[논문]강화 및 진화 학습 기능을 갖는 에이전트 기반 함정 교전 시뮬레이션

정찬호; 박철영; 지승도; 김재익

doi:10.9709/jkss.2012.21.4.065

강화 및 진화 학습 기능을 갖는 에이전트 기반 함정 교전 시뮬레이션
The Battle Warship Simulation of Agent-based with Reinforcement and Evolutionary Learning 원문보기

한국시뮬레이션학회논문지 = Journal of the Korea Society for Simulation, v.21 no.4, 2012년, pp.65 - 73

정찬호 (한국항공대학교 컴퓨터공학과) , 박철영 (한국항공대학교 컴퓨터공학과) , 지승도 (한국항공대학교 컴퓨터공학과) , 김재익 (국방과학연구소)

초록
AI-Helper

함정 전투체계는 무기체계, 정보통신 등의 기술 발전으로 인한 복잡한 전장 환경에 따라 인간이 개입하여 다양한 전술을 운용해야 한다. 따라서 에이전트 기반의 국방 M&S 시스템의 연구가 최근 들어 활발히 진행되고 있다. 그러나 현존하는 에이전트 기반 M&S 시스템은 고정된 전술을 적용하여 분석하는데 그치고 있다. 본 논문에서는 함정 교전에서 보다 적합한 대응을 찾기 위해 환경변화에 능동적으로 대처할 수 있도록 강화 학습 기능을 갖으며, 또한 유전 알고리즘을 이용하여 세대별 진화 학습 기능을 갖는 에이전트 모델링 방법론을 제안하였다. 타당성 검증을 위해 서해상에서 벌어지는 가상의 1:1 함정교전 시뮬레이션을 수행하였고, 이를 통해 함정 교전에 있어 강화 및 진화 학습이 가능함을 검증하였다.

Abstract ▼ AI-Helper

Due to the development of technology related to a weapon system and the info-communication, the battle system of a warship has to manage many kinds of human intervention tactics according to the complicated battlefield environment. Therefore, many kinds of studies about M&S(Modeling & Simulation) have been carried out recently. The previous M&S system based on an agent, however, has simply used non-flexible(or fixed) tactics. In this paper, we propose an agent modeling methodology which has reinforcement learning function for spontaneous(active) reaction and generation evolution learning Function using Genetic Algorithm for more proper reaction for warship battle. We experiment with virtual 1:1 warship combat simulation on the west sea so as to test validity of our proposed methodology. We consequently show the possibility of both reinforcement and evolution learning in a warship battle.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 연구에서는 복잡한 환경 묘사와 다양한 전술을 수행하고 분석해야 하는 국방 M&S 시스템에 적합한 기법이라 할 수 있는 유전 알고리즘을 적용하고자 한다.
본 논문에서는 강화 및 진화 학습 기능을 갖는 에이전트 기반 1:1 함정 교전 시뮬레이션을 진행하였다. 이를 위해 학습 모듈을 추가하여 단일 세대에서의 학습 능력을 부여하였고, 또한 단일 세대에서의 학습 능력을 갖는 지능 개체 시스템을 다중 개체 시스템으로 확장하고 유전 알고리즘과 진화 모델링을 적용하였다.
본 연구에서는 강화 및 진화 학습 기능을 갖는 에이전트 기반 함정 교전 모델링을 위해 아래와 같은 모델 구조도에 따른 접근을 제안한다(Fig. 1 참조). 먼저 함정 교전 모델링을 위해 운용자 에이전트 모델, 함정 모델, 전장 환경 모델, 통제관 에이전트 모델들로 구성하였으며, 이를 살펴보면 다음과 같다.
본 연구에서는 강화 학습을 위한 신뢰 할당 문제를 해결하기 위해 믿음 값과 가능성 값을 통한 증거구간 설정과 같은 효과적인 대안을 제공하는 Modified DemsterShafer 이론을 적용하고자 한다.
그러나 이 연구는 단일 에이전트 중심으로 이루어져서 복잡한 상황 묘사가 어렵다는 단점이 있다. 본 연구에서는 이를 확장하여 다중 에이전트 기반의 강화 및 진화 학습 기능을 갖는 시뮬레이션 연구를 진행하고자 한다. 이를 검증하기 위해 함정 운용에 필요한 함장, 정보장교, 항해장교, 포술장교 등의 에이전트로 계층 구조적으로 구성하였다.
이를 극복하기 위해 고도의 전술적 운용이나 다양한 전장 환경과 같은 복잡도가 높은 문제 해결을 위해 운용자 에이전트를 DEVS기반으로 수준을 향상시키고, 단일 함정 간의 함정교전에서 유전 알고리즘을 탑재한 통제관 에이전트를 사용하여 행동 중심적이고, 창발¹⁾적 전술 생성 가능성을 연구하였고^[6], 다대다 함정 교전 시뮬레이션을 통해 창발적인 협업 전술 생성의 가능성을 검증한 바 있다^[7]. 본 연구에서는 전술 생성의 보완을 위해 강화 학습을 적용하여 학습과 진화라는 두 가지의 적응 과정을 보이고자 한다. 강화 학습은 개체의 일생동안에 이루어지는 반면 진화는 세대교체에 의하여 전반적으로 이루어진다.
본 연구에서는 진화 및 강화 학습을 이용한 실험이 지능 향상에 도움을 주는 지를 비교하기 위해 진화 학습을 이용한 실험을 진행하였다. 실험 결과 Fig.
앞서 설명한 모델링 방법론을 적용하여 강화 학습 및 진화 학습을 통해 항해 장교 에이전트는 신뢰도가 높은 함정의 이동 속도를 선택, 포술 장교 에이전트 또한 신뢰도가 높은 함포 종류, 함포의 사거리를 선택하고 진화하였는지에 대한 여부를 사례 연구를 통해 검증하고자 한다.

