CN110650482B - 基于网格化小面积原理和遗传算法的基站设备平面化优化布局方法 - Google Patents

Abstract

发明公开了一种基于网格化小面积原理和遗传算法的基站设备平面化优化布局方法。该方法提出了一种利用网格化划分平面被覆盖区域，并利用微分学小面积原理近似计算覆盖面积，同时，运用遗传算法优化基站类设备在该平面被覆盖区域的空间分布的方法，以解决目前相关领域设备布局时主要靠经验方法从而导致覆盖效率低，覆盖交叉范围多，设备资源浪费等问题。所提方法通过网格化划分定位被覆盖区域坐标，确定“可能”的设备安装点坐标位置；采用蒙特卡洛方法模拟近似计算设备信号覆盖交叉区域的面积；采用微分原理小面积近似的方法计算边缘区域的信号覆盖面积；利用遗传算法优化设备的安装数量和安装位置，从而实现平面区域信号覆盖面积最大化与设备安装数量之间的最优性价比。

Description

基于网格化小面积原理和遗传算法的基站设备平面化优化布 局方法

技术领域

本发明涉及平面区域优化布局领域，特别是涉及一种基于网格化小面积原理和遗传算法的基站设备平面化优化布局方法。

背景技术

近年来，伴随着5G技术、智慧安防等技术的快速发展和不断推广，基站(5G基站、全景摄像头基站等)设施的布置越来越广泛。传统的尤其是室内或园区WiFi、摄像头等基站的布置往往由设计人员根据经验进行规划布局，这种方式存在覆盖效率低，覆盖交叉范围多，设备资源浪费等问题。

发明内容

出于有效的提高基站的布置效率，降低覆盖交叉范围的比例，提高设备的利用效率，降低项目整体建设成本的考虑，结合现有的机器学***面化优化布局方法，以解决目前平面区域优化布局领域设备布局时主要靠经验方法从而导致覆盖效率低，覆盖交叉范围多，设备资源浪费等问题。本发明所采用的技术方案如下：

基于网格化小面积原理和遗传算法的基站设备平面化优化布局方法，其特征在于，所述方法包括如下步骤：

步骤(1)：网格化布局区域，假设布局区域如图1中阴影区域所示。具体包括以下子步骤：

(1.1)以布局区域的最下端和最左端分别作为网格坐标系的x轴和y轴；

(1.2)网格化所用网格采用单位长度e作为一个网格长度；

(1.3)建立布局区域边界坐标矩阵

其中num_border为布局区域边界与网格交点的序号；x_border为布局区域边界与网格交点的横坐标；y_border为布局区域边界与网格交点的纵坐标；根据网格坐标的特点可知，num_border∈N，x_border,y_border∈R⁺；

步骤(2)根据实际情况确定“可能”安装基站设备的点，且其覆盖范围为360°；其覆盖半径为整数倍的网格单位长度，R＝n×e，且根据设备的实际能力，确定n为属于自然数集的一个自然数定值n∈N；网格化后，确定这些区域的设备坐标矩阵

其中

假设这些点只能坐落在网格的交点位置；不在交点位置的选择距离其最近的交点位置作为其坐标位置；

步骤(3)：采用遗传算法求取安装基站设备的数量m和位置以实现最优化。

具体包括以下子步骤：

(3.1)生成基站设备初始数量，对应“可能”安装基站设备

生成“实际”设备坐标位置点矩阵B_location。具体步骤如下：

I.随机生成安装基站设备的数量

且m∈N；

II.从

范围内，随机选择m个正整数(z₁,z₂,…,z_m)，作为选中的安装设备的初始点位；

III.从矩阵

中，查找序号与(z₁,z₂,…,z_m)各整数对应的各行，其坐标位置即可确认，m个位置全部选择完成后，生成“实际”设备坐标位置点矩阵B_location。

(3.2)产生初始种群。生成M个(通常M＞10000)含有m个正整数(z₁,z₂,…,z_m)的初始“染色体”并进行二进制编码(z₁,z₂,…,z_m)²(其右上标的2表示二进制)，确定初始种群；

