도시된 바와 같이, 사용자 입력 인터페이스(interface)(100)를 통해 노드(node)간 운송계획 및 물류비용 등에 대한 비용 정보를 입력받는 단계를 거친다.

즉, 각 노드간 물동량(W_ij) 및 링크별 평균 수송속도(v_ij), 등의 운송계획정 보 및 허브건설비용(C^HC), 분류/환적 비용(C^LC), 건설비용(C^DT), 수송지체비용(C^TT), 수송/빈도지체 비용(C^TR+C^FR) 등에 관련한 물류비용정보를 수집한다.

이때, GIS 엔진(500)을 통해서 지도 데이터베이스(DB)(200)로부터 좌표 정보를 참조하여 각 노드의 위치 및 노드간의 거리(d_ij) 정보 등의 네트워크 정보를 구성한 다음에 상기 운송계획 및 물류비용 등의 정보를 사용자 인터페이스(100)를 통해 입력한다.

그리고, 도 5에 도시된 바와 같이 네트워크 위치 정보를 기초로 노드들의 네트워크상의의 군집성향을 파악하고 상기 군집 결과에 대응되는 근사적 군집 네트워크(Clustered Network)를 생성하는 단계(S200)를 거친다.

도 2 및 도 3에서 보는 바와 같이, 지도 데이터베이스(Database)(200)로부터 네트워크상의 노드 좌표를 읽어 들여서 SQL Server 2005(TM) 등의 클러스터링 알고리즘(Clustering Algorithm)이 설치되어진 데이터 마이닝 서버(Data Mining Server)(300)로 보낸다.

여기서, 도 5 및 도 6에서 보는 바와 같이 노드들(10)을 분류할 때 마이크로소프트 클러스터링(Microsoft Clustering)(TM) 알고리즘을 이용하여 잠정적으로 예상하는 허브(30) 건설 개수인 k개의 노드군집(20)으로 네트워크를 분화한다.

상기 데이터마이닝 서버(Data Mining Server)(300)에서는 도 7에서 보는 바와 같이, 클러스터링(Clustering)을 통해 각 노드가 k개의 클러스터(Cluster) 집단에 소속될 확률(소속도)을 결과로 알려준다.

다음으로, 도 8에서 보는 바와 같이 각 노드(10)의 소속도 정보 및 허브 건설 개수(k)를 기반으로 군집도 타당성 평가 모듈을 이용하여 최적 군집 패턴을 찾아내고, 각 군집별로 허브 건설을 하지 않는 경우의 물류비용과 허브를 건설하는 경우의 물류비용의 차이를 비교하여 값의 차이가 큰 후보를 탐욕적으로 제외하는 기법(Greedy Drop Strategy)을 사용하여 허브 건설 타당성을 예측하는 단계(S300,S400)를 거친다.

즉, 도 6에서처럼 각 군집(20)에 속하는 노드들(10)의 주요 특징인 좌표 및 물동량 등을 고려한 다기준(Multi-criteria) 무게중심을 계산하여 각 군집(20)을 대표하는 위치좌표를 구하고, 노드간 물동량(W_ij)은 군집(Cluster) 내부 수송에 의한 내부 수송량(Qⁱⁿ)과 클러스터(Cluster) 사이의 수송에 의한 외부 수송량(Q^out)으로 구분하여 집산한다.

허브 건설의 타당성 예측을 위한 모형에서의 비교분석 대상은 다음의 2가지 경우이다.

(1) 허브가 해당 군집에 존재하는 경우(Case 1)

(2) 허브가 해당 군집에 존재하지 않는 경우(Case 2)

본 발명에서는 통계학적으로 거리(D,d) 및 수송밀도(P,

)가 균등한 물류 네트워크에서의 평균값 및 근사값을 이용하여 추정하는 모형을 사용하였으며, 각 경우의 물류비용의 계산은 다음의 표 1과 같다.

[표 1]

	Case 1	Case 2
허브 건설비용 (C^HC)
분류/환적비용 (C^DT)
건설비용 (C^LC)
수송지체비용 (C^TT)
수송/빈도지체 비용 (C^TR+C^FR)

n: 노드개수, p: 허브건설 개수, uc^H: 단위 허브 건설비용, uc^DT: 단위 수송량의 분류/환적비용, uc^L: 단위 거리 당 링크 건설비용, tv: 시간가치, d_ij: 링크(i,j)의 거리, tp: 분석 대상 계획 기간, uc^TR: 단위 거리, 단위 빈도 당 수송비용

각 군집별로 허브 건설로 인한 비용 절감정도를 예측하기 위해 허브 건설을 하지 않는 경우(Case 2)의 물류비용과 허브를 건설하는 경우의 물류비용(Case 1)의 차이를 구함으로써 군집별로 허브 건설에 따른 비용 절감을 근사적으로 계산한다.

