[논문]평균 필드 게임 기반의 강화학습을 통한 무기-표적 할당

신민규; 박순서; 이단일; 최한림

doi:10.9766/kimst.2020.23.4.337

문제 정의

하지만 각각의 무기 표적 할당이 전체 할당 결과에 영향을 받기 때문에 교차방지를 고려한 p^(t,w) 를 수식적으로 정의하기 어렵다. 그러므로 본 연구에서는 경로 교차를 방지한 할당을 강화학습을 통하여 해결하고자 한다.
모든 에이전트가 균일할 때 수식 (4)를 이용한 강화학습의 타당성과 수렴성이 증명되었으며, 본 연구에서는 평균 필드 게임 이론을 이용하여 멀티 에이전트 강화학습을 이용한 무기-표적 할당 문제의 차원의 저주 문제를 완화하고자 적용하였다.
본 연구에서는 복잡한 교전 상황 중 실시간 무기표적 할당을 위한 멀티 에이전트 강화학습 모델을 제시하였다. 제시된 모델은 표적과 발사대 수가 증가함에 따라 학습 차원이 증가하는 문제를 평균 필드 게임을 이용하여 완화시켰으며 기존의 할당 기법과 달리 표적 수에 관계없이 일정 시간으로 할당함을 확인하였다.
본 연구에서는 유도탄간 경로 교차 방지를 고려한 무기-표적 할당 문제의 해를 실시간으로 구하기 위해 멀티 에이전트 강화학습 모델을 설계하였다. 이러한 강화학습 모델에서는 발사대에서 발사할 유도탄을 에이전트로 고려하여 표적 위치와 아군 발사대의 정보를 상태로 받아 할당 결과에 따라 따른 보상을 통하여 교전을 성공시킬 수 있도록 학습한다.
과 달리 연속적인 상태 정보를 받으며, 현실적인 제한 조건을 고려함과 동시에 표적을 요격하여 피해를 최소화하는 정적할당 방식의 문제를 다룬다. 추가적으로 좁은 영역에 다수의 표적을 요격해야 하는 경우 발생할 수 있는 유도탄 간 간섭 현상을 배제하기 위해 유사한 시간에 발사된 유도탄의 궤적 교차 여부를 고려한다. 이러한 문제에서는 이전의 할당이 현재의 할당에 복합적인 영향을 미치기 때문에 문제 정의가 복잡하여 휴리스틱한 방법으로 최적해를 찾는 것은 매우 어렵다.

가설 설정

5]는 학습을 수행한 후 할당 결과의 경로교차정도를 확인하기 위해 Algorithm 1을 시험한 결과이다. 시험은 가시성을 위하여 방어 발사대 2대, 표적 12개로 설정하였으며 표적은 6개의 공격 발사대에서 각각 6개씩 3초 간격으로 동시에 발사된다고 가정하였다. 학습 모델을 통하여 무기-표적 할당쌍을 구한 후 발사 준비 시간을 고려하여 발사 시간까지 고려한 최종 할당 결과는 Algorithm 1에 맞게 발사 시간이 비슷한 표적을 표적(id 1~6과 id 7~12)끼리 분류한 다음 각각 학습 모델에 적용한 다음 발사 가능시간이 빠른표적부터 발사 준비 시간을 고려하여 할당한 것을 확인하였다.
한편, 표적은 x좌표 –400~400 m 구간에서 요격이 가능하다고 가정하였다.

