基于IGWO-RBF的LTE-R切換算法研究

蘇佳麗，伍忠東，丁龍斌，劉菲菲

蘭州交通大學(xué) 電子與信息工程學(xué)院 信息安全實(shí)驗(yàn)室，蘭州730070

1 引言

高速鐵路飛速發(fā)展，LTE-R 比GSM-R 擁有以下優(yōu)點(diǎn)：一是具有扁平化的網(wǎng)絡(luò)結(jié)構(gòu)[1]，使得時(shí)延更短；二是以O(shè)FDM 為關(guān)鍵技術(shù)[2]，增加了頻譜效率，降低了網(wǎng)絡(luò)部署和維護(hù)成本，很大地提升了性能；三是MIMO 技術(shù)充分利用空間資源，成倍地提高系統(tǒng)信道容量。LTE支持高速移動(dòng)的終端環(huán)境，最高能達(dá)到500 km/h[3]，更加適應(yīng)高移動(dòng)性場(chǎng)景。

降低乒乓率和掉話率是高速切換中的研究熱點(diǎn)，LTE 系統(tǒng)切換算法大多數(shù)是在A3 事件基礎(chǔ)上進(jìn)行的。凌啟東等提出了一種基于用戶終端的快速切換方案，可以提前完成資源分配，提高切換成功率[4]；Li Y 等提出了基于模糊邏輯的切換算法，對(duì)遲滯容限參數(shù)Hys 做了動(dòng)態(tài)調(diào)整[5]，使切換更準(zhǔn)確；Lee C等提出了采用網(wǎng)絡(luò)功能虛擬化（NFV）技術(shù)來(lái)提高切換的時(shí)延性能[6]；劉云毅提出了在高速列車中引入車載中繼站，并在車頭和車尾設(shè)立兩部天線，通過(guò)兩部天線協(xié)作來(lái)減小切換失敗率[7]；欒林林探討了一種基于預(yù)承載的切換判決算法[3]，減少切換時(shí)延，提高切換成功率。Luo W等提出了在LTE切換中實(shí)現(xiàn)軟切換，該方式可以實(shí)現(xiàn)不中斷切換，但是對(duì)硬件設(shè)備需進(jìn)行改動(dòng)，所以實(shí)踐性較低[8]。

本文針對(duì)A3 算法的固有問(wèn)題，提出了一種具有良好容錯(cuò)性以及學(xué)習(xí)能力的算法——基于改進(jìn)灰狼優(yōu)化的RBF 神經(jīng)網(wǎng)絡(luò)的切換算法。該算法利用改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)快速收斂、唯一最佳逼近的特性，降低了乒乓率、掉話率，提高了切換成功率。

2 基于LTE-R的切換原理和工作流程

2.1 LTE-R切換原理

LTE-R的切換過(guò)程是由移動(dòng)用戶端UE（User Equipment）、基站eNodeB 和接入網(wǎng)AGW（Access Gateway）共同協(xié)調(diào)完成。LTE-R 切換主要包括5 種類型[9]：eNodeB 內(nèi)部切換、通過(guò)X2 的eNodeB 之間切換、通過(guò)S1 的eNodeB之間切換、MME之間的切換以及LTE-R與其他系統(tǒng)之間的切換。圖1為越區(qū)切換（X2之間）原理圖，X為切換過(guò)程過(guò)渡區(qū)，在這段距離，目標(biāo)基站的RSPR 和當(dāng)前基站RSRP 的差值達(dá)到切換門限，則觸發(fā)A3 事件。Y 為切換區(qū)，在這段距離，列車完成小區(qū)（X2接口）之間的切換?？梢钥闯?，LTE-R的接入網(wǎng)絡(luò)為扁平化結(jié)構(gòu)，這種簡(jiǎn)化的網(wǎng)絡(luò)設(shè)計(jì)，不僅使得數(shù)據(jù)傳輸和無(wú)線資源控制更加迅速，而且降低了系統(tǒng)構(gòu)架和維護(hù)的費(fèi)用。

圖1 LTE-R越區(qū)切換示意圖

觸發(fā)A3事件的條件如下：

Mt是目標(biāo)小區(qū)的信號(hào)強(qiáng)度，Ms是服務(wù)小區(qū)的信號(hào)強(qiáng)度，Hys 為切換的遲滯門限參數(shù)。

