본 연구는 AI 기반 의사결정 지원 시스템(DSS)의 Part II를 제시하며, Rahimi (2025, Part I)를 확장하여 장기 노천 채광 계획을 위한 완전 불확실성 인식 최적화 프레임워크를 도입한다. 지질학적 불확실성은 50,000개의 공간 등급 샘플에 대해 훈련된 VAE(Variational Autoencoder)를 사용하여 모델링되며, 지질학적 연속성과 공간적 상관 관계를 유지하는 확률적, 다중 시나리오 광체 구현을 생성할 수 있다. 이러한 시나리오는 유전자 알고리즘(GA), 대규모 인접 탐색(LNS), 시뮬레이션 어닐링(SA) 및 강화 학습 기반 적응형 제어를 통합한 하이브리드 메타 휴리스틱 엔진을 통해 최적화된다. ε-제약 완화 전략은 모집단 탐색 단계를 관리하여, 탐색 초기에 거의 실행 가능한 일정을 발견하고 엄격한 제약 조건을 점진적으로 강화한다. GPU 병렬 평가는 65,536개의 지질학적 시나리오를 동시에 평가하여 거의 실시간 실행 가능성 분석을 달성한다. 결과는 IBM CPLEX보다 최대 120만 배의 런타임 개선을 보였고, 지질학적 불확실성 하에서 예상 NPV가 크게 증가하여 DSS가 지능형 광산 계획을 위한 확장 가능하고 불확실성 탄력적인 플랫폼임을 확인한다.
