CN110312260A - Lte电力无线专网重叠小区物理标识优化方法及*** - Google Patents
Lte电力无线专网重叠小区物理标识优化方法及*** Download PDFInfo
- Publication number
- CN110312260A CN110312260A CN201910660722.2A CN201910660722A CN110312260A CN 110312260 A CN110312260 A CN 110312260A CN 201910660722 A CN201910660722 A CN 201910660722A CN 110312260 A CN110312260 A CN 110312260A
- Authority
- CN
- China
- Prior art keywords
- cell
- optimization
- pss
- pci
- emphasis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种LTE电力无线专网重叠小区物理标识优化方法,包括构建优化小区的PSS配置优化模型,采用多目标优化算法,获得PSS配置方案;根据PSS配置方案,构建优化小区的PCI配置优化模型,采用状态空间搜索方法,获得PCI配置方案。同时公开了相应的***。本发明采用多目标优化算法并结合状态空间搜索搜索方法,自动快速地对优化区域内各小区的PCI配置进行调整优化,可以获得更为有效的全局优化结果,降低网络干扰,提升网络性能。
Description
技术领域
本发明涉及一种LTE电力无线专网重叠小区物理标识优化方法及***,属于网络优化领域。
背景技术
LTE电力无线专网是智能电网的重要组成部分,采用LTE无线通信技术实现智能电网内部基站和终端等网元设备相互间的信息传输。LTE网络为每个小区分配1个物理小区标识PCI(Physical Cell Identity),据此标识和识别局部区域内彼此相邻或邻近的不同小区,隔离各个小区的同频信道。PCI取值范围为0~513,仅有504个可用值。PCI可分解为辅同步序列SSS(Secondary Synchronization Sequence)和主同步序列PSS(PrimarySynchronization Sequence),并满足关系PCI=3×SSS+PSS,SSS和PSS的取值范围分别为0~167和0~2。在LTE网络中,小区PCI的配置一般遵循以下原则:1)同站小区的PCI和PSS不相同;2)不混淆,同一小区的相邻小区PCI不同;3)不冲突,相邻小区PCI不同;4)邻小区间避免PSS相同,即避免PCI模三干扰。
PCI是LTE电力无线专网的重要的小区级配置参数,PCI分配不当将导致严重的小区间同频干扰,恶化无线接入、切换、吞吐量等网络性能指标,严重威胁智能电网正常运行。
LTE蜂窝公网采用多频点组网,在小区边缘处多小区重叠覆盖。与公网不同,LTE电力无线专网分配的带宽窄,采用单频点同频组网,并且要求网络覆盖范围内的任意一点至少被2个小区的信号所覆盖,属于高度重叠覆盖网络。在LTE电力无线专网中,从有限的504个可用值中,为各个小区分配PCI不能仅仅满足于上述同站小区PCI/PSS不相同、不冲突、不混淆等原则,因此PCI分配难度更大。
目前,在网络规划阶段,LTE网络,包括LTE电力无线专网和LTE蜂窝公网,一般是根据小区地理位置、小区间邻区关系等规划参数,采用PCI模3复制、分簇复用、状态空间搜索搜索、图着色等方式,为小区分配PCI,以避免小区间的PCI冲突、PCI混淆、PCI模三冲突。但分配的PCI并不完全符合实际,网络投入运营后需要不断调整优化。
电力无线专网作为小区高度重叠覆盖的网络,只考虑避免小区间PCI冲突、PCI混淆、PCI模三冲突仍然无法避免小区间同频干扰,需要进一步规避小区间的PCI模6、模30相同等情况。
在网络优化阶段,针对LTE电力无线专网和LTE蜂窝公网,,网络优化人员一般根据网络KPI和小区干扰情况,分析受到PCI干扰的小区,人工局部调整这些小区的PCI,或借助电子地图等工具,采用一些简单的搜索算法,优化调整单个或部分异常小区的PCI。这种方法耗时费力,PCI调整效果常常达不到预期。
因此,在网络规划和网络优化阶段,上述PCI分配优化方法均存在无法完全达到预期调整效果的缺陷,无法满足电力无线专网PCI优化需求。
发明内容
本发明提供了一种LTE电力无线专网重叠小区物理标识优化方法及***,解决了现有PCI调整优化存在的上述问题。
为了解决上述技术问题,本发明所采用的技术方案是:
LTE电力无线专网重叠小区物理标识优化方法,包括,
构建优化小区的PSS配置优化模型,采用多目标优化算法,获得PSS配置方案;
根据PSS配置方案,构建优化小区的PCI配置优化模型,采用状态空间搜索方法,获得PCI配置方案;
对所有PCI配置方案进行评估,将最优的PCI配置方案作为最终方案。
优化小区的PSS配置优化模型包括重点优化小区的PSS配置优化模型和常规优化小区的PSS配置优化模型,采用多目标优化算法,分别获得重点优化小区的PSS配置方案和常规优化小区的PSS配置方案。
重点优化小区的PSS配置优化模型结构为,
优化目标:
PSS相同的重点优化小区对数目最小;
PSS相同的重点优化小区之间的DT/CDT干扰和最小;
小区总数>3的基站,PSS相同的小区数目最小;
小区总数>3的基站,PSS相同小区间的C2I干扰总和最小;
