Deep Reinforcement Learning-Based Optimization of Artillery Weapon-Target Assignment: Incorporating CEP and Operational Sector Constraints

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.