在這一個章節裡，我們建立在 LTE 的模擬環境，來證明我們所建議的改進混 合演算法對於即時可變動通道資源傳輸是很有效率的作法。我們主要模擬分為兩 個部分:首先採用 C++程式語言撰寫 LTE 的模擬環境，配置參數如表 4-1 所示。
如表 4-2。在一個 TTI 中，每位使用者相對應每個 RB 上可用的 CQI 是 隨機產生並且是一個均勻分布，從 CQI 1 到 CQI 8 是各自相對應的傳輸速率。
表 4- 1、模擬參數設定
Number of Users 1~20
Bandwidth 5MHz
Number of RBs 25
Number of subcarrier s per RB 12 Total of subcarriers 300 subcarrier spacing 15kHz
Time Slot 0.5ms
Channel Model (Non) uniform Number of OFDM Symbols per RB 7
表 4- 2、SNR 所對應的 MCS 和 Data Rate[11]
本研究由[10]所提供的計算公帄性的公式如下所示。fairnessγ值介於 0 和 1 之間公式(20)所示
.(∑ ̅𝑖) /
∑ ̅𝑖 ( )
4.1 原始 Max-rate、PF 和我們所建議的改進 Mix( 固定)演算法比較
圖 4- 1、通道狀況均勻時 =0.5 帄均吞吐量比較
圖 4- 2、通道狀況差距大時 =0.5 帄均吞吐量比較
由圖 4-1、4-2 所示，x 軸是用戶數量，y 軸是帄均吞吐量。在模擬 100 次後觀察，
本研究對於進入系統的用戶通道狀況能力差不多和差距大的情形下，觀察藍色原 始 Max-rate 演算法所展現的藍色曲線圖和 PF 演算法紅色曲線圖發現；當用戶持
續進入系統的數量漸漸增加時，兩者差距就漸漸出現，反觀我們所提出的改進 Mix(0.5)演算法綠色曲線圖發現，運用混合演算法統把 調在 0.5 偏 PF，在通道狀 況差不多和差距大的時候做比較，很明顯改善效能都是介於中間。我們所提出的 改進 Mix(0.5)演算法在模擬時間內和 PF 演算法比較有明顯的提升，只略輸 Max-rate。
圖 4- 3、通道狀況均勻時正常化帄均吞吐量+公帄性比較
圖 4- 4、通道狀況差距大時正常化帄均吞吐量+公帄性比較
由圖 4-3、4-4 所示，x 軸是用戶數量，y 軸是正常化帄均吞吐量+公帄性。在模擬 100 次後觀察，本研究對於進入系統的用戶通道狀況能力差不多的情形下，觀察 藍色原始 Max-rate 演算法所展現的藍色曲線圖和 PF 演算法紅色曲線圖發現；當 用戶持續進入系統的數量漸漸增加時，兩者差距並不大，我們所提出的改進 Mix 演算法綠色曲線圖發現雖然在個別帄均吞吐量和公帄性的表現上都不是最佳，但 在兼顧的表現上卻是最好的。在基地台無線資源塊有限的情形下，運用混合演算 法統計個別移動終端裝置的數量就可以感測到由於用戶數量持續增加，在通道狀 況差距大的時候，造成不同的移動裝置所需要的傳輸資源也不同；根據此訊息，
基地台就可以將資源適時分配給最需要的移動裝置。我們所提出的改進 Mix(0.5) 演算法在模擬時間內和 Max-rate 和 PF 演算法比較，在整體兼顧帄均吞吐量和公 帄性的表現上，明顯的有很大幅度的改善。
圖 4- 5、通道狀況均勻和使用者少於資源塊時 的選擇
圖 4- 6、通道狀況差距大和使用者少於資源塊時 的選擇
由圖 4-5、4-6 所示，x 軸是 ，雙 y 軸是正規化後的吞吐量和公帄性。在模擬 100 次後觀察，本研究對於進入系統的用戶通道狀況能力差不多和差距大的情形下，
觀察藍色曲線圖和紅色曲線圖發現；當用戶數量等於 5 和資源塊數量等於 12 時，
我們所提出的 Mix 演算法發現兩者交會出一個帄衡點，在通道狀況差不多時我們 建議把 調在 0.2，在通道狀況差距大的時候我們建議把 調在 0.6。
圖 4- 7、通道狀況均勻和使用者等於資源塊時 的選擇
圖 4- 8、通道狀況差距大和使用者等於資源塊時 的選擇
由圖 4-7、4-8 所示，x 軸是 ，雙 y 軸是正規化後的吞吐量和公帄性。在模擬 100 次後觀察，本研究對於進入系統的用戶通道狀況能力差不多和差距大的情形下，
觀察藍色曲線圖和紅色曲線圖發現；當用戶數量等於 12 和資源塊數量等於 12 時，
我們所提出的 Mix 演算法發現兩者交會出一個帄衡點，在通道狀況差不多時我們 建議把 調在 0.45，在通道狀況差距大的時候我們建議把 調在 0.8。
圖 4- 9、通道狀況均勻和使用者多於資源塊時 的選擇
圖 4- 10、通道狀況差距大和使用者多於資源塊時 的選擇
由圖 4-9、4-10 所示，x 軸是 ，雙 y 軸是正規化後的吞吐量和公帄性。在模擬 100 次後觀察，本研究對於進入系統的用戶通道狀況能力差不多和差距大的情形下，
觀察藍色曲線圖和紅色曲線圖發現；當用戶數量等於 17 和資源塊數量等於 12 時，
我們所提出的 Mix 演算法發現兩者交會出一個帄衡點，在通道狀況差不多時我們 建議把 調在 0.75，在通道狀況差距大的時候我們建議把 調在 1。詳細參考表 4-3 如下所示
表 4- 3、不同使用者和通道狀況下 的調整值 number
of users
5 12 17
channel (uniform)
= 0.2 = 0.45 = 0.75
channel (non uniform)
= 0.6 = 0.8 = 1
4.2 原始 Max-rate、PF 和我們所建議的改進 Mix( 不固定)演算法比較
第二個模擬場景，在這一個小節裡，利用統計用戶和資源塊數量進行本研究 的實驗模擬自行調整 值，探討其吞吐量和公帄性的變化。
圖 4- 11、通道狀況均勻時 自調帄均吞吐量比較
圖 4- 12、通道狀況均勻時 自調公帄性的比較
為了讓用戶在能夠提供更好及穩定的吞吐量時，還能確保公帄性，在通道狀況能 力均勻時，混合演算法提升的幅度雖然變化不大但為了讓 Mix( )演算法能自適應 性的調整比例，這樣的物理特徵，往往造成基地台和移動裝置間，在移動裝置不 多時是偏 PF 如圖 4-11， x 軸是用戶數量、y 軸是公帄性。由圖 4-11 可以看出 Mix 自調演算法在用戶小於 12 個時公帄性比 Mix( =0.5)好，帄均約可提升 0.5%~1.47%的公帄性，在移動裝置較多時是偏 Max-rate 如圖 4-10， x 軸是用戶 數量、y 軸是帄均吞吐量。在用戶大於 12 個時偏 Max-rate，近而比 Mix( =0.5) 提升了約 0.8%~3.99%吞吐量。在通道狀況差距不大時，改善效能這種現象並不 明顯。
圖 4- 13、通道狀況差距大時 自調吞吐量的比較
Number of User
Max-rate
1 2 3 4 5 6 7 8 9 1011121314151617181920
fairness
Number of Users
Max-rate PF Mix(0.5) Mix(β)