LEO衛星網絡切換判決方法研究綜述

摘 要：低地球軌道（Ｌｏｗ Ｅａｒｔｈ Ｏｒｂｉｔ，ＬＥＯ） 衛星網絡因軌道高度低、傳輸時延小，可實現全球范圍內全天時全天候無縫覆蓋，在應急通信、情報偵查和災害救援等領域得到了廣泛應用。然而，由于ＬＥＯ 衛星與終端之間的高速相對運動導致頻繁的切換問題，切換判決作為切換中的關鍵環節，直接影響切換是否能夠成功以及切換性能的好壞，是實現可靠平滑切換的重要前提。結合ＬＥＯ 衛星網絡切換判決方法研究進展，綜述了基于單屬性決策和多屬性決策的２ 類切換判決方法；歸納了常用的圖論模型切換判決方法；總結了機器學習在ＬＥＯ 衛星網絡切換判決中的應用；結合常用評價性能指標對不同切換判決方法進行了對比分析；對未來ＬＥＯ 衛星網絡切換研究值得關注的問題進行了展望，為后續相關研究提供解決思路。

關鍵詞：低地球軌道衛星網絡；切換判決；多屬性決策

中圖分類號：ＴＮ９２７． ２ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０６－１３６８－１２

０ 引言

低地球軌道（Ｌｏｗ Ｅａｒｔｈ Ｏｒｂｉｔ，ＬＥＯ）衛星網絡通過部署在軌道高度２ ０００ ｋｍ 以下的大量衛星協同合作形成互聯網星座，因具有軌道高度低、路徑損耗小、傳輸時延低以及可實現全球范圍內全天時全天候的無縫覆蓋等優勢而受到行業青睞［１－２］。然而，由于ＬＥＯ 衛星與用戶終端之間的高速相對運動，用戶終端必須不斷切換到新的波束或衛星中以維持通信服務的連續性［３－５］。按照發生的范圍，ＬＥＯ 衛星網絡切換可分為波束間切換和衛星間切換［６－７］。頻繁地切換過程不僅會帶來切換時延，還會造成傳輸損耗、信令開銷增加以及傳輸數據丟失等問題［８］。切換判決作為切換的核心環節，直接影響切換能否成功以及切換性能。因此，如何設計合理高效的切換判決方法實現可靠平滑切換決策，始終是ＬＥＯ 衛星網絡中研究的熱點問題。

截止目前，研究人員分別從影響切換判決的屬性因子［９－４４］、圖論模型方案［４５－５７］以及機器學習技術［５８－６９］在切換判決中的應用等角度出發展開研究，并取得諸多優秀成果。因此，現聚焦于ＬＥＯ 衛星網絡切換判決方法現階段的研究成果，對切換判決技術的發展進行梳理。首先，綜述了基于單屬性決策與多屬性決策兩大類ＬＥＯ 衛星網絡切換判決方法；其次，歸納了ＬＥＯ 衛星網絡圖論模型切換判決方法；再次，總結了基于機器學習的切換判決方法。同時，結合切換判決方法性能評價指標以及適用場景，對比分析了各類方法的優缺點；最后，本文展望了ＬＥＯ 衛星網絡中切換判決研究值得關注的問題。

１ 基于屬性決策的切換判決方法

１． １ 基于單屬性決策的切換判決方法

單屬性決策方法的核心思想是以單一屬性因子為判決標準，通過比較測量值與閾值進行切換判決，如圖所示。即根據終端的主要需求，分析信號強度對鏈路質量的影響、通信仰角對網絡時延的影響、覆蓋時間對切換頻率的影響以及網絡負載對ＬＥＯ 衛星網絡整體負載均衡的影響等特性，采取相應切換判決方法實現高鏈路質量、小網絡時延、低切換頻率以及平衡網絡負載的目標。

文獻［９］提出了基于信號強度的波束切換算法，通過接收信號強度大小控制遲滯參數，為不同速度終端設置不同觸發時間，驗證了速度大小與觸發時間成負相關，有效減少了乒乓切換次數及切換失敗率。文獻［１０］通過比較當前服務衛星與可視衛星信號強度判斷切換時刻以及切換目標，保證了用戶終端較好的信號強度和服務質量，但增加了切換次數，容易導致某顆衛星負載過重。為減少通信時延和路徑損耗，考慮到通信仰角對切換產生的影響，文獻［１１－１２］通過選擇最大通信仰角和最小延遲的方法選擇目標切換衛星，在保證用戶終端服務質量的同時實現了較小的切換時延和路徑損耗。為降低切換決策的成本，文獻［１３］利用模糊Ｃ 均值聚類方法將需要切換的用戶進行分簇，由簇頭基于最大通信仰角選擇切換目標，不僅減少了所需衛星信道數，還降低了整個通話過程中的切換次數，提高了通信質量。隨著ＧＰＳ 定位功能的發展應用，文獻［１４］結合全球定位系統，根據終端與衛星之間的相對位置關系預測可視衛星的剩余服務時間，達到了最小化切換次數。考慮到相鄰波束間衰減因子在時間上的相關性，文獻［１５］引入衰減因子的概念，通過波束間衰減情況對可視衛星中波束剩余服務時間進行預測，累加求出單顆衛星的剩余服務時間，以剩余服務時間最大的衛星為切換目標，一定程度上提高了用戶終端的實時性和服務質量，減少了通信進程中的切換次數。文獻［１６］在星歷信息已知的情況下，通過實時動態更新速度感知的方法篩選出候選衛星集中剩余服務時間最長的衛星，減少了切換次數，但信道條件較差，且存在衛星星歷信息無法獲取情況，導致切換算法失效。隨著全球業務量的增加，負載問題逐漸突出，針對衛星負載過重問題，文獻［１７］提出一種基于最多空閑信道數的切換判決方法，始終選擇空閑信道最多的波束或者衛星為切換目標，有效避免了負載過重導致的通信服務質量下降的問題。

綜上所述，基于單屬性決策的切換判決方法對比分析如表１ 所示。研究人員分別從信號強度、通信仰角和空閑信道數等角度出發，優化切換判決方法，以提升ＬＥＯ 衛星網絡性能。該類方法比較簡單，一定程度上可減少切換次數，保證用戶終端的通信質量，更適用于衛星網絡結構簡單，用戶節點相對較少的場景。但對復雜多變的網絡環境適應性較差，缺少對切換判決因素的綜合考慮，容易導致個別屬性最優而其他屬性較差，難以滿足用戶終端需求。

１． ２ 基于多屬性決策的切換判決方法

多屬性決策方法的核心思想是綜合考慮影響切換判決的信號強度、時延、流量負載和終端速度等動態因素以及網絡類型、用戶屬性和用戶偏好等靜態因素［１８－１９］，根據ＬＥＯ 衛星網絡節點及用戶終端的實際情況和不同需求對相關屬性因素賦予不同的權重值，從而選擇出最合適的切換目標［２０］。為此，針對多屬性決策判決方法國內外學者展開了大量研究。