算法中切換遲滯參數(shù)Hys 和觸發(fā)時(shí)延TTT 如圖2所示。

圖2 A3事件觸發(fā)切換示意圖

2.2 LTE-R切換流程

LTE-R 系統(tǒng)同頻切換主要步驟為：切換測(cè)量階段、切換判決和切換執(zhí)行階段。本文采用切換類型為X2接口之間的切換，切換流程如圖3所示。

圖3 X2接口切換流程圖

首先建立連接（步驟①～②），此過(guò)程中源基站eNodeB向用戶終端（UE）發(fā)送無(wú)線資源管理層RRC（Radio Resource Control）的連接配置信令，為UE 的無(wú)線承載做準(zhǔn)備。UE向源eNodeB發(fā)送連接重配置完成的信令。

同頻切換流程：

（1）切換測(cè)量階段（步驟③）：UE向源eNodeB發(fā)送測(cè)量報(bào)告，包括源、目標(biāo)eNodeB 的參考信號(hào)接收質(zhì)量（RSRQ）和參考信號(hào)接收功率（RSRP）。

（2）切換判決階段（步驟④）：源eNodeB 收到測(cè)量階段發(fā)送的報(bào)告，采用測(cè)量報(bào)告中的物理層參數(shù)，根據(jù)切換算法給出切換判決結(jié)果。

（3）切換執(zhí)行階段（步驟⑤～?）：

⑤源eNodeB根據(jù)報(bào)告中小區(qū)信息，向目標(biāo)eNodeB發(fā)送切換請(qǐng)求信令。

⑥目標(biāo)eNodeB 收到源eNodeB 的切換請(qǐng)求，根據(jù)當(dāng)前小區(qū)資源承載情況，判決是否允許UE接入。

⑦若允許接入，則目標(biāo)eNodeB 向UE 發(fā)送切換確認(rèn)消息。

⑧源eNodeB 收到確認(rèn)的消息，向UE 發(fā)送RRC 層連接重配消息，向UE發(fā)送切換命令。

⑨UE 根據(jù)配置消息，接入到目標(biāo)eNodeB。并且，向目標(biāo)eNodeB發(fā)送RRC層連接重配置確認(rèn)消息。

⑩目標(biāo)eNodeB收到這個(gè)消息后，對(duì)移動(dòng)性管理實(shí)體（MME）發(fā)送相關(guān)路徑轉(zhuǎn)換的請(qǐng)求，請(qǐng)求轉(zhuǎn)換上層鏈路。

?鏈路改變完成之后，目標(biāo)eNodeB 會(huì)收到MME發(fā)送的消息。消息的內(nèi)容為確認(rèn)路徑轉(zhuǎn)換請(qǐng)求。此時(shí)，UE成功接入目標(biāo)eNodeB。

?目標(biāo)eNodeB獲取確認(rèn)的消息之后，對(duì)源eNodeB發(fā)送回執(zhí)消息。

?源eNodeB收到回執(zhí)消息后，釋放UE的數(shù)據(jù)信息。

3 LTE-R切換算法的優(yōu)化

3.1 改進(jìn)的灰狼算法

3.1.1 灰狼算法

灰狼算法（Gery Wolf Optimizer）是根據(jù)自然界中灰狼群體協(xié)同合作進(jìn)行捕食的行為提出的算法[10]，在GWO 中，第一等級(jí)灰狼記為α，其領(lǐng)導(dǎo)能力最強(qiáng)，主要負(fù)責(zé)尋優(yōu)（捕食）過(guò)程中的決策和狼群管理，其他的狼按照等級(jí)分為β,δ,ω。如圖4 所示，第二等級(jí)稱為β 狼，加強(qiáng)了α 的統(tǒng)治并及時(shí)向其提供反饋。第三等級(jí)稱為δ狼，其必須服從α 和ω 狼的命令，在群體中負(fù)責(zé)偵查和圍攻獵物。等級(jí)最低的灰狼是ω，是狼群中的群眾基礎(chǔ)，ω 狼必須服從狼群領(lǐng)導(dǎo)層的指揮。

