LEO卫星网络切换判决方法研究综述

摘 要：低地球轨道（Ｌｏｗ Ｅａｒｔｈ Ｏｒｂｉｔ，ＬＥＯ） 卫星网络因轨道高度低、传输时延小，可实现全球范围内全天时全天候无缝覆盖，在应急通信、情报侦查和灾害救援等领域得到了广泛应用。然而，由于ＬＥＯ 卫星与终端之间的高速相对运动导致频繁的切换问题，切换判决作为切换中的关键环节，直接影响切换是否能够成功以及切换性能的好坏，是实现可靠平滑切换的重要前提。结合ＬＥＯ 卫星网络切换判决方法研究进展，综述了基于单属性决策和多属性决策的２ 类切换判决方法；归纳了常用的图论模型切换判决方法；总结了机器学习在ＬＥＯ 卫星网络切换判决中的应用；结合常用评价性能指标对不同切换判决方法进行了对比分析；对未来ＬＥＯ 卫星网络切换研究值得关注的问题进行了展望，为后续相关研究提供解决思路。

关键词：低地球轨道卫星网络；切换判决；多属性决策

中图分类号：ＴＮ９２７． ２ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３１０６（２０２４）０６－１３６８－１２

０ 引言

低地球轨道（Ｌｏｗ Ｅａｒｔｈ Ｏｒｂｉｔ，ＬＥＯ）卫星网络通过部署在轨道高度２ ０００ ｋｍ 以下的大量卫星协同合作形成互联网星座，因具有轨道高度低、路径损耗小、传输时延低以及可实现全球范围内全天时全天候的无缝覆盖等优势而受到行业青睐［１－２］。然而，由于ＬＥＯ 卫星与用户终端之间的高速相对运动，用户终端必须不断切换到新的波束或卫星中以维持通信服务的连续性［３－５］。按照发生的范围，ＬＥＯ 卫星网络切换可分为波束间切换和卫星间切换［６－７］。频繁地切换过程不仅会带来切换时延，还会造成传输损耗、信令开销增加以及传输数据丢失等问题［８］。切换判决作为切换的核心环节，直接影响切换能否成功以及切换性能。因此，如何设计合理高效的切换判决方法实现可靠平滑切换决策，始终是ＬＥＯ 卫星网络中研究的热点问题。

截止目前，研究人员分别从影响切换判决的属性因子［９－４４］、图论模型方案［４５－５７］以及机器学习技术［５８－６９］在切换判决中的应用等角度出发展开研究，并取得诸多优秀成果。因此，现聚焦于ＬＥＯ 卫星网络切换判决方法现阶段的研究成果，对切换判决技术的发展进行梳理。首先，综述了基于单属性决策与多属性决策两大类ＬＥＯ 卫星网络切换判决方法；其次，归纳了ＬＥＯ 卫星网络图论模型切换判决方法；再次，总结了基于机器学习的切换判决方法。同时，结合切换判决方法性能评价指标以及适用场景，对比分析了各类方法的优缺点；最后，本文展望了ＬＥＯ 卫星网络中切换判决研究值得关注的问题。

１ 基于属性决策的切换判决方法

１． １ 基于单属性决策的切换判决方法

单属性决策方法的核心思想是以单一属性因子为判决标准，通过比较测量值与阈值进行切换判决，如图所示。即根据终端的主要需求，分析信号强度对链路质量的影响、通信仰角对网络时延的影响、覆盖时间对切换频率的影响以及网络负载对ＬＥＯ 卫星网络整体负载均衡的影响等特性，采取相应切换判决方法实现高链路质量、小网络时延、低切换频率以及平衡网络负载的目标。

文献［９］提出了基于信号强度的波束切换算法，通过接收信号强度大小控制迟滞参数，为不同速度终端设置不同触发时间，验证了速度大小与触发时间成负相关，有效减少了乒乓切换次数及切换失败率。文献［１０］通过比较当前服务卫星与可视卫星信号强度判断切换时刻以及切换目标，保证了用户终端较好的信号强度和服务质量，但增加了切换次数，容易导致某颗卫星负载过重。为减少通信时延和路径损耗，考虑到通信仰角对切换产生的影响，文献［１１－１２］通过选择最大通信仰角和最小延迟的方法选择目标切换卫星，在保证用户终端服务质量的同时实现了较小的切换时延和路径损耗。为降低切换决策的成本，文献［１３］利用模糊Ｃ 均值聚类方法将需要切换的用户进行分簇，由簇头基于最大通信仰角选择切换目标，不仅减少了所需卫星信道数，还降低了整个通话过程中的切换次数，提高了通信质量。随着ＧＰＳ 定位功能的发展应用，文献［１４］结合全球定位系统，根据终端与卫星之间的相对位置关系预测可视卫星的剩余服务时间，达到了最小化切换次数。考虑到相邻波束间衰减因子在时间上的相关性，文献［１５］引入衰减因子的概念，通过波束间衰减情况对可视卫星中波束剩余服务时间进行预测，累加求出单颗卫星的剩余服务时间，以剩余服务时间最大的卫星为切换目标，一定程度上提高了用户终端的实时性和服务质量，减少了通信进程中的切换次数。文献［１６］在星历信息已知的情况下，通过实时动态更新速度感知的方法筛选出候选卫星集中剩余服务时间最长的卫星，减少了切换次数，但信道条件较差，且存在卫星星历信息无法获取情况，导致切换算法失效。随着全球业务量的增加，负载问题逐渐突出，针对卫星负载过重问题，文献［１７］提出一种基于最多空闲信道数的切换判决方法，始终选择空闲信道最多的波束或者卫星为切换目标，有效避免了负载过重导致的通信服务质量下降的问题。

综上所述，基于单属性决策的切换判决方法对比分析如表１ 所示。研究人员分别从信号强度、通信仰角和空闲信道数等角度出发，优化切换判决方法，以提升ＬＥＯ 卫星网络性能。该类方法比较简单，一定程度上可减少切换次数，保证用户终端的通信质量，更适用于卫星网络结构简单，用户节点相对较少的场景。但对复杂多变的网络环境适应性较差，缺少对切换判决因素的综合考虑，容易导致个别属性最优而其他属性较差，难以满足用户终端需求。

１． ２ 基于多属性决策的切换判决方法

多属性决策方法的核心思想是综合考虑影响切换判决的信号强度、时延、流量负载和终端速度等动态因素以及网络类型、用户属性和用户偏好等静态因素［１８－１９］，根据ＬＥＯ 卫星网络节点及用户终端的实际情况和不同需求对相关属性因素赋予不同的权重值，从而选择出最合适的切换目标［２０］。为此，针对多属性决策判决方法国内外学者展开了大量研究。

