본 논문은 NP-hard 조합 최적화 문제 해결을 위한 다양한 오픈소스 뉴럴 솔버들의 상호보완적인 성능을 활용하여 성능 향상을 도모하는 새로운 프레임워크를 제안합니다. 기존 뉴럴 솔버들은 특정 문제 인스턴스에 따라 성능 차이를 보이는데, 본 연구는 특징 추출, 선택 모델, 선택 전략으로 구성된 프레임워크를 통해 각 인스턴스에 가장 적합한 솔버를 할당하는 방식을 제시합니다. TSP와 CVRP 문제에 대한 실험 결과, 제안된 프레임워크는 최고 성능의 개별 솔버보다 유의미하게 향상된 성능(TSPLIB에서 0.88%, CVRPLIB에서 0.71%의 최적성 격차 감소)을 달성함을 보여줍니다.
