[논문]인공신경망과 유전 알고리즘을 이용한 팩맨 게임 강화학습

박진수; 이호정; 황두연; 조수선

doi:10.14372/iemek.2020.15.5.261

인공신경망과 유전 알고리즘을 이용한 팩맨 게임 강화학습
Pacman Game Reinforcement Learning Using Artificial Neural-network and Genetic Algorithm 원문보기

대한임베디드공학회논문지 = IEMEK Journal of embedded systems and applications, v.15 no.5, 2020년, pp.261 - 268

박진수 (Korea National University of Transportation(KNUT)) , 이호정 (Korea National University of Transportation(KNUT)) , 황두연 (Korea National University of Transportation(KNUT)) , 조수선 (Korea National University of Transportation(KNUT))

Abstract ▼ AI-Helper

Genetic algorithms find the optimal solution by mimicking the evolution of natural organisms. In this study, the genetic algorithm was used to enable Pac-Man's reinforcement learning, and a simulator to observe the evolutionary process was implemented. The purpose of this paper is to reinforce the learning of the Pacman AI of the simulator, and utilize genetic algorithm and artificial neural network as the method. In particular, by building a low-power artificial neural network and applying it to a genetic algorithm, it was intended to increase the possibility of implementation in a low-power embedded system.

주제어

표/그림 (7)

그림 그림 1. 시스템 구성도 Fig. 1 System configuration
그림 그림 2. 팩맨의 인식 범위 Fig. 2 Recognition range in Pacman
그림 그림 3. 저장된 게임 결과 데이터 파일 Fig. 3 Game result data file
그림 그림 4. 세대에 따른 적합도와 생존시간 Fig. 4 Fitness and survival time by generation
그림 그림 5. 세대에 따른 적합도와 총 점수 Fig. 5 Fitness and total score by generation
그림 그림 6. AI의 최대 점수와 플레이어별 최대 점수 Fig. 6 Max score of AI and max score per player
그림 그림 7. AI의 평균 점수와 플레이어별 평균 점수 Fig. 7 Average score of AI and average score per player

AI 본문요약
AI-Helper

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

문제 정의

이러한 게임 규칙에 따라 강화학습을 진행할 환경과 인식해야할 대상이 명확하여 간단한 인공지능을 설계해보기에 적합하므로 팩맨 게임을 선택하였다. 또한 인공신경망의 강화학습엔 일반적인 방식인 역전파 (Back propagation) 알고리즘이 있는데 본 연구에서는 인공신경망에 역전파 알고리즘을 적용하지 않은 단순한 다중 퍼셉트론 구조를 사용하여 유전 알고리즘과 결합하였을 때, 역전파 알고리즘만큼의 효율이 나오는지 알아보고 향후 연구를 계획할 수 있는 근거를 만들고자 하였다.
이 연구에서는 유전 알고리즘과 인공신경망 두 가지 알고리즘을 각각 사용하여 실험했는데, 유전 알고리즘보다 인공신경망을 활용한 경우가 경로탐색 문제해결에 더 적합한 결과를 보여주었다. 본 논문에서 유전 알고리즘과 인공신경망을 결합한 연구를 진행하는데 참고하였다.
본 논문의 목적은 게임 내 AI를 강화학습시키는 것이고, 그 방법으로 유전 알고리즘과 인공신경망을 활용한다. 게임 분야에서 강화학습이 자주 쓰이는 만큼 참고할 수 있는 관련 연구 또한 아주 많다.
본 연구의 목표는 팩맨 게임 내에서 강화학습이 가능한 팩맨 AI를 개발하여 사람을 능가하는 플레이를 가능토록하고 그 차이를 사용자가 실감하게 하는 것이다. 팩맨 게임의 룰은 유령을 피하여 오래 생존하고 포인트를 먹어나가는 것이다.
학습된 인공신경망 모델을 활용해 새로운 데이터를 입력하여 출력을 얻는 것이 추론단계이다. 인공신경망을 폭넓게 활용하기 위해서는 막대한 계산량에 필수적으로 뒤따르는 많은 전력소비 문제를 해결해야 하는데 이를 위해 인공신경망과 알고리즘을 최적화함으로써 소프트웨어적인 문제 해결을 모색하고자 한다.
즉 팩맨 AI의 판단을 내려주는 근거가 되는 것인데, 현재 상황을 인식하여 어떠한 판단을 내리는 알고리즘으로서 적합하다. 특히 본 연구에서는 인공신경망을 구축하여 유전 알고리즘에 적용함으로써 임베디드 시스템에서의 구현 가능성을 높이고자 하였다. 이러한 유전 알고리즘과 인공신경망은 구조의 결합을 시도한 이유는 둘 다 자연계 생물의 진화와 학습원리를 모방한 구조이고 이를 사용하면 팩맨이 살아있는 유기체처럼 학습을 할 것으로 기대하였기 때문이다.

제안 방법

먼저, 절차적 콘텐츠의 생성을 유전 알고리즘을 이용해 연구한 논문 [8]이 있다. 게임에서 생성되는 몬스터의 주요 속성을 유전 알고리즘의 유전자로 구성하고, 사용자와 몬스터의 전투 시뮬레이션으로 유전자를 평가한다. 그 평가를 토대로 유전자들 교배하여 플레이어 적응형 몬스터를 생성한다.
본 논문의 인공신경망은 입력층, 은닉층, 출력층의 3가지 층과 각 층을 연결하는 시냅스 역할의 가중치 (weights)를 가지고 있다. 계산량을 줄여 유전 알고리즘 알고리즘을 구현하기 위해 가장 간단한 형태의 인공신경망을 구축한다. 입력층과 출력층은 노드 4개로 한 층씩 두고, 은닉층은 노드 10개, 20개, 10개로 세 층을 둔다.
게임에서 생성되는 몬스터의 주요 속성을 유전 알고리즘의 유전자로 구성하고, 사용자와 몬스터의 전투 시뮬레이션으로 유전자를 평가한다. 그 평가를 토대로 유전자들 교배하여 플레이어 적응형 몬스터를 생성한다. 비슷한 주제로 게임 몬스터 생성에 적합한 유전 알고리즘을 연구한 논문 [9]이 있는데, 기존 유전 알고리즘과 달리 상동염색체 구조를 갖도록 하였다.
따라서 이 팩맨 게임을 수행하는 데에 얼마나 적합한 지 알 수 있도록 설정해야 한다. 단순히 팩맨 게임의 결과인 포인트로 설정하지 않고, 게임의 가장 중요한 요소인 생존을 위해 유령 회피 횟수를 적합도로 선정했다. 팩맨이 진행하는 방향이 유령의 방향과 같으면 적합도는 감소하고, 유령의 방향과 다르면 적합도는 증가한다.
본 논문에서는 고성능의 팩맨 AI를 구현할 강화학습을 위하여 유전 알고리즘 뿐 아니라 다층 퍼셉트론 구조의 간단한 인공신경망을 활용하였다. 미로와 같은 팩맨 게임의 맵 구조상, 주어진 환경을 인식하고 판단을 내릴 알고리즘으로 인공신경망이 적합하였다.
본 논문에서는 연구 [14]와 달리 선택압의 설정 등에 집중하지 않고 유전 알고리즘과 인공신경망을 단순하게 결합하였다. 자연계에서 모방한 알고리즘들의 단순한 결합만으로 강화학습의 수준이 어느 정도 되는가를 확인하고 필요하면 향후 연구에서 역전파 알고리즘을 이용한 보완을 계획하기 위해서이다.
개발 언어로는 파이썬을 사용하였다. 본 논문에서는 연구의 실질적인 내용인 시뮬레이터 기능을 주로 서술한다.
본 논문에서는 팩맨 게임의 강화학습을 위하여 유전 알고리즘 뿐 아니라 다층 퍼셉트론 구조의 인공신경망 또한 활용한다. 미로와 같은 팩맨 게임의 맵 구조상, 주어진 환경을 인식하고 판단을 내릴 알고리즘이 필요하기 때문이다.
본 논문의 인공신경망은 입력층, 은닉층, 출력층의 3가지 층과 각 층을 연결하는 시냅스 역할의 가중치 (weights)를 가지고 있다. 계산량을 줄여 유전 알고리즘 알고리즘을 구현하기 위해 가장 간단한 형태의 인공신경망을 구축한다.
이는 심층학습에서 추론단계의 소비전력을 최적화시키는 문제와도 연관이 있다. 본 연구에서 사용된 인공신경망은 노드 10, 20, 10개의 은닉층과 노드 4개의 입력, 출력층으로 구성된 간단한 구조로서 복잡한 가중치를 가지는 깊은 인공신경망이 아니므로 추론단계에서 최적화된 유전 알고리즘 사용이 가능한 것이다.
또한 유전 알고리즘은 탐색공간이 매우 크거나 일반적인 해를 찾기 힘든 문제에서 뛰어난 성능을 발휘하며, 반드시 최적해가 필요한 경우가 아닐 때 유용하다 [7]. 본 연구에서는 이 유전자가 각각 팩맨 AI가 되어 게임을 반복하며 진행한다. 각 유전자가 마친 게임의 결과를 토대로 교연산과 변이 연산을 거치면 더 좋은 게임 결과를 이룰 수 있는 새로운 세대가 만들어지는 것이다.
그 평가를 토대로 유전자들 교배하여 플레이어 적응형 몬스터를 생성한다. 비슷한 주제로 게임 몬스터 생성에 적합한 유전 알고리즘을 연구한 논문 [9]이 있는데, 기존 유전 알고리즘과 달리 상동염색체 구조를 갖도록 하였다. 각 개체가 하나의 유전자를 갖는 것이 아닌 한 쌍의 대립 유전자를 지니게 하였고, 실험 결과 이러한 구조가 성능에 더 좋은 영향을 미치는 것으로 밝혀졌다.
팩맨 게임의 룰은 유령을 피하여 오래 생존하고 포인트를 먹어나가는 것이다. 이러한 게임 규칙에 따라 강화학습을 진행할 환경과 인식해야할 대상이 명확하여 간단한 인공지능을 설계해보기에 적합하므로 팩맨 게임을 선택하였다. 또한 인공신경망의 강화학습엔 일반적인 방식인 역전파 (Back propagation) 알고리즘이 있는데 본 연구에서는 인공신경망에 역전파 알고리즘을 적용하지 않은 단순한 다중 퍼셉트론 구조를 사용하여 유전 알고리즘과 결합하였을 때, 역전파 알고리즘만큼의 효율이 나오는지 알아보고 향후 연구를 계획할 수 있는 근거를 만들고자 하였다.
Evasion 컬럼이 적합도를 의미한다. 이렇게 한 세대에 유전자 번호가 0부터 15까지 존재하며, 세대가 지날수록 데이터가 어떻게 변하는지 분석했다.
강화학습 분야에는 상태공간의 문제, 캐릭터의 자동화 등의 문제가 있는데, 캐릭터의 자동화를 다룬 연구들은 서양보드 게임인 오델로, 틱택토 외에 슈팅게임 등을 다루고 있다. 이렇듯 게임 분야에서 활발하게 쓰이는 캐릭터의 자동화를 위한 강화학습을 본 논문에서는 고전 게임 팩맨에 적용하고자 한다.
이러한 게임 난이도 조절에 대해 유전 알고리즘을 이용해 연구한 논문 [10]이 있다. 테트리스 게임에 유전 알고리즘을 적용하여 게임 플레이 중 사용자의 성향과 게임 적응도를 분석하고 그에 맞도록 적당한 난이도를 제공한다.

데이터처리

강화학습이 가능한 팩맨 AI가 사람을 능가했는지 확인하기 위해 테스트 플레이어 10명의 게임 결과 데이터와 AI의 게임 결과 데이터를 비교, 분석하였다. 테스트 플레이어들은 최소 15번, 최대 22번의 게임을 진행하였으며 최대 점수와 평균 점수를 계산하여 AI와 비교하였다.
강화학습이 가능한 팩맨 AI가 사람을 능가했는지 확인하기 위해 테스트 플레이어 10명의 게임 결과 데이터와 AI의 게임 결과 데이터를 비교, 분석하였다. 테스트 플레이어들은 최소 15번, 최대 22번의 게임을 진행하였으며 최대 점수와 평균 점수를 계산하여 AI와 비교하였다.

이론/모형

강화학습을 위한 환경 인식과 그에 따른 판단을 내릴 인공신경망을 구현하였으므로, 인공신경망이 판단을 올바르게 할 수 있도록 학습을 시켜야한다. 그 방법으로 유전 알고리즘을 사용하였다. 이는 심층학습에서 추론단계의 소비전력을 최적화시키는 문제와도 연관이 있다.
인공신경망과 유전 알고리즘을 적용한 파라미터 설계 방법론을 연구한 논문 [12]에서는 기계학습 기반의 파라미터 설계 절차를 3단계로 구성하는데, 첫 번째로 인공신경망 구축에 필요한 데이터를 수집하고, 두 번째로 수집한 데이터를 기반으로 인공신경망을 구축한다. 마지막으로 최적의 공정조건을 도출하기 위해 유전 알고리즘을 적용한다. 이때 일반적인 문제에서는 적합도 함수로서 평균 및 산포의 반응함수를 사용하지만, 연구 [12]에서는 반응함수를 대신해 인공신경망을 사용한다.
팩맨 AI의 강화학습을 위해 유전 알고리즘과 인공신경망을 사용하여 구현한다. 한 세대의 개체군은 16이며, 각각의 유전자는 인공신경망으로 이뤄진다.

성능/효과

또한 유전 알고리즘의 핵심인 적합도를 설정함에 있어서 팩맨 게임의 점수인 포인트를 고려하지 않고, 게임의 가장 중요한 요소인 생존을 위해 유령을 회피한 횟수를 사용하여 시간에 구애받지 않고 높은 점수를 달성할 수 있게 하였다. 10여명의 플레이어로 테스트한 결과, 적합도 200이상을 달성한 팩맨 AI가 모든 참여자들보다 높은 평균 점수를 기록하는 것을 확인하였다. 또한 적합도 400 이상을 달성한 팩맨 AI는 유령으로 포위된 상황을 탈출함으로써 사람으로서는 불가능한 플레이를 보여주었다.
비슷한 주제로 게임 몬스터 생성에 적합한 유전 알고리즘을 연구한 논문 [9]이 있는데, 기존 유전 알고리즘과 달리 상동염색체 구조를 갖도록 하였다. 각 개체가 하나의 유전자를 갖는 것이 아닌 한 쌍의 대립 유전자를 지니게 하였고, 실험 결과 이러한 구조가 성능에 더 좋은 영향을 미치는 것으로 밝혀졌다.
미로와 같은 팩맨 게임의 맵 구조상, 주어진 환경을 인식하고 판단을 내릴 알고리즘으로 인공신경망이 적합하였다. 또한 유전 알고리즘의 핵심인 적합도를 설정함에 있어서 팩맨 게임의 점수인 포인트를 고려하지 않고, 게임의 가장 중요한 요소인 생존을 위해 유령을 회피한 횟수를 사용하여 시간에 구애받지 않고 높은 점수를 달성할 수 있게 하였다. 10여명의 플레이어로 테스트한 결과, 적합도 200이상을 달성한 팩맨 AI가 모든 참여자들보다 높은 평균 점수를 기록하는 것을 확인하였다.
10여명의 플레이어로 테스트한 결과, 적합도 200이상을 달성한 팩맨 AI가 모든 참여자들보다 높은 평균 점수를 기록하는 것을 확인하였다. 또한 적합도 400 이상을 달성한 팩맨 AI는 유령으로 포위된 상황을 탈출함으로써 사람으로서는 불가능한 플레이를 보여주었다.
본 논문에서는 고성능의 팩맨 AI를 구현할 강화학습을 위하여 유전 알고리즘 뿐 아니라 다층 퍼셉트론 구조의 간단한 인공신경망을 활용하였다. 미로와 같은 팩맨 게임의 맵 구조상, 주어진 환경을 인식하고 판단을 내릴 알고리즘으로 인공신경망이 적합하였다. 또한 유전 알고리즘의 핵심인 적합도를 설정함에 있어서 팩맨 게임의 점수인 포인트를 고려하지 않고, 게임의 가장 중요한 요소인 생존을 위해 유령을 회피한 횟수를 사용하여 시간에 구애받지 않고 높은 점수를 달성할 수 있게 하였다.
분석 결과, 그림 6과 같이 팩맨 AI의 최대 점수보다 더 높거나 비슷한 점수를 기록한 플레이어들이 몇몇 있었지만 대체로 플레이어들이 더 낮은 점수를 기록하였다. 그러나 최대 점수에서 AI와 플레이어의 확연한 차이는 눈에 띄지 않았다.
이와 비슷한 연구로 게임 환경에서 유전 알고리즘과 인공신경망을 이용한 경로탐색에 대한 연구 [13]이 있다. 이 연구에서는 유전 알고리즘과 인공신경망 두 가지 알고리즘을 각각 사용하여 실험했는데, 유전 알고리즘보다 인공신경망을 활용한 경우가 경로탐색 문제해결에 더 적합한 결과를 보여주었다. 본 논문에서 유전 알고리즘과 인공신경망을 결합한 연구를 진행하는데 참고하였다.
단순히 팩맨 게임의 결과인 포인트로 설정하지 않고, 게임의 가장 중요한 요소인 생존을 위해 유령 회피 횟수를 적합도로 선정했다. 팩맨이 진행하는 방향이 유령의 방향과 같으면 적합도는 감소하고, 유령의 방향과 다르면 적합도는 증가한다. 이렇게 설정한 적합도를 기준으로 상위 유전자를 4개 뽑는다.
그림 4와 그림 5를 보면 10세대 정도까지는 적합도와 함께 게임의 결과 값인 생존시간 및 총 점수가 증가하는 것을 볼 수 있으나, 40세대 정도까지 지역 최적점을 벗어나지 못하는 것을 확인할 수 있다. 하지만 40세대 중반쯤부터 적합한 변이가 일어나 지역 최적점을 돌파하고 높은 적합도와 게임결과 값을 달성하는 것을 확인할 수 있다.

후속연구

그러나 인공신경망에 유전 알고리즘을 단순히 결합한 형태의 진화속도 자체는 예상보다 느렸고 지역 최적점 문제 등의 한계로 인해 기존 강화학습기법인 역전파 알고리즘보다 효율적인지는 의심스럽다. 그러므로 향후 연구에서는 각 세대의 신경망을 역전파 알고리즘으로 최적화시킨 뒤 이 신경망들을 유전 알고리즘으로 재차 선별하는 구조를 적용해 볼 필요가 있다.
본 논문에서는 연구 [14]와 달리 선택압의 설정 등에 집중하지 않고 유전 알고리즘과 인공신경망을 단순하게 결합하였다. 자연계에서 모방한 알고리즘들의 단순한 결합만으로 강화학습의 수준이 어느 정도 되는가를 확인하고 필요하면 향후 연구에서 역전파 알고리즘을 이용한 보완을 계획하기 위해서이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	강화학습이란 무슨 방법인가?	강화학습은 시행착오를 통해 수집되는 수많은 데이터 속에 숨어 있는 패턴을 학습을 통해 찾아내는 방법이다. 또한 강화학습은 주어진 환경 안에서 현재 상황을 인식하여, 실행 가능한 행동 중 최대의 보상을 얻을 수 있는 행동을 선택하는 기계 학습분야 중 하나이다 [1].
	강화학습이 이용되는 분야는?	또한 강화학습은 주어진 환경 안에서 현재 상황을 인식하여, 실행 가능한 행동 중 최대의 보상을 얻을 수 있는 행동을 선택하는 기계 학습분야 중 하나이다 [1]. 강화학습이 이용되는 분야로서는 게임, 금융, 자율주행자동차 등이 있으며, 그외에도 다양한 분야에서 활용되고 있다 [2].
	유전 알고리즘은 어떻게 이루어지는가?	유전 알고리즘이란 자연세계의 생물 진화를 모방한 알고리즘이다. 교배 연산 (crossover)과 변이연산 (mutation)을 거쳐 최적해를 찾아내는 기법으로, 이 연산들은 유전자 (gene)로 이루어진 한 세대(generation) 안에서 이루어진다 [6]. 특히 변이 연산 기법은 지역 최적해에 빠지는 것을 막을 수 있는데, 다른 최적화 알고리즘과의 차이이자 큰 장점으로 작용할 수 있다.