허브 건설에 따른 비용 절감이 가장 큰 군집에 우선순위를 두어 허브(30)를 건설함으로써 최적 허브 위치 탐색에 있어 탐색 시간 및 정확도를 높여준다.

다음으로, 상기 예측된 허브 토폴로지(Hub topology)를 기초로 최적 허브 입 지를 휴리스틱 탐색하는 단계(S500)를 거친다.

본 발명에서는 일 실시예로 상기 군집별 허브 건설 적합도 정보를 타부(Tabu) 탐색 엔진(400)에 반영하여 최적 허브 위치를 탐색한다.

마지막으로, 탐색 결과를 저장 출력하는 단계(S600,S700)를 거친다.

이 단계에서는 본 발명의 일실시예로 도 9 및 도 10에 도시된 바와 같이, 상기 방법들을 이용하여 최적 허브 입지로 판단되는 네트워크 구조를 화면상에 출력하고 결과 데이터를 저장한다.

실제 사례 적용에 앞서 본 발명의 일 실시예로서 10개 도시에 대해 클러스터링(Clustering) 기법을 적용하고 소속 확률(소속도)을 이용하여 합리적인 클러스터(Cluster) 개수(k)를 구하는 군집도 타당성 평가 모듈을 적용한 결과 대략 4개로 구분됨을 확인된다.

다음은 10개 도시에 노드(node) 번호를 부여하고 4개의 클러스터(Cluster)로 군집화한 결과를 정리한 표이다.

[표 2]

Node ID	Cluster ID	Node ID	Cluster ID
0	1	5	1
1	2	6	1
2	3	7	2
3	3	8	4
4	2	9	3

위의 네트워크 노드(Node)에 대한 클러스터링(Clustering) 결과를 이용하여 10개의 노드(Node)로 구성된 네트워크를 도 6에서처럼 물동량 및 좌표를 반영한 다기준(Multi-Criteria) 무게 중심인 4개의 점으로 구성된 군집 네트워크로 단순화시 키고 수송량 및 거리를 각 클러스터(Cluster) 단위로 집산한다.

다음의 표 3은 각 클러스터(Cluster) 별로 집산된 수송량에 대해 내부 수송량(Qⁱⁿ)과 외부 수송량(Q^out)으로 나누어 정리한 표이다.

[표 3]

Cluster	Qⁱⁿ	Q^out
1	0	905
2	327	1,491
3	1,071	1,229
4	0	470

각 클러스터(Cluster)에 대해 상기 각 케이스(Case 1, Case 2) 별로 허브 입지 여부에 관한 기대 물류비용을 계산하면 다음의 표 4 내지 표 7과 같다. 여기서 허브가 해당 군집에 존재하지 않는 경우(Case 2)의 경우 주변 클러스터(Cluster)에 존재하는 허브를 하나 선택하여 전량배정(All-or-Nothing)하는 기법을 이용하여 물류비용을 산출하였으며 이 중에서 가장 저렴한 경우의 물류비용을 비교 대상으로 선택함으로써 본 발명의 예측 결과의 신뢰도를 높였다.

[표 4]

Target = 1군	Case 1	Case 2
Target = 1군	Case 1	2군	3군	4군
E(C^HC)	266.6667	200	200	200
E(C^LC)	0	0	0	0
E(C^DT)	472.398	472.398	472.398	472.398
E(C^TT)	1058.482	1205.65	1552.648	2033.24238
E(C^TR+C^FR)	658.9511	1058.24	751.6612	831.404589
E(ΣCost)	2,456.4978	2,936.288	2,976.7072	3,537.044969
E(∇Cost)	-479.7901125	Dev(Cost)	335.787918

[표 5]

Target = 2군	Case 1	Case 2
Target = 2군	Case 1	1군	3군	4군
E(C^HC)	266.666667	200	200	200
E(C^LC)	0	0	0	0
E(C^DT)	472.398	472.398	472.398	472.398
E(C^TT)	1407.34605	2747.7923	2950.11354	4371.62858
E(C^TR+C^FR)	1185.36366	3754.41295	2317.51531	3237.811844
E(ΣCost)	3,331.774377	7,174.60325	5,940.02685	8,281.838424
E(∇Cost)	-2608.252471	Dev(Cost)	1171.48268