제안 방법

이러한 알고리즘을 유도탄간 간섭을 배제함과 동시에 밀도 높은 표적을 할당하기 위한 연구가 이전에 수행된 바 있다^[5]. 간섭배제에 활용되는 선형 근사 간섭 예측 알고리즘의 정확도를 향상시키기 위해 발사방위각 및 발사 시간을 고려한 할당 점수를 설정하고, 탐욕 알고리즘을 활용하여 간섭의 수를 줄일 수 있는 할당 방법을 제시하였다. 하지만, 이러한 방법론은 문제 설정이 바뀔 때마다 더 좋은 할당을 얻기 위해 가중치의 조율이 필요하다.
고려하고 있는 설정에서는 다음 상태가 없는 단일스텝 에피소드를 고려하므로, 선택한 행동에 대한 보상 함수와 Q함수를 동일시하였으며, Q함수를 학습하기 위하여 심층 Q 신경망을 이용하였다. 심층 Q 신경망에 상태를 넣기 전 신경망의 안정성을 위하여 각 데이터의 특성에 맞게 각각 0과 1사이로 정규화를 하였으며, Q값을 결정하는 보상도 스케일링하였다.
교전 환경에서 사용한 아군 발사대는 x좌표가 –300~300 m에 배치되며 발사가능한 유도탄 개수에는 제한이 없으나 발사대가 가지는 최소 발사 시간 간격(rd)를 1초로 설정하였다.
본 연구에서 사용하는 신경망은 고정된 차원의 입력만 받을 수 있기 때문에 고려할 수 있는 표적의 개수와 발사대 개수에 한계가 있다. 따라서 그 이상의 표적을 다룰 수 있도록 확장하기 위하여 전체 표적을 가장 빠른 요격 시간(EFDT)과 발사준비 시간 간격을 통해 먼저 분할한 다음 발사대 최대 가용 개수를 고려하여 최대 6개씩 분할하였다. 분할한 표적을 각각 학습을 완료한 모델에 적용하여 해를 구한 다음 최종적으로 발사대의 지연시간을 고려하여 발사 시간까지 구하였다.
다만, 너무 거리를 중요시 할 시 표적이 치우쳐져 있을 때 유도탄 궤적이 교차할 수 있는 문제가 발생할 수 있으며 미할당 또는 중복할당으로 인하여 요격 성능이 저하될 수 있다. 따라서 본 연구에서는 거리를 고려하되 범위의 격차를 줄이고, 전체 요격에 실패했을 시 큰 패널티를 부여한다. 이를 고려한 보상 함수는 수식 (5)와 같다.
제시된 모델은 표적과 발사대 수가 증가함에 따라 학습 차원이 증가하는 문제를 평균 필드 게임을 이용하여 완화시켰으며 기존의 할당 기법과 달리 표적 수에 관계없이 일정 시간으로 할당함을 확인하였다. 또한 유사한 시간에 발사된 유도탄 간 경로 교차를 배제하기 위한 목적함수를 설계하여 교차 방지를 고려한 할당이 가능하게 하였다.
시험에서는 발사대와 표적 개수를 각각 2개, 4개, 6개인 경우를 모두 고려하였다. 또한 표적과 발사대의 위치를 설정할 때 학습과 동일한 방식으로 표적의 위치는 무작위로 설정하였으며, 발사대 6대의 경우는 x축 위치를 훈련에 사용한 범위를 6등분 한 뒤 각 범위 내에서 무작위로 설정하여 시험 데이터를 생성하였다.
이러한 강화학습 모델에서는 발사대에서 발사할 유도탄을 에이전트로 고려하여 표적 위치와 아군 발사대의 정보를 상태로 받아 할당 결과에 따라 따른 보상을 통하여 교전을 성공시킬 수 있도록 학습한다. 또한, 입력 의 차원을 줄이고 학습 속도를 향상시키고자 평균 필드 게임을 도입하여 각 유도탄과 표적 할당쌍 대신 이전 타임 스텝에서 표적에 할당된 유도탄 수를 정규화한 할당 분포를 입력으로 받아 학습을 진행한다.
본 연구에서 제시하는 강화학습 모델이 무기 할당 모델에 부합한지 확인하기 위하여 학습량에 따른 평균 보상을 계산하였다. [Fig.
본 연구에서는 Mouton^[10]과 달리 연속적인 상태 정보를 받으며, 현실적인 제한 조건을 고려함과 동시에 표적을 요격하여 피해를 최소화하는 정적할당 방식의 문제를 다룬다. 추가적으로 좁은 영역에 다수의 표적을 요격해야 하는 경우 발생할 수 있는 유도탄 간 간섭 현상을 배제하기 위해 유사한 시간에 발사된 유도탄의 궤적 교차 여부를 고려한다.