圖4 灰狼位置更新圖

灰狼算法整個(gè)捕獵的過(guò)程主要為三個(gè)階段[11]：包圍、追捕、攻擊。最終捕獲獵物（獲得全局最優(yōu)解）。

（1）包圍過(guò)程

狼群在確定獵物的位置后，首先要對(duì)獵物進(jìn)行包圍。第i 只灰狼的位置Xi滿足如下：

其中，r1和r2分別為[0，1]區(qū)間的隨機(jī)數(shù)，a 隨著迭代次數(shù)的增加，在區(qū)間[2，0]呈線性遞減。

（2）追捕過(guò)程

灰狼包圍獵物后，δ,β 狼在α 狼的帶領(lǐng)下對(duì)獵物進(jìn)行追捕。此過(guò)程中，灰狼的位置會(huì)隨著獵物位置的變化而變化，來(lái)尋找最優(yōu)位置Xp，通常根據(jù)α,β,δ 狼的位置Xα,Xβ,Xδ來(lái)更新：

其中，ωj表示第j 只狼的權(quán)重：

f(Xj(t))表示第j 只狼在t 時(shí)刻的適應(yīng)度。

（3）攻擊過(guò)程

攻擊過(guò)程為灰狼捕食的最后一個(gè)階段，狼群對(duì)獵物進(jìn)行攻擊并捕獲獵物（得到最優(yōu)解）。該過(guò)程的實(shí)現(xiàn)主要通過(guò)下式中a 值的遞減來(lái)實(shí)現(xiàn)。

tmax為最大迭代次數(shù)，當(dāng)a 的值從2線性遞減0時(shí)，其對(duì)應(yīng)的Ai的值也在區(qū)間[-a,a]變化。當(dāng)Ai≤1 時(shí)，則表明狼群正在接近獵物位置。當(dāng)1 ＜ ||Ai≤2 時(shí)，表明狼群正在向遠(yuǎn)離獵物方向分散，則GWO陷入局部最優(yōu)[12]。

3.1.2 改進(jìn)的灰狼算法

GWO在優(yōu)化應(yīng)用時(shí)，中后期收斂速度慢、容易陷入局部極值且未考慮自身經(jīng)驗(yàn)，所以引入PSO算法中的記憶功能。則式（6）可以表示為：

式中，b1,b2分別表示狼群交流系數(shù)和記憶系數(shù)（常量），取值范圍為[0，1]；r3為區(qū)間[0，1]的隨機(jī)變量；Pbest表示第i 只狼在捕食過(guò)程中的最佳位置。改進(jìn)的算法可以通過(guò)調(diào)節(jié)b1,b2系數(shù)調(diào)節(jié)個(gè)體記憶與群體交流之間的關(guān)系，可以保存最優(yōu)解，收斂速度更快。

3.2 灰狼優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)

3.2.1 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化

RBF神經(jīng)網(wǎng)絡(luò)是具有單隱層的前饋神經(jīng)網(wǎng)絡(luò)，具有計(jì)算量小，全局逼近能力等優(yōu)點(diǎn)[13]。其使用徑向基函數(shù)作為隱層神經(jīng)元激活函數(shù)，本文使用的高斯徑向基函數(shù)如式（10）所示：

式中，Cj為神經(jīng)網(wǎng)絡(luò)的中心參數(shù)其中，n 為隱層神經(jīng)元個(gè)數(shù)。RBF神經(jīng)網(wǎng)絡(luò)不足之處在于需要解決隱層的中心參數(shù)Cj、寬度向量Dj和隱層到輸出層的權(quán)值ωj的確定問(wèn)題[14]，尤其是權(quán)值的確定。就此，本文提出使用粒子群優(yōu)化（PSO）的GWO 算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

3.2.2 RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)主要是兩方面[15]：一是拓?fù)浣Y(jié)構(gòu)的設(shè)計(jì)，即輸入層、輸出層的確定以及隱層神經(jīng)元數(shù)量的確定；二是參數(shù)的設(shè)計(jì)，主要有基函數(shù)的中心參數(shù)Cj、寬度參數(shù)Dj以及隱層到輸出層的連接權(quán)值ωj。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)：

本文針對(duì)A3 事件下，由于高速列車切換切換時(shí)遲滯參數(shù)(TTT)和切換遲滯門限(Hys)為固定值，使得列車在低速時(shí)出現(xiàn)乒乓效應(yīng)、高速時(shí)產(chǎn)生無(wú)線鏈路連接失敗現(xiàn)象進(jìn)行優(yōu)化，因此需要對(duì)TTT 和Hys 進(jìn)行動(dòng)態(tài)優(yōu)化。如圖5為IGWO-RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)。

圖5 IGWO-RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)

（2）隱含層。隱層神經(jīng)元激活函數(shù)是高斯函數(shù)，輸入層到隱層對(duì)數(shù)據(jù)進(jìn)行非線性變換，表達(dá)式為：

