KAIST KOOC 김탁곤 명예교수의 디지털 트윈 강의 열다섯 번째 차시입니다. 이번 강의는 **Digital Twin Simulation Model과 목적함수·최적화 알고리즘을 실제로 결합해 시스템을 최적화하는 방법**을 설명합니다. ## 목적함수와 Simulation Model의 결합 현실 시스템에서는 결정변수와 최적화 지수를 직접 수식으로 연결하기 어려운 경우가 많습니다. 예를 들어 교차로 신호 지속 시간을 바꿔 평균 대기시간을 최소화하려면, 신호 시간을 실제 Simulation Model에 입력하고 차량별 대기시간 데이터를 생성해야 합니다. 즉: **Decision Variable X → Simulation Model → Data D → Objective Function → Performance Y** 구조가 됩니다. ## Digital Twin Model의 역할 DT Simulation Model은 최적화 지수를 계산하는 데 필요한 데이터를 생성합니다. 최적화 알고리즘은 모델 내부 구조를 직접 알 필요 없이 Simulation 결과만 받아 다음 결정변수를 선택할 수 있습니다. 이를 Model-Free Optimization 관점에서 설명합니다. ## Simulation Engine DT 모델을 실행하려면 모델 형태에 맞는 Simulation Engine이 필요합니다. - 연속시간 모델 → 수치 적분기 - 이산사건 모델 → Event 처리기 같은 실행기가 필요합니다. ## Metaheuristic Search Simulation Model은 일반적으로 미분 가능한 수식 형태가 아니므로 모든 해를 직접 계산하기보다 제한된 시간 안에 좋은 해를 찾는 Metaheuristic 방식이 사용될 수 있습니다. ## 확률적 DT의 문제 Digital Twin이 확률적(Stochastic) 모델이면 같은 결정변수를 넣어도 Random Variable 때문에 결과가 매번 조금씩 달라질 수 있습니다. 따라서 한 번의 Simulation 결과만 비교하면 잘못된 최적화 판단을 내릴 수 있습니다. ## 반복 Simulation과 신뢰구간 동일한 결정변수에 대해 Random Seed를 바꾸어 여러 번 Simulation하고 결과의 평균과 신뢰구간을 계산합니다. 서로 다른 대안을 비교할 때는 단일 평균값뿐 아니라 통계적 신뢰성을 함께 고려해야 합니다. ## 정적 최적화와 동적 최적화 ### 정적 최적화 한 번 찾은 Parameter를 시스템 상태와 관계없이 사용하는 방식입니다. 장비 배치 같은 문제가 대표적입니다. ### 동적 최적화 현재 시스템 상태에 따라 최적 행동이 달라지는 방식입니다. 강의에서는 상태와 보상을 받아 다음 행동을 결정하는 **강화학습**을 동적 최적화의 한 예로 설명합니다. ## 핵심 정리 DT 기반 최적화는 단순히 Simulation을 여러 번 돌리는 것이 아니라: **Digital Twin + Simulation Engine + Objective Function + Optimization Algorithm + Statistical Validation** 을 결합하는 과정입니다. 특히 확률적 시스템에서는 반복 Simulation과 신뢰구간을 통해 결과의 신뢰성을 확보해야 합니다.