Loading...
Community presentation
# 1. 최종 주제 **수학적 최적화를 이용한 미래 스마트시티 인프라 배치 시스템 설계와 AR 구현** 조금 더 대학 수학을 강조하면 **그래프 이론과 최적화를 이용한 미래 스마트시티 인프라 배치 모델 설계와 AR 구현** 공학적 성격을 더 강조하면 **수학적 최적화를 통한 미래 도시 인프라 설계와 AR 기반 공간 …
Create your own version
Use this visual direction as inspiration for a new Presenton deck.
Use this designCreator prompt
# 1. 최종 주제 **수학적 최적화를 이용한 미래 스마트시티 인프라 배치 시스템 설계와 AR 구현** 조금 더 대학 수학을 강조하면 **그래프 이론과 최적화를 이용한 미래 스마트시티 인프라 배치 모델 설계와 AR 구현** 공학적 성격을 더 강조하면 **수학적 최적화를 통한 미래 도시 인프라 설계와 AR 기반 공간 구현** 이 중에서는 두 번째가 가장 좋다. 왜냐하면 이 탐구의 핵심 수학이 **그래프 이론 → 행렬 → 거리 계산 → 최적화 → 공간 설계** 로 이어지기 때문이다. --- # 2. 탐구의 핵심 아이디어 미래 도시에서는 시설을 어디에 배치하는지가 도시 시스템의 효율에 큰 영향을 준다. 예를 들어 전기차 충전소나 데이터센터와 같은 시설을 이용자와 지나치게 멀리 배치하면 이동 비용이 증가하고 특정 지역에 시설이 집중되면 다른 지역의 접근성이 낮아질 수 있다. 따라서 시설의 위치를 단순히 임의로 결정하는 것이 아니라 도시를 수학적 구조로 모델링하고 최적화 문제로 변환할 수 있다. 도시의 교차점과 주요 시설을 그래프의 정점으로 표현하고 도로를 간선으로 표현하면 도시의 공간 구조를 그래프로 나타낼 수 있다. 각 간선에는 거리나 이동 시간과 같은 가중치를 부여할 수 있다. 이렇게 만들어진 그래프를 이용하면 각 시설과 이용자 사이의 이동 비용을 계산할 수 있고 제한된 시설 수나 수용 능력과 같은 조건을 추가하여 최적의 시설 배치를 찾을 수 있다. 최종적으로 계산된 배치 결과를 3차원 도시 모델에 반영하고 AR로 실제 공간 위에 나타내면 수학적 최적화 결과가 실제 공학적 공간 설계로 변환되는 과정을 시각적으로 보여줄 수 있다. --- # 3. 왜 이 문제가 수학적 최적화 문제인가 시설 위치를 결정하는 문제는 수학적으로 **facility location problem**이라고 불리는 문제군과 연결된다. 시설 위치 문제에서는 여러 수요 지점에 서비스를 제공하기 위해 시설을 어디에 설치할 것인지 결정한다. 일반적으로 시설 설치 비용이나 이동 비용 등을 최소화하거나 일정 거리 안에서 최대한 많은 수요를 충족하는 것과 같은 목적을 설정한다. ([ScienceDirect][1]) 그래프 이론을 이용한 시설 배치 연구도 오래전부터 이루어졌다. Seppänen과 Moore는 시설의 위치 문제를 그래프 이론으로 표현하고 해결하는 방법을 연구했다. ([PubsOnLine][2]) 따라서 네 프로젝트는 단순히 "도시를 예쁘게 디자인하는 것"이 아니라 실제 수학과 공학에서 연구되어 온 **시설 위치 최적화 문제를 작은 도시 모델에 적용하는 것**으로 설명할 수 있다. --- # 4. 도시를 그래프로 표현하기 도시를 다음과 같이 정의한다. $$ G=(V,E) $$ 여기서 $$ V=\{v_1,v_2,\cdots,v_n\} $$ 은 도시의 주요 위치를 나타내는 정점의 집합이고 $$ E=\{e_1,e_2,\cdots,e_m\} $$ 은 두 위치를 연결하는 도로의 집합이다. 각 도로에는 가중치를 부여한다. $$ w(e)=\text{도로의 거리 또는 이동 비용} $$ 예를 들어 다음과 같은 도시를 생각할 수 있다. ```text A ----- B ----- C | | | | | | D ----- E ----- F | | | | | | G ----- H ----- I ``` 각 알파벳은 도시의 위치를 의미하고 선은 도로를 의미한다. A와 B 사이의 도로가 500 m라면 $$ w(A,B)=500 $$ 으로 표현한다. 이렇게 하면 실제 도시의 공간 구조를 컴퓨터가 처리할 수 있는 수학적 데이터로 바꿀 수 있다. --- # 5. 왜 그래프가 필요한가 단순한 좌표만 사용하면 두 지점의 직선거리는 계산할 수 있지만 실제 도시에서 이동하는 거리는 도로 구조에 의해 결정된다. 예를 들어 두 시설이 직선상으로 가까워도 그 사이에 건물이 있거나 연결된 도로가 없다면 실제 이동거리는 더 길어질 수 있다. 그래프를 사용하면 이러한 문제를 반영할 수 있다. 두 정점 사이의 실제 이동 비용은 그래프에서 여러 간선의 가중치를 더한 값으로 표현된다. $$ d(i,j)=\text{정점 }i\text{에서 }j\text{까지의 최단경로 비용} $$ 따라서 최단경로 알고리즘을 이용하여 도시의 이동 구조를 계산할 수 있다. 스마트시티의 도시 인프라를 그래프로 모델링하고 Dijkstra 알고리즘이나 Kruskal 알고리즘 등을 이용하여 경로와 연결 구조를 최적화하는 접근도 연구되고 있다. ([스마트시티 Gnosis][3]) --- # 6. 거리 행렬 모든 위치 사이의 거리를 행렬로 표현할 수도 있다. $$ D= \begin{bmatrix} d_{11}&d_{12}&\cdots&d_{1n}\\ d_{21}&d_{22}&\cdots&d_{2n}\\ \vdots&\vdots&\ddots&\vdots\\ d_{n1}&d_{n2}&\cdots&d_{nn} \end{bmatrix} $$ 여기서 $$ d_{ij} $$ 는 위치 \(i\)에서 위치 \(j\)까지 이동하는 데 필요한 비용을 의미한다. 