在RBF 神經(jīng)網(wǎng)絡(luò)中，隱層節(jié)點(diǎn)數(shù)的確定很重要，如果隱層節(jié)點(diǎn)數(shù)過(guò)少，網(wǎng)絡(luò)低于期望的學(xué)習(xí)能力和信息處理能力，造成“欠擬合”；若節(jié)點(diǎn)數(shù)過(guò)多，不僅會(huì)增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，而且還會(huì)把訓(xùn)練樣本自身的一些特點(diǎn)當(dāng)作所有潛在的樣本都具有的一般性質(zhì)，導(dǎo)致了泛化性能的降低，造成了“過(guò)擬合”。由于輸入節(jié)點(diǎn)數(shù)少，“試湊法”[16]確定節(jié)點(diǎn)數(shù)的方法具有實(shí)現(xiàn)簡(jiǎn)單、能夠較快確定達(dá)到模型最優(yōu)隱層節(jié)點(diǎn)數(shù)的優(yōu)點(diǎn)，如下公式：

m 為隱層節(jié)點(diǎn)數(shù)目，n 是輸入層節(jié)點(diǎn)數(shù)目，l 為輸出層節(jié)點(diǎn)數(shù)，α 通常取1～10范圍的常數(shù)。

由上可知，隱層節(jié)點(diǎn)數(shù)可設(shè)置為3～11，利用樣本數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練和測(cè)試，表1 為RBFNN 和灰狼優(yōu)化的RBFNN在不同的誤差平均值和系統(tǒng)耗時(shí)的對(duì)比，通過(guò)對(duì)比，最優(yōu)隱層節(jié)點(diǎn)數(shù)為8。

表1 不同隱層節(jié)點(diǎn)數(shù)時(shí)誤差和系統(tǒng)耗時(shí)對(duì)比

由表1 可知，改進(jìn)的神經(jīng)網(wǎng)絡(luò)能夠更快速地收斂，找到最優(yōu)權(quán)值矩陣，系統(tǒng)耗時(shí)更少。

（3）輸出層。輸出層單元個(gè)數(shù)為2，是切換中需要優(yōu)化的參數(shù)，為Hys 和TTT 。隱含層到輸出層對(duì)數(shù)據(jù)進(jìn)行線性變換，輸出層是整個(gè)神經(jīng)網(wǎng)絡(luò)的輸出，其表達(dá)式為：

3.2.3 RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)計(jì)

RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)主要是：中心參數(shù)Cj、寬度向量Dj和隱層到輸出層的權(quán)值ωj：

（1）中心參數(shù)Cj

由公式（10）可知，隱含層各神經(jīng)元的中心參數(shù)為Cj=，本文中心參數(shù)的確定使用了K-means 算法，是一種無(wú)監(jiān)督式學(xué)習(xí)法[17]，此方法可靠、收斂速度快，能有效地處理數(shù)據(jù)。

首先根據(jù)公式（14），選取出一個(gè)密度指標(biāo)最高的樣本數(shù)據(jù)作為第一個(gè)中心C1：

然后根據(jù)公式（15）進(jìn)行迭代更新計(jì)算剩余的h-1個(gè)聚類中心。

其中，xC1為第一個(gè)聚類中心，ρC1為密度的最大值，γb為密度指標(biāo)函數(shù)減少的鄰域，

最后得出聚類中心為C1(k),C2(k),…,Ch(k)。

（2）寬度向量Dj。

每一個(gè)神經(jīng)元中心參數(shù)都對(duì)應(yīng)一個(gè)寬度向量D，本文寬度向量的確定用“平均距離法”[18]，在中心參數(shù)Cj被確定之后，寬度向量Dj=kdi，di=min‖ ‖Cj-Ci，表示第i 個(gè)參數(shù)與離它最近的中心參數(shù)的歐氏距離。

（3）權(quán)值向量ωj

本文采用改進(jìn)的灰狼算法對(duì)隱層到輸出層之間的權(quán)值向量進(jìn)行優(yōu)化，首先設(shè)置一個(gè)目標(biāo)函數(shù)，也就是優(yōu)化算法的適應(yīng)度函數(shù)，然后對(duì)其優(yōu)化。設(shè)RBF神經(jīng)網(wǎng)絡(luò)中目標(biāo)函數(shù)為：

其中：

ok是k 時(shí)刻期望輸出向量，yk是k 時(shí)刻的實(shí)際輸出量，2為輸出節(jié)點(diǎn)數(shù)，權(quán)值向量ωj為灰狼算法中的位置向量。