참고문헌 (14)

R.S. Sutton, A.G. Barto, Reinforcement Learning :An Introduction, 2nd Edition, MIT Press, Cambridge, MA, 2018.
H.H. Lee, T.Y. Kim, M.J. Choi, "Deep Reinforcement Learning Application in Aerospace Filed with Unity," KSAS, Proc. of Conference, pp. 522-523, 2019 (in Korean).
S.Y. Jang, H.J. Yoon, N.S. Park, J.K. Yun, Y.S. Son, “Research Trends on Deep Reinforcement Learning,” ETRI Electronics and Telecommunications Trends, Vol. 34, No. 4, pp. 1-14, 2019(in Korean).
Y.W. Shin, “Control of Intelligent Characters Using Reinforcement Learning,” JICS, Vol. 8, No. 5, pp. 91-97, 2007 (in Korean).
Y.W. Shin, T.C. Chung, “Improvement of Sequential Prediction Algorithm for Player's Action Prediction,” JICS, Vol. 11, No. 3, pp. 25-32, 2010 (in Korean).
S.Y. Park, P.W. Park, J.M. Kim, J.H. Borm, S.W. Lee, “A Study on Searching Optimal Path for Robot Using Genetic Algorithm,” J. Korean Soc. Precis. Eng., Vol. 35, No. 12, pp. 1147-1155, 2018 (in Korean).
J.N. Kim, H.T. Kim, C.W. Ahn, "Routing Algorithm for Multiple Environment Using Genetic Algorithm," Proceedings of KIISE Conference, 38(2A), pp. 333-336, 2011 (in Korean).
J.M. Kim, S.J. Kim, S.M. Hong, "Players Adaptive Monster Generation Technique Using Genetic Algorithm," JIC, Vol. 18, No. 2, pp. 43-51, 2017 (in Korean).
S.W. Park, W.H. Lee, "Genetic Algorithm for Game Monster Generation," Proceedings of the Korea Contents Association Conference, Vol. 4, No. 2, pp. 811-814, 2006 (in Korean).
T.Y. Kim, J.S. Choi, "Game Difficulty Controlling Using Evolutionary Algorithm," Journal of the Korean Society for Computer Game, No. 11, pp. 20-27, 2007 (in Korean).
C.H. Jung, C.Y. Park, S.D. Chi, J. Kim, "The Battle Warship Simulation of Agent-based with Reinforcement and Evolutionary Learning," Journal of the Korea Society for Simulation, Vol. 21, Issue 4, pp. 65-73, 2012 (in Korean).
T.R. Arungpadang, Y.J. Kim, "A Study on Dual Response Approach Combining Neural Network and Genetic Algorithm," Journal of the Korean Institute of Industrial Engineers, Vol. 39, No. 5, pp. 361-366, 2013 (in Korean).
D.H. Oh, "A Study on Pathfinding in Game Environment Using Genetic Algorithm and Neural Network," Proceedings of the Korea Information Processing Society Conference, Vol. 23, No. 2, pp. 607-608, 2016 (in Korean).
O.K. Kwun, J.K. Park, "Control of RPG Game Characters using Genetic Algorithm and Neural Network," Journal of Korea Game Society, Vol. 6, No. 2, pp. 13-22, 2006 (in Korean).

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