基于Q学习的异构网络选择新算法

doi:10.3724/SP.J.1087.2011.01461

计算机应用 ›› 2011, Vol. 31 ›› Issue (06): 1461-1464.DOI: 10.3724/SP.J.1087.2011.01461

基于Q学习的异构网络选择新算法

赵彦清¹,²,朱琦¹,²

1. 南京邮电大学江苏省无线通信重点实验室，南京 210003
2. 南京邮电大学教育部宽带无线通信与传感网技术重点实验室，南京 210003

收稿日期:2010-12-02 修回日期:2011-01-13 发布日期:2011-06-20 出版日期:2011-06-01
通讯作者: 赵彦清
作者简介:赵彦清（1986-），男，河北石家庄人，硕士研究生，主要研究方向：移动通信、无线技术；朱琦（1965-），女，江苏苏州人，教授，主要研究方向：移动通信、无线技术。
基金资助:
国家973计划项目;国家863计划项目;国家自然科学基金资助项目;国家科技重大专项

New Q-learning based heterogeneous network selection algorithm

ZHAO Yan-qing¹,²,ZHU Qi¹,²

1. Jiangsu Key Laboratory of Wireless Communications, Nanjing University of Posts and Telecommunications, Nanjing Jiangsu 210003, China
2. Key Laboratory on Wideband Wireless Communications and Sensor Network Technology of Ministry of Education, Nanjing University of Posts and Telecommunications, Nanjing Jiangsu 210003, China

Received:2010-12-02 Revised:2011-01-13 Online:2011-06-20 Published:2011-06-01
Contact: ZHAO Yan-qing

摘要/Abstract

摘要： 针对异构网络中的多样业务需求，并且为了能够适应网络环境的动态变化，为每一个会话选择一个最合适的网络为其服务同时实现网络负载的均衡，以HSDPA和WiMax构成的异构网络为背景，基于Q学习算法，提出了一种异构网络环境下无线接入网络选择的新算法。该算法在进行网络选择时不仅考虑到网络的负载情况，还充分考虑了发起会话的业务属性、终端的移动性以及终端在网络中所处位置的不同。仿真结果表明该算法降低了系统阻塞率，提高了频谱效用，实现了网络选择的自主性。

关键词: 异构网络, Q学习, 网络选择, 业务属性, 移动性

Abstract: To meet the diverse service requirements in heterogeneous network and adapt to the dynamic changes in the network environment, choose the most suitable network for every session and realize network load balance, a new algorithm based on Q-learning for the selection of wireless access network in the heterogeneous network composed of HSDPA and WiMax was proposed. By this algorithm, the most suitable network for each session can be selected according to network load conditions, service attribute, mobility and different locations of terminal. At last, the simulation results show that the algorithm can lower system blocking probability, increase spectrum utility and realize the autonomy of network selection.

Key words: heterogeneous network, Q-learning, network selection, service attribute, mobility

中图分类号:

TP 自动化技术、计算机技术

赵彦清朱琦. 基于Q学习的异构网络选择新算法[J]. 计算机应用, 2011, 31(06): 1461-1464.

ZHAO Yan-qing ZHU Qi. New Q-learning based heterogeneous network selection algorithm[J]. Journal of Computer Applications, 2011, 31(06): 1461-1464.

[1]	张奕, 蔡钢生, 王真梅. 基于语义与全局双重注意力机制的长链非编码RNA-疾病关联预测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2125-2132.
[2]	于振华, 刘争气, 刘颖, 郭城. 基于自适应混合粒子群优化的软件缺陷预测特征选择方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1206-1213.
[3]	姚华勇, 叶东毅, 陈昭炯. 考虑多粒度反馈的多轮对话强化学习推荐算法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 15-21.
[4]	赵海妮, 焦健. 基于强化学习的渗透路径推荐模型[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1689-1694.
[5]	张俊杰, 仇润鹤. 认知超密集网络用户关联与资源分配联合优化遗传算法[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3856-3862.
[6]	郑延斌, 樊文鑫, 韩梦云, 陶雪丽. 基于博弈论及Q学习的多Agent协作追捕算法[J]. 计算机应用, 2020, 40(6): 1613-1620.
[7]	王月平, 徐涛. 基于演化博弈的用户接入机制[J]. 计算机应用, 2020, 40(5): 1392-1396.
[8]	李世宝, 王宜馨, 赵大印, 叶伟, 郭琳, 刘建航. 异构网络中天线资源有限时的部分干扰对齐方案[J]. 计算机应用, 2019, 39(7): 2030-2034.
[9]	张超, 李可, 范平志. 基于协作小小区与流行度预测的在线热点视频缓存更新策略[J]. 计算机应用, 2019, 39(7): 2044-2050.
[10]	李琰, 刘嘉勇. 基于作者主题模型和辐射模型的用户位置预测模型[J]. 计算机应用, 2018, 38(4): 939-944.
[11]	丁静文, 陈树越, 陆贵荣. 基于Q学习算法的X光主动视觉安检方法[J]. 计算机应用, 2018, 38(12): 3414-3418.
[12]	肖玮, 涂亚庆. 基于等级的无线传感网自适应分簇算法[J]. 计算机应用, 2017, 37(6): 1532-1538.
[13]	陶源, 周喜, 马玉鹏, 赵凡. 基于Hash函数的移动双向认证协议[J]. 计算机应用, 2016, 36(3): 657-660.
[14]	石立兴, 胡访宇. 二维空间上基于呼叫详细记录数据的用户移动性分析[J]. 计算机应用, 2015, 35(9): 2453-2456.
[15]	赖新宇赵增华吴璇璇. 802.11n与ZigBee共存:子载波置零多输入多输出物理层模型[J]. 计算机应用, 2014, 34(12): 3373-3380.

基于Q学习的异构网络选择新算法

New Q-learning based heterogeneous network selection algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics