本发明涉及通信中的站址规划
技术领域:
,并且更具体地,涉及一种基于人工蜂群算法确定基站选取方案的方法及系统。
背景技术:
:站址规划是通信系统设计中不可或缺的一环。所谓站址规划,就是在综合考虑建站成本、覆盖率、业务分布、系统容量及其他重要网络参数的前提下,从大量的候选站址中遴选出一组具有最少数目且符合要求的基站站址集合,以实现用尽量少数目的一组基站去满足网络覆盖率的目的。考虑到系统的可扩展性,还应充分考虑未来无线网络的进一步发展趋势,以便在不同的建设时期充分满足业务需求。站址规划问题本质上是离散、非线性、多目标的大规模组合优化问题。站址的选择不仅要保证目标区域的最小场强,还要满足业务覆盖、容量和质量要求,并降低建站成本。站址规划需要寻找各种影响因素的最优组合解,即在所有的待定参数中找到满足约束条件的解。考虑到多目标优化问题的复杂性,将总体目标函数设置为各种影响因素的加权,这样就简化为单目标优化问题。针对站址规划问题,传统的优化方法有混合整数规划、线性规划等,这些算法常常产生搜索方向错误、迭代发散等问题。近年来随着群体智能算法的发展,粒子群算法、免疫算法、遗传算法等算法,已经逐步应用于站址规划中。这些算法的基本思想即是将自然界中的生物个体假定为搜索空间的点,由此则将个体的进化或者觅食行为模拟作最优解的搜索过程,并通过将个体对环境的适应性定义为需求解问题的目标函数,根据自然界中的生存法则利用好解取代差解,整个群体会逐步收敛、直至最优解,这一过程就是迭代的搜索过程。但是这些算法都具有自身的局限性,其中遗传算法的收敛速度比较慢,粒子群算法和免疫算法容易陷入局部最优解等,从而限制其应用。技术实现要素:本发明提出一种基于人工蜂群算法确定基站选取方案的方法及系统,以解决如何确定最优基站选取方案,进行站址规划的问题。为了解决上述问题,根据本发明的一个方面,提供了一种基于人工蜂群算法确定基站选取方案的方法,其特征在于,所述方法包括:对待规划区域进行离散化处理,以获取多个基站的站址信息;将基站的站址信息映射到人工蜂群算法中的蜂群位置参数信息,并根据相关网络参数建立仿真模型,确定目标函数;其中,所述相关网络参数包括:建站成本和业务覆盖率;根据所述待规划区域内基站的站址信息和目标函数对仿真模型中的参数进行配置;利用所述仿真模型基于人工蜂群算法进行仿真计算,求解所述目标函数,以确定待规划区域的最优的基站选取方案。优选地,其中所述对规划区域进行离散化处理,以获取多个基站的站址信息,包括:在所述规划区域上规划多个基站,每个基站的覆盖范围为以基站坐标为圆心、r为半径的圆,每个基站处在对应的覆盖区域的中心,当测试点落在基站覆盖范围内时,则认为该测试点被该基站覆盖,从而获取多个基站的站址信息;其中,每个基站的建站成本均相同。优选地,其中所述将基站的站址信息映射到人工蜂群算法中的蜂群位置参数信息,包括:其中,n为基站的建站总数;k为人工蜂群中的人工蜂数量;bk为第k个蜂群的位置信息,即第k套基站的位置信息,为第k个蜂群中的第i个基站的坐标。优选地,其中所述目标函数为:a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(db),其中,α和β分别表示业务覆盖率和建站成本在目标函数中所占的权重,表示第k个蜂群的第j个测试点是否在业务覆盖范围内,规划区域内设置的测试点数量为m;用于从路径损耗的角度验证业务测试点是否被覆盖;pik为第k个蜂群中第i个基站的发射功率,表示第k个蜂群中第i个基站到第j个测试点的路径损耗,pmin为允许的最小接收功率;f为信号发射频率;hb为基站天线的有效高度;hm为移动台天线的有效高度;a(hm)为移动台天线高度修正因子;cm为城市修正因子;d为基站和移动台之间的距离(km);为第k个蜂群中第j个测试点的坐标。优选地,其中利用matlab进行仿真计算,仿真参数包括:种群大小、食物源个数、控制参数limit,最大循环次数、测试点个数和信号载频。