이렇게 하면 그래프에서 얻은 도시 정보를 선형대수에서 사용하는 행렬 형태로 변환할 수 있다. 따라서 이 프로젝트에서는 **그래프 이론 → 행렬 → 최적화** 라는 대학 수학의 연결 구조를 만들 수 있다. --- # 7. 시설 배치 변수 예를 들어 미래 도시의 전기차 충전소를 배치한다고 하자. 후보 위치가 9개라면 각 위치에 충전소를 설치할지 결정하는 변수를 만든다. $$ y_j= \begin{cases} 1 & \text{위치 }j\text{에 충전소 설치}\\ 0 & \text{그렇지 않음} \end{cases} $$ 그리고 이용자 \(i\)가 충전소 \(j\)를 이용하는지를 $$ x_{ij} $$ 로 나타낸다. $$ x_{ij}= \begin{cases} 1 & \text{이용자 }i\text{가 시설 }j\text{를 이용}\\ 0 & \text{그렇지 않음} \end{cases} $$ 이렇게 하면 현실의 도시 설계 문제가 0과 1을 이용한 수학적 의사결정 문제로 변환된다. --- # 8. 목적함수 가장 기본적인 목표는 전체 이동거리를 최소화하는 것이다. $$ \boxed{ \min Z= \sum_{i=1}^{n}\sum_{j=1}^{m} d_{ij}x_{ij} } $$ 여기서 * \(d_{ij}\) = 수요 지점 \(i\)에서 시설 \(j\)까지의 거리 * \(x_{ij}\) = 해당 시설을 이용하는지 여부 * \(Z\) = 전체 이동 비용 이다. 즉 프로그램이 가능한 여러 시설 배치 중에서 \(Z\)가 가장 작은 배치를 찾도록 만든다. 이것이 이 프로젝트에서 **최적화가 실제 설계로 연결되는 핵심 부분**이다. MIT의 수리계획 강의에서도 여러 지역에서 시설까지의 거리를 최소화하는 문제를 facility location problem의 형태로 다루고 있으며 선형계획법으로 모델링할 수 있음을 제시한다. ([Massachusetts Institute of Technology][4]) --- # 9. 시설 개수 제한 시설을 무한히 설치할 수 있다면 모든 지역에 시설을 설치하면 이동거리를 쉽게 줄일 수 있다. 하지만 실제 공학에서는 비용과 공간이 제한되어 있다. 따라서 $$ \boxed{ \sum_{j=1}^{m}y_j\leq k } $$ 라는 조건을 추가한다. 여기서 \(k\)는 설치할 수 있는 시설의 최대 개수이다. 예를 들어 $$ k=3 $$ 이라면 9개의 후보 위치 중 최대 3곳에만 시설을 설치할 수 있다. 이 조건 때문에 최적화가 필요해진다. --- # 10. 이용자와 시설의 연결 조건 각 이용자는 적어도 하나의 시설에 배정되어야 한다. $$ \sum_{j=1}^{m}x_{ij}=1 $$ 그리고 시설이 설치되지 않은 위치에는 이용자를 배정할 수 없도록 $$ x_{ij}\leq y_j $$ 라는 조건을 추가한다. 따라서 시설이 없는 위치에는 $$ y_j=0 $$ 이 되고 $$ x_{ij}=0 $$ 이어야 한다. 이것을 통해 수학적 제약조건이 실제 도시 설계 조건을 표현한다. --- # 11. 이것이 공학적인 이유 공학에서는 단순히 하나의 값을 계산하는 것보다 **제한된 자원 안에서 시스템의 구조를 설계하는 것**이 중요하다. 이 프로젝트에서는 ```text 도시 공간 ↓ 도로 네트워크 ↓ 그래프 모델 ↓ 거리 행렬 ↓ 시설 배치 변수 ↓ 목적함수 ↓ 제약조건 ↓ 최적화 ↓ 시설 위치 결정 ↓ 3D 도시 설계 ↓ AR 구현 ``` 의 과정을 거친다. 따라서 수학을 계산 도구로만 사용하는 것이 아니라 **공학적 시스템 설계의 의사결정 과정으로 사용한다.** --- # 12. 다중 목적 최적화로 확장 실제 도시에서는 이동거리만 최소화하면 문제가 생길 수 있다. 예를 들어 시설 설치 비용도 고려해야 한다. 그러면 $$ \text{총 비용} = \text{이동 비용} + \text{설치 비용} $$ 으로 생각할 수 있다. 이를 수학적으로 $$ \boxed{ \min Z= \alpha \sum_{i,j}d_{ij}x_{ij} + \beta \sum_j c_jy_j } $$ 처럼 표현할 수 있다. 여기서 $$ \alpha,\beta $$ 는 각 목표의 중요도를 나타내는 가중치이다. 실제 시설 위치 문제에서는 비용과 접근성 등 여러 목표를 동시에 고려하는 다목적 최적화가 사용되고 있다. 도시 시설의 위치와 규모를 동시에 최적화하는 연구에서도 경제적·사회적·환경적 영향을 함께 고려하는 방식이 사용된다. ([ScienceDirect][5]) --- # 13. 더 발전시키면 환경까지 포함할 수 있다 미래 도시라면 에너지와 환경 조건도 넣을 수 있다. 예를 들어 $$ Z= \alpha C_{\text{distance}} +\beta C_{\text{construction}} +\gamma C_{\text{energy}} $$ 로 설정한다. 그러면 $$ \min Z $$ 를 통해 이동거리뿐 아니라 설치비와 에너지 비용까지 고려할 수 있다. 이때 중요한 것은 가중치를 임의로 정하고 결과를 "최적"이라고 단정하지 않는 것이다. 가중치가 달라지면 최적해도 달라질 수 있다. 따라서 $$ \alpha=1,\beta=1 $$ 인 경우와 $$ \alpha=2,\beta=1 $$ 인 경우를 비교하면 **설계 기준에 따라 도시 구조가 어떻게 변화하는지** 분석할 수 있다. 이것이 단순한 최적값 계산보다 더 좋은 탐구 포인트가 된다. --- # 14. 실제 연구와 연결되는 부분 시설 위치 최적화는 실제 도시계획과 운영연구에서 연구되는 분야다. 