선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 시뮬레이션에서는 아군 수상함이 적 잠수함으로부터 발사된 어뢰를 회피하는 시나리오를 설계하였다. 일반 적으로 수상함은 어뢰를 회피하기 위하여 아함과 유사한 방사소음을 발생시키는 기만기를 사용하여 어뢰를 기만한다 [14] .
- 본 연구에서는 다양한 변수가 상호 복합적으로 존재하며, 예측이 불가능한 국방시뮬레이션에서 효율적으로 최적의 운용전술을 신속하게 도출하기 위하여 알고리즘이 적용된 실험계획기, 전장시나리오를 모사한 분석 모델, 시뮬레이션을 고속으로 계산하는 수행기로 구성된 최적화 시뮬레이션 프레임워크를 제안하였다. 실험계획기에 적용된 알고리즘은 재평가 방법이 적용된 DPSO기법으로 일반적인 알고리즘에서 나타나는 국부적 최적치, 전역적 최적치 주변의 과대평가치 오류를 개선한다.
제안 방법
- 고정식 기만기의 속력은 0 m/s, 자항식 기만기의 속력은 10 m/s 로 고정하였고, 기만기 1번부터 4번까지 유형과 발사 모드를 변화시켜가면서 최적의 기만기 운용전술 조합을 찾는 시뮬레이션을 수행하였다(Table 2 참조).
- 기만기 유형과 발사 모드를 변수로 설정하여 아군 수상함이 적 어뢰를 탐지하였을 때 적 어뢰 전방좌우측으로 각각 기만기 1발, 수상함 후방 좌우측으로 각각 기만기 1발씩을 발사하도록 설정하여 아군 수상함의 회피율을 분석하였다. 기만기의 수는 총 4발, 기만기의 유형은 2가지(부유식, 자항식), 기만기의 발사 모드는 2가지(압축공기식, 로켓식)로 설정하였다.
- 기만기 유형과 발사 모드를 변수로 설정하여 아군 수상함이 적 어뢰를 탐지하였을 때 적 어뢰 전방좌우측으로 각각 기만기 1발, 수상함 후방 좌우측으로 각각 기만기 1발씩을 발사하도록 설정하여 아군 수상함의 회피율을 분석하였다. 기만기의 수는 총 4발, 기만기의 유형은 2가지(부유식, 자항식), 기만기의 발사 모드는 2가지(압축공기식, 로켓식)로 설정하였다. 기만기 1발이 사용할 수 있는 경우의 수는 4가지이며, 기만기 4발의 경우에는 총 256가지의 경우의 수를 가진다.
- 유전자 알고리즘과 군집 분석을 이용한 확률적 시뮬레이션 최적화기법(1999, 이동훈)과 PSO법을 응용한 확률적 시뮬레이션의 최적화 기법 (2013, 김선범)에서는 알고리즘을 사용하여 최적화 문제를 해결하는 연구를 하였다. 다양한 해집합을 형성하는 군집의 적합도를 분석하여 실재 해에 수렴하는 속도를 향상시킨 변형된 유전자 알고리 즘과 결과가 확률적으로 나타나는 군사시뮬레이션에 특징을 가지는 응용된 DPSO 알고리즘을 제안하였다 [3][9] . 단순 유전자 알고리즘과 PSO 알고리즘에 비하여 탐색오차가 적고 효율적으로 최적의 해를 찾아가는 장점을 가지나 실제 군사시뮬레이션 모델에 적용한 사례가 없어 추가적인 검증이 필요하다.
- 0 로 적용하였다. 또한, 기존의 PSO알고리즘에서 나타나는 국부적 최적치, 전역적 최적치 주변의 과대평가치 오류로 인한 탐색시간지연 및 부정확한 결과를 개선하기 위해 각스텝에서 한 번 더 평가해주는 방법을 사용하였다[9].
- 분석 모델은 전장시나리오를 모사하기 위한 모델기반의 시뮬레이션 시스템이다. 모의교전에 필요로 객체들과 시스템 상태변화를 구성하기위하여 모델기반의 해양무기 체계 통합 시뮬레이션(QUEST)시스템을 사용하였다(Fig. 2 참조).
- 본 논문에서는 DPSO(Discrete binary version of Particle Swarm Optimization) 기법을 사용하여 모델기반 최적화 시뮬레이션 프레임워크를 개발하였다. 프레임워크의 기반이 되는 통합개발환경(IDE, Integrated Development Environment)은 수상, 수중무기체계의 교전 또는 운용효과도 분석을 목적으로 하며 잠수함, 수상함, 어뢰등 해군 무기 체계 분석을 위한 해양 무기체계 통합 시뮬레이션(QUEST, Quick assembly Unified Engineering Simulation Toolkit)을 사용하였다 [4-5] .
