운전, 짐 싸기, 비행: 드론을 이용한 여행하는 도둑 문제

초록

수집 작업에서 적재량이 누적될수록 차량은 점차 감속되어 경로 효율성에 누적적 패널티가 발생한다. 탑재 드론은 외곽에 위치한 물품을 회수함으로써 이러한 패널티를 상쇄하여 완료 시간을 단축하고 운영 이익을 증대시킬 수 있다. 그러나 이동 시간은 여전히 적재량에 의존하며, 지상 차량이 수집하는 각 물품은 드론의 발진 및 회합 지점을 결정하는 도착 시간을 변화시킨다. 본 논문은 물품 선택, 차량 경로, 비행 동기화를 공동으로 최적화하여 시간 기반 임대 비용을 차감한 수집 이익을 극대화하는 드론 기반 순회 강도 문제(TTP-D)를 소개한다. 우리는 소규모 인스턴스를 최적으로 해결하는 혼합 정수 선형 계획법을 수립하고, 대규모 인스턴스를 위한 메타휴리스틱과 어텐션 기반 심층 강화학습(DRL) 정책을 개발한다. 또한 DRL 정책이 초기 해를 구성하고 이후 짧은 어닐링 실행이 이를 개선하는 학습자 초기화 하이브리드 솔버를 제안한다. 두 벤치마크 집합에서 이 하이브리드는 계산 예산의 극히 일부만으로 메타휴리스틱 기준선 품질의 대부분을 회복하지만, 가장 큰 인스턴스는 여전히 전체 예산을 사용한 기준선이 필요하다. 마지막으로 민감도 분석은 임대 비율이 수익성의 주요 결정 요인인 반면, 차량대 매개변수는 이익에 미미한 영향만 미친다는 것을 보여준다.

English

In collection operations, accumulating payload progressively slows the vehicle, imposing a cumulative penalty on routing efficiency. An onboard drone can offset this penalty by retrieving outlying items, thereby shortening the makespan and increasing operational profit. However, travel time remains load-dependent, and each item collected by the ground vehicle shifts the arrival times that govern the drone's launch and rendezvous points. This paper introduces the Travelling Thief Problem with Drone (TTP-D), which maximises the collected profit, net of a time-based rental cost, by jointly optimising item selection, vehicle routing, and flight synchronisation. We formulate a mixed-integer linear program that solves small instances to optimality, and develop both metaheuristics and an attention-based Deep Reinforcement Learning (DRL) policy for larger instances. We further propose a learner-initialised hybrid solver, in which the DRL policy constructs an initial solution that a short annealing run subsequently refines. On two benchmark sets, this hybrid recovers most of the metaheuristic baseline's quality at a fraction of its computational budget, although the largest instances still require the baseline at its full budget. Finally, a sensitivity analysis reveals that the rental ratio is the primary driver of profitability, whereas the fleet parameters affect profit only at the margin.