针对用户终端与卫星间相对运动导致频繁切换的问题，以优化切换次数为目标改进切换判决方法。文献［２１］以终端切换次数和通信仰角为参考因素判断终端是否切换。文献［２２］以接收信号强度和驻留时间为影响因素进行判决。文献［２３］以用户端接收功率作为切换判决触发条件，通过预测星历轨迹计算邻区列表，以接收信号功率、波束可视时间和切换时延为筛选条件进行判决。文献［２４］考虑用户需求、卫星服务时间和通信仰角，求解用户终端整个通信过程所需最少切换，减少切换次数的同时降低了切换时延和信令开销。文献［２５］综合ＧＥＯ卫星的覆盖特性和ＬＥＯ 卫星的低时延特性，利用ＴＯＰＳＩＳ 方法改进属性权重，确定切换目标，减少切换次数的同时优化了中断概率和系统吞吐量。文献［２６］联合接收信号强度、剩余服务时间和空闲信道数，采用最小二乘法拟合预测接收信号强度，通过组合加权法确定权重值，利用ＴＯＰＳＩＳ 算法筛选出最佳方案，减少切换频率的同时增加了数据流稳定性，但没有考虑终端运动特性，预测误差较大。考虑到用户终端运动特性对切换判决的影响，在卫星星历信息已知的情况下，文献［２７］利用二阶马尔科夫模型预测终端运动轨迹，将运动轨迹和星历信息相结合判断候选切换目标集合，采用灰度关联和专家批判结合的赋权法来设置权重值，将权重值最大的卫星视为切换目标。文献［３４］根据终端位置与空间位置关系模型预测服务时长，从速度大小和方向改变频繁度２ 个角度进行移动性分析，将终端速度进行模糊聚类结合预测服务时长确定切换时刻，参考信号强度、服务时长和切换代价确定切换目标，有效降低了切换次数和切换失败率。文献［２８］利用灰色模型ＧＭ（１，１）预测终端轨迹，考虑信号质量、业务质量和终端轨迹，根据主客观赋权法确定属性权重值，实现了较低的切换次数和切换失败率，避免了乒乓切换的发生。

针对频繁切换影响用户终端服务质量的问题，以优化服务质量为目标改进切换判决方法。文献［１０］以信干噪比、流量传输成本、用户需求带宽和卫星负载情况为影响因素提出参数自适应的判决方法。文献［２９］考虑网络状态、接收信号质量和终端位置，根据全球各地区业务密度设置权重值，保证终端服务质量的同时实现了较低的阻塞率。文献［３０］考虑用户终端的接收信号强度、卫星的空闲信道数和服务时长，采用组合赋权法设置权重值，利用ＴＯＰＳＩＳ 方法决策出最优切换目标，保证了用户服务质量，减少了切换次数，提高了信道利用率。文献［３１］引入模糊逻辑思想，融合信号强度、网络时延和数据传输速率进行切换决策，在提高终端服务质量和切换成功率的基础上降低了切换时延和计算复杂度。文献［３２］根据不同用户需求构建马尔科夫模型和奖励函数，采用层次分析法设置权重，根据用户类型和网络时变特性设置不同触发条件，采用遗传算法和模拟退火算法相结合的优化策略求解，保证了不同业务类型的服务质量。文献［３３］从卫星节点可提供的服务能力角度出发，采用多变量灰色模型ＭＧＭ（１，ｎ）预测终端轨迹，以接收信号强度为基准筛选出切换目标，参考传输时延、网络带宽、接收信号强度及丢包率等历史信息，通过层次分析法和熵权法相结合对权重进行优化并动态调整，保证了终端的服务质量，减少了切换次数和失败率。文献［３４］将切换决策分为切换触发和网络选择，切换触发阶段考虑信干噪比和空闲信道数，提出基于阈值和滞后余量双重触发机制缓解乒乓效应，网络选择阶段考虑用户速率和网络负载率，将切换问题建模为满足切换时延约束下的最大化吞吐量和网络负载均衡度的多目标决策问题，采用改进离散型二进制粒子群算法求解，降低切换时延的同时提高了专题：基于人工智能的决策技术系统吞吐量。为减小权重设置对切换的影响，文献［３５］通过构建动态偏好矩阵，采用决策矩阵排序法筛选最佳切换卫星，提高了切换决策准确性，减少了切换次数和网络拥塞率，保证了业务服务质量。

针对频繁切换及业务量变化导致负载过重的问题，以优化网络负载为目标改进切换判决方法。文献［３６］考虑传输链路质量、剩余服务时间和卫星负载情况，提出基于负载均衡的判决方法。文献［３７］考虑用户端收益、卫星端收益及网络负载等影响因素构建演化博弈模型，当ＬＥＯ 卫星网络达到纳什均衡时终端能获得最大收益。文献［３８］考虑用户偏好和网络属性等提出基于负载均衡的动态匹配策略，保证网络负载情况下根据不同用户业务需求建立优化模型，根据影响用户服务质量和网络吞吐量的网络参数构建用户侧和网络侧效用函数，将满足负载均衡的网络和用户需求的带宽进行排序和动态匹配，在平衡网络负载的同时降低了切换时延、切换次数和用户阻塞率。文献［３９］考虑终端运动特性和接收信号强度，采用模糊过程算法对不精确的属性进行决策量化，将网络选择模型与多属性决策相结合选择最佳接入目标，根据用户偏好选择切换目标并适应业务需求多样性和网络时变性。考虑卫星间存在干扰情况，文献［４０］根据载波噪声比、干扰噪声比、服务时长及卫星负载建立切换决策模型，缓解了干扰因素对网络负载的影响，优化了切换次数和失败率。

针对ＬＥＯ 卫星网络中大量用户并发切换，存在资源竞争等问题，提出用户分组的改进切换判决方法。文献［４１］在成员选择过程中考虑切换触发时刻和最佳波束，将具有相似切换行为的用户分为一组，由组长代表同组成员执行切换。文献［４２］根据用户切换成功率、卫星吞吐率及卫星负载情况分组。文献［４３］参考终端满意度、带宽价格满意度和所需带宽，采用模糊Ｃ 均值聚类方法进行分组，建立演化博弈模型决策出最优切换策略。文献［４４］融合卫星带宽、通信仰角、服务时长和平均收益等因素设计用户端的收益函数，通过比较用户端的实际收益与平均收益进行策略动态调整，当达到演化均衡时，确定切换目标卫星。该类方法有效减少了信令开销和切换时延，提高了切换成功率，实现了网络负载均衡，并发切换用户数量越多，优化效果越明显。

综上所述，基于多属性决策的切换判决方法对比分析如表２ 所示。该类方法通过综合考虑影响切换判决的多个属性，有效地为用户终端筛选出最佳切换目标，较好地实现了各属性间的平衡。同时，多属性切换判决方法针对确切优化目标问题做出的改进是有效的。例如文献［１０，２９ －３５］以优化用户终端服务质量为目标用于解决频繁切换导致服务质量下降的问题。文献［３６－４０］以优化卫星负载为目标用于解决负载过重的问题。保证用户终端的服务质量同时实现了网络负载平衡，一定程度上切换次数、切换失败率和切换时延等也得以优化。因此，针对某一优化目标的改进也可能提升其他性能，面向各类目标的优化可以协同解决。

２ 基于图论模型的切换判决方法

基于图论模型切换判决方法的核心思想是通过ＬＥＯ 卫星网络与用户终端的相对位置覆盖关系构建切换有向图，将终端切换转化为在有向图中寻找最优路径的问题，图２ 和图３ 所示为典型有向图。

