함정 전투체계는 무기체계, 정보통신 등의 기술 발전으로 인한 복잡한 전장 환경에 적응하기 위하여 다양한 전술을 운용해야 한다. 현재 운용되는 국방 M&S 시스템은 의사결정을 위해 운용자, 즉 인간의 개입이 필수적이다. 하지만 인간이 개입되는 시뮬레이션은 실시간 정도의 저속에서 가능하고, 반복적인 실험의 어려움이 따르게 된다. 이를 개선하기 위해 에이전트 기반의 국방 M&S 시스템의 연구가 최근 들어 활발히 진행되고 있다. 그러나 현존하는 에이전트 기반 M&S 시스템은 고속 시뮬레이션은 가능하지만, 고정된 전술 분석용으로 활용되는데 그치고 있다. 따라서 본 논문에서는 주어진 시나리오에 대한 고속의 반복적인 실험 및 다양한 전술 운용과 창발적 전술 생성을 위해 진화론적 시뮬레이션을 이용한 다대다 함정교전 전술 생성 방법론을 제안하였다. 타당성 검증을 위해 서해상에서 벌어지는 가상의 3:3 함정교전 시뮬레이션을 수행하였고, 이를 통해 창발적 전술 생성의 가능성을 제시하였다.
함정 전투체계는 무기체계, 정보통신 등의 기술 발전으로 인한 복잡한 전장 환경에 적응하기 위하여 다양한 전술을 운용해야 한다. 현재 운용되는 국방 M&S 시스템은 의사결정을 위해 운용자, 즉 인간의 개입이 필수적이다. 하지만 인간이 개입되는 시뮬레이션은 실시간 정도의 저속에서 가능하고, 반복적인 실험의 어려움이 따르게 된다. 이를 개선하기 위해 에이전트 기반의 국방 M&S 시스템의 연구가 최근 들어 활발히 진행되고 있다. 그러나 현존하는 에이전트 기반 M&S 시스템은 고속 시뮬레이션은 가능하지만, 고정된 전술 분석용으로 활용되는데 그치고 있다. 따라서 본 논문에서는 주어진 시나리오에 대한 고속의 반복적인 실험 및 다양한 전술 운용과 창발적 전술 생성을 위해 진화론적 시뮬레이션을 이용한 다대다 함정교전 전술 생성 방법론을 제안하였다. 타당성 검증을 위해 서해상에서 벌어지는 가상의 3:3 함정교전 시뮬레이션을 수행하였고, 이를 통해 창발적 전술 생성의 가능성을 제시하였다.
In most existing warships combat simulation system, the tactics of a warship is manipulated by human operators. For this reason, the simulation results are restricted due to the stereotype of human operators. To deal with this, we have employed the genetic algorithm for supporting the evolutionary s...
In most existing warships combat simulation system, the tactics of a warship is manipulated by human operators. For this reason, the simulation results are restricted due to the stereotype of human operators. To deal with this, we have employed the genetic algorithm for supporting the evolutionary simulation environment. In which, the tactical decision by human operators is replaced by the human model with a rule-based chromosome for representing tactics so that the population of simulations are created and hundreds of simulation runs are continued on the basis of the genetic algorithm without any human intervention until to find emergent tactics which shows the best performance throughout the simulation. This paper proposes an evolutionary tactics generation methodology for the emergent tactics in many-to-many warship combat simulation. To do this, 3:3 warship combat simulation tests are performed.
In most existing warships combat simulation system, the tactics of a warship is manipulated by human operators. For this reason, the simulation results are restricted due to the stereotype of human operators. To deal with this, we have employed the genetic algorithm for supporting the evolutionary simulation environment. In which, the tactical decision by human operators is replaced by the human model with a rule-based chromosome for representing tactics so that the population of simulations are created and hundreds of simulation runs are continued on the basis of the genetic algorithm without any human intervention until to find emergent tactics which shows the best performance throughout the simulation. This paper proposes an evolutionary tactics generation methodology for the emergent tactics in many-to-many warship combat simulation. To do this, 3:3 warship combat simulation tests are performed.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 기존의 다대다 함정전투 모델링 및 시뮬레이션 방법론을 확장하여 다대다의 복잡 다양한 전투 환경 내에서의 창발적 전술을 유전 알고리즘을 적용하여 생성할 수 있는 방법에 대해 논한다.
본 논문에서는 인간의 개입을 최소화한 새로운 전술 생성의 가능성을 검증하기 위해 유전 알고리즘을 이용한 전술 생성 연구를 진행하였다.
