Core Concepts
본 연구는 다목적 문제에 대한 도전과제를 해결하기 위해 개발된 Pareto Envelope Augmented with Reinforcement Learning (PEARL) 이라는 새로운 방법론을 소개한다. PEARL은 다중 신경망을 사용하지 않고도 단일 정책을 학습할 수 있어, 기존 접근법에 비해 계산 부담이 낮다. 또한 제약 조건을 효과적으로 다룰 수 있는 Constrained-PEARL (C-PEARL) 알고리즘을 제안한다.
Abstract
본 연구는 압수형 경수로(PWR) 노심 장전 패턴(LP) 최적화 문제에 PEARL 알고리즘을 적용하여 그 성능을 평가한다.
첫 번째 문제는 주기 길이(LC)와 봉 통합 첨두 계수(F∆h)를 최적화 목표로 하며, 두 번째 문제에서는 평균 농축도를 추가 목표로 한다. 또한 세 가지 제약 조건(보론 농도 Cb, 최대 연소도 Bumax, 최대 출력 Fq)을 고려한다.
PEARL 알고리즘은 기존 확률적 최적화 기법들과 비교하여 우수한 성능을 보인다. 특히 PEARL-NdS 변형은 추가적인 노력 없이도 Pareto 전선을 효과적으로 탐색할 수 있다. 또한 다양한 성능 지표에서 기존 접근법을 능가한다.
향후 연구에서는 하이퍼파라미터에 대한 민감도 분석과 통계적 분석을 수행하여 PEARL의 적용을 최적화하고, 더 복잡한 문제로 확장할 계획이다.
Stats
주기 길이(LC)와 봉 통합 첨두 계수(F∆h)를 최적화 목표로 하는 문제에서 PEARL은 기존 접근법을 능가한다.
평균 농축도를 추가 목표로 하는 문제에서도 PEARL이 우수한 성능을 보인다.
PEARL-NdS 변형은 추가적인 노력 없이도 Pareto 전선을 효과적으로 탐색할 수 있다.
Quotes
"PEARL은 다중 신경망을 사용하지 않고도 단일 정책을 학습할 수 있어, 기존 접근법에 비해 계산 부담이 낮다."
"PEARL-NdS 변형은 추가적인 노력 없이도 Pareto 전선을 효과적으로 탐색할 수 있다."