为了增加网络吞吐量并改善用户体验,提出一种基于Q学习(Q-learning)的多业务网络选择博弈(Multi-Service Network Selection Game based on Q-learning,QSNG)策略。该策略通过模糊推理和综合属性评估获得多业务网络效用函数,并将其用作Q...为了增加网络吞吐量并改善用户体验,提出一种基于Q学习(Q-learning)的多业务网络选择博弈(Multi-Service Network Selection Game based on Q-learning,QSNG)策略。该策略通过模糊推理和综合属性评估获得多业务网络效用函数,并将其用作Q-learning的奖励。用户通过博弈算法预测网络选择策略收益,避免访问负载较重的网络。同时,使用二进制指数退避算法减少多个用户并发访问某个网络的概率。仿真结果表明,所提策略可以根据用户的QoS需求和价格偏好自适应地切换到最合适的网络,将其与基于强化学习的网络辅助反馈(Reinforcement Learning with Network-Assisted Feedback,RLNF)策略和无线网络选择博弈(Radio Network Selection Games,RSG)策略相比,所提策略可以分别减少总切换数量的80%和60%,使网络吞吐量分别提高了7%和8%,并且可以保证系统的公平性。展开更多
随着无线局域网(Wireless Local Area Networks,WLANs)的发展,IEEE802.11标准中媒介接入控制(Medium Access Control,MAC)协议的研究也取得了很多成果。最具代表性的研究是二维Markov模型,该模型可在有限接入站点和理想信道情况下,准确...随着无线局域网(Wireless Local Area Networks,WLANs)的发展,IEEE802.11标准中媒介接入控制(Medium Access Control,MAC)协议的研究也取得了很多成果。最具代表性的研究是二维Markov模型,该模型可在有限接入站点和理想信道情况下,准确分析WLAN系统的性能。但是该模型的计算与分析过程非常复杂,学者们在此基础上提出了一维Markov模型。然而该一维Markov模型仍具有缺陷,如未考虑最大重传次数。本文提出了改进的一维Markov模型,克服了其他模型的缺陷,准确分析了WLAN系统的性能。展开更多
文摘为了增加网络吞吐量并改善用户体验,提出一种基于Q学习(Q-learning)的多业务网络选择博弈(Multi-Service Network Selection Game based on Q-learning,QSNG)策略。该策略通过模糊推理和综合属性评估获得多业务网络效用函数,并将其用作Q-learning的奖励。用户通过博弈算法预测网络选择策略收益,避免访问负载较重的网络。同时,使用二进制指数退避算法减少多个用户并发访问某个网络的概率。仿真结果表明,所提策略可以根据用户的QoS需求和价格偏好自适应地切换到最合适的网络,将其与基于强化学习的网络辅助反馈(Reinforcement Learning with Network-Assisted Feedback,RLNF)策略和无线网络选择博弈(Radio Network Selection Games,RSG)策略相比,所提策略可以分别减少总切换数量的80%和60%,使网络吞吐量分别提高了7%和8%,并且可以保证系统的公平性。
文摘随着无线局域网(Wireless Local Area Networks,WLANs)的发展,IEEE802.11标准中媒介接入控制(Medium Access Control,MAC)协议的研究也取得了很多成果。最具代表性的研究是二维Markov模型,该模型可在有限接入站点和理想信道情况下,准确分析WLAN系统的性能。但是该模型的计算与分析过程非常复杂,学者们在此基础上提出了一维Markov模型。然而该一维Markov模型仍具有缺陷,如未考虑最大重传次数。本文提出了改进的一维Markov模型,克服了其他模型的缺陷,准确分析了WLAN系统的性能。