최근 연구에서는 도시 공공시설 위치 문제를 그래프로 표현하고 여러 목표를 동시에 고려하는 방법도 연구되고 있다. 2026년 연구에서는 도시 공공시설 위치 문제에 그래프 기반 공간 표현을 결합한 다목적 최적화 방법이 제안되었다. ([ScienceDirect][6]) 또 다른 연구에서는 그래프 위에서 시설의 위치를 결정하면서 제한된 수의 시설로 전체 네트워크를 얼마나 효과적으로 커버할 것인지 연구한다. ([Springer][7]) 따라서 네 탐구는 실제 연구 분야와 연결되는 구조를 가지고 있다. --- # 15. AR을 사용하는 이유 AR은 단순히 작품을 멋있게 보이게 하기 위해 사용하는 것이 아니다. 최적화의 결과는 원래 숫자와 좌표의 형태로 나타난다. 예를 들어 ```text 시설 1 → 위치 3 시설 2 → 위치 7 시설 3 → 위치 8 총 이동거리 → 1260 ``` 이라는 결과가 나온다고 하자. 이 결과만 보면 도시 구조가 어떻게 변화했는지 직관적으로 이해하기 어렵다. AR을 사용하면 계산 결과를 실제 공간 위에 배치하여 **수학적 결과 → 공간적 구조** 로 변환할 수 있다. AR을 도시계획에 사용하는 연구에서는 도시 설계 정보를 실제 환경 위에 겹쳐 보여주는 방식이 사용되고 있으며 도시계획과 설계의 시각화에 AR을 활용할 수 있다는 연구 결과가 있다. ([MDPI][8]) 2026년에는 디지털 트윈 도시와 지리적 AR을 연결하여 도시 정보를 전달하고 도시 설계에 대한 사용자 참여를 지원하는 연구도 발표되었다. ([MDPI][9]) --- # 16. AR 산출물의 구체적인 모습 최종 산출물은 다음과 같이 설계할 수 있다. ### AR 미래 스마트시티 실제 책상 위에 작은 도시 모형이 나타난다. 도시에는 * 도로 * 건물 * 주거지역 * 전기차 충전소 * 태양광 발전시설 * 데이터센터 * 물류센터 가 표시된다. 그리고 시설마다 색이나 아이콘을 달리한다. 사용자가 AR 화면에서 시설을 선택하면 ```text 시설: 전기차 충전소 설치 위치: Node 7 평균 이동거리: 142 m 전체 이동거리: 1,284 m 최적화 전: 1,967 m 최적화 후: 1,284 m ``` 와 같은 정보를 표시하도록 만들 수 있다. --- # 17. 가장 중요한 AR 기능 단순히 최적화된 도시 하나만 보여주는 것보다 **최적화 전과 후를 비교하는 기능**을 넣는 것이 좋다. ### 모드 1 무작위 배치 ### 모드 2 최적화 배치 그리고 AR에서 두 도시를 전환한다. 예를 들어 $$ C_{\text{before}}=1967 $$ $$ C_{\text{after}}=1284 $$ 라면 $$ \text{개선율} = \frac{1967-1284}{1967}\times100 $$ 으로 계산한다. 그러면 최적화가 실제 도시 구조에 어떤 변화를 만들었는지 보여줄 수 있다. --- # 18. 더 발전된 AR 기능 여기서 네 프로젝트의 수준을 한 단계 높일 수 있다. AR 화면에서 ```text 시설 개수 [ 3 ] 이동거리 중요도 [ 70 ] 설치비 중요도 [ 30 ] ``` 를 변경하면 프로그램이 다시 최적화한다. 그러면 $$ (\alpha,\beta) $$ 가 변화하고 최적의 시설 위치도 바뀐다. 즉 **사용자 입력 → 수학적 최적화 → 새로운 설계 → AR 공간 변화** 라는 상호작용 구조를 만들 수 있다. 이렇게 되면 AR은 결과를 보여주는 화면이 아니라 **수학적 모델과 사용자가 상호작용하는 공학적 인터페이스**가 된다. --- # 19. 산출물 전체 구조 최종 작품을 다음과 같이 만들면 된다. ```text [사용자 입력] 인구 시설 개수 시설 설치비 이동거리 중요도 에너지 비용 ↓ [수학적 모델] 그래프 G=(V,E) ↓ [거리 계산] 거리 행렬 D ↓ [최적화] min Z subject to 시설 개수 제한 수요 할당 조건 시설 용량 조건 ↓ [최적 시설 위치] Node 2 Node 5 Node 8 ↓ [3D 도시 모델] 건물 도로 시설 에너지망 ↓ [AR] 실제 공간 위에 최적화된 미래 도시 표시 ``` 이 구조 자체를 발표의 핵심 도식으로 사용할 수 있다. --- # 20. 대학 수학과의 연결 이 프로젝트에서 대학 수학은 단순히 공식 하나를 가져오는 것이 아니다. ### 1단계 고등학교 수학에서 좌표와 벡터를 이용해 도시의 위치를 표현한다. $$ P_i=(x_i,y_i) $$ ### 2단계 도시를 그래프로 추상화한다. $$ G=(V,E) $$ ### 3단계 그래프의 거리를 행렬로 표현한다. $$ D=[d_{ij}] $$ ### 4단계 시설 배치를 변수로 정의한다. $$ x_{ij},y_j $$ ### 5단계 목적함수를 만든다. $$ \min Z $$ ### 6단계 제약조건을 추가한다. $$ \sum_jy_j\leq k $$ ### 7단계 최적해를 계산한다. ### 8단계 최적해를 실제 3차원 공간 설계로 변환한다. 이렇게 하면 **고등학교 수학 → 대학 수학 → 컴퓨터공학 → 공학 설계 → AR** 가 하나의 흐름으로 연결된다. --- # 21. 선형대수와의 연결 선형대수는 특히 중요한 역할을 한다. 도시의 위치 정보를 벡터로 나타낼 수 있다. $$ p_i= \begin{bmatrix} x_i\\ y_i \end{bmatrix} $$ 여러 위치를 하나의 행렬로 묶으면 $$ P= \begin{bmatrix} x_1&y_1\\ x_2&y_2\\ \vdots&\vdots\\ x_n&y_n \end{bmatrix} $$ 가 된다. 따라서 도시 전체가 하나의 데이터 행렬로 표현된다. 이 행렬을 변환하고 분석하여 도시의 공간 구조를 계산할 수 있다. --- # 22. 그래프 이론과의 연결 그래프에서는 $$ V=\text{위치} $$ $$ E=\text{도로} $$ $$ w=\text{거리 또는 비용} $$ 로 생각한다. 이렇게 하면 실제 도시의 도로망을 수학적 구조로 변환할 수 있다. 