一种基于改进粒子群的多小区天线联合优化算法

发布时间：2021-01-06 19:58

　　针对基站天线参数调优问题,提出了一种用于在庞大离散空间中搜索最优解的优化算法,该算法借鉴了粒子群算法的基本概念,分为三个步骤。第一步为随机筛选,挑选出一批较为优秀的个体组成粒子群;第二步为大步长调节,通过大范围搜索提高寻优效率;第三步为小步长调节,在迭代时只做细微调节进行局部查找,最终能找到最优解。通过直接操作场强矩阵计算综合覆盖率,得到最佳覆盖率时对应的天线参数组合,从而给多小区联合调优提供指导。实验证明该算法能够在多小区联合优化中取得良好的效果。 

【文章来源】：移动通信. 2020,44(08)

【文章页数】：6 页

【部分图文】：

栅格模型示意图

针对该算法第2步做一些改进,提出算法二。算法二先经过初始化之后,寻优过程主要分为三步,将算法一的第二步改为两个步骤,第一个步骤为大步长调节,即对一组解的每一个天线都会做出调整,这样就增大了搜索效率;第二个步骤为小步长调节,只对其中个别天线的参数进行变化,这样就保证了效率与准确度兼备。其算法流程如图2所示:(1)初始化步骤同算法一。

以河南省郑州市某区域天线基站的实际测量数据为例,首先验证算法在小规模数据集的效果。所选数据集的基站数目为3,每个基站架设有3根天线,天线参数调节范围为:高度25～35 m,步长为5 m;下倾角0～8°,步长为4°;方向角0～330°,步长为30°。给定的数据是对应参数组合下的场强数据集合,一组参数对应一个场强数据的csv文件。每一个文件包含大约4万条数据,每条数据中的有效项为x坐标,y坐标以及场强值三项,即对应大约200×200个格点的矩阵,每个格点有一个场强值。由于不同站点覆盖的坐标范围不同,为方便后续计算,需要将每个文件的数据映射到最小公共矩阵(所有站点覆盖范围的并集,取包含该并集的最小矩阵),将x坐标和y坐标映射为从0开始计数的序列(例如假设x的最大范围是742490～748030,某个csv文件中x坐标范围为742530～746510,则x的坐标范围映射为2～201)。设置种群中个体数目为30(一个个体即为一组参数组合),初始时随机选择每个天线的一种参数组合(目标函数为0.075%,计算一次耗时约1 s),迭代100次,耗时52 min。其结果如图3所示,在20多次(10 min左右)后目标函数基本收敛到定值,达到0.05%,下降了约30%。3.2 大规模场景

【参考文献】：
期刊论文
[1]基于遗传算法的LTE系统网络覆盖优化方法[J]. 谷欣杏,韦再雪,李高斯,桑林.  移动通信. 2018(04)
[2]基于模拟退火算法的移动通信网络自规划[J]. 张捷,杨希龙.  计算机工程. 2017(05)
[3]一种基于权值的TD-LTE天线覆盖优化方法[J]. 史君黛,彭树铁,胡晓丹,梁荣锟,尹健强.  信息通信. 2017(01)
[4]LTE网络覆盖优化中一种基于改进粒子群的天线倾角调整的算法（英文）[J]. 潘如君,蒋慧琳,裴氏莺,李沛,潘志文,刘楠.  Journal of Southeast University（English Edition）. 2015(04)
[5]LTE网络天线下倾角自优化算法[J]. 夏永康,梁晓雯.  无线电工程. 2014(03)
[6]正交微粒群算法[J]. 薛明志,左秀会,钟伟才,刘静.  系统仿真学报. 2005(12)



本文编号：2961172