이미지 최적화
고객이 올린 저해상도 원고를 인쇄 가능한 해상도로 복원합니다.
공식 시험 측정 (①-1 · ①-2)
서버에 포함된 공식 샘플셋(3유형 × 50장)을 한 장씩 순차 측정합니다 — 고해상 원본(300PPI)을 서버가 1/2로 축소해 150PPI 저화질 입력(계획서 샘플1)을 만들고, 시험대상 SW로 300PPI로 복원한 뒤 원본과 PSNR을 비교합니다.
이미지 한 장 최적화
원고 한 장을 올려 복원 결과와 측정값을 바로 확인합니다.
여러 장 동시 최적화
여러 장을 한 번에 올리면 동시에 처리합니다.
재단선 생성 · 자재 배치
원고 외곽을 따라 재단선을 만들고, 자재 한 장에 최대한 많이 들어가도록 배치합니다. 결과는 재단선 SVG로 함께 나옵니다.
일괄 측정 (②-1 · ②-2)
여러 장을 한 번에 올리면 각각 따로 배치해 측정하고, 표와 평균을 함께 보여줍니다. 이미지 하나당 자재 한 장을 씁니다.
같은 이미지 배치
이미지 한 종류를 자재 한 장에 최적 배치합니다.
서로 다른 이미지 혼합 배치
여러 종류의 이미지를 한 자재에 함께 배치합니다.
생산 스케줄링
주문 조건을 만족하는 공장을 추린 뒤, 납기와 생산량을 함께 만족하는 배정을 찾습니다.
시험 데이터셋 사전 정의
시험은 사전에 확정해 저장소에 포함한 데이터로 수행합니다. 매 실행 새로 만들지 않으므로 같은 데이터가 재현되며, 아래에서 내용을 확인하고 원본을 내려받을 수 있습니다.
시험 case 생성
시드를 넣으면 주문·공장·돌발상황 한 벌을 만들고 데이터 품질(완전성·정확성·일관성)과 편향을 점검합니다. 생성 결과는 아래 주문–공장 배정 입력창에 자동으로 채워집니다.
주문–공장 배정
주문과 공장 목록을 넣으면 후보군 선정 → GA 배정 → 생산 시뮬레이션까지 수행합니다. GA 예산(개체군 × 세대)이 곧 적합도 평가 횟수 N이고, 커버리지가 이 N에 좌우됩니다.
③-2 탐색 커버리지 시험 고정 데이터셋
데이터셋을 불러오는 중…
DRL 재배정 — 학습 전/후 대조
돌발상황이 생긴 뒤 Q-러닝 정책이 주문을 다른 공장으로 옮겨 납기를 지키는지 봅니다. 학습셋과 시험셋은 서로 다른 시드의 case로 분리되므로 학습한 case를 그대로 평가하지 않습니다.
V&V 반복 측정
GA·DRL은 확률적이라 단발 측정이 인정되지 않습니다(ISO/IEC TS 4213). 시드를 여러 개 돌려 평균·최솟값·95% 신뢰구간을 냅니다. 콘솔은 축소 규모 전용이고, 공식 규모(시드 30개 × GA 예산 12,800회)는 scripts/vv_report_tech3.py --scale official로 돌립니다 (장표 원안 2만건 규모는 --scale official_20k).