[표 6]

Target = 3군	Case 1	Case 2
Target = 3군	Case 1	1군	2군	4군
E(C^HC)	266.666667	200	200	200
E(C^LC)	0	0	0	0
E(C^DT)	472.398	472.398	472.398	472.398
E(C^TT)	1499.47219	5303.86047	4023.62858	2894.69125
E(C^TR+C^FR)	1462.73348	3290.17258	2854.80496	5094.510758
E(ΣCost)	3,701.270337	9,266.43105	7,550.83154	8,661.600008
E(∇Cost)	-3849.56121	Dev(Cost)	870.144516

[표 7]

Target = 4군	Case 1	Case 2
Target = 4군	Case 1	1군	2군	3군
E(C^HC)	266.666667	200	200	200
E(C^LC)	0	0	0	0
E(C^DT)	472.398	472.398	472.398	472.398
E(C^TT)	529.9767	1219.0343	933.6503	755.3887
E(C^TR+C^FR)	431.779179	342.217686	274.487802	434.8111564
E(ΣCost)	1,700.820546	2,233.649986	1,880.536102	1,862.597856
E(∇Cost)	-161.777311	Dev(Cost)	209.241041

상기 클러스터링 분화 및 허브 건설 타당성 평가 모듈에 따른 결과를 종합하여 분석하여 보면, 4개 클러스터(Cluster) 모두 허브 건설에 따른 물류비용 감소 효과가 존재함을 예측할 수 있다. 즉, 허브를 건설하는 경우 물류비용이 절감될 기대확률이 높음을 의미하며, 그 중에서도 기대 효과가 큰 클러스터(Cluster)로는 3 군(-3849.56121)과 2군(-2608.252471)이 나왔으며 1군과 4군의 경우는 허브를 설치하는 경우가 유리하긴 하나 비용 차이가 극히 작음(-500 미만)을 알 수 있다.

또한, 허브가 해당 군집에 존재하지 않는 경우(Case 2)의 경우 주변 클러스터(Cluster)에 존재하는 허브를 하나 선택하여 전량배정(All-or-Nothing)하는 기법을 이용하여 물류비용을 산출하는데 각 Case 2의 각 이웃 클러스터(Neighborhood Cluster) 허브 사용에 따른 물류비용의 표준편차를 구해봄으로써 전량 배정이 아닌 미세한 허브 할당(Allocation)의 차이로 인한 비용 차이가 결과에 미치는 영향의 많고 적음을 검증함으로써 결과의 통계적 신뢰성을 높여준다.

본 발명의 상기 실시예에서는 아래의 표 8에서 확인할 수 있는 바와 같이, 클러스터(Cluster) 3의 경우 허브 건설에 따른 비용절감(∇Cost)에 비해 허브 할당에 의한 표준편차(S.Dev)가 상대적으로 작음으로써 예측결과가 통계적으로 유리함을 확인할 수 있는 반면에 클러스터(Cluster) 4의 경우 허브 할당에 따른 표준편차(S.Dev)의 크기가 허브 건설에 따른 비용절감(∇Cost) 보다 큼에 따라 허브 건설에 따른 비용 절감에 대한 신뢰가 떨어짐을 알 수 있다.

[표 8]

Cluster ID	Case 1 - Case2 E(∇Cost)	전량 할당의 표준편차 S.Dev(Cost)	허브입지순위 (Ranking)
1	-479.7901125	335.787918	3
2	-2608.252471	1171.48268	2
3	-3849.56121	870.144516	1
4	-161.777311	209.241041	4

한편, 휴리스틱 탐색 성능 개선 효과를 살펴보면, 상기 분석적 해법을 통한 결과를 이용하여 휴리스틱 탐색 성능 개선 여부를 확인하기 위해 타부 서치(Tabu Search)의 초기해를 기존 연구에서 제시하는 단순 수송량 기준이 아니라 본 발명에 따른 허브 건설 타당성 분석 결과에 따른 클러스터(Cluster)에 우선 배정하는 규칙을 적용하여 초기해를 잡는 경우 타부 서치(Tabu Search)에 의한 최적해 개선 및 성능 향상을 아래의 표 9 및 표 10을 통해 확인할 수 있다.