- )는 탐색 방법, 미세조정 및 국부적 최적해 수렴완화에 영향을 끼치는 상수 이다. 본 연구에서는 입자들이 효율적인 국소탐색(local search)을 위해 w = 1 , c1 = c2 = 2 로 설정하였고, 속도의 발산을 방지하기 위하여 Vmax = 6.0, Vmin = - 6.0 로 적용하였다. 또한, 기존의 PSO알고리즘에서 나타나는 국부적 최적치, 전역적 최적치 주변의 과대평가치 오류로 인한 탐색시간지연 및 부정확한 결과를 개선하기 위해 각스텝에서 한 번 더 평가해주는 방법을 사용하였다[9].
- 국방 분야에서는 전술에 영향을 끼치는 요소들을 분석 하기 위해 몬테 칼로 방법이 사용되어져 왔다. 분석변수 들을 설정하고 수치적으로 일련의 난수를 반복적으로 발생시켜 효과도를 분석하였다 [8] . 이와 같은 방법은 분석하고자하는 요소들이 제한적일 경우 용이하나 전술복잡도가 높으며 결과를 예측 할 수 없는 경우에는 분석 소모시간이 증가하여 단 시간 내에 최적의 운용전술을 도출하는 군사시뮬레이션에는 사용하기에 어려움을 가진다.
- 수행기는 실험계획기와 분석 모델에서 계획한 시뮬레 이션 과정을 고속으로 처리하기 위하여 대용량 데이터 분산 처리 기능으로 설계되었다. 클러스터 관리 PC를 통하여 각각의 고속 컴퓨팅 기능을 가진 PC에 병렬로 업무 (Job)를 할당하고, 결과를 취합하여 반환한다(Fig.
- DPSO알고리즘은 어떠한 문제의 결과가 정확하게 존재하지 않을 경우, 주어진 시간 내에 모든 탐색공간을 확인할 수 없을 경우에 유용하게 사용되어진다 [6] . 이산적인 문제를 해결하기 위한 연구 (2013, 임동순)에서 7가지 종류의 평가함수를 사용하여 유전자 알고리즘, PSO, DPSO, MVPSO(Multi-Velocity PSO)을 비교 분석하였고, DPSO알고리즘이 타 알고리즘에 비하여 초기에 신속하게 최적의 해로 찾아가는 것을 확인하였다 [7] .
- 전장시나리오는 아군 수상함 한 척과, 적 잠수함 한 척이 참여하는 수중전장을 구성하였다. 적 잠수함이 아군 수상함을 탐지하여 어뢰를 발사하고, 적 어뢰를 탐지한 아군 수상함은 기만기운용 및 회피기동을 실시하여 적 어뢰를 회피하는 단계로 시뮬레이션이 진행된다(Fig. 8 참조).
- 전장시나리오는 아군 수상함 한 척과, 적 잠수함 한 척이 참여하는 수중전장을 구성하였다. 적 잠수함이 아군 수상함을 탐지하여 어뢰를 발사하고, 적 어뢰를 탐지한 아군 수상함은 기만기운용 및 회피기동을 실시하여 적 어뢰를 회피하는 단계로 시뮬레이션이 진행된다(Fig.
- 해양 무기체계 통합 시뮬레이션(QUEST)에서는 해군 무기체계 교전 시뮬레이션 구현을 위한 모델 라이브러리를 제공한다. 전투체계(잠수함, 수상함, 어뢰 등)들은 물리모델(기동, 소나, 통신, 센서 등)과 전술모델(탐색방법, 동작순서 등)조합으로 구성하였으며, 전투개체 모델간의 물리적인 상호작용(배경소음, 잔향음, 음파신호전달, 충돌등)을 위해 환경모델과 입출력을 정의하였다. Fig.
- 정상적으로 서버가 동작되는 것을 확인한 후, 최적화 도구연동 탭을 ‘OFF’ 상태에서 ‘ON’ 상태로 전환하고, 실험계획기를 실행시킨다(Fig. 7 참조).
- 제안된 최적화 시뮬레이션 프레임워크를 사용하여 아군 수상함이 적 어뢰로부터 회피하기 위한 최적화된 기만기 운용전술을 찾는 시뮬레이션을 수행하였다. 최적화 시뮬레이션 프레임워크는 기존 해양 무기체계 통합 시뮬레 이션(QUEST)에서 제공하는 몬테 칼로 방법에 비하여 적은 계산 횟수(약 4.
- 해양 무기체계 통합 시뮬레이션(QUEST)에서 제공하는 몬테 칼로 방법에서는 최적의 기만기 운용전술 조합을 찾기 위해서는 모든 경우의 수를 분석해야 한다. 총 256가지의 경우의 수를 설정하고 신뢰도를 확보하기 위하여 각각의 경우에 대하여 100번씩 반복수행(총 25,600번)하여 평균값(아군 수상함의 적 어뢰 회피율)을 계산하였다(Fig. 9 참조).
