Smart Port Berth Allocation Optimization Using MCP-Based LLM-RL Hybrid Agent

스마트 항만의 선석 배정 문제(Berth Allocation Problem, BAP)는 선박 도착 불확실성, 기상 변화, 돌발 장비 고장 등 동적 변수가 많아 강화학습(RL) 단독으로는 상태-행동 공간 폭발과 미경험 상황 대응에 한계가 있다. 본 연구에서는 MCP(Model Context Protocol)로 항만 운영 데이터를 표준화하고, 대규모 언어 모델(LLM)이 도메인 지식 기반의 action mask로 RL의 행동 공간을 사전 축소하며 RL이 세부 선석-시간 할당을 최적화하는 계층적 하이브리드 프레임워크를 제안한다. 월 단위 항만 운영 주기를 반영한 30일(720h) 시나리오에 대해 100회 반복 시뮬레이션한 결과, 제안 방법은 제약 위반율 11.7%(최저, PPO 대비 15.8% 개선)와 돌발 대응 성공률 88.5%(최고)를 달성하고, FCFS 대비 대기시간을 14.7% 감소시키면서 가장 낮은 분산(1.6h)으로 가장 안정적이었다. 또한 실제 오픈소스 LLM(Qwen2.5-7B) 연동으로 규칙 없이 LLM 추론만으로 효과적 마스크 생성과 캐싱 기반 실시간 운용이 가능함을 검증하였다.