針對用戶終端與衛星間相對運動導致頻繁切換的問題，以優化切換次數為目標改進切換判決方法。文獻［２１］以終端切換次數和通信仰角為參考因素判斷終端是否切換。文獻［２２］以接收信號強度和駐留時間為影響因素進行判決。文獻［２３］以用戶端接收功率作為切換判決觸發條件，通過預測星歷軌跡計算鄰區列表，以接收信號功率、波束可視時間和切換時延為篩選條件進行判決。文獻［２４］考慮用戶需求、衛星服務時間和通信仰角，求解用戶終端整個通信過程所需最少切換，減少切換次數的同時降低了切換時延和信令開銷。文獻［２５］綜合ＧＥＯ衛星的覆蓋特性和ＬＥＯ 衛星的低時延特性，利用ＴＯＰＳＩＳ 方法改進屬性權重，確定切換目標，減少切換次數的同時優化了中斷概率和系統吞吐量。文獻［２６］聯合接收信號強度、剩余服務時間和空閑信道數，采用最小二乘法擬合預測接收信號強度，通過組合加權法確定權重值，利用ＴＯＰＳＩＳ 算法篩選出最佳方案，減少切換頻率的同時增加了數據流穩定性，但沒有考慮終端運動特性，預測誤差較大?？紤]到用戶終端運動特性對切換判決的影響，在衛星星歷信息已知的情況下，文獻［２７］利用二階馬爾科夫模型預測終端運動軌跡，將運動軌跡和星歷信息相結合判斷候選切換目標集合，采用灰度關聯和專家批判結合的賦權法來設置權重值，將權重值最大的衛星視為切換目標。文獻［３４］根據終端位置與空間位置關系模型預測服務時長，從速度大小和方向改變頻繁度２ 個角度進行移動性分析，將終端速度進行模糊聚類結合預測服務時長確定切換時刻，參考信號強度、服務時長和切換代價確定切換目標，有效降低了切換次數和切換失敗率。文獻［２８］利用灰色模型ＧＭ（１，１）預測終端軌跡，考慮信號質量、業務質量和終端軌跡，根據主客觀賦權法確定屬性權重值，實現了較低的切換次數和切換失敗率，避免了乒乓切換的發生。

針對頻繁切換影響用戶終端服務質量的問題，以優化服務質量為目標改進切換判決方法。文獻［１０］以信干噪比、流量傳輸成本、用戶需求帶寬和衛星負載情況為影響因素提出參數自適應的判決方法。文獻［２９］考慮網絡狀態、接收信號質量和終端位置，根據全球各地區業務密度設置權重值，保證終端服務質量的同時實現了較低的阻塞率。文獻［３０］考慮用戶終端的接收信號強度、衛星的空閑信道數和服務時長，采用組合賦權法設置權重值，利用ＴＯＰＳＩＳ 方法決策出最優切換目標，保證了用戶服務質量，減少了切換次數，提高了信道利用率。文獻［３１］引入模糊邏輯思想，融合信號強度、網絡時延和數據傳輸速率進行切換決策，在提高終端服務質量和切換成功率的基礎上降低了切換時延和計算復雜度。文獻［３２］根據不同用戶需求構建馬爾科夫模型和獎勵函數，采用層次分析法設置權重，根據用戶類型和網絡時變特性設置不同觸發條件，采用遺傳算法和模擬退火算法相結合的優化策略求解，保證了不同業務類型的服務質量。文獻［３３］從衛星節點可提供的服務能力角度出發，采用多變量灰色模型ＭＧＭ（１，ｎ）預測終端軌跡，以接收信號強度為基準篩選出切換目標，參考傳輸時延、網絡帶寬、接收信號強度及丟包率等歷史信息，通過層次分析法和熵權法相結合對權重進行優化并動態調整，保證了終端的服務質量，減少了切換次數和失敗率。文獻［３４］將切換決策分為切換觸發和網絡選擇，切換觸發階段考慮信干噪比和空閑信道數，提出基于閾值和滯后余量雙重觸發機制緩解乒乓效應，網絡選擇階段考慮用戶速率和網絡負載率，將切換問題建模為滿足切換時延約束下的最大化吞吐量和網絡負載均衡度的多目標決策問題，采用改進離散型二進制粒子群算法求解，降低切換時延的同時提高了專題：基于人工智能的決策技術系統吞吐量。為減小權重設置對切換的影響，文獻［３５］通過構建動態偏好矩陣，采用決策矩陣排序法篩選最佳切換衛星，提高了切換決策準確性，減少了切換次數和網絡擁塞率，保證了業務服務質量。

針對頻繁切換及業務量變化導致負載過重的問題，以優化網絡負載為目標改進切換判決方法。文獻［３６］考慮傳輸鏈路質量、剩余服務時間和衛星負載情況，提出基于負載均衡的判決方法。文獻［３７］考慮用戶端收益、衛星端收益及網絡負載等影響因素構建演化博弈模型，當ＬＥＯ 衛星網絡達到納什均衡時終端能獲得最大收益。文獻［３８］考慮用戶偏好和網絡屬性等提出基于負載均衡的動態匹配策略，保證網絡負載情況下根據不同用戶業務需求建立優化模型，根據影響用戶服務質量和網絡吞吐量的網絡參數構建用戶側和網絡側效用函數，將滿足負載均衡的網絡和用戶需求的帶寬進行排序和動態匹配，在平衡網絡負載的同時降低了切換時延、切換次數和用戶阻塞率。文獻［３９］考慮終端運動特性和接收信號強度，采用模糊過程算法對不精確的屬性進行決策量化，將網絡選擇模型與多屬性決策相結合選擇最佳接入目標，根據用戶偏好選擇切換目標并適應業務需求多樣性和網絡時變性?？紤]衛星間存在干擾情況，文獻［４０］根據載波噪聲比、干擾噪聲比、服務時長及衛星負載建立切換決策模型，緩解了干擾因素對網絡負載的影響，優化了切換次數和失敗率。

針對ＬＥＯ 衛星網絡中大量用戶并發切換，存在資源競爭等問題，提出用戶分組的改進切換判決方法。文獻［４１］在成員選擇過程中考慮切換觸發時刻和最佳波束，將具有相似切換行為的用戶分為一組，由組長代表同組成員執行切換。文獻［４２］根據用戶切換成功率、衛星吞吐率及衛星負載情況分組。文獻［４３］參考終端滿意度、帶寬價格滿意度和所需帶寬，采用模糊Ｃ 均值聚類方法進行分組，建立演化博弈模型決策出最優切換策略。文獻［４４］融合衛星帶寬、通信仰角、服務時長和平均收益等因素設計用戶端的收益函數，通過比較用戶端的實際收益與平均收益進行策略動態調整，當達到演化均衡時，確定切換目標衛星。該類方法有效減少了信令開銷和切換時延，提高了切換成功率，實現了網絡負載均衡，并發切換用戶數量越多，優化效果越明顯。

綜上所述，基于多屬性決策的切換判決方法對比分析如表２ 所示。該類方法通過綜合考慮影響切換判決的多個屬性，有效地為用戶終端篩選出最佳切換目標，較好地實現了各屬性間的平衡。同時，多屬性切換判決方法針對確切優化目標問題做出的改進是有效的。例如文獻［１０，２９ －３５］以優化用戶終端服務質量為目標用于解決頻繁切換導致服務質量下降的問題。文獻［３６－４０］以優化衛星負載為目標用于解決負載過重的問題。保證用戶終端的服務質量同時實現了網絡負載平衡，一定程度上切換次數、切換失敗率和切換時延等也得以優化。因此，針對某一優化目標的改進也可能提升其他性能，面向各類目標的優化可以協同解決。