하지만 대부분의 전술 교리는 일반인이 접근하기에는 제한이 있다. 본 논문에서는 전술을 교전 상황에 따라 의사결정을 할 수 있는 규칙들을 토대로 교전을 진행하였을 때 나타나는 모습으로 정의를 한다. 이는 전술 교리와는 동떨어질 수 있지만 규칙들을 토대로 다양한 교전 상황을 보임으로써 새로운 전술 생성의 가능성을 기대할 수 있다.
본 연구에서는 다양하고 복잡한 전장 환경의 적응과 전술 생성을 위해 유전 알고리즘을 적용한 다대다 함정교전 시뮬레이션을 진행하였다.
생성된 창발적 전술 분석을 위해 유전자 풀에 축적되어 있는 전술을 분석하였으며, 다양한 전술 중에 생성된 창발적 전술인 기만 전술에 대해 상세히 설명하고자 한다.
제안 방법
⦁ 함정 모델 : 3:3 함정전투 시뮬레이션을 위해 남북한 함정들을 모델링하였다. 아군 함정으로는 참수리급 고속정, 적군 함정으로는 SO-1급 초계정을 사용하였고, 각 함정은 기본적으로 CFCS, 기동, 센서, 함포 모델 등으로 구성하였다.
⦁ 전장환경 모델 : 함정 간 또는 함정과 환경 간의 상호작용에 대한 처리를 담당한다. 공간상황처리, 공간처리기, 위치추적기, 전장정보, 신호해석기 등의 모델로 구성하였다.
⦁ 통제관 에이전트 모델 : 시뮬레이션 시나리오를 생성하고, 제어하며, 교전결과 분석을 담당한다. 구성 요소로는 시나리오 생성기, 유전알고리즘 연산기, 그리고 적합도 평가기로 구성했다. 먼저 시나리오 생성기는 시나리오의 생성과 유전 알고리즘의 진화 세대(Generation) 수 및 개체(Population) 수를 결정하는 일을 담당한다.
⦁ 선택 단계 : 평가 단계에서 계산된 염색체의 적합도 평가를 기준으로 교차 및 변이 연산에 사용될 염색체를 선택한다. 룰렛 휠 선택 기법을 적용하여 염색체가 가지는 적합도 비율에 따라 선택될 확률이 높아지도록 설정하였다.
시뮬레이션 종료 조건은 한 쪽 진영의 함정이 모두 침몰되거나, 포탄을 다 소진하였으나 함정들이 침몰 시키지 못했을 경우 무승부로 설정하여 시뮬레이션을 수행하였다.
⦁ 함정 모델 : 3:3 함정전투 시뮬레이션을 위해 남북한 함정들을 모델링하였다. 아군 함정으로는 참수리급 고속정, 적군 함정으로는 SO-1급 초계정을 사용하였고, 각 함정은 기본적으로 CFCS, 기동, 센서, 함포 모델 등으로 구성하였다.
요구사항 명세를 기반으로 구조적 모델인 SES(System Entity Structure)에서 PES(Pruned Entity Structure)를 구성하고, 이를 위해 필요한 운용자 에이전트(함대사령관, 함장, 포술장교, 정보장교, 항해장교 등) 모델, 함정 모델, 환경 모델, 통제관 에이전트 모델들을 정의하여 행위적 모델에 저장한다.
⦁ 운용자 에이전트 모델 : 아군, 적군 함정 모델들은 운용자 에이전트 모델의 의사결정에 따라 운용된다. 운용자 에이전트는 각 함정의 함장, 정보장교, 포술 장교, 항해장교 등의 에이전트 모델과 전체 함대를 관장하는 함대 사령관 에이전트 모델 등으로 계층구조적으로 구성하였다.
시뮬레이션은 각 함정들이 처한 상황에 따라 운용자 에이전트의 의사 결정에 따라 이동 또는 교전함으로써 이루어진다. 유전 알고리즘을 이용하여 임의의 전술 규칙(표 1 참조)으로부터 시작하여, 교전 상황에 적합한 규칙은 진화됨과 동시에 후손(새로운 규칙)까지 생성시킬 수 있지만, 적합하지 않은 규칙은 도태되는 과정을 통해 진화를 거듭하면서 궁극적으로는 교전 상황에 최상의 효과를 발휘할 수 있는 창발적 전술을 생성할 수 있도록 하였다. 시뮬레이션 진행 중에 교전효율이 계산되며, 교전효율이 높은 전술들은 진화의 주체가 된다.
