KR20180056319A - Method and apparatus for simulation based self evolution agent - Google Patents
Method and apparatus for simulation based self evolution agent Download PDFInfo
- Publication number
- KR20180056319A KR20180056319A KR1020160154458A KR20160154458A KR20180056319A KR 20180056319 A KR20180056319 A KR 20180056319A KR 1020160154458 A KR1020160154458 A KR 1020160154458A KR 20160154458 A KR20160154458 A KR 20160154458A KR 20180056319 A KR20180056319 A KR 20180056319A
- Authority
- KR
- South Korea
- Prior art keywords
- simulation
- model
- simulation model
- learning
- data
- Prior art date
Links
Images
Classifications
-
- G06F17/5009—
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 시뮬레이션 시스템 및 방법에 관한 것으로, 더욱 상세하게 말하자면, 자가 진화 행위자 기반 시뮬레이션을 위한 시뮬레이션 시스템 및 방법에 관한 것이다. The present invention relates to a simulation system and method, and more particularly, to a simulation system and method for self-evolutionary agent-based simulation.
행위자 기반 시뮬레이션 시스템에서, 시뮬레이션 엔진이 행위자 모델을 포함하는 시뮬레이션 모델을 로딩하여 시뮬레이션 모델이 가지는 행위자의 속성, 행위, 환경 모델에 따라 이벤트를 발생시키며 시뮬레이션을 실행한다. 이러한 방식의 경우, 도메인 관련 전문가가 수동으로 시뮬레이션 모델을 수정하여 시뮬레이션의 정확도를 향상시켰다. In an actor-based simulation system, a simulation engine loads a simulation model including an actor model, and generates an event and executes a simulation according to attributes, behaviors, and environmental models of the simulation model. In this way, domain experts have manually modified the simulation model to improve the accuracy of the simulation.
자가 진화 행위자 기반 시뮬레이션은 시뮬레이션 모델의 수정을 시뮬레이션 대상 분야의 전문가가 아니라, 실제 데이터와 시뮬레이션 결과를 바탕으로 기계 학습 방법을 이용하여 실행하는 시뮬레이션 방법이다. 그러나 사회 경제 문제와 같은 복잡계 시뮬레이션의 경우 매우 많은 모수(Parameter)와 행위자(Agent, 에이전트) 수, 실제 데이터 수가 존재함에 따라, 기계학습 방법을 이용하는 경우 매우 많은 시간이 소요되어 실제적인 시뮬레이션을 통한 다양한 정책 개발이나 예측이 힘들다. The self-evolutionary agent-based simulation is a simulation method in which the modification of a simulation model is performed by a machine learning method based on actual data and simulation results, rather than by an expert in the field to be simulated. However, in complex systems such as socioeconomic problems, the number of parameters, actors (agents, agents), and the actual number of data, it takes a lot of time to use the machine learning method. Policy development or forecasting is difficult.
기존에는 빠른 시뮬레이션을 위하여 병렬/분산 시스템을 통하여 시뮬레이션을 실행하는 방법들이 고안되어 사용되었으나, 단일 시뮬레이션을 병렬/분산 시스템을 활용하여 병렬화하여 시뮬레이션을 실행하는 방식으로 자가진화를 위한 학습은 고려되지 않았다. 따라서, 자가 진화 행위자 기반 시뮬레이션을 위한 시뮬레이션 가속 시스템 및 방법이 필요하다.In the past, methods for executing simulation through a parallel / distributed system have been devised and used for fast simulation, but learning for self-evolution has not been considered as a method of executing a simulation by parallelizing a single simulation using a parallel / distributed system . Therefore, there is a need for a simulation acceleration system and method for self-evolutionary agent-based simulation.
보다 구체적으로, 사회 경제 등의 복잡계 대규모 자가진화 행위자 기반 시뮬레이션을 위해서 고속의 시뮬레이션을 수행할 수 있는 시뮬레이션 시스템이 필요하다. 또한, 기존의 행위자 기반 시뮬레이션 시스템의 분산/병렬 실행은 자가진화를 고려하지 않은 단순한 시뮬레이션의 분산/병렬 실행하는 방식이므로 자가진화 행위자 기반 시뮬레이션에 바로 적용할 수 없으므로, 자가진화 행위자 기반 시뮬레이션에 적용 가능한 모델 학습과 자가진화를 고속 수행하는 시뮬레이션 시스템과 방법이 필요하다. More specifically, there is a need for a simulation system capable of performing high-speed simulation for large-scale self-evoked actor-based simulations of socioeconomic and other complex systems. In addition, the distributed / parallel execution of existing agent-based simulation system is a distributed / parallel execution of simple simulation that does not consider self-evolution. Therefore, it can not be directly applied to the self-evolutionary agent-based simulation, Simulation systems and methods are needed to speed up model learning and self-evolution.
본 발명이 해결하고자 하는 기술적 과제는 자가 진화 과정을 가속화하여 빠른 시뮬레이션을 가능하게 하는 시뮬레이션 시스템 및 방법을 제공하는 것이다. SUMMARY OF THE INVENTION It is an object of the present invention to provide a simulation system and a method for accelerating a self-evolving process to enable quick simulation.
본 발명의 특징에 따른 시스템은, 적어도 하나의 시뮬레이션 실행 노드를 이용하여 시뮬레이션을 수행하는 시뮬레이션 시스템으로서, 시뮬레이션 모델의 컴포넌트를 저장하는 모델 및 모델 컴포넌트 저장소; 시뮬레이션에서 사용되는 데이터를 저장하는 데이터 저장소; 및 상기 모델 및 모델 컴포넌트 저장소에 저장된 시뮬레이션 모델의 컴포넌트를 조합하여 시뮬레이션 모델을 생성하고, 시뮬레이션 모델에 대하여 자가진화를 진행하면서 상기 시뮬레이션 모델의 시뮬레이션 결과를 토대로 상기 시뮬레이션 모델을 갱신 및 재구성하는 시뮬레이션 모델 학습 서브시스템을 포함한다. A system according to a feature of the present invention is a simulation system for performing a simulation using at least one simulation execution node, comprising: a model and a model component storage for storing components of a simulation model; A data store for storing the data used in the simulation; And a simulation model learning unit for generating a simulation model by combining the components of the simulation model stored in the model and model component storage and updating and reconfiguring the simulation model based on simulation results of the simulation model while performing a self- Subsystem.