２ 基于圖論模型的切換判決方法

基于圖論模型切換判決方法的核心思想是通過ＬＥＯ 衛星網絡與用戶終端的相對位置覆蓋關系構建切換有向圖，將終端切換轉化為在有向圖中尋找最優路徑的問題，圖２ 和圖３ 所示為典型有向圖。

針對頻繁切換導致服務質量較差及切換失敗率高等問題改進切換判決方法。根據終端位置不變和衛星運行周期可預測的特點，文獻［４５］以衛星覆蓋周期為基準構建切換有向圖，根據不同判決準則設置不同鏈路權重，采用Ｄｉｊｋｓｔｒａ 算法篩選出有向圖中最優路徑。文獻［４６］以切換次數和負載均衡的加權和為優化目標，融合通信仰角、空閑信道數和切換時間等影響因子，根據不同切換場景設置有向邊加權系數，該類方法可支持多場景下衛星切換。文獻［４７］根據數據傳輸速率和切換時延確定有向邊權重，文獻［４８］以ＬＥＯ 衛星為終端提供的服務質量為有向邊權重，采用Ｄｉｊｋｓｔｒａ 算法選擇滿足終端服務質量的最優切換路徑。文獻［４９－５０］考慮通信仰角、服務時間和空閑信道數建立多目標優化模型，采用小生境Ｐａｒｅｔｏ 遺傳算法選擇最佳切換路徑。以上切換判決方法均有效降低了切換失敗率和新呼叫阻塞率，減少了切換次數，一定程度上平衡了網絡負載，但在終端非靜止狀態下切換效果較差。隨著ＭＩＭＯ 技術的廣泛應用，文獻［５１］將ＭＩＭＯ 技術引入到ＬＥＯ 網絡切換判決中，利用Ｋｕｈｎ-Ｍｕｎｋｒｅｓ 算法實現加權二分圖中最大權重匹配問題?？紤]到網絡流量對切換造成的影響，文獻［５２］通過建立網絡流模型，根據用戶終端需求和衛星服務質量共同權衡有向邊權重值，終端與衛星之間的多重匹配由網絡流的最大流量和最小成本決定，有效提高了切換成功率，減少了切換次數，實現了最大化網絡整體通信質量的目標?？紤]到用戶終端運動特性對切換判決的影響，文獻［３８，５３］通過覆蓋時間、通信仰角和空閑信道狀態構造多屬性動態圖，采用Ｆｌｏｙｄ 算法篩選多條可選路徑中的最優路徑，有效降低了切換時延和切換次數，減少了切換失敗率。文獻［５４－５６］提出基于時間演進圖的切換判決方法，綜合考慮用戶終端的運動速度、衛星網絡狀態及衛星鏈路狀態等影響因素，將切換過程建模為在時間演進圖的每個子圖中尋找最優切換路徑問題。由于不同衛星間的連接狀態隨時間變化，從時間和空間２ 個維度實時更新時間演進圖中各衛星節點之間的弧權重，采用Ｄｉｊｋｓｔｒａ 算法求解并實時更新切換預測結果，實現了更高地準確性，降低了切換失敗率，減少了切換次數和“乒乓切換”。文獻［５７］針對飛機切換問題，參考生成的全球航空交通需求圖建立切換有向圖，綜合考慮預留信道數、海拔高度、服務時間和衛星負載等影響因素，通過ＴＯＰＳＩＳ 和層次分析法相結合確定有向邊權重，采用Ｄｉｊｋｓｔｒａ 算法求解最短路徑為切換目標，提高整體吞吐量的同時減少了切換次數和失敗率。

綜上所述，基于圖論模型的切換判決方法對比分析如表３ 所示。該類方法在切換判決領域展現了極大優勢。國內外研究學者分別從切換有向圖設計、多屬性決策以及路徑尋優算法等角度出發進行改進，一定程度上優化了用戶終端的頻繁切換和運動特性等對切換造成的影響，提高了切換成功率，保證了用戶終端服務質量。盡管提出了多種改進方案，一方面當衛星星歷信息未知或者不可用時，無法獲取用戶終端可能的有向圖；另一方面，ＬＥＯ 衛星高速運動，網絡拓撲時變，用戶終端與衛星間的時變連接關系復雜，隨著衛星網絡規模的增大，在切換有向圖中尋找最優路徑的計算復雜度非常高，將導致算法的實際可行性受到限制。因此，ＬＥＯ 衛星網絡中根據切換有向圖解決切換判決問題的研究仍然是一件開放性的、挑戰性的創新型工作。

３ 基于機器學習的切換判決方法

近年來，隨著機器學習技術的飛速發展，尤其是深度學習和強化學習的快速興起，已經延伸至各研究領域?？紤]到ＬＥＯ 衛星網絡切換判決問題一般可建模為多目標優化模型，進而轉化單目標優化問題，但算法的復雜度也隨衛星節點個數的增加和用戶終端的多樣性而增大。傳統的切換判決方法很難適應復雜多變的網絡環境，更難做出實時的動態智能決策。為此，研究人員逐漸致力于強化學習手段解決ＬＥＯ 衛星網絡中切換判決相關問題。此類方法的核心思想是通過智能體與環境進行交互，學習特定任務中最優行為策略并在實時交互中不斷更新迭代。智能體能夠應對環境的高維動態變化，獲得不同狀態－動作對的累積收益值，選擇與最大值對應的動作集合作為最優策略集。

現有研究中采用強化學習的Ｑ-ｌｅａｒｎｉｎｇ 方法解決切換判決問題最為廣泛［４４，５８－６３］，通過不斷迭代動作獎賞函數Ｑ 擬合最優策略。針對用戶終端隨機性、衛星高移動性及流量分布不均衡性導致切換失敗率高的問題，文獻［５９］根據空間關系耦合模型預測用戶終端與衛星間相對運動模式推導出服務時長，建立可用信道估計模型預測可用信道資源，構建中繼開銷模型計算切換時延。根據服務時長、可用信道、中繼開銷及切換收益等因子，采用層析分析法設置權重值，利用強化學習方法求解最優策略，在切換時延、切換次數和切換成功率等方面展現了良好性能。為解決衛星鏈路時延及用戶終端運動速度范圍大的問題，在衛星星歷信息已知的情況下，文獻［６０］通過卡爾曼濾波預測用戶終端的位置、速度等運動信息，根據用戶終端與衛星的相對位置關系預測下一時刻接收信號強度，以最大化長期收益為目標采用Ｑ-ｌｅａｒｎｉｎｇ 方法做出最優決策，有效減少了切換次數和切換失敗率。文獻［４４］通過馬爾科夫模型預測用戶終端軌跡，結合衛星星歷信息構建切換有向圖，考慮接收信號強度、衛星服務時間、信道利用率和切換時延構建Ｑ-ｌｅａｒｎｉｎｇ 決策模型，采用層次分析法設置權重值，通過ε-貪婪策略選出最優策略，實現了切換失敗率與新呼叫阻塞率之間的平衡。文獻［６１］以剩余覆蓋時間、可用信道數及下行鏈路的載波干擾噪聲比構建Ｑ-ｌｅａｒｎｉｎｇ 模型，利用置信區間上界搜索和ε貪婪策略相結合方式決策出最優策略，實現了高鐵通信時間內較小的切換次數和切換失敗率，獲得了較高的傳輸速率。在滿足單顆ＬＥＯ 衛星負載均衡的前提下，文獻［６２］根據用戶終端對ＬＥＯ 衛星網絡的實時感知和用戶終端運動狀態等信息，采用波爾茲曼探索和ε貪婪策略相結合的Ｑ-ｌｅａｒｎｉｎｇ 策略解決切換問題，降低切換次數和新呼叫阻塞率的同時提高了信道利用率。

