《Array》：Hybrid metaheuristic approaches for handover optimization in intelligent controller (RIC) O-RAN: A multi-metric evaluation of GWO, SA, PSO, and HHO variants
编辑推荐：
提出了一种面向O-RAN切换参数优化的RIC感知（RIC-aware）框架。在相同设置条件下，对多种元启发式算法及GWO-SA变体进行了比较评估。通过20次运行统计与显著性检验验证了算法的鲁棒性。经校准（调优）的GWO-SA算法在性能与稳定性之间取得了最佳权衡
提出了一种面向O-RAN切换参数优化的RIC感知（RIC-aware）框架。在相同设置条件下，对多种元启发式算法及GWO-SA变体进行了比较评估。通过20次运行统计与显著性检验验证了算法的鲁棒性。经校准（调优）的GWO-SA算法在性能与稳定性之间取得了最佳权衡。局部精炼调度（refinement scheduling）被确定为混合优化中的关键因素。
论文解读
一、研究背景与问题
开放无线接入网（Open Radio Access Network, O-RAN）架构通过将无线接入网开放化、模块化并支持可编程控制，推动了无线网络架构的变革。其中，无线接入网智能控制器（RAN Intelligent Controller, RIC）是O-RAN体系中的核心组件，其通过近实时（Near-Real-Time, Near-RT）RIC中的xApp模块和非实时（Non-RT）RIC中的rApp模块实现网络优化。随着连接设备数量的增长和移动模式的多样化，RIC的资源管理与控制任务日益复杂化。
切换（handover）决策作为移动性管理的核心环节，在快速变化的O-RAN环境中仍是关键瓶颈。不良的切换决策可能导致连接失败、信令开销过大以及频繁发生的乒乓效应（ping-pong effect），从而损害服务质量（Quality of Service, QoS）和用户体验质量（Quality of Experience, QoE）。在5G-Advanced和6G场景中，移动性不仅涉及行人，还包括高速列车、无人机、车联网和移动物联网（Internet of Things, IoT）设备，切换优化需要在响应性、稳定性和小区间负载均衡之间同时寻求平衡。
传统贪心算法和基于规则的方法因确定性和固定性而无法适应动态变化的无线环境。学习型方法虽被广泛探索，但在Near-RT RIC中面临可解释性差、计算开销大以及与模块化xApp框架集成困难等问题。此外，现有文献中的混合优化研究往往将混合过程视为简单的数学组合，忽视了全局探索与局部开发在优化过程中如何以及何时协同工作的问题。
二、研究内容与结论
本研究将切换优化重新定义为发生在Near-RT RIC策略控制层面的RIC感知多指标决策问题，而非单纯的信号驱动或小区中心过程。研究人员提出了一种面向O-RAN系统xApp部署的混合灰狼优化器-模拟退火（Grey Wolf Optimizer–Simulated Annealing, GWO–SA）框架。该方法的创新之处不在于提出新的元启发式算法，而在于结构化的混合方法及其在优化过程中的应用时机，这被有意设计为与Near-RT RIC的运行限制相匹配。
该方法利用灰狼优化器（GWO）强大的全局搜索能力快速定位切换参数空间中的最优解区域，并在优化过程中精心选择的时机引入模拟退火（SA）作为定向局部精炼工具。通过消融研究，研究人员证明将SA作为最终精炼步骤能够获得比独立算法或每轮迭代均进行局部精炼的朴素混合方法更稳定、更鲁棒的切换配置。
三、关键技术方法
研究人员在统一仿真与评估框架下，对多种元启发式优化策略进行了比较评估，包括模拟退火（SA）、灰狼优化器（GWO）、粒子群优化（Particle Swarm Optimization, PSO）、哈里斯鹰优化（Harris Hawks Optimization, HHO）以及多种GWO-SA混合配置。优化目标涉及三个切换参数：触发时间（Time-to-Trigger, TTT）、迟滞余量（Hysteresis, Hys）和小区范围扩展偏置（Cell Range Expansion, CRE）。所有参数均归一化至0–1范围以避免单一参数主导优化尺度。系统架构包含用户设备（UE）、无线接入网（gNB/小区）以及运行实时切换优化xApp的Near-RT RIC。评估采用多指标分析，包括掉话风险、乒乓风险、收敛行为和鲁棒性，并通过20次重复运行的统计分析和显著性检验验证结果的可靠性。
四、研究结果
算法比较评估：在统一仿真框架下，研究人员对SA、GWO、PSO、HHO及多种GWO-SA混合配置进行了系统比较。结果表明，不同算法在目标函数得分、移动性相关指标和统计稳定性方面呈现出不同的权衡特征。
消融研究：通过系统消融实验，研究人员分析了不同精炼调度（refinement scheduling）策略对优化性能的影响。研究发现，精炼调度的选择——即局部精炼在优化过程中被引入的时机和频率——是影响混合优化性能的关键因素。将SA作为最终精炼步骤而非在每轮迭代中应用，能够获得显著更优的稳定性和鲁棒性。
校准GWO-SA的性能：经校准（调优）的GWO-SA配置在目标得分、移动性相关指标和多次运行间的统计稳定性方面取得了最佳权衡。这一结果表明，全局探索（GWO）与局部精炼（SA）的结构化结合方式，而非简单的算法叠加，是获得优越性能的关键。
计算预算与鲁棒性分析：研究人员分析了计算预算对优化质量的影响，并通过20次运行统计和显著性检验验证了各算法配置的鲁棒性。结果强调了在真实RIC环境中，稳定性和可预测性与原始优化精度同等重要。
五、讨论与结论
本研究的重要发现是：元启发式算法的选择与局部精炼在优化过程中的引入方式同样重要。比较与消融研究表明，不同的精炼调度在收敛质量、鲁棒性和计算开销之间实现了不同的权衡。校准的GWO-SA配置在所考虑的案例中提供了目标得分、移动性相关指标和多次运行统计稳定性之间的最佳平衡。
研究人员明确指出，本研究并未提出全新的元启发式算法，其贡献在于面向O-RAN切换参数调整的应用导向型适配和现有优化算法的严格评估。研究结果为Near-RT RIC系统中优化驱动的移动性管理策略的设计与部署提供了实践见解，并为未来O-RAN优化研究提供了可复现的评估方法。研究结论强调，在真实RIC环境中，优化策略的选择需要同时考虑优化质量、计算成本和结果稳定性之间的权衡，而结构化的混合优化方法——特别是将局部精炼安排在优化过程的适当阶段——是提升切换优化性能的有效途径。
