Improving Learning Performance of DQN Using Neural Network Weight Duplication and Weighted Q-mix

신경망 가중치 복제와 가중치 Q-Mix 를 이용한 DQN 학습 성능 개선

강화학습(Reinforcement Learning, RL)은 복잡하고 동적인 환경에서 효과적인 의사결정을 가능하게 한다. 특히, Deep Q-Network(DQN)는 전통적인 강화학습과 비교할 때 고차원 상태 공간을 처리하는 데 강점을 보이나, 학습 성능의 일관성 부족과 속도 불균형 등의 한계가 발생한다. 본 연구는 DQN 에 신경망 가중치 복제와 Q-mix 기법을 통합한 방법을 제안한다. 가중치 복제와 제한된 업데이트로 계산 효율성을 높이고, Q-값 통합을 통해 의사결정의 신뢰성과 정밀도를 강화한다. 실험 결과에서는 전통적인 방법과 비교할 때 80% 이상 향상된 학습 속도와 안정성을 달성하며, DQN 의 기존 한계를 개선할 수 있는 잠재력을 확인하였다.