ABM과 DES로 복잡한 운영 의사결정 모델링하기

문제의 구조가 모델 선택을 결정한다

시뮬레이션 모델링은 복잡한 시스템의 동작을 가상 환경에서 재현하고, 대안을 적용하기 전에 의사결정을 검토하는 방법이다. 이때 핵심은 도구 이름보다 문제를 어떤 방식으로 움직이는 시스템으로 볼 것인가에 있다.

Agent-Based Modeling(ABM)은 개별 에이전트의 행동 규칙과 상호작용으로부터 거시적 패턴이 창발하는 과정을 모사한다. 자율성, 이질성, 로컬 상호작용을 표현하는 데 적합하며 복잡계, 사회·생태 시스템, 시장의 미시역학 분석에 활용할 수 있다.

Discrete Event Simulation(DES)은 사건(event)이 일어나는 시점에만 시스템 상태가 바뀌는 것으로 보고 시간을 진행한다. 엔티티, 큐, 자원, 스케줄을 중심으로 모델을 구성하므로 제조, 물류, 콜센터처럼 프로세스와 용량 계획이 중요한 환경에 맞는다.

NetLogo는 ABM 개발, 시각화, 실험 설계를 통합한 오픈 환경이다. Arena는 그래픽 블록 모델링과 통계·실험 도구를 제공하는 DES 도구다.

행위자 상호작용과 공정 흐름을 다루는 방식

ABM은 스텝 기반(tick) 또는 연속 시간 근사로 시간을 표현한다. 미시 규칙에서 거시 행동이 나타나는 구조이므로 상호작용 밀도가 높은 복잡계 분석에 강점이 있다. 모델은 에이전트(Agent), 환경(Environment), 규칙(Rules)으로 구성하며, 상태 전이와 근린(neighborhood) 상호작용, 적응이나 학습을 표현할 수 있다. 네트워크 토폴로지, 이동 규칙, 유틸리티 또는 룰 기반 의사결정 로직은 행위의 다양성을 담는 수단이 된다.

DES는 이벤트 타임라인을 따라가며 변화가 없는 시간 구간은 건너뛴다. 공정, 대기, 자원 경쟁을 모델의 중심에 둘 때 계산 효율을 확보하기 좋다. 엔티티(Entity), 자원(Resource), 큐(Queue), 프로세스(Process), 일정(Arrival/Service)을 연결하고, 도착·서비스 분포, 라우팅 로직, 우선순위와 스케줄링 정책으로 처리 흐름을 제어한다.

DES는 사건 중심 처리 덕분에 계산량을 줄이기 유리하다. 반면 ABM은 에이전트 수와 상호작용 밀도에 따라 비용이 증가한다. 병렬 실행과 배치 실행은 이 부담을 보완하는 방법이다.

데이터 보정과 검증이 모델의 경계를 드러낸다

입력값은 이력 로그, 센서 데이터, MES/ERP 데이터, 설문·관찰 데이터에서 가져올 수 있다. 도착과 서비스 같은 분포는 χ², K-S 검정으로 적합도를 확인하고, 파라미터는 최소자승 또는 베이즈 방식으로 보정한다.

검증(V&V)은 모델의 구조와 결과를 나누어 확인하는 과정이다. 먼저 가정이 모델 구조에 맞는지 점검하고, 이어 face validity와 극단값 테스트로 동작을 검증한다. 마지막으로 통계적 동등성 검정을 통해 결과를 확인한다.

실험 설계에서는 Plackett–Burman을 이용한 요인 스크리닝, 반응표면(RSM), 민감도 및 강건성 분석을 적용할 수 있다. 시나리오를 비교할 때는 난수 시드를 관리하고, 배치 실행과 신뢰구간 비교를 함께 설계해야 한다.

⤢✕

운영 환경에 맞춰 적용하는 패턴

제조 라인의 용량 계획에서는 DES와 Arena를 사용할 수 있다. 공정 라우팅, 장비 가동·수리 분포, 도착 패턴, 배치·세팅 시간을 입력으로 두고, FCFS 또는 우선순위 큐 정책과 자원 캘린더, 병목 탐지를 반영한다. 결과로 스루풋, WIP, 대기시간, 설비 가동률을 확인하고 투자 전 시나리오별 OEE 개선폭을 추정한다.

도시 교통과 보행 흐름은 ABM과 NetLogo에 적합한 사례다. 도로망 또는 보행 네트워크, 신호 주기, 경로 선택·군집 같은 행태 규칙을 설정한 뒤 간격 유지, 병목, 우회, 적응적 경로 변경을 표현한다. 평균 이동시간, 혼잡도 히트맵, 병목 위치를 통해 이벤트나 공사의 영향을 평가할 수 있다.