본 발명의 실시 예에 따르면, 자가진화 행위자 기반 시뮬레이션을 위한 조합 가능한 시뮬레이션 모델을 생성 및 관리하고 재구성하며, 이를 시뮬레이션 결과의 재활용과 자가진화를 위한 시뮬레이션의 분산/병렬화를 통하여 빠르게 실행할 수 있다. 또한, 시뮬레이션 결과의 재활용과 자가학습을 위한 분산/병렬 시뮬레이션으로 빠른 자가진화가 가능하다. According to embodiments of the present invention, a combinable simulation model for a self-evolutionary agent-based simulation can be created, managed, and reconstructed, and can be quickly executed through the distribution / parallelization of simulation for recycling and self-evolution of simulation results. In addition, rapid self-evolution is possible with the distributed / parallel simulation for recycling simulation results and self-learning.
이에 따라, 사회 경제와 같은 복잡계의 대규모 행위자 기반 시뮬레이션에서 빠른 자가진화 시뮬레이션이 가능하도록 하여 시뮬레이션의 효율성과 정확도를 향상시킬 수 있다. This enables rapid self-evolution simulation in large-scale actor-based simulations of societies and economies, thus improving the efficiency and accuracy of the simulation.
도 1은 본 발명의 실시 예에 따른 자가진화 행위자 기반 시뮬레이션 시스템의 구조를 나타낸 도이다.
도 2는 본 발명의 실시 예에 따른 시뮬레이션 방법의 흐름도이다.
도 3은 본 발명의 실시 예에 따른 시뮬레이션 방법 중 초기 시뮬레이션 설정 모드와 시뮬레이션 모델 학습 모드의 과정을 나타낸 흐름도이다.
도 4는 본 발명의 실시 예에 따른 시뮬레이션 모델 구성을 나타낸 예시도이다.
도 5는 본 발명의 실시 예에 따른 시뮬레이션 결과 분석에 따른 전체 분석 결과를 나타낸 예시도이다.
도 6은 본 발명의 실시 예에 따른 시뮬레이션 방법 중 시뮬레이션 예측 모드와 시뮬레이션 동화 모드의 과정을 나타낸 흐름도이다.
도 7은 본 발명의 다른 실시 예에 따른 시뮬레이션 장치의 구조도이다. 1 is a diagram illustrating a structure of a self-evolutionary agent-based simulation system according to an embodiment of the present invention.
2 is a flowchart of a simulation method according to an embodiment of the present invention.
3 is a flowchart illustrating a process of an initial simulation setting mode and a simulation model learning mode among simulation methods according to an embodiment of the present invention.
FIG. 4 is a diagram illustrating a simulation model configuration according to an embodiment of the present invention.
FIG. 5 is a diagram illustrating an overall analysis result according to an analysis result of a simulation according to an embodiment of the present invention.
FIG. 6 is a flowchart illustrating a process of the simulation prediction mode and the simulation moving picture mode among the simulation methods according to the embodiment of the present invention.
7 is a structural diagram of a simulation apparatus according to another embodiment of the present invention.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. In order to clearly illustrate the present invention, parts not related to the description are omitted, and similar parts are denoted by like reference characters throughout the specification.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. Throughout the specification and claims, when a section is referred to as including an element, it is understood that it may include other elements as well, without departing from the other elements unless specifically stated otherwise.
이하, 본 발명의 실시 예에 따른 시뮬레이션 시스템 및 방법에 대하여 설명한다. Hereinafter, a simulation system and method according to an embodiment of the present invention will be described.
도 1은 본 발명의 실시 예에 따른 자가진화 행위자 기반 시뮬레이션 시스템의 구조를 나타낸 도이다. 1 is a diagram illustrating a structure of a self-evolutionary agent-based simulation system according to an embodiment of the present invention.
첨부한 도 1에서와 같이, 본 발명의 실시 예에 따른 자가진화 행위자 기반 시뮬레이션 시스템(1)(이하, 설명의 편의를 위하여 "시뮬레이션 시스템"이라고 명명함)은, 시뮬레이션 모델 학습 서브시스템(10), 시뮬레이션 실행 클러스터 서브시스템(20), 모델 및 컴포넌트 저장소(30), 데이터 저장소(40) 그리고 사용자 인터페이스(50)를 포함한다.1, the self-evolutionary agent-based simulation system 1 (hereinafter referred to as a "simulation system" for convenience of explanation) according to the embodiment of the present invention includes a simulation
시뮬레이션 모델 학습 서브시스템(10)은 하나 이상일 수 있으며, 시뮬레이션 모델을 생성하고 재구성하며, 행위자 기반 시뮬레이션에서 자가진화를 진행하고 기계 학습을 기반으로 시뮬레이션 모델을 수정한다. The simulation
시뮬레이션 실행 클러스터 서브시스템(20)(또는 간략하게 시뮬레이션 실행서브시스템이라고도 명명됨)은 시뮬레이션을 실행하는 하나 이상의 컴퓨팅 노드로 구성된다. 컴퓨팅 노드는 시뮬레이션 모델을 기반으로 시뮬레이션을 실행하고 시뮬레이션 결과를 저장하거나 전달하며, 시뮬레이션 실행 노드라고도 명명될 수 있으며, 간단하게 노드라고도 명명된다. 개별 시뮬레이션 작업은 복수의 노드에 분산되어 실행될 수도 있고, 한 개의 노드에서 실행될 수도 있다. 또한, 각 노드들은 멀티코어 서버로 구성될 수 있으며, 코어별로 시뮬레이션 작업을 할당할 수도 있다. 시뮬레이션 실행 클러스터 서브시스템(20)은 시뮬레이션 작업이 완료되면 그 결과를 시뮬레이션 모델 학습 서브시스템(10)으로 전달한다. Simulation execution The cluster subsystem 20 (or simply referred to as the simulation execution subsystem) consists of one or more computing nodes executing the simulation. The computing node executes the simulation based on the simulation model, stores or delivers the simulation result, and can also be referred to as a simulation execution node, also simply referred to as a node. The individual simulation operations may be executed in a distributed manner on a plurality of nodes or on a single node. In addition, each node can be configured as a multicore server, and a simulation task can be assigned to each core. The simulation
모델 및 모델 컴포넌트 저장소(30)는 하나 이상일 수 있으며, 시뮬레이션에서 사용되는 시뮬레이션 모델과, 시뮬레이션 모델들의 컴포넌트를 저장하는 서브시스템으로, 데이터베이스를 통하여 정보를 관리할 수도 있다. 구체적으로, 모델 및 모델 컴포넌트 저장소(30)는 복수의 시뮬레이션 모델의 구성 정보와 시뮬레이션 모델의 컴포넌트를 저장하며, 시뮬레이션 모델 학습 서브시스템(10)에 시뮬레이션 모델의 구성 정보와 시뮬레이션 모델의 컴포넌트를 제공하고, 시뮬레이션 모델 학습 서브시스템(10)에 의해 학습되어 재구성된 시뮬레이션 모델의 구성 정보를 저장한다.The model and model component storage 30 may be one or more, and may be a subsystem that stores the simulation model used in the simulation and the components of the simulation models, and may manage the information through the database. Specifically, the model and model component store 30 stores the configuration information of the plurality of simulation models and the components of the simulation model, and provides the simulation
데이터 저장소(40)는 시뮬레이션에서 사용되는 데이터를 저장하는 서브시스템으로, 데이터베이스를 통하여 정보를 관리할 수도 있다. 구체적으로, 데이터 저장소(40)는 시뮬레이션 모델 학습 서브시스템(10)에서 사용되는 데이터를 제공하고, 시뮬레이션 결과를 저장한다. 시뮬레이션 결과는 시뮬레이션 모델의 구성 아이디와 같이 저장되며, 시뮬레이션 모델의 성능을 나타낼 수 있다.The
사용자 인터페이스(50)는 시뮬레이션을 진행하기 위해 사용자와 상호 소통하기 위한 인터페이스이다. 사용자 인터페이스(50)는 사용자가 시뮬레이션을 생성하고 초기 설정할 수 있도록 사용자에 의해 입력되는 데이터를 해당 구성 요소로 전달하며, 또한 시뮬레이션 결과를 출력하여 사용자의 확인이 가능하도록 한다. 또한 사용자 인터페이스(50)는 사용자의 피드백을 해당 구성 요소로 전달함으로써, 시뮬레이션 모델의 선정에 영향을 줘서 사용자가 만족하는 결과를 도출 가능하도록 한다.The
이러한 서브 시스템(10~40)들은 서브 시스템간 통신망을 통하여 시뮬레이션 실행 클러스터 서브시스템(20)의 노드들과 통신을 할 수 있으며, 노드들도 서브시스템간 통신망을 통하여 통신할 수 있다. These
서브시스템 간 통신망은 복수의 서브시스템 및 노드 간의 통신을 제공하는 통신망을 구성하는 하드웨어와 소프트웨어를 지칭한다. 서브시스템간 통신망은 시뮬레이션 실행 노드 간 또는 서브시스템 간의 통신을 담당하며, 시뮬레이션 작업 할당이나 데이터, 모델 코드, 시뮬레이션 결과 등이 전달된다. 서브시스템 간 통신망은 일반적으로 한 개의 통신망이 사용되지만 복수의 여러 통신망이 혼재할 수도 있다. 통신망은 인터넷(Internet), LAN(Local Area Network), 무선랜(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G 또는 LTE(Long-Term Evolution)와 같은 이동 통신망(Mobile Radio Communication network) 등이 될 수 있으며, 본 발명은 이에 한정되지 않는다.The inter-subsystem communication network refers to hardware and software that constitute a communication network that provides communication between a plurality of subsystems and nodes. The inter-subsystem communication network is responsible for communication between simulation execution nodes or between subsystems, and transfers simulation job assignments, data, model codes, and simulation results. The inter-subsystem communication network generally uses one communication network, but a plurality of communication networks may be mixed. The communication network may be a mobile communication network such as the Internet, a LAN (Local Area Network), a WLAN (Wide Area Network), a PAN (Personal Area Network) (Mobile Radio Communication network), and the present invention is not limited thereto.
또한, 물리적으로는 시뮬레이션 모델 학습 서브시스템(10)과 시뮬레이션 실행 클러스터 서브시스템(20)의 컴퓨팅 노드가 동일한 머신 상에 존재할 수 있다. 모델 및 컴포넌트 저장소(30), 데이터 저장소(40), 사용자 인터페이스(50)도 시뮬레이션 모델 학습 서브시스템(10)이나 시뮬레이션 실행 클러스터 서브시스템(20)과 동일한 머신에서 동작 가능하다. 또한, 일반적으로 위의 서브시스템들은 기본적으로 한 개의 노드 상에서도 동작하지만, 기능이 분산된 클러스터 노드들이나 복수의 노드 그룹에서 동작할 수도 있다. Also, physically, the simulation