针对频繁切换导致服务质量较差及切换失败率高等问题改进切换判决方法。根据终端位置不变和卫星运行周期可预测的特点，文献［４５］以卫星覆盖周期为基准构建切换有向图，根据不同判决准则设置不同链路权重，采用Ｄｉｊｋｓｔｒａ 算法筛选出有向图中最优路径。文献［４６］以切换次数和负载均衡的加权和为优化目标，融合通信仰角、空闲信道数和切换时间等影响因子，根据不同切换场景设置有向边加权系数，该类方法可支持多场景下卫星切换。文献［４７］根据数据传输速率和切换时延确定有向边权重，文献［４８］以ＬＥＯ 卫星为终端提供的服务质量为有向边权重，采用Ｄｉｊｋｓｔｒａ 算法选择满足终端服务质量的最优切换路径。文献［４９－５０］考虑通信仰角、服务时间和空闲信道数建立多目标优化模型，采用小生境Ｐａｒｅｔｏ 遗传算法选择最佳切换路径。以上切换判决方法均有效降低了切换失败率和新呼叫阻塞率，减少了切换次数，一定程度上平衡了网络负载，但在终端非静止状态下切换效果较差。随着ＭＩＭＯ 技术的广泛应用，文献［５１］将ＭＩＭＯ 技术引入到ＬＥＯ 网络切换判决中，利用Ｋｕｈｎ-Ｍｕｎｋｒｅｓ 算法实现加权二分图中最大权重匹配问题。考虑到网络流量对切换造成的影响，文献［５２］通过建立网络流模型，根据用户终端需求和卫星服务质量共同权衡有向边权重值，终端与卫星之间的多重匹配由网络流的最大流量和最小成本决定，有效提高了切换成功率，减少了切换次数，实现了最大化网络整体通信质量的目标。考虑到用户终端运动特性对切换判决的影响，文献［３８，５３］通过覆盖时间、通信仰角和空闲信道状态构造多属性动态图，采用Ｆｌｏｙｄ 算法筛选多条可选路径中的最优路径，有效降低了切换时延和切换次数，减少了切换失败率。文献［５４－５６］提出基于时间演进图的切换判决方法，综合考虑用户终端的运动速度、卫星网络状态及卫星链路状态等影响因素，将切换过程建模为在时间演进图的每个子图中寻找最优切换路径问题。由于不同卫星间的连接状态随时间变化，从时间和空间２ 个维度实时更新时间演进图中各卫星节点之间的弧权重，采用Ｄｉｊｋｓｔｒａ 算法求解并实时更新切换预测结果，实现了更高地准确性，降低了切换失败率，减少了切换次数和“乒乓切换”。文献［５７］针对飞机切换问题，参考生成的全球航空交通需求图建立切换有向图，综合考虑预留信道数、海拔高度、服务时间和卫星负载等影响因素，通过ＴＯＰＳＩＳ 和层次分析法相结合确定有向边权重，采用Ｄｉｊｋｓｔｒａ 算法求解最短路径为切换目标，提高整体吞吐量的同时减少了切换次数和失败率。

综上所述，基于图论模型的切换判决方法对比分析如表３ 所示。该类方法在切换判决领域展现了极大优势。国内外研究学者分别从切换有向图设计、多属性决策以及路径寻优算法等角度出发进行改进，一定程度上优化了用户终端的频繁切换和运动特性等对切换造成的影响，提高了切换成功率，保证了用户终端服务质量。尽管提出了多种改进方案，一方面当卫星星历信息未知或者不可用时，无法获取用户终端可能的有向图；另一方面，ＬＥＯ 卫星高速运动，网络拓扑时变，用户终端与卫星间的时变连接关系复杂，随着卫星网络规模的增大，在切换有向图中寻找最优路径的计算复杂度非常高，将导致算法的实际可行性受到限制。因此，ＬＥＯ 卫星网络中根据切换有向图解决切换判决问题的研究仍然是一件开放性的、挑战性的创新型工作。

３ 基于机器学习的切换判决方法

近年来，随着机器学习技术的飞速发展，尤其是深度学习和强化学习的快速兴起，已经延伸至各研究领域。考虑到ＬＥＯ 卫星网络切换判决问题一般可建模为多目标优化模型，进而转化单目标优化问题，但算法的复杂度也随卫星节点个数的增加和用户终端的多样性而增大。传统的切换判决方法很难适应复杂多变的网络环境，更难做出实时的动态智能决策。为此，研究人员逐渐致力于强化学习手段解决ＬＥＯ 卫星网络中切换判决相关问题。此类方法的核心思想是通过智能体与环境进行交互，学习特定任务中最优行为策略并在实时交互中不断更新迭代。智能体能够应对环境的高维动态变化，获得不同状态－动作对的累积收益值，选择与最大值对应的动作集合作为最优策略集。

现有研究中采用强化学习的Ｑ-ｌｅａｒｎｉｎｇ 方法解决切换判决问题最为广泛［４４，５８－６３］，通过不断迭代动作奖赏函数Ｑ 拟合最优策略。针对用户终端随机性、卫星高移动性及流量分布不均衡性导致切换失败率高的问题，文献［５９］根据空间关系耦合模型预测用户终端与卫星间相对运动模式推导出服务时长，建立可用信道估计模型预测可用信道资源，构建中继开销模型计算切换时延。根据服务时长、可用信道、中继开销及切换收益等因子，采用层析分析法设置权重值，利用强化学习方法求解最优策略，在切换时延、切换次数和切换成功率等方面展现了良好性能。为解决卫星链路时延及用户终端运动速度范围大的问题，在卫星星历信息已知的情况下，文献［６０］通过卡尔曼滤波预测用户终端的位置、速度等运动信息，根据用户终端与卫星的相对位置关系预测下一时刻接收信号强度，以最大化长期收益为目标采用Ｑ-ｌｅａｒｎｉｎｇ 方法做出最优决策，有效减少了切换次数和切换失败率。文献［４４］通过马尔科夫模型预测用户终端轨迹，结合卫星星历信息构建切换有向图，考虑接收信号强度、卫星服务时间、信道利用率和切换时延构建Ｑ-ｌｅａｒｎｉｎｇ 决策模型，采用层次分析法设置权重值，通过ε-贪婪策略选出最优策略，实现了切换失败率与新呼叫阻塞率之间的平衡。文献［６１］以剩余覆盖时间、可用信道数及下行链路的载波干扰噪声比构建Ｑ-ｌｅａｒｎｉｎｇ 模型，利用置信区间上界搜索和ε贪婪策略相结合方式决策出最优策略，实现了高铁通信时间内较小的切换次数和切换失败率，获得了较高的传输速率。在满足单颗ＬＥＯ 卫星负载均衡的前提下，文献［６２］根据用户终端对ＬＥＯ 卫星网络的实时感知和用户终端运动状态等信息，采用波尔兹曼探索和ε贪婪策略相结合的Ｑ-ｌｅａｒｎｉｎｇ 策略解决切换问题，降低切换次数和新呼叫阻塞率的同时提高了信道利用率。

虽然Ｑ-ｌｅａｒｎｉｎｇ 方法在切换判决中展现了极大优势，一定程度上优化了切换判决方法性能。但用Ｑ 用来表示有限状态空间和动作空间下的动作值函数，由于Ｑ 表在空间开销的限制，其无法较好地适用于大规模网络的求解。为克服此弊端，引入深度学习技术来解决切换判决问题［６４－６５］。

