移动通信网络中自适应的寻呼策略研究

１３２２００７，４３（１０）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用

移动通信网络中自适应的寻呼策略研究

谭福成１，朱艺华２，朱

帆３

ＴＡＮＦｕ－ｃｈｅｎｇ１，ＺＨＵＹｉ－ｈｕａ２，ＺＨＵＦａｎ３

１．浙江工业大学信息管理与决策优化研究所，杭州３１００３２２．浙江工业大学信息工程学院，杭州３１００３２

３．浙江工业大学国际学院，杭州３１００３２

１．ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎＩｎｔｅｌｌｉｇｅｎｃｅ＆ＤｅｃｉｓｉｏｎＯｐｔｉｍｉｚａｔｉｏｎ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｎｇｚｈｏｕ３１００３２，Ｃｈｉｎａ２．ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｎｇｚｈｏｕ３１００３２，Ｃｈｉｎａ３．ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｌｌｅｇｅ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｎｇｚｈｏｕ３１００３２，Ｃｈｉｎａ

ＴＡＮＦｕ－ｃｈｅｎｇ，ＺＨＵＹｉ－ｈｕａ，ＺＨＵＦａｎ．Ｒｅｓｅａｒｃｈｏｎａｄａｐｔｉｖｅｐａｇｉｎｇｓｃｈｅｍｅｓｉｎｍｏｂｉｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｎｅｔｗｏｒｋｓ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００７，４３（１０）：１３２－１３４．

Ａｂｓｔｒａｃｔ：ＬｏｃａｔｉｏｎｍａｎａｇｅｍｅｎｔｉｓｕｓｅｄｉｎｍｏｂｉｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｎｅｔｗｏｒｋｓｔｏｔｒａｃｋＭｏｂｉｌｅＴｅｒｍｉｎａｌｓ（ＭＴｓ）．Ｉｔｈａｓｔｗｏｂａｓｉｃｏｐｅｒａｔｉｏｎｓ：ｌｏｃａｔｉｏｎｕｐｄａｔｅａｎｄｐａｇｉｎｇ．Ｕｎｄｅｒｅｘｉｓｔｉｎｇｌｏｃａｔｉｏｎｍａｎａｇｅｍｅｎｔｓｃｈｅｍｅｓ，ａｎｅｎｔｉｒｅｌｏｃａｔｉｏｎａｒｅａｃｏｎｓｉｓｔｉｎｇｏｆａｌｏｔｏｆｃｅｌｌｓｉｓｐａｇｅｄｃｏｎｃｕｒｒｅｎｔｌｙｔｏｌｏｃａｔｅａｎＭＴ，ｗｈｉｃｈｃｏｎｓｕｍｅｓｄｒａｍａｔｉｃａｌｌｙｎｅｔｗｏｒｋｓ’ｒｅｓｏｕｒｃｅｓ，ｓｉｎｃｅｔｈｅＭＴｏｎｌｙｒｅｓｉｄｅｓｏｎｅｏｆｔｈｅｐａｇｅｄｃｅｌｌｓ．Ｂａｓｅｄｏｎｒｅｉｎｆｏｒｃｅｍｅｎｔｌｅａｒｎｉｎｇ，ｍｕｌｔｉ－ｓｔａｇｅｉｎｔｅｌｌｉｇｅｎｔｐａｇｉｎｇｓｃｈｅｍｅｓａｒｅｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｌｅａｒｎｓＭＴｓ’ｌｏｃａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｉｎｐｒｅｖｉｏｕｓｐａｇｉｎｇｐｒｏｃｅｓｓｅｓａｎｄｔｈｅｃｅｌｌｓｉｎｃｌｕｄｅｄｉｎｅａｃｈｐａｇｉｎｇｓｔａｇｅａｒｅｄｙｎａｍｉｃａｌｌｙａｄｊｕｓｔｅｄ，ｓｏｔｈａｔｐａｇｉｎｇｃｏｓｔｉｓｒｅｄｕｃｅｄ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｉｌｌｕｓｔｒａｔｅｔｈａｔｔｈｅｐａｇｉｎｇｃｏｓｔｃａｎｂｅｒｅｄｕｃｅｄｃｏｎｓｉｄｅｒａｂｌｙｂｙｐｒｏｐｏｓｅｄｍｕｌｔｉ－ｓｔａｇｅｐａｇｉｎｇｓｃｈｅｍｅｓ．

