대규모 용량제한 차량경로 문제를 위한 동적 전문가 가이드 적대 학습과 온라인 분해

초록

OD‑DEAL은 하이브리드 유전 탐색(HGS)과 온라인 바코센트 클러스터링(BCC)으로 만든 전문가 오라클을 이용해, 그래프 어텐션 네트워크 기반 생성 정책을 적대적 흐름 네트워크(GFlowNet) 형태로 학습한다. 전문가의 분할‑정복 전략을 밀집 보상으로 증류함으로써, 대규모(10 000 노드) CVRP에서도 서브초 수준의 추론 속도와 휴리스틱 수준의 해 품질을 동시에 달성한다.

상세 분석

본 논문은 대규모 용량제한 차량경로 문제(CVRP)의 두 가지 근본적 난관—휴리스틱의 계산 복잡도와 신경망 기반 솔버의 일반화 한계—을 동시에 해결하고자 한다. 이를 위해 저자들은 세 가지 핵심 기술을 결합한다. 첫째, 하이브리드 유전 탐색(HGS)을 기반으로 한 전문가 오라클에 온라인 바코센트 클러스터링(BCC) 분해를 적용한다. BCC는 라우트를 공간적으로 군집화해 문제를 다수의 작은 서브문제로 나누고, 각 서브문제에 HGS를 병렬 실행함으로써 고품질의 ‘divide‑and‑conquer’ 솔루션을 빠르게 생성한다. 둘째, 생성 정책은 그래프 어텐션 네트워크(GAT)로 구현되어, 노드 간 장거리 의존성, 이질적인 수요, 잔여 차량 용량 등을 동적으로 가중합한다. GAT의 다중 헤드 메커니즘은 복잡한 공간‑수요‑용량 상호작용을 효과적으로 인코딩한다. 셋째, 학습 프레임워크는 GFlowNet의 흐름 일관성(flow consistency)과 트래젝터리 밸런스(TB) 목표를 이용한 적대적 최소극값 게임을 채택한다. 판별자는 생성된 라우트와 전문가 분해 라우트의 분포 차이를 측정하고, 생성자는 판별자의 피드백을 통해 밀집 보상(서브문제 최적화 정도, 클러스터 내 비용 감소 등)을 학습한다. 이 과정은 전통적인 강화학습에서 흔히 발생하는 보상 희소성을 완화하고, 전문가의 구조적 지식을 확률적 정책에 내재화한다는 점에서 혁신적이다. 또한, 학습 단계에서만 BCC‑HGS 분해를 사용하고, 추론 시에는 클러스터링 없이 순수 GAT‑생성 정책만으로 10 000 노드 규모의 그래프를 처리할 수 있어, 실시간 물류 시스템에 바로 적용 가능하다. 실험 결과는 기존 최첨단 신경망 솔버(예: Attention Model, POMO)와 전통적 메타휴리스틱(HGS, LKH‑3)을 모두 능가한다. 특히 노드 수가 5 000~10 000으로 증가함에도 연산량이 거의 일정하게 유지되는 ‘near‑constant neural scaling’ 특성을 보이며, 서브초 수준의 추론 시간에 휴리스틱 수준의 비용 절감을 달성한다. 이와 같은 성과는 전문가‑가이드 적대 학습이 대규모 조합 최적화 문제에 있어 신경망의 확장성을 획기적으로 개선할 수 있음을 입증한다. 다만, 현재 구현은 CVRP에 특화돼 있어 다른 제약(예: 시간창, 다중 차량 종류)으로 확장하려면 전문가 오라클과 보상 설계의 추가 연구가 필요하다.