제안 방법

Rtran과 점화된 규칙의 기존 신뢰도(Rn)를 Modified DempterShafer Combine Algorithm을 사용하여 합성하고, 합성된 신뢰도(Rn′)를 점화된 규칙의 신뢰도에 반영한다.
강화학습의 검증을 위하여 휴리스틱한 규칙을 탑재한 적군과 학습 전/후의 규칙을 탑재한 아군과의 교전 실험을 진행하였다. 실험 결과 Fig.
• 전장환경 모델 : 함정 간 또는 함정과 환경 간의 상호작용에 대한 처리를 담당 한다. 공간상황처리, 공간처리기, 위치추적기, 전장정보, 신호해석기 등의 모델로 구성하였다.
• 통제관 에이전트 모델 : 시나리오를 생성하고, 제어하며, 교전결과 분석을 담당한다. 구성 요소로는 시나리오 생성기, 유전 알고리즘 연산기, 그리고 적합도 평가기로 구성하였다. 먼저 시나리오 생성기는 시나리오의 생성과 유전 알고리즘의 진화 세대(Generation) 수 및 개체(Population) 수를 결정하는 일을 담당한다.
이를 검증하기 위해 함정 운용에 필요한 함장, 정보장교, 항해장교, 포술장교 등의 에이전트로 계층 구조적으로 구성하였다. 그리고 환경변화에 능동적으로 대처하여 효율적인 규칙을 도출할 수 있는 강화 학습 기능을 갖는 학습 모듈을 적용하였고, 유전 알고리즘을 이용하여 각 세대 안에서의 학습과 세대교체에 따른 진화 학습을 통하여 기존의 단일 세대에서의 학습에 비해 전반적인 지능의 향상과 강건한(Robust) 지능을 갖는 에이전트 기반 함정 교전 시뮬레이션을 진행하였다.
• 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.
1 참조). 먼저 함정 교전 모델링을 위해 운용자 에이전트 모델, 함정 모델, 전장 환경 모델, 통제관 에이전트 모델들로 구성하였으며, 이를 살펴보면 다음과 같다.
제안한 강화 및 진화 학습 기능을 갖는 에이전트 기반 함정 교전 모델링 방법론의 타당성 검증을 위해 1:1 함정 교전 시뮬레이션을 진행하였다. 시나리오는 서해 교전을 참조하여 적군 함정이 NLL을 침범하고, 아군 함정은 이를 방어하는 시나리오를 설정하였다. 전장 환경은 연평도 근해의 지형을 모의하였으며, Fig.
포술 장교 에이전트의 학습 모듈은 추론엔진으로부터 점화된 규칙을 전달 받는다. 아군이 i번째 공격을 수행하기 전 적군의 누적 피해량인 Di를 이용하여 단일 공격에 의한 피해량(단일 공격의 피해량은 0~9로 설정)의 값(VA: Actual Value)을 수식 (1)의 방법으로 구한다.
• 운용자 에이전트 모델 : 아군, 적군 함정 모델들은 운용자 에이전트 모델의 의사결정에 따라 운용된다. 운용자 에이전트는 각 함정의 함장, 정보장교, 포술장교, 항해 장교 등의 에이전트 모델 등으로 계층 구조적으로 구성하였다.