Ｋｅｙｗｏｒｄｓ：ｍｏｂｉｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｎｅｔｗｏｒｋ；ｍｏｂｉｌｉｔｙｍａｎａｇｅｍｅｎｔ；ｌｏｃａｔｉｏｎｍａｎａｇｅｍｅｎｔ；ｐａｇｉｎｇ

摘

要：移动通信网络中，位置管理用于跟踪移动台，有位置更新和寻呼两个基本操作。现行位置管理策略在查找移动台时对整个

该文位置区进行同步寻呼，由于位置区由众多小区组成，而移动台只在其中一个小区，所以现行策略造成了网络资源的大量浪费。基于增强学习理论与方法，提出了自适应的多阶段智能寻呼策略，通过学习寻呼过程所获得的移动台位置信息，动态调整各阶段所寻呼组的小区，以降低寻呼费用。仿真实验结果表明，所提出的寻呼策略能较大地降低寻呼代价。关键词：移动通信网络；移动性管理；位置管理；寻呼文章编号：１００２－８３３１（２００７）１０－０１３２－０３

文献标识码：Ａ

中图分类号：ＴＰ３９３

１引言

随着无线移动通信系统的发展，移动用户的数量迅速增

增加时，就会产生信道拥挤甚至阻塞等问题。

为此，学者们在降低寻呼费用和减少呼叫信令方面做了大量研究，如环状搜索位置管理策略［１］，按概率分批寻呼的位置管理策略［２］，呼叫延迟限制下的最优顺序寻呼［３］，利用预测移动台的位置顺序查找策略［４］，多个移动台并行搜寻策略［４］，基于小区分布密度信息的智能寻呼策略［６］，基于移动台在各小区的概率的最优寻呼策略［７］，确保以不小于一个事先给定的概率在第一寻呼阶段找到移动台的二阶段寻呼策略等［８］。

在未来的无线移动通信系统中，需要一种高效的、智能的且易于在网络中实施的寻呼策略以满足不断增长的无线服务需求。本文基于增强学习［９］理论与方法，提出了多阶段智能寻呼策略，通过学习寻呼过程所获得的移动台位置信息，动态调整各阶段所寻呼的小区，以降低寻呼费用。该策略能够自适应移动台的移动及呼入模型，使寻呼代价及时延保持在较低的水平。

长，用户对无线服务也提出了更高的要求。在移动通信网络中，为了随时随地为移动用户（下称移动台）提供服务，位置管理被用于跟踪移动台，它包括两个基本操作：位置更新和寻呼。位置更新是移动台将其位置信息告诉系统，而寻呼是系统查找移动台的过程。目前，各国正在使用的移动通信网络（如ＧＳＭ），将通信覆盖区域分为许多位置区（ＬＡ，ＬｏｃａｔｉｏｎＡｒｅａ），每个位置区由一些小区（ｃｅｌｌ）—即基站的无线电覆盖范围组成，以实现位置管理。这些网络所采用的寻呼策略（下称“基本寻呼策略”）为：当有呼叫到达时，系统对移动台所处的位置区中的所有小区进行同步寻呼。由于移动台只在组成位置区的众多小区中的一个小区，因此，基本寻呼策略造成了无线信道等资源的浪费，同时，由于系统本身对信令的承受能力有限，所以当呼叫信令

基金项目：国家自然科学基金（ｔｈｅＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａｕｎｄｅｒＧｒａｎｔＮｏ．６０４７３０９７，Ｎｏ．６０６７３１７７）；浙江省自然科学基金

（ｔｈｅＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＺｈｅｊｉａｎｇＰｒｏｖｉｎｃｅｏｆＣｈｉｎａｕｎｄｅｒＧｒａｎｔＮｏ．Ｚ１０５１８５）；教育部及浙江省留学回国基金资助课题。

：（），；（，，，，向为移动计算、移动自组织网络、智能决策与优化。

谭福成，朱艺华，朱帆：移动通信网络中自适应的寻呼策略研究ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用２００７，４３（

