FiLMMeD: Cross-Problem Multi-Depot Vehicle Routing 를 위한 Feature-wise Linear

실용적인 다중 창고 차량 경로 문제 (MDVRP) 해결은 현대 물류의 핵심인 어려운 최적화 작업으로, 특히 전자 상거래의 성장에 의해 더욱 중요해지고 있습니다. MDVRP 의 계산 복잡도를 해결하기 위해 신경 기반 조합 최적화 방법은 전통적인 접근법에 비해 유망한 확장 가능한 대안을 제공합니다. 그러나 신경 기반 방법은 일반적으로 특정 문제 형식에 맞춰 설계된 경직된 아키텍처와 입력 인코딩에 의존합니다. 실제 환경에서는 이질적인 제약 조건이 여러 MDVRP 변형을 만들어내어 이러한 모델의 적용 가능성을 제한합니다. 다중 작업 학습 (MTL) 은 통합된 신경 기반 솔버 개발을 가속화하기 시작했지만, 이전 연구들은 거의 단일 창고 VRP 에만 집중하여 MDVRP 는 다루지 않았습니다. 이 격차를 해소하기 위해 우리는 24 가지 다른 MDVRP 변형을 위한 새로운 통합 신경 기반 모델인 Cross-Problem Multi-Depot Vehicle Routing 를 위한 Feature-wise Linear Modulation (FiLMMeD) 을 제안합니다. 우리는 세 가지 주요 기여를 제공합니다: (1) 모델의 일반화 능력을 향상시키기 위해 표준 Transformer 인코더에 Feature-wise Linear Modulation (FiLM) 을 추가하여, 활성 제약 조건 집합에 기반하여 학습된 내부 표현을 동적으로 조정합니다; (2) MTL 설정에서 Preference Optimization 의 초기 시연으로, 이를 미래 MTL 작업에 대한 강화 학습보다 우수한 대안으로 확립합니다; (3) 다중 창고 제약 조건의 도입으로 인한 일반화 격차를 완화하기 위해, 모델이 점차 더 복잡한 제약 조건 상호작용에 노출되도록 하는 표적 커리큘럼 학습 전략을 도입합니다. 24 가지 MDVRP 변형 (8 가지 새로운 형식 포함) 과 16 가지 단일 창고 VRP 에서 수행한 광범위한 실험은 FiLMMeD 의 효과성을 확인했으며, 이는 항상 최신 기법 기반선들보다 뛰어난 성능을 보였습니다. 우리의 코드는 다음에서 사용할 수 있습니다: https://github.com/AJ-Correa/FiLMMeD/tree/main