프로파일링 차량 경로 문제(Profiled Vehicle Routing Problem, PVRP)는 고전적 VRP에 차량-고객별 선호도와 제약을 통합함으로써 구역 제한 및 서비스 수준 선호도와 같은 현실 세계의 요구사항을 반영한다. 최근의 강화학습 기반 해법들은 유망한 성능을 보였지만, 각 새로운 프로파일 분포마다 재학습이 필요하고, 표현 능력이 좋지 않으며, 분포 외(out-of-distribution) 인스턴스로 일반화하는 데 어려움을 겪는다. 본 논문에서는 이러한 한계를 극복하기 위해 임의의 프로파일 유형을 본질적으로 처리하는 새로운 프레임워크인 프로파일링 경로를 위한 통합 해법(Unified Solver for Profiled Routing, USPR)을 제안한다. USPR은 세 가지 핵심 혁신을 도입한다: (i) 어떤 조합의 프로파일 유형도 인코딩하는 프로파일 임베딩(Profile Embeddings, PE); (ii) 차량과 고객 간의 풍부한 상호작용을 모델링하는 어텐션 메커니즘인 멀티 헤드 프로파일드 어텐션(Multi-Head Profiled Attention, MHPA); (iii) 프로파일 점수를 사용하여 디코더 로짓을 동적으로 조정함으로써 일반화를 향상시키는 프로파일 인지 점수 재형성(Profile-aware Score Reshaping, PSR). 다양한 PVRP 벤치마크에 대한 실험 결과, USPR은 학습 기반 방법들 가운데 최첨단의 결과를 달성하면서도 유연성과 계산 효율성에서 유의미한 향상을 제공함을 보여준다. 또한 향후 연구를 촉진하기 위해 소스 코드를 공개한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.