文献［６６］综合考虑信道质量、空闲信道数及剩余服务时间，将每个用户终端视为智能体代理独立做出决策，采用Ｃｏｎｖ２Ｄ 层深度Ｑ 网络解决多目标优化问题，有效减少了切换次数和切换失败率。文献［６７］以多性能指标综合加权的服务质量为目标，综合接入通信节点的用户终端数、可用时隙资源和信道增益，采用多智能体深度确定性策略进行求解，通过Ｇｕｍｂｅｌ 分布重参数方法解决离散动作空间依概率求导困难问题，实现了智能化的多用户终端切换，更优的服务质量，提高了切换成功率。在用户终端已知接收信号强度的情况下，文献［６８］采用卷积神经网络提取用户终端在切换有向图中最优切换的潜在规律性，使每个用户终端均能够根据历史信号强度做出最优切换判决，在保证信号强度的条件下，减少了切换次数的发生。文献［６９］引入并行输入模块，提出基于并行模糊神经网络的切换判决方法。考虑网络状态、终端位置及接收信号质量，在建立全球业务模型基础上为不同业务区域设置不同权重值，通过调整隶属函数和判决准则实现可靠平滑切换。不仅具有良好的自适应性和学习能力，还降低了切换延时、呼叫阻塞率及切换次数。

综上所述，基于机器学习的切换判决方法对比分析如表４ 所示。该类切换判决方法通过对大量数据的学习，建立相应切换决策模型，能够自适应地学习和适应不同的网络环境。一定程度上实现了切换判决的智能化，但在ＬＥＯ 卫星网络中，大量数据的获取和处理可能会受到限制，同时需要花费大量时间进行交互学习，不仅复杂度高，还对切换时延、切换失败率等带来了影响。

４ 切换判决方法研究展望

本文通过对ＬＥＯ 卫星网络切换判决方法现有的研究进展进行回顾总结，虽然各类方法对于切换判决问题均提出了有效的解决方案，但在切换性能、适用场景和实现复杂度等方面具有较大差异，不同切换判决方法比较如表５所示。

结合当前实际需求以及ＬＥＯ 卫星网络广泛应用于民用领域、军事领域来看，设计合理高效的切换判决方法，提高各类复杂切换场景的切换成功率，减少切换次数，进而提高整体性能依然是ＬＥＯ 卫星网络的主要研究方向。因此，从以下几个方面提出研究展望。

（１）如何实现适用于多业务类型的切换判决方法。不同用户终端及业务类型对ＬＥＯ 卫星网络的要求各有异同，需要考虑的属性因子存在差异，各属性因子权重值也不同。现有判决方法大多基于不同用户需求设置不同切换触发条件、选择不同影响属性因子等来解决此问题。此外，用户终端所处的地形环境不同，不同地区对信号的遮挡程度存在极大差异，而现有研究中几乎设置相同仰角，无法适应多业务类型的需求。因此，为满足多业务类型的通信需求，可以从对用户终端及业务类型详细分类、根据不同地形环境设置不同最小仰角以及采用机器学习技术通过特征提取实现自适应动态调整等角度出发设计切换判决方法。

（２）如何实现适用于高动态终端的切换判决方法。现有判决方法大多基于用户终端静止或者设置较低的速度值。但在实景场景中，一方面用户终端可能是静止的，也可能是低速或者高速运动的，其运动轨迹没有规律可循。另一方面，火箭、导弹和用户星等终端的运动速度极快，对切换判决方法提出了更严格的要求。现阶段主要在卫星星历信息已知的条件下，采用马尔科夫模型、灰色预测模型以及卡尔曼滤波等手段预测用户终端轨迹设计切换判决方法，较难适用于此类用户终端，未来设计切换判决方法时预测卫星状态、融合考虑各类用户终端运动模型将成为研究重点。

（３）如何实现适用于网络拓扑时变的切换判决方法。现有判决方法大多基于当前时刻下做出最优选择，较少考虑用户终端整个通信时长范围内的最优切换路径。而实际场景中，ＬＥＯ 卫星高速运动，网络拓扑结构时变，用户终端与ＬＥＯ 卫星间的连接关系时变，均对切换判决方法提出更高的要求。未来设计切换判决方法时可以从划分时隙的角度出发，将整个通信过程划分为不同的时隙，从时间和空间２ 个维度动态更新网络拓扑，提高切换的准确性，使得用户终端在整个通信过程均能实现最佳切换。

５ 结束语

随着ＬＥＯ 卫星网络的飞速发展、终端服务质量要求的提高以及业务类型的多样化需求，为保证通信质量，最大限度提高ＬＥＯ 卫星网络整体性能，基于ＬＥＯ 卫星网络切换判决技术的研究如火如荼。本文系统归纳了基于ＬＥＯ 卫星网络的切换判决方法，对比了常用算法的性能，分析了该领域面临的挑战和巨大应用场景，并展望了相关联领域的研究需求。期待对基于ＬＥＯ 卫星网络切换判决技术的研究有所裨益。

参考文献

［１］ ＳＵ Ｙ Ｔ，ＬＩＵ Ｙ Ｑ，ＺＨＯＵ Ｙ Ｑ，ｅｔ ａｌ． Ｂｒｏａｄｂａｎｄ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ：Ａｒｃｈｉｔｅｃｔｕｒｅｓ ａｎｄ Ｋｅｙ Ｔｅｃｈｎｏｌｏｇｉｅｓ［Ｊ ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１９，２６ （２ ）：５５－６１．

［２］ ＭＥＮＧ Ｓ Ｆ，ＳＨＵ Ｊ Ｓ，ＹＡＮＧ Ｑ，ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｏｆＤｅｔｅｃｔｉｏｎ Ｃａｐａｂｉｌｉｔｉｅｓ ｏｆ ＬＥＯ Ｒｅｃｏｎｎａｉｓｓａｎｃｅ ＳａｔｅｌｌｉｔｅＣｏｎｓｔｅｌｌａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｃｏｖｅｒａｇｅ Ｐｅｒｆｏｒｍａｎｃｅ［Ｊ］． Ｊｏｕｒｎａｌｏｆ Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ，２０１８，２９ （１ ）：９８－１０４．

［３］ ＫＡＵＳＨＡＬ Ｈ，ＫＡＤＤＯＵＭ Ｇ． Ｏｐｔｉｃａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｉｎＳｐａｃｅ：Ｃｈａｌｌｅｎｇｅｓ ａｎｄ Ｍｉｔｉｇａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ ［Ｊ］． ＩＥＥＥＣｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０１７，１９（１）：５７－９６．

［４］ ＪＩＡ Ｍ，ＺＨＡＮＧ Ｘ Ｍ，ＳＵＮ Ｊ Ｔ，ｅｔ ａｌ． Ｉｎｔｅｌｌｉｇｅｎｔ ＲｅｓｏｕｒｃｅＭａｎａｇｅｍｅｎｔ ｆｏｒ Ｓａｔｅｌｌｉｔｅ ａｎｄ Ｔｅｒｒｅｓｔｒｉａｌ Ｓｐｅｃｔｒｕｍ ＳｈａｒｅｄＮｅｔｗｏｒｋｉｎｇ Ｔｏｗａｒｄ Ｂ５Ｇ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，２７（１）：５４－６１．

