본 논문은 차량 경로 문제(VRP) 해결을 위한 최첨단 반복적 탐색 휴리스틱에서 상당 부분의 해가 반복 탐색 과정에서 안정적으로 유지된다는 점에 주목합니다. 이러한 안정적인 부분으로 인해 불필요한 계산이 발생하는 문제를 해결하기 위해, 논문에서는 First-Segment-Then-Aggregate (FSTA) 분해 기법을 제시합니다. FSTA는 탐색 중 안정적인 해 부분을 보존하고, 각 부분 내 노드를 고정된 하이퍼노드로 집계하여 불안정한 부분에만 탐색을 집중합니다. 어떤 부분을 집계해야 하는지 결정하는 문제를 해결하기 위해, 논문은 안정적이고 불안정한 부분을 지능적으로 구분하는 새로운 신경망 기반 프레임워크인 Learning-to-Segment (L2Seg)을 제안합니다. L2Seg의 세 가지 변형(비자동회귀, 자동회귀, 그리고 두 가지의 시너지 효과를 활용한 변형)을 제시하고, CVRP와 VRPTW에 대한 실험 결과를 통해 기존 최첨단 반복적 솔버보다 최대 7배까지 속도 향상을 보임을 보여줍니다. L2Seg는 기존, 학습 기반, 하이브리드 솔버와 호환되고 다양한 VRP에 적용 가능한 유연한 프레임워크입니다.