(3.3)确定适应值函数Fitness，计算上述M个“染色体”的个体适应度并进行优化筛选。适应值函数为设备覆盖总面积S_sum与设备数量m的比值，即单个设备的平均覆盖范围最广。适应值计算过程采用(z₁,z₂,…,zm)对应的“实际”设备坐标位置点矩阵B_location。根据“交叉区域的面积求取”算法和“小面积近似”算法，判断是否有两台设备覆盖有交叉的区域和设备覆盖范围超出布局区域的边界，按“交叉区域的面积求取”算法和“小面积近似”算法计算面积，则适应值函数可表示为：

即：

对于某些实际需要，有时候可以不考虑设备数量，只要求设备对特定区域的覆盖率，此时，适应值函数可选择为：

设置筛选比例0＜p＜10％，按筛选比例放弃适应值计算后较小的“染色体”，用适应值较高的“染色体”取代。

上述中提到的“交叉区域的面积求取”算法如下：

(1)计算“实际”设备坐标位置点矩阵B_location＝[num x_num y_num]_num×3为，num∈N中任意两点的圆心之间的距离：

i,j代表任意两个设备位置的序号(也即任意两个设备的序号)。

(2)如果Dis_i,j＜2R，则说明该两设备的覆盖区域有交叉，则这两个设备的实际覆盖区域为：

其中，

为两圆相交部分的面积；S_i,j可利用蒙特卡洛方法模拟求得，其算法流程图如图2所示。

上述中提到的“小面积近似”算法如下：

(1)确定基站设备覆盖范围。假设从“实际”基站设备位置坐标点矩阵B_location中提取任意实际安装设备的位置的坐标向量为A_location＝(i x_i y_i),i∈num，其中i为任意设备的位置号(也即这个基站设备的序号)，(x_i,y_i)为其坐标位置；根据网格坐标系的特点，在x轴和y轴方向，该基站设备所能覆盖的最大距离为[x_i-R x_i+R]和[y_i-R y_i+R]；

(2)计算基站设备覆盖圆与网格坐标系交点坐标。计算网格中每一条横轴与设备覆盖圆的交点坐标。根据网格坐标系的特点，沿y轴方向，i号设备点与网格坐标系的纵坐标交点为

(根据设备的实际能力，确定n为属于自然数集的一个自然数定值n∈N)，对应的，可求出i号设备点与网格坐标系的横坐标交点为

(3)判断基站设备覆盖范围超出布局边界的位置，即相对于网格y坐标轴是左侧超出还是右侧超出。查询矩阵B_border的第3列的全部数据，是否有

如果

则判断

为右侧超出，或

为左侧超出；

(4)计算设备i的实际有效覆盖面积S_i。因为网格坐标系每个网格面积都为单位面积，其高度仅为一个单位高度e，采用“小面积近似”的方法，仅考虑其宽度并将其视为小面积梯形，因此，面积S_i可表示为：

(3.4)设定交叉概率0＜P_cro＜1，对个体染色体进行基因交叉操作。对上述适应值“较高的”M个“染色体”中两个z_i,z_j(i≠j)的位置进行交叉(即互相取代)。

(3.5)设定变异概率0＜P_mut＜＜1，对上述适应值“较高的”M个“染色体”进行基因变异(即以概率P_mut随机更换其中某个设备)。

(3.6)输出计算结果。设置迭代次数T和迭代阈值U；当达到迭代次数T后，则选择适应值计算最高的“染色体”所对应的各坐标位置作为该设备数量m对应的各设备的最佳部署位置，其适应值计算的结果作为最佳位置下的覆盖结果；或者，若某一“染色体”适应值Fitness≥U则该“染色体”所对应的各坐标位置作为该设备数量m对应的最佳设备部署位置，其适应值计算的结果作为最佳位置下的覆盖结果。