１０

）１３３

２自适应寻呼策略

首先引入几个符号。假设移动台所处的位置区中有Ｎ个

１／５相等概率向邻近的小区漫游。

取"＝０．０１，$＝０．９，ｎ＝４，ｒ＝１０，分别取ＣＭＲ＝０．０１，０．１，１，１０，

计算２００次运行的平均值，可以得到图１－图５。

图１与图２分别反映了“自适应寻呼”与“基本寻呼策略”自适应寻呼”的的代价与时延比值。由图１与图２可以看出：“

代价与时延均比“基本寻呼策略”小，且随着ＣＭＲ的变化而变化。

小区，分别用ｃ１，ｃ２，…，ｃＮ表示，记!＝｛ｃ１，ｃ２，…，ｃＮ｝。以ｐｔ（ｃｉ）表示第ｔ次呼入到达时选择小区ｃｉ进行寻呼的概率（简称小区选择概率），Ｑｔ（ｃｉ）表示第ｔ次呼入到达时寻呼小区ｃｉ之后ｃｉ所获得的报酬（ｉ＝１，２，…，Ｎ），ｃＬＦ表示最近一次寻呼时找到移动台的小区。本文将要提出的自适应寻呼策略将位置区中的所有小区分ｎ组，按组依次寻呼，每次寻呼一组，每组中所有小区同步寻呼。如果寻呼了某组之后找到移动台，则寻呼停止，同时赋予报酬ｒ给找到移动台的小区。

本文利用ｐｕｒｓｕｉｔ增强学习方法［９］，其基本思想如下：在第ｔ次呼入到达需要选择小区时，对!中除ｃＬＦ外的所有小区，按小区选择概率ｐｔ－１（ｃｉ）（ｉ＝１，２，…，Ｎ）从大到小进行分组，并将

ｃＬＦ放在第一组。在寻呼结束之后，按以下两式对小区选择概率

进行更新：

ｐｔ（ｃ）＝ｐｔ－１（ｃ）＋"（１－ｐｔ－１（ｃ））

ｐｔ（ｃ）＝ｐｔ－１（ｃ）＋"（０－ｐｔ－１（ｃ）），（ｃ∈!，ｃ≠ｃ）

＊

＊

ｃ∈!

＊

＊＊＊

（１）（２）

其中，"是一常数，ｃ＝ａｒｇｍａｘＱｔ（ｃ），即小区ｃ是第ｔ次呼叫之后报酬最优的小区。

自适应下面给出ｎ阶段（即ｎ组）自适应寻呼算法（简称“寻呼”）。

初始化：令ｔ＝０，Ｑｔ（ｃ）＝０及ｐｔ（ｃ）＝０（ｃ∈!），计算每组小区个数ｋ＝*Ｎ」。

在移动台的第ｔ次呼入到达时，进行以下操作：（１）ｔ＝ｔ＋１，ｓ＝０。

（２）将集合!－｛ｃＬＦ｝中的所有小区按其选择概率ｐｔ－１（ｃ）（ｃ∈，２，…，ｃ′，将序列ｃＬＦ，!－｛ｃＬＦ｝）从大到小进行排列，得到ｃ′１ｃ′Ｎ，２，…，ｃ′分成ｎ组：Ｇ１，Ｇ２，…，Ｇｎ（前面ｎ－１级每组ｋ个ｃ′１ｃ′Ｎ小区，剩下的小区全部归入第ｎ组），即Ｇ１＝｛，２，…，ｃ′，ＣＬＦ，ｃ′１ｃ′ｋ－１｝，ｋ＋１，…，ｃ′，…，Ｇｎ＝｛ｃ′，（ｎ－１）ｋ＋１，…，ｃ′。Ｇ２＝｛ｃ′（ｎ－１）ｋｃ′ｋｃ′２ｋ－１｝Ｎ｝