[표 9]

네트워크 규모	TABU(수송량 기준 초기해)				TABU(Cluster 분석 후 초기해)
네트워크 규모	CASES	RANKING	COST	PROCESS TIME(msec)	RANKING	COST	PROCESS TIME(msec)
10×2	11430	1	8271.4053	13,329	1	8271.4053	571
10×3	216720	1	7160.8452	196,283	1	7160.8452	1322
10×4	327600	1	6991.3438	424,941	1	6991.3438	1402
10×5	30240	1	8095.6909	35,471	1	8095.6909	621

[표 10]

네트워크 규모	TOTAL		Tabu Search (수송량 기준 초기해)	Tabu Search (Cluster 분석 후 초기해)
네트워크 규모	RANKING	COST	탐색 성공 여부	탐색 성공 여부
10×2	1	8271.4053	○	○
10×3	1	7160.8452	×	○
10×4	1	6991.3438	×	○
10×5	1	8095.6909	×	○

본 발명에서는 일례로 타부검색 엔진을 사용해서 설명하였지만, 다양한 검색엔진을 본 발명에 채용할 수 있음은 당업자에게 자명하다 할 것이다.

도면에서 자세히 설명되지 않은 부분으로, 사용자 입력 인터페이스(100)는 물류비용 관련 변수 및 탐색 알고리즘별 설정사항을 입력, 수정하는 화면이고, 지도DB(200)는 각 노드(node)에 대한 위치 관련 정보를 가진 범용DB이며, 데이터 마이닝(Data Mining) 엔진(300)은 클러스터링 알고리즘을 통해 노드를 분화하는 엔진이고, 타부(Tabu)탐색 엔진(400)은 타부(Tabu) 탐색 알고리즘을 이용한 휴리스틱 탐색 엔진이다.

그리고, GIS엔진(500)은 지도DB 데이터(Data)를 본 발명에 맞게 형식을 변환하는 엔진이고, 물류비용DB(600)은 건설 및 수송물류 비용에 대한 정보를 가진 데이터베이스(DB)이며, 군집도 타당성 평가 모듈(700)은 허브앤스포크 네트워크 구조 및 물류특성을 적절히 반영하여 노드 분화를 했는지 여부를 판단하는 모듈이다.

또한, 허브건설 타당성 평가 모듈(800)은 각 클러스터에 대해 허브 건설 타당성을 근사적인 물류비용 산출로 평가하는 예비 평가 모듈이며, 최적화 모듈(900)은 다양한 최적화 엔진을 이용하여 결과를 해석하고 최적 허브 입지를 탐색하는 모듈이고, 화면출력 모듈(1000)은 탐색된 해에 대한 이력 데이터 저장 및 출력하는 모듈이며, 군집 네트워크DB(1300)는 노드 클러스터링 결과에 대한 정보 저장DB이다.

도면부호 100은 물류비용DB이고, 1200은 데이터베이스(DB)관리 모듈이며, 1400은 결과저장 모듈이며, 1500은 탐색기법선택 모듈이고, 기타 다양한 허브 입지 이론에 입각하여 물류비용을 계산하도록 이론적 모형을 추가 및 수정하는 모형선택 모듈이 추가될 수 있으며, 이에 대한 내용은 당업자에게 자명한 사항이므로 자세한 설명은 생략하기로 한다.

이와 같이 본 발명에 따른 바람직한 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술분야에 있어 통상의 지식을 가진 자에게는 자명한 것이다.

그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하며, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수 있다.

이와 같이 구성된 본 발명의 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법은 첫째, 사용자로부터 입력받은 물류비용 데이터를 GIS 지도 정보와 결합함으로써 허브앤스포크 물류망의 허브 입지 계획 과정에서 물류비용 절감효과가 우수하다고 판단되는 노드를 우선적으로 탐색하게 하여 계획 수립시간 단축 및 탐색비용을 절감시키고 기존에 휴리스틱 탐색에만 의존한 결과의 신뢰성도 향상시켜 주는 산업상의 이점이 있다.

둘째, 사용자 입력 인터페이스를 통해 앞서 얻은 결과를 기반으로 허브 입지 네트워크 구성을 순환적으로 개선하고 이를 검증하는 절차를 통해서 최적화된 물류 창고 입지 계획을 수립할 수 있는 산업상의 이점이 있다.

