[논문 리뷰] An Overview and Experimental Study of Learning-based Optimization Algorithms for Vehicle Routing Problem

Bingjie Li, Guohua Wu외 3명|arXiv (Cornell University)|2021. 07. 15.

Vehicle Routing Optimization Methods인용 수 5

한 줄 요약

이 논문은 차량 경로 문제(VRP)를 위한 학습 기반 최적화(LBO) 알고리즘에 대한 종합적인 리뷰와 실험적 평가를 제시하며, 솔루션 생성 방식에 따라 종단 간(end-to-end) 및 단계별(step-by-step) 접근 방식으로 분류한다. 다양한 데이터셋을 바탕으로 네 가지 대표적인 LBO 알고리즘을 평가하여 문제 유형에 따라 성능이 크게 달라짐을 입증하고, 데이터 한계 및 일반화 문제와 같은 핵심 과제를 규명하며 향후 연구를 위한 구체적 권고를 제시한다.

ABSTRACT

Vehicle routing problem (VRP) is a typical discrete combinatorial optimization problem, and many models and algorithms have been proposed to solve the VRP and its variants. Although existing approaches have contributed a lot to the development of this field, these approaches either are limited in problem size or need manual intervening in choosing parameters. To solve these difficulties, many studies have considered the learning-based optimization (LBO) algorithms to solve the VRP. This paper reviews recent advances in this field and divides relevant approaches into end-to-end approaches and step-by-step approaches. We performed a statistical analysis of the reviewed articles from various aspects and designed three experiments to evaluate the performance of four representative LBO algorithms. Finally, we conclude the applicable types of problems for different LBO algorithms and suggest directions in which researchers can improve LBO algorithms.

연구 동기 및 목표

• 학습 기반 최적화(LBO) 알고리즘의 최근 발전을 체계적으로 개괄함으로써, 특히 종단 간 및 단계별 접근 방식에 중점을 두고자 한다.
• 다양한 규모와 제약 조건을 가진 VRP 변형 문제를 해결하는 데 있어 다양한 LBO 알고리즘에 대한 종합적인 실험적 평가와 깊이 있는 분석 부족 문제를 해결하고자 한다.
• 기준 데이터셋에서 통계 분석과 통제된 실험을 통해 기존 LBO 방법의 강점과 한계를 규명하고자 한다.
• empirical 성능 기반으로 특정 VRP 문제 유형에 가장 적합한 LBO 알고리즘을 제안하는 실용적 가이드라인을 수립하고자 한다.
• 학습 효율성 향상, 일반화 능력 향상, 고전적 휴리스틱과의 통합 등을 포함한 LBO 알고리즘 향상 방향을 제시하고자 한다.

제안 방법

• 솔루션 생성 메커니즘에 따라 LBO 알고리즘을 종단 간 및 단계별 접근 방식으로 분류함: 직접 솔루션 매핑 대비 반복적 개선.
• 100건 이상의 검토된 논문에 대한 통계 분석을 수행하여 LBO를 통한 VRP 분야에서의 문제 유형, 모델 아키텍처, 평가 지표 사용 추세를 규명함.
• 표준 VRP 기준 인스턴스(예: X-n101-k25부터 X-n195-k51까지)를 사용하여 세 가지 통제된 실험을 설계 및 수행함. 비교 대상으로 네 가지 대표적 LBO 알고리즘(ASWTAM, Rewriter, AM, L2I), ACO, TS, OR-Tools를 베이스라인으로 사용함.
• 해결 시간, 솔루션 품질(최적값 대비 갭), 다양한 크기와 제약 조건을 가진 문제 인스턴스에서의 일관성 등을 측정하여 알고리즘 성능 평가.
• 일반화 능력을 평가하기 위해 미리 보지 않은 문제 인스턴스에서 모델 성능을 테스트하고, 데이터 분포와 초기화에 대한 민감도 분석.
• 휴리스틱 솔루션을 활용한 사전 훈련 또는 LBO 출력 후처리 전략 등을 제안하여 정확도 및 수렴 안정성을 향상시키는 통합 전략 수립.

실험 결과

연구 질문

• RQ1 다양한 VRP 인스턴스에서 종단 간 및 단계별 LBO 접근 방식의 솔루션 품질과 계산 효율성은 어떻게 비교되는가?
• RQ2 대표적 LBO 알고리즘들(예: ASWTAM, Rewriter, AM, L2I) 간에 대규모 및 복잡한 VRP 변형 문제에서의 핵심 성능 차이는 무엇인가?
• RQ3 LBO 알고리즘이 미리 보지 않은 문제 인스턴스로 일반화되는 정도는 어느 정도이며, 데이터 분포가 성능에 어떤 영향을 미치는가?
• RQ4 LBO 모델을 고전적 휴리스틱 또는 메타휴리스틱과 융합하면 솔루션 품질과 일반화 능력은 어떻게 향상되는가?
• RQ5 조합 최적화 문제에서 LBO 모델의 훈련 효율성과 수렴 속도 향상에 가장 효과적인 전략은 무엇인가?

주요 결과

• 종단 간 LBO 모델인 ASWTAM과 Rewriter는 빠른 추론 시간을 기록했지만, OR-Tools 및 TS 대비 더 높은 솔루션 갭(예: X-n195-k51에서 최대 3.21%)을 보이며 속도와 정확도 사이의 상충 관계를 확인함.
• 단계별 접근 방식인 L2I와 AM은 복잡한 인스턴스에서 더 나은 수렴 성능를 보였으며, L2I는 X-n101-k25에서 0.02% 갭, X-n120-k6에서 0.05% 갭을 기록하여 많은 베이스라인을 초월함.
• OR-Tools와 타부 검색(Tabu Search, TS)은 대부분의 인스턴스에서 0.3% 이내의 낮은 갭을 기록하며 고정밀 솔루션을 제공하여 LBO 평가의 강력한 기준이 됨.
• LBO 모델의 성능는 데이터 분포에 민감하게 반응함. 특정 문제 유형에서 훈련된 모델은 새로운 또는 대규모 인스턴스에서 성능 저하를 보이며 일반화 한계를 드러냄.
• ACO, TS 등의 휴리스틱 알고리즘을 후처리 또는 사전 훈련 목적으로 임베딩하면 LBO 모델의 성능과 강인성이 크게 향상되며, 특히 대규모 문제에서 두드러진 효과를 보임.
• 본 연구는 LBO를 고전적 솔버와 융합하는 것이 솔루션 갭을 최대 0.3%까지 감소시키고 수렴 속도를 향상시킬 수 있음을 규명함.