강화학습은 인공지능 기반 의사결정의 핵심 방법 중 하나로, 에이전트가 환경과 상호작용하며 얻는 보상을 바탕으로 순차적 의사결정 전략을 학습합니다. SDO 연구실은 복잡한 시스템에서 효과적으로 작동하는 강화학습 알고리즘을 연구하고, 이를 현실의 의사결정 문제에 적용하는 방법을 탐구합니다.

Reinforcement learning (RL) is a key approach to AI-driven decision-making. It enables agents to learn strategies for sequential decisions by interacting with their environments and receiving rewards. At SDO Lab, we study RL algorithms for complex systems and explore how they can be applied to real-world decision problems.

Key methods

RL in applications, MARL, imitation learning

최적화는 산업공학의 핵심 분야로, 주어진 제약 아래에서 목표를 가장 잘 달성하는 의사결정을 찾는 방법을 연구합니다. SDO 연구실은 순차적 의사결정 모형을 중심으로 제조, 물류, 의료 분야의 문제를 정식화하고 효율적으로 해결하는 방법을 연구합니다.

Optimization is a core area of industrial engineering concerned with finding the best decisions under given constraints. At SDO Lab, we formulate and solve decision problems in manufacturing, logistics, and healthcare, with a particular focus on sequential decision-making models and efficient solution methods.

Key methods

Sequential decision-making, mathematical programming, metaheuristics

공학 시스템은 서로 영향을 주고받는 다양한 요소로 이루어져 있습니다. SDO 연구실은 이러한 상호작용을 모델링하고, 시스템 전체의 목표를 달성하기 위한 설계와 운영 방안을 연구합니다. 현재 시스템에서 더 나은 운영 결정을 찾는 동시에, 시스템의 구조와 규칙을 바꾸어 더 나은 의사결정이 가능하도록 하는 방법도 탐구합니다.

Engineering systems consist of interrelated components whose interactions shape system-level outcomes. At SDO Lab, we model these interactions and study how to design and operate systems to achieve shared objectives. We explore both better operational decisions within existing systems and changes to system structures and rules that enable better decisions.

Key methods

Modeling and simulation, system design optimization, MARL