D2D通訊於LTE蜂巢式網路中使用粒子群最佳化演算法之位置推薦
78
0
0
全文
(2) D2D 通訊於 LTE 蜂巢式網路中使用粒子群最佳化演算 法之位置推薦 學生：蔡德生. 指導教授：王嘉斌. 國立臺灣師範大學電機工程系碩士班 摘. 要. 在此篇論文中，我們提出了D2D (Device-to-Device, D2D) 通訊於LTE 蜂巢式網路中使用粒子群最佳化演算法之位置推薦。我們所提出的方法是 讓D2D使用者移動到我們所推薦的位置以達到更好的系統容量以及資源利 用率，利用我們設計的成本函數來決定我們的資源分配機制，避免與相鄰 的 大 型蜂 窩 式網 路基 地 台或 其他 的 D2D 用 戶 產生 干 擾並 且平 衡 MUE (Marcocell User Equipment, MUE)用戶及D2D用戶的體驗品質(Quality of Experience, QoE)，希望兩者都可以達到最佳的體驗效果。 最後經由模擬結果證明，粒子群演算法不同的迭代結果與傳統暴力法 的位置推薦方法比較之後，我們的方法可以有效的降低位置推薦所產生的 推薦成本及時間。. 關鍵字：設備與設備之通訊、長期演進技術、資源分配、位置推薦、干擾 抑制。. i.
(3) Particle swarm optimization algorithm based location recommendation for D2D Underlying Cellular Networks Student：Tsai, Te-Sheng. Advisor：Dr. Wang, Chia-Pin. Department of Electrical Engineering National Taiwan Normal University ABSTRACT. In this paper, we present a Particle swarm optimization algorithm based location recommendation for Device-to-Device (D2D) Underlying Cellular Networks. The proposed scheme enables D2D users. to transmit to the best. position we recommended for better system capacity and resource reuse utilization ratio. Moreover, with our cost function to decide how to distribute resource, the interference between neighboring Cellular Networks base station and D2D users could be avoided. Also, it can balance Quality of Experience(QoE) between MUE (Marcocell User Equipment, MUE) users and D2D users, hoping for the best user experience on both side. As simulation results shows, PSO LR scheme with different iterations effectively reduce both the cost and time of location recommendation in comparison with brute-force LR scheme.. Keywords: Device-to-Device (D2D) communications; 3GPP Long Term Evolution (LTE); Resource Allocation; Location Recommendation; interference mitigation. ii.
(4) 誌. 謝. 首先誠摯的感謝我的指導老師王嘉斌教授，在兩年的研究期間悉心的 教導使我得以窺探無線通訊領域的奧秘，除了不時的討論並指點我正確的 研究道路，同時教會了我做人處事的嚴謹態度，讓我在師大兩年的碩士班 生活，真的讓我受益匪淺，在此我由衷的感謝。另外，老師對研究及生活 上的嚴謹態度更是我學習的典範。此外感謝元智大學方士豪教授與郭文興 教授撥冗擔任口試委員，並且對於本論文提出專業建議以及見解，使本論 文更加完善和俱全。. 感謝實驗室的學長鈺錞、星融、元杰、宜蒲以及元智大學的聖閔，因為 有你們所留下來的足跡，使得本論文能夠更完整而嚴謹，並給予我鼓勵， 使我能不斷地向前進，謝謝你們。感謝我的研究夥伴孟原，在實驗室兩年 的日子中，擁有共同的生活點滴，參與學術討論和學校活動、報名歌唱課、 當然還有熬夜準備報告和趕作業的革命情感。感謝實驗室的學弟啟銘、方 儒、志軒，謝謝你們的相挺。特別感謝電機控制與應用實驗室的承諺及東 昇，在研究上給我了很重要的靈感、以及提供我撰寫粒子群演算法的意見， 我的研究才能順利完成。感謝系辦的琇文、婷節以及嘉安，平日在行政事 務上面協助我們，及各式各樣瑣碎的雜事諮詢，謝謝你們。感謝我的大學 同學連河源、游博凱，傾聽我研究上的問題並給我意見。最後，感謝我的 家人，父親蔡無為、母親王梅香以及大姊蔡孟蓉、二姊蔡佳玗，叔叔蔡福 祿，嬸嬸翁玉明，以及女友呂岱恩，感謝你們在我人生中，全力的支持及 栽培我。最後感謝出現在我生命中的貴人們，雖然在此無法逐一贅述，但 由衷感謝你們出現在我的生命中，幫助我並且讓我成長，謝謝。 德生 謹誌於 中華民國一零六年十二月. iii.
(5) 目. 錄. 中文摘要 .............................................................................................................. i 英文摘要 ............................................................................................................. ii 誌. 謝 ............................................................................................................ iii. 目. 錄 ........................................................................................................ iv. 圖. 目. 錄 ........................................................................................................ vi. 表. 目. 錄 ...................................................................................................... viii. 第一章. 緒論 ................................................................................................. 1. 1.1. 研究動機與背景 ................................................................................ 1. 1.2. 研究目的 ............................................................................................ 4. 1.3. 其他相關研究 .................................................................................... 6. 1.4. 論文架構 ............................................................................................ 7. 第二章. 相關知識介紹 ................................................................................. 8. 2.1 LTE 長期演進技術無線網路系統概述............................................ 8 2.2 IoT 介紹 ........................................................................................... 15 2.3 IoT 之 D2D 應用 ............................................................................. 16 第三章. 本論文提出之演算法 ................................................................... 18. 3.1. 研究作法之動機 .............................................................................. 18 3.1.1 網路模型之建立 ..................................................................... 19. 3.2. 基於粒子群最佳化之位置推薦方法設計 ...................................... 23 3.2.1 粒子族群最佳化演算法 .......................................................... 24 3.2.2 基於粒子群最佳化之位置推薦方法 ...................................... 25. 第四章. 數值分析與模擬結果 ................................................................... 32. 4.1 模擬環境與參數設定 ........................................................................ 32 4.2 模擬結果與討論 ................................................................................. 33 iv.
(6) 第五章 參. 考. 結論 ............................................................................................... 62 文. 獻 ............................................................................................... 64. v.
(7) 圖. 目. 錄. 圖 1-1、物聯網的應用....................................................................................... 3 圖 1-2、物聯網結構........................................................................................... 4 圖 2-1、LTE-A 系統之載波聚合(Carrier Aggregation)示意圖[11] ............... 10 圖 2-2、LTE-A 系統之 Relay 中繼站示意圖[11] .......................................... 11 圖 2-3、LTE-A 系統之 CoMP 多點協調示意圖[11] ..................................... 12 圖 2-4、LTE-A 系統之 Advanced MIMO 增強型多天線傳輸示意圖[11] ... 13 圖 2-5、物聯網的三種維度............................................................................. 15 圖 2-6、D2D 之應用 ........................................................................................ 16 圖 3-1、D2D 通訊用於蜂巢式網路中產生的跨層干擾示意圖 .................... 19 圖 3-2、D2D 通訊干擾抑制半徑的示意圖 .................................................... 22 圖 3-3、傳統位置推薦演算法示意圖............................................................. 23 圖 3-4、基於粒子群的位置推薦演算法示意圖............................................. 24 圖 3-5、粒子群演算法示意圖......................................................................... 25 圖 3-6、文獻[5]未使用 LR 演算法 ................................................................ 26 圖 3-7、使用後 LR 演算法 ............................................................................ 26 圖 3-8、pso 位置推薦演算法之流程圖 ......................................................... 29 圖 3-9、pso 位置推薦演算法之虛擬碼 ......................................................... 31 圖 4-1、在-120dBm 情形下平推薦距離之比較圖 ........................................ 34 圖 4-2、在-120dBm 情形執行時間之比較圖 ................................................ 35 圖 4-3、在-120dBm 情形下的平均平均系統容量提升率之比較圖 ............ 37 圖 4-4、在-120dBm 情形下資源複用率之比較圖 ........................................ 38 圖 4-5、在-120dBm 的情形下之成本比較圖 ................................................ 40 圖 4-6、在-130dBm 情形下平均推薦距離之比較圖 .................................... 41 vi.
(8) 圖 4-7、在-130dBm 情形執行時間之比較圖 ................................................ 42 圖 4-8、在-130dBm 的情形下平均系統容量提升率之比較圖 .................... 44 圖 4-9、在-130dBm 情形下資源複用率之比較圖 ........................................ 45 圖 4-10、在-130dBm 的情形下之成本比較圖 .............................................. 47 圖 4-11、在-140dBm 情形下平均推薦距離之比較圖 .................................. 48 圖 4-12、在-140dBm 情形執行時間之比較圖 .............................................. 49 圖 4-13、在-140dBm 的情形下平均系統容量提升率之比較圖 .................. 51 圖 4-14、在-140dBm 情形下資源複用率之比較圖 ...................................... 52 圖 4-15、在-140dBm 的情形下之成本比較圖 .............................................. 54 圖 4-16、在-150dBm 情形下平均推薦距離之比較圖 .................................. 55 圖 4-17、在-150dBm 情形執行時間之比較圖 .............................................. 56 圖 4-18、在-150dBm 的情形下平均系統容量提升率之比較圖 .................. 58 圖 4-19、在-150dBm 情形下資源複用率之比較圖 ...................................... 59 圖 4-20、在-150dBm 的情形下之成本比較圖 .............................................. 61. vii.
(9) 表. 目. 錄. 表 1-1、D2D 通訊技術之比較表 ..................................................................... 5 表 2-1、LTE 與 LTE-A 系統之比較表[11, 12] .............................................. 14 表 4-1、系統模型參數之設定......................................................................... 32 表 4-2、粒子群演算及權重參數之設定......................................................... 33 表 4-3、在-120dBm 情形下平均推薦距離之比較表 .................................... 34 表 4-4、在-120dBm 情形下執行時間之比較表 ............................................ 35 表 4-5、在-120dBm 的情形下平均系統容量提升率之比較表 .................... 36 表 4-6、在-120dBm 情形下資源複用率之比較表 ........................................ 38 表 4-7、在-120dBm 的情形下的推薦成本之比較表 .................................... 39 表 4-8、在-130dBm 情形下平均推薦距離之比較表 .................................... 41 表 4-9、在-130dBm 情形下執行時間之比較表 ............................................ 42 表 4-10、在-130dBm 的情形下平均系統容量提升率之比較表 .................. 43 表 4-11、在-130dBm 情形下資源複用率之比較表 ...................................... 45 表 4-12、在-130dBm 的情形下的推薦成本之比較表 .................................. 46 表 4-13、在-140dBm 情形下平均推薦距離之比較表 .................................. 48 表 4-14、在-140dBm 情形下執行時間之比較表 .......................................... 49 表 4-15、在-140dBm 的情形下平均系統容量提升率之比較表 .................. 50 表 4-16、在-140dBm 情形下資源複用率之比較表 ...................................... 52 表 4-17、在-140dBm 的情形下的推薦成本之比較表 .................................. 53 表 4-18、在-150dBm 情形下平均推薦距離之比較表 .................................. 55 表 4-19、在-150dBm 情形下執行時間之比較表 .......................................... 56 表 4-20、在-150dBm 的情形下平均系統容量提升率之比較表 .................. 57 表 4-21、在-150dBm 情形下資源複用率之比較表 ...................................... 59 viii.
(10) 表 4-22、在-150dBm 的情形下的推薦成本之比較表 .................................. 60. ix.
(11) 第一章. 1.1. 緒論. 研究動機與背景 從諾貝爾物理學獎得主古列爾莫·馬可尼（Guglielmo Marconi）成功的. 實現商用無線通訊，即使用無線電波來傳遞訊息，因而首次揭開了在宇宙 中無線通訊的驚人潛力。 在馬可尼獲得諾貝爾獎近一百年之後，全世界成千上萬的工程師參與 了主要的無線通訊標準制定，例如最具有權威及代表性的第三代合作夥伴 計畫(3rd Generation Partnership Project, 3GPP)，這也表示了，繼馬可尼之後 仍然有許多的研究人員以及工程師在繼續探索無線通訊的極限。 第一代類比式行動電話系統（Advanced Mobile Phone System, AMPS） 以及第二代全球行動通訊系統（Global System for Mobile Communications, GSM）都著重語音為主，到了近代行動通訊的系統設計開始強調提供最佳 的資料傳輸業務，語音技術已經不是主要的發展目標。這個趨勢開始於 3GPP 關於第三代寬頻碼分多址(Wideband Code Division Multiple Access, WCDMA)的系統設計。 然而近年來由於網路服務的資料傳輸量以及行動攜帶裝置的遽增，促 使了基於 WCDMA 的系統基礎，而發展出來的長期演進技術(Long Term Evolution, LTE)，對於用戶端而言低延遲的連線服務、高速的傳輸速率以及 穩定的無線通訊網路一直是用戶端所期望的。 我們生活中所常見的網路應用：網路電視(Internet Protocol Television, IPTV)、網路電話(Voice over IP network, VoIP)、即時多媒體服務(Real-Time Service) 、 視 訊 會 議 (Video Conferencing) 、 高 畫 質 電 視 (High Definition. 1.
(12) Television, HDTV) 、高畫質影像(High-Quality Video)、影音串流 (Streaming Video)等相關應用。 雖然目前電信營運商所提供的 LTE 無線網路技術相較於過去的行動通 訊技術大大的提升資料傳輸的能力，但目前需要高傳輸速率的服務不斷的 被提出，例如：YouTube 所提供的 4K 超高畫質(Ultra High Definition Television, UHDTV)影音串流，因為這些服務開始已經無法滿足用戶對於 網路速度的要求，為了要滿足需要高傳輸速度的用戶，3GPP 提出了長期演 進技術升級版(Long Term Evolution- Advanced, LTE-A)的網路服務，希望用 戶能透過 LTE-A 的網路服務可在靜態或是低速移動時能最高達到 1Gbps 的資料傳輸速率，而在高速移動時至少可獲得 100Mbps 的資料傳輸速 率。 經由愛立信(Ericsson)行動趨勢報告指出，預估在 2020 年前全球人口 數大約達到 72 億 5 千 6 百萬，全球將有 70%的人口使用智慧型手機，智 慧型手機用戶數量將達 61 億，而行動寬頻網路將覆蓋全球 90%的人口， 整體連網裝置上看 260 億個設備，在這樣的無線網路爆炸性成長之下，平 均每人就會擁有 3.61 個設備數。 為了解決上述的問題，專家們開始提出了設備與設備之間的物聯網 (Internet of Things, IoT)通訊模式(D2D Communication model)來解決頻譜不 足的問題。其中我們的研究著重於 3GPP Release 12 [1]的內容中提出 LTE Direct 的 D2D 技術，LTE Direct 使用授權的頻譜，可讓頻段內的使用者自 動搜尋鄰近使用者，無須經由基地台，除了減輕基地台的負擔之外，使用 者可以自行提供服務、商品、資訊給鄰近的其他使用者，用途廣泛，估計 會帶來新的行動商務模式。 物聯網的概念定義為：將任何物品透過射頻識別(RFID)、紅外線感測 器或是全球定位系統等具識別認證的傳感設備，經由特定的協定，使每樣. 2.
(13) 物品能夠在任何網路介面上交互傳遞訊息，以達到定位、智慧化識別、追 蹤、管理及監控的新興延伸網路系統。 物聯網的新興影響將帶動人們的生活及產業型態，小從超奈米科技， 大至整個城市的無線網路佈建，從發展趨勢來看可分為三大維度，分別是 「時間」、「地點」與「物件」，隨著各項技術的成熟可望創造出任何物 品可在任何時間、任何地點進行相互溝通，並感知整合各種個人化的需求， 實現智慧運算、可靠傳遞和全面感知，如圖 1-1 所示。. 行動基地台 城市監控. 智慧物流. 電力抄表 智慧交通. 物聯網應用 智慧學校. 運鈔車監控. 公車監控. 數位廣告 計程車調度. 圖 1-1、物聯網的應用. 物聯網主要有三大架構，最底層是「感知層」，中間是「網路層」，最 上層為「應用層」，每一層代表在物聯網之中不同的角色，接下來將介紹 每一層的用途。 感知層(Device)：在各式各樣不同的情境近行感知及監控，其具有感測 及辨識通訊功能的設備；網路層(Connect)：其所有收取到的資料經由匣道. 3.
(14) 器轉送至網際網路上；應用層(Manage)：利用物聯網技術，根據不同的需 求，與企業及政府合作，來開發各種相對應的軟體，如圖 1-2 所示。. 應 用 層. 環境 監測. 智慧 家居. 智慧 交通. 能源. 城市 管理. 食品. 支援平台/應用服務. 網 路 層. 物聯網資料中心 2G/3G/4G(LTE). 物聯網管理中心 Wi-Fi. LaRa. 無縫式資料傳輸網路. 感 知 層. RFID. NFC. Sensor. Reader. WSN IP Cam. MEMS. 圖 1-2、物聯網結構. 1.2. 研究目的 D2D 通訊有著不需透過基地台或網路存取點的協助便能使兩個設備. 互相溝通的特別傳輸方式，以往這項技術指普遍被使用在小型的無線區域 網路，像是彼此使用智慧型手機開啟藍芽互相分享圖片或是一些文字上的 互通，但在未來隨著無線網路高速的發展，不斷提高的傳輸速率也造就了 各式各樣的網路服務出現，這樣的變化也使得人們對於娛樂、對於社交有 了新的媒介與方式，手機不只是做為聯絡的工具，我們開始在行動設備上 聆聽音樂、觀賞影片甚至是進行連線遊戲，如此多元的應用使得有限的無 線網路資源慢慢供不應求，D2D 通訊是個適當的解決辦法，因其允許用戶 4.
(15) 直接對連的傳輸方式，減緩了電信網路上有執照頻譜的負擔，不只如此， 這種直通方式的傳輸，也意味著用戶彼此的距離是相當靠近的，傳輸品質 因而提升，同時設備端也不必發射過大的功率進行傳送資料，達到了進一 步省電的效果。 現今有許多我們熟悉的 D2D 通訊技術，例如：近場通訊(Near Field Communication, NFC)、紅外線(Infrared, IR)、藍芽(Bluetooth)、Wi-Fi Direct、 LTE Direct 以上都為 D2D 通訊，其比較如表。. 表 1-1、D2D 通訊技術之比較表. 技術 傳輸 距離 使用 頻譜 傳輸 速率. NFC. Bluetooth. Wi-Fi Direct. LTE Direct. 0.2 公尺. 10 公尺. 200 公尺. 500 公尺 台灣 LTE Band. 13.56MHz. 2.4GHz. 2.4GHz 或 5GHz. (700/900/1800/2600Mhz). 424Kbps. 2.1Mbps. 250Mbps. 1Gbps. (資料來源：財團法人資訊工業策進會). 而我們主要所研究的 D2D 通訊技術為 LTE Direct 其可在不經由蜂窩 式網路基地台轉發的情況下，實現蜂窩式行動裝置之間的直接通訊，不僅 讓使用者可在短時間內得到相同的資訊，還能節省使用者的電量，達到一 舉兩得的效果，此通訊模式是重複利用現有蜂窩式網路基地台的頻譜來增 加總系統容量，同時可節省設備與設備之間的電量以達到資源的最大化。 在使用者以及設備不斷增加之下，此類型的 D2D 通訊越來越得到重視。. 由於 D2D 通訊是複用現有的頻譜資源，能夠幫營運商在有限的頻譜資 源下，得到最佳的使用效果，同時也讓使用者有高品質的體驗效果(Quality 5.