한편, 시뮬레이션 모델 학습 서브시스템(10)의 구체적인 구조에 대하여 살펴보면 다음과 같다. The specific structure of the simulation
시뮬레이션 모델 학습 서브시스템(10)은 도 1에서와 같이, 시뮬레이션 모델 학습/관리부(11), 시뮬레이션 스케줄러(12), 그리고 시뮬레이션 결과 분석부(13)를 포함한다. The simulation
시뮬레이션 모델 학습/관리부(11)는, 시뮬레이션 모델을 생성하고, 또한, 시뮬레이션에서 사용할 데이터를 시뮬레이션 모델과 연결하여 초기 시뮬레이션 설정 구성을 만들고, 기계학습을 바탕으로 초기 시뮬레이션 설정 구성에 따라 생성된 시뮬레이션 모델을 변화시키며, 시뮬레이션 모델에 적용된 데이터와 시뮬레이션 결과의 차이를 감소시켜, 최적화된 시뮬레이션 모델을 생성한다. The simulation model learning /
시뮬레이션 모델 학습/관리부(11)는, 구체적으로, 초기 시뮬레이션 설정 모드에서, 사용자 인터페이스(50)로부터 전달되는 사용자의 입력에 따라, 모델 및 모델 컴포넌트 저장소(30)로부터 읽어 드린 모델 컴포넌트를 조합하여 시뮬레이션 모델을 생성한다. 또한, 시뮬레이션에서 사용할 데이터를 시뮬레이션 모델과 연결하여 초기 시뮬레이션 모델을 생성하며, 초기 시뮬레이션 모델에 대응하는 구성 정보(시뮬레이션 설정 구성)가 저장 및 관리된다. 이후 시뮬레이션 모델 학습 모드에서, 기계학습을 바탕으로 초기 시뮬레이션 모델을 변화시키며, 시뮬레이션 설정 구성의 데이터 즉, 시뮬레이션 모델에 적용된 데이터와 시뮬레이션 결과의 차이를 감소시킨다. Specifically, in the initial simulation setting mode, the simulation model learning / managing
기계학습을 통한 시뮬레이션 모델의 변화시, 단일 시뮬레이션 모델이 아닌 복수의 시뮬레이션 모델을 사용하여 시뮬레이션을 수행하고, 각각의 시뮬레이션을 통하여 복수의 시뮬레이션 모델들 중에서 가장 우수한 시뮬레이션 모델을 선택하는 방법을 사용할 수 있다. 이를 위해, 시뮬레이션 모델 학습/관리부(11)는, 시뮬레이션 스케줄러(12)에 복수의 시뮬레이션 모델을 토대로 하는 복수의 시뮬레이션 작업(Job)을 요청한다. When changing the simulation model through machine learning, a method of performing simulation using a plurality of simulation models rather than a single simulation model, and selecting the best simulation model among a plurality of simulation models through each simulation can be used . To this end, the simulation model learning /
한편, 시뮬레이션 모델 학습/관리부(11)는, 시뮬레이션 예측 모드에서, 최적화된 시뮬레이션 모델을 시뮬레이션 스케줄러(12)에 전달하여 시뮬레이션 스케줄러가 단일 작업의 예측 시뮬레이션을 수행하도록 한다. 또한, 시뮬레이션 모델 학습/관리부(11)는, 시뮬레이션 동화 모드에서, 데이터 저장소(40)로부터 새로운 데이터를 로딩하여 과거의 데이터와 함께 시뮬레이션 모델의 학습에 활용하여 기계학습을 통한 최적의 시뮬레이션 모델을 선택한다. 이 때도 시뮬레이션 학습 모드에서와 같이, 복수의 시뮬레이션 작업을 시뮬레이션 스케줄러(12)에 요청한다. On the other hand, in the simulation prediction mode, the simulation model learning /
시뮬레이션 스케줄러(12)는 시뮬레이션 모델 학습/관리부(11)로부터의 시뮬레이션 작업 요청에 따라, 시뮬레이션 작업을 시뮬레이션 실행 클러스터 서브시스템(20)의 노드에 할당한다. 또한, 개별 시뮬레이션 작업에 대하여 시뮬레이션 모델, 시뮬레이션 설정 구성을 전달 받아 시뮬레이션 실행 클러스터 서브시스템(20)의 노드(들)에 전달하고, 시뮬레이션의 라이프 사이클을 관리한다.The
시뮬레이션 결과 분석부(13)는 시뮬레이션 실행 클러스터 서브시스템(20)에서 전달되는 시뮬레이션 결과를 취합하여 시뮬레이션 결과를 분석한다. 시뮬레이션 학습 모드에서는 개별 시뮬레이션 모델에 대한 시뮬레이션 결과를 분석하여 시뮬레이션 성능을 평가한다. 데이터 저장소(40)로부터 로딩된 데이터와 시뮬레이션 결과와의 차이를 활용하여 시뮬레이션 성능을 평가한다. 또한, 사용자 인터페이스(50)를 통하여 분석 결과를 사용자에게 보여주고 사용자의 피드백을 입력받을 수도 있다. The simulation
도 2는 본 발명의 실시 예에 따른 시뮬레이션 방법의 흐름도이다.2 is a flowchart of a simulation method according to an embodiment of the present invention.
시뮬레이션 시스템(1)은, 첨부한 도 2에 도시되어 있듯이, 초기 시뮬레이션 설정 모드로 동작한다(S100). 초기 시뮬레이션 설정 모드에서, 시뮬레이션 시스템(1)은, 사용자의 입력에 따라 대응하는 시뮬레이션 모델의 구성에 맞는 모델 컴포넌트를 조합하여 시뮬레이션 모델을 생성하고, 시뮬레이션에서 사용할 데이터를 시뮬레이션 모델과 연결하여 초기 시뮬레이션 설정 구성을 만들고, 이에 대응하는 초기 시뮬레이션 모델을 생성한다. The
이후, 시뮬레이션 시스템(1)은, 시뮬레이션 모델 학습 모드, 시뮬레이션 예측 모드, 시뮬레이션 모델 동화 모드로 동작하면서 자가진화를 진행한다.Thereafter, the
구체적으로, 시뮬레이션 시스템(1)은, 초기 시뮬레이션 설정 모드에서 시뮬레이션 모델 학습 모드로 동작하고(S110), 시뮬레이션 모델 학습 모드에서, 기계학습 방법을 토대로 초기 시뮬레이션 설정 모드에서 생성된 시뮬레이션 모델을 변화시키면서 최적의 시뮬레이션 모델을 생성한다. 데이터 저장소(30)로부터 업로드되어 시뮬레이션 모델에 적용된 데이터와 시뮬레이션 결과와의 차이를 줄여서 시뮬레이션 모델의 정확도를 향상시킨다. Specifically, the
이후, 시뮬레이션 시스템(1)은, 시뮬레이션 모델 학습 모드에서 시뮬레이션 예측 모드로 동작한다(S120). 시뮬레이션 예측 모드에서, 시뮬레이션 시스템(1)은, 업로드된 데이터에 없는 시간 구간의 시뮬레이션 결과를 만들어 예측한다. Thereafter, the
현재 업로드된 데이터가 아닌 새롭게 발생한 데이터가 있다면, 시뮬레이션 시스템(1)은, 시뮬레이션 예측 모드에서 시뮬레이션 동화 모드로 동작한다(S130, S140)는 시뮬레이션 동화 모드에서, 시뮬레이션 시스템(1)은, 현재 업로드된 데이터가 아닌 새롭게 발생한 데이터를 시뮬레이션 모델 학습에 사용한다. The
다음에는 위와 같은 도 2에 따른 시뮬레이션 방법에 대하여, 도 1의 구조를 참조하여 보다 구체적으로 설명한다. Next, the above-described simulation method according to Fig. 2 will be described in more detail with reference to the structure of Fig.