根据本发明的另一个方面,提供了一种基于人工蜂群算法确定基站选取方案的系统,其特征在于,所述系统包括:站址信息获取单元,用于对待规划区域进行离散化处理,以获取多个基站的站址信息;目标函数确定单元,用于将基站的站址信息映射到人工蜂群算法中的蜂群位置参数信息,并根据相关网络参数建立仿真模型,确定目标函数;其中,所述相关网络参数包括:建站成本和业务覆盖率;参数配置单元,用于根据所述待规划区域内基站的站址信息和目标函数对仿真模型中的参数进行配置;基站选取方案确定单元,用于利用所述仿真模型基于人工蜂群算法进行仿真计算,求解所述目标函数,以确定待规划区域的最优的基站选取方案。优选地,其中所述站址信息获取单元,对规划区域进行离散化处理,以获取多个基站的站址信息,包括:在所述规划区域上规划多个基站,每个基站的覆盖范围为以基站坐标为圆心、r为半径的圆,每个基站处在对应的覆盖区域的中心,当测试点落在基站覆盖范围内时,则认为该测试点被该基站覆盖,从而获取多个基站的站址信息;其中,每个基站的建站成本均相同。优选地,其中所述目标函数确定单元,将基站的站址信息映射到人工蜂群算法中的蜂群位置参数信息,包括:其中,n为基站的建站总数;k为人工蜂群中的人工蜂数量;bk为第k个蜂群的位置信息,即第k套基站的位置信息,为第k个蜂群中的第i个基站的坐标。优选地,其中所述目标函数为:a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(db),其中,α和β分别表示业务覆盖率和建站成本在目标函数中所占的权重,表示第k个蜂群的第j个测试点是否在业务覆盖范围内,规划区域内设置的测试点数量为m;用于从路径损耗的角度验证业务测试点是否被覆盖;pik为第k个蜂群中第i个基站的发射功率,表示第k个蜂群中第i个基站到第j个测试点的路径损耗,pmin为允许的最小接收功率;f为信号发射频率;hb为基站天线的有效高度;hm为移动台天线的有效高度;a(hm)为移动台天线高度修正因子;cm为城市修正因子;d为基站和移动台之间的距离(km);为第k个蜂群中第j个测试点的坐标。优选地,其中所述基站选取方案确定单元利用matlab进行仿真计算,仿真参数包括:种群大小、食物源个数、控制参数limit,最大循环次数、测试点个数和信号载频。本发明提供了一种基于人工蜂群算法确定基站选取方案的方法及系统,将待规划区域内的站址信息映射到人工蜂群算法中的蜂群位置信息,并根据优化目标参数业务覆盖率和建站成本建立目标函数,基于人工蜂群算法进行仿真运算,通过不断变换的人工蜂的位置信息,直接对站址规划的设计参数进行优化,确定待规划区域的最优的基站选取方案,极大地提高了运算的速度和准确度,仿真结果表明本发明的技术方案不仅能够以较小的建站代价获得较高的业务覆盖率,而且具有较好的收敛性,因而能够提供相对科学合理的基站选址方案,具有重要的实用应用价值。附图说明通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:图1为根据本发明实施方式的基于人工蜂群算法确定基站选取方案的方法100的流程图;图2为根据本发明实施方式的人工蜂群算法的流程图;图3为根据本发明实施方式的基站覆盖范围与业务测试点分布的示意图;图4为根据本发明实施方式的不同基站数情况下目标函数值与循环次数的关系图;图5为根据本发明实施方式的设定的第一目标函数的情况下最大目标函数值与基站数的关系图;图6为根据本发明实施方式的设定第二目标函数的情况下最大目标函数值与基站数的关系图;以及图7为根据本发明实施方式的基于人工蜂群算法确定基站选取方案的系统图700的结构示意图。具体实施方式现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属
技术领域:
的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。除非另有说明,此处使用的术语(包括科技术语)对所属
技术领域:
的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。图1为根据本发明实施方式的基于人工蜂群算法确定基站选取方案的方法100的流程图。如图1所示,本发明的实施方式提供的基于人工蜂群算法确定基站选取方案的方法,将待规划区域内的站址信息映射到人工蜂群算法中的蜂群位置信息,并根据优化目标参数业务覆盖率和建站成本建立目标函数,基于人工蜂群算法进行仿真运算,通过不断变换的人工蜂的位置信息,直接对站址规划的设计参数进行优化,确定待规划区域的最优的基站选取方案,极大地提高了运算的速度和准确度,仿真结果表明本发明的技术方案不仅能够以较小的建站代价获得较高的业务覆盖率,而且具有较好的收敛性,因而能够提供相对科学合理的基站选址方案,具有重要的实用应用价值。本发明的实施方式提供的基于人工蜂群算法确定基站选取方案的方法100从步骤101处开始,在步骤101对待规划区域进行离散化处理,以获取多个基站的站址信息。优选地,其中所述对规划区域进行离散化处理,以获取多个基站的站址信息,包括:在所述规划区域上规划多个基站,每个基站的覆盖范围为以基站坐标为圆心、r为半径的圆,每个基站处在对应的覆盖区域的中心,当测试点落在基站覆盖范围内时,则认为该测试点被该基站覆盖,从而获取多个基站的站址信息;其中,每个基站的建站成本均相同。在本发明的实施方式中,将要规划的目标区域按一定精度离散化,站址规划区域是二维平面,在该区域上规划n个基站,且半径均为r,每个基站的覆盖模型可以表示为以基站坐标为圆心、r为半径的圆。对于业务覆盖率因素,一个业务测试点的接收信号功率大于标准中规定的最低接收信号功率即代表对此点的业务覆盖,并设定每个基站的建站成本均相同。优选地,在步骤102将基站的站址信息映射到人工蜂群算法中的蜂群位置参数信息,并根据相关网络参数建立仿真模型,确定目标函数;其中,所述相关网络参数包括:建站成本和业务覆盖率。优选地,其中所述将基站的站址信息映射到人工蜂群算法中的蜂群位置参数信息,包括:其中,n为基站的建站总数;k为人工蜂群中的人工蜂数量;bk为第k个蜂群的位置信息,即第k套基站的位置信息,为第k个蜂群中的第i个基站的坐标。优选地,其中所述目标函数为:a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(db),其中,α和β分别表示业务覆盖率和建站成本在目标函数中所占的权重,表示第k个蜂群的第j个测试点是否在业务覆盖范围内,规划区域内设置的测试点数量为m;用于从路径损耗的角度验证业务测试点是否被覆盖;pik为第k个蜂群中第i个基站的发射功率,表示第k个蜂群中第i个基站到第j个测试点的路径损耗,pmin为允许的最小接收功率;f为信号发射频率;hb为基站天线的有效高度;hm为移动台天线的有效高度;a(hm)为移动台天线高度修正因子;cm为城市修正因子;d为基站和移动台之间的距离(km);为第k个蜂群中第j个测试点的坐标。在本发明的实施方式中,具体建模过程如下:首先,将站址信息与人工蜂群算法中蜂群的位置信息的关系映射为:其中,n为基站的建站总数,k为人工蜂群中的人工蜂数量,bk为第k个蜂群的位置信息,即第k套基站的位置信息,为第k个蜂群中的第i个基站的坐标。然后,建立目标函数为:其中,α和β分别表示业务覆盖率和建站成本在目标函数中所占的权重,表示第k个蜂群的第j个测试点是否在业务覆盖范围内,规划区域内设置的测试点数量为m。从路径损耗的角度验证业务测试点是否被覆盖,其表达式为:其中,pik表示基站的发射功率,在仿真中假设各基站的发射功率均相同,表示第k个蜂群中第i个基站到第j个测试点的路径损耗,pmin表示允许的最小接收功率。cost-231hata模型是对okumura-hata模型的修正,在高频段上适用较为精确。本文考虑lte1.8ghz频段,因此选取该模型作为计算依据。根据cost-231hata模型,有其中,f为信号发射频率,范围为1500~2000mhz;hb为基站天线的有效高度,范围为30~200m;hm为移动台天线的有效高度,范围为1~10m;a(hm)为移动台天线高度修正因子;cm为城市修正因子;d为基站和移动台之间的距离(km),且有为第k个蜂群中第j个测试点的坐标。对于中小城市,有a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(db),而cm的取值为:优选地,在步骤103根据所述待规划区域内基站的站址信息和目标函数对仿真模型中的参数进行配置。