본 연구에서는 벤더스 분해(BD)의 수렴 속도 향상을 위해 강화 학습 기반 프레임워크인 RLBD를 제안합니다. RLBD는 신경망 기반 확률적 정책을 사용하여 절단 항목을 선택하며, REINFORCE 알고리즘을 통해 정책 경사 방법으로 학습합니다. 전기차 충전소 위치 결정 문제를 예시로 활용하여 기존 BD와 LearnBD와 비교했습니다.
태피컬 BD 대비 계산 효율성 측면에서 상당한 개선을 보였습니다. 또한, 데이터 입력과 의사 결정 변수 차원이 다른 유사 구조 문제에도 강한 일반화 능력을 보여주었습니다.
RLBD는 두 단계 확률적 프로그램의 마스터 문제에서 절단 항목 선택을 위한 새로운 접근 방식을 제시합니다.