도 3은 본 발명의 실시 예에 따른 시뮬레이션 방법 중 초기 시뮬레이션 설정 모드와 시뮬레이션 모델 학습 모드의 과정을 나타낸 흐름도이다. 도 3에서, 점선으로 된 사각형은 반복적으로 수행되는 부분을 나타내며, 시뮬레이션 성능(즉, 데이터와 시뮬레이션 결과와의 차이)이 충분히 적을 때까지 반복 진행될 수 있다. 점선의 화살표는 사용자의 피드백을 받는 부분으로 경우에 따라 없을 수도 있다.3 is a flowchart illustrating a process of an initial simulation setting mode and a simulation model learning mode among simulation methods according to an embodiment of the present invention. In Fig. 3, the dotted rectangle represents the portion to be repeatedly executed, and can be repeated until the simulation performance (that is, the difference between the data and the simulation result) is sufficiently small. The dotted arrow is the portion of the user's feedback that may not be there.
첨부한 도 3에서와 같이, 사용자 인터페이스(50)를 통한 사용자 입력에 따른 시뮬레이션 초기 설정이 수신되면(S300), 시뮬레이션 모델 학습 시스템(10)의 시뮬레이션 모델 학습/관리부(11)는, 초기 시뮬레이션 설정 모드로 동작하면서, 모델 및 모델 컴포넌트 저장소(30)로부터 시뮬레이션 모델 구성/컴포넌트를 읽어 들이고, 데이터 저장소(40)로부터 시뮬레이션 데이터를 읽어 들인다(S310~S340).3, the simulation model learning / managing
시뮬레이션에 사용되는 모델은 행위자 기반이므로, 행위자 모델을 기반으로 한다. 행위자 모델의 속성, 행위, 환경 변수 등의 구성 요소들을 컴포넌트 형태로 조합 가능하게 하여 시뮬레이션 컴포넌트들로 구성하고, 이러한 시뮬레이션 컴포넌트를 조합하여 다른 행위자 기반의 시뮬레이션 모델을 구성할 수 있다. 이외에 시뮬레이션에 사용되는 환경 모델 등도 컴포넌트 조합형으로 구성한다. 시뮬레이션에 사용되는 컴포넌트는 미리 생성되어 모델 및 컴포넌트 저장소(30)에 저장될 수 있으며, 시뮬레이션 컴포넌트에 대해 식별자인 아이디(ID)가 부여되어 관리된다. 이 때 시뮬레이션 시나리오에 맞게 생성된 컴포넌트들은 시뮬레이션 시나리오의 아이디를 태깅(tagging)하여 메타 정보로 활용할 수 있다. 시뮬레이션 모델의 컴포넌트 조합 구성(시뮬레이션 모델 구성)은 컴포넌트 아이디의 수열로 표현 가능하다. 수열은 이진수, 10진수, 16진수의 다양한 형태로 인코딩이 가능하다. 컴포넌트의 위치가 시뮬레이션 모델에서의 컴포넌트의 용도를 의미할 수 있다. 이러한 시뮬레이션 모델 구성에도 아이디를 부여하여 구분하기 쉽게 할 수 있다.The model used in the simulation is based on the actor model, so it is based on the actor model. The actor model can be composed of components, such as attributes, behaviors, and environmental variables, which can be combined in component form, and the other actor-based simulation model can be constructed by combining these simulation components. In addition, the environment models used in the simulation are also composed of component combinations. The components used in the simulation can be generated in advance and stored in the model and component storage 30, and IDs, which are identifiers, are assigned to the simulation components and managed. At this time, the components generated according to the simulation scenario can be utilized as meta information by tagging the IDs of the simulation scenarios. Component composition of the simulation model (simulation model configuration) can be represented by a sequence of component IDs. A sequence can be encoded in various formats such as binary, decimal, and hexadecimal. The location of the component may refer to the use of the component in the simulation model. This simulation model configuration can be easily identified by assigning an ID.
도 4는 본 발명의 실시 예에 따른 시뮬레이션 모델의 구성 정보를 나타낸 예시도이다. 4 is an exemplary view showing configuration information of a simulation model according to an embodiment of the present invention.
첨부한 도 4에 예시된 바와 같이, 시뮬레이션 모델의 구성 정보에 대하여 모델 구성 아이디가 부여되고, 시뮬레이션 모델 중 행위자와 환경을 구성하는 각 컴포넌트의 아이디가 모델 구성 아이디에 대응된다. 즉, 모델 구성 아이디에 대하여 모델에 포함되는 행위자 모델의 속성 컴포넌트, 행위 컴포넌트, 환경 속성 컴포넌트의 아이디들이 대응된다. 이러한 시뮬레이션 모델의 구성 정보는 모델 및 컴포넌트 저장소(30)에 저장되어 관리될 수 있다. As illustrated in FIG. 4, the model configuration ID is assigned to the configuration information of the simulation model, and the ID of each component constituting the environment and the actor of the simulation model corresponds to the model configuration ID. That is, the IDs of the attribute component, action component, and environment attribute component of the agent model included in the model correspond to the model configuration ID. The configuration information of the simulation model can be stored and managed in the model and component storage 30.