도 1 은 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법의 검색 엔진을 중심으로 한 입력 및 출력 모듈에 대한 블록도;

도 2는 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법의 검색 엔진과 외부 시스템간의 물리적인 관계도;

도 3은 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 구현하는 시스템을 나타내는 기능 블록도;

도 4는 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 구현하는 시스템의 기능적 모듈에 따른 클래스 다이어그램 설계도;

도 5는 본 발명에 따른 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법을 나타내는 플로우챠트;

도 6은 본 발명에 따른 최적 허브 입지 검색 방법의 클러스터링 분화 결과를 이용하여 네트워크를 군집화하는 도면;

도 7은 본 발명에 따른 최적 허브 입지 검색 방법의 클러스터링을 분화 결과를 통해 각 노드의 클러스터 소속도를 파악하는 테이블 구조;

도 8은 본 발명에 따른 최적 허브 입지 검색 방법의 군집도 타당성 평가 모듈을 이용하여 최적 군집 패턴을 선정하는 플로우챠트;

도 9는 본 발명에 따른 최적 허브 입지 검색 방법의 일 실시예에 따른 좌표입력에 따른 네트워크 구조로 출력 및 입력 인터페이스 구성을 나타내는 도면;

도 10은 본 발명에 따른 최적 허브 입지 검색 방법의 일 실시예에 따른 결과 를 이용하여 최적 입지해의 표시 및 비용 해공간의 추적 경로에 대한 결과를 화면에 출력하는 형식을 나타내는 도면;

도 11은 허브 물류망에서 단일 할당 네트워크 구조를 나타내는 도면;

도 12는 허브 물류망이 내생적으로 가지는 허브앤스포크 구조 특징을 나타내는 도면;

도 13은 타부탐색 엔진을 중심으로 입력 및 출력 변수에 대한 블록도이다.

<도면의 주요 부분에 대한 부호의 설명>

10: 노드(node) 20: 클러스터(Cluster)

30: 허브(Hub) 100: 인터페이스

200: 지도 데이터베이스 300: 데이터마이닝 서버

400: 타부탐색 엔진 500: GIS 엔진

Claims

네트워크 좌표 데이터를 기초로 노드들의 군집분포성향을 파악하고 노드군집화결과에 대응되는 근사적 군집 네트워크를 생성하는 단계;

각 군집에 대해 허브 건설의 타당성을 파악하도록 근사적 물류비용 비교를 통해 비용 절감 효과가 큰 군집을 예측하는 단계;

상기 예측된 허브 토폴로지를 기초로 최적 허브 입지를 휴리스틱 탐색하는 단계; 및

결과를 저장 출력하는 단계를 포함하여 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
제 1 항에 있어서,

상기 근사적 군집 네트워크를 생성하는 단계 전에 사용자 입력 인터페이스를 통해 노드간 물동량 및 물류비용에 대한 정보 및 GIS지도 정보를 입력받는 단계를 더 포함하여 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
삭제
제 1 항에 있어서,

상기 근사적 군집 네트워크를 생성하는 단계는 알고리즘을 포함하는 데이터 마이닝 엔진과 연계하는 단계를 더 포함하여 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
제 1 항에 있어서,

상기 휴리스틱 탐색하는 단계는 허브 네트워크 비용 산출 모형을 적용하는 단계를 더 포함하여 구성되는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
제 1 항에 있어서,

상기 근사적 군집 네트워크를 생성하는 단계는,

노드들을 분류할 때 클러스터링을 이용하여 잠정적으로 예상하는 허브 건설개수에 해당하는 노드군집으로 분화하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
제 6 항에 있어서,

상기 근사적 군집 네트워크를 생성하는 단계는,

클러스터링을 이용하여 각 노드가 허브 건설 개수에 해당하는 노드군집에 소 속될 확률을 파악하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
제 1 항에 있어서,

상기 휴리스틱 탐색하는 단계는,

타부 탐색 엔진을 이용하여 탐색하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
제 1 항에 있어서,

상기 비용 절감 효과가 큰 군집을 예측하는 단계는,

각 군집에 속하는 노드들의 물동량 및 좌표를 고려한 무게중심을 계산하여 각 군집을 대표하는 위치좌표를 구하고, 노드간 물동량은 군집 내부 수송에 의한 내부 수송량과 클러스터 사이의 수송에 의한 외부 수송량으로 구분하여 집산하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
제 9 항에 있어서,

상기 비용 절감 효과가 큰 군집을 예측하는 단계는,

물류 시스템 분석을 고려한 단일 할당 허브 네트워크 설계 모형을 이용하여 탐색하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.
제 9 항에 있어서,

상기 비용 절감 효과가 큰 군집을 예측하는 단계는,

각 군집별로 허브 건설을 하지 않는 경우의 물류비용과 허브를 건설하는 경우의 물류비용의 차이를 산출하여 값의 차이가 큰 후보를 탐욕적으로 제외하는 기법(Greedy Drop Strategy)을 사용하는 것을 특징으로 하는 물류비용 예측을 기반으로 하는 최적 허브 입지 검색 방법.