基于时序差分的动态信道分配算法*
时间：2023-04-12 11:48:55
基于时序差分的动态信道分配算法*一文创作于：2023-04-12 11:48:55，全文字数：11730。
基于时序差分的动态信道分配算法*生时，TD 处理的事件分为当前小区的结束事件和邻区的新呼叫事件。结束呼叫信道重分配结合邻区信道预分配两步状态值更新策略，用式(7) 表示：其中，handoffn,m,k,t表示时刻t的切换呼叫，该呼叫从小区n切换至邻区m，k表示当前结束事件占用的信道。先处理结束事件endn,k,t，执行动作a到达第一步状态s′，再处理邻区新呼叫事件newm,t+1，当前状态s′执行动作a′到达状态s′′，使用该状态值更新切换呼叫事件的状态值。
2.3 算法性能评价指标
采用新呼叫阻塞率pn_block、切换呼叫阻塞率ph_block和总呼叫阻塞率pt_block来评价信道分配算法的性能[11]。计算公式分别用式(8)、式(9) 和式(10) 表示如下：
其中Nrej_n表示新呼叫事件被拒绝的个数，Nincoming表示新呼叫到达事件的个数。
其中，Nrej_h表示切换呼叫事件被拒绝的个数，Nhandoff表示切换呼叫到达事件的个数。
3 仿真实验
3.1 仿真环境
本文使用python 语言实现离散呼叫事件模拟器，搭建移动蜂窝网络信道资源分配管理仿真平台。参照文献[11]设置蜂窝网络的呼叫环境以及性能评价指标（呼叫阻塞率），其中，移动用户呼叫到达服从泊松分布λ，呼叫持续时间服从指数分布1/μ。话务量指用户呼叫的负荷，用呼叫到达率与呼叫持续时间的乘积表示，单位是Erl。实验部分参数设置如表1 所示，设置移动蜂窝网络总的信道个数K为70，实验分别采用TD、QLEARNING、RANDOM 以及FCA 四种算法实现信道资源的分配。TD算法采用本文提出的策略更新方法，实现信道的动态分配，RADOM 算法采用动态随机分配信道，FCA 算法按照图1的信道集分配给49 个小区且固定信道个数为10。
表1 仿真实验部分参数
3.2 仿真结果
（1）小区均匀流量分布
这种情况下，移动蜂窝网络中每个小区话务量强度值相同，分别在话务量为5，5.5，6，6.5，7，7.5，8，8.5，9，9.5，10，即到达率每小时100，110，120，130，140，150，160，170，180，190，200 次呼叫下进行仿真实验，执行四种算法后性能对比如图4 所示：
图4 均匀流量分布下算法的性能
从图4 可以看出，随着话务量的增大，呼叫阻塞率都会随之而增加。RANDOM 算法优于FCA 算法，TD 和QLEARNING 算法性能较好，那是因为动态分配算法更能适应呼叫环境的动态变化。TD 算法性能优于QLEARNING 算法，是因为TD 算法的动作选择策略利用了切换呼叫时空相关性，切换呼叫使用两步状态值更新，结合考虑邻区切换预分配和小区信道重分配，进一步提高了TD 分配算法的灵活性。实验结果可以看出TD 算法极大地降低切换呼叫阻塞率，满足用户高移动性的需要。
（2）小区非均匀流量分布
这种情况下，每个小区的话务量强度值不同，小区不均匀分布实例假设如图1 所示，数字代表各小区的呼叫到达率，此时整个网络话务量均值为5，若将小区呼叫到达率等比例增加100% 可以达到平均话务量为10。在这种分布下，模拟处理的呼叫事件个数不等，执行四种算法后性能对比如图5 所示：
图5 非均匀流量分布下算法的性能
从图5 可以看出，不管移动蜂窝网络需要处理多少呼叫事件，四种算法的性能稳定，处理事件的多少会影响仿真实验的时间开销不影响算法的性能。在不同小区非均匀流量和高话务量强度下，TD 算法始终保持最低的呼叫阻塞概率，尤其是切换呼叫概率的性能得到了很大的提升与改善，明显优于其他算法。那是因为它充分利用切换呼叫时空特性，结束呼叫信道重分配结合邻区信道预分配两步状态值更新强化学习的策略，算法灵活适应动态环境的变化。因此TD 算法性能最好。
4 结束语
利用预分配和重分配机制，改进切换呼叫的动作选择策略，本文提出了一种基于TD 的动态信道分配算法。通过小区均匀流量和不均匀流量分布场景下对各种算法的仿真实验可以看出，TD 算法大大降低切换呼叫阻塞率，满足高移动高流量通信场景下的用户需求。
《基于时序差分的动态信道分配算法*》在线阅读地址：基于时序差分的动态信道分配算法*