본 논문은 조합 최적화 문제를 위한 다목적이고 효율적인 확률적 지역 탐색 방법인 랜덤 키 최적화 기법(RKO)을 제시한다. RKO는 랜덤 키 개념을 사용하여 해를 랜덤 키 벡터로 인코딩하고, 문제 특정 디코더를 통해 실행 가능한 해로 디코딩한다. RKO 프레임워크는 다양한 고전적 메타휴리스틱 기법들을 결합할 수 있으며, 각 기법은 독립적 또는 병렬적으로 동작하고 엘리트 해 풀을 통해 해 공유가 가능하다. 이러한 모듈식 접근 방식을 통해 시뮬레이티드 어닐링, 반복적 지역 탐색, 탐욕적 무작위 적응적 탐색 절차 등 다양한 메타휴리스틱 기법을 적용할 수 있다. C++로 구현되고 공개적으로 이용 가능한(Github 공개 저장소: github.com/RKO-solver) RKO 프레임워크의 효율성은 알파-이웃 p-중간값 문제, 허브 위치 트리 문제, 노드 용량 제한 그래프 분할 문제 등 세 가지 NP-hard 조합 최적화 문제에 적용하여 입증되었다. 결과는 다양한 문제 영역에서 고품질 해를 생성하는 프레임워크의 능력을 보여주며, 조합 최적화를 위한 강력한 도구로서의 잠재력을 강조한다.