步骤(4)：比较法确定最佳的设备安装数量m。上述遗传算法确定一组“优化”的设备数量m^opt与设备位置

后，再按上述步骤3选择一组安装基站设备的数量m和位置进行优化计算，并比较两组“最优解”对应的适应值大小，选择适应值更大的结果对应的m^opt作为“全局优化结果”m^entire-opt，则其对应的设备坐标位置也即全局最优的部署位置

此外，通过两次比较，可判断m^opt是在变大还是变小，如果发现变大，则下次选择时的m应向大于m^opt的方向选择，反之，向小于m^opt的方向选择m，如此可快速定位全局优化结果m^entire-opt的位置，减小计算次数和计算量，取得更好的效果。

本发明方法利用网格化划分平面需要被部署的区域(布局区域)，并利用微分学小面积原理近似计算覆盖面积，同时，运用遗传算法优化基站类设备(如5G网络基站、WiFi基站、摄像头监控基站等)在该平面被覆盖区域的空间分布的方法；通过网格化划分定位被覆盖区域坐标，确定“可能”的设备安装点坐标位置；采用蒙特卡洛方法模拟近似计算设备信号覆盖交叉区域的面积；采用微分原理，小面积近似的方法计算边缘区域的信号覆盖面积；利用遗传算法优化设备的安装数量和安装位置，从而实现平面区域信号覆盖面积最大化与设备安装数量之间的最优性价比。

附图说明

图1为被覆盖区域(布局区域)网络化示意图；

图2为蒙特卡洛求相交圆面积算法流程图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供的基于网格化小面积原理和遗传算法的基站设备平面化优化布局方法，提出了利用网格化划分平面被覆盖区域(布局区域)，并利用微分学小面积原理近似计算覆盖面积，同时，领用遗传算法优化基站类设备(如网络基站、摄像头监控等)在该平面被覆盖区域的空间分布的方法，以解决目前相关领域设备布局时主要靠经验方法从而导致覆盖效率低，覆盖交叉范围多，设备资源浪费等问题。该方法通过网格化划分定位被覆盖区域坐标，确定“可能”的设备安装点坐标位置；采用蒙特卡洛方法模拟近似计算设备信号覆盖交叉区域的面积；采用微分原理，小面积近似的方法计算边缘区域的信号覆盖面积；利用遗传算法优化设备的安装数量和安装位置，从而实现平面区域信号覆盖面积最大化与设备安装数量之间的最优性价比。为说明本发明效果，下面对本发明方法进行详细说明：

步骤(1)：网格化布局区域，假设布局区域如图1中阴影区域所示。具体包括以下子步骤：

(1.1)以布局区域的最下端和最左端(如图1所示)分别作为网格坐标系的x轴和y轴；

(1.2)网格化所用网格采用单位长度e作为一个网格长度(如图1所示)；

(1.3)建立布局区域边界坐标矩阵

其中num_border为布局区域边界与网格交点的序号；x_border为布局区域边界与网格交点的横坐标；y_border为布局区域边界与网格交点的纵坐标；根据网格坐标的特点可知，num_border∈N，x_border,y_border∈R⁺；

步骤(2)根据实际情况确定“可能”安装基站设备的点，基站设备可以是网络基站或摄像头等，且其覆盖范围为360°；其覆盖半径为整数倍的网格单位长度，R＝n×e，且根据基站设备的实际能力，确定n为属于自然数集的一个自然数定值n∈N。网格化后，确定这些区域的基站设备坐标矩阵