(16) of experience, QoE)，以達到雙贏的目的。但是若許多未規範的設備都採取 D2D 通訊模式下，卻沒有考慮到設備與設備的干擾管理以及好的資源分配 方法，將可能會造成整體系統容量不增反減的情況，我們相信 D2D 通訊 網路的干擾管理方法以及資源分配方法是相當有價值的研究方向。 本論文欲達成的目標如下： 1. 提高蜂巢式網路的資源利用率及頻譜複用率，確保 D2D 用戶以及基地 台擁有最基本系統容量。 2. 設計高效率的位置推薦演算法，藉由用最短的時間，計算出最短的位置 推薦距離，讓 D2D 用戶可以透過短距離的移動方式來獲取更好的傳輸 品質。 3. 降低移動所需要花費的距離成本，提升整體的系統容量。. 1.3. 其他相關研究 文獻[2]為最早期把 D2D 通訊部屬在蜂巢式網路之文獻，當時僅應用. WCDMA 的技術來做傳輸，而在文獻[3, 4]開始採用了 LTE 技術，並且使 用基地台的控制，D2D 通訊可在蜂巢式網路中共享資源，以達到頻譜最大 化。另外，D2D 通訊亦可分擔基地台工作量、節省使用者設備電量。文獻 [5]說明當 D2D 通訊與蜂巢式網路產生相互干擾時，應該針對干擾較嚴重 的區域正交化分配資源。使用正交化資源分配，雖可保障使用者不受干擾， 但卻不能重複使用頻率資源；若使用非正交化資源分配，頻率資源可重複 使用，但可能造成使用者的傳輸品質下降。文獻[6]探討在上鏈網路中， D2D 通訊與蜂巢式網路之相互干擾可被限制在一定區域裡。文獻[7]探討 在下鏈網路中，資源可分成中心部分以及邊緣部分。邊緣部分資源為部分 頻率覆用(Partial Frequency Reuse)，若 D2D 通訊使用蜂巢式網路的邊緣部 分資源可將干擾限制在此區域範圍內。在文獻[6]中，D2D 通訊類似於在感 6.
(17) 知網路(Cognitive Networks)中第二使用者(Secondary User)。D2D 通訊與第 二使用者的主要差別為，第二使用者不被主要使用者(Primary User)所控制， 而 D2D 通訊可被蜂巢式網路所控制。而文獻[8]除了探討 D2D 通訊搜尋 與鏈路建置的過程情形，並說明 D2D 通訊協同基地台連結之各項參數特 性，以實驗分析封包延遲與電力損耗之間的關係。最後在文獻[9, 10]，主要 提出基於蜂巢式微小型基地台(Femtocell)的室內推薦方法，其微小型基地 台是部屬於大型蜂巢式基地台網路的通訊範圍之中，與我們 D2D 通訊使 用於蜂巢式網路中的情形是相似的，主要差別是在於微小型基地台與其溝 通之子設備為一對多的形式，而 D2D 通訊則是一對一的形式來溝通，而在 本篇論文，我們會參考其相似之處來讓我們的位置推薦方法更加完善。. 1.4. 論文架構 本論文組織如下：第一章為緒論介紹，第二章詳細介紹 LTE 無線通訊. 及 D2D 通訊技術之相關知識，第三章詳細說明本論文所提出之演算法，第 四章說明數值分析與模擬結果，第五章為本論文之結論。. 7.
(18) 第二章. 2.1. 相關知識介紹. LTE 長期演進技術無線網路系統概述 通 用 的 行 動 通 訊 系 統 (Universal Mobile Telecommunications System,. UMTS)是指當前最廣泛採用的一種第三代行動網路技術，而長期演進LTE 是這一系列推動行動通訊系統向前發展的最新進展。 針對陸地行動系統來說，此類型的系統開始於1947年，伴隨著著名的 貝爾實驗室所提出的蜂窩式的區域基地台，每個小區域都具有自己的基地 台，它們分別工作在不同的頻率，從而使行動通訊網路的容量大為提高。 最早的系統僅限在國內使用，不能跨國漫遊，且只有少數用戶申裝，因為 當時的行動終端裝置十分昂貴，繁瑣且非常耗電，因而這組系統實際上僅 安裝應用於汽車上使用。 到了20世紀80年代，被人們稱為第一代的AMPS行動通訊網路系統實 現了大規模的商業化使用。第一代的行動通訊系統由許多國家自行獨立研 發之技術互不相容(例如AMPS主要適用於美國及台灣的類比行動電話系 統，TACS適用於歐洲部分地區的全址通訊系統，NMT也適用於歐洲部分 地區的所謂的北歐行動電話系統，J-TACS則是用於日本和香港地區的所謂 日本全址通訊系統)，但它們都是使用類比的通訊技術。 隨著使用數位化通訊技術的第二代系統，即全球行動通訊系統GSM技 術的發展，可以在不同國家之間的全球漫遊首次成為可能的事情。GSM能 夠取得成功，部分原因在於促使其發展的合作精神。在歐洲電信標準協會 的主導之下，一些企業共同合作，透過充分利用這些企業所提供具有創新 的專業知識，GSM成為一個強而有力並且可以達成互相相容的技術標準， 從而被廣泛地接受。 8.
(19) 因手機製造工業的技術進步，使的終端設備可以更輕巧、更時尚，電 池的待機時間更佳的長，因而促使了GSM的標準被用戶廣泛的接受，遠遠 超出最初的預期，這也有具於建立一個龐大的新市場。GSM手機在已開發 國家中差不多已經完全滲透，並且提供了，在之前絕無可能的便捷通訊。 首先是語音和簡訊，隨之而來的是多樣化的資料傳輸業務。與此同時，在 發展中國家，那些偏遠的地區沒有部屬實體線路的連結，即使部屬線路也 要花費很高的費用，GSM技術則可以低成本的快速部屬其偏遠地區的通訊 系統。 在3GPP標準的演進過程中，最常見的多工存取技術：第二代的GSM、 GPRS、EDGE家族是基於時分和頻分多工的存取技術;第三代的UMTS家族 中的CDMA和WCDMA是基於寬頻分碼多重進接的技術；最後，LTE採用 了正交分頻多工(Orthogonal frequency-division multiplexing, OFDM)的存取 技術。目前，最新的無線通訊技術大多採用OFDM的技術。 LTE延續了3GPP中的GSM和UMTS家族的技術演進，LTE採用分組交 換模式而不是早期的電路交換模式，此外還包含了非無線技術方面之外的 演進，業界上稱為系統架構演進(System Architecture Evolution, SAE)，包含 演進分組核心網路(Evolved Packet Core, EPC)。LTE和SAE共同組成了演進 的分組交換系統，其核心網路及無線存取完全採用分組交換技術。 LTE可以自由地採用調變技術，不必考慮相容之前的行動通訊技術， 以及5MHz的頻寬限制，LTE可以在一個統一的框架下同時使用頻分雙工 (Frequency-Division Duplexing, FDD) 和 時 分 雙 工 (Time-Division Duplex, TDD)的模式，其TDD為TD-SCFMA(時分同步碼多工存取)的演進。 2008年3GPP組織發佈Release 8的版本定義出長期演進技術LTE，接下 來Release 9版本對於SAES、WiMAX與LTE的部分做了加強，2009年3GPP 組織發佈Release 10版本定義出LTE-Advanced(LTE-A)，也是我們俗稱目前 的4G網路，以下將介紹LTE-A的相關技術。 9.
(20) LTE-A 延伸了 LTE 的功能，為了達到 IMT-Advanced 的基本要求與提 供更良好的服務品質，在 LTE-Advanced Standard[11]簡介中將以下幾種為 重點的發展技術：. 1. 載波聚合(Carrier Aggregation, CA)：在 3GPP 組織的 Release 10 版 本的訊號規範中，定義了載波聚合的技術，最多可以合併五種不同 頻帶的頻寬，由於 LTE 最高支援 20MHz 的頻寬大小，透過 CA 技 術最大將可同時使用到 100MHz 的頻寬大小，在 100MHz 的環境 之下，下行鏈路速率最高可達 1Gbps，上行鏈路最高可達 500Mbps 的傳輸速率。並且可以同時支援同頻段連續頻譜聚合(intra-band contiguous spectrum aggregation)以及跨頻非連續的頻譜聚合(interband spectrum aggregation)，如圖 2-1 所示。. 同頻 連續頻寬 intra-band contiguous. f Band 1. 同頻 非連續頻寬 intra-band Non-contiguous. f Band 1. 跨頻 非連續頻寬 inter-band Non-contiguous. f Band 1. Band 2. 圖 2-1、LTE-A 系統之載波聚合(Carrier Aggregation)示意圖[11]. 10.
(21) 2. 轉發站(Relay)：可以使用相同頻帶(in-band)改善涵蓋範圍，Relay 的 功能與 Repeater 類似，其不同之處是亦可以使用不同頻帶(out-band) 來增加系統容量，並且除了負責增強重新轉送上鏈以及下鏈的工作 之外，也會把自己當作是基地台來管理，同時兼備基地台及中繼站 (Repeater)的特色，專門針對邊緣的用戶及訊號不佳的區域來架設以 改善其服務品質，如圖 2-2 所示。. 電波 A基地台. 電波. B基地台. Relay 轉發站. Backhaul 骨幹網路. 圖 2-2、LTE-A 系統之 Relay 中繼站示意圖[11]. 3. 協調式多點傳送與接收(Coordinated Multi-Point Transmission and Reception, CoMP)：假設用戶端位於在基地台邊緣，用戶端本身可 以同時向主要註冊的基地台做資料傳輸及鄰近邊緣的基地台做資 料傳輸，假設基地台之間完成協調，就能達到服務品質合作增益 (Cooperative gain)，如圖 2-3 所示。. 11.
(22) A基地台 C基地台. 用戶端可同時使用 三個基地台的資源. B基地台. 圖 2-3、LTE-A 系統之 CoMP 多點協調示意圖[11]. 4.. 增強型多天線傳輸(Advanced MIMO)：為了要增加頻譜的使用效率，. LTE-A 所採用的解決方案為增加 MIMO 的天線數量，在 3GPP 組織所提出 的 Release 8 版本中(LTE)定義下行鏈路為 4×4、上行鏈路為 1×2 的多天線 傳輸模式，而在 3GPP 組織所提出的 Release 10 版本中(LTE-A)定義了下行 鏈路為 8×8、上行鏈路為 4×4 的多天線傳輸模式，可看到 Release 8 到 Release 10 版本中，針對下行鏈路提升兩倍以及上行鏈路提升四倍的頻譜使用效率， 如圖 2-4 所示。. 12.