감염병 확산과 개입 전략도 ABM으로 모델링할 수 있다. 인구 특성, 접촉 네트워크, 전염·회복 확률을 바탕으로 비약물 개입(NPI) 시나리오와 백신 우선순위를 적용하고, Rt 추이, 피크 병상 수요, 개입 대비 효과를 분석한다.

콜센터와 고객 서비스에서는 DES가 시간대별 도착률, 상담 시간 분포, 멀티스킬 에이전트를 다루기 좋다. 라우팅과 우선순위 정책, 워크포스 스케줄링을 적용해 ASA, abandonment rate, 서비스 레벨을 확인하고 인력과 정책을 조정한다.

유통·창고 피킹 전략은 두 모델을 결합할 수 있다. 상위 운영 흐름은 DES로 처리하고, 피커의 행태·충돌·우회는 ABM으로 세부화한다. 이 방식은 운영 정책과 현장 행태의 상호작용을 정량화하는 데 사용된다.

NetLogo에서 감염 확산 규칙을 확인하는 예시

NetLogo 6.4+ 환경에서는 실행 전에 Random seed를 고정해 재현성을 확보할 수 있다(requirements: JVM 동작 환경). 아래 모델은 거리 기반 상호작용과 간단한 감염 확산 규칙을 검증하는 용도다.

; NetLogo 6.4+
globals [ infected-count ]
turtles-own [ state ]  ; "S", "I", "R"

to setup
  clear-all
  random-seed 12345
  crt 500 [
    setxy random-xcor random-ycor
    set state "S" set color blue
  ]
  ask n-of 5 turtles [ set state "I" set color red ]
  set infected-count count turtles with [state = "I"]
  reset-ticks
end

to go
  ; 이동
  ask turtles [
    rt random-float 30 - 15
    fd 0.7
  ]
  ; 감염
  ask turtles with [state = "I"] [
    let contacts turtles in-radius 1 with [state = "S"]
    ask contacts [
      if random-float 1 < 0.15 [ set state "I" set color red ]
    ]
  ]
  ; 회복
  ask turtles with [state = "I"] [
    if random-float 1 < 0.02 [ set state "R" set color gray ]
  ]
  set infected-count count turtles with [state = "I"]
  tick
end

초기 5명 감염 설정을 확인하고, 감염률과 회복률의 극단값(0,1)을 테스트한다. 공간 밀도를 바꾸었을 때 Rt가 얼마나 민감하게 달라지는지도 검증 대상이다.

Arena 실험에서 확인할 항목

입력 모델에서는 ExpertFit 등을 이용해 도착·서비스 분포를 적합시키고, 캘린더와 다운타임, 배치·세팅 로직을 반영한다. 프로세스는 Create–Process–Decide–Assign–Record 블록으로 구성하며, 자원(Seize/Delay/Release) 정책과 우선순위·프리엠프 설정을 함께 검토한다.

실험 단계에서는 변곡법 또는 Welch로 워밍업을 추정하고, 런 길이와 배치 수를 정한다. 공통 난수 스트림(CRN)을 사용해 대안을 비교하고 신뢰구간을 기준으로 결과를 판단한다.

패러다임 비교 관점

항목	ABM (NetLogo)	DES (Arena)
성능	에이전트 수·상호작용에 따라 O(N)~O(N²) 증가	이벤트 중심 처리로 고효율, 대규모 엔티티에서도 안정적
확장성	행태 다양성·네트워크 구조 확장 용이	공정·자원 확장 용이, 다사이트·멀티스킬 관리 강점
일관성	행태 변화에 따른 결과 변동성 큼, 재현성은 시드 관리로 확보	프로세스 변경 영향 추적 용이, 통계적 일관성 높음
안정성	규칙 충돌·경합 시 예외 처리 필요	큐/자원 정책 내장, 경계조건 처리 안정
운영 편의	코드 중심 유연성, 시각화 강함	블록 모델링·애니메이션·리포트 자동화 우수

제조·물류에서는 스루풋 520% 개선, WIP 1540% 감축, 리드타임 1030% 단축 효과를 기대할 수 있으며 도메인과 정책에 따라 변동한다. 서비스 영역에서는 SLA 충족률 515%p 향상, 포기율 1025% 감소, 인력 비용 512% 절감이 기대 효과로 제시된다.

가정이 시각화되면 의사결정의 신뢰도를 높이고, 시나리오별 리스크를 드러낼 수 있다. 시각 시뮬레이션은 이해관계자의 합의를 돕고, 사전 검증은 변화 관리 리스크를 완화하는 역할을 한다. 초기 PoC에서는 범위를 축소해 가설을 확인한 뒤 표준 라이브러리화하고 운영 의사결정 체계에 통합할 수 있다.