中心參數(shù)、寬度和權(quán)重參數(shù)均通過(guò)學(xué)習(xí)來(lái)自適應(yīng)調(diào)節(jié)到最佳值，其參數(shù)訓(xùn)練流程如圖6所示。

圖6 改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程

步驟1 對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)（中心向量、權(quán)值向量、寬度）進(jìn)行初始化。

步驟2 設(shè)定學(xué)習(xí)率η 為0.05（一般設(shè)置在0.001～0.9）、動(dòng)量參數(shù)μ 為0.1，迭代終止精度mse 的值為1E-5。

步驟3 將訓(xùn)練參數(shù)樣本集送入神經(jīng)網(wǎng)絡(luò)，根據(jù)式（10）（11）得出隱層的結(jié)果。

步驟4 將權(quán)值向量映射為灰狼算法中每頭狼的位置向量，初始化，計(jì)算適應(yīng)度Ek，并產(chǎn)生α,β,δ,ω 狼，迭代更新ω 狼以及相關(guān)參數(shù)。

步驟5 直到Ek＜mse ，或者訓(xùn)練次數(shù)達(dá)到上限值1 000則訓(xùn)練結(jié)束，否則轉(zhuǎn)到步驟4。

步驟6 循環(huán)結(jié)束后，輸出α 狼為最優(yōu)權(quán)值矩陣。

3.3 自矯正的RBF神經(jīng)網(wǎng)絡(luò)

數(shù)據(jù)采集中的環(huán)境具有局限性，為了更好地適應(yīng)復(fù)雜多變的環(huán)境，提出帶有自矯正的RBF神經(jīng)網(wǎng)絡(luò)，使得系統(tǒng)對(duì)環(huán)境有更好的適應(yīng)性，在仿真過(guò)程中，采用“三分段Hermite 插值”來(lái)仿真列車在運(yùn)行過(guò)程中實(shí)時(shí)接受到的RSRQ，基于仿真效果，得到如下的矯正過(guò)程：

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)參數(shù)設(shè)置

UE發(fā)生越區(qū)切換時(shí)可以根據(jù)自身運(yùn)行速度的不同選擇最適宜的參數(shù)，本文以速度為5 m/s作為步長(zhǎng)，尋找列車切換過(guò)程中最優(yōu)的參數(shù)點(diǎn)，將選取的訓(xùn)練參數(shù)集放入神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，產(chǎn)生一個(gè)非線性擬合曲線，為了達(dá)到更好的效果，本文選擇參數(shù)比較復(fù)雜的“山地模型”，其具體參數(shù)如表2所示。

表2 仿真參數(shù)

4.2 實(shí)驗(yàn)結(jié)果分析

4.2.1 神經(jīng)網(wǎng)絡(luò)擬合結(jié)果

IGWO-RBF神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的輸入（Hys參數(shù)）的擬合結(jié)果如圖7所示。

由圖7可知，IGWO-RBF的Hys 參數(shù)集擬合的曲線（紅色）明顯要優(yōu)于未改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的擬合曲線（藍(lán)色），尤其是在列車高速移動(dòng)的場(chǎng)景中，優(yōu)勢(shì)更明顯。

改進(jìn)的RBF 神經(jīng)網(wǎng)絡(luò)和未改進(jìn)的輸入TTT 參數(shù)的擬合結(jié)果如圖8所示。

從結(jié)果可以看出IGWO-RBF 相比于RBF 神經(jīng)網(wǎng)絡(luò)，對(duì)采集的各參數(shù)點(diǎn)擬合度高，達(dá)到了預(yù)期的目標(biāo)。

圖7 Hys 參數(shù)集在神經(jīng)網(wǎng)絡(luò)中的擬合曲線

圖8 TTT 參數(shù)集在神經(jīng)網(wǎng)絡(luò)中的擬合曲線

4.2.2 算法復(fù)雜度分析

本文通過(guò)神經(jīng)網(wǎng)絡(luò)優(yōu)化Hys 和TTT 在不同速率下的取值，然后應(yīng)用于A3算法的判決部分，當(dāng)判決部分為神經(jīng)網(wǎng)絡(luò)時(shí)，其算法復(fù)雜度為O(mn),m 為輸入神經(jīng)元個(gè)數(shù)，n 為采樣點(diǎn)數(shù)。m=1，所以時(shí)間復(fù)雜度為O(n)，與原A3判決算法復(fù)雜度相同。