优选地,在步骤104利用所述仿真模型基于人工蜂群算法进行仿真计算,求解所述目标函数,以确定待规划区域的最优的基站选取方案。优选地,其中利用matlab进行仿真计算,仿真参数包括:种群大小、食物源个数、控制参数limit,最大循环次数、测试点个数和信号载频。以下具体距离说明本发明的实施方式在本发明的实施方式中,仿真考虑了20*20km2的中等城市平坦矩形区域,以确定站址规划方案。首先将问题初始化,设置相关参数,然后利用上述模型和人工蜂群算法进行仿真。人工蜂群算法流程图如图2所示。应用人工蜂群算法求解具体优化问题时,食物源的位置被映射成优化问题的一个解,那么蜜蜂采蜜(食物源)的过程便是寻找优化问题最优解的过程。对具体的一个全局优化问题来说,将问题所有解的集合抽象为一个种群,种群中每个个体的位置(可行解)对应一个食物源的位置,每个食物源的好坏由优化问题所确定的适应度函数值来决定,引领蜂和跟随蜂的个数与解的个数sn一致。食物源的位置用向量xi=(xi1,xi2,l,xid)i∈{1,2,l,sn}表示。首先,人工蜂群算法初始化,随机生成一个含有sn个解(食物源)的初始种群,每个解xi=(xi1,xi2,l,xid)是一个d维向量,计算每个可行解的适应度值。然后,蜜蜂循环搜索所有的食物源,最大循环次数为mcn。先是引领蜂对相应食物源的邻域进行一次搜索,如果搜索到的食物源(解)的花蜜质量(适应度值)比之前的优,那么就用新的食物源的位置替代之前的食物源位置,否则保持旧的食物源位置不变。所有的引领蜂完成搜索之后,回到舞蹈区把食物源的花蜜质量信息通过跳摇摆舞传递给跟随蜂。跟随蜂依据得到的信息按照一定的概率选择食物源。花蜜越多的食物源,被跟随蜂选择的概率也就越大。跟随蜂选中食物源后,跟引领蜂采蜜过程一样,也进行一次邻域搜索,用较优的解代替较差的解。通过不断重复上述这个过程,来实现整个算法的寻优,从而找到问题的全局最优解。引领蜂和跟随蜂依据下式进行食物源位置的更新:vij=xij+rij(xij-xkj)其中,vij是新食物源的位置,rij∈[-1,1],j∈{1,2,l,d},并且k≠i。在人工蜂群算法中,跟随蜂对食物源的选择是通过观察完引领蜂的摇摆舞来判断食物源的收益率,然后根据收益率大小,采用贪心算法来确定到哪个食物源采蜜。收益率是通过函数的适应度值来表示的:其中,fi表示第i个解的目标函数值。而选择概率pi按照下式确定:其中,fiti是第i个解的适应度值,sn是解的个数。在人工蜂群算法中,还有一个控制参数limit用来记录某个解未被更新的次数。如果某个解连续经过limit次循环之后仍没有得到改善,表明这个解陷入局部最优,那么这个解就要被放弃,与这个解相对应的引领蜂也转变为侦察蜂。假设被放弃的解是xi,那么就由侦察蜂通过下式随机产生一个新的解来代替xi:x′i=xmin+rand(0,1)(xmax-xmin),其中,xmax和xmin分别表示搜索空间的上限和下限。在本发明的实施方式中,根据单基站覆盖范围确定矩形区域的参考基站数为:其中,l和w分别为待规划区域的长度和宽度,dmax为使得的d。通过仿真计算,可得参考基站数为12。仿真工具采用matlab,其他仿真参数如下表所示:参数数值种群大小20食物源个数10limit100最大循环次数2000测试点个数1000信号载频1800mhz在根据目标函数进行优化时,首先,只考虑业务覆盖率,即目标函数中取α=1,β=0,则目标函数可写为:仿真结果如图3和图4所示。图3为基站数为12时基站覆盖范围与业务测试点示意图,大圆代表各基站的覆盖范围,小圆点代表各业务测试点,由图可见大部分测试点已被基站覆盖。图4为根据本发明实施方式的不同基站数情况下目标函数值与循环次数的关系图。由图4可知,随着循环次数的增加,目标函数迅速提升,当循环次数达到一定值以后,目标函数提升速度降低,直至趋向于一条直线。以基站数为12时为例,业务覆盖率可达到约93%,基本满足建站需求。而基站数越多,业务覆盖率也越高。可以推断的是,当基站数趋近于无穷大时,目标函数值会趋近于1。