约束条件:
小区总数≤3的基站,基站内小区的PSS不相同;
所有优化小区的C2I干扰总和小于阈值;
输入:重点优化小区、重点优化小区的DT/CDT干扰测量矩阵、重点优化小区和常规优化小区间的C2I干扰测量矩阵;
输出:重点优化小区的PSS配置方案。
常规优化小区的PSS配置优化模型结构为,
优化目标:
常规优化小区对重点优化小区的DT/CDT干扰最小;
常规优化小区间的C2I干扰加上相关小区对常规优化小区的C2I干扰最小;
小区总数>3的基站,PSS相同的小区数目最小;
小区总数>3的基站,PSS相同小区间的C2I干扰总和最小;
约束条件:
小区总数≤3的基站,基站内小区的PSS不相同;
输入:重点优化小区、重点优化小区的PSS配置方案、重点优化小区的DT/CDT干扰测量矩阵、重点优化小区和常规优化小区间的C2I干扰测量矩阵;
输出:常规优化小区的PSS配置方案。
根据DT/CDT测量报告、CDT测量报告中主小区、邻小区的参考信号接收信号强度,计算重点优化小区相互间、重点优化小区与其它小区间的DT/CDT干扰测量矩阵。
根据MRO/MRE测量报告中主小区、邻小区的参考信号接收信号强度,计算优化小区相互间、优化小区与相关小区相互间的C2I干扰测量矩阵。
优化小区的PCI配置优化模型结构为,
优化目标:
小区总数>3的基站被分配的SSS数量最小;
一定距离内相同PCI的小区数量最小;
一定距离内PCI间距小于阈值的小区数目最小;
一定距离内PCI模6相同的小区数量最小;
一定距离内PCI模30相同的小区数量最小;
约束条件:
重点优化小区所分配的PCI位于所规定的重点优化小区PCI可用区段;
常规优化小区所分配的PCI位于所规定的常规优化小区PCI可用区段;
相同基站小区PCI不同;
一阶邻区PCI不同;
二阶邻区PCI不同;
小区总数≤3的基站,基站内小区的SSS相同;
输入:所有优化小区、优化小区的相关小区、所有优化小区的PSS配置方案、重点优化小区PCI可用区段、常规优化小区PCI可用区段;
输出:所有优化小区的PCI配置方案。
TE电力无线专网重叠小区物理标识优化***,包括,
PSS配置模块:构建优化小区的PSS配置优化模型,采用多目标优化算法,获得PSS配置方案;
PCI配置模块:根据PSS配置方案,构建优化小区的PCI配置优化模型,采用状态空间搜索方法,获得PCI配置方案;
评估模块:对所有PCI配置方案进行评估,将最优的PCI配置方案作为最终方案。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行LTE电力无线专网重叠小区物理标识优化方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行LTE电力无线专网重叠小区物理标识优化方法的指令。
本发明所达到的有益效果:本发明面向LTE电力无线专网PCI配置优化阶段,分别针对重点优化小区的PSS分配和常规优化小区的PSS分配,建立了两个多目标多约束优化模型,同时考虑多种约束条件和多种优化目标,采用多目标优化算法求解这2个优化模型,为优化小区分配PSS;针对优化小区的PCI分配,建立多目标多约束优化模型,采用状态空间搜索方法,为优化小区分配PCI;本发明采用优化算法并结合状态空间搜索方法,自动快速地对优化区域内各小区的PCI配置进行调整优化,可以获得更为有效的全局优化结果,降低网络干扰,提升网络性能。
附图说明
图1为本发明方法的流程图;
图2为全网小区分布图;
图3为重点优化小区PSS配置优化求解流程图;
图4为优化目标数为2时的Pareto前沿;
图5为网格法控制非支配解集;
图6为状态空间搜索优化小区PCI分配流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,LTE电力无线专网重叠小区物理标识优化方法,包括以下步骤:
步骤1,确定区域并获取测量数据。
1.1)确定优化区域、测量区域和网络测量时段。
1.1.1)确定异常小区集合PerfDegCellSet;
针对需要优化调整的已运营LTE网络,根据小区和基站级的网管性能指标、路测报告、用户投诉等信息,确定发生性能降阶异常的小区,组成异常小区集合。
1.1.2)确定优化区域OptArea及优化小区集合OptCellSet;
以异常小区c所在基站、与这些异常小区c在地理上相邻距离不超过corlH(corlH具体值根据实际情况而定,单位为米)的其它小区c’所在基站为平面顶点,计算顶点凸包,以凸包所在区域作为优化区域,位于区域内的全部小区组成优化小区集合。
1.1.3)确定测量区域MeasArea及测量小区集合MeasCellSet;
将优化区域向各个方向延伸扩展距离extH(extH具体值根据实际情况而定,单位为米),得到测量区域,位于测量区域内的全部小区组成测量小区集合。
1.1.4)确定测量时段MeasDuration[StartTime,EndTime];
根据网络维护优化调整的预计实施时间点,指定该时间点之前的网络测量时间段为测量时段。
1.2)获取测量区域内的小区网络工作参数和切换性能KPI数据。
通过网管平台获取位于测量区域内的各个小区在测量时段内的配置参数、邻区参数和切换性能KPI数据。
配置参数:包括但不限于小区标识、小区名称、小区所属基站、小区所在基站经纬度和海拔高度、小区天线方位角和下倾角、小区发射功率。