대상 데이터
- 1장에서 언급했던 최적치 주변의 과대평가치에 빠지는 오류를 방지하기 위한 재평가 부분이다. 본 최적화 프레임워크를 사용한 시뮬레이션에서는 P= 10, M = 50, T = 10으로 설정하였고, 총 5,500번의 계산과정을 수행하였다.
데이터처리
- 해양 무기체계 통합 시뮬레이션(QUEST)에서 제공하는 몬테 칼로 방법과 본 연구에서 제안한 최적화 시뮬레 이션 프레임워크 방법을 사용하여 아군 수상함의 회피율에 영향을 끼치는 기만기 운용전술을 찾아내는 탐색 횟수를 비교분석 하였다.
이론/모형
- 우선 실험계획기에서는 사용할 입자, 샘플링, 반복수를 설정한다. 분석모델에서는 기존의 몬테 칼로 도구를 사용하여 분석할 변수를 선택하여 계획 창에 이동시킨다(Fig. 6 참조).
- 실험계획기는 경험을 기반으로 최적 해를 찾아나가는 휴리스틱(Heuristic)기법 중 하나인 PSO(Particle Swarm Optimization) 알고리즘을 응용한 DPSO기법을 적용하였다.
- 실험계획기에 적용된 알고리즘은 재평가 방법이 적용된 DPSO기법으로 일반적인 알고리즘에서 나타나는 국부적 최적치, 전역적 최적치 주변의 과대평가치 오류를 개선한다. 전장시나리오를 모사한 분석모델은 기존의 해양 무기체계 통합 시뮬레 이션(QUEST)을 사용하였다.
- 본 논문에서는 DPSO(Discrete binary version of Particle Swarm Optimization) 기법을 사용하여 모델기반 최적화 시뮬레이션 프레임워크를 개발하였다. 프레임워크의 기반이 되는 통합개발환경(IDE, Integrated Development Environment)은 수상, 수중무기체계의 교전 또는 운용효과도 분석을 목적으로 하며 잠수함, 수상함, 어뢰등 해군 무기 체계 분석을 위한 해양 무기체계 통합 시뮬레이션(QUEST, Quick assembly Unified Engineering Simulation Toolkit)을 사용하였다 [4-5] . 해양 무기체계 통합 시뮬레이션(QUEST)으로 모델링된 전장시나리오에서 신속히 최적의 운용전술을 찾기 위한 방법으로 최소한의 시간 안에 복잡하고 대규모의 문제를 해결하는 메타 휴리스틱방법론 중 하나인 DPSO알고리즘을 적용하였다.
- 프레임워크의 기반이 되는 통합개발환경(IDE, Integrated Development Environment)은 수상, 수중무기체계의 교전 또는 운용효과도 분석을 목적으로 하며 잠수함, 수상함, 어뢰등 해군 무기 체계 분석을 위한 해양 무기체계 통합 시뮬레이션(QUEST, Quick assembly Unified Engineering Simulation Toolkit)을 사용하였다 [4-5] . 해양 무기체계 통합 시뮬레이션(QUEST)으로 모델링된 전장시나리오에서 신속히 최적의 운용전술을 찾기 위한 방법으로 최소한의 시간 안에 복잡하고 대규모의 문제를 해결하는 메타 휴리스틱방법론 중 하나인 DPSO알고리즘을 적용하였다. DPSO알고리즘은 어떠한 문제의 결과가 정확하게 존재하지 않을 경우, 주어진 시간 내에 모든 탐색공간을 확인할 수 없을 경우에 유용하게 사용되어진다 [6] .
성능/효과
- 10참조). 마지막 10번째 스텝에서 회피율이 95%이상인 결과 값들에 대한 정보(기만기 운용전술 조합)와 몬테 칼로 방법을 사용하여 얻은 결과 값을 비교하면 서로 유사하다(Table 3 참조).
후속연구
- 다양한 해집합을 형성하는 군집의 적합도를 분석하여 실재 해에 수렴하는 속도를 향상시킨 변형된 유전자 알고리 즘과 결과가 확률적으로 나타나는 군사시뮬레이션에 특징을 가지는 응용된 DPSO 알고리즘을 제안하였다 [3][9] . 단순 유전자 알고리즘과 PSO 알고리즘에 비하여 탐색오차가 적고 효율적으로 최적의 해를 찾아가는 장점을 가지나 실제 군사시뮬레이션 모델에 적용한 사례가 없어 추가적인 검증이 필요하다.
- 앞으로 기만기 운용전술에 국한되지 않고 수상전, 대공전, 지상전과 같은 다양한 전장 환경들이 적용되어지는 국방시뮬레이션에서 최적화 시뮬레이션 프레임워크를 사용하여 신속하게 최적화된 운용전술을 도출하는 연구를 하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.