雖然Ｑ-ｌｅａｒｎｉｎｇ 方法在切換判決中展現了極大優勢，一定程度上優化了切換判決方法性能。但用Ｑ 用來表示有限狀態空間和動作空間下的動作值函數，由于Ｑ 表在空間開銷的限制，其無法較好地適用于大規模網絡的求解。為克服此弊端，引入深度學習技術來解決切換判決問題［６４－６５］。

文獻［６６］綜合考慮信道質量、空閑信道數及剩余服務時間，將每個用戶終端視為智能體代理獨立做出決策，采用Ｃｏｎｖ２Ｄ 層深度Ｑ 網絡解決多目標優化問題，有效減少了切換次數和切換失敗率。文獻［６７］以多性能指標綜合加權的服務質量為目標，綜合接入通信節點的用戶終端數、可用時隙資源和信道增益，采用多智能體深度確定性策略進行求解，通過Ｇｕｍｂｅｌ 分布重參數方法解決離散動作空間依概率求導困難問題，實現了智能化的多用戶終端切換，更優的服務質量，提高了切換成功率。在用戶終端已知接收信號強度的情況下，文獻［６８］采用卷積神經網絡提取用戶終端在切換有向圖中最優切換的潛在規律性，使每個用戶終端均能夠根據歷史信號強度做出最優切換判決，在保證信號強度的條件下，減少了切換次數的發生。文獻［６９］引入并行輸入模塊，提出基于并行模糊神經網絡的切換判決方法。考慮網絡狀態、終端位置及接收信號質量，在建立全球業務模型基礎上為不同業務區域設置不同權重值，通過調整隸屬函數和判決準則實現可靠平滑切換。不僅具有良好的自適應性和學習能力，還降低了切換延時、呼叫阻塞率及切換次數。

綜上所述，基于機器學習的切換判決方法對比分析如表４ 所示。該類切換判決方法通過對大量數據的學習，建立相應切換決策模型，能夠自適應地學習和適應不同的網絡環境。一定程度上實現了切換判決的智能化，但在ＬＥＯ 衛星網絡中，大量數據的獲取和處理可能會受到限制，同時需要花費大量時間進行交互學習，不僅復雜度高，還對切換時延、切換失敗率等帶來了影響。

４ 切換判決方法研究展望

本文通過對ＬＥＯ 衛星網絡切換判決方法現有的研究進展進行回顧總結，雖然各類方法對于切換判決問題均提出了有效的解決方案，但在切換性能、適用場景和實現復雜度等方面具有較大差異，不同切換判決方法比較如表５所示。

結合當前實際需求以及ＬＥＯ 衛星網絡廣泛應用于民用領域、軍事領域來看，設計合理高效的切換判決方法，提高各類復雜切換場景的切換成功率，減少切換次數，進而提高整體性能依然是ＬＥＯ 衛星網絡的主要研究方向。因此，從以下幾個方面提出研究展望。

（１）如何實現適用于多業務類型的切換判決方法。不同用戶終端及業務類型對ＬＥＯ 衛星網絡的要求各有異同，需要考慮的屬性因子存在差異，各屬性因子權重值也不同。現有判決方法大多基于不同用戶需求設置不同切換觸發條件、選擇不同影響屬性因子等來解決此問題。此外，用戶終端所處的地形環境不同，不同地區對信號的遮擋程度存在極大差異，而現有研究中幾乎設置相同仰角，無法適應多業務類型的需求。因此，為滿足多業務類型的通信需求，可以從對用戶終端及業務類型詳細分類、根據不同地形環境設置不同最小仰角以及采用機器學習技術通過特征提取實現自適應動態調整等角度出發設計切換判決方法。

（２）如何實現適用于高動態終端的切換判決方法?，F有判決方法大多基于用戶終端靜止或者設置較低的速度值。但在實景場景中，一方面用戶終端可能是靜止的，也可能是低速或者高速運動的，其運動軌跡沒有規律可循。另一方面，火箭、導彈和用戶星等終端的運動速度極快，對切換判決方法提出了更嚴格的要求。現階段主要在衛星星歷信息已知的條件下，采用馬爾科夫模型、灰色預測模型以及卡爾曼濾波等手段預測用戶終端軌跡設計切換判決方法，較難適用于此類用戶終端，未來設計切換判決方法時預測衛星狀態、融合考慮各類用戶終端運動模型將成為研究重點。

（３）如何實現適用于網絡拓撲時變的切換判決方法?，F有判決方法大多基于當前時刻下做出最優選擇，較少考慮用戶終端整個通信時長范圍內的最優切換路徑。而實際場景中，ＬＥＯ 衛星高速運動，網絡拓撲結構時變，用戶終端與ＬＥＯ 衛星間的連接關系時變，均對切換判決方法提出更高的要求。未來設計切換判決方法時可以從劃分時隙的角度出發，將整個通信過程劃分為不同的時隙，從時間和空間２ 個維度動態更新網絡拓撲，提高切換的準確性，使得用戶終端在整個通信過程均能實現最佳切換。

５ 結束語

隨著ＬＥＯ 衛星網絡的飛速發展、終端服務質量要求的提高以及業務類型的多樣化需求，為保證通信質量，最大限度提高ＬＥＯ 衛星網絡整體性能，基于ＬＥＯ 衛星網絡切換判決技術的研究如火如荼。本文系統歸納了基于ＬＥＯ 衛星網絡的切換判決方法，對比了常用算法的性能，分析了該領域面臨的挑戰和巨大應用場景，并展望了相關聯領域的研究需求。期待對基于ＬＥＯ 衛星網絡切換判決技術的研究有所裨益。

參考文獻

［１］ ＳＵ Ｙ Ｔ，ＬＩＵ Ｙ Ｑ，ＺＨＯＵ Ｙ Ｑ，ｅｔ ａｌ． Ｂｒｏａｄｂａｎｄ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ：Ａｒｃｈｉｔｅｃｔｕｒｅｓ ａｎｄ Ｋｅｙ Ｔｅｃｈｎｏｌｏｇｉｅｓ［Ｊ ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１９，２６ （２ ）：５５－６１．

［２］ ＭＥＮＧ Ｓ Ｆ，ＳＨＵ Ｊ Ｓ，ＹＡＮＧ Ｑ，ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｏｆＤｅｔｅｃｔｉｏｎ Ｃａｐａｂｉｌｉｔｉｅｓ ｏｆ ＬＥＯ Ｒｅｃｏｎｎａｉｓｓａｎｃｅ ＳａｔｅｌｌｉｔｅＣｏｎｓｔｅｌｌａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｃｏｖｅｒａｇｅ Ｐｅｒｆｏｒｍａｎｃｅ［Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ，２０１８，２９ （１ ）：９８－１０４．

［３］ ＫＡＵＳＨＡＬ Ｈ，ＫＡＤＤＯＵＭ Ｇ． Ｏｐｔｉｃａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｉｎＳｐａｃｅ：Ｃｈａｌｌｅｎｇｅｓ ａｎｄ Ｍｉｔｉｇａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ ［Ｊ］． ＩＥＥＥＣｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０１７，１９（１）：５７－９６．