邻区参数:包括但不限于小区的网络邻区和地理邻区;网络邻区包括一阶邻区和二阶邻区,一阶邻区是指与当前小区具有切换关系的小区,当前小区的所有一阶邻区互称二阶邻区;地理邻区是指与当前小区距离在一定范围内的小区。
切换性能KPI数据:包括但不限于切换(尝试)次数、切换成功次数、切换成功率等KPI数据。
1.3)规划和实施测量区域DT/CDT测试,并获取DT/CDT测量报告。
在测量区域内,针对优化区域内的重点保障小区(如覆盖区域内有重要电力设备的小区)和重要道路的覆盖小区,规划DT路测线路和CDT测试点,在测量时段内,实施DT/CDT路测,获得DT/CDT路测报告,DT/CDT路测报告描述了DT路测线路沿线和CDT测试点的主小区、邻小区的标识及其参考信号接收信号强度(RSRP)和信噪比(SINR)信息。
每条DT/CDT路测报告包括以下信息:
A、测量点所在位置信息,以经纬度表示;
B、1个主小区和na个邻小区;
C、收到来自1+na个小区的信号场强;
D、测量点处的SINR(信号与干扰加噪声比);
E、1个主小区及其具有切换关系的na’个邻小区。
1.4)实施MRO/MRE测量并解析获取MRO/MRE测量报告。
在测量区域内,针对各小区,实施MRO/MRE路测,通过网管平台获取这些小区在测量时段内的MRO/MRE测量报告。
每条MRO/MRE测量报告包括以下信息:
A、测量点所在位置信息,以经纬度表示;
B、1个主小区和nm个邻小区;
C、收到来自1+na个小区的信号场强。
步骤2,网络干扰建模。
2.1)基于DT/CDT测量报告的小区干扰建模。
根据DT/CDT测量报告、CDT测量报告中主小区、邻小区的参考信号接收信号强度,计算主小区相互间、主小区小区与其它邻小区间的DT/CDT干扰测量矩阵,并筛选重点优化小区切换和干扰限制对。
2.1.1)计算DT/CDT干扰测量矩阵。
2.1.1.1)针对主小区ci、邻小区cj的干扰样本集合DT/CDTC2ISet(i,j),计算主小区ci、邻小区cj间的C2I干扰,包括:针对现有全体主邻小区RSRP差值对样本的均值Mean、标准差Std、样本总数SampleCount、样本累加和SumSample、样本平方累加和SumSampleSqur。
2.1.1.2)根据得到的主邻小区间C2I干扰统计,得到干扰分布函数。
2.1.1.3)利用干扰分布函数,计算DT/CDT干扰测量矩阵。
2.1.2)计算DT/CDT切换矩阵。
2.1.2.1)针对具有切换关系的主小区ci、邻小区cj的切换样本集合HandOverSet(i,j),计算样本总数SampleCountHand。
2.1.2.2)对于主小区ci,记录出现频率最高的前h个小区,即SampleCountHand最高的前h项样本中的邻小区cj,构成集合HandOverCellsi={cj}。
2.1.2.3)构建DT/CDT切换矩阵HandOver;对于主小区ci,如果cj∈HandOverCellsi,则HandOver[i][j]=1;否则,HandOver[i][j]=0,cj,ci∈MeasCellSet。
2.1.3)根据DT/CDT干扰测量矩阵、DT/CDT切换矩阵,提取DT/CDT切换限制对和DT/CDT干扰限制对。
提取DT/CDT切换限制对:根据DT/CDT数据反映出的重点保障小区、重要道路覆盖小区间、其它小区相互间的切换Top关系,确定不允许PSS相同的小区对;
提取DT/CDT干扰限制对:根据DT/CDT数据反映出的重点保障小区、重要道路覆盖小区、其它小区相互间的C2I Top干扰关系,确定不允许PSS相同的小区对。
2.2)基于MRO/MRE测量报告的优化小区干扰建模。
根据MRO/MRE测量报告中主小区、邻小区的参考信号接收信号强度,计算优化小区相互间、优化小区与相关小区相互间的C2I干扰测量矩阵。
2.2.1)计算MRO/MRE测量报告中的主邻小区间的C2I干扰样本集合。
2.2.2.1)对一条MRO/MRE测量报告,统计出现在该测量报告中的主小区、邻小区的接收信号的差值,构成主小区与邻小区间的一条C2I干扰样本DiffRSRPk(i,j)。
2.2.2.2)依次计算各条MRO/MRE测量报告内的每一对主小区与其邻小区间的C2I干扰样本,构成C2I干扰样本集合MROC2ISet(i,j)={MRODiffRSRP(i,j)}。
2.2.2)针对C2I干扰样本集合MROC2ISet(i,j),计算主小区和邻小区间的C2I干扰,包括:针对现有全体主邻小区RSRP差值对样本的均值、标准差、样本总数、样本累加和、样本平方累加和。
2.2.3)根据主邻小区间C2I干扰统计,得到干扰分布函数。
2.2.4)利用干扰分布函数,构建C2I干扰测量矩阵。
步骤3,确定重点优化小区、常规优化小区、相关小区。
位于优化区域OptAre内的全部小区作为优化小区,如图2所示,即c1~c12,组成优化小区集合OptCellSet。
从集合OptCellSet中挑选同时满足下列两个条件的小区:1)需要重点保障的小区,或重要道路覆盖小区,2)出现在DT/CDT切换限制对或DT/CDT干扰限制对中,组成重点优化小区集合ImpOptCellSet;优化区域OptArea内其余的优化小区作为常规优化小区,组成常规优化小区集合GenOptCellSet;
如图2所示,位于优化区域内的全部小区作为优化小区,即c1~c12,组成优化小区集合OptCellSet,需要重点保障的重点优化小区为c1~c4,组成重点优化小区集合VIPCellSet。优化区域内,去掉重点优化小区剩余的小区为常规优化小区,即c5~c12,组成常规优化小区集合GenOptCellSet。