본 연구에서는 이를 확장하여 다중 에이전트 기반의 강화 및 진화 학습 기능을 갖는 시뮬레이션 연구를 진행하고자 한다. 이를 검증하기 위해 함정 운용에 필요한 함장, 정보장교, 항해장교, 포술장교 등의 에이전트로 계층 구조적으로 구성하였다. 그리고 환경변화에 능동적으로 대처하여 효율적인 규칙을 도출할 수 있는 강화 학습 기능을 갖는 학습 모듈을 적용하였고, 유전 알고리즘을 이용하여 각 세대 안에서의 학습과 세대교체에 따른 진화 학습을 통하여 기존의 단일 세대에서의 학습에 비해 전반적인 지능의 향상과 강건한(Robust) 지능을 갖는 에이전트 기반 함정 교전 시뮬레이션을 진행하였다.
본 논문에서는 강화 및 진화 학습 기능을 갖는 에이전트 기반 1:1 함정 교전 시뮬레이션을 진행하였다. 이를 위해 학습 모듈을 추가하여 단일 세대에서의 학습 능력을 부여하였고, 또한 단일 세대에서의 학습 능력을 갖는 지능 개체 시스템을 다중 개체 시스템으로 확장하고 유전 알고리즘과 진화 모델링을 적용하였다. 제안된 시뮬레이션의 특징은 1) 교전중 적군의 행동 등과 같은 환경변화에 적응 하는 강화 학습과 세대별 적장 생존을 통한 진화 학습과정을 통합하여 학습기능을 극대화시킬 수 있는 에이전트를 성공적으로 제안했다.
4와 같이 적군(SO-1급 경비정)과 아군(참수리급 고속정)의 함정은 각각 1척으로 설정하였다. 적군의 전술은 아군 함정을 공격하도록 설정하였고, 아군은 각 에이전트마다 특정 상황에서 취할 수 있는 행동을 정의하고(Table 참조), 학습 및 진화를 위해 임의의 행동들을 결합하여 유전 알고리즘의 염색체를 구성하였다. 실험을 단순화 하기 위해 진화 세대 수는 20세대, 개체 수는 40개로 설정하였다.
시나리오는 서해 교전을 참조하여 적군 함정이 NLL을 침범하고, 아군 함정은 이를 방어하는 시나리오를 설정하였다. 전장 환경은 연평도 근해의 지형을 모의하였으며, Fig. 4와 같이 적군(SO-1급 경비정)과 아군(참수리급 고속정)의 함정은 각각 1척으로 설정하였다. 적군의 전술은 아군 함정을 공격하도록 설정하였고, 아군은 각 에이전트마다 특정 상황에서 취할 수 있는 행동을 정의하고(Table 참조), 학습 및 진화를 위해 임의의 행동들을 결합하여 유전 알고리즘의 염색체를 구성하였다.
제안한 강화 및 진화 학습 기능을 갖는 에이전트 기반 함정 교전 모델링 방법론의 타당성 검증을 위해 1:1 함정 교전 시뮬레이션을 진행하였다. 시나리오는 서해 교전을 참조하여 적군 함정이 NLL을 침범하고, 아군 함정은 이를 방어하는 시나리오를 설정하였다.