［４］ ＪＩＡ Ｍ，ＺＨＡＮＧ Ｘ Ｍ，ＳＵＮ Ｊ Ｔ，ｅｔ ａｌ． Ｉｎｔｅｌｌｉｇｅｎｔ ＲｅｓｏｕｒｃｅＭａｎａｇｅｍｅｎｔ ｆｏｒ Ｓａｔｅｌｌｉｔｅ ａｎｄ Ｔｅｒｒｅｓｔｒｉａｌ Ｓｐｅｃｔｒｕｍ ＳｈａｒｅｄＮｅｔｗｏｒｋｉｎｇ Ｔｏｗａｒｄ Ｂ５Ｇ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，２７（１）：５４－６１．

［５］ 田開波，楊振，張楠． 空天地一體化網絡技術展望［Ｊ］．中興通訊技術，２０２１，２７（５）：２－６．

［６］ ＷＡＮＧ Ｐ，ＺＨＡＮＧ Ｊ Ｘ，ＺＨＡＮＧ Ｘ，ｅｔ ａｌ． Ｃｏｎｖｅｒｇｅｎｃｅ ｏｆＳａｔｅｌｌｉｔｅ ａｎｄ Ｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋｓ：Ａ ＣｏｍｐｒｅｈｅｎｓｉｖｅＳｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，８：５５５０－５５８８．

［７］ ＣＨＥＮ Ｓ Ｚ，ＳＵＮ Ｓ Ｈ，ＫＡＮＧ Ｓ Ｌ． Ｓｙｓｔｅｍ Ｉｎｔｅｇｒａｔｉｏｎ ｏｆＴｅｒｒｅｓｔｒｉａｌ Ｍｏｂｉｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ—Ｔｈｅ Ｔｒｅｎｄｓ，Ｃｈａｌｌｅｎｇｅｓ ａｎｄ Ｋｅｙ Ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎＢ５Ｇ ａｎｄ ６Ｇ［Ｊ］． Ｃｈｉｎａ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，１７（１２）：１５６－１７１．

［８］ ＧＵＩＤＯＴＴＩ Ａ，ＶＡＮＥＬＬＩＣＯＲＡＬＬＩ Ａ，ＦＯＧＧＩ Ｔ，ｅｔ ａｌ．ＬＴＥｂａｓｅｄ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ ＬＥＯ Ｍｅｇａｃｏｎｓｔｅｌｌａｔｉｏｎｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ，２０１９，３７（４）：３１６－３３０．

［９］ 姜玉潔． 衛星移動通信系統中切換算法研究［Ｄ］． 重慶：重慶郵電大學，２０１７．

［１０］ ＳＯＮＧ Ｈ Ｙ，ＬＩＵ Ｓ Ｊ，ＨＵ Ｘ，ｅｔ ａｌ． Ｌｏａｄ Ｂａｌａｎｃｉｎｇ ａｎｄ ＱｏＳＳｕｐｐｏｒｔｉｎｇ Ａｃｃｅｓｓ ａｎｄ Ｈａｎｄｏｖｅｒ Ｄｅｃｉｓｉｏｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒＧＥＯ ／ ＬＥＯ Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥ ２０１８ＩＥＥＥ ４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）． Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０１８：６４０－６４５．

［１１］ ＢＯＴＴＣＨＥＲ Ａ，ＷＥＲＮＥＲ Ｒ． Ｓｔｒａｔｅｇｉｅｓ ｆｏｒ ＨａｎｄｏｖｅｒＣｏｎｔｒｏｌ ｉｎ Ｌｏｗ Ｅａｒｔｈ Ｏｒｂｉｔ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍｓ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｆｅｒｅｎｃｅ（ＶＴＣ）． Ｓｔｏｃｋｈｏｍ：ＩＥＥＥ，１９９４：１６１６－１６２０．

［１２］ ＤＵＡＮ Ｃ Ｆ，ＦＥＮＧ Ｊ，ＣＨＡＮＧ Ｈ Ｔ，ｅｔ ａｌ． Ａ ＮｏｖｅｌＨａｎｄｏｖｅｒ Ｃｏｎｔｒｏｌ Ｓｔｒａｔｅｇｙ Ｃｏｍｂｉｎｅｄ ｗｉｔｈ ＭｕｌｔｉｈｏｐＲｏｕｔｉｎｇ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１８ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐａｒａｌｌｅｌ ａｎｄ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃｅｓｓｉｎｇ ＳｙｍｐｏｓｉｕｍＷｏｒｋｓｈｏｐｓ （ＩＰＤＰＳＷ）． Ｖａｎｃｏｕｖｅｒ：ＩＥＥＥ，２０１８：８４５－８５１．

［１３］ ＢＵＫＨＡＲＩ Ｓ Ｕ，ＹＵ Ｌ Ｗ，ＤＩ Ｘ Ｑ，ｅｔ ａｌ． Ｆｕｚｚｙ ＣｍｅａｎＣｌｕｓｔｅｒｉｎｇ Ｂａｓｅｄ：ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ［Ｃ］∥Ｄａｔａ Ｓｃｉｅｎｃｅ：４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ Ｐｉｏｎｅｅｒｉｎｇ ＣｏｍｐｕｔｅｒＳｃｉｅｎｔｉｓｔｓ，Ｅｎｇｉｎｅｅｒｓ ａｎｄ Ｅｄｕｃａｔｏｒｓ． Ｚｈｅｎｇｚｈｏｕ：Ｓｐｒｉｎｇｅｒ，２０１８：３４７－３５８．

［１４］ ＷＵ Ｚ Ｆ，ＨＵ Ｇ Ｙ，ＪＩＮ Ｆ Ｌ，ｅｔ ａｌ． Ａ Ｓｉｍｐｌｅ ＲｅａｌｔｉｍｅＨａｎｄｏｖｅｒ Ｍａｎａｇｅｍｅｎｔ ｉｎ ｔｈｅ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥ ２０１５ １７ｔｈ ＡｓｉａＰａｃｉｆｉｃ ＮｅｔｗｏｒｋＯｐｅｒａｔｉｏｎｓ ａｎｄ Ｍａｎａｇｅｍｅｎｔ Ｓｙｍｐｏｓｉｕｍ （ＡＰＮＯＭＳ ）．Ｂｕｓａｎ：ＩＥＥＥ，２０１５：１７５－１７９．

［１５］ ＭＵＳＵＭＰＵＫＡ Ｒ，ＷＡＬＩＮＧＯ Ｔ Ｍ，ＳＭＩＴＨ Ｊ Ｍ． Ｐｅｒｆｏｒｍａｎｃｅ Ａｎａｌｙｓｉｓ ｏｆ Ｃｏｒｒｅｌａｔｅｄ Ｈａｎｄｏｖｅｒ Ｓｅｒｖｉｃｅ ｉｎ ＬＥＯ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１６，２０（１１）：２２１３－２２１６．

［１６］ ＨＵ Ｘ，ＳＯＮＧ Ｈ Ｙ，ＬＩＵ Ｓ Ｊ，ｅｔ ａｌ． Ｖｅｌｏｃｉｔｙａｗａｒｅ ＨａｎｄｏｖｅｒＰｒｅｄｉｃｔｉｏｎ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ，２０１８，３６（６）：４５１－４５９．