相关小区满足以下条件,组成相关小区集合CorlCellSet:
1、位于测量区域MeasArea;2、不属于优化小区,即位于优化区域外;3、与优化小区间存在邻区关系,或C2I干扰关系,或DT/CDT干扰关系。
相关小区自身的PCI无需调整,但影响到常规优化小区和重点优化小区的PCI配置。在图2中,相关小区为c13~c17。
步骤4,构建优化小区的PSS配置优化模型,采用多目标优化算法,获得PSS配置方案。
优化小区的PSS配置优化模型包括重点优化小区的PSS配置优化模型和常规优化小区的PSS配置优化模型,采用多目标优化算法,分别获得重点优化小区的PSS配置方案和常规优化小区的PSS配置方案。
重点优化小区的PSS配置优化模型结构如下:
优化对象:重点优化小区。
优化目标:PSS相同的重点优化小区对数目最小;PSS相同的重点优化小区之间的DT/CDT干扰和最小;小区总数>3的基站,PSS相同的小区数目最小;小区总数>3的基站,PSS相同小区间的C2I干扰总和最小;
即min f={CntA-A,InfATUA-A,NumPSSEqCell,InfPSSC2I}
其中,f为优化函数,CntA-A为PSS相同的重点优化小区对数目,InfATUA-A为PSS相同的重点优化小区之间的DT/CDT干扰和,umPSSEqCell为小区总数>3的基站内,PSS相同的小区数目,InfPSSC2I为小区总数>3的基站内,PSS相同小区间的C2I干扰总和;
约束条件:
小区总数≤3的基站,基站内小区的PSS不相同,取值范围0~2;
所有优化小区的C2I干扰总和小于阈值。
输入:重点优化小区、重点优化小区的DT/CDT干扰测量矩阵和优化小区的MRO干扰测量矩阵。
输出:重点优化小区的PSS配置方案。
如图3所示,针对重点优化小区的多目标PSS配置优化模型,采用基于Pareto的多目标优化算法,获得重点优化小区的PSS配置方案。
首先采用随机贪心法初始化种群,使得尽可能满足PSS约束;然后根据Pareto支配关系评估种群中每个个体的适应度值,根据评估结果构造精英集;为避免精英集过大或分布不均匀,采用网格法剔除精英集中的一些个体;如果达到进化结束条件,则从精英集中选择最优个体作为最终PSS分配方案;否则,从父代和子代中按照Pareto支配关系选择较好的下一代,同时更新精英集,进行新一轮进化,即交叉、变异;具体过程如下:
401)编码方式
依据图着色思想,将PSS看作颜色,取值集合为{0,1,2},将各小区看作顶点,探索3-着色最佳方案,编码方式为:
Π={V1,V2,V3}
其中,V1,V2,V3表示小区的划分块,含义为:划分块V1中小区所分配的PSS值为0,划分块V2中小区所分配的PSS值为1,划分块V3中小区所分配的PSS值为2。
402)重点优化小区的种群初始化
4021)将DT/CDT限制对中一端不在优化区域内的小区,按照PCI模三值放入种群所有个体的相应划分中。
4022)找出所有小区数>3的基站,先将相关小区放入相应划分,剩余小区按照干扰值降序,依次放入满足PSS约束的划分中。
4023)按舍伍德随机洗牌算法产生剩余优化小区的一个排列,依次放入满足PSS约束的区分中。
4024)将划分编码,得到新个体。
4025)重复步骤4021~步骤4024,直到达到种群规模。
403)构造非支配解集
对于p个相互冲突的优化目标min F(x)={f1(X),f2(X),...,fp(X)},满足约束条件R的决策变量X={x1,x2,...,xm}构成可行解集XF={X},m为决策变量数。
对于X1,X2∈XF,如果F(X1)<F(X2),即解为X1时的所有子目标均优于解为X2时的所有子目标,则称X1支配X2。如果X1没有被其他解支配,则X1为非支配解,这样的解构成非支配解集X*={X1},也称Pareto前沿(Pareto Front)。图4为p=2时的Pareto前沿。
采用快速排序法构造非支配解集,具体步骤如下:
4031)选择当前序列的第一个个体Pop[start]作为基准,将非支配解集NDSet置空。
4032)以该基准在序列中的实际位置,把序列分成两个子序列,使得在基准左边的个体都被该基准支配、或与该基准相等、或与该基准互不支配,在基准右边的元素都支配该基准、或与该基准相等。
4033)如果基准不被当前序列中的所有个体支配,则加入非支配集NDSet。
4034)递归地对右边的序列进行步骤4031~步骤4033的处理,直到序列为空或者只有一个个体。
404)控制非支配解集大小及保持其分布性
进化到后期,非支配个体数量增多,需采用自适应网格法控制非支配解集大小并保持其分布性,如图5所示。
4041)确定优化目标数objNum、每个目标上的最大值max与最小值min,每个维度上网格的分割次数gridNum,计算每个目标上的网格宽度with=(max-min)/gridNum,据此构造自适应网格。
4042)计算所有非支配个体每个目标obj在相应维度上网格中的位置g=(obj-min)/with,并放入相应网格。
4043)挑选包含非支配个体数最多的网格,删除其中的一个非支配个体;重复此步直到非支配解集规模符合规定大小。
405)采用交叉操作,根据进化过程中每一代作为父母的两个已有个体,产生作为后代的新的子个体,并对生成的子个体进行微调,以保证新个体满足PSS约束。父母个体和子个体分别表示了优化过程中依次生成、不断优化的PSS配置方案。
