对于3G网络智能优化探讨.docVIP

对于3G网络智能优化探讨 　　摘要:基站的位置和数量影响网络的服务质量。针对传统选址方法的不足,提出了一种基于免疫遗传算法的选址优化方法:给出了基站选址问题的多目标优化数学模型和实现过程。算法中采用了浓度调节选择概率机制,有效保证了抗体的多样性,避免了早熟收敛,并使用记忆细胞集来保存每代所产生的Pareto最优解;提出了一种邻近排挤算法对记忆细胞集进行更新、删除,保证了Pareto最优解集的分布均匀性。仿真结果表明,算法可以有效找到可行的基站布置方案,为实际工程应用提供了解决思路。 　　关键词:多项优化 Pareto最优解 　　 　　0 引言 　　随着3G网络牌照的发放运营,3G网络规划优化问题显得日益突出。如何在保证网络服务质量的前提下尽可能降低成本,是网络规划问的关键所在。在3G网络规划中,基站选址和分布问题是最重要、最复杂的部分。基站的设置位置和数量直接影响到网络的覆盖范围和信号质量;同时,因其价格昂贵,又直接影响整个网络的投资成本。因此,如何在满足建网目标的前提下,达到容量、覆盖、质量和成本的最优组合,是基站选址问题的优化目标。但这些目标是相互制约,甚至矛盾的,因此其属于多目标优化问题。早期基站的选址和设置主要是由网络优化工程师依据经验和实地测量进行选择。显然,这种方法不是很科学,结果经常与实际的最优配置相差甚远。数字地图的出现为基站的布置提供了有利的辅助信息,但主要是用它来进行覆盖分析和预测,网络优化工程师仍需反复调整规划设计,以调整基站的位置,实际上是一种在以往经验指导下的“盲搜索”。因此,如何优化基站的选址已经引起国内外学者的广泛关注。由于智能优化方法可以有效指导搜索,因此,被用来进行基站优化。文献[1]提出了一种采用模拟退火算法实现基站的自适应定位算法;文献[2]提出了一种采用二进制表示的遗传算法来进行网络优化选址;文献[3]采用实数表示的遗传优化算法来进行基站选址优化,同时考虑了成本控制问题;文献[4]将基站选址问题作为多目标的优化问题考虑,但采用的是将多目标加权求和转化为单目标的方法,每次往往只能达到一个解而非Pareto最优解集,具有一定的局限性。总之,遗传算法用于基站选址优化有一定的优越性,但其具有局部搜索效率差,容易早熟收敛等缺陷性。免疫优化算法是受生物免疫系统启发而出现的一种算法,将生物免疫系统的学习、记忆、多样性等特点引人遗传算法。结合免疫和遗传特性的免疫遗传算法可以表现出比遗传算法和免疫算法更好的特性,用于多目标优化具有很强的优势。文章利用免疫算法在解决多目标组合优化问题上的灵活性,提出了一种网络基站选址优化算法。给出了基站选址问题的模型定义,基于免疫遗传算法求解的具体过程和关键技术,并进行了相关的仿真实验。结果表明,该方法具有一定的优越性。 　　1 问题模型和定义 　　1.1 基站选址问题模型 基站选址和设置问题可以描述如下:根据特定的输入条件和约束条件,输出基站个数及对应坐标位置。具体说明如下:①输入条件;用于基站选择和成本计算的地表覆盖模型、建筑物分布模型、话务分布模型、干扰等诸多因素。②约束条件:如面积覆盖率、业务覆盖率、系统容量等下限,成本、干扰等上限。③输出:基站个数及对应位置坐标。因此,基站的最优选址和设置就是在满足所有约束条件的参数中选择最优组合,可见它是一个多目标的组合优化问题。 　　将问题适当简化为:在其他条件一定的基础上,考虑基站规划中最主要的3个因素:容量目标、成本目标、覆盖目标。一般要求,在满足容量目标尽可能大,覆盖率尽可能高的前提下,成本尽可能低。设容量用f1(x)表示,覆盖用函数f2(x)表示,成本用函数f3(x)表示,则该文问题可表示为如下的数学模型: v-max=[f1(x),f2(x),f3(x)]T 　　其中:N1分别为对应函数取值的下限。此问题的求解即是:寻求χ={χ1,χ2,χ3},使f(χ)在满足约束的同时达到最优。 　　1.1.1 容量的定义 　　采用文献[3]的方法:。其中,W为码片速率;R为信息速率;EJI为接收每比特能量与噪声功率密度的比值;η卵为热噪音;s为接收信号功率;f厂为小区内干扰与小区外干扰的比例;G1和G3分别为话音活动增益和扇区增益。该公式是在假设条件100%的功率控制和码资源充足的基础上得出的。 　　1.1.2 覆盖率定义 覆盖率定义为接收场强大于接收灵敏度的点总和与目标区域离散点的总和的比率。传输模型采用Okumura―Hata模型,根据给定的最大路径衰减来确定小区最大半径。文中将目标区域按一定精度离散化,以一点表示局部的小块儿区域,这样便于在数字图上用仿真软件实现基站的场强预测及其他功能仿真。 　　1.1.3 成本的定义 成本用基站个数来描述,即成本函数=基站个数。为了问题描述与容量和覆盖一致,转