随着智能手机、平板等无线终端的普及,以及虚拟现实、云计算等新兴技术的出现,人们对移动通信的依赖程度越来越高,这给蜂窝网络带来的负载日益增长,导致了通信速率低、会话延迟高、高峰时段数据断流等一系列问题。利用Wi Fi(Wireless-Fidelity)网络对蜂窝网络中的数据进行分流,可以将部分蜂窝网络的负载转移到Wi Fi网络中,以解决授权频段拥挤的问题,因此Wi Fi卸载技术已经引起了人们广泛的关注。本文对移动网络中的Wi Fi卸载技术进行了研究,针对蜂窝基站和Wi Fi接入点共存的场景,分别提出了基于联盟博弈的Wi Fi卸载算法、基于Q学习和多属性决策的Wi Fi卸载算法以及基于决策树的Wi Fi卸载算法。本文主要研究内容及创新点如下:(1)针对蜂窝网络和Wi Fi网络共存的场景,提出了一种基于联盟博弈的Wi Fi卸载算法。该算法将蜂窝网络和Wi Fi网络建模为两类联盟,蜂窝联盟优化资源块分配,Wi Fi联盟优化接入时长分配。综合考虑用户通信速率、花费和通信时延,定义了保证公平性的效用函数模型,并以最大化系统总效用为目标,构建了同时提升系统总效用和用户个体效用的联盟转移准则,以控制用户设备在不同联盟间的转移。仿真结果表明,相比于传统算法,该算法在系统总效用上有较大的提升。(2)针对蜂窝网络用户的移动性问题,将强化学习与多属性决策相结合,提出了一种基于Q学习和多属性决策的Wi Fi卸载算法。该算法不仅考虑当前的网络状态,还考虑了用户过去的接入历史,利用Q学习进行最终的卸载决策。通过AHP(Analytical Hierarchy Process)算法得到用户吞吐量、终端功耗、用户花费和通信时延四个属性的权重,通过TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)算法得到Q学习中的奖励函数,用户结合即时奖励和经验奖励不断地更新自己的累积折扣奖励直至收敛。仿真结果表明,该算法的用户满意度优于传统的Wi Fi卸载算法。(3)针对多个蜂窝基站和Wi Fi接入点重叠覆盖的异构网络场景,将监督学习与多属性决策相结合,提出了一种基于决策树的Wi Fi卸载算法。该算法通过AHP和GRA(Grey Relational Analysis)算法计算候选网络的推荐优先级并借此为样本加上标签,利用生成的训练集和特征集训练决策树,用户依据决策树的分类结果进行卸载决策,选择推荐优先级最高的网络进行接入,降低了Wi Fi卸载的复杂度。仿真结果表明,相比于传统Wi Fi卸载算法,该算法以较低的复杂度保证了用户的Qo S(quality of service)。