假设被选中的父母个体的编码分别为Π1={V1 1,V2 1,V3 1},Π2={V1 2,V2 2,V3 2},产生的新个体为Πx={V1 x,V2 x,V3 x},此处Vi1 j1为个体j1的编码方式中第i1个划分,i1∈{1,2,3},j1∈{1,2,x},具体过程如下:
4051)新个体Πx保留父母个体的交集部分,即V1 x=V1 1∩V1 2,V2 x=V2 1∩V2 2,V3 x=V3 1∩V3 2。
4052)将未包含于决策变量X任何一个划分的剩余顶点依次放入满足PSS约束的划分中,决策变量X就是重点优化小区的PSS配置方案。
406)采用变异操作,由被选中的上一代变异个体,生成下一代的满足PSS约束的新个体,得到下一代变化后的新的PSS配置方案;
假设被选中的变异个体的编码为Πm={V1 m,V2 m,V3 m},变异过程如下:
4061)随机选取一个个体并随机选择一个顶点Vs m∈Πm,s=1、2或3,如果其为非优化小区或小区数>3的基站,则不变异;否则,转步骤4062。
4062)改变顶点所属划分。
4063)检查变异后个体是否满足PSS约束,如不满足,则进行划分间微调。
407)精英集保持
在每代进化结束后更新非支配解集,并使得更新后的非支配解集参与到下一代进化中。
4071)通过快速排序法构造本代非支配解集NewNDSet。
4072)依次将NewNDSet中的个体NewNDSeti与上一代非支配解集NDSet中的所有个体NDSetj进行比较,如果个体NewNDSeti优于NDSetj,则将NDSet中所有被NewNDSeti支配的个体删除,并将NewNDSeti加入到NDSet中;如果个体NewNDSeti劣于NDSetj,则将NDSetj替换掉本代中适应度最差的一个个体。
4073)用自适应网格法控制更新后的非支配解集NDSet规模并保持其分布性。
408)选择操作
选择算子从父母个体和交叉、变异产生的新个体中以高概率选取适应度较高的个体,以形成新的种群,参与到下一代进化,具体过程如下:
4081)将父母个体和交叉、变异产生的新个体基于Pareto支配关系进行快速排序,使得适应度较高的非支配个体在前,适应度较低的被支配个体在后。
4082)以选择概率Pselect,e.g.Pselect=0.9,依次从排好序的个体中选择,使得适应度高的个体以较高概率被选中。
4083)若最终未达到种群规模,则设定Pselect=1,重新选择,直到达到种群规模。
常规优化小区的PSS配置优化模型结构如下:
优化对象:常规优化小区。
优化目标:常规优化小区对重点优化小区的DT/CDT干扰最小;常规优化小区间的C2I干扰加上相关小区对常规优化小区的基于PSS的C2I干扰最小;小区总数>3的基站,PSS相同的小区数目最小;小区总数>3的基站,PSS相同小区间的C2I干扰总和最小;
即min L={InfATUA-B,InfMROB-B+InfMROB-C,NumPSSEqCell,InfPSSC2I},
其中,L为优化函数,InfATUA-B为常规优化小区对重点优化小区的DT/CDT干扰,InfMROB-B为常规优化小区间的C2I干扰,InfMROB-C为相关小区对常规优化小区的基于PSS的C2I干扰,NumPSSEqCell3为小区总数>3的基站内,PSS相同的小区数目,InfPSSC2I3为小区总数>3的基站内,PSS相同小区间的C2I干扰总和;
约束条件:
小区总数≤3的基站,基站内小区的PSS不相同;
输入:重点优化小区、重点优化小区的PSS配置方案、重点优化小区的DT/CDT干扰测量矩阵、重点优化小区和常规优化小区间的C2I干扰测量矩阵。
输出:常规优化小区的PSS配置方案。
采用与步骤401~步骤408相同的方法,通过向量化个体表示、种群初始化、选择、交叉、变异等遗传操作,迭代计算,逐步优化,获得常规优化小区的PSS配置方案。
步骤5,根据PSS配置方案,构建优化小区的PCI配置优化模型,采用状态空间搜索方法,获得PCI配置方案。
优化小区的PCI配置优化模型结构如下:
优化对象:所有优化小区。
优化目标:小区总数>3的基站被分配的SSS数量最小;一定距离内相同PCI的小区数量最小;一定距离内PCI间距小于阈值的小区数目最小;一定距离内PCI模6相同的小区数量最小;一定距离内PCI模30相同的小区数量最小;
即min K={CntSSS,CntPCI,NumPCIDisCell,NumPCIMod6Cell,NumPCIMod30Cell};
其中,K为优化函数,CntSSS为小区数>3的基站被分配的SSS数量,CntPCI为一定距离内相同PCI的小区数量,NumPCIDisCell为一定距离内PCI间距小于阈值的小区数目,NumPCIMod6Cell为一定距离内PCI模6相同的小区数量,NumPCIMod6Cell,NumPCIMod30Cell为一定距离内PCI模30相同的小区数量。
约束条件:
重点优化小区所分配的PCI位于所规定的重点优化小区PCI可用区段;
常规优化小区所分配的PCI位于所规定的常规优化小区PCI可用区段;
相同基站小区PCI不同;
一阶邻区PCI不同;
二阶邻区PCI不同;
小区总数≤3的基站,基站内小区的SSS相同。
输入:所有优化小区、优化小区的相关小区、所有优化小区的PSS配置方案、重点优化小区PCI可用区段、常规优化小区PCI可用区段。
输出:所有优化小区的PCI配置方案。
