MaxLeBV

 Throughput

Fig.5-2 顯示的是在內外圈人數變動以及α不同的設定下，MaxLeBV 與 廣播方式(19)之效能比較，我們可以看出不論是中圈人數較多(普遍信號良 好)或是內圈人數較少(普遍信號較差)的情況下，MaxLeBV 的平均輸出量都 比廣播高出許多，證明此單群排程在我們的系統中，在不犧牲多用戶分集 增益的情況下，能有效維持資訊的同步性，不必浪費過多時間槽使用在彌 補有缺遺資訊區段的使用者，無論使用者信號的分佈狀況如何，系統都能 夠達到最佳的狀運作狀態。另外，我們以α為 0.000005 為基準點，當限制 條件α越寬鬆(小)，系統將逐漸忽略群體廣播增益，而換取更多的多用戶分 集增益，而代價是拉大使用者間的最大資訊差異量，但無限制的放寬α，

如α小於 0.000005 的情況將使系統在完全忽略群體廣播增益下，反而降低 系統整體效能，Figure.5-2 顯示系統效能在α = 0時，多數的情況效能都是 最差的；反過來當α限制越嚴苛(大)，系統所獲得的群體廣播增益也就越大，

使用者間的資訊差異量也就越小，但過大的α雖然史群體廣播增益達到最 大，使用者間資訊進度差異變小，系統反而逼近廣播排程法則效能的效 能。

34

 Information Difference

Fig.5-3(A)(B)(C)(D)分別顯示當系統外圈人數分別為 4、8、12、16 人 (中圈為 16、12、8、4)時最大資訊差異量範圍的累積分佈函數(Information Difference Cumulative Distribution Function)，縱軸表示相對應的資訊差異 量占總採樣數的百分比，整體而言我們可以看出在各種不同中外圈人數比 例分配下，當α被設定越小，使用者的資訊差異量越緊密，而資訊差異量 也難以被拉長，因此圖表分佈比較偏向左邊，除了α為 0.000005 時，由於 限制條件過為鬆散，會使資訊差異量顯得相較於其它的設定相對較大，但 我們的方法還是有一定的約束性；如此可以證明單群排程法則在利用多用 戶分集增益之餘，仍能有效維持一定的群體廣播增益，保持使用者間的公 平性。此外α越大代表著系統服務的平均信號拉低，效能也就越趨近廣播 排程法則；α越小表示系統付出廣播增益的代價，換取多用戶分集的靈活 性，因此服務提供者必頇考量系統所擁有的暫存空間可以處理多少未完全

Figure5-2 The throughput of 20 users scenario

35

傳送的資訊區段，來做取捨，以免無法彌補最大資訊差異量過大的狀況。

Figure5-3-A The information difference distribution of the system having 16 inner users(0.3km) and 4 outer users(0.45km)

Figure5-3-B The information difference distribution of the system having 12 inner users(0.3km) and 8 outer users(0.45km)

36

Figure5-3-C The information difference distribution of the system having 8 inner users(0.3km) and 12 outer users(0.45km)

Figure5-3-D The information difference distribution of the system having 4 inner users(0.3km) and 16 outer users(0.45km)

37 ETR 運作下，我們觀察系統中 G1、G2 在系統使用雙群法則(MaxLGeBV) 與單群法則(MaxLeBV)下平均輸出變化的關係。我們可以看出考慮雙群觀