3장에서 기술한 개발 방법론을 토대로 다대다 함정교전 시뮬레이션 시스템을 만들었다. 이 시스템은 진화론적 시뮬레이션을 이용한 다대다 함정교전 시뮬레이션 시스템으로, Visual C++ 2008환경에서 DEVS 모델링 기반의 DeSim 도구를 이용하였고, DirectX 9.0 기반의 3D로 개발되었다.
적군의 전술은 공격 위주의 휴리스틱 전술을 부여하였고, 아군의 전술은 유전 알고리즘에 의해 진화하도록 하였다. 유전 알고리즘 진화 세대 수는 20세대, 개체 수는 40개로 설정하였다.
전술 생성 방법론의 검증을 위한 시뮬레이션 시나리오는 서해 교전을 참조하였다. 전장 환경은 연평도 근해의 지형을 모의하였으며, 적군은 SO-1급 초계정 3척, 아군 함정은 참수리 고속정 3척을 모델링하였다(그림 3 참조).
대상 데이터
적군의 전술은 공격 위주의 휴리스틱 전술을 부여하였고, 아군의 전술은 유전 알고리즘에 의해 진화하도록 하였다. 유전 알고리즘 진화 세대 수는 20세대, 개체 수는 40개로 설정하였다.
이론/모형
전술 생성의 가능성을 검증하기 위해 인공 생명의 한 분야로서 진화적인 방법에 의한 창발현상을 보일 수 있는 유전 알고리즘을 적용하였다.
성능/효과
본 논문에서는 인간의 개입을 최소화한 새로운 전술 생성의 가능성을 검증하기 위해 유전 알고리즘을 이용한 전술 생성 연구를 진행하였다. 기존 단일 함정 간 함정전 투에 대한 연구에서 개별 전술만을 고려하였던 문제점과 유전 알고리즘을 이용한 다대다 함정전투 모델링 및 시뮬레이션에서 연구한 염색체 구성, 연산 방법 및 교전 효율 평가 방법을 기반으로 연구를 진행한 결과 1) 주어진 시나리오에 유전알고리즘의 적용으로 다양한 전술을 반영한 실험으로 진화론적인 전술 생성과 분석이 가능 하게된 것, 2) 실험 분석을 통해 협업 전술(기만 전술, 집중 사격 등), 함정의 진형(종렬진, 횡렬진 등)을 전개하는 다양한 창발적 전술 생성이 가능함을 검증하였다. 향후 함대의 진형 및 이기종의 플랫폼 등을 고려하여 다양하고 실질적인 전술 생성에 관한 연구가 진행되어야 할 것이다.
적군 1,2,3번이 남하할 때 아군 3번함정이 남하하는 것을 확인하여 보고를 하게 되고, 함대 사령관의 규칙 명령에 따라 근접해 있는 적을 집중 사격하라는 명령을 받게 된다. 각 함장들은 함대 사령관의 명령에 따라 적군 3번 함정을 섬멸하기 위해 에이전트의 규칙에 의해 의도하지 않은 횡렬진 진형을 전개하였고, 분석 결과 적군의 진형은 종렬진으로 전개되어 모든 공격력을 동원하기에는 역부족이었다. 따라서 명령에 따라 공격을 수행한 아군 함정이 우세하여 승리할 수 있었다.
이상에서 설명한 바와 같이, 전술 분석을 통해 얻은 예를 살펴보면 아군 에이전트의 규칙을 기반으로 적 발견시 지형지물(섬 등)을 이용하여 아군 1번 함정이 적군 1,2,3번 함정을 유인하는 기만 전술을 수행하고, 아군 2,3번 함정이 섬을 우회하여 적군에게 기습공격을 함과 동시에 함대 사령관의 규칙 중 협업 전술(집중 사격) 등을 전개하여 승리할 수 있었다. 이는 단순한 규칙으로 유전 알고리즘을 이용하여 창발적 전술 생성이 가능함을 실험 분석을 통해 확인 할 수 있었다.
이상에서 설명한 바와 같이, 전술 분석을 통해 얻은 예를 살펴보면 아군 에이전트의 규칙을 기반으로 적 발견시 지형지물(섬 등)을 이용하여 아군 1번 함정이 적군 1,2,3번 함정을 유인하는 기만 전술을 수행하고, 아군 2,3번 함정이 섬을 우회하여 적군에게 기습공격을 함과 동시에 함대 사령관의 규칙 중 협업 전술(집중 사격) 등을 전개하여 승리할 수 있었다. 이는 단순한 규칙으로 유전 알고리즘을 이용하여 창발적 전술 생성이 가능함을 실험 분석을 통해 확인 할 수 있었다.