如图6所示,采用状态空间搜索方法,获得PCI配置方案,具体过程如下:
501)构造可用SSS列表avlSSSList。
502)将优化小区按照优先级排序,sum=(同站小区)+(一阶邻区)+(二阶邻区)越大,优先级越高,因为sum值越大,意味着可用PCI数约少,同时保证同基站小区相邻。
503)依次为所有排好序的优化小区分配SSS,与之前分配的PSS组成PCI,当SSS被分配次数达到3,则从avlSSSList中删除;如果SSS数量足够,则结束;否则,转步骤504。
504)剩余未分配SSS的小区进行PCI复用。PCI复用时,必须满足模型中的约束条件,在有多个可用PCI时,从与当前小区同PSS的小区集合SamePSS中,挑选距离最远的小区的PCI进行复用。
步骤6,对所有PCI配置方案进行评估,挑选最优的PCI配置方案作为最终方案。
具体过程如下:
61)确定评估目标函数:objF[4]={DT/CDT切换限制对同PSS数,DT/CDT干扰限制对同PSS数,一阶邻区同PSS数,一定距离内小区同PCI数},目标个数为4。
62)对各目标值进行归一化处理,将每个目标值映射到区间[0,1]上。
63)采用层次分析法AHP得到各目标的权重{W1,W2,W3,W4}。
64)从Pareto非支配解集NDSet中找出每个目标的最大值、最小值。
65)对Pareto非支配解集NDSet中的每个个体,即候选PCI分配方案,采用目标加权平均法,得到每个个体的评估值:
其中,fitness[i′]表示针对第i′个目标的适应度函数值,即目标函数值,分别为第i′个目标的最大值和最小值。
66)选取评估值evaluate最小的个体,作为最终的优化小区PCI配置方案。
上述方法将优化小区分成重点优化小区和常规优化小区,优先保障了重点优化小区的性能;根据物理小区标识PCI的组成,将PCI的分配过程分解为:先分配主同步序列PSS,再根据PSS分配PCI,由于PSS的取值范围仅为0~2,先优化小区的PSS配置可大大缩小求解规模,PCI分配的运算速度。
上述方法针对优化小区和相关小区,使用网管平台提供的MRO/MRE测量报告数据、DT/CDT测量报告数据,计算出现在测量报告中的主小区和邻小区间的同频、邻频干扰,结合小区间切换数据和小区话务量,定量评估小区间干扰,指导为优化小区分配PSS。上述方法对重点优化小区,利用实际路测DT和定点测试CDT数据,计算重点优化小区(来源于重点保障小区、道路覆盖)相互间、重点优化小区与周边相关小区相互间的DT/CDT干扰限制对、切换限制对,定量衡量重点保障小区、道路覆盖小区的干扰情况,为重点优化小区分配PSS提供指导。
上述方法面向LTE网络PCI配置优化阶段,分别针对重点优化小区的PSS分配和常规优化小区的PSS分配,建立了两个多目标多约束优化模型,同时考虑多种约束条件和多种优化目标,如尽量避免PCI冲突、PCI混淆、PSS冲突数量极小化、PCI模三干扰极小化等,采用多目标优化算法求解这2个优化模型,为优化小区分配PSS,针对优化小区的PCI分配,建立多目标多约束优化模型,采用状态空间搜索方法,为优化小区分配PCI;上述方法采用多目标优化算法并结合状态空间搜索方法,自动快速地对优化区域内各小区的PCI配置进行调整优化,可以获得更为有效的全局优化结果,降低网络干扰,提升网络性能。
TE电力无线专网重叠小区物理标识优化***,包括,
PSS配置模块:构建优化小区的PSS配置优化模型,采用多目标优化算法,获得PSS配置方案;
PCI配置模块:根据PSS配置方案,构建优化小区的PCI配置优化模型,采用状态空间搜索方法,获得PCI配置方案;
评估模块:对所有PCI配置方案进行评估,将最优的PCI配置方案作为最终方案。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行LTE电力无线专网重叠小区物理标识优化方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行LTE电力无线专网重叠小区物理标识优化方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.LTE电力无线专网重叠小区物理标识优化方法,其特征在于:包括,
构建优化小区的PSS配置优化模型,采用多目标优化算法,获得PSS配置方案;
根据PSS配置方案,构建优化小区的PCI配置优化模型,采用状态空间搜索方法,获得PCI配置方案;
对所有PCI配置方案进行评估,将最优的PCI配置方案作为最终方案。
2.根据权利要求1所述的LTE电力无线专网重叠小区物理标识优化方法,其特征在于:优化小区的PSS配置优化模型包括重点优化小区的PSS配置优化模型和常规优化小区的PSS配置优化模型,采用多目标优化算法,分别获得重点优化小区的PSS配置方案和常规优化小区的PSS配置方案。
3.根据权利要求2所述的LTE电力无线专网重叠小区物理标识优化方法,其特征在于:重点优化小区的PSS配置优化模型结构为,
优化目标:
PSS相同的重点优化小区对数目最小;
PSS相同的重点优化小区之间的DT/CDT干扰和最小;
小区总数>3的基站,PSS相同的小区数目最小;
小区总数>3的基站,PSS相同小区间的C2I干扰总和最小;
约束条件:
小区总数≤3的基站,基站内小区的PSS不相同;
所有优化小区的C2I干扰总和小于阈值;
输入:重点优化小区、重点优化小区的DT/CDT干扰测量矩阵、重点优化小区和常规优化小区间的C2I干扰测量矩阵;