其中

假设这些点只能坐落在网格的交点位置；不在交点位置的选择距离其最近的交点位置作为其坐标位置；

步骤(3)：采用遗传算法求取安装基站设备的数量m和位置以实现最优化。

具体包括以下子步骤：

(3.1)生成基站设备初始数量，对应“可能”安装基站设备的坐标位置矩阵

生成“实际”设备坐标位置矩阵B_location。具体步骤如下：

I.随机生成安装基站设备的数量

且m∈N；

II.从

范围内，随机选择m个正整数(z₁,z₂,…,z_m)，作为选中的安装基站设备的初始点位；

III.从矩阵

中，查找序号与(z₁,z₂,…,z_m)各整数对应的各行，其坐标位置即可确认，m个位置全部选择完成后，生成“实际”设备坐标位置点矩阵B_location。

(3.2)产生初始种群。生成M个(通常M＞10000)含有m个正整数(z₁,z₂,…,z_m)的初始“染色体”并进行二进制编码(z₁,z₂,…,z_m)²(其右上标的2表示二进制)，确定初始种群；

(3.3)确定适应值函数Fitness，计算上述M个“染色体”的个体适应度并进行优化筛选。适应值函数为基站设备覆盖总面积S_sum与基站设备数量m的比值，即单个基站设备的平均覆盖范围最广。适应值计算过程采用(z₁,z₂,…,z_m)对应的“实际”基站设备坐标位置点矩阵B_location。根据“交叉区域的面积求取”算法和“小面积近似”算法，判断是否有两台基站设备覆盖有交叉的区域和基站设备覆盖范围超出布局区域的边界，按“交叉区域的面积求取”算法和“小面积近似”算法计算面积，则适应值函数可表示为：

即：

对于某些实际需要，有时候可以不考虑设备数量，只要求基站设备对特定区域的覆盖率，此时，适应值函数可选择为：

设置筛选比例0＜p＜10％，按筛选比例放弃适应值计算后较小的“染色体”，用适应值较高的“染色体”取代。

上述中提到的“交叉区域的面积求取”算法如下：

(1)计算“实际”基站设备坐标位置点矩阵B_location＝[num x_num y_num]_num×3为，num∈N中任意两点的圆心之间的距离：

i,j代表任意两个设备位置的序号(也即任意两个设备的序号)。

(2)如果Dis_i,j＜2R，则说明该两设备的覆盖区域有交叉，则这两个设备的实际覆盖区域为：

其中，

为两圆相交部分的面积；S_i,j可利用蒙特卡洛方法模拟求得，其算法流程图如图2所示。

上述中提到的“小面积近似”算法如下：

(1)确定设备覆盖范围。假设从“实际”设备坐标点矩阵B_location中提取任意实际安装设备的位置的坐标向量为A_location＝(i x_i y_i),i∈num，其中i为任意设备的位置号(也即这个设备的序号)，(x_i,y_i)为其坐标位置；根据网格坐标系的特点，在x轴和y轴方向，该设备所能覆盖的最大距离为[x_i-R x_i+R]和[y_i-R y_i+R]；

(2)计算设备覆盖圆与网格坐标系交点坐标。计算网格中每一条横轴与设备覆盖圆的交点坐标。根据网格坐标系的特点，沿y轴方向，i号设备点与网格坐标系的纵坐标交点为

(根据设备的实际能力，确定n为属于自然数集的一个自然数定值n∈N)，对应的，可求出i号设备点与网格坐标系的横坐标交点为

(3)判断设备覆盖范围超出布局边界的位置，即相对于网格y坐标轴是左侧超出还是右侧超出。查询矩阵B_border的第3列的全部数据，是否有

如果

则判断

为右侧超出，或

为左侧超出；

(4)计算设备i的实际有效覆盖面积S_i。因为网格坐标系每个网格面积都为单位面积，其高度仅为一个单位高度e，采用“小面积近似”的方法，仅考虑其宽度并将其视为小面积梯形，因此，面积S_i可表示为：

(3.4)设定交叉概率0＜P_cro＜1，对个体染色体进行基因交叉操作。对上述适应值“较高的”M个“染色体”中两个z_i,z_j(i≠j)的位置进行交叉(即互相取代)。