（３）ｓ＝ｓ＋１。在Ｇｓ中同步寻呼移动台。如果找到移动台，转到（４）；否则，转到（３）。

（４）对找到移动台的小区ｃＬＦ的报酬进行更新：

无学习寻呼”（在寻呼时，不管移图３与图４分别反映了“

动台访问过的小区历史记录，每次按照固定小区分组，依次按组寻呼）与“基本寻呼策略”的代价与时延比值。从图３与图４可以看出，“无学习寻呼”的代价及时延显得杂乱无章。

Ｑｔ（ＣＬＦ）＝Ｑｔ－１（ＣＬＦ）＋#（ｒ－Ｑｔ－１（ＣＬＦ））

其中０＜$＜１为常数，ｒ为报酬。

（５）令ｃ＝ａｒｇｍａｘＱｔ（ｃ），即小区ｃ是第ｔ次呼叫之后报酬

ｃ∈%

＊

＊

最优的小区，按式（１）及式（２）对小区选择概率进行更新。

（６）Ｅｎｄ。

３仿真实验及结果分析

在仿真实验中，假定移动台的呼入到达过程服从泊松分

布，呼入到达率为&，移动台在各小区的逗留时间服从Ｇａｍｍａ分布，均值为１／’，则呼入移动比ＣＭＲ＝&／’。寻呼区为一个由

１００个小正方形组成的大正方形（边长１０个小正方形），每个

小正方形代表一个小区，即Ｎ＝１００。假定移动台的移动规则如

下：当移动台位于位置区内部时，以１／８相等概率向邻近的８；近的３个小区漫游；当它位于位置区的边线上（非顶点）时，以

图５显示了“自适应寻呼”与“无学习寻呼”的代价变化率：（Ｃ１－Ｃ２）／Ｃ２

其中，Ｃ１表示“自适应寻呼”的代价，Ｃ２表示“无学习寻呼”的代５ａ），比“无学习寻呼”的代价减少５％到１５％，而图５（ｂ）中，当ＣＭＲ＝

１３４２００７，４３（１０）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用

“自适应寻呼”与“无学习寻呼”的１０时，可以减少３０％到５０％。

时延的变化率也有类似的结果，此处就不一一画出。

４结束语

位置管理在移动通信网络中占有极为重要的地位，随着移

动用户数的不断增长，小区尺寸的不断减小，基本寻呼策略的效率越来越低，因此，设计一种高效、智能以及实施简单的寻呼策略对于位置管理而言迫在眉睫。本文所提出的策略简单易行，且能够动态适应移动台的呼入及移动变化。（收稿日期：２００６年１１月）

参考文献：

［１］朱艺华，高济，周根贵，等．蜂窝网络中环状搜索移动性管理策略［Ｊ］．

电子学报，２００３，３１（１１）：１６５５－１６５８．

［２］朱艺华，肖刚，史定华，等．按概率分批寻呼的位置管理策略［Ｊ］．通信

学报，２００４，２５（８）：８２－８６．

［３］ＲｏｓｅＣ，ＹａｔｅｓＲ．Ｍｉｎｉｍｉｚｉｎｇｔｈｅａｖｅｒａｇｅｃｏｓｔｏｆｐａｇｉｎｇｕｎｄｅｒｄｅｌａｙｃｏｎｓｔｒａｉｎｔｓ［Ｊ］．ＡＣＭＪＷｉｒｅｌｅｓｓＮｅｔｗｏｒｋｓ，１９９５，１（２）：２１１－２１９．

［４］ＫｏｕｋｏｕｔｓｉｄｉｓＩ，ＴｈｅｏｌｏｇｏｕＭ．Ａｃｏｍｂｉｎａｔｉｏｎｏｆｏｐｔｉｍａｌｐａｒｔｉｔｉｏｎｉｎｇａｎｄｌｏｃａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｔｏａｓｓｉｓｔｐａｇｉｎｇｉｎｍｏｂｉｌｅｃｅｌｌｕｌａｒｎｅｔ－

ｌＪｏｕｒｎａｌｏｆＷｉｒｅｌｅｓｓＩｎｆｏｒｍａｔｉｏｎＮｅｔｗｏｒｋｓ，ＫｌｕｗｅｒＡ－ｗｏｒｋｓ［Ｊ］．Ｉｎｔ’

ｃａｄｅｍｉｃＰｕｂｌｉｓｈｅｒｓ－Ｓｐｒｉｎｇｅｒ，２００４，１１（３）：１２３－１２９．

［５］ＧａｕＲＨ，ＨａａｓＺＪ．Ｃｏｎｃｕｒｒｅｎｔｌｙｓｅａｒｃｈｉｎｇｆｏｒｍｏｂｉｌｅｕｓｅｒｓｉｎｃｅｌ－ｌｕｌａｒｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＣｏｍｍｕｎｉｃａｔｉｏｎｓＬｅｔｔｅｒｓ，２００３，７（６）：２８７－２８９．［６］ＫｗｏｎＣＷ，ＨａｎＩ１，ＣｈｏＤＨ．Ｉｍｐｒｏｖｅｄｐａｇｉｎｇｓｃｈｅｍｅｂａｓｅｄｏｎｄｉｓｔｒｉｂｕｔｉｏｎｄｅｎｓｉｔｙｉｎｆｏｒｍａｔｉｏｎｏｆｕｓｅｒｓｉｎｍｏｂｉｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓｙｓｔｅｍｓ［Ｊ］．ＩＥＩＣＥＴｒａｎｓＣｏｍｍｕｎ，２００３，Ｅ８６－Ｂ（４）：１４６６－１４７１．