특히 최단경로 문제는 $$ \min\sum_{e\in P}w(e) $$ 로 표현할 수 있다. 여기서 \(P\)는 특정 두 위치를 연결하는 경로이다. 즉 "어떤 도로를 선택해야 가장 짧은가"라는 현실 문제를 수학적 최소화 문제로 바꾸는 것이다. --- # 23. 최적화와의 연결 최적화의 기본 구조는 다음과 같다. $$ \boxed{ \text{목적함수 최적화} } $$ 단, $$ \boxed{ \text{제약조건} } $$ 을 만족해야 한다. 따라서 $$ \min f(x) $$ subject to $$ g_i(x)\leq0 $$ 와 같은 형태가 된다. 네 프로젝트에서는 $$ x=\text{시설 배치} $$ 이고 $$ f(x)=\text{도시 시스템 비용} $$ 이다. 그러므로 최적화 결과 자체가 도시의 설계 결과가 된다. --- # 24. 왜 최적화 결과가 항상 하나의 정답은 아닌가 이 부분을 발표에 넣으면 상당히 중요하다. 도시의 최적화에서는 무엇을 최소화할 것인지에 따라 결과가 달라진다. 예를 들어 **이동거리 최소화** 와 **설치비 최소화** 는 서로 다른 결과를 만들 수 있다. 또한 환경 비용까지 추가하면 다시 결과가 달라질 수 있다. 따라서 > 최적해는 절대적인 하나의 정답이라기보다 설정한 목적과 제약조건 아래에서 가장 적합한 해이다. 라고 해석해야 한다. 이것이 최적화의 중요한 특징이다. --- # 25. 예외와 현실적 한계 수학적 모델은 현실을 완전히 표현하지 못한다. 실제 도시에서는 * 교통량 * 건물 높이 * 토지 가격 * 지형 * 시간대별 이용량 * 날씨 * 전력 수요 * 시설 수용 능력 * 공사 가능 여부 등이 동시에 영향을 준다. 따라서 단순한 거리만 최소화하면 현실적인 최적 배치와 차이가 발생할 수 있다. 시설 위치 문제에서도 수요와 공급뿐 아니라 비용이나 용량과 같은 다양한 조건을 추가하는 연구가 이루어지고 있다. ([ScienceDirect][5]) --- # 26. 이 한계를 오히려 탐구로 활용 여기서 단순히 "한계가 있다"라고 끝내지 말고 실험으로 만들 수 있다. ### 실험 1 거리만 고려 $$ Z=D $$ ### 실험 2 거리 + 설치비 $$ Z=D+C $$ ### 실험 3 거리 + 설치비 + 에너지 $$ Z=D+C+E $$ 그리고 세 결과를 비교한다. 그러면 > 목적함수에 어떤 요소를 포함시키느냐에 따라 최적의 도시 구조가 달라진다. 는 것을 직접 확인할 수 있다. --- # 27. 실제 연구에서 나타나는 문제 시설 배치 문제는 단순히 평균 거리를 최소화하는 것만으로 충분하지 않을 수도 있다. 예를 들어 평균적으로는 효율적인 배치라도 특정 지역 주민만 지나치게 먼 거리를 이동해야 할 수 있다. 최근 시설 위치 연구에서는 효율성뿐 아니라 접근성의 불균형이나 형평성을 고려하는 방법도 연구되고 있다. ([ScienceDirect][10]) 따라서 후속 탐구에서는 $$ \text{평균 이동거리} $$ 뿐 아니라 $$ \text{최대 이동거리} $$ 도 함께 최소화하는 방법을 비교할 수 있다. --- # 28. AR을 통한 결과 검증 AR은 단순 시각화뿐 아니라 설계 결과를 검토하는 도구로도 사용할 수 있다. 예를 들어 최적화 결과에서 시설이 한 지역에 집중되었다면 AR에서 실제 공간에 표시해 보고 다음 질문을 할 수 있다. ```text 시설이 지나치게 집중되어 있지 않은가? 주거지역에서 접근하기 쉬운가? 도로가 실제로 연결되어 있는가? 시설 사이의 거리가 적절한가? 도시 공간에서 지나치게 많은 면적을 차지하지 않는가? ``` 따라서 **수학적 최적화 → AR 시각화 → 공간적 검토 → 모델 수정 → 재최적화** 라는 반복적인 설계 과정도 만들 수 있다. 이것은 공학적 설계 과정과 잘 연결된다. --- # 29. 최종 산출물 발표에서 산출물을 명확하게 다음과 같이 제시하면 된다. ### 산출물 1 **도시 그래프 모델** 도로와 시설 후보 위치를 그래프로 표현한다. ### 산출물 2 **거리 행렬** 각 위치 사이의 최단거리를 행렬로 표현한다. ### 산출물 3 **최적화 프로그램** 시설의 최적 위치를 계산한다. ### 산출물 4 **3D 미래 도시 모델** 최적화 결과를 실제 도시 형태로 변환한다. ### 산출물 5 **AR 미래 도시** 최적화된 도시를 실제 공간 위에 표시한다. ### 산출물 6 **최적화 전후 비교** 전체 이동거리나 비용이 얼마나 변했는지 표시한다. --- # 30. AR 기술과 도시계획의 연구 근거 도시계획에서 AR은 실제 환경에 디지털 정보를 겹쳐 보여주는 방식으로 활용될 수 있다. 도시계획 분야에서는 AR을 이용하여 기존 환경과 계획된 공간을 비교하고 공간 설계를 시각화하는 연구가 이루어졌다. ([MDPI][8]) WebXR을 이용한 도시계획 시각화 연구에서는 XR 기술이 도시계획과 스마트시티 관리에 활용될 수 있으며 기존 공간에서 직접 확인하기 어려운 공간 정보를 새로운 방식으로 시각화할 수 있다고 분석했다. ([MDPI][11]) 2026년 스마트시티 관련 체계적 문헌고찰에서는 2009년부터 2024년까지의 연구를 분석하여 XR이 도시 설계와 계획의 몰입형 시각화, 교통 및 내비게이션, 안전과 대응 등의 분야에서 활용되어 왔음을 정리했다. ([MDPI][12]) 따라서 AR 산출물은 단순한 장식이 아니라 **도시 시스템 설계 결과를 공간적으로 검증하고 전달하는 인터페이스**라는 근거를 만들 수 있다. --- # 31. 