(23) 下行鏈路 8×8. 上行鏈路 4×4 圖 2-4、LTE-A 系統之 Advanced MIMO 增強型多天線傳輸示意圖[11]. 表 2-1 列出 LTE 與 LTE-A 系統之比較，從表 2-1 可觀察出 LTE 與 LTE-A 兩者最大的差異性在於傳輸速率以及頻寬的部分，用戶端下行鏈路 傳輸速率的部分從 150Mbps 提升到 1Gbps；上行傳輸速率的部分從 75Mbps 提升到 500Mbps；下行鏈路傳輸頻寬的部分從 20MHz 大幅增加到 100MHz； 而上行鏈路傳輸頻寬的部分從 20MHz 增加到 40MHz，整體而言，LTE-A 與 LTE 的系統容量相比高出三倍。. 13.
(24) 表 2-1、LTE 與 LTE-A 系統之比較表[11, 12] 技術. LTE. LTE-A. 下鏈最高速率(Mbps). 150. 1000. 上鏈最高速率(Mbps). 75. 500. 下鏈傳輸頻寬(MHz). 20. 100. 上鏈傳輸頻寬(MHz). 20. 40. 1. Maintain Links at speeds up to 350 km/h 移動特性. 2. High Performance at speeds up to 120. Same as LTE. km/h 3. Optimized for low speeds 1. Same as LTE 2. Should be optimized 覆蓋範圍. Full performance up to 5 km. or deployment in local areas/micro cell environments. 可延伸的頻寬(MHz) 系統容量. 1.4, 3, 5, 10, 20. 20-100. 200 active users per. 3 times higher than that. cell in 5 MHz. in LTE. 14.
(25) 2.2. IoT 介紹 在 1999 年時，美國提出了物聯網的概念，當時美國稱作傳感網，其. 中，美國把傳感網路定義為通過紅外感應裝置、無線射頻識別裝置(RFID)、 雷射光學掃描裝置、全球定位系統(GPS)等可以傳送訊息的設備，根據其初 步的標準，把上述裝置透過網際網路進行連線，進行訊息交換和通訊，藉 此實踐智慧化管理、追踪、監控、定位、識別的新興網路概念。 此概念是基於網際網路的技術之上，將用戶所持有的終端設備延伸擴 充到任何裝置與裝置之間來進行資料交換及通訊的一種嶄新的概念。 而繼傳感網路之後，在 2005 年時，國際電信聯盟(ITU)定義出的物聯 網規範，進而產生出物聯網(Internet of Things)這個概念新名詞，其所屬技 術範圍已經有了巨大的變化，其範圍有了大規模的延伸，包含了不同的技 術，其技術範疇不單單僅限於無線射頻識別裝置(RFID)技術，如圖 2-11 所 示，物聯網的發展可以分成以下三種不同的維度： 1. Any Time Connection 在任何時間連接：白天、晚上、行走的時候。 2. Any Place Connection 在任何地點連接：辦公室、學校、公共場合。 3. Any Thing Connection 在任何地方連接：人與物、物與物、人與人。 Any TIME connection 在任何的時間連接. • • • •. • • • •. 在移動中 在室外及室內 在晚上 在白天. 在移動中 在室外 在室內 用電腦. Any PLACE connection 在任何地方連接. • • •. Any THING connection 在任何事物上連接. 電腦跟電腦之間 人跟人之間 物品跟物品之間. 圖 2-5、物聯網的三種維度 (資料來源：ITU, adapted from Namura Research Institute) 15.
(26) 2.3. IoT 之 D2D 應用 D2D 各項應用將成為未來重要的技術，為了因應龐大行動通訊的資料、. 網路社群的興起、核心網路的擁塞，營運商努力找尋出符合經濟效益並且 達到與消費者雙贏的行動網路建置方案，不須透過後端基礎架設網路即可 達成設備與設備之間傳送的技術，以及提供多元化短距離服務的技術，上 述兩個技術皆能讓營運商降低基地台的成本。如圖 2-6 中介紹出四種不同 D2D 應用模式。. 圖 2-6、D2D 之應用 (資料來源：工研院 IEK 2013 ). 1. 網路分載：讓使用者可以不用透過基地台，直接與其他使用者作傳 輸，並且也可以透過其使用者來存取廣域網路的訊息根據目前蜂巢 式網路的通訊方式，即可分擔基地台之傳輸負擔。如圖 2-6 所示，. 16.
(27) 例如，使用者 1 可以跟使用者 2 直接進行傳輸使用者 2，可以透過 使用者 3 存取廣域網路上的資源。. 2. 公共安全：在地震或火災發生時，可以透過單獨的行動裝置來形成 救災網路，不須透過基地台轉發(Relay) 。如圖 2-6 所示，直接與參 與救援的消防員發送指令，在遇到基地台損毀或極度偏遠的地區， 還是可以順利完成救災。. 3. 社交應用：使用者可以使用快速搜尋的功能，來尋找符合自己需求 的使用者，更加容易的可以找到志同道合的夥伴。. 4. 適地服務：使用者不用透過基地台，直接由附近店家的 D2D 裝置 會自動發訊息告知活動訊息，讓使用者可以第一時間準確地接收到 其當地的活動及店家優惠訊息。. 17.
(28) 第三章. 3.1. 本論文提出之演算法. 研究作法之動機 近年來由於無線網路的蓬勃發展以及個人的行動裝置大量生產，無線. 網路的方便性已成為人們不可或缺的生活必需品，而這些蜂窩式行動裝置 設備基本是透過蜂窩式基地台的資源進行資料交換，同時多裝置的連接對 基地台而言是一種負擔，過多的裝置嚴重可能造成基地台無法提供服務。 為了要克服這樣的問題，3GPP 組織在 Release 12[1]中提出 LTE Direct 的 D2D 技術，LTE Direct 使用授權的頻譜，可讓頻段內的使用者自動搜尋鄰 近使用者，無須經由基地台，除了減輕基地台的負擔之外，且使用者可以 自行提供服務、商品、資訊給鄰近的其他使用者，用途廣泛，估計會帶來 新的行動商務模式。. 根據文獻[13]的研究中，對於上述問題提出一個基於 LTE D2D 通訊技 術之位置推薦的方法並使用於蜂巢式網路下行鏈路的環境中，其位置推薦 方法主要的優化對象是 LTE 蜂窩式網路的 MUE 用戶端，透過其方法來提 升整體資源利用率以及降低 D2D 用戶的耗電問題，但傳統的位置推薦演 算法仍有不足之處，希望透過我們所提出的方法來更有效地補足其傳統方 法不足之處，我們所提出的方法將著重於用戶的推薦距離、成本、時間。. 18.
(29) 3.1.1 網路模型之建立 本 研 究 探 討 之 模 型 為 蜂 巢 式 網 路 中 的 跨 層 干 擾 (Cross-Tiered Interference) 問題，如圖 3-1 所示為 D2D 網路干擾情境。MUE 為蜂巢式網 路之用戶(Macrocell User Equipment)；TxUE 為 D2D 網路傳輸端之用戶 (Transmission User Equipment)；RxUE 為 D2D 網路接收端之用戶(Receiver User Equipment)。其中 D2D 用戶中的 TxUE 能共享了基地台所有的資源模 組，如此一來 TxUE 就會與 MUE 產生相互干擾(Mutual Interference)。舉例 來說 TxUE 的資源模組中，若使用到與 MUE 相同的 RB 資源，可能就會 相互產生干擾，這是因為 MUE 位於 TxUE 的通訊範圍之內，造成 TxUE 的 訊號影響到 MUE，進而導致整體蜂巢式網路的系統容量下降。. 圖 3-1、D2D 通訊用於蜂巢式網路中產生的跨層干擾示意圖. 若能適時調整 D2D 通訊的傳輸功率，或者能在資源分配上做適當的考 量，如圖 3-2 所示，即可以有效的降低 TxUE 對於 MUE 的干擾，藉此增加 蜂巢式網路以及 D2D 通訊的系統容量。. 我們可以根據SINR模型計算出基地台對 MUEk 以及D2D中的TxUE對 RxUE的訊號干擾雜訊比，我們假設 U 1,2,...,K ,K 1,...,MT 為MUE及D2D. 19.
(30) 之總集合； 1,2,3,...,K 為MUE之集合； D K 1,K 2,K 3,...,MT 為 D2D之集合，並分別由(式3-1)以及(式3-2)表示：. SINRMUEk . PMBS ,k DMBS ,k HMBS ,k. . MT j K 1. . P. r(Rk RD 2 D ) TxUE j ,k ,r. 2 2. TxUE j ,k. HTxUE j ,k ,r N. D. (式3-1). 其中 PMBS ,k 表示為 MBS 到第 k 個 MUE 用戶傳輸之功率； PTxUE j ,k 表示為第 j 個 D2D TxUE 到第 k 個 MUE 用戶干擾之功率； DMBS ,k 表示為 MBS 到第 k 個 MUE 用戶之距離； DTxUE 表示為第 j 個 D2D TxUE 到第 k 個 MUE 用戶 j. 之距離； HMBS ,k 表示為 MBS 到第 k 個 MUE 用戶之通道係數； HTxUE j ：表示 為第 j 個 D2D TxUE 到第 k 個 MUE 用戶之通道係數； N 表示為雜訊；α 表 示為路徑損耗係數。. SINRRxUEj ,r . PTxUE j ,RxUE j ,r DTxUE HTxUE j ,RxUE j ,r j ,RxUE j MBS ,RxUE j. PMBS ,RxUE j ,r D. 2. (式 3-2). 2. HMBS ,RxUE j ,r N. 其中 PTxUE j ,RxUE j 表示為第 j 個 D2D TxUE 到第 j 個 D2D RxUE 傳輸之功率； PMBS,RxUE j 表示為 MBS 到第 j 個 D2D RxUE 干擾之功率；DTxUE. j ,RxUE j. 表示為第. j 個 D2D TxUE 到第 j 個 D2D RxUE 之距離； DMBS, RxUEj 表示為 MBS 到第. j 個 D2D RxUE 之距離；HTxUE j ,RxUE j 表示為第 j 個 D2D TxUE 到第 j 個 D2D. 20.
(31) RxUE 之通道係數； HMBS,RxUE j 表示為 MBS 到第 j 個 D2D RxUE 之通道係 數； N 表示為雜訊； α 表示為路徑損耗係數。. 根據環境中的嚴重干擾區域採用干擾抑制(Interference-Suppression)範圍之 功率控制方法，並解同時調整 RB 資源分配。考慮以下之干擾情形，由(式 3-3)表示：. . IMUEk DTxUE j ,MUEk. . PTxUE j D 0 . ,D RI ,D RI. (式3-3). 其中 IMUEk 代表 MUEk 所受到的干擾值；( DTxUEJ ,MUEk )代表為TxUE使用者到 MUEk 的距離； RI 代表為干擾抑制的半徑(Interference-Suppression-Area, ISA)，由 (式3-4)表示：. P RI threshold PTxUE j . . 1 . (式3-4). RI 是根據 Pthreshold 以及 PTxUE 所受到的影響而改變，其示意圖，如圖3-2所示。 其中 Pthreshold 代表的是蜂巢式網路能接受D2D干擾值； PTxUE 代表的是TxUE的 傳輸功率。若 Pthreshold 的值越大代表 RI 的涵蓋範圍就會越大，蜂巢式網路中 的MUE即可減少來自於 PTxUE 的干擾影響，進而避免蜂巢式網路的系統容量 降低；若 RI 的涵蓋範圍大於蜂巢式網路覆蓋範圍，則蜂巢式網路中的MUE 就能完全避免來自於 PTxUE 的干擾影響；反之 Pthreshold 的值越小代表 RI 的涵蓋 21.
(32) 範圍也越小，蜂巢式網路中的MUE將會遭受到來自於 PTxUE 的干擾影響而降 低蜂巢式網路系統容量。另一方面當 RI 值越小，TxUE用戶能與蜂巢式網路 共享的資源則越多，這樣的方式可增加D2D網路的系統容量，達到頻率覆 用的效果。. 圖 3-2、D2D 通訊干擾抑制半徑的示意圖. 當 Pthreshold 為預期 MUE 用戶能接受干擾值的功率的時候， PTxUE j 為第 j 個. . . TxUE 的功率，我們會假設(式 3-3)的 IMUEk DTxUE j ,MUEk 為 Pthreshold ，且會代表著 我們不同的分配機制。. 根據此概念調整 RI ，我們藉由香農容量定理(Shannon Capacity Theorem) 可以計算整體系統容量由(式3-5)表示：. M. C system CRxUE CMUEk k 1. . log 1 SINR. RxUE ,r. . log 1 SINR. MUEk ,r. log 1 SINR. rMout. . rMout. 2. 2. (式3-5). rMin. 2. MUEk ,r. . 其中 Mout 表示 RI 範圍以外的資源組， M in 表示 RI 範圍以內的資源組。. 22.
(33) 3.2. 基於粒子群最佳化之位置推薦方法設計 在本論文根據文獻[14]中的粒子群演算法，提出了基於粒子群最佳化. 的位置推薦方法，相較於傳統的位置推薦方法[13]來說，在最佳點的位置 選擇，更加的智能化，更能感知環境中的干擾狀態，使用智能化的方式來 推薦 D2D 使用者的最佳目標位置，如圖 3-3 所示，傳統的位置推薦方法會 曾對地圖上的所有點，去做最佳系統容量的計算，找出最佳點之後，讓 D2D 使用者移動到所推薦的位置點，來達到系統容量的最佳化，雖然曾對所有 的點去做計算確實可以找出最佳的推薦位址，相對的推薦距離可能會有過 遠的問題，以及需要耗費較長的時間來做計算。而如圖 3-4 所示，基於粒 子群最佳化之位置推薦方法，則不用對地圖上所有的點去做系統容量的計 算，只要把少量的粒子撒在地圖上去做計算，並且以不斷迭代的方式來修 正最佳推薦位置，最終的迭代結果將會是 D2D 使用者的最佳推薦位置，預 計可以帶來最低的推薦成本及推薦距離，來縮短位置推薦所花費的計算時 間，但相對其推薦後的系統容量與傳統的方法相比會較差，但仍然是比原 本不移動時的系統容量結果佳，以單系統容量的觀點來看的話，是傳統方 法的次佳解，但以整體來說，其結果是使用者的最佳解。. 圖 3-3、傳統位置推薦演算法示意圖. 23.
(34) 圖 3-4、基於粒子群的位置推薦演算法示意圖. 3.2.1 粒子族群最佳化演算法 粒子族群最佳化(particle swarm optimization, PSO)是主要是應用於群體 計算的演化算法，最先是由 R. C. Eberhart 和 J. Kennedy 於 1995 所發表的 一種方法，此方法主要是透過觀察及研究鳥群覓食過程中的行為所啟發而 來的。鳥群在找尋食物的過程中，每一個個體雖然不一定知道食物在何處， 但是透過身邊同伴飛行方向的牽引便大大提高了搜尋食物的效率跟機會， 這種透過群體合作表現出的行為被稱之為群體智能。在求解最佳化問題， 神經網路訓練，函數極值，模糊控制系統方面都被廣泛的應用，並獲得許 多研究成果。 在基本的粒子群最佳化演算法中，粒子群由粒子所組成每個粒子的位 置即代表著最佳化問題的潛在的可能解，而粒子群依據自身當前位置與個 體最佳解及整個群體中最佳解這三項資訊來做為更新狀態之依據，如(式 36)及(式 3-7)所示:. vi ,d (n 1) vi ,d (n) C1 (rnd0,1 )[pbi ,d xi ,d (n)] C2 (rnd0,1 )[gbd xi ,d (n)]. xi ,d (n 1) xi ,d (n) vi ,d (n 1) T. 24. (式 3-6) (式 3-7).
(35) 其中𝑛 代表粒子群演算法的疊代次數；𝑥𝑖,𝑑 為第 i 個在第 d 維度的粒子位 置；𝜉𝑣𝑖,𝑑 為第 i 個在第 d 維度的粒子速度(移動所需距離)；𝑝𝑏𝑖,𝑑 為第 i 個在 第 d 維度的粒子區域最佳解位置；𝑔𝑏𝑖,𝑑 為第 i 個在第 d 維度的粒子全域最 佳解位置；𝑟𝑛𝑑0,1 為產生 0~1 之間之浮點亂數；𝐶1 為(區域解相關係數) 常 數值；𝐶2 為(全域解相關係數)常數值；𝑇為系統取樣時間。. 1. 32. 5 2. 42. 22. 圖 3-5、粒子群演算法示意圖. 粒子群演算法的演算方式由圖 3-5 所示，粒子的初始位置為 1，而原本 要朝向 2 移動，但透過適應值(fitness value)的計算會先朝向區域最佳解的 3 前進，之後會受到全域最佳解的影響往 4 前進，最後到達 5。. 3.2.2 基於粒子群最佳化之位置推薦方法 本小節將會敘述基於粒子群最佳化之位置推薦演算法(PSO-LR)的設計 概念，由圖 3-6 可得知，原先 D2D 用戶位置是受到干擾之情況，若 D2D 用戶根據 LR 演算法所提供的位置移動，如圖 3-7，D2D 用戶便可改善系 統容， D2D 用戶與基地台的距離相當的靠近，D2D 用戶將受到來自於基 25.
(36) 地台的干擾，使得 D2D 系統容量受到嚴重的影響，因此 D2D 用戶向基地 台通知需要位置推薦並且提出階段性系統的提升要求，根據 PSO-LR 演算 法的計算後，將會請 D2D 用戶移動到 PSO-LR 演算法推薦的位置，來達 成系統容量的提升。. 圖 3-6、文獻[5]未使用 LR 演算法. 圖 3-7、使用後 LR 演算法. 由於本方法是基於粒子群最佳化來設計的位置推薦演算法，所以我們 必須先設計出符合我們需求的適應值，我們的主要需求是推薦距離越短越 好，但是其推薦後的系統容量是越高越好，所以依照我們的需求設計出如 (式 3-8)所示的適應值函數：. 26.
(37) w fit (C D 2D _ particle )(dmove )1 , CD 2D _ after CD 2D _ before CD 2D _ tar g et f (dmove ) (式 3-8) 0, elsewhere . 其中 w fit 為適應值權重； C D 2D _ particle 為粒子所在位置之系統容量； dmove 為需 要移動的距離； CD2D _ before 為假設 D2D 移動後的系統容量； C D 2D _ after 為 D2D 移動前的系統容量； CD2D _ t arg et 為移動後可增加的系統容量目標值。. 本研究的目標是降低移動成本為主要出發點， PSO-LR 演算法是特別 針給 D2D 用戶使用的，希望 D2D 用戶依循著 PSO-LR 演算法提供的位置 推薦來移動，讓用戶以最低的移動成本達到最佳的服務品質，所以我們設 計出位置推薦成本函數，如(式 3-9)所示:. LRcost (wcost ,cave ,rave ,tave ,dave ) wcost (cave rave )1 tave dave. (式 3-9). 其中 d ave 表示為平均推薦距離; wcost 表示為成本權重; cave 表示為系統容 量成長率; rave 表示為資源利用提升率; t ave ：平均一千次之計算時間；由於 我們希望成本函數越低越好，我們把 cave 及 rave 越高越好的指標以倒數的方 式乘上 t ave 及 d ave 越低越好的指標，透過這些數值來客觀的分析我們移動之 後所需要花費多少成本，可以得出我們 PSO-LR 的推薦方法所帶來的優勢。. 在此我們可以將問題簡化為 lˆ F l , , 的方程式，其中 lˆ 代表為 PS0LR 演算法推薦位置；l 代表為 D2D 用戶目前所在位置； 代表為 D2D 用. 27.
(38) 戶目前的系統容量； 代表為 D2D 用戶要求要提升的系統容量，以下為 PSO-LR 演算法的說明。. 首先，我們在模擬環境之中設置了 m 個座標點，在此我們對於每一個 座標點先行計算出系統容量並且記錄在資料庫中，當 D2D 用戶提出增加 系統容量的需求之後，根據 D2D 用戶提出要求對應出資料庫中所符合條 件的系統容量，接下來在這些符合條件的系統容量計算出與 D2D 用戶的 距離，最後使用粒子群演算法來挑選出成本最低、推薦距離最短的位置給 D2D 用戶，來達到提升系統容量降低計算時間的目的，圖 3-8 為位置推薦 演算法流程圖而圖 3-9 為位置推薦演算法之虛擬碼。. 28.
(39) 開始. 初始化粒子群的隨 機位置和速度. 以(式3-8)尋找符合 推薦距離短且達到 目標系統容量的粒 子 否. 是否比當前的 區域最佳解位置(pb)與全域最佳 解位置(gb)好 否 是 根據(式3-6及式3-7) 更新粒子的位置以 及速度 是. 到達設定之疊代次數 取代當前D2D Pair位置. 結束 圖 3-8、PSO 位置推薦演算法之流程圖. 29.
(40) Algorithm:. PSO location recommendation algorithm (LR). 01：Construct and initialize the capacity map {( l1 , 1 ), ( l2 , 2 ), ........., ( lm ,. m )} 02：D2Dℎ informs the serving BS of (𝑙ℎ ,𝜑ℎ )→(𝜑ℎ ,𝜓ℎ ) // 𝑙ℎ : Current D2Dℎ location // 𝜑ℎ : Evaluated capacity of the current location // 𝜓ℎ : Desired capacity level 03：If h < h 04：For k = 1 : m 05：. Export ( lk , k ). 06：. Set Λ as the set of {( lk , k )} in which k ≥ h *. *. // k is adequate to the desired capacity level *. 07：End For 08：If Λ ∅ //Calculate the moving distance from the current location lh to each *. location lk in Λ, dh ,k 09： Initialize particles swarm optimization //initialize all particles 10： Repeat 11： For each particle i in S do // Construct and initialize the particle S={( x1 , pb1 ), ( x 2 , pb2 ), ........., ( x i ,. pbi )} 12：. If f (xi ) < f (pbi ) then. //update the particle’s best position by Fitness Eq.(3-8) 13：. pbi = x i. 14：. End If 30.
(41) 15：. If f (pbi ) < f gb then. //update the global best position 16：. gb = pbi. 17： End If 18： End For 19： For each particle i in S do //update particle’s velocity and position 20： For each dimension d in D do Eq.(3-6) and (3-7) 21： End For 22： End For 23： n n 1 //advance iteration 24： Until n MAX _ ITERATIONS 25： lˆ = gb //Output the location lˆ with the minimum moving distance 26：End if 27：Else Λ O // The search results is null 28：Return. lh. // Keep staying in the current location 29：Return lˆ // Go to the new location lˆ 30：End if 31：End 圖 3-9、PSO 位置推薦演算法之虛擬碼. 31.
(42) 第四章. 數值分析與模擬結果. 4.1 模擬環境與參數設定 本章節為我們所提出的基於粒子群的位置推薦方法之參數設定及模擬 結果，我們的模擬環境設置在 LTE 蜂巢式網路的下行鏈路中，主要模型採 用文獻[5]中環境及參數設置，環境中的用戶分成兩種類型，分別為 MUE 及 D2D 用戶。接下來所描述的 MBS 為蜂巢式基地台的簡稱，MBS 主要的 服務對象為 MUE 用戶。我們假設 MBS 位於地圖的中心位置，其涵蓋的服 務 範 圍 我 們 分 別 採 用 Case1 為 1000m*1000m 的 區 域 及 Case2 為 2000m*2000m 的區域。並且假設 MUE 用戶的總人數為 30，並且 MBS 為 滿載的狀態，其他之設定參數如表 4-1 及表 4-2 所示: 表 4-1、系統模型參數之設定 Notation. Parameter. Value. 𝐷𝑇𝑥𝑈𝐸𝐽 ,𝑅𝑥𝑈𝐸𝑗. The distance between D2D(meter). 10. 𝑘. Number of MUEs. 30. ℎ. Number of D2Ds. 5. 𝑟. Number of Resource Block. 30. 𝑃𝑀BS,𝑅𝑥𝑈𝐸𝑗. Transmit Power of BS(dBm). 46. 𝑃𝑇𝑥𝑈𝐸𝑗 ,𝑘. Transmit Power of TxUE(dBm). 23. N. Noise Power(dBm). -174. 𝛼. Path-loss Exponent. 5. 𝐶𝐷2𝐷_𝑡𝑎𝑟𝑔𝑒𝑡. Location recommendation Capacity(bps). 50. 32.
(43) 表 4-2、粒子群演算及權重參數之設定 Notation. Parameter. Value. 𝑊𝑓𝑖𝑡. 適應值權重值. 10000. 𝑊𝑐𝑜𝑠𝑡. 成本權重值. 0.01. 𝐶1. (區域解相關係數) 常數值. 2. 𝐶2. (全域解相關係數) 常數值. 2. 𝑑. 維度(x,y). 2. 𝑖. 粒子數. 45. 𝑛. 迭代次數. 200~2000. 4.2 模擬結果與討論 在蜂巢式網路之下的 MUE 用戶為滿載且在 D2D 所產生的干擾抑制區 (式 3-4)之內採用資源不共享的方式來達到消除干擾的目的。 根據本研究模擬設定環境中，將分別比較暴力法(brute-force)的位置推 薦方法(LR)以及我們所提出基於粒子群位置推薦方法(PSO-LR)的不同迭 代次數中的數據，在資源分配的機制(干擾抑制區域)部分，以 5pairs 的 D2D 情 境 ， 並 且 在 Case1(map size 1000m*1000m) 及 Case2(map size 2000m*2000m)兩種地圖環境來 模擬-120dBm、-130dBm、-140dBm 及150dBm 的資源分配機制，本碩論模擬結果以平均一千次的數據來呈現。 在 Case 1 及 Case2 的地圖中，採用-120dBm 的情形下推薦距離之比較 結果，如表 4-3 及圖 4-1 所示，在我們所提出的方法中，呈顯的推薦距離 是大幅低於暴力法(brute-force)的位置推薦方法，並且不管是在 Case1 或 Case2 的情況下，迭代次數越多，推薦距離相對可以得到越短的結果，並 且從迭代 1400 次開始的提升比例十分相近，有逐漸收斂的趨勢，而 Case2 因為地圖較大，相對收斂速度較 Case1 慢。 33.
(44) 表 4-3、在-120dBm 情形下平均推薦距離之比較表 迭代 次數. brute force. Case1 距離 103.036 (m) Case2 距離 199.015 (m) Case1 與 brute Force 相差(%) Case2 與 brute Force 相差(%). 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 30.853 30.812 29.336 29.256 26.504 27.725 26.731 26.321 24.046. 2000. 23.26. 68.518 61.313 63.033 64.316 71.448 56.854 48.956 53.217 49.557 48.483 70.1%. 70.1% 71.5% 71.6% 74.3% 73.1%. 74.1% 74.5% 76.7% 77.4%. 65.6%. 69.2% 68.3% 67.7% 64.1% 71.4%. 75.4% 73.3% 75.1% 75.6%. *紅色字體代表相差最大之數值 200 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average recommended distance(meter). 180. 160. 140. 120. 100. 80. 60. 40. 20 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-1、在-120dBm 情形下平推薦距離之比較圖 採用-120dBm 的情形下的平均一千次所需時間，如表 4-4 及圖 4-2 所 示，在我們所提出的方法中，其不同迭代次數的數據結果，呈顯出的推薦. 34.
(45) 時間都是遠低於暴力法(brute-force)的位置推薦方法(LR)，並且在 Case2 地 圖較大的情形下，我們的方法在推薦時間較短的優勢會更佳的顯著。 表 4-4、在-120dBm 情形下執行時間之比較表 迭代 次數. brute force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Case1 時間 1380 (秒). 1265. 1274. 1282. 1290. 1301. 1335. 1329. 1337. 1351. 1353. 5063. 5045. 5349. 5009. 4996. 4995. 5054. 5011. 5017. 5049. brute Force 相差(%) Case2 與. 8.3%. 7.7%. 7.1%. 6.5%. 5.7%. 3.3%. 3.7%. 3.1%. 2.1%. 2.0%. brute Force 相差(%). 10.0% 10.4% 5.0% 11.0% 11.3% 11.2% 10.2% 11.0% 10.9% 10.3%. Case2 時間 5628 (秒) Case1 與. *紅色字體代表相差最大之數值 6000 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m) 5500. Average execution time(sec). 5000. 4500. 4000. 3500. 3000. 2500. 2000. 1500. 1000 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. Iterations. 圖 4-2、在-120dBm 情形執行時間之比較圖 35. 1800. 2000.
(46) 整體系統容量提升率表現的部分，如表 4-5 及圖 4-3 所示，在我們所 提出的方法中，Case1 的迭代 400 次及 Case2 的迭代 1000 次的時候系統容 量，僅與 brute Force 分別相差 3.5%及 2.6%，是所有迭代次數中較佳的結 果，雖然其提升率都不及暴力法(brute-force)的位置推薦方法(LR)，但我們 所提出的方法，以系統容量提升率的觀點來看，是暴力法(brute-force)位置 推薦方法(LR) 的次佳解。 表 4-5、在-120dBm 的情形下平均系統容量提升率之比較表 迭代 次數. brute force. Case1 系統 容量 提升 率. 1.06. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. 1.022 1.023 1.019 1.021 1.017 1.018 1.018 1.016 1.017 1.017. Case2 系統 容量 1.045 1.016 1.015 1.016 1.017 1.018 1.015 1.013 1.015 1.014 1.015 提升 率 Case1 與 3.6% 3.5% 3.9% 3.7% 4.1% 4.0% 4.0% 4.2% 4.1% 4.1% brute Force 相差(%) Case2 與 2.8% 2.9% 2.8% 2.7% 2.6% 2.9% 3.1% 2.9% 3.0% 2.9% brute Force 相差(%) *紅色字體代表相差最大之數值. 36.
(47) 1.07 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average capacity increase utilization ratio. 1.06. 1.05. 1.04. 1.03. 1.02. 1.01 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-3、在-120dBm 情形下的平均平均系統容量提升率之比較圖 在-120dBm 情形下的資源複用率表現部分，如表 4-6 及圖 4-4 所示， 在我們的方法中，可以發現雖然在 Case1 地圖較小的環境中，略差於暴力 法(brute-force)的位置推薦方法(LR)，但在 Case2 地圖較大的環境中，其資 源複用率表現不相上下。. 37.
(48) 表 4-6、在-120dBm 情形下資源複用率之比較表 迭代 次數. brute force. 200. 400. 600. 800. 1000. 1200. 1600. 1800. 2000. Case1 資源 0.992 複用 率. 0.99. 0.99. 0.99. 0.99. 0.99. 0.991 0.989 0.989. 0.99. 0.99. 1400. Case2 資源 0.998 0.997 0.997 0.998 0.998 0.997 0.998 0.997 0.998 0.998 0.998 複用 率 Case1 與 brute Force 相差(%) Case2 與. 0.2%. 0.2% 0.2% 0.2% 0.2% 0.1%. 0.3% 0.3% 0.2% 0.2%. brute Force 相差(%). 0.1%. 0.1% 0.0% 0.0% 0.1% 0.0%. 0.1% 0.0% 0.0% 0.0%. *紅色字體代表相差最大之數值 1 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average resource reuse utilization ratio. 0.998. 0.996. 0.994. 0.992. 0.99. 0.988 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. Iterations. 圖 4-4、在-120dBm 情形下資源複用率之比較圖 38. 2000.
(49) 在-120dBm 情形下，我們把上述的推薦距離、時間、系統容量提升率、 資源利用率經由式 3-10 的成本公式來分析證明 PSO-LR 的優勢所在，其結 果如表 4-7 及圖 4-5 所示，在我們的方法中，在迭代 2000 次的時候，不管 在 Case1 及 Case2 其成本與暴力法(brute-force)的位置推薦方法(LR)表現是 最佳的，在總和所有數值之後的成本分析結果，可以看出我們所提出的方 法，以成本的觀點來看，比暴力法(brute-force)的位置推薦方法(LR)來的優 秀，尤其是在地圖較大的 Case2 我們的方法有顯著的成本降低。 表 4-7、在-120dBm 的情形下的推薦成本之比較表 迭代 次數. brute force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Case1 成本. 1352.2. 385.7. 387.6. 372.8. 373.4. 342.5. 366.9. 352.9. 350.2. 322.7. 312.6. Case2 10739.7 3424.7 3056.7 3325.2 3174.1 3517.0 2803.5 2449.8 2632.6 2456.9 2416.6 成本 Case1 與 brute 71.5% 71.3% 72.4% 72.4% 74.7% 72.9% 73.9% 74.1% 76.1% 76.9% Force 相差(%) Case2 與 brute 68.1% 71.5% 69.0% 70.4% 67.3% 73.9% 77.2% 75.5% 77.1% 77.5% Force 相差(%) *紅色字體代表相差最大之數值. 39.
(50) 12000 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). 10000. Average cost. 8000. 6000. 4000. 2000. 0 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-5、在-120dBm 的情形下之成本比較圖 在採用-130dBm 的情形下推薦距離之比較結果，如表 4-8 及圖 4-6 所 示，在我們所提出的方法中，呈顯的推薦距離是大幅低於暴力法(brute-force) 的位置推薦方法，並且不管是在 Case1 或 Case2 的情況下從迭代 1000 次 開始的提升比例十分相近，有逐漸收斂的趨勢，迭代次數越多，推薦距離 相對可以得到越短的結果，而 Case2 因為地圖較大，相對收斂速度較 Case1 慢。. 40.
(51) 表 4-8、在-130dBm 情形下平均推薦距離之比較表 迭代 次數. brute force. Case1 距離 101.306 (m) Case2 距離 205.348 (m) Case1 與 brute Force 相差(%) Case2 與 brute Force 相差(%). 200. 400. 600. 800. 1000. 1200. 34.537 34.518 33.607 29.065 27.462 26.431. 1400. 25.81. 1600. 1800. 2000. 26.527 21.067 24.719. 66.164 68.725 66.911 62.284 58.271 59.912 54.429 53.641 55.836 53.067. 65.9%. 65.9% 66.8% 71.3% 72.9% 73.9%. 74.5% 73.8% 79.2% 75.6%. 67.8%. 66.5% 67.4% 69.7% 71.6% 70.8%. 73.5% 73.9% 72.8% 74.2%. *紅色字體代表相差最大之數值 220 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average recommended distance(meter). 200. 180. 160. 140. 120. 100. 80. 60. 40. 20 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-6、在-130dBm 情形下平均推薦距離之比較圖 採用-130dBm 的情形下的平均一千次所需時間，如表 4-9 及圖 4-7 所 示，在我們所提出的方法中，其不同迭代次數的數據結果，呈顯出的推薦. 41.
(52) 時間都是遠低於暴力法(brute-force)的位置推薦方法(LR)，並且在 Case2 地 圖較大的情形下，我們的方法在推薦時間較短的優勢會更佳的顯著。 表 4-9、在-130dBm 情形下執行時間之比較表 迭代 次數. brute force. 200. 400. 600. 800. 1000 1200 1400 1600 1800 2000. Case1 時間 1371 1266 1275 1284 1292 1301 1330 1333 1338 1351 1356 (秒) Case2 時間 5567 5095 5046 5111 4984 4998 4996 5004 5013 5020 5028 (秒) Case1 與 7.7 7.0 6.3 5.8 5.1 3.0 2.8 2.4 1.5 1.1 brute Force % % % % % % % % % % 相差(%) Case2 與 8.5 9.4 8.2 10.5 10.2 10.3 10.1 10.0 9.8 9.7 brute Force % % % % % % % % % % 相差(%) *紅色字體代表相差最大之數值 6000 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m) 5500. Average execution time(sec). 5000. 4500. 4000. 3500. 3000. 2500. 2000. 1500. 1000 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. Iterations. 圖 4-7、在-130dBm 情形執行時間之比較圖 42. 1800. 2000.
(53) 整體系統容量提升率表現的部分，如表 4-10 及圖 4-8 所示，在我們所 提出的方法中，Case1 及 Case2 迭代 400 次的時候，系統容量與暴力法 (brute-force)僅分別差異 3%及 2.6%，是所有迭代次數中較佳的結果，雖然 其提升率都不及暴力法(brute-force)的位置推薦方法(LR)，但我們所提出的 方法，以系統容量提升率的觀點來看，是暴力法(brute-force)位置推薦方法 (LR) 的次佳解。 表 4-10、在-130dBm 的情形下平均系統容量提升率之比較表 迭代 次數. brute force. 200. 400. 600. 800. Case1 系統 容量 1.055 1.023 1.023 1.021 1.019 提升 率. 1000. 1200. 1400. 1600. 1800. 2000. 1.02. 1.018 1.021 1.019 1.014 1.017. Case2 系統 容量 1.045 1.016 1.018 1.016 1.016 1.015 1.017 1.016 1.015 1.014 1.012 提升 率 Case1 與 brute Force 相差(%) Case2 與. 3.0%. 3.0% 3.2% 3.4% 3.3% 3.5%. 3.2% 3.4% 3.9% 3.6%. brute Force 相差(%). 2.8%. 2.6% 2.8% 2.8% 2.9% 2.7%. 2.8% 2.9% 3.0% 3.2%. *紅色字體代表相差最大之數值. 43.
(54) 1.055 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average capacity increase utilization ratio. 1.05. 1.045. 1.04. 1.035. 1.03. 1.025. 1.02. 1.015. 1.01 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-8、在-130dBm 的情形下平均系統容量提升率之比較圖. 在-130dBm 情形下的資源複用率表現部分，如表 4-11 及圖 4-9 所示， 在我們的方法中，可以發現雖然在 Case1 地圖較小的環境中，略差於暴力 法(brute-force)的位置推薦方法(LR)，但在 Case2 地圖較大的環境中，其資 源複用率僅不到 1%的差距，表現不相上下。. 44.
(55) 表 4-11、在-130dBm 情形下資源複用率之比較表 迭代 次數. brute force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Case1 資源 0.981 0.974 0.972 0.973 0.972 0.974 0.972 0.972 0.972 0.971 0.971 複用 率 Case2 資源 0.995 0.993 0.994 0.994 0.993 0.994 0.993 0.992 0.993 0.994 0.993 複用 率 Case1 與 brute Force 相差(%) Case2 與. 0.7%. 0.9% 0.8% 0.9% 0.7% 0.9%. 0.9% 0.9% 1.0% 1.0%. brute Force 相差(%). 0.2%. 0.1% 0.1% 0.2% 0.1% 0.2%. 0.3% 0.2% 0.1% 0.2%. *紅色字體代表相差最大之數值 1 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average resource reuse utilization ratio. 0.995. 0.99. 0.985. 0.98. 0.975. 0.97 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. Iterations. 圖 4-9、在-130dBm 情形下資源複用率之比較圖 45. 2000.
(56) 在-130dBm 情形下，我們把上述的推薦距離、時間、系統容量提升率、 資源利用率經由式 3-10 的成本公式來分析證明 PSO-LR 的優勢所在，其結 果如表 4-12 及圖 4-10 所示，在我們的方法中，在迭代第 1800~2000 次的 時候，不管在 Case1 及 Case2 其成本與暴力法(brute-force)的位置推薦方法 (LR)表現是最佳的，在總和所有數值之後的成本分析結果，可以看出我們 所提出的方法，以成本的觀點來看，是大幅度的比暴力法(brute-force)的位 置推薦方法(LR)來的優秀。. 表 4-12、在-130dBm 的情形下的推薦成本之比較表 迭代 次數. brute force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Case1 成本. 1342.0. 438.8. 442.6. 434.4. 379.1. 359.6. 355.3. 346.7. 358.3. 289.1. 339.4. Case2 10994.4 3341.4 3427.1 3386.3 3076.9 2886.7 2963.9 2702.4 2668.0 2781.0 2655.2 成本 Case1 與 brute 67.3% 67.0% 67.6% 71.8% 73.2% 73.5% 74.2% 73.3% 78.5% 74.7% Force 相差(%) Case2 與 brute 69.6% 68.8% 69.2% 72.0% 73.7% 73.0% 75.4% 75.7% 74.7% 75.8% Force 相差(%) *紅色字體代表相差最大之數值. 46.
(57) 12000 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). 10000. Average cost. 8000. 6000. 4000. 2000. 0 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-10、在-130dBm 的情形下之成本比較圖. 在採用-140dBm 的情形下推薦距離之比較結果，如表 4-13 及圖 4-11 所示，在我們所提出的方法中，呈顯的推薦距離是大幅低於暴力法(bruteforce)的位置推薦方法，並且不管是在 Case1 或 Case2 的情況下，迭代次 數越多，推薦距離相對可以得到越短的結果，並且從迭代 1600 次開始的 提升比例十分相近，有逐漸收斂的趨勢，而 Case2 因為地圖較大，相對收 斂速度較 Case1 慢。. 47.
(58) 表 4-13、在-140dBm 情形下平均推薦距離之比較表 迭代 次數. brute force. Case1 距離. 103.55. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. 36.293 32.322 31.382 34.602 30.395 29.117 31.264 26.085 22.743 23.031. (m) Case2 距離 204.915 80.951 68.473 65.641 64.458 54.754 63.149 58.061 54.489 49.507 50.797 (m) Case1 與 brute 65.0% 68.8% 69.7% 66.6% 70.6% 71.9% 69.8% 74.8% 78.0% 77.8% Force 相差(%) Case2 與 brute 60.5% 66.6% 68.0% 68.5% 73.3% 69.2% 71.7% 73.4% 75.8% 75.2% Force 相差(%) *紅色字體代表相差最大之數值 60 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average recommended distance(meter). 55. 50. 45. 40. 35. 30. 25. 20. 15. 10 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-11、在-140dBm 情形下平均推薦距離之比較圖 採用-140dBm 的情形下的平均一千次所需時間，如表 4-14 及圖 4-12 所 示，在我們所提出的方法中，其不同迭代次數的數據結果，呈顯出的推薦. 48.
(59) 時間都是遠低於暴力法(brute-force)的位置推薦方法(LR)，並且在 Case2 地 圖較大的情形下，我們的方法在推薦時間較短的優勢會更佳的顯著。 表 4-14、在-140dBm 情形下執行時間之比較表 迭代 次數. brute force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Case1 時間 1360 1270 (秒). 1279. 1288. 1296. 1306. 1339. 1352. 1345. 1355. 1363. 5052. 5047. 4990. 5002. 5020. 5006. 5017. 5024. 5033. 6.6%. 6.0%. 5.3%. 4.7%. 4.0%. 1.5%. 0.6%. 1.1%. 0.4%. -0.2%. 11.5 %. 12.1 %. 12.2 13.2 13.0 12.7 12.9 % % % % % *紅色字體代表相差最大之數值. 12.7 %. 12.6 %. 12.5 %. Case2 時間 5750 5091 (秒) Case1 與 brute Force 相差(%) Case2 與 brute Force 相差(%). 6000 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m) 5500. Average execution time(sec). 5000. 4500. 4000. 3500. 3000. 2500. 2000. 1500. 1000 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. Iterations. 圖 4-12、在-140dBm 情形執行時間之比較圖 49. 1800. 2000.
(60) 整體系統容量提升率表現的部分，如表 4-15 及圖 4-13 所示，在我們 所提出的方法中，Case1 的迭代 200 次及 Case2 的迭代 400 次的時候系統 容量與暴力法(brute-force)僅分別差異 3%及 2.6%，雖然其提升率都不及暴 力法(brute-force)的位置推薦方法(LR)，但我們所提出的方法，以系統容量 提升率的觀點來看，是暴力法(brute-force)位置推薦方法(LR) 的次佳解。 表 4-15、在-140dBm 的情形下平均系統容量提升率之比較表 迭代 次數. brute force. 200. 400. Case1 系統 容量 1.052 1.023 1.024 提升 率. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. 1.02. 1.02. 1.019 1.018 1.021 1.018 1.017 1.015. Case2 系統 容量 1.043 1.019 1.015 1.016 1.014 1.016 1.017 1.017 1.014 1.015 1.014 提升 率 Case1 與 brute Force 相差(%) Case2 與. 2.8%. 2.7% 3.0% 3.0% 3.1% 3.2%. 2.9% 3.2% 3.3% 3.5%. brute Force 相差(%). 2.3%. 2.7% 2.6% 2.8% 2.6% 2.5%. 2.5% 2.8% 2.7% 2.8%. *紅色字體代表相差最大之數值. 50.
(61) 1.055 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average capacity increase utilization ratio. 1.05. 1.045. 1.04. 1.035. 1.03. 1.025. 1.02. 1.015. 1.01 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-13、在-140dBm 的情形下平均系統容量提升率之比較圖. 在-140dBm 情形下的資源複用率表現部分，如表 4-16 及圖 4-14 所示， 在我們的方法中，可以發現雖然在 Case1 地圖較小的環境中，略差於暴力 法(brute-force)的位置推薦方法(LR)，但在 Case2 地圖較大的環境中，其資 源複用率相對比 Case1，且 Case2 在不同迭代次數下，其表現不相上下。. 51.
(62) 表 4-16、在-140dBm 情形下資源複用率之比較表 迭代 次數. brute force. Case1 資源 複用 率. 0.94. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. 0.925 0.925 0.923 0.924 0.924 0.925 0.924 0.922 0.924 0.922. Case2 資源 0.986 0.979 複用 率 Case1 與. 0.98. 0.979. 0.98. 0.981 0.979. 0.98. 0.98. 0.981 0.981. brute Force 相差(%) Case2 與. 1.6%. 1.6% 1.8% 1.7% 1.7% 1.6%. 1.7% 1.9% 1.7% 1.9%. brute Force 相差(%). 0.7%. 0.6% 0.7% 0.6% 0.5% 0.7%. 0.6% 0.6% 0.5% 0.5%. *紅色字體代表相差最大之數值 0.99 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average resource reuse utilization ratio. 0.98. 0.97. 0.96. 0.95. 0.94. 0.93. 0.92 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. Iterations. 圖 4-14、在-140dBm 情形下資源複用率之比較圖 52. 2000.
(63) 在-140dBm 情形下，我們把上述的推薦距離、時間、系統容量提升率、 資源利用率經由式 3-10 的成本公式來分析證明 PSO-LR 的優勢所在，其結 果如表 4-17 及圖 4-15 所示，在我們的方法中，在迭代 1600 次開始，不管 在 Case1 及 Case2 其成本與暴力法(brute-force)的位置推薦方法(LR)表現是 最佳的，在總和所有數值之後的成本分析結果，可以看出我們所提出的方 法，以成本的觀點來看，是大幅度的比暴力法(brute-force)的位置推薦方法 (LR)來的優秀。. 表 4-17、在-140dBm 的情形下的推薦成本之比較表 迭代 次數. brute force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Case1 成本. 1424.1. 487.1. 436.4. 429.3. 475.8. 421.6. 414.0. 448.0. 373.8. 327.9. 335.4. Case2 11457.2 4131.1 3477.7 3330.7 3236.8 2747.9 3184.0 2916.3 2751.0 2497.9 2570.1 成本 Case1 與 brute 65.8% 69.4% 69.9% 66.6% 70.4% 70.9% 68.5% 73.8% 77.0% 76.4% Force 相差(%) Case2 與 brute 63.9% 69.6% 70.9% 71.7% 76.0% 72.2% 74.5% 76.0% 78.2% 77.6% Force 相差(%) *紅色字體代表相差最大之數值. 53.
(64) 12000 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m) 10000. Average cost. 8000. 6000. 4000. 2000. 0 brute-force 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-15、在-140dBm 的情形下之成本比較圖. 在採用-150dBm 的情形下推薦距離之比較結果，如表 4-18 及圖 4-16 所示，在我們所提出的方法中，呈顯的推薦距離是大幅低於暴力法(bruteforce)的位置推薦方法，並且不管是在 Case1 或 Case2 的情況下，迭代次 數越多，推薦距離相對可以得到越短的結果，並且有逐漸收斂的趨勢， 而 Case2 因為地圖較大，相對收斂速度較 Case1 慢。. 54.
(65) 表 4-18、在-150dBm 情形下平均推薦距離之比較表 迭代 次數. brute force. Case1 距離. 99.835. 200. 400. 600. 800. 1000. 1200. 1400. 43.628 32.837 31.736 30.051 33.256 34.636 29.596. 1600. 30.22. 1800. 2000. 29.157 26.896. (m) Case2 距離 202.961 74.036 71.989 69.871 72.647 63.068 63.615 62.804 61.072 54.024 55.875 (m) Case1 與 brute 56.3% 67.1% 68.2% 69.9% 66.7% 65.3% 70.4% 69.7% 70.8% 73.1% Force 相差(%) Case2 與 brute 63.5% 64.5% 65.6% 64.2% 68.9% 68.7% 69.1% 69.9% 73.4% 72.5% Force 相差(%) *紅色字體代表相差最大之數值 220 Case1(map size 1000m*1000m) Case2(map size 2000m*2000m). Average recommended distance(meter). 200. 180. 160. 140. 120. 100. 80. 60. 40. 20 brute-force. 200. 400. 600. 800. 1000. 1200. 1400. 1600. 1800. 2000. Iterations. 圖 4-16、在-150dBm 情形下平均推薦距離之比較圖 採用-150dBm 的情形下的平均一千次所需時間，如表 4-19 及圖 4-17 所 示，在我們所提出的方法中，其不同迭代次數的數據結果，呈顯出的推薦. 55.
相關文件
Selcuk Candan, ”GMP: Distributed Geographic Multicast Routing in Wireless Sensor Networks,” IEEE International Conference on Distributed Computing Systems,
With the advancement in information technology and personal digital mobile device upgrade, RFID technology is also increasingly common use of the situation, but for
Kyunghwi Kim and Wonjun Lee, “MBAL: A Mobile Beacon-Assisted Localization Scheme for Wireless Sensor Networks”, the 16th IEEE International Conference on Computer Communications
Chen, “Adjustable gamma correction circuit for TFT LCD,” IEEE International Symposium on Circuits and Systems, vol. Kan, “Implementation of the Gamma (γ) Line System Similar
[17] Xiuqi Li and Jie Wu, ”Cluster-based Intelligent Searching in Unstructured Peer-to-Peer Networks”, Proceedings of the 25th IEEE International Conference on Distributed Computing
[20] Mohamed Younis, Moustafa Youssef, and Khaled Arisha “Energy Aware Routing in Cluster-Based Sensor Networks”, 10th IEEE International Symposium on Modeling, Analysis
Yang, “An Improved Approach to Security and Privacy of RFID Application System,” Proceedings of IEEE International Conference on Wireless Communications, Networking and
S., “Cache signatures for peer-to-peer cooperative caching in mobile environments,” Proceedings of IEEE 18th International Conference on Advanced Information Networking
