본 논문은 대규모 Mixed-Integer Linear Programming (MILP) 문제에서 제약 조건의 순서가 풀이 효율에 미치는 중요성을 강조하며, 제약 조건의 순서를 최적화하여 MILP 풀이 속도를 높이는 새로운 프레임워크인 CLCR (Contrastive Learning-based Constraint Reordering)을 제안합니다. CLCR은 제약 조건의 구조적 패턴을 기반으로 클러스터링을 수행한 후, 포인터 네트워크를 이용한 대조 학습을 통해 제약 조건의 순서를 최적화합니다. 이를 통해 문제의 동등성을 유지하면서 풀이 효율을 향상시킵니다. 벤치마크 실험 결과, CLCR은 평균적으로 풀이 시간을 30%, LP 반복 횟수를 25% 감소시키는 것으로 나타났습니다. 이는 데이터 기반 제약 조건 순서 최적화가 수학적 프로그래밍과 기계 학습을 연결하는 새로운 패러다임을 제시함을 보여줍니다.