［１７］ ＰＡＰＡＰＥＴＲＯＵ Ｅ，ＰＡＶＬＩＤＯＵ Ｆ Ｎ． ＱｏＳ Ｈａｎｄｏｖｅｒ Ｍａｎａｇｅｍｅｎｔ ｉｎ ＬＥＯ ／ ＭＥＯ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍｓ ［Ｊ］． ＷｉｒｅｌｅｓｓＰｅｒｓｏｎａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２００３，２４：１８９－２０４．

［１８］ 趙航． 天地一體化信息網絡切換策略研究［Ｄ］． 北京：北京郵電大學，２０２１．

［１９］ 寧磊． 星地一體化網絡中多屬性決策切換算法研究［Ｄ］． 哈爾濱：哈爾濱工業大學，２０１４．

［２０］ ＬＩ Ｆ，ＷＡＮ Ｑ Ｈ，ＨＥ Ｑ Ｅ，ｅｔ ａｌ． Ａｎ Ｉｍｐｒｏｖｅｄ Ｍａｎｙｏｂｊｅｃｔｉｖｅ Ｅｖｏｌｕｔｉｏｎａｒｙ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｍｕｌｔｉｓａｔｅｌｌｉｔｅ ＪｏｉｎｔＬａｒｇｅ Ｒｅｇｉｏｎａｌ Ｃｏｖｅｒａｇｅ ［Ｊ ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２３，１１：４５８３８－４５８４９．

［２１］ 胡宸華，黃圣春，王玲，等． 基于ＯＰＮＥＴ 的低軌衛星星座通信系統仿真研究［Ｊ］． 通信技術，２０１８，５１ （１０）：２３８２－２３８８．

［２２］ ＬＥＥ Ｗ Ｊ，ＬＥＥ Ｊ，ＫＩＭ Ｊ Ｈ． Ｐｅｒｆｏｒｍａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ｏｆＭｕｌｔｉａｔｔｒｉｂｕｔｅ Ｃｏｎｄｉｔｉｏｎａｌ Ｈａｎｄｏｖｅｒ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２３ ＶＴＳ Ａｓｉａ Ｐａｃｉｆｉｃ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｍｐｏｓｉｕｍ （ＡＰＷＣＳ）． Ｔａｉｎａｎ：ＩＥＥＥ，２０２３：１－２．

［２３］ 陳曦． ＬＥＯ 衛星移動通信系統移動性管理與切換研究［Ｄ］． 南京：東南大學，２０２０．

［２４］ ＡＢＤＵ Ｔ Ｓ，ＬＡＧＵＮＡＳ Ｅ，ＨＡ Ｖ Ｎ，ｅｔ ａｌ． ＤｅｍａｎｄａｗａｒｅＦｌｅｘｉｂｌｅ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ ＬＥＯ Ｃｏｎｓｔｅｌｌａｔｉｏｎ ［Ｃ］∥２０２３ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｍｕｎｉｃａｔｉｏｎｓＷｏｒｋｓｈｏｐｓ （ＩＣＣ Ｗｏｒｋｓｈｏｐｓ ）． Ｒｏｍｅ：ＩＥＥＥ，２０２３：９７８－９８３．

［２５］ ＺＨＡＮＧ Ｌ Ｙ，ＷＵ Ｓ Ｈ，ＬＹＵ Ｘ Ｙ，ｅｔ ａｌ． Ａ Ｔｗｏｓｔｅｐ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ ＧＥＯ ／ ＬＥＯ Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ ｂａｓｅｄ ｏｎ Ｍｕｌｔｉａｔｔｒｉｂｕｔｅ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ ［Ｊ ］．Ｅｌｅｃｔｒｏｎｉｃｓ，２０２２，１１（５）：７９５．

［２６］ ＭＩＡＯ Ｊ Ｓ，ＷＡＮＧ Ｐ Ｊ，ＹＩＮ Ｈ Ｑ，ｅｔ ａｌ． Ａ ＭｕｌｔｉａｔｔｒｉｂｕｔｅＤｅｃｉｓｉｏｎ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｍｅ ｆｏｒ ＬＥＯ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１９ ＩＥＥＥ ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）． Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０１９：９３８－９４２．

［２７］ 劉治國，查雪麗，潘成勝． 基于二階Ｍａｒｋｏｖ 預測的星地鏈路切換策略［Ｊ］． 計算機仿真，２０２３，４０（１１）：２７－３３．

［２８］ 卜銀娜． 空天網絡高動態切換控制算法研究［Ｄ］． 武漢：華中科技大學，２０１２．

［２９］ ＨＵＡＮＧ Ｆ，ＸＵ Ｈ，ＺＨＯＵ Ｈ，ｅｔ ａｌ． ＱｏＳ Ｂａｓｅｄ ＡｖｅｒａｇｅＷｅｉｇｈｔｅｄ Ｓｃｈｅｍｅ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ ＆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，２００８，３０（１０）：２４１１－２４１４．

［３０］ 王祥鶴． 低軌衛星通信系統用戶切換方案研究與實現［Ｄ］． 北京：北京郵電大學，２０１９．

［３１］ ＫＵＳＴＩＡＷＡＮ Ｉ，ＬＩＵ Ｃ Ｙ，ＨＳＵ Ｄ Ｆ． Ｖｅｒｔｉｃａｌ Ｈａｎｄｏｆｆ Ｄｅｃｉｓｉｏｎ Ｕｓｉｎｇ Ｆｕｚｚｉｆｉｃａｔｉｏｎ ａｎｄ Ｃｏｍｂｉｎａｔｏｒｉａｌ Ｆｕｓｉｏｎ［Ｊ］．ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１７，２１（９）：２０８９－２０９２．

［３２］ ＸＩＥ Ｊ Ｌ，ＧＡＯ Ｗ Ｊ，ＬＩ Ｃ Ｒ． Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｎｅｔｗｏｒｋ Ｓｅｌｅｃｔｉｏｎ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ ａ ＭａｒｋｏｖＤｅｃｉｓｉｏｎ Ｍｏｄｅｌ ［Ｊ ］． Ｃｈｉｎａ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，１７（２）：４０－５３．

［３３］ 雷依翰． 天地一體化網絡安全切換關鍵技術研究［Ｄ］．鄭州：戰略支援部隊信息工程大學，２０２３．

［３４］ 徐菁． 星地融合網絡中的切換管理研究［Ｄ］． 重慶：重慶郵電大學，２０２３．

［３５］ ＬＥＩ Ｙ Ｈ，ＣＡＯ Ｌ Ｆ，ＨＡＮ Ｍ Ｄ． Ａ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄｏｎ Ｕｓｅｒ Ｄｙｎａｍｉｃ Ｐｒｅｆｅｒｅｎｃｅ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ［Ｃ］∥２０２１７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）． Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０２１：１９２５－１９２９．

［３６］ ＳＨＩ Ｌ Ｌ，ＹＡＮＧ Ｆ，ＷＵ Ｗ Ｊ，ｅｔ ａｌ． Ｌｏａｄ Ｂａｌａｎｃｉｎｇ ａｎｄＲｅｍａｉｎｉｎｇ Ｖｉｓｉｂｌｅ Ｔｉｍｅ Ｂａｓｅｄ Ｈａｎｄｏｖｅｒ Ａｌｇｏｒｉｔｈｍ ｆｏｒＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋ［Ｃ］∥２０２２ ＩＥＥＥ ８ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）．Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０２２：３９１－３９５．

［３７］ ＷＵ Ｙ，ＨＵ Ｇ Ｙ，ＪＩＮ Ｆ Ｊ，ｅｔ ａｌ． Ａ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ ｔｈｅ Ｐｏｔｅｎｔｉａｌ Ｇａｍｅ ｉｎ ＬＥＯ ＳａｔｅｌｌｉｔｅＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：１３３６４１－１３３６５２．

［３８］ 劉陽． 星地融合網絡中的動態切換策略研究［Ｄ］． 重慶：重慶郵電大學，２０２１．

［３９］ ＺＨＵ Ａ Ｑ，ＧＵＯ Ｓ Ｔ，ＬＩＵ Ｂ，ｅｔ ａｌ． Ａｄａｐｔｉｖｅ ＭｕｌｔｉｓｅｒｖｉｃｅＨｅｔｅｒｏｇｅｎｅｏｕｓ Ｎｅｔｗｏｒｋ Ｓｅｌｅｃｔｉｏｎ Ｓｃｈｅｍｅ ｉｎ Ｍｏｂｉｌｅ ＥｄｇｅＣｏｍｐｕｔｉｎｇ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０１９，６（４）：６８６２－６８７５．

［４０］ ＺＨＡＮＧ Ｓ Ｆ，ＧＵＯ Ｌ Ｔ，ＭＵ Ｗ Ｑ，ｅｔ ａｌ． Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅ Ｓａｔｅｌｌｉｔｅ Ｓｅｌｅｃｔｉｏｎ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｅｎｔｒｏｐｙ［Ｃ］∥２０２１ １３ｔｈＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄＳｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＷＣＳＰ）． Ｃｈａｎｇｓｈａ：ＩＥＥＥ，２０２１：１－５．

［４１］ 宋艾遙． 低軌衛星系統多用戶切換與資源管理策略研究［Ｄ］． 重慶：重慶郵電大學，２０２２．

［４２］ 朱洪濤，郭慶． 基于用戶群組的低軌衛星網絡多星切換策略［Ｊ］． 電信科學，２０２２，３８（４）：３９－４８．

［４３］ 底曉強，于力偉，劉旭，等． 一種基于演化博弈的低軌衛星切換算法研究［Ｊ］． 南京大學學報：自然科學版，２０１８，５４（４）：８５５－８６２．

［４４］ 劉夢夢． 低軌移動衛星網絡中切換策略研究［Ｄ］． 重慶：重慶郵電大學，２０２１．

［４５］ ＷＵ Ｚ Ｆ，ＪＩＮ Ｆ Ｌ，ＬＵＯ Ｊ Ｘ，ｅｔ ａｌ． Ａ Ｇｒａｐｈｂａｓｅｄ ＳａｔｅｌｌｉｔｅＨａｎｄｏｖｅｒ Ｆｒａｍｅｗｏｒｋ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ ＣｏｍｍｕｎｉｃａｔｉｏｎＮｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１６，２０（８）：１５４７－１５５０．

［４６］ ＴＡＮＧ Ｃ Ｗ，ＮＩＮＧ Ｑ，ＨＵＡＮＧ Ｌ Ｙ，ｅｔ ａｌ． ＭｕｌｔｉｏｂｊｅｃｔｉｖｅＨａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ Ｓｐａｃｅ Ｅａｒｔｈ Ｉｎｔｅｇｒａｔｅｄ Ｎｅｔｗｏｒｋ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ＆Ａｓｔｒｏｎａｕｔｉｃｓ，２０２３，４０（４）：４４７－４５９．

［４７］ ＨＯＺＡＹＥＮ Ｍ，ＤＡＲＷＩＳＨ Ｔ，ＫＵＲＴ Ｇ Ｋ，ｅｔ ａｌ． Ａ Ｇｒａｐｈｂａｓｅｄ Ｃｕｓｔｏｍｉｚａｂｌｅ Ｈａｎｄｏｖｅｒ Ｆｒａｍｅｗｏｒｋ ｆｏｒ ＬＥＯＳａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２２ ＩＥＥＥ Ｇｌｏｂｅｃｏｍ Ｗｏｒｋｓｈｏｐｓ（ＧＣ Ｗｋｓｈｐｓ）． Ｒｉｏ ｄｅ Ｊａｎｅｉｒｏ：ＩＥＥＥ，２０２２：８６８－８７３．

［４８］ ＺＨＡＮＧ Ｓ Ｂ，ＬＩＵ Ａ Ｊ，ＬＩＡＮＧ Ｘ Ｈ． Ａ ＭｕｌｔｉｏｂｊｅｃｔｉｖｅＳａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｅｎｔｒｏｐｙ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ［Ｃ］∥２０２０ ＩＥＥＥ ６ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）．Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０２０：７２３－７２８．

［４９］ 邱飛． 基于動態預測的星間切換策略研究［Ｄ］． 重慶：重慶郵電大學，２０２２．

［５０］ 梁吉申，張冬雪，邱飛． 低軌衛星互聯網多屬性切換控制方法［Ｊ］． 陸軍工程大學學報，２０２２，１（４）：１４－２０．

［５１］ ＦＥＮＧ Ｌ，ＬＩＵ Ｙ Ｆ，ＷＵ Ｌ，ｅｔ ａｌ． Ａ Ｓａｔｅｌｌｉｔｅ ＨａｎｄｏｖｅｒＳｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ ＭＩＭＯ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ ＬＥＯ ＳａｔｅｌｌｉｔｅＮｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２０，２４（７）：１５０５－１５０９．

［５２］ ＺＨＡＮＧ Ｓ Ｂ，ＬＩＵ Ａ Ｊ，ＨＡＮ Ｃ，ｅｔ ａｌ． Ａ Ｎｅｔｗｏｒｋｆｌｏｗｓｂａｓｅｄ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２１，１０（１２）：２６６９－２６７３．

［５３］ ＤＡＩ Ｃ Ｑ，ＬＩＵ Ｙ，ＦＵ Ｓ，ｅｔ ａｌ． Ｄｙｎａｍｉｃ Ｈａｎｄｏｖｅｒ ｉｎ ＳａｔｅｌｌｉｔｅＴｅｒｒｅｓｔｒｉａｌ Ｉｎｔｅｇｒａｔｅｄ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１９ ＩＥＥＥ Ｇｌｏｂｅｃｏｍ Ｗｏｒｋｓｈｏｐｓ （ＧＣ Ｗｋｓｈｐｓ）． Ｗａｉｋｏｌｏａ：ＩＥＥＥ，２０１９：１－６．

［５４］ ＷＡＮＧ Ｙ Ｐ，ＺＨＡＮＧ Ｇ，ＪＩＡＮＧ Ｚ Ｑ，ｅｔ ａｌ． Ａ ＮｏｖｅｌＲｏｕｔｉｎｇ Ａｌｇｏｒｉｔｈｍ Ｄｅｓｉｇｎ ｏｆ Ｔｉｍｅ Ｅｖｏｌｖｉｎｇ Ｇｒａｐｈ Ｂａｓｅｄｏｎ Ｐａｉｒｉｎｇ Ｈｅａｐ ｆｏｒ ＭＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋ ［Ｃ］∥２０１４ＩＥＥＥ ８０ｔｈ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｆｅｒｅｎｃｅ （ＶＴＣ２０１４Ｆａｌｌ）． Ｖａｎｃｏｕｖｅｒ：ＩＥＥＥ，２０１４：１－５．

［５５］ ＬＩＵ Ｒ Ｚ，ＳＨＥＮＧ Ｍ，ＬＩＵ Ｋ Ｓ，ｅｔ ａｌ． Ａｎ Ａｎａｌｙｔｉｃａｌ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｒｅｓｏｕｒｃｅｌｉｍｉｔｅｄ Ｓｍａｌｌ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ ［Ｊ］．ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１５，２０（２）：３８８－３９１．

［５６］ 胡欣，宋航宇，劉帥軍，等． 基于時間演進圖的ＬＥＯ 星間切換實時預測及更新方法［Ｊ］． 通信學報，２０１８，３９（１０）：４３－５１．

［５７］ ＬＹＵ Ｘ Ｙ，ＷＵ Ｓ Ｈ，ＬＩ Ａ Ｍ，ｅｔ ａｌ． Ａ Ｗｅｉｇｈｔｅｄ Ｇｒａｐｈｂａｓｅｄ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ Ａｅｒｏｎａｕｔｉｃａｌ Ｔｒａｆｆｉｃ ｉｎ ＬＥＯＳａｔｃｏｍ Ｎｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｎｅｔｗｏｒｋｉｎｇ Ｌｅｔｔｅｒｓ，２０２２，４（３）：１３２－１３６．

［５８］ ＣＨＥＮ Ｍ Ｔ，ＺＨＡＮＧ Ｙ，ＴＥＮＧ Ｙ Ｌ，ｅｔ ａｌ． ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ Ｂａｓｅｄ Ｓｉｇｎａｌ Ｑｕａｌｉｔｙ Ａｗａｒｅ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｍｅｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｃ］∥ＨｕｍａｎＣｅｎｔｅｒｅｄ Ｃｏｍｐｕｔｉｎｇ：５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ． Ｃˇ ａｃˇ ａｋ：Ｓｐｒｉｎｇｅｒ，２０１９：４４－５５．

［５９］ ＸＵ Ｈ Ｈ，ＬＩ Ｄ Ｓ，ＬＩＵ Ｍ Ｌ，ｅｔ ａｌ． ＱｏＥｄｒｉｖｅｎ ＩｎｔｅｌｌｉｇｅｎｔＨａｎｄｏｖｅｒ ｆｏｒ Ｕｓｅｒｃｅｎｔｒｉｃ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０２０，６９（９）：１０１２７－１０１３９．

［６０］ 熊丹妮，李屹． 星地融合網絡中基于Ｑ 學習的切換算法研究［Ｊ］． 通信學報，２０１５，３６（９）：２５２－２５８．

［６１］ 鄭博文． 高鐵低軌衛星網絡覆蓋下的切換技術研究［Ｄ］． 成都：西南交通大學，２０２４．

［６２］ ＨＥ Ｓ Ｘ，ＷＡＮＧ Ｔ Ｙ，ＷＡＮＧ Ｓ Ｗ． Ｌｏａｄａｗａｒｅ ＳａｔｅｌｌｉｔｅＨａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉａｇｅｎｔ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ ［Ｃ］∥ ＧＬＯＢＥＣＯＭ ２０２０２０２０ ＩＥＥＥ ＧｌｏｂａｌＣｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｔａｉｐｅｉ：ＩＥＥＥ，２０２０：１－６．

［６３］ ＷＡＮＧ Ｙ Ｌ，ＱＩＮ Ｘ Ｈ，ＴＡＮＧ Ｚ Ｘ，ｅｔ ａｌ． ＱｏＳｃｅｎｔｒｉｃＨａｎｄｏｖｅｒ ｆｏｒ Ｃｉｖｉｌ Ａｖｉａｔｉｏｎ Ａｉｒｃｒａｆｔ Ａｃｃｅｓｓ ｉｎ ＵｌｔｒａＤｅｎｓｅ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２２ ＩＥＥＥ ／ ＣＩＣ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｃｈｉｎａ （ＩＣＣＣ）． Ｓａｎｓｈｕｉ：ＩＥＥＥ，２０２２：１０８５－１０８９．

［６４］ ＬＩＵ Ｘ Ｎ，ＺＨＡＮＧ Ｈ Ｊ，ＬＯＮＧ Ｋ Ｐ，ｅｔ ａｌ． Ｄｅｅｐ Ｄｙｎａｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ Ｂａｓｅｄ ｏｎ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｃｏｎｔｒｏｌ ｉｎＬＥＯ Ｓａｔｅｌｌｉｔｅ ＩｏＴ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ ＴｈｉｎｇｓＪｏｕｒｎａｌ，２０２１，９（１６）：１４８１８－１４８２８．

［６５］ ＡｌＨＯＵＲＡＮＩ Ａ． Ｓｅｓｓｉｏｎ Ｄｕｒａｔｉｏｎ Ｂｅｔｗｅｅｎ Ｈａｎｄｏｖｅｒｓ ｉｎＤｅｎｓｅ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２１，１０（１２）：２８１０－２８１４．

［６６］ ＷＡＮＧ Ｊ，ＭＵ Ｗ Ｑ，ＬＩＵ Ｙ Ｎ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇｂａｓｅｄ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｍｅ ｆｏｒ ＳａｔｅｌｌｉｔｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ ［Ｃ ］ ∥ ２０２１ １３ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＷＣＳＰ）． Ｃｈａｎｇｓｈａ：ＩＥＥＥ，２０２１：１－６．

［６７］ 周家豪． 面向天地一體化網絡的智能接入控制與資源分配機制研究［Ｄ］． 成都：電子科技大學，２０２３．

［６８］ ＺＨＡＮＧ Ｃ Ｃ，ＺＨＡＮＧ Ｎ，ＣＡＯ Ｗ，ｅｔ ａｌ． Ａｎ ＡＩｂａｓｅｄ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｉｎ Ｎｏｎｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋｓ［Ｃ ］∥ ２０２０ ＩＴＵ Ｋａｌｅｉｄｏｓｃｏｐｅ：Ｉｎｄｕｓｔｒｙｄｒｉｖｅｎ ＤｉｇｉｔａｌＴｒａｎｓｆｏｒｍａｔｉｏｎ （ＩＴＵ Ｋ）． Ｈａ Ｎｏｉ：ＩＥＥＥ，２０２０：１－６．

［６９］ ＬＩ Ｎ，ＧＯＮＧ Ｂ，ＤＥＮＧ Ｚ Ｌ． Ａ Ｈａｎｄｏｆｆ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎＰａｒａｌｌｅｌ Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｉｎ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１７，１２（７）：３９５－４０４．

作者簡介

張英健 男，（１９９９—），碩士研究生。主要研究方向：ＬＥＯ 衛星網絡通信切換、接入控制。

（*通信作者）倪淑燕 女，（１９８１—），博士，教授。主要研究方向：空間智能信息處理、衛星通信信號處理等。

馬宏斌 男，（１９９５—），博士，講師。主要研究方向：人工智能、電磁頻譜感知等。

王育欣 女，（２００１—），碩士研究生。主要研究方向：輻射源個體識別、深度學習。