시뮬레이션 모델 학습/관리부(11)는, 시뮬레이션 모델 구성/컴포넌트와 시뮬레이션 데이터를 토대로 초기 시뮬레이션 모델을 생성하고(S350), 생성된 시뮬레이션 모델에 대응하는 시뮬레이션 모델의 구성 정보를 도 4와 같은 형태로 모델 및 컴포넌트 저장소(30)에 저장한다. The simulation model learning /
이후, 시뮬레이션 시스템(1)은 시뮬레이션 모델 학습 모드로 동작한다. 시뮬레이션 모델 학습은 다양한 시뮬레이션 모델들의 시뮬레이션을 병렬로 실행하고 그 결과를 비교하는 것이다. Thereafter, the
시뮬레이션 모델 학습/관리부(11)는, 시뮬레이션 모델에 따른 시뮬레이션 작업을 시뮬레이션 스케줄러(12)에게 요청한다(S360). 시뮬레이션 스케줄러(12)는 시뮬레이션 모델을 실행하는 시뮬레이션 작업을 시뮬레이션 실행 클러스터 서브시스템(20)의 시뮬레이션 실행 노드들에 분산 할당한다(S370). 시뮬레이션 모델 별로 시뮬레이션 작업을 개별 노드에서 실행하도록 할 수 있고 각 노드의 멀티코어의 코어에 할당할 수도 있다. 시뮬레이션 스케줄러(12)는 직접 시뮬레이션 작업을 시뮬레이션 실행 노드들/각 노드의 코어에 할당할 수도 있고, 이러한 작업 할당을 시뮬레이션 실행 클러스터 서브시스템(20)의 마스터 노드에 요청할 수 있다. 시뮬레이션 스케줄러(12)를 통하여 시뮬레이션 자가진화 과정을 분산 병렬 처리하여 자가진화 과정을 가속화할 수 있다. 시뮬레이션 작업은 시뮬레이션 모델, 시뮬레이션 설정치, 시뮬레이션 결과 포맷으로 구성될 수 있다. The simulation model learning / managing
시뮬레이션 실행 노드들은 할당된 시뮬레이션 작업을 수행하고, 그에 따른 시뮬레이션 결과를 시뮬레이션 모델 학습 서브시스템(10)의 시뮬레이션 결과 분석부(13)로 전달한다(S380).The simulation execution nodes perform the assigned simulation work and transmit the simulation result to the simulation
시뮬레이션 결과 분석부(13)는 시뮬레이션 실행 노드들의 시뮬레이션 결과를 분석하여 시뮬레이션 데이터와 시뮬레이션 결과와의 차이를 활용하여 시뮬레이션 성능을 평가한다. 시뮬레이션 결과 분석은 개별 시뮬레이션 모델들의 실행 이후에 결과를 분석하는 것으로 미시적 또는 거시적 결과를 모두 고려하여 각 모델들의 유효성을 결정한다. 미시적/거시적 시뮬레이션 결과의 통계치나 시계열 결과치와 실제 데이터 상의 수치들과의 비교를 활용할 수 있다. 각 모델들의 유효성의 결정은 복수의 요소들을 고려하여 파악하여야 하므로, 다목적 최적화 방법을 적용하여 파레토 최적(Pareto optimal)들 중에서 선택하여 모델을 결정할 수 있다. 또한, 사용자 피드백을 시뮬레이션 결과 분석의 한 요소로 사용 가능하다. 이러한 다목적 성능 측정을 위한 수식은 예를 들어, 다음과 같이 나타낼 수 있다. The simulation
여기서, i는 시뮬레이션 모델의 아이디를 나타내고, x j 는 시뮬레이션 결과를 나타낸다. 시뮬레이션 결과는 미시적/거시적 시뮬레이션 결과의 통계치나 시계열 결과치와 실제 데이터 상의 수치들과의 차이 등을 포함할 수 있다. w j 는 각 시뮬레이션 결과에 대한 가중치이다. Puser(i)는 사용자의 i번째 시뮬레이션 모델에 대한 선호도를 나타낸다. Puser(i)는 사용자 인터페이스(50)를 통하여 입력받을 수 있다. Here, i represents the ID of the simulation model, and x j represents the simulation result. The simulation results may include statistical values of the microscopic / macroscopic simulation results or the difference between the time series results and the actual data values. w j is a weight for each simulation result. P user (i) represents the user's preference for the i-th simulation model. P user (i) can be input through the
시뮬레이션 결과 분석에 따른 전체 분석 결과는, 데이터 저장소(40)에 저장될 수 있으며, 시뮬레이션 모델 아이디를 인덱스로 해서 저장될 수 있다. 시뮬레이션 모델의 시뮬레이션 결과는 단순한 수식이 아니고 시계열 함수나 배열 형태로 저장될 수 있다. 시뮬레이션 결과 분석에 따른 전체 분석 결과는, 도 5에서와 같이, 일정 시간 구간별로 시뮬레이션 결과 분석에서 사용한 수식(수학식1)을 통하여 획득한 결과 분석치(성능치)를 저장할 수 있다. The entire analysis result according to the simulation result analysis can be stored in the
도 5는 본 발명의 실시 예에 따른 시뮬레이션 결과 분석에 따른 전체 분석 결과를 나타낸 예시도이다. FIG. 5 is a diagram illustrating an overall analysis result according to an analysis result of a simulation according to an embodiment of the present invention.
전체 분석 결과는 시뮬레이션 모델 아이디에 대응하여, 전체 평균 성능치, 시간 구간 1에서의 성능치, 시간 구간 2에서의 성능치, 시간 구간 3에서의 성능치 등을 포함할 수 있다. The overall analysis result may include the overall average performance value, the performance value in the
이와 같이, 시뮬레이션 결과 분석에 따른 전체 분석 결과를 시계열 배열 형태로 저장하여 관리할 수 있다. 시뮬레이션 결과 분석부(13)는 복수의 시뮬레이션 결과를 토대로 총합적인 시뮬레이션 결과를 분석하며, 시뮬레이션 결과는 자가진화를 위하여 재활용될 수 있다. In this way, the analysis result of the simulation result analysis can be stored and managed in a time series arrangement form. The simulation
한편, 시뮬레이션 결과 분석부(13)는 시뮬레이션 분석 결과를 사용자 인터페이스(50)를 통하여 출력하여 사용자가 검토하도록 하고, 사용자 인터페이스(50)를 통하여 입력되는 사용자 피드백을 포함하는 시뮬레이션 분석 결과를 시뮬레이션 모델 학습/관리부(11)로 전달한다(S390~S410). 아울러, 시뮬레이션 결과 분석부(13)는 시뮬레이션 분석 결과를 데이터 저장소(40)에 저장한다(S420). Meanwhile, the simulation
시뮬레이션 모델 학습/관리부(11)는 시뮬레이션 분석 결과를 토대로 시뮬레이션 모델을 업데이트하는 시뮬레이션 모델 학습을 수행한다(S430). 기계학습 방법을 토대로 초기 시뮬레이션 설정 모드에서 생성된 시뮬레이션 모델을 변화시키면서 최적의 시뮬레이션 모델을 생성한다. 업로드된 시뮬레이션 모델에 적용된 데이터와 시뮬레이션 결과의 차이를 줄여서 시뮬레이션 모델의 정확도를 향상시킨다. 기계학습을 통한 시뮬레이션 모델의 변화에서, 복수의 수정된 시뮬레이션 모델을 사용하여 시뮬레이션을 수행하고, 각각의 시뮬레이션을 통하여 복수의 시뮬레이션 모델들 중에서 가장 우수한 최적의 시뮬레이션 모델을 선택한다(S440, S450). 선택된 최적의 시뮬레이션 모델에 대한 구성 정보는 모델 및 컴포넌트 저장소(20)에 저장될 수 있다. The simulation model learning / managing
도 6은 본 발명의 실시 예에 따른 시뮬레이션 방법 중 시뮬레이션 예측 모드와 시뮬레이션 동화 모드의 과정을 나타낸 흐름도이다. 도 6에서, 점선으로 된 사각형은 반복적으로 수행되는 부분으로 시뮬레이션 성능(즉, 데이터와 시뮬레이션 결과와의 차이)가 충분히 적을 때까지 반복 진행된다. 여기서, 위의 기술된 도 5에서의 과정과 동일하게 수행되는 과정에 대해서는 상세 설명을 생략하다. FIG. 6 is a flowchart illustrating a process of the simulation prediction mode and the simulation moving picture mode among the simulation methods according to the embodiment of the present invention. In Fig. 6, the dotted rectangle repeats until the simulation performance (i.e., the difference between the data and the simulation result) is sufficiently small. Here, detailed description of the process performed in the same manner as the process of FIG. 5 described above is omitted.
