【蜂窝网】基于FCA信道分配策略的蜂窝网络阻塞率Matlab仿真分析

 ✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知，求助可私信。

🔥 内容介绍

本文分析一段MATLAB代码，该代码模拟了一个简单的蜂窝网络系统，采用固定信道分配 (FCA) 策略，并评估不同用户负载下的呼叫阻塞率。代码虽简化，忽略了用户移动性、信道衰落、多用户干扰等因素，但仍能提供对FCA策略性能的基本认识。我们将详细解读代码逻辑，并分析其结果及局限性。

代码模拟了一个包含19个小区的蜂窝网络，每个小区具有相同的半径（归一化值为1）和21个可用的信道。每个小区的用户数在21到25之间变化，以此模拟不同的用户负载。仿真时间为7200秒，每10秒进行一次状态更新，检查是否有呼叫接入或挂断。呼叫到达率服从泊松分布，平均到达率为20次/小时；呼叫保持时间服从指数分布，平均保持时间为1200秒。代码的核心在于模拟呼叫接入过程，判断是否有空闲信道，若无空闲信道则呼叫被阻塞。

代码首先初始化基站和用户的位置信息。baset 函数生成基站坐标，cellmesh 函数生成用户可能出现的位置信息。userinfo 三维数组存储每个用户的信息，包括坐标、通话状态、通话时间和分配的信道。仿真循环中，首先检查是否有通话结束，然后检查是否有新的呼叫到达。新的呼叫到达概率由泊松分布决定。如果一个新的呼叫到达，代码会尝试为其分配一个空闲信道。如果所有信道都被占用，则该呼叫被阻塞。holdtime 函数用于生成指数分布的呼叫保持时间。

仿真结束后，代码计算并输出总呼叫次数、阻塞呼叫次数和阻塞率。通过改变每个小区的用户数，可以得到不同用户负载下的阻塞率。最后，代码绘制了实际阻塞率与理论阻塞率（Erlang B 公式计算）随业务量的变化曲线。

代码逻辑分析:

代码的主要逻辑清晰易懂，通过嵌套循环遍历每个小区和每个用户，模拟呼叫的到达和结束。泊松分布和指数分布的应用符合实际通信系统的特点。FCA策略的实现简单直接，通过检查信道是否可用进行信道分配。然而，该代码的简化假设也限制了其适用性。

结果分析与局限性:

代码生成的图表展示了实际阻塞率和理论阻塞率随业务量的关系。实际阻塞率应该与理论阻塞率（Erlang B 公式计算结果）相近，但由于仿真本身的随机性，可能存在一定的偏差。 偏差大小取决于仿真的时间长度和用户的数量。 更长的仿真时间和更多的用户数量可以减小偏差。

该代码的显著局限性在于其简化假设：

• 忽略用户移动性: 用户在小区间的移动会引起信道切换，这在实际系统中是不可避免的，会影响信道利用率和阻塞率。

• 忽略信道衰落和干扰: 实际无线信道存在衰落和干扰，这会影响信道质量和可用性。代码中假设所有信道质量相同，且没有干扰。

• 忽略小区间干扰: 代码只考虑小区内干扰，忽略了来自邻小区的干扰。

• 简单的信道分配策略: FCA策略简单易实现，但效率较低，容易造成信道浪费。更先进的信道分配策略，如动态信道分配 (DCA)，能提高信道利用率，降低阻塞率。

改进建议:

为了更准确地模拟实际蜂窝网络，需要改进该代码，考虑以下因素：

• 引入用户移动模型: 例如随机游走模型或更复杂的移动模型，模拟用户在小区间的移动。

• 引入信道衰落模型: 例如瑞利衰落或莱斯衰落模型，模拟信道衰落对信号质量的影响。

• 引入干扰模型: 考虑小区内和小区间的干扰，更准确地模拟信道质量。

• 采用更先进的信道分配策略: 例如动态信道分配 (DCA)，提高信道利用率和系统性能。

• **考虑更复杂的呼叫模型:**例如，考虑不同类型的呼叫（例如语音和数据呼叫），以及优先级。

总之，这段代码提供了一个简单的蜂窝网络仿真模型，可以帮助理解FCA信道分配策略的基本原理和性能。然而，为了更准确地反映实际情况，需要对该模型进行改进，考虑更复杂的因素。 未来的研究可以着重于引入上述改进建议，以构建更完善的蜂窝网络仿真模型。

📣 部分代码

%生成用户通话时间（服从指数分布）

para=rand;

while para>=1

    para=rand;

end

x=ht.*(-log(1-para));

⛳️ 运行结果

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

👇 关注我领取海量matlab电子书和数学建模资料

🎁  私信完整代码和数据获取及论文数模仿真定制

擅长领域：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