본 연구에서는 [Fig. 1]과 같이 적 발사대와 아군 발사대를 y축으로 멀리 떨어진 거리에 최대 6대를 일렬로 배치한 상황을 고려한다. 교전 환경에서 사용한 아군 발사대는 x좌표가 –300~300 m에 배치되며 발사가능한 유도탄 개수에는 제한이 없으나 발사대가 가지는 최소 발사 시간 간격(r^d)를 1초로 설정하였다.
따라서 그 이상의 표적을 다룰 수 있도록 확장하기 위하여 전체 표적을 가장 빠른 요격 시간(EFDT)과 발사준비 시간 간격을 통해 먼저 분할한 다음 발사대 최대 가용 개수를 고려하여 최대 6개씩 분할하였다. 분할한 표적을 각각 학습을 완료한 모델에 적용하여 해를 구한 다음 최종적으로 발사대의 지연시간을 고려하여 발사 시간까지 구하였다. 자세한 알고리즘은 Algorithm 1과 같다.
한편, 표적은 x좌표 –400~400 m 구간에서 요격이 가능하다고 가정하였다. 설정된 구간 내에서 학습 데이터를 생성하였으며 최종적으로 학습 후 발사대의 위치와 표적의 위치가 학습 범위 내 무작위로 주어졌을 때 원하는 할당 결과를 도출할 수 있도록 4장에서 설명된 강화학습 모델을 학습시켰다.
고려하고 있는 설정에서는 다음 상태가 없는 단일스텝 에피소드를 고려하므로, 선택한 행동에 대한 보상 함수와 Q함수를 동일시하였으며, Q함수를 학습하기 위하여 심층 Q 신경망을 이용하였다. 심층 Q 신경망에 상태를 넣기 전 신경망의 안정성을 위하여 각 데이터의 특성에 맞게 각각 0과 1사이로 정규화를 하였으며, Q값을 결정하는 보상도 스케일링하였다. Q값에 따른 행동 선택 방법으로 (6)의 볼츠만 정책을 사용하였다.
case2와 case3의 경우 할당을 하였으나 올바른 할당을 하였는가를 확인한다. 이를 할당하는 방법으로 비교적 가까운 표적을 할당하였는 지와 다른 유도탄과 같은 표적을 중복 할당하여 놓친 표적이 없는 지를 확인한다. d_diff는 이웃 발사대와 표적 간 거리의 차이며, N_dup는 중복 할당으로 놓친 표적의 수이다.
이를 해결하기 위하여 6개 미만의 표적에 대해서 비어있는 표적 정보는 해당하는 신경망의 입력에 –1로 패딩하였다.
이러한 문제에서는 이전의 할당이 현재의 할당에 복합적인 영향을 미치기 때문에 문제 정의가 복잡하여 휴리스틱한 방법으로 최적해를 찾는 것은 매우 어렵다. 이를 해결하기 위하여 다수-에이전트(Multi-Agent) 강화학습 모델을 정의하고 학습된 모델을 이용하여 실시간 할당이 가능한 모델을 제시하였다. 또한, 에이전트의 수가 증가할수록 학습에 필요한 변수가 급격히 증가하여 발생할 수 있는 차원의 저주를 완화시키기 위해 평균 필드 게임(Mean Field Game) 이론을 적용하였으며 축소된 입력차원으로 가능한 모든 표적을 할당함과 동시에 교차를 방지한 할당을 성공시켰다.
최종적으로 학습한 모델의 표적 및 발사대에 따른 성능 확인을 위해 발사대 및 표적이 다를 때 학습량에 따른 성능 변화를 분석하였다. 성능 시험을 위하여 각 경우에 대해 50 에피소드마다 1000개의 교전 정보를 생성하였다.
평균 게임이론을 기반으로 한 멀티 에이전트 강화학습의 각 에이전트의 상태는 모든 표적의 x좌표 위치, 이전 타임 스텝의 행동 분포(표적 할당 분포), 유도탄이 발사된 발사대의 x좌표 위치, 시험에 사용된 발사대의 개수로 정의하였다. 에이전트의 행동은 표적의 색인으로 정의하였으며, 시험에 사용된 표적의 개수보다 높은 색인은 미할당으로 간주한다.
따라서 표적이 개수가 많을수록 훈련 데이터를 확률적으로 많이 생성할 수 있도록 하여 비교적 학습 속도의 차이를 완화하였다. 학습을 진행할 때는 표적 개수와 발사대 개수를 확률적으로 정한 후 고정한 다음 위치를 달리한 에피소드를 1000번 생성하였다. 이와 같은 방식으로 1000개의 시나리오를 생성하여 총 10⁶개의 데이터를 만들어 학습을 진행하였다.
학습을 한 후 성능 확인을 위해 시험 시나리오를 생성하였다. 시험에서는 발사대와 표적 개수를 각각 2개, 4개, 6개인 경우를 모두 고려하였다.