输出:重点优化小区的PSS配置方案。
4.根据权利要求2所述的LTE电力无线专网重叠小区物理标识优化方法,其特征在于:常规优化小区的PSS配置优化模型结构为,
优化目标:
常规优化小区对重点优化小区的DT/CDT干扰最小;
常规优化小区间的C2I干扰加上相关小区对常规优化小区的C2I干扰最小;
小区总数>3的基站,PSS相同的小区数目最小;
小区总数>3的基站,PSS相同小区间的C2I干扰总和最小;
约束条件:
小区总数≤3的基站,基站内小区的PSS不相同;
输入:重点优化小区、重点优化小区的PSS配置方案、重点优化小区的DT/CDT干扰测量矩阵、重点优化小区和常规优化小区间的C2I干扰测量矩阵;
输出:常规优化小区的PSS配置方案。
5.根据权利要求3或4所述的LTE电力无线专网重叠小区物理标识优化方法,其特征在于:根据DT/CDT测量报告、CDT测量报告中主小区、邻小区的参考信号接收信号强度,计算重点优化小区相互间、重点优化小区与其它小区间的DT/CDT干扰测量矩阵。
6.根据权利要求3或4所述的LTE电力无线专网重叠小区物理标识优化方法,其特征在于:根据MRO/MRE测量报告中主小区、邻小区的参考信号接收信号强度,计算优化小区相互间、优化小区与相关小区相互间的C2I干扰测量矩阵。
7.根据权利要求1所述的LTE电力无线专网重叠小区物理标识优化方法,其特征在于:优化小区的PCI配置优化模型结构为,
优化目标:
小区总数>3的基站被分配的SSS数量最小;
一定距离内相同PCI的小区数量最小;
一定距离内PCI间距小于阈值的小区数目最小;
一定距离内PCI模6相同的小区数量最小;
一定距离内PCI模30相同的小区数量最小;
约束条件:
重点优化小区所分配的PCI位于所规定的重点优化小区PCI可用区段;
常规优化小区所分配的PCI位于所规定的常规优化小区PCI可用区段;
相同基站小区PCI不同;
一阶邻区PCI不同;
二阶邻区PCI不同;
小区总数≤3的基站,基站内小区的SSS相同;
输入:所有优化小区、优化小区的相关小区、所有优化小区的PSS配置方案、重点优化小区PCI可用区段、常规优化小区PCI可用区段;
输出:所有优化小区的PCI配置方案。
8.TE电力无线专网重叠小区物理标识优化***,其特征在于:包括,
PSS配置模块:构建优化小区的PSS配置优化模型,采用多目标优化算法,获得PSS配置方案;
PCI配置模块:根据PSS配置方案,构建优化小区的PCI配置优化模型,采用状态空间搜索方法,获得PCI配置方案;
评估模块:对所有PCI配置方案进行评估,将最优的PCI配置方案作为最终方案。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910660722.2A CN110312260B (zh) | 2019-07-22 | 2019-07-22 | Lte电力无线专网重叠小区物理标识优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910660722.2A CN110312260B (zh) | 2019-07-22 | 2019-07-22 | Lte电力无线专网重叠小区物理标识优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110312260A true CN110312260A (zh) | 2019-10-08 |
CN110312260B CN110312260B (zh) | 2023-08-11 |
Family
ID=68080414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910660722.2A Active CN110312260B (zh) | 2019-07-22 | 2019-07-22 | Lte电力无线专网重叠小区物理标识优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110312260B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115087022A (zh) * | 2021-03-15 | 2022-09-20 | ***通信集团四川有限公司 | 物理小区标识pci分配方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104507109A (zh) * | 2014-12-22 | 2015-04-08 | 北京迪特卡得通信设备有限公司 | 一种基于mr测量的lte小区pci优化的方法 |
CN107124727A (zh) * | 2016-02-24 | 2017-09-01 | ***通信集团福建有限公司 | 一种pci优化方法及装置 |
CN109561436A (zh) * | 2017-09-26 | 2019-04-02 | ***通信集团公司 | 一种物理层小区标识pci优化的方法、设备和装置 |
-
2019
- 2019-07-22 CN CN201910660722.2A patent/CN110312260B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104507109A (zh) * | 2014-12-22 | 2015-04-08 | 北京迪特卡得通信设备有限公司 | 一种基于mr测量的lte小区pci优化的方法 |
