클래식 TSPTW 벤치마크의 함정과 간단한 정확 해법

초록

본 논문은 시간창을 갖는 외판원 문제(TSPTW‑M)의 50명 이상 고객 인스턴스를 10초 이하로 해결하는 간단한 정확 알고리즘을 제시한다. 같은 방법을 오프‑더‑쉘프로 적용하면 지속시간 최소화(TSPTW‑D) 목표에서도 대부분의 클래식 벤치마크를 해결할 수 있음을 보이며, 기존 벤치마크가 더 이상 알고리즘 성능 평가에 충분히 도전적이지 않음을 경고한다.

상세 분석

이 논문은 TSPTW‑M(완료시간 최소화)과 TSPTW‑D(전체 지속시간 최소화) 두 변형에 초점을 맞추어, 기존에 널리 사용되어 온 클래식 벤치마크 인스턴스가 구조적으로 취약함을 체계적으로 밝혀낸다. 핵심 기여는 “역방향 베스트‑퍼스트 탐색”이라는 매우 단순한 informed search 전략이다. 알고리즘은 종료 depot(노드 n+1)만을 포함하는 루트에서 시작해, 현재 부분 경로의 앞에 가능한 모든 고객을 앞에 삽입하는 방식으로 트리를 확장한다. 각 부분 경로에 대해 두 가지 평가값을 유지한다: δ_m(R) – 현재 출발 시각 t₀와 해당 고객의 시작시간 a(v) 중 큰 값에서 시작해 가능한 가장 이른 도착시간, 그리고 δ⁻¹_m(R) – 주어진 상한 ub 이하로 도착할 수 없는 가장 늦은 출발 시각. 이 두 값은 역방향으로 계산되므로, 탐색은 “끝에서부터 시작해 앞쪽으로 확장”하면서 자연스럽게 makespan을 최소화하는 방향으로 흐른다.

알고리즘의 효율성은 크게 두 가지 특성에 기인한다. 첫째, 클래식 인스턴스는 시간창이 비교적 넓고, 두 번째‑최근접 이웃 투어가 이미 거의 최적에 가깝게 설계되어 있다. 따라서 역방향 탐색이 매우 제한된 후보 집합만을 탐색하게 되며, 대부분의 경우 첫 번째 해답이 최적임을 빠르게 확인한다. 둘째, 알고리즘은 단순히 “가능한가?”를 판단하는 검증 절차와 상한값(ub) 업데이트만을 수행하므로, 복잡한 라우팅 제약이나 고차원 비용 함수에 대한 추가 연산이 전혀 필요하지 않다. 이러한 설계는 구현상의 오버헤드를 최소화하고, 메모리 사용량도 부분 경로 트리의 깊이만큼만 유지하면 되므로, 50명 이상 고객을 갖는 인스턴스를 10초 이내에 해결할 수 있다.

실험 결과는 두 가지 중요한 메시지를 전달한다. 첫째, 기존 연구에서 “모든 인스턴스를 1시간 이내에 해결했다”는 주장보다 훨씬 더 강력한 결과를 보여준다. 저자들은 467개의 클래식 인스턴스(Asc, Dum, Gen, Lan, Ohl, Pes, Pot)와 DaS(125개), Rif(720개) 전체를 대상으로, TSPTW‑M에서는 10초 이하, TSPTW‑D에서는 30분 이하의 실행 시간으로 모두 해결했다. 둘째, 이 알고리즘은 50명 미만 고객이 포함된 일부 인스턴스와 Rif(2024)에서 제시된 매우 타이트한 β 파라미터를 가진 인스턴스에서는 실패한다는 한계를 명시한다. 이는 시간창의 타이트함이 탐색 공간을 급격히 확대시켜, 역방향 베스트‑퍼스트 전략만으로는 탐색이 불가능해짐을 의미한다.

논문은 또한 머신러닝 기반 메타휴리스틱의 학습 데이터 생성에 대한 경고를 제시한다. 많은 연구가 클래식 벤치마크를 그대로 사용해 “어려운” 인스턴스를 만들고 있으나, 실제로는 이들 인스턴스가 지나치게 쉬워 알고리즘 성능을 과대평가하게 만든다. 따라서 β와 같은 시간창 타이트함 파라미터를 조절해 난이도를 다양화하고, 실제 현장 문제와 유사한 특성을 반영한 새로운 벤치마크 설계가 필요함을 강조한다.

전반적으로 이 논문은 “간단함이 강력함을 낳는다”는 교훈을 제공한다. 복잡한 분기‑한정, 컬럼 생성, 라그랑지안 완화 등 고급 기법을 도입하기 전에, 문제 인스턴스의 구조적 특성을 파악하고, 역방향 탐색과 같은 기본적인 정확 알고리즘으로도 충분히 성능을 검증할 수 있음을 보여준다. 이는 연구자들이 새로운 벤치마크를 설계하거나 기존 알고리즘을 평가할 때, 인스턴스 선택의 중요성을 재고하게 만드는 중요한 기여라 할 수 있다.