인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
최근 무기-표적 할당 문제에서 강화학습 기반 접근법은 높은 최적화 성능을 바탕으로 활발히 연구되고 있다. 기존 연구들은 심층 Q-네트워크, 정책 경사 기반 방법, 또는 유전자 알고리즘 등을 적용하여 명중률 개선과 자원 효율성 향상에 있어 의미 있는 성과를 보여주었다. 그러나 대부분 이상적인 시뮬레이션 환경에서 기반하고 있어, 실제 전장의 복잡성과 제약을 충분히 반영하지 못하는 한계가 있다. 예를 들어, 요격 확률을 고정 또는 무작위로 설정하거나, 지리적 작전구역 개념 없이 모든 유닛이 모든 표적에 접근 가능한 것으로 간주하는 방식은 실제 포병 운용과 괴리가 있다. 본 연구는 이러한 한계를 보완하기 위해 두 가지 요소를 학습에 반영하였다. 첫째, 포탄의 산포 특성을 고려한 공산오차를 활용하여 명중 확률 기반의 보상 함수를 설계하였다. 둘째, 작전구역 기반 아군 부대 할당 제약을 도입하여 지리적 현실성을 강화하였다. 실험 결과, 제안한 심층 강화학습 모델은 기존 모델보다 높은 성공률과 제한조건 충족률을 보였으며, 전략적으로 안정적이고 일관된 정책을 학습하는 데 기여하였다. 특히, 사거리 중심 명중 확률 기반 보상 구조는 학습 수렴 속도와 정책 일관성 향상에 효과적인 것으로 나타났다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-095639799
