공항 자원 배정 문제를 위한 생성 흐름 네트워크 기반 최적화 기법 연구 = A Study on Optimization Methods Based on Generative Flow Networks for Airport Resource Allocation Problems

국문 초록 (Abstract)

전 세계 항공 운송 수요의 지속적 증가로 공항 운영의 효율성은 항공 산업 경쟁력의 핵심 요소로 부상하고 있다. 이 중 게이트 배정 문제(GateAssignment Problem, GAP)는 자원 제약과 실시간성이 복합된 조합 최적화 문제로, 기존 기법은 해 탐색의 다양성과 효율성 측면에서 한계를보여왔다. 본 연구에서는 GAP를 혼합정수선형계획(Mixed Integer Linear Programming, MILP)으로 수학적으로 모델링하고, 시간 제약, 게이트수용 능력, 항공사 선호도 등 실제 운영 조건을 반영하였다. 이후, 생성 흐름 네트워크(Generative Flow Network, GFlowNet)를 적용하여 보상에비례하는 확률 분포를 학습하고, 구조적으로 다양한 고보상 해를 확률적으로 생성하는 강화학습 기반 최적화 기법을 설계하였다. 인천국제공항실제 데이터를 기반으로 기존 A3C(Asynchronous Advantage Actor-Critic)기반 강화학습 기법과 동일한 조건에서 비교한 결과, 제안한 GFlowNet기반 접근법은 게이트 활용률 100%, 평균 실행 시간 3.16초를 기록하며, A3C 대비 5.4%의 자원 활용률 향상과 41% 실행 시간 단축을 달성하였다.
또한, 제약 조건 충족률 95% 이상, 해 다양성 지표(Diversity Score) 1.0을 달성하며 구조적 중복 없는 해 탐색 성능을 입증하였다. 본 연구는MILP 기반 수리 모델과 생성형 강화학습 기법의 결합이 실시간 공항 운영과 지능형 자원 배정에 효과적으로 기여할 수 있음을 실증적으로 보여준다.

다국어 초록 (Multilingual Abstract)

With the continuous growth in global air traffic demand, the operational efficiency of airports has become a critical factor in thecompetitiveness of the aviation industry. Among various operational challenges, the Gate Assignment Problem (GAP) is a combinatorialoptimization problem characterized by complex resource constraints and real-time requirements. Existing approaches have shown limitationsin terms of solution diversity and computational efficiency. In this study, GAP is mathematically modeled as a Mixed Integer LinearProgramming (MILP) formulation, incorporating practical operational constraints such as time windows, gate capacity, and airlinepreferences. A novel optimization method based on Generative Flow Networks (GFlowNet) is proposed to learn reward-proportionalprobability distributions and stochastically generate structurally diverse, high-reward solutions. Using real-world data from IncheonInternational Airport, the proposed GFlowNet-based approach was compared under the same experimental conditions with an A3C(Asynchronous Advantage Actor-Critic)-based reinforcement learning method. The results showed that the proposed method achieved a100% gate utilization rate and an average execution time of 3.16 seconds, improving resource utilization by 5.4% and reducing runtimeby 41% compared to A3C. Furthermore, it achieved over 95% constraint satisfaction and a diversity score of 1.0, demonstrating its effectivenessin exploring non-redundant, high-quality solutions. This study empirically demonstrates that combining MILP-based mathematical modelingwith generative reinforcement learning can effectively contribute to real-time airport operations and intelligent resource allocation.