基于智能算法与多目标模型的基站位置优化研究

发布时间：2017-07-08 21:28

  本文关键词：基于智能算法与多目标模型的基站位置优化研究

  更多相关文章： 基站分布规划 加速遗传 粒子群 压缩因子 多目标优化

【摘要】：随着移动互联网迅速发展,移动用户数量飞速增长,为了提供更好的通信服务质量,新建基站的位置优化成了一个主要的问题。合理的基站位置优化能够降低其建设的费用、提高网络的质量,因此基站的分布规划优化是本文的主要研究内容。基站分布规划是一个多目标优化问题,当基站数量较多时,寻优过程复杂且所需时间长,针对传统退火规划方法易陷入局部最优及不稳定等缺点,利用加速遗传算法在解决多目标优化问题上所表现出的灵活性,本文提出了一种基于加速遗传算法网络基站分布规划方法。为了设计出更符合实际工程的规划方法,在综合考虑网络覆盖和电磁干扰因素影响的基础上,本文设计了基站规划多目标组合优化模型,并利用加速遗传算法得到最优基站规划方案。仿真结果表明,加速遗传算法在解决复杂优化问题时是极其有效的,能够得到较优的基站位置分布方案。在复杂的通信环境中,要想获得一个良好服务质量的无线网络,必须建立一个考虑多因素的数学模型。本文综合考虑成本、覆盖、容量、区域划分等,建立了复杂性很高的基站位置优化模型,提出一种基于组合策略的粒子群算法的基站位置优化方法,根据子规划区域的不同,在不同规划区域内分布密度不同的测试点,该测试点存在的形式有两种,均匀和非均匀。同时所使用的基站是多类型的,将两种不同的基站分布在不同子区域类型中,当用户处在基站能覆盖到的范围内,基站可为用户提供服务。实验结果表明,在两种仿真情形下,基于组合策略粒子群算法的基站的位置分布比基于标准粒子群算法的基站位置分布更合理。
【关键词】：基站分布规划 加速遗传 粒子群 压缩因子 多目标优化
【学位授予单位】：新疆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;TN929.5
【目录】：

• 摘要2-3
• Abstract3-7
• 第一章 绪论7-15
• 1.1 选题背景及意义7-9
• 1.1.1 选题背景7
• 1.1.2 研究意义7-9
• 1.2 遗传算法和粒子群算法在优化中的应用9-10
• 1.3 智能算法在基站位置优化中的应用研究现状10-13
• 1.3.1 国内外基站位置优化研究现状10-12
• 1.3.2 加速遗传算法的提出12
• 1.3.3 改进粒子群算法的提出12-13
• 1.4 本文的主要研究内容及其结构安排13-15
• 1.4.1 论文的主要研究内容13-14
• 1.4.2 论文的结构安排14-15
• 第二章 移动通信的无线网络规划理论15-21
• 2.1 网络规划的内容与规划原则15-17
• 2.1.1 网络规划的内容15-16
• 2.1.2 网络规划的原则16-17
• 2.2 无线网络规划流程17-18
• 2.2.1 网络规划前的需求分析17
• 2.2.2 规划区域的划分17-18
• 2.3 基站分布规划18-20
• 2.3.1 基站分布规划的内容18
• 2.3.2 基站分布规划的原则18-19
• 2.3.3 基站规划的目标19-20
• 2.4 本章小结20-21
• 第三章 LTE系统的特点、关键技术及传播预测模型理论21-26
• 3.1 LTE系统的特点和关键技术21-22
• 3.1.1 LTE系统的特点21
• 3.1.2 LTE系统的关键技术21-22
• 3.2 基站的分类22-23
• 3.3 无线传播模型23-25
• 3.3.1 研究无线传播模型的意义23
• 3.3.2 Okumura-Hata模型23-24
• 3.3.3 C0ST231-Hata模型24
• 3.3.4 General模型24-25
• 3.4 本章小结25-26
• 第四章 基于AGA的基站分布规划26-38
• 4.1 引言26
• 4.2 加速遗传算法的实现26-30
• 4.2.1 概述26-27
• 4.2.2 二进制编码的加速遗传算法27-30
• 4.3 模拟退火算法的实现30-31
• 4.4 基于AGA的基站位置优化建模31-34
• 4.4.1 基站位置优化问题的描述31-32
• 4.4.2 基站分布规划的建模32-34
• 4.5 算法实现34-35
• 4.6 仿真结果与分析35-37
• 4.7 本章小结37-38
• 第五章 组合策略的粒子群算法的 4G基站位置优化38-50
• 5.1 引言38
• 5.2 4G基站分布规划问题的描述38-39
• 5.3 建立数学模型39-41
• 5.3.1 模型参数定义39-40
• 5.3.2 建立模型40-41
• 5.4 组合策略的粒子群优化算法的实现41-44
• 5.4.1 概述41-42
• 5.4.2 基本粒子群算法42-43
• 5.4.3 非线性学习因子策略43-44
• 5.4.4 改进的自适应压缩因子策略44
• 5.5 算法的实现过程44-45
• 5.6 仿真分析45-49
• 5.6.1 仿真参数设定45-46
• 5.6.2 仿真结果与分析46-49
• 5.7 本章小结49-50
• 第六章 总结与展望50-53
• 6.1 论文总结50-51
• 6.2 本文的主要创新点51
• 6.3 论文展望51-53
• 参考文献53-58
• 硕士期间发表的论文58-59
• 致谢59-61

【相似文献】

中国期刊全文数据库 前10条

1 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

2 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期

3 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

4 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

5 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

6 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

7 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

8 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

9 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

10 刘飞,孙明,李宁,孙德宝,邹彤;粒子群算法及其在布局优化中的应用[J];计算机工程与应用;2004年12期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 王伟;大型螺纹旋风硬铣削数值模拟及工艺参数优化[D];浙江大学;2016年

7 李玲玉;基于粒子群算法的城市轨道交通列车节能优化研究[D];北京交通大学;2016年

8 苗冬云;基于改进粒子群算法的云任务调度方案研究[D];安徽财经大学;2015年

9 蒋晓\~;粒子群算法在多维优化问题中的改进研究[D];浙江理工大学;2016年

10 刘角;生态系统粒子群算法及其在阵列天线方向图优化中的应用[D];太原理工大学;2016年

，

本文编号：536409