제12항에 있어서,상기 적어도 하나의 프로세서는,상기 두 투어를 방향 완전 그래프(directed complete graph)로 표현하고,상기 그래프 신경망을 이용하여 상기 방향 완전 그래프를 임베딩하고,그래프 임베딩을 기반으로 상기 비용-감소를 예측하는 것을 특징으로 하는 최적 차량 배송 운용 시스템.

컴퓨터 장치에서 수행되는 최적 차량 배송 운용 방법에 있어서,상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,상기 최적 차량 배송 운용 방법은,상기 적어도 하나의 프로세서의 의해, 차량 이동 거리를 기초로 선택된 두 투어(tour)에 대해 그래프 신경망(graph neural network)을 이용하여 비용-감소(cost-decrement)를 예측하는 단계; 및상기 적어도 하나의 프로세서의 의해, 상기 비용-감소의 예측 결과를 기초로 상기 두 투어의 서브-투어(sub-tour)를 스와핑(swapping)하는 상호 운영(inter-operation)을 수행하는 단계를 포함하는 최적 차량 배송 운용 방법.

제1항에 있어서,상기 예측하는 단계는,작업의 총 완료 시간을 최소화하는 것을 목표로 한 최소-최대(min-max) VRP(vehicle routing problem)를 해결하는 NCE(neuro CROSS-exchange) 연산자(operator)를 통해 상기 비용-감소를 예측하는 것을 특징으로 하는 최적 차량 배송 운용 방법.

제2항에 있어서,상기 NCE 연산자는 투어 쌍(tour pair)과 비용-절감으로 이루어진 데이터셋을 이용한 지도 학습(supervised learning)을 통해 학습되는 것을 특징으로 하는 최적 차량 배송 운용 방법.

제2항에 있어서,상기 NCE 연산자는 최대 이동 거리와 최소 이동 거리의 투어 쌍을 선택하는 SelectTours, 및 비용-감소 예측 모델과 2단계 검색 방법(two-stage search method)을 통해 상기 투어 쌍으로부터 비용-개선 투어 쌍을 찾는 NeruoCROSS를 포함하는 것을 특징으로 하는 최적 차량 배송 운용 방법.

제1항에 있어서,상기 예측하는 단계는,투어 쌍에 대해 주어진 시작 노드를 기준으로 비용-감소를 예측하는 단계;상기 비용-감소의 예측 결과를 기초로 상기 투어 쌍에 대한 검색 후보 집합을 구성하는 단계; 및상기 검색 후보 집합에서 상기 시작 노드에 대한 종료 노드를 검색하는 단계를 포함하는 최적 차량 배송 운용 방법.

제5항에 있어서,상기 검색 후보 집합을 구성하는 단계는,상기 투어 쌍의 모든 노드 쌍 중에서 상기 비용-감소의 예측 결과를 기준으로 상위 K 쌍을 선택하여 상기 검색 후보 집합을 구성하는 것을 특징으로 하는 최적 차량 배송 운용 방법.

제1항에 있어서,상기 예측하는 단계는,상기 두 투어를 방향 완전 그래프(directed complete graph)로 표현하는 단계;상기 그래프 신경망을 이용하여 상기 방향 완전 그래프를 임베딩하는 단계; 및그래프 임베딩을 기반으로 상기 비용-감소를 예측하는 단계를 포함하는 최적 차량 배송 운용 방법.

제7항에 있어서,상기 방향 완전 그래프로 표현하는 단계는,차량과 관련된 작업으로 차고(depot)를 노드(node)로 표현하고 노드와 노드 사이를 엣지(edge)로 표현하는 것을 특징으로 하는 최적 차량 배송 운용 방법.

제7항에 있어서,상기 방향 완전 그래프를 임베딩하는 단계는,그래프-네트워크 블록(graph-network block)의 변형(attentive variant)을 이용하여 상기 방향 완전 그래프를 임베딩하는 것을 특징으로 하는 최적 차량 배송 운용 방법.

제7항에 있어서,상기 그래프 임베딩을 기반으로 상기 비용-감소를 예측하는 단계는,새로운 두 개의 엣지를 연결하는 엣지 추가와 기존 두 개의 엣지를 제거하는 엣지 제거가 포함한 최종 엣지 임베딩 및 최종 노드 임베딩을 이용하여 상기 비용-감소를 예측하는 것을 특징으로 하는 최적 차량 배송 운용 방법.

최적 차량 배송 운용 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램에 있어서,상기 최적 차량 배송 운용 방법은,차량 이동 거리를 기초로 선택된 두 투어(tour)에 대해 그래프 신경망(graph neural network)을 이용하여 비용-감소(cost-decrement)를 예측하는 단계; 및상기 비용-감소의 예측 결과를 기초로 상기 두 투어의 서브-투어(sub-tour)를 스와핑(swapping)하는 상호 운영(inter-operation)을 수행하는 단계를 포함하는, 컴퓨터 프로그램.

컴퓨터로 구현되는 최적 차량 배송 운용 시스템에 있어서,메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,차량 이동 거리를 기초로 선택된 두 투어(tour)에 대해 그래프 신경망(graph neural network)을 이용하여 비용-감소(cost-decrement)를 예측하는 과정; 및상기 비용-감소의 예측 결과를 기초로 상기 두 투어의 서브-투어(sub-tour)를 스와핑(swapping)하는 상호 운영(inter-operation)을 수행하는 과정을 처리하는 최적 차량 배송 운용 시스템.

제12항에 있어서,상기 적어도 하나의 프로세서는,작업의 총 완료 시간을 최소화하는 것을 목표로 한 최소-최대(min-max) VRP(vehicle routing problem)를 해결하는 NCE(neuro CROSS-exchange) 연산자(operator)를 통해 상기 비용-감소를 예측하고,상기 NCE 연산자는 투어 쌍(tour pair)과 비용-절감으로 이루어진 데이터셋을 이용한 지도 학습(supervised learning)을 통해 학습되는 것을 특징으로 하는 최적 차량 배송 운용 시스템.

제12항에 있어서,상기 적어도 하나의 프로세서는,투어 쌍에 대해 주어진 시작 노드를 기준으로 비용-감소를 예측하고,상기 비용-감소의 예측 결과를 기초로 상기 투어 쌍에 대한 검색 후보 집합을 구성하고,상기 검색 후보 집합에서 상기 시작 노드에 대한 종료 노드를 검색하는 것을 특징으로 하는 최적 차량 배송 운용 시스템.