대상 데이터

최종적으로 학습한 모델의 표적 및 발사대에 따른 성능 확인을 위해 발사대 및 표적이 다를 때 학습량에 따른 성능 변화를 분석하였다. 성능 시험을 위하여 각 경우에 대해 50 에피소드마다 1000개의 교전 정보를 생성하였다. 각 교전 정보가 주어졌을 때 할당의 성공 여부는 모든 표적을 할당함과 동시에 유도탄간 경로의 교차 방지 여부로 결정하였다.
학습을 한 후 성능 확인을 위해 시험 시나리오를 생성하였다. 시험에서는 발사대와 표적 개수를 각각 2개, 4개, 6개인 경우를 모두 고려하였다. 또한 표적과 발사대의 위치를 설정할 때 학습과 동일한 방식으로 표적의 위치는 무작위로 설정하였으며, 발사대 6대의 경우는 x축 위치를 훈련에 사용한 범위를 6등분 한 뒤 각 범위 내에서 무작위로 설정하여 시험 데이터를 생성하였다.
학습을 진행할 때는 표적 개수와 발사대 개수를 확률적으로 정한 후 고정한 다음 위치를 달리한 에피소드를 1000번 생성하였다. 이와 같은 방식으로 1000개의 시나리오를 생성하여 총 10⁶개의 데이터를 만들어 학습을 진행하였다.

데이터처리

학습을 통해 도출된 Q함수는 인공 신경망 내의 가중치에 의하여 결정되기 때문에 가중치는 학습을 통하여 문제에서 찾고자 하는 Q함수에 근접하도록 지속적으로 개선되어야 한다. 이러한 과정을 역전파(Back Propagation)라 하며, 본 연구 에서는 이를 위하여 인공 신경망의 Q함수와 수식 (5)를 통하여 도출한 보상 간의 손실 함수로 평균 제곱 오차(Mean Squared Error, MSE)를 사용하였으며, 이를 최적화할 옵티마이저(Optimizer)로 Adam 옵티마이저를 사용하였다.

이론/모형

심층 Q 신경망에 상태를 넣기 전 신경망의 안정성을 위하여 각 데이터의 특성에 맞게 각각 0과 1사이로 정규화를 하였으며, Q값을 결정하는 보상도 스케일링하였다. Q값에 따른 행동 선택 방법으로 (6)의 볼츠만 정책을 사용하였다.
이를 해결하기 위하여 다수-에이전트(Multi-Agent) 강화학습 모델을 정의하고 학습된 모델을 이용하여 실시간 할당이 가능한 모델을 제시하였다. 또한, 에이전트의 수가 증가할수록 학습에 필요한 변수가 급격히 증가하여 발생할 수 있는 차원의 저주를 완화시키기 위해 평균 필드 게임(Mean Field Game) 이론을 적용하였으며 축소된 입력차원으로 가능한 모든 표적을 할당함과 동시에 교차를 방지한 할당을 성공시켰다. 또한, 실행 시간 측면에서 표적의 개수가 많을수록 높은 효과를 보였다.
인공 신경망 모델의 입력으로 표적의 x좌표, 이전 타임 스텝의 표적에 할당된 유도탄 수의 분포, 교전에 사용된 발사대의 x좌표 및 발사대의 개수를 받는다. 모델을 학습하기 위하여 은닉층 4개로 이루어진 완전연결 계층을 사용하였으며 각 은닉층 간에 활성화 함수는 ReLu(Rectifier Linear unit)를 사용하였다. 최종적으로 인공 신경망 모델은 주어진 상태에 대하여 각 표적을 선택하였을 때의 예상되는 보상인 Q값을 출력으로 보내며 이후 행동을 선택하기 위한 수식 (6)의 볼츠만 정책에 사용된다.
하지만 다수의 에이전트 환경에서 고려할 상호작용의 수가 많아 내쉬 균형 전략을 찾기 어려운 문제가 있다. 이를 해결하기 위해 에이전트 주변의 상호작용을 하나의 평균 상호작용으로 고려하여 문제의 복잡도를 줄인 다음 내쉬평균을 찾는 이론인 평균 필드 게임(Mean Field Game, MFG)이 도입되었다. MFG는 다수의 에이전트가 소규모로 상호작용하는 환경에서 전략적인 의사 결정을 하기 위한 연구로 최근에 에이전트 수가 급증할 때 차원의 저주 문제를 완화하고자 멀티 에이전트 강화학습에 적용되었다^[8].