［５］ 田开波，杨振，张楠． 空天地一体化网络技术展望［Ｊ］．中兴通讯技术，２０２１，２７（５）：２－６．

［６］ ＷＡＮＧ Ｐ，ＺＨＡＮＧ Ｊ Ｘ，ＺＨＡＮＧ Ｘ，ｅｔ ａｌ． Ｃｏｎｖｅｒｇｅｎｃｅ ｏｆＳａｔｅｌｌｉｔｅ ａｎｄ Ｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋｓ：Ａ ＣｏｍｐｒｅｈｅｎｓｉｖｅＳｕｒｖｅｙ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，８：５５５０－５５８８．

［７］ ＣＨＥＮ Ｓ Ｚ，ＳＵＮ Ｓ Ｈ，ＫＡＮＧ Ｓ Ｌ． Ｓｙｓｔｅｍ Ｉｎｔｅｇｒａｔｉｏｎ ｏｆＴｅｒｒｅｓｔｒｉａｌ Ｍｏｂｉｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ—Ｔｈｅ Ｔｒｅｎｄｓ，Ｃｈａｌｌｅｎｇｅｓ ａｎｄ Ｋｅｙ Ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎＢ５Ｇ ａｎｄ ６Ｇ［Ｊ］． Ｃｈｉｎａ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，１７（１２）：１５６－１７１．

［８］ ＧＵＩＤＯＴＴＩ Ａ，ＶＡＮＥＬＬＩＣＯＲＡＬＬＩ Ａ，ＦＯＧＧＩ Ｔ，ｅｔ ａｌ．ＬＴＥｂａｓｅｄ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ ＬＥＯ Ｍｅｇａｃｏｎｓｔｅｌｌａｔｉｏｎｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ，２０１９，３７（４）：３１６－３３０．

［９］ 姜玉洁． 卫星移动通信系统中切换算法研究［Ｄ］． 重庆：重庆邮电大学，２０１７．

［１０］ ＳＯＮＧ Ｈ Ｙ，ＬＩＵ Ｓ Ｊ，ＨＵ Ｘ，ｅｔ ａｌ． Ｌｏａｄ Ｂａｌａｎｃｉｎｇ ａｎｄ ＱｏＳＳｕｐｐｏｒｔｉｎｇ Ａｃｃｅｓｓ ａｎｄ Ｈａｎｄｏｖｅｒ Ｄｅｃｉｓｉｏｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒＧＥＯ ／ ＬＥＯ Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥ ２０１８ＩＥＥＥ ４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）． Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０１８：６４０－６４５．

［１１］ ＢＯＴＴＣＨＥＲ Ａ，ＷＥＲＮＥＲ Ｒ． Ｓｔｒａｔｅｇｉｅｓ ｆｏｒ ＨａｎｄｏｖｅｒＣｏｎｔｒｏｌ ｉｎ Ｌｏｗ Ｅａｒｔｈ Ｏｒｂｉｔ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍｓ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｆｅｒｅｎｃｅ（ＶＴＣ）． Ｓｔｏｃｋｈｏｍ：ＩＥＥＥ，１９９４：１６１６－１６２０．

［１２］ ＤＵＡＮ Ｃ Ｆ，ＦＥＮＧ Ｊ，ＣＨＡＮＧ Ｈ Ｔ，ｅｔ ａｌ． Ａ ＮｏｖｅｌＨａｎｄｏｖｅｒ Ｃｏｎｔｒｏｌ Ｓｔｒａｔｅｇｙ Ｃｏｍｂｉｎｅｄ ｗｉｔｈ ＭｕｌｔｉｈｏｐＲｏｕｔｉｎｇ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１８ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐａｒａｌｌｅｌ ａｎｄ Ｄｉｓｔｒｉｂｕｔｅｄ Ｐｒｏｃｅｓｓｉｎｇ ＳｙｍｐｏｓｉｕｍＷｏｒｋｓｈｏｐｓ （ＩＰＤＰＳＷ）． Ｖａｎｃｏｕｖｅｒ：ＩＥＥＥ，２０１８：８４５－８５１．

［１３］ ＢＵＫＨＡＲＩ Ｓ Ｕ，ＹＵ Ｌ Ｗ，ＤＩ Ｘ Ｑ，ｅｔ ａｌ． Ｆｕｚｚｙ ＣｍｅａｎＣｌｕｓｔｅｒｉｎｇ Ｂａｓｅｄ：ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ［Ｃ］∥Ｄａｔａ Ｓｃｉｅｎｃｅ：４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ Ｐｉｏｎｅｅｒｉｎｇ ＣｏｍｐｕｔｅｒＳｃｉｅｎｔｉｓｔｓ，Ｅｎｇｉｎｅｅｒｓ ａｎｄ Ｅｄｕｃａｔｏｒｓ． Ｚｈｅｎｇｚｈｏｕ：Ｓｐｒｉｎｇｅｒ，２０１８：３４７－３５８．

［１４］ ＷＵ Ｚ Ｆ，ＨＵ Ｇ Ｙ，ＪＩＮ Ｆ Ｌ，ｅｔ ａｌ． Ａ Ｓｉｍｐｌｅ ＲｅａｌｔｉｍｅＨａｎｄｏｖｅｒ Ｍａｎａｇｅｍｅｎｔ ｉｎ ｔｈｅ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥ ２０１５ １７ｔｈ ＡｓｉａＰａｃｉｆｉｃ ＮｅｔｗｏｒｋＯｐｅｒａｔｉｏｎｓ ａｎｄ Ｍａｎａｇｅｍｅｎｔ Ｓｙｍｐｏｓｉｕｍ （ＡＰＮＯＭＳ ）．Ｂｕｓａｎ：ＩＥＥＥ，２０１５：１７５－１７９．

［１５］ ＭＵＳＵＭＰＵＫＡ Ｒ，ＷＡＬＩＮＧＯ Ｔ Ｍ，ＳＭＩＴＨ Ｊ Ｍ． Ｐｅｒｆｏｒｍａｎｃｅ Ａｎａｌｙｓｉｓ ｏｆ Ｃｏｒｒｅｌａｔｅｄ Ｈａｎｄｏｖｅｒ Ｓｅｒｖｉｃｅ ｉｎ ＬＥＯ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１６，２０（１１）：２２１３－２２１６．

［１６］ ＨＵ Ｘ，ＳＯＮＧ Ｈ Ｙ，ＬＩＵ Ｓ Ｊ，ｅｔ ａｌ． Ｖｅｌｏｃｉｔｙａｗａｒｅ ＨａｎｄｏｖｅｒＰｒｅｄｉｃｔｉｏｎ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ，２０１８，３６（６）：４５１－４５９．

［１７］ ＰＡＰＡＰＥＴＲＯＵ Ｅ，ＰＡＶＬＩＤＯＵ Ｆ Ｎ． ＱｏＳ Ｈａｎｄｏｖｅｒ Ｍａｎａｇｅｍｅｎｔ ｉｎ ＬＥＯ ／ ＭＥＯ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍｓ ［Ｊ］． ＷｉｒｅｌｅｓｓＰｅｒｓｏｎａｌ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２００３，２４：１８９－２０４．