선행연구 정리 | 연구 | 핵심 내용 | 네 탐구와 연결 | | ---------------------------- | ---------------------- | ------------ | | Seppänen & Moore | 그래프 이론을 이용한 시설 위치 문제 | 도시를 그래프로 모델링 | | Hartmann et al. | 그래프 위 시설 위치 최적화 | 시설 위치 결정 | | MIT Mathematical Programming | 시설 위치 문제의 선형계획 모델 | 최적화 수식 | | Wang et al. 2026 | 그래프 기반 도시 공공시설 다목적 최적화 | 최신 연구 연결 | | Urban Planning AR 연구 | AR 기반 도시계획 시각화 | AR 산출물 | | XR Smart City SLR 2026 | XR과 스마트시티 연구 동향 | AR의 연구적 근거 | ([PubsOnLine][2]) --- # 32. 탐구 동기 다음 문장은 보고서에 그대로 사용할 수 있다. > 미래 도시에서는 다양한 시설과 인프라가 서로 연결되어 작동하기 때문에 시설의 위치를 어떻게 결정하는지가 도시 시스템의 효율에 영향을 줄 수 있다. 처음에는 미래 도시를 3차원으로 구현하는 것에 초점을 맞추었지만 공간을 단순히 시각적으로 구성하는 것만으로는 공학적 설계 과정이 충분히 드러나지 않는다고 생각했다. 이에 도시의 구조를 그래프로 표현하고 위치 사이의 거리를 행렬로 나타낸 뒤 시설의 위치를 최적화하는 방법을 탐구하고자 했다. 최종적으로 계산된 최적해를 3차원 도시 모델에 반영하고 AR로 구현하여 수학적 모델이 실제 공간 설계로 변환되는 과정을 확인하고자 했다. --- # 33. 탐구 목적 > 이 탐구의 목적은 도시의 도로와 시설 위치를 그래프와 행렬로 모델링하고 최적화 기법을 이용하여 제한된 조건에서 효율적인 시설 배치를 찾는 것이다. 또한 계산된 결과를 3차원 도시 모델과 AR 환경에 적용하여 추상적인 수학적 결과가 실제 공간 설계로 변환되는 과정을 구현하는 것을 목표로 한다. --- # 34. 탐구 질문 다음 세 가지로 잡으면 좋다. ### 질문 1 **도시의 공간 구조를 그래프와 행렬로 어떻게 수학적으로 표현할 수 있는가?** ### 질문 2 **제한된 시설 수와 비용 조건에서 시설의 위치를 어떻게 최적화할 수 있는가?** ### 질문 3 **최적화된 결과를 AR 공간에 구현했을 때 수학적 설계 결과를 어떻게 시각적으로 검증할 수 있는가?** --- # 35. 탐구 과정 ```text 1. 미래 도시 시스템 선정 ↓ 2. 도시를 격자 또는 그래프로 모델링 ↓ 3. 각 도로에 거리 가중치 부여 ↓ 4. 최단경로 계산 ↓ 5. 거리 행렬 생성 ↓ 6. 시설 후보 위치 설정 ↓ 7. 의사결정변수 설정 ↓ 8. 목적함수 설정 ↓ 9. 제약조건 설정 ↓ 10. 최적화 수행 ↓ 11. 최적 시설 위치 추출 ↓ 12. 3D 도시 모델에 적용 ↓ 13. AR로 구현 ↓ 14. 최적화 전후 비교 ↓ 15. 목적함수 변화에 따른 결과 분석 ``` --- # 36. Colab에서 구현할 계산 부분 네가 태블릿을 사용하고 별도의 고성능 PC 없이 진행한다는 조건에서는 **Google Colab에서 수학적 계산을 수행하고 AR에는 최종 결과만 전달하는 구조**가 현실적이다. 구현 흐름은 ```text Colab ↓ 도시 데이터 생성 ↓ 그래프 생성 ↓ 거리 계산 ↓ 최적화 ↓ 최적 시설 위치 출력 ↓ 3D 좌표 생성 ↓ AR 제작 도구로 전달 ``` 로 구성할 수 있다. --- # 37. 실제 실험 데이터 처음부터 실제 도시 데이터를 사용할 필요는 없다. 오히려 탐구 과정에서는 작은 가상 도시를 만드는 것이 좋다. 예를 들어 $$ 5\times5 $$ 격자 도시를 만든다. 총 25개의 교차점을 만들고 일부를 주거지역으로 설정한다. ```text ●──●──●──●──● │ │ │ │ │ ●──●──●──●──● │ │ │ │ │ ●──●──●──●──● │ │ │ │ │ ●──●──●──●──● │ │ │ │ │ ●──●──●──●──● ``` 각 ●가 후보 위치가 된다. 그리고 이용자 수를 각 위치마다 다르게 설정한다. 예를 들어 $$ d= [20,15,40,10,\cdots] $$ 처럼 수요량을 부여한다. 그러면 단순히 거리만 가까운 곳이 아니라 **많은 사람이 이용하는 지역을 고려한 시설 배치**가 가능하다. --- # 38. 수요를 포함한 모델 이용자 수를 \(q_i\)라고 하면 목적함수를 $$ \boxed{ \min \sum_i\sum_j q_i d_{ij}x_{ij} } $$ 로 만들 수 있다. 이 식의 의미는 매우 중요하다. 이용자가 많은 지역에서 시설까지 거리가 멀면 비용이 크게 증가한다. 따라서 프로그램은 자연스럽게 많은 이용자가 있는 지역에 가까운 시설 배치를 선택하게 된다. 이렇게 하면 단순 거리 최적화보다 실제 도시 설계에 가까워진다. --- # 39. 시설 용량까지 추가 충전소나 데이터센터처럼 시설마다 처리할 수 있는 양이 제한되어 있다고 가정할 수 있다. 시설 \(j\)의 용량을 \(C_j\)라고 하면 $$ \sum_i q_i x_{ij}\leq C_jy_j $$ 라는 조건을 사용할 수 있다. 즉 시설이 설치되어 있지 않으면 이용자를 받을 수 없고 시설이 설치되어 있더라도 처리할 수 있는 수요 이상의 이용자를 배정할 수 없다. 이 부분까지 들어가면 단순한 거리 문제가 아니라 **제약조건을 포함한 공학적 시스템 최적화**가 된다. --- # 40. 최종 결과에서 비교할 값 최적화 전후로 다음 값을 비교한다. | 항목 | 최적화 전 | 최적화 후 | | ------- | ----: | ----: | | 시설 수 | 동일 | 동일 | | 총 이동거리 | 계산 | 계산 | | 평균 이동거리 | 계산 | 계산 | | 최대 이동거리 | 계산 | 계산 | | 설치비 | 계산 | 계산 | | 에너지 비용 | 계산 | 계산 | | 종합 목적함수 | 계산 | 계산 | 이 표를 AR 작품 옆에 표시하면 산출물과 수학적 탐구가 직접 연결된다. --- # 41. 