성능/효과

반면 본 연구에서 제안하는 알고리즘은 소요 시간이 표적의 수와 관계없이 거의 일정하며 제안된 알고리즘의 소요 시간은 학습된 모델을 불러오는데 사용된 시간이 매우 큰 비중을 차지하며 이후 할당에 필요한 시간은 매우 적은 것을 확인하였다. 따라서 제시된 기법은 기존의 할당 기법과는 달리 많은 표적을 방어해야 하는 교전 상황에서 다른 기법과 달리 빠르고 정확한 성능을 보여준다.
표적의 개수와 발사대 개수가 달라질 때 요격 성능과 교차 방지 성능을 비교 분석한 결과, 거의 모든 경우에 모든 표적에 할당됨과 동시에 교차가 방지됨을 확인하였다. 또한, 많은 수의 표적이 주어졌을 때 발사 준비시간에 따라 문제를 분할한 후 할당을 한 것을 확인하였다.
또한, 에이전트의 수가 증가할수록 학습에 필요한 변수가 급격히 증가하여 발생할 수 있는 차원의 저주를 완화시키기 위해 평균 필드 게임(Mean Field Game) 이론을 적용하였으며 축소된 입력차원으로 가능한 모든 표적을 할당함과 동시에 교차를 방지한 할당을 성공시켰다. 또한, 실행 시간 측면에서 표적의 개수가 많을수록 높은 효과를 보였다.
휴리스틱 기법 또한 교전 정보를 토대로 할당 점수를 계산하여 순차적으로 할당을 하기 때문에 할당을 거듭할수록 제한 조건이 많아져 이전의 할당에 의해 이후의 할당 속도가 감소한다. 반면 본 연구에서 제안하는 알고리즘은 소요 시간이 표적의 수와 관계없이 거의 일정하며 제안된 알고리즘의 소요 시간은 학습된 모델을 불러오는데 사용된 시간이 매우 큰 비중을 차지하며 이후 할당에 필요한 시간은 매우 적은 것을 확인하였다. 따라서 제시된 기법은 기존의 할당 기법과는 달리 많은 표적을 방어해야 하는 교전 상황에서 다른 기법과 달리 빠르고 정확한 성능을 보여준다.
기존의 할당 기법은 적은 표적의 문제에 실행하였을 때 소요 시간은 적으나 표적의 개수가 증가함에 따라 할당에 필요한 시간이 점진적으로 증가하였다. 적은 표적을 다루는 문제에서는 기존의 알고리즘의 속도가 매우 빠르나 제한 조건이 많아질수록 해를 찾기 어려워져 표적이 많아질수록 급격히 증가하는 것을 확인하였다. 이는 기존의 알고리즘이 제한 조건에 크게 영향을 받기 때문이다.
본 연구에서는 복잡한 교전 상황 중 실시간 무기표적 할당을 위한 멀티 에이전트 강화학습 모델을 제시하였다. 제시된 모델은 표적과 발사대 수가 증가함에 따라 학습 차원이 증가하는 문제를 평균 필드 게임을 이용하여 완화시켰으며 기존의 할당 기법과 달리 표적 수에 관계없이 일정 시간으로 할당함을 확인하였다. 또한 유사한 시간에 발사된 유도탄 간 경로 교차를 배제하기 위한 목적함수를 설계하여 교차 방지를 고려한 할당이 가능하게 하였다.
표적이 6개일 경우 700 K개의 데이터 학습 이후로 최적에 가깝게 수렴하였으며 표적이 2개 및 4개 일 경우 350 K 개의 데이터 학습 이후에 이를 유지하였다. 종합적으로 학습을 할수록 정확도가 높아졌으며, 최종적으로 평균 게임 이론을 통하여 입력 차원을 축소했음에도 최적에 근접한 정확도로 할당할 수 있음을 확인하였다.
표적의 개수와 발사대 개수가 달라질 때 요격 성능과 교차 방지 성능을 비교 분석한 결과, 거의 모든 경우에 모든 표적에 할당됨과 동시에 교차가 방지됨을 확인하였다. 또한, 많은 수의 표적이 주어졌을 때 발사 준비시간에 따라 문제를 분할한 후 할당을 한 것을 확인하였다.
학습 초기에는 행동을 무작위로 선택하기 때문에 성공률이 낮지만, 특정 학습량 이후에 성공률이 급격히 증가하는 경향을 가진다. 표적이 2개 및 4개 때의 성공률이 6개일 때의 성공률보다 더 적은 학습량에서 급격하게 증가하였는데 이는 표적이 많을수록 학습 데이터를 많이 생성하였으나 표적이 6개일 경우의 문제가 비교적 복잡도가 높기 때문에 늦게 학습된 것을 확인할 수 있다. 표적이 6개일 경우 700 K개의 데이터 학습 이후로 최적에 가깝게 수렴하였으며 표적이 2개 및 4개 일 경우 350 K 개의 데이터 학습 이후에 이를 유지하였다.
시험은 가시성을 위하여 방어 발사대 2대, 표적 12개로 설정하였으며 표적은 6개의 공격 발사대에서 각각 6개씩 3초 간격으로 동시에 발사된다고 가정하였다. 학습 모델을 통하여 무기-표적 할당쌍을 구한 후 발사 준비 시간을 고려하여 발사 시간까지 고려한 최종 할당 결과는 Algorithm 1에 맞게 발사 시간이 비슷한 표적을 표적(id 1~6과 id 7~12)끼리 분류한 다음 각각 학습 모델에 적용한 다음 발사 가능시간이 빠른표적부터 발사 준비 시간을 고려하여 할당한 것을 확인하였다.