［１８］ 赵航． 天地一体化信息网络切换策略研究［Ｄ］． 北京：北京邮电大学，２０２１．

［１９］ 宁磊． 星地一体化网络中多属性决策切换算法研究［Ｄ］． 哈尔滨：哈尔滨工业大学，２０１４．

［２０］ ＬＩ Ｆ，ＷＡＮ Ｑ Ｈ，ＨＥ Ｑ Ｅ，ｅｔ ａｌ． Ａｎ Ｉｍｐｒｏｖｅｄ Ｍａｎｙｏｂｊｅｃｔｉｖｅ Ｅｖｏｌｕｔｉｏｎａｒｙ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｍｕｌｔｉｓａｔｅｌｌｉｔｅ ＪｏｉｎｔＬａｒｇｅ Ｒｅｇｉｏｎａｌ Ｃｏｖｅｒａｇｅ ［Ｊ ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２３，１１：４５８３８－４５８４９．

［２１］ 胡宸华，黄圣春，王玲，等． 基于ＯＰＮＥＴ 的低轨卫星星座通信系统仿真研究［Ｊ］． 通信技术，２０１８，５１ （１０）：２３８２－２３８８．

［２２］ ＬＥＥ Ｗ Ｊ，ＬＥＥ Ｊ，ＫＩＭ Ｊ Ｈ． Ｐｅｒｆｏｒｍａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ｏｆＭｕｌｔｉａｔｔｒｉｂｕｔｅ Ｃｏｎｄｉｔｉｏｎａｌ Ｈａｎｄｏｖｅｒ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２３ ＶＴＳ Ａｓｉａ Ｐａｃｉｆｉｃ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｍｐｏｓｉｕｍ （ＡＰＷＣＳ）． Ｔａｉｎａｎ：ＩＥＥＥ，２０２３：１－２．

［２３］ 陈曦． ＬＥＯ 卫星移动通信系统移动性管理与切换研究［Ｄ］． 南京：东南大学，２０２０．

［２４］ ＡＢＤＵ Ｔ Ｓ，ＬＡＧＵＮＡＳ Ｅ，ＨＡ Ｖ Ｎ，ｅｔ ａｌ． ＤｅｍａｎｄａｗａｒｅＦｌｅｘｉｂｌｅ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ ＬＥＯ Ｃｏｎｓｔｅｌｌａｔｉｏｎ ［Ｃ］∥２０２３ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｍｕｎｉｃａｔｉｏｎｓＷｏｒｋｓｈｏｐｓ （ＩＣＣ Ｗｏｒｋｓｈｏｐｓ ）． Ｒｏｍｅ：ＩＥＥＥ，２０２３：９７８－９８３．

［２５］ ＺＨＡＮＧ Ｌ Ｙ，ＷＵ Ｓ Ｈ，ＬＹＵ Ｘ Ｙ，ｅｔ ａｌ． Ａ Ｔｗｏｓｔｅｐ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ ＧＥＯ ／ ＬＥＯ Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ ｂａｓｅｄ ｏｎ Ｍｕｌｔｉａｔｔｒｉｂｕｔｅ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ ［Ｊ ］．Ｅｌｅｃｔｒｏｎｉｃｓ，２０２２，１１（５）：７９５．

［２６］ ＭＩＡＯ Ｊ Ｓ，ＷＡＮＧ Ｐ Ｊ，ＹＩＮ Ｈ Ｑ，ｅｔ ａｌ． Ａ ＭｕｌｔｉａｔｔｒｉｂｕｔｅＤｅｃｉｓｉｏｎ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｍｅ ｆｏｒ ＬＥＯ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１９ ＩＥＥＥ ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）． Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０１９：９３８－９４２．

［２７］ 刘治国，查雪丽，潘成胜． 基于二阶Ｍａｒｋｏｖ 预测的星地链路切换策略［Ｊ］． 计算机仿真，２０２３，４０（１１）：２７－３３．

［２８］ 卜银娜． 空天网络高动态切换控制算法研究［Ｄ］． 武汉：华中科技大学，２０１２．

［２９］ ＨＵＡＮＧ Ｆ，ＸＵ Ｈ，ＺＨＯＵ Ｈ，ｅｔ ａｌ． ＱｏＳ Ｂａｓｅｄ ＡｖｅｒａｇｅＷｅｉｇｈｔｅｄ Ｓｃｈｅｍｅ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ ＆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，２００８，３０（１０）：２４１１－２４１４．

［３０］ 王祥鹤． 低轨卫星通信系统用户切换方案研究与实现［Ｄ］． 北京：北京邮电大学，２０１９．

［３１］ ＫＵＳＴＩＡＷＡＮ Ｉ，ＬＩＵ Ｃ Ｙ，ＨＳＵ Ｄ Ｆ． Ｖｅｒｔｉｃａｌ Ｈａｎｄｏｆｆ Ｄｅｃｉｓｉｏｎ Ｕｓｉｎｇ Ｆｕｚｚｉｆｉｃａｔｉｏｎ ａｎｄ Ｃｏｍｂｉｎａｔｏｒｉａｌ Ｆｕｓｉｏｎ［Ｊ］．ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１７，２１（９）：２０８９－２０９２．

［３２］ ＸＩＥ Ｊ Ｌ，ＧＡＯ Ｗ Ｊ，ＬＩ Ｃ Ｒ． Ｈｅｔｅｒｏｇｅｎｅｏｕｓ Ｎｅｔｗｏｒｋ Ｓｅｌｅｃｔｉｏｎ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ ａ ＭａｒｋｏｖＤｅｃｉｓｉｏｎ Ｍｏｄｅｌ ［Ｊ ］． Ｃｈｉｎａ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，１７（２）：４０－５３．

［３３］ 雷依翰． 天地一体化网络安全切换关键技术研究［Ｄ］．郑州：战略支援部队信息工程大学，２０２３．

［３４］ 徐菁． 星地融合网络中的切换管理研究［Ｄ］． 重庆：重庆邮电大学，２０２３．

［３５］ ＬＥＩ Ｙ Ｈ，ＣＡＯ Ｌ Ｆ，ＨＡＮ Ｍ Ｄ． Ａ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄｏｎ Ｕｓｅｒ Ｄｙｎａｍｉｃ Ｐｒｅｆｅｒｅｎｃｅ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ［Ｃ］∥２０２１７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）． Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０２１：１９２５－１９２９．

［３６］ ＳＨＩ Ｌ Ｌ，ＹＡＮＧ Ｆ，ＷＵ Ｗ Ｊ，ｅｔ ａｌ． Ｌｏａｄ Ｂａｌａｎｃｉｎｇ ａｎｄＲｅｍａｉｎｉｎｇ Ｖｉｓｉｂｌｅ Ｔｉｍｅ Ｂａｓｅｄ Ｈａｎｄｏｖｅｒ Ａｌｇｏｒｉｔｈｍ ｆｏｒＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋ［Ｃ］∥２０２２ ＩＥＥＥ ８ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）．Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０２２：３９１－３９５．

［３７］ ＷＵ Ｙ，ＨＵ Ｇ Ｙ，ＪＩＮ Ｆ Ｊ，ｅｔ ａｌ． Ａ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ ｔｈｅ Ｐｏｔｅｎｔｉａｌ Ｇａｍｅ ｉｎ ＬＥＯ ＳａｔｅｌｌｉｔｅＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：１３３６４１－１３３６５２．

［３８］ 刘阳． 星地融合网络中的动态切换策略研究［Ｄ］． 重庆：重庆邮电大学，２０２１．

［３９］ ＺＨＵ Ａ Ｑ，ＧＵＯ Ｓ Ｔ，ＬＩＵ Ｂ，ｅｔ ａｌ． Ａｄａｐｔｉｖｅ ＭｕｌｔｉｓｅｒｖｉｃｅＨｅｔｅｒｏｇｅｎｅｏｕｓ Ｎｅｔｗｏｒｋ Ｓｅｌｅｃｔｉｏｎ Ｓｃｈｅｍｅ ｉｎ Ｍｏｂｉｌｅ ＥｄｇｅＣｏｍｐｕｔｉｎｇ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０１９，６（４）：６８６２－６８７５．

［４０］ ＺＨＡＮＧ Ｓ Ｆ，ＧＵＯ Ｌ Ｔ，ＭＵ Ｗ Ｑ，ｅｔ ａｌ． Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅ Ｓａｔｅｌｌｉｔｅ Ｓｅｌｅｃｔｉｏｎ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｅｎｔｒｏｐｙ［Ｃ］∥２０２１ １３ｔｈＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄＳｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＷＣＳＰ）． Ｃｈａｎｇｓｈａ：ＩＥＥＥ，２０２１：１－５．

［４１］ 宋艾遥． 低轨卫星系统多用户切换与资源管理策略研究［Ｄ］． 重庆：重庆邮电大学，２０２２．

［４２］ 朱洪涛，郭庆． 基于用户群组的低轨卫星网络多星切换策略［Ｊ］． 电信科学，２０２２，３８（４）：３９－４８．

［４３］ 底晓强，于力伟，刘旭，等． 一种基于演化博弈的低轨卫星切换算法研究［Ｊ］． 南京大学学报：自然科学版，２０１８，５４（４）：８５５－８６２．

［４４］ 刘梦梦． 低轨移动卫星网络中切换策略研究［Ｄ］． 重庆：重庆邮电大学，２０２１．

［４５］ ＷＵ Ｚ Ｆ，ＪＩＮ Ｆ Ｌ，ＬＵＯ Ｊ Ｘ，ｅｔ ａｌ． Ａ Ｇｒａｐｈｂａｓｅｄ ＳａｔｅｌｌｉｔｅＨａｎｄｏｖｅｒ Ｆｒａｍｅｗｏｒｋ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ ＣｏｍｍｕｎｉｃａｔｉｏｎＮｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１６，２０（８）：１５４７－１５５０．

［４６］ ＴＡＮＧ Ｃ Ｗ，ＮＩＮＧ Ｑ，ＨＵＡＮＧ Ｌ Ｙ，ｅｔ ａｌ． ＭｕｌｔｉｏｂｊｅｃｔｉｖｅＨａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ Ｓｐａｃｅ Ｅａｒｔｈ Ｉｎｔｅｇｒａｔｅｄ Ｎｅｔｗｏｒｋ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ＆Ａｓｔｒｏｎａｕｔｉｃｓ，２０２３，４０（４）：４４７－４５９．

［４７］ ＨＯＺＡＹＥＮ Ｍ，ＤＡＲＷＩＳＨ Ｔ，ＫＵＲＴ Ｇ Ｋ，ｅｔ ａｌ． Ａ Ｇｒａｐｈｂａｓｅｄ Ｃｕｓｔｏｍｉｚａｂｌｅ Ｈａｎｄｏｖｅｒ Ｆｒａｍｅｗｏｒｋ ｆｏｒ ＬＥＯＳａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２２ ＩＥＥＥ Ｇｌｏｂｅｃｏｍ Ｗｏｒｋｓｈｏｐｓ（ＧＣ Ｗｋｓｈｐｓ）． Ｒｉｏ ｄｅ Ｊａｎｅｉｒｏ：ＩＥＥＥ，２０２２：８６８－８７３．

［４８］ ＺＨＡＮＧ Ｓ Ｂ，ＬＩＵ Ａ Ｊ，ＬＩＡＮＧ Ｘ Ｈ． Ａ ＭｕｌｔｉｏｂｊｅｃｔｉｖｅＳａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｅｎｔｒｏｐｙ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ［Ｃ］∥２０２０ ＩＥＥＥ ６ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ （ＩＣＣＣ）．Ｃｈｅｎｇｄｕ：ＩＥＥＥ，２０２０：７２３－７２８．

［４９］ 邱飞． 基于动态预测的星间切换策略研究［Ｄ］． 重庆：重庆邮电大学，２０２２．

［５０］ 梁吉申，张冬雪，邱飞． 低轨卫星互联网多属性切换控制方法［Ｊ］． 陆军工程大学学报，２０２２，１（４）：１４－２０．

［５１］ ＦＥＮＧ Ｌ，ＬＩＵ Ｙ Ｆ，ＷＵ Ｌ，ｅｔ ａｌ． Ａ Ｓａｔｅｌｌｉｔｅ ＨａｎｄｏｖｅｒＳｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ ＭＩＭＯ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ ＬＥＯ ＳａｔｅｌｌｉｔｅＮｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２０，２４（７）：１５０５－１５０９．

［５２］ ＺＨＡＮＧ Ｓ Ｂ，ＬＩＵ Ａ Ｊ，ＨＡＮ Ｃ，ｅｔ ａｌ． Ａ Ｎｅｔｗｏｒｋｆｌｏｗｓｂａｓｅｄ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２１，１０（１２）：２６６９－２６７３．

［５３］ ＤＡＩ Ｃ Ｑ，ＬＩＵ Ｙ，ＦＵ Ｓ，ｅｔ ａｌ． Ｄｙｎａｍｉｃ Ｈａｎｄｏｖｅｒ ｉｎ ＳａｔｅｌｌｉｔｅＴｅｒｒｅｓｔｒｉａｌ Ｉｎｔｅｇｒａｔｅｄ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０１９ ＩＥＥＥ Ｇｌｏｂｅｃｏｍ Ｗｏｒｋｓｈｏｐｓ （ＧＣ Ｗｋｓｈｐｓ）． Ｗａｉｋｏｌｏａ：ＩＥＥＥ，２０１９：１－６．

［５４］ ＷＡＮＧ Ｙ Ｐ，ＺＨＡＮＧ Ｇ，ＪＩＡＮＧ Ｚ Ｑ，ｅｔ ａｌ． Ａ ＮｏｖｅｌＲｏｕｔｉｎｇ Ａｌｇｏｒｉｔｈｍ Ｄｅｓｉｇｎ ｏｆ Ｔｉｍｅ Ｅｖｏｌｖｉｎｇ Ｇｒａｐｈ Ｂａｓｅｄｏｎ Ｐａｉｒｉｎｇ Ｈｅａｐ ｆｏｒ ＭＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋ ［Ｃ］∥２０１４ＩＥＥＥ ８０ｔｈ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｆｅｒｅｎｃｅ （ＶＴＣ２０１４Ｆａｌｌ）． Ｖａｎｃｏｕｖｅｒ：ＩＥＥＥ，２０１４：１－５．

［５５］ ＬＩＵ Ｒ Ｚ，ＳＨＥＮＧ Ｍ，ＬＩＵ Ｋ Ｓ，ｅｔ ａｌ． Ａｎ Ａｎａｌｙｔｉｃａｌ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｒｅｓｏｕｒｃｅｌｉｍｉｔｅｄ Ｓｍａｌｌ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ ［Ｊ］．ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１５，２０（２）：３８８－３９１．

［５６］ 胡欣，宋航宇，刘帅军，等． 基于时间演进图的ＬＥＯ 星间切换实时预测及更新方法［Ｊ］． 通信学报，２０１８，３９（１０）：４３－５１．

［５７］ ＬＹＵ Ｘ Ｙ，ＷＵ Ｓ Ｈ，ＬＩ Ａ Ｍ，ｅｔ ａｌ． Ａ Ｗｅｉｇｈｔｅｄ Ｇｒａｐｈｂａｓｅｄ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｆｏｒ Ａｅｒｏｎａｕｔｉｃａｌ Ｔｒａｆｆｉｃ ｉｎ ＬＥＯＳａｔｃｏｍ Ｎｅｔｗｏｒｋｓ ［Ｊ］． ＩＥＥＥ Ｎｅｔｗｏｒｋｉｎｇ Ｌｅｔｔｅｒｓ，２０２２，４（３）：１３２－１３６．

［５８］ ＣＨＥＮ Ｍ Ｔ，ＺＨＡＮＧ Ｙ，ＴＥＮＧ Ｙ Ｌ，ｅｔ ａｌ． ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ Ｂａｓｅｄ Ｓｉｇｎａｌ Ｑｕａｌｉｔｙ Ａｗａｒｅ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｍｅｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｃ］∥ＨｕｍａｎＣｅｎｔｅｒｅｄ Ｃｏｍｐｕｔｉｎｇ：５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ． Ｃˇ ａｃˇ ａｋ：Ｓｐｒｉｎｇｅｒ，２０１９：４４－５５．

［５９］ ＸＵ Ｈ Ｈ，ＬＩ Ｄ Ｓ，ＬＩＵ Ｍ Ｌ，ｅｔ ａｌ． ＱｏＥｄｒｉｖｅｎ ＩｎｔｅｌｌｉｇｅｎｔＨａｎｄｏｖｅｒ ｆｏｒ Ｕｓｅｒｃｅｎｔｒｉｃ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０２０，６９（９）：１０１２７－１０１３９．

［６０］ 熊丹妮，李屹． 星地融合网络中基于Ｑ 学习的切换算法研究［Ｊ］． 通信学报，２０１５，３６（９）：２５２－２５８．

［６１］ 郑博文． 高铁低轨卫星网络覆盖下的切换技术研究［Ｄ］． 成都：西南交通大学，２０２４．

［６２］ ＨＥ Ｓ Ｘ，ＷＡＮＧ Ｔ Ｙ，ＷＡＮＧ Ｓ Ｗ． Ｌｏａｄａｗａｒｅ ＳａｔｅｌｌｉｔｅＨａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉａｇｅｎｔ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ ［Ｃ］∥ ＧＬＯＢＥＣＯＭ ２０２０２０２０ ＩＥＥＥ ＧｌｏｂａｌＣｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｔａｉｐｅｉ：ＩＥＥＥ，２０２０：１－６．

［６３］ ＷＡＮＧ Ｙ Ｌ，ＱＩＮ Ｘ Ｈ，ＴＡＮＧ Ｚ Ｘ，ｅｔ ａｌ． ＱｏＳｃｅｎｔｒｉｃＨａｎｄｏｖｅｒ ｆｏｒ Ｃｉｖｉｌ Ａｖｉａｔｉｏｎ Ａｉｒｃｒａｆｔ Ａｃｃｅｓｓ ｉｎ ＵｌｔｒａＤｅｎｓｅ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２２ ＩＥＥＥ ／ ＣＩＣ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｃｈｉｎａ （ＩＣＣＣ）． Ｓａｎｓｈｕｉ：ＩＥＥＥ，２０２２：１０８５－１０８９．

［６４］ ＬＩＵ Ｘ Ｎ，ＺＨＡＮＧ Ｈ Ｊ，ＬＯＮＧ Ｋ Ｐ，ｅｔ ａｌ． Ｄｅｅｐ Ｄｙｎａｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ Ｂａｓｅｄ ｏｎ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｃｏｎｔｒｏｌ ｉｎＬＥＯ Ｓａｔｅｌｌｉｔｅ ＩｏＴ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ ＴｈｉｎｇｓＪｏｕｒｎａｌ，２０２１，９（１６）：１４８１８－１４８２８．

［６５］ ＡｌＨＯＵＲＡＮＩ Ａ． Ｓｅｓｓｉｏｎ Ｄｕｒａｔｉｏｎ Ｂｅｔｗｅｅｎ Ｈａｎｄｏｖｅｒｓ ｉｎＤｅｎｓｅ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２１，１０（１２）：２８１０－２８１４．

［６６］ ＷＡＮＧ Ｊ，ＭＵ Ｗ Ｑ，ＬＩＵ Ｙ Ｎ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇｂａｓｅｄ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｍｅ ｆｏｒ ＳａｔｅｌｌｉｔｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ ［Ｃ ］ ∥ ２０２１ １３ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＷＣＳＰ）． Ｃｈａｎｇｓｈａ：ＩＥＥＥ，２０２１：１－６．

［６７］ 周家豪． 面向天地一体化网络的智能接入控制与资源分配机制研究［Ｄ］． 成都：电子科技大学，２０２３．

［６８］ ＺＨＡＮＧ Ｃ Ｃ，ＺＨＡＮＧ Ｎ，ＣＡＯ Ｗ，ｅｔ ａｌ． Ａｎ ＡＩｂａｓｅｄ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ Ｈａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ ｉｎ Ｎｏｎｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋｓ［Ｃ ］∥ ２０２０ ＩＴＵ Ｋａｌｅｉｄｏｓｃｏｐｅ：Ｉｎｄｕｓｔｒｙｄｒｉｖｅｎ ＤｉｇｉｔａｌＴｒａｎｓｆｏｒｍａｔｉｏｎ （ＩＴＵ Ｋ）． Ｈａ Ｎｏｉ：ＩＥＥＥ，２０２０：１－６．

［６９］ ＬＩ Ｎ，ＧＯＮＧ Ｂ，ＤＥＮＧ Ｚ Ｌ． Ａ Ｈａｎｄｏｆｆ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎＰａｒａｌｌｅｌ Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｉｎ Ｍｏｂｉｌｅ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１７，１２（７）：３９５－４０４．

作者简介

张英健 男，（１９９９—），硕士研究生。主要研究方向：ＬＥＯ 卫星网络通信切换、接入控制。

（*通信作者）倪淑燕 女，（１９８１—），博士，教授。主要研究方向：空间智能信息处理、卫星通信信号处理等。

马宏斌 男，（１９９５—），博士，讲师。主要研究方向：人工智能、电磁频谱感知等。

王育欣 女，（２００１—），硕士研究生。主要研究方向：辐射源个体识别、深度学习。