대상 데이터

적군의 전술은 아군 함정을 공격하도록 설정하였고, 아군은 각 에이전트마다 특정 상황에서 취할 수 있는 행동을 정의하고(Table 참조), 학습 및 진화를 위해 임의의 행동들을 결합하여 유전 알고리즘의 염색체를 구성하였다. 실험을 단순화 하기 위해 진화 세대 수는 20세대, 개체 수는 40개로 설정하였다. 시뮬레이션 종료 조건은 한 쪽 진영의 함정이 침몰되거나, 포탄을 다 소진하였으나 침몰 시키지 못했을 경우 무승부로 설정하였다.

이론/모형

Modified Dempster-Shafer Theory를 사용한다. Modified Dempster-Shafer Theory에서는 (ef, ea, n, x) 4개의 요소로 신뢰도를 표현한다.

성능/효과

이를 위해 학습 모듈을 추가하여 단일 세대에서의 학습 능력을 부여하였고, 또한 단일 세대에서의 학습 능력을 갖는 지능 개체 시스템을 다중 개체 시스템으로 확장하고 유전 알고리즘과 진화 모델링을 적용하였다. 제안된 시뮬레이션의 특징은 1) 교전중 적군의 행동 등과 같은 환경변화에 적응 하는 강화 학습과 세대별 적장 생존을 통한 진화 학습과정을 통합하여 학습기능을 극대화시킬 수 있는 에이전트를 성공적으로 제안했다. 2) 함정 교전 시뮬레이션 환경에 탑재하기 위한 에이전트 모델 구조도를 제안하고, 시뮬레이션을 통해 강화 및 진화 학습 기능의 효과를 검증하였다.
제안된 시뮬레이션의 특징은 1) 교전중 적군의 행동 등과 같은 환경변화에 적응 하는 강화 학습과 세대별 적장 생존을 통한 진화 학습과정을 통합하여 학습기능을 극대화시킬 수 있는 에이전트를 성공적으로 제안했다. 2) 함정 교전 시뮬레이션 환경에 탑재하기 위한 에이전트 모델 구조도를 제안하고, 시뮬레이션을 통해 강화 및 진화 학습 기능의 효과를 검증하였다. 현재 1:1 함정교전에 적용된 강화 및 진화 학습 기능을 갖는 에이전트 기반 함정 교전 모델링 방법론을 향후 다대다 함정 교전에 적용하여 다양하고 실질적인 전술 생성에 관한 연구가 진행되어야 할 것이다.
8과 같으며 진화 학습만을 이용한 실험의 경우 50세대까지 실험을 진행한 결과 25세대 이후 평균 적군 피해량 70 ~ 90 사이의 결과를 반복적으로 보였다. 그에 반해 진화 및 강화 학습을 이용한 실험에서는 13세대 이후 평균 적군 피해량 80이상을 나타냄으로써 더 효율적인 학습이 이루어짐을 검증 하였다.
강화학습의 검증을 위하여 휴리스틱한 규칙을 탑재한 적군과 학습 전/후의 규칙을 탑재한 아군과의 교전 실험을 진행하였다. 실험 결과 Fig. 7에서와 같이 1세대에서 학습 전의 평균 적군 피해량이 21인 반면 학습 후 37의 학습 효과를 보였고, 2세대 또한 29에서 40의 학습 효과를 보였다. 전체적으로 1~9세대 까지의 학습 전/후를 살펴보면 10~35의 차이를 보이는 학습 효과를 보임으로서 학습 후의 규칙을 탑재하여 교전을 수행한 결과 평균 적군 피해량이 높게 나와 우수한 규칙을 찾았다는 것을 알 수 있었다.
본 연구에서는 진화 및 강화 학습을 이용한 실험이 지능 향상에 도움을 주는 지를 비교하기 위해 진화 학습을 이용한 실험을 진행하였다. 실험 결과 Fig. 8과 같으며 진화 학습만을 이용한 실험의 경우 50세대까지 실험을 진행한 결과 25세대 이후 평균 적군 피해량 70 ~ 90 사이의 결과를 반복적으로 보였다. 그에 반해 진화 및 강화 학습을 이용한 실험에서는 13세대 이후 평균 적군 피해량 80이상을 나타냄으로써 더 효율적인 학습이 이루어짐을 검증 하였다.
7에서와 같이 1세대에서 학습 전의 평균 적군 피해량이 21인 반면 학습 후 37의 학습 효과를 보였고, 2세대 또한 29에서 40의 학습 효과를 보였다. 전체적으로 1~9세대 까지의 학습 전/후를 살펴보면 10~35의 차이를 보이는 학습 효과를 보임으로서 학습 후의 규칙을 탑재하여 교전을 수행한 결과 평균 적군 피해량이 높게 나와 우수한 규칙을 찾았다는 것을 알 수 있었다.
평균 적군 피해량과 승리 횟수, 강화 학습 전/후 분석을 통해 공격 위주의 휴리스틱 전술로 설정된 적군과의 교전에서 강화 학습 및 진화 과정을 통해 적군의 피해량이 증가하는 결과를 보임으로써 적합한 이동 속도, 함포 종류, 사거리가 선택되었다고 할 수 있다.

후속연구

2) 함정 교전 시뮬레이션 환경에 탑재하기 위한 에이전트 모델 구조도를 제안하고, 시뮬레이션을 통해 강화 및 진화 학습 기능의 효과를 검증하였다. 현재 1:1 함정교전에 적용된 강화 및 진화 학습 기능을 갖는 에이전트 기반 함정 교전 모델링 방법론을 향후 다대다 함정 교전에 적용하여 다양하고 실질적인 전술 생성에 관한 연구가 진행되어야 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	유전 알고리즘이란 무엇인가?	유전 알고리즘은 자연 선택의 원리와 자연계의 생물 유전학에 기본 이론을 두며 병렬적이고 전역적(Global)인 탐색 알고리즘으로서, 최근에 생물의 진화과정, 즉 자연선별과 유전법칙 등을 모방한 진화전략(Evolution Strategies), 유전 프로그래밍(Genetic Programming)등 여러 형태의 이론과 기법들이 최적해 탐색 알고리즘이 필요한 산업, 공학 등의 다양한 분야에서 활용되고 있다[16].
	에이전트 기반의 국방 M&S 시스템 연구가 활발히 진행되는 이유는 무엇인가?	함정 전투체계는 무기체계, 정보통신 등의 기술 발전으로 인한 복잡한 전장 환경에 따라 인간이 개입하여 다양한 전술을 운용해야 한다. 따라서 에이전트 기반의 국방 M&S 시스템의 연구가 최근 들어 활발히 진행되고 있다.
	강화 학습이란 무엇인가?	강화 학습(Reinforcement Learning)은 동적 환경 하에 있는 에이전트(Agent)의 행동에 대한 보상(Reward)을 최대화하는 상태-행동 규칙이나 행동 발생 전략을 찾는 학습법이다. 즉 보상의 최대화라고 하는 목적만을 가지고 있기 때문에 본질적으로 불확실성과 지연 보상이 존재하지만 환경으로부터의 보상과 벌칙만으로 우수한 정보를 획득할 수 있다는 장점 때문에 애초에 정답이 없는 문제의 접근의 길을 열어주고 있다.

참고문헌 (20)

A. Ilachinski, "Towards a Science of Experimental Complexity: An Artificial Life. Approach to Modeling Warfare", Proceedings of 5th Experimental Chaos Conference. Orlando. FL. 2000.
Michael Babilot, "COMPARISON OF A DISTRIBUTED OPERATIONS FORCE TO A TRADITIONAL FORCE IN URBAN COMBAT", The Master's Thesis of Naval Postgraduate School, September, 2005.
Easton A., and Barlow M., "CROCADILE: An Agent Based Distillation System Incorporating Aspects of Constructive Simulation", Proceedings of SimTect 2002, Melbourne Australia, 13-16 May, 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.
Yong-Jun You, Sung-Do Chi, Chan-Ho Jung et al, "A Study of Agent-based No-Human-in-the-Loop Battleship Warfare M&S System", The 7th Conference of marine weapon, pp. 29, 2008.
Chan-Ho Jung, Yong-Jun You, Sung-Do Chi et al, "Manyto- Many Warship Combat Tactics Generation Methodology Using the Evolutionary Simulation", Journal of The Korea Society for Simulation, Vol. 19, No. 3, pp. 79-88, 2011.

원문보기 상세보기
M. Mitchell, and S. Forrest, "Genetic Algorithms and Artificial Life", ArtificialLife, MITPress, Cambrige,1995.
Young-Kwang Kim, Jang-Se Lee, Sung-Do Chi, "Endomorphic Modeling of Intelligent Systems : Intelligent Card Game Players", Journal of KIISE, Vol. 26, No. 12, pp. 1507-1518, 1999.
L. P. Kaelbling, M. L. Littman, and A. W. Moore, "Reinforcement learning : a survey", Journal of Artificial Intelligence Research 4, 237-285, 1996.

상세보기
B. P. Zeigler, "Some Properties of Modified Demster- Shafer Operators in Rule-Based Inference Systems", Int. J. General Systems, 1987.
Amandeep Singh Sidhu, Narendra S. Chaudhari, and Ghee Ming Goh, "Hierarchical Reinforcement Learning Model for Military Simulations", International Joint Conference on Neural Networks, Canada, July 2006.
NGAI Chi Kit, "Reinforcement-Learning-Based Autonomous Vehicle Navigation in a Dynamically Changing Environment", for the Degree of Doctor of Philosophy at The University of Hong Kong, November 2007.
Dong-Jin Lee, Hyo-Choong Bang, "Missile Evasive Strategies for Unmanned Aircrafts using Reinforcement Learning", The Conference of The Korean Society for Aeronautical & Space Sciences, pp 470-475, 2012.
Dong-Jin Lee, Hyo-Choong Bang, "Adaptive Linear Quadratic Regulator for Unmanned Helicopters via Reinforcement Learning", The Conference of The Koxrean Society for Aeronautical & Space Sciences, pp 1343-1346, 2011.
D.E. Goldberg, "Genetic Algorithm in Search, Optimization & Machine Learning", Addison-Wesley, 1989.
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.
Sung-Young Lee, Sung-Ho Jang, Jong-Sik Lee, "Modeling and Simulation of Optimal Path Considering Battlefieldsituation in the War-game Simulation", Journal of The Korea Society for Simulation, Vol. 19, No. 3, pp. 27-35, 2010.
Jung-Hong Cho, Jung-Hae Kim, Jea-Soo Kim et al, "Optimal Acoustic Search Path Planning Based on Genetic Algorithm in Discrete Path System", Journal of The Korean Society of Ocean Engineers, Vol. 20, No. 1, pp. 69-76, 2006.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증