위에 기술된 바와 같이 모델 학습 모드에서 기계 학습을 토대로 하여 최적의 시뮬레이션 모델이 선택되면, 시뮬레이션 시스템(1)은, 시뮬레이션 모델 학습 모드에서 시뮬레이션 예측 모드로 동작한다. 시뮬레이션 예측 모드에서 업로드된 데이터에 없는 시간 구간의 시뮬레이션 결과를 만들어 예측한다. When the optimal simulation model is selected based on the machine learning in the model learning mode as described above, the
첨부한 도 6에서와 같이, 사용자 인터페이스(50)를 통한 예측 시뮬레이션 요청에 따라, 시뮬레이션 모델 학습/관리부(11)는 모델 및 컴포넌트 저장소(20)로부터 시뮬레이션 학습 모드에서 선택된 최적의 시뮬레이션 모델에 대응하는 구성 정보를 로드하고, 해당하는 시뮬레이션 모델에 따른 시뮬레이션 작업을 시뮬레이션 스케줄러(12)에게 요청한다(S500~S530). 6, the simulation model learning /
시뮬레이션 스케줄러(12)에 의한 작업 할당에 따라, 시뮬레이션 실행 클러스터 서브시스템(20)의 적어도 하나 이상의 시뮬레이션 실행 노드에서 해당 시뮬레이션 모델을 토대로 한 시뮬레이션 작업을 수행하고 그 결과를 시뮬레이션 결과 분석부(13)로 전달한다(S540~S550). 이때, 데이터 저장소(40)로부터 업로드된 데이터에 없는 시간 구간의 시뮬레이션 결과를 예측하고, 이를 포함하는 시뮬레이션 결과를 시뮬레이션 결과 분석부(13)로 전달한다. At least one or more simulation execution nodes of the simulation
시뮬레이션 결과 분석부(13)는 시뮬레이션 결과들을 분석하여 그 결과 사용자 인터페이스(50)를 통하여 출력하고, 이후 사용자에 의해 입력되는 예측 동화 요청에 따라 시뮬레이션 시스템(1)은 시뮬레이션 동화 모드로 동작한다(S560~S570). The simulation
시뮬레이션 모델 학습/관리부(11)는 데이터 저장소(40)로부터 새로운 데이터를 로드하고(S580, S590), 이를 토대로 시뮬레이션 데이터를 재구성하고, 재구성된 시뮬레이션 데이터를 과거의 데이터와 함께 시뮬레이션 모델(단계 S520)에서 구성된 시뮬레이션 모델)과 연결하여 시뮬레이션 학습 모델의 설정 구성을 만든다(S600, S610).The simulation model learning /
이후, 시뮬레이션 모델 학습/관리부(11)는 시뮬레이션 학습 모델에 따른 작업을 시뮬레이션 스케줄러(12)에 요청함에 따라(S620), 시뮬레이션 실행 노드에서 새로운 데이터가 적용된 시뮬레이션 작업이 수행되고 그에 따른 시뮬레이션 결과를 토대로 한 분석 및 사용자의 분석 결과에 대한 피드백을 토대로 한 시뮬레이션 모델 업데이트가 수행될 수 있다(S630~S690). 업데이트된 시뮬레이션 모델은 모델 및 컴포넌트 저장소(30)에 저장되며(S700). 최종 시뮬레이션 모델이 선택된다(S710). After that, the simulation model learning / managing
이러한 과정에서, 시뮬레이션 모델 학습 모드나 동화 모드에서 기존의 시뮬레이션 모델에 대한 이전의 시뮬레이션 결과를 재활용하여 사용할 수 있다. 따라서, 시뮬레이션 모델 학습/관리부(11)는 시뮬레이션 작업을 하부의 시뮬레이션 스케줄러(12)에 요청하기 전에, 데이터 저장소(40)에서 모델 구성 아이디를 통하여 시뮬레이션 분석 결과를 조회한다. 해당 시뮬레이션 모델의 모델 구성 아이디에 대응하는 시뮬레이션 분석 결과가 존재하는 경우, 분석 결과 중 활용 가능한 부분을 제외하고 시뮬레이션 스케줄러(12)에 시뮬레이션 작업을 요청할 수 있다. 활용 가능한 부분은 전체 시뮬레이션 결과일 수도 있고 시계열 배열의 일부분일 수도 있다.In this process, the previous simulation results for the existing simulation model can be recycled and used in the simulation model learning mode or the animation mode. Therefore, the simulation model learning / managing
도 7은 본 발명의 다른 실시 예에 따른 시뮬레이션 장치의 구조도이다. 7 is a structural diagram of a simulation apparatus according to another embodiment of the present invention.
첨부한 도 7에 도시되어 있듯이, 본 발명의 다른 실시 예에 따른 시뮬레이션 장치(100)는 프로세서(110), 메모리(120) 및 송수신부(130)를 포함한다. 7, the simulation apparatus 100 according to another embodiment of the present invention includes a
프로세서(110)는 위의 도 2 내지 도 6을 토대로 설명한 방법들을 구현하도록 구성될 수 있다. 특히, 프로세서(110)는 시뮬레이션 모델 학습 서브시스템의 시뮬레이션 모델 학습/관리부, 시뮬레이션 스케줄러, 그리고 시뮬레이션 결과 분석부의 기능을 수행하도록 구성될 수 있다. 이 경우, 시뮬레이션 실행 클러스터 서브시스템은 도 7과 같은 구조를 가지는 별도의 시뮬레이션 실행 장치로 구현될 수 있으며, 당업자라면 본 실시 예를 토대로 시뮬레이션 실행 장치를 구현할 수 있으므로, 여기서는 상세한 설명을 생략한다. The
메모리(120)는 프로세서(110)와 연결되고 프로세서(110)의 동작과 관련한 다양한 정보를 저장한다. 메모리(120)는 프로세서(110)에서 수행하기 위한 명령어(instructions)를 저장하고 있거나 저장 장치(도시하지 않음)로부터 명령어를 로드하여 일시 저장할 수 있다. 프로세서(110)는 메모리(120)에 저장되어 있거나 로드된 명령어를 실행할 수 있다. 프로세서(110)와 메모리(120)는 버스(도시하지 않음)를 통해 서로 연결되어 있으며, 버스에는 입출력 인터페이스(도시하지 않음)도 연결되어 있을 수 있다. The
본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.The embodiments of the present invention are not limited to the above-described apparatuses and / or methods, but may be implemented through a program for realizing functions corresponding to the configuration of the embodiment of the present invention, a recording medium on which the program is recorded And such an embodiment can be easily implemented by those skilled in the art from the description of the embodiments described above.
이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리 범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 사업자의 여러 변형 및 개량 형태 또한 본 발명의 권리 범위에 속하는 것이다. While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments. It belongs to the scope of right.
Claims (1)
시뮬레이션 모델의 컴포넌트를 저장하는 모델 및 모델 컴포넌트 저장소;
시뮬레이션에서 사용되는 데이터를 저장하는 데이터 저장소; 및
상기 모델 및 모델 컴포넌트 저장소에 저장된 시뮬레이션 모델의 컴포넌트를조합하여 시뮬레이션 모델을 생성하고, 시뮬레이션 모델에 대하여 자가진화를 진행하면서 상기 시뮬레이션 모델의 시뮬레이션 결과를 토대로 상기 시뮬레이션 모델을 갱신 및 재구성하는 시뮬레이션 모델 학습 서브시스템
를 포함하는, 시뮬레이션 시스템.A simulation system for performing a simulation using at least one simulation execution node,
A model and a model component storage for storing components of a simulation model;
A data store for storing the data used in the simulation; And
A simulation model learning unit for generating a simulation model by combining the components of the simulation model stored in the model and model component storage and updating and reconfiguring the simulation model based on the simulation results of the simulation model while performing self- system
Gt; a < / RTI > simulation system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160154458A KR102063655B1 (en) | 2016-11-18 | 2016-11-18 | Method and apparatus for simulation based self evolution agent |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160154458A KR102063655B1 (en) | 2016-11-18 | 2016-11-18 | Method and apparatus for simulation based self evolution agent |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180056319A true KR20180056319A (en) | 2018-05-28 |
| KR102063655B1 KR102063655B1 (en) | 2020-01-08 |
Family
ID=62451629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160154458A KR102063655B1 (en) | 2016-11-18 | 2016-11-18 | Method and apparatus for simulation based self evolution agent |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102063655B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220081880A (en) | 2020-12-09 | 2022-06-16 | (주) 아인스에스엔씨 | Apparatus for real time analysis and real time operation visualization for discrete event system using digital twin |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140021389A (en) * | 2012-08-10 | 2014-02-20 | 한국전자통신연구원 | Apparatus and method for separable simulation by model design and execution |
| KR20150002283A (en) * | 2013-06-28 | 2015-01-07 | 삼성전자주식회사 | Simulation apparatus and Distributed simulation system |
-
2016
- 2016-11-18 KR KR1020160154458A patent/KR102063655B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140021389A (en) * | 2012-08-10 | 2014-02-20 | 한국전자통신연구원 | Apparatus and method for separable simulation by model design and execution |
| KR20150002283A (en) * | 2013-06-28 | 2015-01-07 | 삼성전자주식회사 | Simulation apparatus and Distributed simulation system |
Non-Patent Citations (1)
| Title |
|---|
| "자가진화 에이전트 기반 시뮬레이션을 위한 데이터 동화 기법 비교", 한국경영과학회 2016년 추계학술대회 논문집(pp. 620-623), 2016.10.* * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102063655B1 (en) | 2020-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tuli et al. | COSCO: Container orchestration using co-simulation and gradient based optimization for fog computing environments | |
| US11347481B2 (en) | Support system for designing an artificial intelligence application, executable on distributed computing platforms | |
| CN107888669B (en) | Deep learning neural network-based large-scale resource scheduling system and method | |
| Zhang et al. | Agent technology for collaborative process planning: a review | |
| CN108564164B (en) | Parallel deep learning method based on SPARK platform | |
| CN111966484A (en) | Cluster resource management and task scheduling method and system based on deep reinforcement learning | |
| De Coninck et al. | Dynamic auto-scaling and scheduling of deadline constrained service workloads on IaaS clouds | |
| JP7118726B2 (en) | workflow engine framework | |
| US20050204333A1 (en) | Integrated system-of-systems modeling environment and related methods | |
| CN111984385A (en) | Task scheduling method and task scheduling device based on decorative BIM model | |
| Klusáček et al. | Alea–complex job scheduling simulator | |
| Ehm | A data-driven modeling approach for integrated disassembly planning and scheduling | |
| Bañares et al. | Model and simulation engines for distributed simulation of discrete event systems | |
| Fan et al. | Dras: Deep reinforcement learning for cluster scheduling in high performance computing | |
| CN115543626A (en) | Power defect image simulation method adopting heterogeneous computing resource load balancing scheduling | |
| CN113033806A (en) | Method and device for training deep reinforcement learning model and scheduling method | |
| Tchernykh et al. | Mitigating uncertainty in developing and applying scientific applications in an integrated computing environment | |
| Li et al. | Single machine scheduling with two-agent for total weighted completion time objectives | |
| Feljan et al. | Task allocation optimization for multicore embedded systems | |
| CN114567560A (en) | Edge node dynamic resource allocation method based on generation confrontation simulation learning | |
| Venkataswamy et al. | Rare: Renewable energy aware resource management in datacenters | |
| Miloradović et al. | A genetic mission planner for solving temporal multi-agent problems with concurrent tasks | |
| EP3798931A1 (en) | Machine learning training resource management | |
| KR102063655B1 (en) | Method and apparatus for simulation based self evolution agent | |
| Baheri | Mars: Multi-scalable actor-critic reinforcement learning scheduler |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |