메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
주광민 (국방기술진흥연구소)
저널정보
한국산학기술학회 한국산학기술학회 논문지 한국산학기술학회논문지 제24권 제7호
발행연도
2023.7
수록면
458 - 465 (8page)
DOI
10.5762/KAIS.2023.24.7.458

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

이 논문의 연구 히스토리 (2)

초록· 키워드

오류제보하기
다기능 레이더(MFR, Multi-Function Radar)의 발전으로 한정된 자원을 가진 환경에서 효율적으로 레이더의 성능을 향상시키기 위한 레이더 자원관리 방법은 지속적으로 연구되는 분야이다. 레이더 임무 스케줄링은 자원관리 방법 중 핵심적인 요소로서 이를 해결하기 위한 다양한 알고리즘이 연구되고 있다. 하지만 기존 알고리즘은 성능 최적화의 어려움 혹은 다양한 환경 반영의 어려움 등 한계점을 가지고 있다. 본 연구에서는 다양한 파라미터를 가진 레이더 임무환경을 정의하고, 레이더 임무 스케줄링 문제를 해결하기 위해 심층 강화학습인 DDQN(Double Deep Q-Network)을 활용한 스케줄링 모델을 구현하였다. 스케줄링 임무의 수를 다르게 하여 전체 타임라인 대비 저부하 상황에서부터 과부하 상황까지 다양한 시나리오에 대한 시뮬레이션을 진행하였다. 시뮬레이션 결과 본 연구에서 제안한 DDQN 기반 스케줄링 기법은 모든 시나리오에서 휴리스틱기반의 스케줄링 기법보다 더 낮은 임무 드랍 수와 비용를 보여주며 스케줄링 최적화 측면에서 우수한 성능을 보여주었다. 또한 학습과정에서 보상값이 빠르게 수렴되어 기존 DQN(Deep Q-Network) 모델보다 레이더 임무 스케줄링 문제에서 안정적인 학습이 가능함을 보여주었다. 본 연구를 통해 다양한 레이더 환경에서 우수한 스케줄링 성능을 가지는 심층 강화학습 기반 스케줄링 기법의 적용 가능성을 확인하였다.

목차

요약
Abstract
1. 서론
2. 본론
3. 결론
References

참고문헌 (23)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0