但是,基站数的增加势必带来建站成本的提升,在实际工程建设中不可能无限制增加基站数,因而需要进一步考虑建站成本因素,尝试在目标函数中取α=1,β=-0.03,那么目标函数修正为:与上一步仿真类似,依次将基站数选定为10至14,作图表示不同基站数情况下目标函数值与循环次数的关系。由于5条曲线之间较为贴合,考虑到效果问题在此不再展示该图。可以推断出的是,当考虑建站成本时,尽管随着基站数的增加,业务覆盖率将会得到不断提高,然而建站成本也在同时提高,所以目标函数值不会趋近于1。为了更清晰的说明,分别作出第一目标函数和第二目标函数设定情况下基站数与最大目标函数值的关系曲线,如图5和图6所示。由图5可知,对于只考虑业务覆盖率的目标函数,最大目标函数值随基站数的增加而增大,直至趋近于1。因此,若仅考虑业务覆盖率,那么基站数越多越好。由图6可知,对于同时考虑建站成本和业务覆盖率的目标函数,基站数较小时,最大目标函数值随基站数的增加而增大,待达到最高点后回落,因而目标函数值的最高点对应的基站数就是最优基站数,在本次仿真中最优基站数为12。因此,若同时考虑业务覆盖率和建站成本,那么基站数就选为目标函数值的最高点对应的基站数为宜。图7为根据本发明实施方式的基于人工蜂群算法确定基站选取方案的系统图700的结构示意图。如图7所示,本发明的实施方式提供的基于人工蜂群算法确定基站选取方案的系统700,包括:站址信息获取单元701、目标函数确定单元702、参数配置单元703和基站选取方案确定单元704。优选地,所述站址信息获取单元701,用于对待规划区域进行离散化处理,以获取多个基站的站址信息。优选地,其中所述站址信息获取单元701,对规划区域进行离散化处理,以获取多个基站的站址信息,包括:在所述规划区域上规划多个基站,每个基站的覆盖范围为以基站坐标为圆心、r为半径的圆,每个基站处在对应的覆盖区域的中心,当测试点落在基站覆盖范围内时,则认为该测试点被该基站覆盖,从而获取多个基站的站址信息;其中,每个基站的建站成本均相同。优选地,所述目标函数确定单元702,用于将基站的站址信息映射到人工蜂群算法中的蜂群位置参数信息,并根据相关网络参数建立仿真模型,确定目标函数;其中,所述相关网络参数包括:建站成本和业务覆盖率。优选地,其中所述目标函数确定单元,将基站的站址信息映射到人工蜂群算法中的蜂群位置参数信息,包括:其中,n为基站的建站总数;k为人工蜂群中的人工蜂数量;bk为第k个蜂群的位置信息,即第k套基站的位置信息,为第k个蜂群中的第i个基站的坐标。优选地,其中所述目标函数为:a(hm)=(1.1lgf-0.7)hm-(1.56lgf-0.8)(db),其中,α和β分别表示业务覆盖率和建站成本在目标函数中所占的权重,表示第k个蜂群的第j个测试点是否在业务覆盖范围内,规划区域内设置的测试点数量为m;用于从路径损耗的角度验证业务测试点是否被覆盖;pik为第k个蜂群中第i个基站的发射功率,表示第k个蜂群中第i个基站到第j个测试点的路径损耗,pmin为允许的最小接收功率;f为信号发射频率;hb为基站天线的有效高度;hm为移动台天线的有效高度;a(hm)为移动台天线高度修正因子;cm为城市修正因子;d为基站和移动台之间的距离(km);为第k个蜂群中第j个测试点的坐标。优选地,所述参数配置单元703,用于根据所述待规划区域内基站的站址信息和目标函数对仿真模型中的参数进行配置。优选地,所述基站选取方案确定单元704,用于利用所述仿真模型基于人工蜂群算法进行仿真计算,求解所述目标函数,以确定待规划区域的最优的基站选取方案。优选地,其中所述基站选取方案确定单元704利用matlab进行仿真计算,仿真参数包括:种群大小、食物源个数、控制参数limit,最大循环次数、测试点个数和信号载频。本发明的实施例的基于人工蜂群算法确定基站选取方案的系统700与本发明的另一个实施例的基于人工蜂群算法确定基站选取方案的方法100相对应,在此不再赘述。已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。通常地,在权利要求中使用的所有术语都根据他们在
技术领域:
的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。当前第1页12