CN107124727A (zh) * | 2016-02-24 | 2017-09-01 | ***通信集团福建有限公司 | 一种pci优化方法及装置 |
CN109561436A (zh) * | 2017-09-26 | 2019-04-02 | ***通信集团公司 | 一种物理层小区标识pci优化的方法、设备和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115087022A (zh) * | 2021-03-15 | 2022-09-20 | ***通信集团四川有限公司 | 物理小区标识pci分配方法、装置及电子设备 |
CN115087022B (zh) * | 2021-03-15 | 2024-06-11 | ***通信集团四川有限公司 | 物理小区标识pci分配方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110312260B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230379783A1 (en) | Evolutionary algorithms for geographic load balancing using a distributed antenna system | |
US9425945B2 (en) | Spectrum control system, spectrum control method, wireless communication system, and computer readable medium | |
CN102404752B (zh) | 一种gsm网络的频率规划方法 | |
CN108076486A (zh) | 一种基于负载均衡的动态无线资源分配算法 | |
US20230216737A1 (en) | Network performance assessment | |
CN110366188B (zh) | 干扰测量点部署方法、干扰测量路径规划方法及*** | |
CN111356142B (zh) | 一种业务的处理方法及装置 | |
Chen et al. | Modeling the tracking area planning problem using an evolutionary multi-objective algorithm | |
CN110312260A (zh) | Lte电力无线专网重叠小区物理标识优化方法及*** | |
CN108243424B (zh) | 一种问题小区的确定方法及装置 | |
WO2012010283A1 (en) | Telecommunications network node and methods | |
Mirzaei et al. | A Novel Approach for Cluster Self-Optimization Using Big Data Analytics | |
CN109151851B (zh) | 分配物理小区标识的方法、装置、电子设备和存储介质 | |
CN113473507B (zh) | 小区优化方法、装置、存储介质和电子装置 | |
CN115314906A (zh) | 网络规划方法及装置 | |
Jamaa et al. | Multi-objective strategies for automatic cell planning of UMTS networks | |
Berrocal-Plaza et al. | Solving the location areas problem with strength pareto evolutionary algorithm | |
Sharma et al. | Situation-aware wireless networks | |
CN109996266B (zh) | 物理小区标识的优化配置方法及设备 | |
Masri et al. | A comparison of multiple objective evolutionary algorithms for solving the multi-objective node placement problem | |
Zhang et al. | Genetic algorithms for the QoS based multicast routing and wavelength allocation problem in WDM network | |
CN110719594B (zh) | 一种设备选型方法和装置 | |
KR102598631B1 (ko) | 시공간 및 주파수 영역에서 간섭분석 기반의 무선 자원 재구성 시스템 및 무선 자원 재구성 방법 | |
CN104703219B (zh) | 一种抑制模三干扰的方法和装置 | |
Vidyarthi et al. | Combinatorial evolutionary methods in wireless mobile computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |