一种基于位置预测模型和多属性决策的空间-空中-地面一体化网络的网络选择算法

《Expert Systems with Applications》：A network selection algorithm for space-air-ground integrated network based on location prediction model and multi-attribute decision making

The proposed network selection algorithm integrates IPSO-LSTM for terminal trajectory prediction, dynamically adjusts switching thresholds using fuzzy logic and K-Means, and employs Entropy-TOPSIS to optimize candidate networks. This reduces switching frequency and computational load while enhancing QoS stability in high-mobility SAGIN scenarios. 网络选择算法通过IPSO-LSTM预测终端轨迹、动态调整切换阈值（模糊逻辑+K-Means），结合熵权-TOPSIS优化候选网络，在高速移动的SAGIN环境中降低切换频率和计算负载，提升服务质量稳定性。

　　随着第五代移动通信技术（5G）的广泛应用以及对第六代（6G）网络的探索，空间-空域-地面一体化网络（SAGIN）作为一种融合卫星、空中和地面网络的新型通信架构，正逐渐成为未来通信网络的重要组成部分。SAGIN的目标是为用户提供无处不在的网络连接与服务，通过整合多种异构网络资源，解决传统通信网络在覆盖盲区方面的不足，特别是在海洋、高空和特殊地理环境等通信条件较差的区域。然而，在这种高度动态的网络环境中，移动终端频繁的网络切换行为不仅增加了通信延迟和信令开销，还对服务质量（QoS）和网络资源利用率带来了挑战。因此，设计一种高效、准确的网络选择算法成为提升SAGIN性能的关键。

本研究提出了一种基于终端位置预测的网络选择算法，旨在解决移动终端在SAGIN环境中的频繁切换问题。该算法首先利用改进的粒子群优化（IPSO）方法优化长短期记忆网络（LSTM）的超参数，以提高终端位置预测的准确性。然后，基于当前终端位置和预测位置分别构建网络集合，并通过模糊逻辑和K-Means理论设计一个具有动态可调切换阈值的网络选择判断机制。最后，利用技术评估相似性与理想解的综合方法（TOPSIS）实现网络选择的优化，以提高在快速移动场景下的网络选择效率和鲁棒性。实验结果表明，该算法能够动态调整切换阈值，提供精准的位置预测，并显著减少候选网络数量和切换次数，从而降低计算负载，提升用户吞吐量。

传统网络选择方法在处理SAGIN环境中的高移动性问题时存在明显不足。例如，基于用户经验的智能选择算法虽然在降低切换次数和提高切换成功率方面表现良好，但其存储和计算成本较高。而基于进化博弈的深度确定性策略梯度（DDPG）算法虽然实现了负载均衡，但忽略了候选网络的预筛选过程。基于模糊逻辑的方案虽然考虑了终端速度，但其复杂的规则库和推理引擎导致了较高的计算负担。此外，基于轨迹预测的网络选择算法虽然提高了预测精度，但仍然需要大量的手动超参数调优，难以适应快速变化的网络环境。基于TOPSIS的改进方案虽然在适应性和准确性方面有所提升，但其计算权重的过程较为繁琐，增加了运算复杂度。基于停留时间预测的TOPSIS算法虽然引入了停留时间，但其静态阈值策略无法适应动态变化的网络状态，导致不必要的切换。基于贝叶斯优化的LSTM与多属性决策方法（MADM）相结合的算法虽然优化了LSTM的超参数，但其切换阈值仍然固定，适应性较差。基于扩散模型和多智能体近端策略优化（PPO）的网络选择框架虽然支持大规模卫星和用户，但其存储和计算成本较高。

为了解决上述问题，本研究提出了一种融合深度学习、模糊逻辑、K-Means聚类和TOPSIS的网络选择算法。该算法通过实时感知网络状态和预测终端的未来轨迹，生成精准的候选网络集合，并利用动态可调的切换阈值机制减少不必要的切换。具体来说，首先通过IPSO-LSTM算法优化LSTM的超参数，提高终端位置预测的准确性。然后，通过模糊逻辑对网络性能指标（如接收信号强度、带宽和延迟）进行量化处理，并利用K-Means聚类算法计算动态切换阈值。如果当前接入网络的QoS值高于切换阈值，则保持当前连接；反之，则触发网络切换。最后，通过熵-TOPSIS算法对候选网络进行排序，选择最优的网络接入方案。

该算法的核心优势在于其动态调整切换阈值的能力，这使得它能够更好地适应网络状态的变化，从而提高网络切换的成功率和稳定性。此外，通过IPSO-LSTM算法优化的轨迹预测模块，有效减少了候选网络的数量，降低了后续网络选择阶段的计算复杂度。实验结果表明，该算法在高移动性场景下能够显著减少切换次数和切换失败率，同时提高用户吞吐量和通信质量。这不仅提升了SAGIN网络的整体性能，也为未来6G网络的建设提供了理论支持和实践指导。

SAGIN网络的构建和运行需要解决多个关键问题，包括网络选择、资源分配、信号传输和终端移动性管理等。其中，网络选择作为SAGIN运行的核心环节，直接关系到网络服务的稳定性和用户满意度。在SAGIN环境中，由于终端的高速移动和网络的多维异构性，网络选择的复杂性显著增加。因此，设计一种高效、准确且具有自适应能力的网络选择算法至关重要。本研究提出的算法不仅在理论上具有创新性，而且在实际应用中表现出良好的性能，为解决SAGIN网络中的网络选择问题提供了新的思路和方法。

未来的研究可以进一步探索如何根据不同的业务需求分配优先级权重，将业务类型（如实时控制、高清多媒体和普通数据传输）进行分类，并为每类业务分配合理的权重，以更好地满足用户需求并提升系统效率。此外，考虑到用户的个性化偏好，可以设计一种自适应学习机制，利用历史选择数据动态调整网络切换决策中的偏好权重，从而更精准地匹配用户需求，优化网络资源的利用。通过这些策略，可以构建一种适应SAGIN动态环境的高效网络切换算法，提高服务的适应性和可靠性，并为下一代智能通信网络的管理策略提供理论支持。