리오 틴토, 대규모 근방 탐색으로 수십 년에 걸친 노천광 채굴 계획 문제를 해결하다

수십 년에 걸친 채굴을 아우르는 노천광 채굴 계획은 방대하고 복잡한 최적화 모델을 만들어낸다. 채굴장 순서, 배합, 장비, 광석 품위가 모두 상호작용한다. 기성 솔버는 시간 초과에 걸리거나 메모리가 고갈되어, 계획 담당자들은 소수의 시나리오만 수작업으로 분석하는 방식으로 되돌아갈 수밖에 없었다.

이 팀의 대규모 근방 탐색은 문제를 다른 방향에서 해결한다. 슬라이딩 윈도 휴리스틱이 초기 실행 가능한 계획을 생성한 뒤, 반복되는 제한적 혼합정수 풀이가 매 반복마다 변수의 일부만을 자유롭게 한다. 근방 형성 전략은 모델의 구조를 활용해 어떤 변수를 풀어줄지 선택한다.

리오 틴토에서 실제로 운영 중인 이 접근법은 상용 솔버가 처리하지 못했던 대규모 장기 계획 모델을 풀어내며 풀이 시간을 획기적으로 단축하고, 계획 담당자들이 여러 시나리오를 시험할 수 있게 하여 수백만 달러 규모의 가치 통찰을 창출한다.

대부분의 변수를 고정하고, 매번 하나의 근방을 재최적화한다

대부분의 변수를 고정하면 각 부분문제가 정확히 풀 수 있을 만큼 작아지며, 서로 다른 근방을 반복하는 과정에서 단일 탐욕적 패스가 빠질 수 있는 지역적 함정을 벗어날 수 있다.

구조를 인식한 근방(블록, 벤치, 시간 구간)은 실제로 상호작용하는 변수를 풀어주므로 반복이 빠르게 수렴한다.

시나리오 탐색이야말로 진정한 성과다. 이제 계획 담당자들은 세 번의 실행을 아껴 쓰는 대신, 다양한 미래에 대해 '만약에'라는 질문을 던질 수 있다.

모델이 너무 커서 풀 수 없을 때는 질문을 축소하지 말고, 답의 대부분을 고정한 뒤 결정의 근방을 이동시키며 재풀이하여 수렴할 때까지 반복하라.

2026년 INFORMS Journal on Applied Analytics에 게재되었다. 리오 틴토는 이 프레임워크를 장기 광산 계획에 사용하고 있으며, 논문은 더 빨라진 시나리오 탐색을 통해 창출된 '수백만 달러 규모의 가치 통찰'을 보고한다.