시뮬레이션 결과로 그림 4와 같이 아군 함대의 세대별 당대 전체 전술 염색체의 평균 교전 효율을 그래프로 표현하였다. 전체 전술 염색체의 평균 교전 효율은 1세대에서 약 0.1이던 교전 효율이 9세대 이후 0.8에 수렴하는 모습을 확인할 수 있다. 이를 통해 공격 위주의 휴리스틱 전술로 설정된 적군과의 교전에서 진화를 통해 적군의 전술과 대등하거나 효율적인 전술이 생성되었음을 알 수 있다.
후속연구
기존 단일 함정 간 함정전 투에 대한 연구에서 개별 전술만을 고려하였던 문제점과 유전 알고리즘을 이용한 다대다 함정전투 모델링 및 시뮬레이션에서 연구한 염색체 구성, 연산 방법 및 교전 효율 평가 방법을 기반으로 연구를 진행한 결과 1) 주어진 시나리오에 유전알고리즘의 적용으로 다양한 전술을 반영한 실험으로 진화론적인 전술 생성과 분석이 가능 하게된 것, 2) 실험 분석을 통해 협업 전술(기만 전술, 집중 사격 등), 함정의 진형(종렬진, 횡렬진 등)을 전개하는 다양한 창발적 전술 생성이 가능함을 검증하였다. 향후 함대의 진형 및 이기종의 플랫폼 등을 고려하여 다양하고 실질적인 전술 생성에 관한 연구가 진행되어야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
전술 생성의 가능성을 검증하기 위해 적용한것은?
전술 생성의 가능성을 검증하기 위해 인공 생명의 한 분야로서 진화적인 방법에 의한 창발현상을 보일 수 있는 유전 알고리즘을 적용하였다.
함정 전투체계의 한계는?
함정 전투체계는 플랫폼, 각종 센서 및 무장을 효율적으로 통제하기 위한 운용자의 영향이 다대한 의사결정 중심의 시스템이다. 이러한 체계의 교전 시뮬레이션은 필수 적으로 운용자가 포함될 수밖에 없음으로 인해 시뮬레이션은 실시간 정도의 저속에서 가능하며, 반복적인 실험에 어려움이 있고, 결과 또한 개입된 운용자의 능력에 의존 적일 수밖에 없다.
함정 전투체계란?
함정 전투체계는 플랫폼, 각종 센서 및 무장을 효율적으로 통제하기 위한 운용자의 영향이 다대한 의사결정 중심의 시스템이다. 이러한 체계의 교전 시뮬레이션은 필수 적으로 운용자가 포함될 수밖에 없음으로 인해 시뮬레이션은 실시간 정도의 저속에서 가능하며, 반복적인 실험에 어려움이 있고, 결과 또한 개입된 운용자의 능력에 의존 적일 수밖에 없다.
참고문헌 (12)
Wan S. C, "An Exploratory Analysis On The Effects Of Human Factors On Combat Outcomes", Master's Thesis, Naval Postgraduate School Monterey, Mar 2002.
Yang A., H. A. Abbass and R. Sarker, "Evolving Agents for Network Centric Warfare", Proceedings of the 2005 GECCO Conference on Genetic and Evolutionary, pp. 25-29, June 2005.
Lovgsdon J., D. Nash and M. Barnes, "OneSAF Tutorial", 2008 Defense Modeling and Simulation Conference (DMSC), Olando, FL, USA, March 2008.
A.S. Yilmaz, B.N. McQuay, H. Yu, A.S. Wu, and J.C. Sciortino. "Evolving Sensor Suites for Enemy Radar Detection", In Genetic and Evolutionary Computation Conference Proceedings, Part II, pp. 2384-2395. July 2003.
S.W. Soliday. "A Genetic Algorithm model for mission planning and dynamic resource allocation of airborne sensors", In Proceedings, 1999 IRIS National Symposium on Sensor and Data Fusion, Laurel, MD, May 1999.
이성용, 장성호, 이종식, "워게임 시뮬레이션에서 전장상황을 교려한 최적경로 모델링 및 시뮬레이션", 한국시뮬레이션학회 논문지, vol. 19, no. 3, pp. 27-35, 2010.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.