(3.5)设定变异概率0＜P_mut＜＜1，对上述适应值“较高的”M个“染色体”进行基因变异(即以概率P_mut随机更换其中某个设备)。

(3.6)输出计算结果。设置迭代次数T和迭代阈值U；当达到迭代次数T后，则选择适应值计算最高的“染色体”所对应的各坐标位置作为该设备数量m对应的各设备的最佳部署位置，其适应值计算的结果作为最佳位置下的覆盖结果；或者，若某一“染色体”适应值Fitness≥U则该“染色体”所对应的各坐标位置作为该设备数量m对应的最佳设备部署位置，其适应值计算的结果作为最佳位置下的覆盖结果。

步骤(4)：比较法确定最佳的设备安装数量m。上述遗传算法确定一组“优化”的设备数量m^opt与设备位置

后，再按上述步骤3选择一组安装基站设备的数量m和位置进行优化计算，并比较两组“最优解”对应的适应值大小，选择适应值更大的结果对应的m^opt作为“全局优化结果”m^entire-opt，则其对应的设备坐标位置也即全局最优的部署位置

此外，通过两次比较，可判断m^opt是在变大还是变小，如果发现变大，则下次选择时的m应向大于m^opt的方向选择，反之，向小于m^opt的方向选择m，如此可快速定位全局优化结果m^entire-opt的位置，减小计算次数和计算量，取得更好的效果。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于网格化小面积原理和遗传算法的基站设备平面化优化布局方法，其特征在于，所述方法包括如下步骤：

步骤(1)：网格化布局区域，具体包括以下子步骤：

(1.1)以布局区域的最下端和最左端分别作为网格坐标系的x轴和y轴；

(1.2)网格化所用网格采用单位长度e作为一个网格长度；

(1.3)建立布局区域边界坐标矩阵

其中num_border为布局区域边界与网格交点的序号；x_border为布局区域边界与网格交点的横坐标；y_border为布局区域边界与网格交点的纵坐标；根据网格坐标的特点可知，num_border∈N，x_border,y_border∈R⁺；

步骤(2)根据实际情况确定可能安装基站设备的点，

所述基站设备的覆盖范围为360°；其覆盖半径为整数倍的网格单位长度，R＝n×e，且根据设备的实际能力，确定n为属于自然数集的一个自然数定值n∈N，网格化后，确定这些区域的基站设备位置坐标点矩阵

其中

假设这些点只能坐落在网格的交点位置；不在交点位置的选择距离其最近的交点位置作为其坐标位置；

步骤(3)：采用遗传算法求取安装基站设备的数量m和位置以实现最优化；具体包括以下子步骤：

(3.1)生成基站设备初始数量，对应可能安装基站设备位置坐标点矩阵

生成实际设备位置坐标点矩阵B_location；具体步骤如下：

I.随机生成安装基站设备的数量

且m∈N；

II.从

范围内，随机选择m个正整数(z₁,z₂,…,z_m)，作为选中的安装设备的初始点位；

III.从矩阵

中，查找序号与(z₁,z₂,…,z_m)各整数对应的各行，其坐标位置即可确认，m个位置全部选择完成后，生成实际设备坐标位置点矩阵B_location；

(3.2)产生初始种群；生成M个含有m个正整数(z₁,z₂,…,z_m)的初始“染色体”即二进制编码(z₁,z₂,…,z_m)²，其右上标的2表示二进制，确定初始种群；

(3.3)确定适应值函数Fitness，计算上述M个“染色体”的个体适应度并进行优化筛选；适应值函数为设备覆盖总面积S_sum与基站设备数量m的比值，即单个基站设备的平均覆盖范围最广；适应值计算过程采用(z₁,z₂,…,z_m)对应的实际基站设备位置坐标点矩阵B_location；根据“交叉区域的面积求取”算法和“小面积近似”算法，判断是否有两台基站设备覆盖有交叉的区域和基站设备覆盖范围超出布局区域的边界，按“交叉区域的面积求取”算法和“小面积近似”算法计算面积，则适应值函数可表示为：

即：

或者，不考虑设备数量，只要求基站设备对特定区域的覆盖率，此时，适应值函数选择为：

设置筛选比例0＜p＜10％，按筛选比例放弃适应值计算后较小的“染色体”，用适应值较高的“染色体”取代；

(3.4)设定交叉概率0＜P_cro＜1，对每个体染色体进行基因交叉操作；对上述适应值较高的M个“染色体”中两个z_i,z_j(i≠j)的位置进行交叉；

(3.5)设定变异概率0＜P_mut＜＜1，对上述适应值较高的M个“染色体”进行“基因变异”，即以概率P_mut随机更换其中某个代表基站设备的二进制编码组；

(3.6)输出计算结果；

设置迭代次数T和迭代阈值U；当达到迭代次数T后，则选择适应值计算最高的“染色体”所对应的各坐标位置作为该设备数量m对应的各设备的最佳部署位置，其适应值计算的结果作为最佳位置下的覆盖结果；或者，若某一“染色体”适应值Fitness≥U则该“染色体”所对应的各坐标位置作为该设备数量m对应的最佳设备部署位置，其适应值计算的结果作为最佳位置下的覆盖结果；

步骤(4)：比较法确定最佳的基站设备安装数量m；

上述遗传算法确定一组“优化”的设备数量m^opt与设备位置

后，再按上述步骤3选择一组安装基站设备的数量m和位置进行优化计算，并比较两组“最优解”对应的适应值大小，选择适应值更大的结果对应的m^opt作为全局优化结果m^entire-opt，则其对应的基站设备坐标位置也即全局最优的部署位置

通过两次比较，还可判断m^opt是在变大还是变小，如果发现变大，则下次选择时的m应向大于m^opt的方向选择，反之，向小于m^opt的方向选择m，如此可快速定位全局优化结果m^{entire -opt}的位置，减小计算次数和计算量，取得更好的效果。

2.如权利要求1所述的方法，其特征在于，所述步骤(3)中“交叉区域的面积求取”算法具体方法如下：

(1)计算实际基站设备坐标位置点矩阵B_location＝[num x_num y_num]_num×3为，num∈N中任意两点的圆心之间的距离：

i,j代表任意两个基站设备位置的序号；

(2)如果Dis_i,j＜2R，则说明该两基站设备的覆盖区域有交叉，则这两个基站设备的实际覆盖区域为：

其中，

为两圆相交部分的面积；S_i,j可利用蒙特卡洛方法模拟求得。

3.如权利要求1所述的方法，其特征在于，所述步骤(3)中“小面积近似”算法的具体方法如下：

(1)确定基站设备覆盖范围；

假设从实际基站设备位置坐标点矩阵B_location中提取任意实际安装设备的位置的坐标向量为A_location＝(i x_i y_i),i∈num，其中i为任意基站设备的位置号，(x_i,y_i)为其坐标位置；根据网格坐标系的特点，在x轴和y轴方向，该基站设备所能覆盖的最大距离为[x_i-R x_i+R]和[y_i-R y_i+R]；

(2)计算设备覆盖圆与网格坐标系交点坐标；

计算网格中每一条横轴与设备覆盖圆的交点坐标；根据网格坐标系的特点，沿y轴方向，i号设备点与网格坐标系的纵坐标交点为

根据设备的实际能力，确定n为属于自然数集的一个自然数定值n∈N，对应的，可求出i号设备点与网格坐标系的横坐标交点为

(3)判断基站设备覆盖范围超出布局边界的位置，即相对于网格y坐标轴是左侧超出还是右侧超出；查询矩阵B_border的第3列的全部数据，是否有

如果

则判断

为右侧超出，或

为左侧超出；

(4)计算设备i的实际有效覆盖面积S_i；

面积S_i表示为：

Images