본 논문은 대규모 공급망 계획(SCP) 최적화 문제를 해결하기 위해 머신러닝(ML)과 최적화를 결합하는 방법을 제시한다. SCP 문제는 정수(비이진) 및 연속 변수와 흐름 균형 및 용량 제약 조건을 갖는 MIP 모델로 공식화될 수 있다. 기존의 ML과 최적화 통합 방식은 이진 MIP 및 그래프 문제에 초점을 맞추었기 때문에 이는 근본적인 과제를 제기한다. 이를 해결하기 위해 본 논문은 검색 공간의 크기를 크게 줄이기 위해 최적화와 지도 학습 및 심층 강화 학습(DRL)을 결합하는 새로운 프레임워크인 PROPEL을 제안한다. PROPEL은 모든 정수 변수의 값을 예측하는 것이 아니라 SCP 애플리케이션의 구조를 활용하여 최적 솔루션에서 0으로 고정된 변수를 식별하는 데 지도 학습을 사용한다. PROPEL에는 지도 학습 단계에서 원하는 최적성 허용 오차를 가진 솔루션이 생성되지 않을 때 솔루션 품질을 개선하기 위해 0으로 고정된 변수 중 어떤 변수를 완화해야 하는지 선택하는 DRL 구성 요소가 포함되어 있다. PROPEL은 수백만 개의 변수를 가진 산업용 공급망 계획 최적화에 적용되었다. 계산 결과는 솔루션 시간과 품질이 크게 향상되었음을 보여준다. 예를 들어, 프라이멀 적분이 60% 감소하고 프라이멀 갭이 88% 감소했으며, 각각 최대 13.57배와 15.92배의 개선 요소가 나타났다.
