신경망 기반 차량 라우팅 솔버의 현주소와 향후 과제

본 설문은 신경망 라우팅 솔버(NRS)가 차량 라우팅 문제(VRP) 해결에 미치는 영향을 종합적으로 검토한다. 서론에서는 VRP가 NP‑hard 문제이며, 전통적인 휴리스틱 설계가 도메인 전문지식과 수작업 튜닝에 크게 의존한다는 점을 지적한다. 이러한 한계를 극복하기 위한 자동화된 휴리스틱 설계 연구로 알고리즘 선택, 포트폴리오 기반 방법, 알고리즘 구성 등이 소개되지만, 이들 역시 사전에 정의된 구성 요소에 제한돼 새로운 알고리즘 요소를 발견하기 어렵다. 신경망 라우팅 솔버는 딥러닝 모델을 활용해 데이터로부터 암묵적인 휴리스틱 규칙을 학습함으로써, 설계 비용을 절감하고 GPU 가속을 통한 빠른 추론을 가능하게 한다. 기존 설문들은 주로 학습 기법(GNN, Transformer)이나 학습 패러다임(SL, RL) 중심으로 정리했으나, 본 논문은 ‘알고리즘 수준’에서 NRS를 바라보는 새로운 관점을 제시한다. 첫 번째 주요 기여는 ‘휴리스틱 관점의 계층적 분류 체계’이다. 전통적인 휴리스틱을 크게 ‘구성 기반(construction‑based)’과 ‘개선 기반(improvement‑based)’으로 나누고, 각각을 ‘단일 단계(single‑stage)·두 단계(two‑stage)’와 ‘단일 솔루션(single‑solution)·집단 솔루션(population‑based)’으로 세분화한다. 이 구조를 그대로 NRS에 적용해, NRS가 어떻게 솔루션을 구성하거나 개선하는지에 따라 8개의 하위 카테고리로 구분한다. 예를 들어, 단일 단계 구성 방식은 다시 ‘추가(appending)’와 ‘삽입(insertion)’으로 나뉘며, 개선 기반은 ‘소규모 이웃(small‑neighborhood)’과 ‘대규모 이웃(LNS)’으로 구분된다. 두 번째 기여는 ‘생성 패러다임’과 ‘학습 패러다임’에 대한 정리이다. 생성 패러다임은 Autoregressive(AR)와 Non‑autoregressive(NAR)로 나뉘며, AR은 순차적 선택으로 높은 품질을 기대하지만 추론 속도가 느리고, NAR은 한 번에 전체 요소를 예측해 빠르지만 독립성 가정으로 품질이 저하될 수 있다. 학습 패러다임은 지도학습(SL)과 강화학습(RL)으로 구분한다. SL은 전문가 솔버의 라벨을 모방해 빠른 학습이 가능하지만 최적성을 넘어설 수 없고, RL은 보상 기반 정책 학습으로 새로운 전략을 탐색할 수 있으나 보상 설계와 메모리 요구가 큰 단점이 있다. 논문은 또한 2015년부터 2025년 11월까지 구글 스칼라를 통해 수집한 344개의 NRS 논문을 분석해, 각 하위 카테고리별 비중을 시각화한다. 결과에 따르면 현재 연구는 주로 단일 단계 구성(특히 추가 방식)과 단일 솔루션 개선에 집중돼 있으며, 삽입 방식이나 두 단계 접근법은 상대적으로 소수에 불과하다. 핵심적인 실험 부분에서는 기존 ‘전통적 평가 파이프라인’과 새로운 ‘일반화‑중심 평가 파이프라인’을 비교한다. 전통적 파이프라인은 동일 데이터셋 내에서 훈련·검증·테스트를 수행해 과대평가되는 경향이 있다. 반면 새로운 파이프라인은 훈련에 사용되지 않은 문제 규모·제약 변형에 대해 제로샷(in‑problem) 일반화 성능을 측정한다. 실험 결과, 다수의 최신 NRS가 최근접 이웃(Nearest Neighbor)이나 무작위 삽입(Random Insertion) 같은 간단한 전통적 휴리스틱보다 성능이 낮은 경우가 발견되었다. 이는 현재 NRS가 일반화 능력에서 아직 한계가 있음을 명확히 보여준다. 마지막으로 논문은 두 가지 주요 연구 과제를 제시한다. 첫 번째는 ‘문제 내 일반화(in‑problem generalization)’로, 동일 VRP 변형(예: 용량, 시간창)에서 다양한 인스턴스에 대한 성능 유지이다. 두 번째는 ‘문제 간 일반화(cross‑problem generalization)’로, 완전히 다른 VRP 유형(예: 다중 창고, 다중 차량, 라우팅·스케줄링 결합)으로의 전이 능력이다. 이를 해결하기 위해 메타‑학습, 도메인 적응, 하이브리드 휴리스틱‑신경망 설계, 그리고 보다 풍부한 데이터 생성 기법이 필요하다고 제언한다. 결론적으로, 이 설문은 NRS를 전통적 휴리스틱과 동일 선상에서 바라보는 새로운 프레임워크를 제공하고, 일반화 중심 평가를 통해 현재 연구의 실질적 한계를 드러내며, 향후 연구 방향을 구체적으로 제시한다.