발표에서 가장 중요한 그림 PPT에는 이 그림 하나를 중심으로 만들면 된다. ```text 현실 도시 ↓ 수학적 추상화 ↓ 그래프 G=(V,E) ↓ 거리 행렬 D ↓ 최적화 문제 ↓ 최적해 ↓ 3D 도시 설계 ↓ AR 미래도시 ``` 이것이 사실상 전체 탐구의 논리 구조다. --- # 42. 결론 > 도시의 시설 배치 문제는 단순한 공간 배치가 아니라 여러 위치와 연결 관계를 고려하여 제한된 자원을 효율적으로 배분해야 하는 최적화 문제로 볼 수 있다. 도시를 그래프로 표현하면 도로와 위치의 관계를 수학적으로 나타낼 수 있고 최단경로를 이용하여 위치 사이의 이동 비용을 계산할 수 있다. 이를 거리 행렬과 의사결정변수로 변환하면 시설의 위치를 목적함수와 제약조건을 통해 최적화할 수 있다. 그러나 최적해는 어떤 목표를 설정하느냐에 따라 달라지므로 하나의 절대적인 답이라기보다 주어진 조건에서의 최적해로 이해해야 한다. 최종적으로 이러한 계산 결과를 3차원 도시 모델과 AR에 적용하면 추상적인 수학적 최적화 결과가 실제 공간 구조의 변화로 나타나는 과정을 확인할 수 있다. 따라서 이 탐구에서는 수학이 단순히 계산을 수행하는 도구가 아니라 미래 시스템의 구조를 결정하는 설계 도구로 활용될 수 있음을 보여주고자 한다. --- # 43. 후속 탐구 후속 탐구에서는 하나의 목적함수만을 사용하는 대신 여러 목적을 동시에 고려하는 다목적 최적화로 모델을 확장할 수 있다. 이동거리뿐 아니라 시설 설치 비용과 에너지 소비량을 함께 고려하면 서로 다른 설계 결과가 나타나는지 비교할 수 있다. 또한 평균 이동거리만 최소화하는 경우와 최대 이동거리를 최소화하는 경우를 비교하여 효율성과 접근성 사이의 관계를 분석할 수 있다. 이후 시간대별 이용자 수나 교통량을 추가하면 고정된 도시 구조가 아니라 시간에 따라 변화하는 도시 시스템의 최적화로 발전시킬 수 있다. --- # 44. 최종적으로 네 프로젝트에서 보여줘야 할 것 가장 중요한 것은 **AR 작품 자체가 아니라 그 AR 작품이 어떤 수학적 계산에서 나왔는지를 보여주는 것**이다. 최종 발표를 다음 구조로 만들면 된다. ```text 문제 ↓ 미래 도시 시설을 어디에 배치해야 하는가? 수학적 모델 ↓ 그래프 + 행렬 최적화 ↓ 목적함수 + 제약조건 계산 ↓ 최적 시설 위치 공학적 설계 ↓ 3D 미래 도시 산출물 ↓ AR 미래 도시 검증 ↓ 최적화 전후 성능 비교 확장 ↓ 다목적 최적화 ``` 이렇게 구성하면 **대학 수학을 사용한 탐구이면서 공학적 시스템 설계이고 실제 계산 산출물이 있으며 최종 결과가 AR 작품으로 연결되는 구조**가 된다. 특히 현재 연구에서도 시설 위치 문제와 그래프 이론 및 최적화의 결합이 계속 연구되고 있고 ([PubsOnLine][2]) AR/XR을 도시계획과 스마트시티의 공간 시각화에 활용하는 연구도 존재하기 때문에, 주제 자체의 학문적 연결도 충분히 설명할 수 있다. ([MDPI][12]) ### 바로 참고할 핵심 원자료 * [MIT Mathematical Programming 강의자료 — Facility Location](https://web.mit.edu/1.041/www/lectures/L18-linear-programming-2026sp.pdf?utm_source=chatgpt.com) * [MIT OpenCourseWare — Introduction to Mathematical Programming](https://ocw.mit.edu/courses/6-251j-introduction-to-mathematical-programming-fall-2009/pages/readings/?utm_source=chatgpt.com) * [INFORMS — Facilities Planning with Graph Theory](https://pubsonline.informs.org/doi/10.1287/mnsc.17.4.B242?utm_source=chatgpt.com) * [Springer — Continuous Facility Location on Graphs](https://link.springer.com/article/10.1007/s10107-021-01646-x?utm_source=chatgpt.com) * [ScienceDirect — 도시 공공시설 다목적 위치 최적화 연구](https://www.sciencedirect.com/science/article/pii/S0198971526000177?utm_source=chatgpt.com) * [MDPI — AR을 활용한 도시계획 시각화 연구](https://www.mdpi.com/2073-445X/12/2/377?utm_source=chatgpt.com) * [MDPI — WebXR 도시계획 시각화 연구](https://www.mdpi.com/2220-9964/10/11/721?utm_source=chatgpt.com) * [MDPI — 2026 XR 스마트시티 체계적 문헌고찰](https://www.mdpi.com/2076-3417/16/2/679?utm_source=chatgpt.com) * [MDPI — AR과 디지털 트윈 도시 연구](https://www.mdpi.com/2413-8851/10/4/176?utm_source=chatgpt.com) --- 원하시면 다음을 도와드릴 수 있습니다. * 계획된 AR 인터페이스 구체 기능 묘사하기 * 도시 시설 최적화 문제의 복수 목표 설정 예시 제공 * 최적화와 AR 구현 결합 사례 기반 탐구 확장 제안 [1]: https://www.sciencedirect.com/topics/economics-econometrics-and-finance/facility-location?utm_source=chatgpt.com "Facility Location - an overview | ScienceDirect Topics" [2]: https://pubsonline.informs.org/doi/10.1287/mnsc.17.4.B242?utm_source=chatgpt.com "Facilities Planning with Graph Theory | Management Science" [3]: https://smartcity.efri.uniri.hr/article.php?id=28275&utm_source=chatgpt.com "Smart City Gnosis" [4]: https://web.mit.edu/1.041/www/lectures/L18-linear-programming-2026sp.pdf?utm_source=chatgpt.com "Spring 2026" [5]: https://www.sciencedirect.com/science/article/pii/S0305054822001344?utm_source=chatgpt.com "Optimization of facility location and size problem based on bi-level multi-objective programming - ScienceDirect" [6]: https://www.sciencedirect.com/science/article/pii/S0198971526000177?utm_source=chatgpt.com "A multi-objective graph reinforcement learning framework for urban public facility location problem - ScienceDirect" [7]: https://link.springer.com/article/10.1007/s10107-021-01646-x?utm_source=chatgpt.com "Continuous facility location on graphs | Mathematical Programming | Springer Nature Link" [8]: https://www.mdpi.com/2073-445X/12/2/377?utm_source=chatgpt.com "Planning and Designing Natural and Urban Environments with an Adaptive Visualization Framework: The Case of Pazhou Island, Guangzhou, Pearl River Delta" [9]: https://www.mdpi.com/2413-8851/10/4/176?utm_source=chatgpt.com "Enabling Citizen Engagement via Geolocated AR Interaction with a Digital Twin City" [10]: https://www.sciencedirect.com/science/article/pii/S0191261525001687?utm_source=chatgpt.com "A scalable optimization approach for equitable facility location: Methodology and transportation applications - ScienceDirect" [11]: https://www.mdpi.com/2220-9964/10/11/721?utm_source=chatgpt.com "Usability of WebXR Visualizations in Urban Planning | MDPI" [12]: https://www.mdpi.com/2076-3417/16/2/679?utm_source=chatgpt.com "How Extended Reality Is Shaping Smart Cities: A Systematic Literature Review" Follow Design: {"palette":["Cyber Obsidian #0A0F1D — main immersive dark background","Spatial HUD Cyan #00E5FF — graph vertices, active AR coordinates, key vectors","Phosphor Delta Green #00E676 — post-optimization improvements and solution paths","Pre-Optimization Amber #FFAB00 — baseline comparison nodes and constraint thresholds","Telemetry Slate #1E293B — card backgrounds, matrix grids, structural modules","Terminal Frost White #F8FAFC — primary headlines and high-contrast text"],"fonts":{"Space Grotesk":"https://fonts.googleapis.com/css2?family=Space+Grotesk:wght@300..700&display=swap","Inter":"https://fonts.googleapis.com/css2?family=Inter:ital,wght@0,100..900;1,100..900&display=swap","JetBrains