［７］ＫｒｉｓｈｎａｍａｃｈａｒｉＢ，ＧａｕＲＨ，ＷｉｃｋｅｒＳＢ，ｅｔａｌ．Ｏｐｔｉｍａｌｓｅｑｕｅｎｔｉａｌｐａｇｉｎｇｉｎｃｅｌｌｕｌａｒｎｅｔｗｏｒｋｓ［Ｊ］．ＷｉｒｅｌｅｓｓＮｅｔｗｏｒｋｓ，２００４，１０（２）：１２１－１３１．

［８］ＺｈｕＹｉ－ｈｕａ，ＬｅｕｎｇＶＣＭ．Ｄｅｒｉｖａｔｉｏｎｏｆｍｏｖｉｎｇｄｉｓｔａｎｃｅｄｉｓｔｒｉ－ｂｕｔｉｏｎｔｏｅｎｈａｎｃｅｓｅｑｕｅｎｔｉａｌｐａｇｉｎｇｉｎｄｉｓｔａｎｃｅ－ｂａｓｅｄｍｏｂｉｌｉｔｙｍａｎａｇｅｍｅｎｔｆｏｒＰＣＳｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２００６，５（１１）．

［９］ＳｕｔｔｏｎＲＳ，ＢａｒｔｏＡＧ．Ｒｅｉｎｆｏｒｃｅｍｅｎｔｌｅａｒｎｉｎｇ：ａｎｉｎｔｒｏｄｕｃｔｉｏｎ［Ｍ］．［Ｓ．ｌ．］．ＭＩＴＰｒｅｓｓ，１９９８．

（上接８３页）

输入模式归于Ｒｉ类；若与库中所有模式相比较，均不满足这个条件，就可判断为新输入模式不属于任何一个现有类。也可设计基于最小距离的分类器，即将Ｘ与Ｒｉ之间的距离ρ作为分类准则，与哪一个向量最近就将Ｘ归入哪一类。

表２中最大贴近度是用１减去输入向量与所有标准向量之间的最短距离得到的。表中的识别结果是以７０％作为模糊模式识别的阈值，当Ｘ与某个参考向量Ｒｉ的贴近度大于这个阈值时，就确定Ｘ属于这个模式。若最大贴近度小于这个阈值，则认为Ｘ不属于任何现有的模式，在表中填入“无”。由表２可发现，相同输入时，计算出的欧氏距离要普遍大于海明距离，故阈值的设定要相应于算法。经大量的仿真发现，在小范围人群中，识别的正确率达１００％。

数。采用正态分布函数作特征向量的隶属度函数，往往能使问题得到简化，但方差σ的确定需要设计合理的算法或大量的统计实验。如果使用的特征参数比较单一，在标准模式较多时，识别正确率会有所下降，这时可适当增加特征向量的维数。文中所介绍算法可推广使用于系统在训练和识别时，其特征向量提取过程具有一定随机误差的模式识别场合。（收稿日期：２００６年５月）

参考文献：

［１］ＷａｎｇＪＧ，ＴａｎＴＮ．Ａｎｅｗｆａｃｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｓｈａｐｅｉｎｆｏｒｍａｔｉｏｎ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＬｅｔｔｅｒｓ，２０００，２１（６）：４６３－４７１．［２］聂传虹．模糊神经网络应用于数据融合中实现目标的身份识别［Ｊ］．

桂林航天工业高等专科学校学报，２００２（２）：７－１２．

［３］蓝金辉，马宝华，蓝天，等．多传感器最大属性数据融合及其目标识

５结论

本文介绍了如何将基于特征向量的模式识别转变为两个

别应用［Ｊ］．清华大学学报：自然科学版，２０００，４０（４）：２１－２３．

［４］陆正刚，杨杰．模糊逻辑及其在数据融合中的应用［Ｊ］．红外与激光工

程，２０００，２９（５）：５６－５９．

模糊集的格贴近度或距离的计算问题，给出基于距离的模糊模式识别方法在掌形身份识别系统中的具体应用。算法具有计算

简单、意义明确、实用等优点，其难点在于如何构建隶属度函

［５］彭祖赠，孙韫玉．模糊数学及其应用［Ｍ］．武汉：武汉大学出版社，２００２：

２７６－３１０．