연합 학습을 통한 문제 간 차량 경로 문제 해결 성능 향상

Enhancing Cross-Problem Vehicle Routing via Federated Learning

차량 경로 문제는 현대 물류 및 공급망 관리의 핵심 최적화 과제입니다. 최근의 신경망 기반 조합 최적화(NCO) 방법은 기존 알고리즘에 비해 우수한 효율성을 보여주고 있습니다. NCO는 일반적인 차량 경로 문제를 해결하는 주요 방법으로 사용되지만, 현재의 문제 간 학습 방식은 단순한 차량 경로 문제 변형에서 복잡하고 다양한 제약 조건을 가진 문제로 확장될 때 성능 저하 및 일반화 성능 감소의 문제를 겪습니다. 본 논문에서는 이러한 문제를 해결하기 위해, 연합 학습(Federated Learning)을 활용한 혁신적인 "다중 문제 사전 훈련 후 단일 문제 미세 조정(MPSF-FL)" 프레임워크를 제안합니다. 이 프레임워크는 연합된 글로벌 모델의 공통 지식을 활용하여, 로컬 모델이 단일 문제에 대한 미세 조정을 수행할 때 효율적인 문제 간 지식 공유 및 전송을 촉진합니다. 이를 통해 로컬 모델은 최신 글로벌 모델로부터 얻은 공통 차량 경로 지식을 효과적으로 유지하면서, 다양한 복잡한 제약 조건을 가진 하위 수준의 차량 경로 문제에 효율적으로 적응할 수 있습니다. 실험 결과는 제안하는 프레임워크가 다양한 차량 경로 문제에서 성능을 향상시킬 뿐만 아니라, 아직 보지 못한 문제에 대한 일반화 성능 또한 향상시킨다는 것을 보여줍니다.

Vehicle routing problems (VRPs) constitute a core optimization challenge in modern logistics and supply chain management. The recent neural combinatorial optimization (NCO) has demonstrated superior efficiency over some traditional algorithms. While serving as a primary NCO approach for solving general VRPs, current cross-problem learning paradigms are still subject to performance degradation and generalizability decay, when transferring from simple VRP variants to those involving different and complex constraints. To strengthen the paradigms, this paper offers an innovative "Multi-problem Pre-train, then Single-problem Fine-tune" framework with Federated Learning (MPSF-FL). This framework exploits the common knowledge of a federated global model to foster efficient cross-problem knowledge sharing and transfer among local models for single-problem fine-tuning. In this way, local models effectively retain common VRP knowledge from up-to-date global model, while being efficiently adapted to downstream VRPs with heterogeneous complex constraints. Experimental results demonstrate that our framework not only enhances the performance in diverse VRPs, but also improves the generalizability in unseen problems.