如表3，三個(gè)算法在相同數(shù)據(jù)量、相同服務(wù)器上運(yùn)行的平均系統(tǒng)耗時(shí)分別為0.469 s、0.466 s、0.452 s，由此可以看出，新算法時(shí)延短，尋優(yōu)收斂速度快，新算法隱層只有一層，所以實(shí)時(shí)性較好，能應(yīng)用到列車的高速運(yùn)行環(huán)境中。

表3 切換成功率前后對(duì)比

4.2.3 系統(tǒng)仿真結(jié)果

切換成功率是優(yōu)化的后切換算法一大評(píng)估標(biāo)準(zhǔn)，圖9展示了IGWO-RBF神經(jīng)網(wǎng)絡(luò)算法、RBF神經(jīng)網(wǎng)絡(luò)算法和傳統(tǒng)A3算法在相同訓(xùn)練集比例下的切換成功率。

當(dāng)列車速度為0～100 m/s 時(shí)，隨著神經(jīng)網(wǎng)絡(luò)訓(xùn)練的Hys 和TTT 參數(shù)的變化，IGWO-RBF 神經(jīng)網(wǎng)絡(luò)的切換成功率在高速環(huán)境（100 m/s）時(shí)為84.5%，如表4，未改進(jìn)的RBF 神經(jīng)網(wǎng)絡(luò)切換成功率在高速時(shí)為82.0%，傳統(tǒng)A3算法只有77.2%。結(jié)果表明IGWO-RBF算法輸出結(jié)果隨移動(dòng)端速度的增加，切換成功率要比RBF神經(jīng)網(wǎng)絡(luò)算法和傳統(tǒng)A3算法高。

圖9 改進(jìn)前后算法的切換成功率對(duì)比

表4 切換成功率前后對(duì)比%

圖10展示了相同輸入比例下的乒乓效應(yīng)的出現(xiàn)率。

圖10 改進(jìn)切換算法前后乒乓率對(duì)比

由表5 可知，當(dāng)列車速度逐漸增加時(shí)，IGWO-RBF算法的乒乓率明顯低于RBF神經(jīng)網(wǎng)絡(luò)算法和A3算法。

在高度移動(dòng)場(chǎng)景中，列車極易發(fā)生無(wú)線鏈路連接失敗現(xiàn)象，由圖11可知，本文所用的優(yōu)化算法有效地降低了切換中的無(wú)線鏈路連接失敗率。

由表6可知，當(dāng)列車速度為0～100 m/s時(shí)，優(yōu)化后算法的掉話率比RBF神經(jīng)網(wǎng)絡(luò)算法和傳統(tǒng)算法的掉話率低，優(yōu)化后的算法更穩(wěn)定。

綜上所述，本文算法在切換成功率、乒乓率、掉話率方面都明顯優(yōu)于傳統(tǒng)算法，且算法復(fù)雜度和實(shí)時(shí)性與A3算法相近。因此本文算法是一種新的具有可行性的LTE-R切換優(yōu)化算法。

表5 切換乒乓率前后對(duì)比 %

圖11 改進(jìn)前后算法的切換掉話率對(duì)比

表6 切換掉話率前后對(duì)比%

5 結(jié)束語(yǔ)

本文提出了一種基于改進(jìn)灰狼算法優(yōu)化的RBF 神經(jīng)網(wǎng)絡(luò)的LTE-R切換算法。仿真結(jié)果表明：所提出的算法對(duì)切換率有明顯的提高，在相同條件下，改進(jìn)算法的切換率和魯棒性要明顯優(yōu)于未改進(jìn)算法和傳統(tǒng)算法，乒乓率也低于傳統(tǒng)算法，隨著速度的增加，無(wú)線鏈路失敗的出現(xiàn)也降低，并且速度越高，算法的優(yōu)勢(shì)越明顯?？焖賹ふ易顑?yōu)權(quán)值矩陣使得系統(tǒng)時(shí)延更短。改進(jìn)算法收斂性快且效率更高，有更好的可靠性和靈活性，能更好地適應(yīng)高速鐵路移動(dòng)環(huán)境。但是優(yōu)化算法數(shù)據(jù)采樣具有局限性，因此接下來(lái)的研究方向是，找出一個(gè)更好的方法去采集更多的動(dòng)態(tài)數(shù)據(jù)進(jìn)行擬合，使得算法的效果和穩(wěn)定性得到進(jìn)一步的提升。