후속연구

본 연구에서 사용하는 신경망은 고정된 차원의 입력만 받을 수 있기 때문에 고려할 수 있는 표적의 개수와 발사대 개수에 한계가 있다. 따라서 그 이상의 표적을 다룰 수 있도록 확장하기 위하여 전체 표적을 가장 빠른 요격 시간(EFDT)과 발사준비 시간 간격을 통해 먼저 분할한 다음 발사대 최대 가용 개수를 고려하여 최대 6개씩 분할하였다.
실제 교전 상황에서는 표적 위치나 종류와 같은 정제된 정보가 아닌 교전 상황을 나타내는 이미지와 같은 비정제된 정보를 얻게 된다. 본 연구에서 제시된 기법은 많은 표적의 문제에 대해서도 확장 가능하며, 추후 비정제 정보가 주어진 상황에서의 무기-표적 할당 문제로 확장이 가능할 것으로 기대한다.

핵심어	질문	논문에서 추출한 답변
	평균 필드 게임는 무엇인가?	하지만 다수의 에이전트 환경에서 고려할 상호작용의 수가 많아 내쉬 균형 전략을 찾기 어려운 문제가 있다. 이를 해결하기 위해 에이전트 주변의 상호작용을 하나의 평균 상호작용으로 고려하여 문제의 복잡도를 줄인 다음 내쉬평균을 찾는 이론인 평균 필드 게임(Mean Field Game, MFG)이 도입되었다. MFG는 다수의 에이전트가 소규모로 상호작용하는 환경에서 전략적인 의사 결정을 하기 위한 연구로 최근에 에이전트 수가 급증할 때 차원의 저주 문제를 완화하고자 멀티 에이전트 강화학습에 적용되었다[8].
	다수의 에이전트 환경에서 내쉬 균형 전략을 찾기 어려운 문제를 어떻게 해결할 수 있는가?	하지만 다수의 에이전트 환경에서 고려할 상호작용의 수가 많아 내쉬 균형 전략을 찾기 어려운 문제가 있다. 이를 해결하기 위해 에이전트 주변의 상호작용을 하나의 평균 상호작용으로 고려하여 문제의 복잡도를 줄인 다음 내쉬평균을 찾는 이론인 평균 필드 게임(Mean Field Game, MFG)이 도입되었다. MFG는 다수의 에이전트가 소규모로 상호작용하는 환경에서 전략적인 의사 결정을 하기 위한 연구로 최근에 에이전트 수가 급증할 때 차원의 저주 문제를 완화하고자 멀티 에이전트 강화학습에 적용되었다[8].
	유도탄 운용기술의 발달은 무엇을 가능하게 했는가?	유도탄 운용기술의 발달로 교전 중 운용 가능한 유도탄 수가 계속 증가하고 있으며, 다수의 유도탄으로 좁은 영역을 집중공격하는 전략적 운용이 가능해졌다. 방어 요격체계 입장에서는 이러한 공격 형태에 대하여 요격탄을 효율적으로 할당하기 위해 추가로 고려해야 할 제약 조건이 증가하기 때문에 해법의 복잡도 증가한다.

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

평균 필드 게임 기반의 강화학습을 통한 무기-표적 할당
Mean Field Game based Reinforcement Learning for Weapon-Target Assignment 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

평균 필드 게임 기반의 강화학습을 통한 무기-표적 할당 Mean Field Game based Reinforcement Learning for Weapon-Target Assignment 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

박순서 (2) 최한림 (15)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

평균 필드 게임 기반의 강화학습을 통한 무기-표적 할당
Mean Field Game based Reinforcement Learning for Weapon-Target Assignment 원문보기

AI 본문요약
AI-Helper