Mono":"https://fonts.googleapis.com/css2?family=JetBrains+Mono:ital,wght@0,100..800;1,100..800&display=swap"},"type":"Space Grotesk in bold tracking-tight (-0.02em) for technological titles; Inter regular to medium with generous line-height (1.6) for core descriptive analysis; JetBrains Mono in uppercase for coordinate badges, objective function equations (min Z), matrix cells, and algorithmic node IDs.","layout":"12-column cyber-physical dashboard grid with 48px outer margins; asymmetric split-screen comparing pre-optimization graphs against post-optimization AR topologies; dedicated right-hand telemetry rail for parameter adjustments (alpha, beta, facility capacities).","framework_treatment":"Deep translucent glassmorphism cards with fine 1px cyan borders (#00E5FF22); interactive matrix callout containers; glowing node-link graph diagrams overlaid onto subtle isometric grid backdrops; side-by-side comparative metric chips with delta percentages highlighted in green and amber.","feels_like":"An Apple Vision Pro spatial digital twin dashboard meets an advanced MIT Operations Research simulation lab"}
Presentation overview
This community presentation was shared by 권현진 as a complete 20-slide example. # 1. 최종 주제 **수학적 최적화를 이용한 미래 스마트시티 인프라 배치 시스템 설계와 AR 구현** 조금 더 대학 수학을 강조하면 **그래프 이론과 최적화를 이용한 미래 스마트시티 인프라 배치 모델 설계와 AR 구현** 공학적 성격을 더 강조하면 **수학적 최적화를 통한 미래 도시 인프라 설계와 AR 기반 공간 … The preview lets you review the full sequence in order, rather than judging the design from a single cover image.
Use it as a reference for planning your own deck: notice how the amount of information changes from slide to slide, where visual emphasis appears, and how repeated design choices help the presentation feel connected. Community examples are inspiration, not locked templates, so you can keep the ideas that fit your audience and replace anything that does not.
Learn from the example
Look at the job each slide performs. Identify where the deck introduces its subject, develops the main points, adds evidence or examples, and moves toward a conclusion.
Notice which element attracts attention first and how headings, supporting text, images, and data are separated. Strong hierarchy makes the intended reading order obvious.
Compare spacing, typography, color, and repeated components across the slides. Consistent rules help varied content feel like one presentation instead of unrelated screens.
Make it your own
Begin with your audience and the decision, lesson, or action the presentation should support. Replace the topic, examples, evidence, and visuals with material you can verify, then edit every slide for one clear takeaway. You can borrow the visual direction without copying the creator's wording or message. Presenton will use this community deck as a design reference while you develop content for your own purpose.
