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

요약

본 논문은 현대 물류의 핵심 난제인 다중 창고 차량 경로 문제(MDVRP)를 해결하기 위한 새로운 통합 신경 기반 모델 FiLMMeD를 제안합니다. 기존 신경망 방법들이 특정 문제 형식에 경직되어 MDVRP 변형에 적용하기 어려웠던 한계를 극복하고자 했습니다. FiLMMeD는 Feature-wise Linear Modulation (FiLM)을 도입하여 일반화 능력을 높이고, 표적 커리큘럼 학습 전략과 Preference Optimization을 결합함으로써 24가지 MDVRP 변형 및 다양한 VRP에서 최신 성능을 달성했습니다.

핵심 포인트

• MDVRP는 전자 상거래 성장에 따른 핵심적인 어려운 최적화 문제입니다.
• 기존 신경 기반 솔버들은 특정 문제 형식에 경직되어 실제 환경의 이질적인 제약 조건 변화에 취약합니다.
• FiLMMeD는 Feature-wise Linear Modulation (FiLM)을 사용하여 활성 제약 조건 집합에 따라 내부 표현을 동적으로 조정하여 일반화 능력을 향상시킵니다.
• 모델은 표적 커리큘럼 학습 전략과 Preference Optimization을 도입하여 복잡한 다중 창고 제약 조건을 효과적으로 처리합니다.
• 광범위한 실험 결과, FiLMMeD는 24가지 MDVRP 변형 및 다양한 VRP에서 최신 기법 대비 우수한 성능을 입증했습니다.