不断增长的智能手机、平板电脑等无线设备,新兴的虚拟现实、在线直播等网络业务,推进演化的智能家居、物联网等应用背景,产生的巨大无线流量需求正在对频谱资源日益枯竭的射频(RF)无线网络提出日益严峻的挑战。无线异构网络将在使用多样化频谱提供高质量服务方面发挥重要作用,尤其是在大多数数据消耗的室内环境中。当前和未来无线通信场景的内在特征是异构性,即多个多样化无线网络与其相应的无线接入技术共存,相互补充,为用户提供安全无缝的网络连接,满足多样化通信需求。新型室内无线通信技术可见光通信(VLC),因其多种技术优势,被认为是现有射频通信技术的有力补充。在组成的VLC/RF光电异构网络中,有效利用各网络潜在性能优势的关键在于网络选择,网络选择的前提是确定网络性能评估准则,当前主要基于网络层物理服务参数的客观评价指标,对终端用户考量不足,研究针对VLC/RF异构无线网络的特点,引入QoE(服务体验)概念,建立了对网络性能进行主客观结合的评价机制,并在此基础上对网络接入选择方案展开研究。主要工作和研究成果总结如下:(1)面向单用户单业务类型网络选择。在VLC/RF异构无线网络系统中,将其他用户的影响视为动态外部环境,以追求单用户性能最优为目标优化网络选择决策。用户在进行某项业务时,由于位置移动或网络环境发生改变,使用户在网络选择中不断进行网络切换,增加网络切换开销(延时、能耗等),降低用户体验。本章首先基于平均主观评分机制建立离散的QoE等级模型,将用户端网络体验划分为5个等级,当且仅当网络使得用户QoE体验等级提升时才切换到更优的网络,在保障用户服务体验的同时降低网络切换次数,增加系统鲁棒性。最后通过仿真实验分析所提机制性能。(2)面向单用户多业务类型网络选择。研究VLC/RF异构网络中,用户进行多种类型网络通信业务,由于不同网络服务能力不同,不同业务对网络服务参数要求不一,用户需要在动态不确定无线网络中,选择接入适宜的网络,同样从单用户视角着手。本章采用强化学习中的Q学习克服环境动态不确定性,以QoE累积期望最大为优化目标,通过感知、选择行动和获得奖励的方式反复地与受控环境进行交互学习,通过历史经验来优化其决策。为了克服经典Q学习算法在实际应用场景下收敛速度慢的问题,利用观察到的三种情境信息作为先验知识,以知识迁移方式提升学习算法的收敛速度。最后给出了算法仿真和讨论分析。(3)面向系统级网络选择。在VLC/RF异构网络中,关注多用户的网络选择行为,以优化全局性能最优为目标。由于多用户决策系统中,用户的决策是耦合的,多用户之间复杂的作用关系是网络选择面临最大挑战。由于博弈论为多用户分布式智能决策提供了完备的理论框架,采用匹配博弈算法,将网络选择建模为多对一双边匹配问题。通过客观QoE量化方法中的QoS参数映射法,使匹配双方对彼此进行评价排名,以降低网络端拥塞率和提升用户体验为目标,建立最优化模型。通过对最优化模型求解,使用户侧和网络侧实现双向选择,提升异构网络整体性能。最后通过仿真实验进行验证分析。