Neural Combinatorial Optimization (NCO) 방법의 발전에도 불구하고, 기존 신경망 기반 솔버는 균일하게 분포된 합성 훈련 데이터에서 TSPLib 및 CVRPLib의 실제 VRP 시나리오로 효과적으로 일반화하는 데 어려움을 겪습니다. 이 간극을 해결하기 위해, 대규모 언어 모델(LLM)에 의해 안내되는 진화 모듈을 활용하여 다양하고 현실적인 구조적 패턴을 특징으로 하는 합성 인스턴스를 생성하는 EvoReal(Evolutionary Realistic Instance Synthesis)을 제안합니다. EvoReal은 실제 인스턴스에서 관찰된 구조적 속성을 통계적으로 모방하는 합성 인스턴스를 생성합니다. 사전 훈련된 NCO 모델은 구조적으로 풍부한 합성 분포에 먼저 맞추고, 실제 벤치마크 인스턴스에 직접 미세 조정하여 점진적으로 개선됩니다. 광범위한 실험 결과는 EvoReal이 최첨단 신경망 솔버의 일반화 능력을 현저히 향상시켜 TSPLib(1.05%) 및 CVRPLib(2.71%) 벤치마크에서 최적 솔루션과의 성능 격차를 크게 줄였음을 보여줍니다.
시사점, 한계점
•
시사점:
◦
EvoReal은 실제 VRP 시나리오로의 일반화를 개선하기 위해 현실적인 합성 인스턴스 생성을 위한 새로운 접근 방식을 제시합니다.
◦
LLM 기반의 진화 모듈을 활용하여 실제 인스턴스의 구조적 특징을 모방하는 합성 데이터를 생성합니다.
◦
합성 데이터로 사전 훈련된 NCO 모델을 실제 벤치마크 데이터로 미세 조정하는 2단계 학습 전략을 사용합니다.
◦
TSPLib 및 CVRPLib 벤치마크에서 최첨단 신경망 솔버의 성능을 향상시켰습니다.
•
한계점:
◦
성능 개선이 TSPLib와 CVRPLib 벤치마크에 국한되어, 다른 VRP 문제나 실제 환경에서의 적용 가능성은 추가 연구가 필요합니다.
