CN101047937B - 基于遗传算法的移动通信频率规划方法 - Google Patents

Abstract

本发明是一种基于遗传算法的移动通信频率规划方法，将目标覆盖区域划分为若干个小区，每个小区设一个发射基站，配置一个BCCH信道，根据无线网络设计的要求，选择频率复用模式；利用遗传算法设定基因、个体、种群并求出种群中最终适应度最高的个体，将其指向的BCCH频点应用于频率规划中。本发明所作出的频率规划，其干扰关系数远远少于传统的分组算法，且具有更大的灵活性。

Description

基于遗传算法的移动通信频率规划方法

技术领域

本发明属于通讯领域，特别是涉及一种基于遗传算法的移动通信频率规划方法。

背景技术

GSM无线网络规划设计是移动通信网的建设中极其重要的环节，它对于网络的建设成本与网络建立后的运行质量有重要的影响。

GSM无线网络规划设计目标是指导工程以最低的成本建造成符合近期和远期话务需求，具有一定服务等级的移动通信网络。具体地讲就是要达到服务区内最大程度的时间、地点的无线覆盖，满足所要求的通信概率，在有限的带宽内通过频率复用，提供尽可能大的系统容量；尽可能减少干扰，达到所要求的服务质量；在满足容量要求的前提下，尽量减少系统设备单元，降低成本等几个方面目标。

GSM无线网络规划与优化是一个阶梯式循环往复的过程。对于一个GSM网络来说，移动用户在不断增长，无线环境在不断的变化，话务分布情况也在变化之中，因此，GSM网络是在循环往复的网络规划与优化的过程中不断发展壮大起来的。

为了使所设计的网络尽可能达到运营商要求，适应当地通信环境及用户发展需求，必须进行网络设计前的调查分析工作。调查分析工作要求做到尽可能的详细，充分了解运营商的需求，了解当地通信业务发展情况以及地形、地物、地貌和经济发展等信息。调研工作包括以下几个部分：

a，了解运营商对将要建设的网络的无线覆盖、服务质量和系统容量等要求；

b，了解服务区内地形、地物和地貌特质，调查经济发展水平、人均收入和消费习惯；

c，调查服务区内话务需求分布情况；

d，了解服务区内运营商现有网络设备性能及运营情况；

e，了解运营商通信业务发展计划，可用频率资源，并对规划期内的用户发展做出合理预测；

f，收集服务区内的街道图、地形高度图，如有必要，需购买电子地图。

根据对规划区内的调研工作，综合所收集到的信息，结合运营商的具体要求，在对规划区内用户发展的正确预测基础上，根据运营商确定的服务等级，从而确定整个区域内重要部分的话务分布和布站策略、站点数目和投资规模等，充分考虑当地高层建筑的分布，基本确定站点分布及数目。对于站点的位置及覆盖半径，必须考虑到话务需求量、传播环境、上下行信号平衡等对基站覆盖半径的限制，建站的综合成本等诸多方面的因素。对网络进行初步容量规划。容量规划得出：

a、满足规划区内话务需求所需的基站数

b、每个基站的站型及配置

c、每个扇区提供的业务信道数、话务量及用户数

d、每个基站提供的业务信道数、话务量及用户数

e、整个网络提供的业务信道数、话务量及用户数

此步骤的规划是初步规划，通过无线覆盖规划和分析，可能要增加或减少一些基站，经过反复的过程，最终确定下基站数目和站点位置。

无线覆盖规划最终目标是在满足网络容量及服务质量的前提下，以最少的造价对指定的服务区域提供所要求的无线覆盖。无线覆盖规划工作有以下几个部分：

初步确定工程参数如基站放射功率、天线选型(增益、方向图等)、天线挂高、馈线损耗等。进行上下行信号功率平衡分析、计算。通过功率平衡计算得出最大允许路径损耗，初步估算出规划区内在典型传播环境中，不同高度基站的覆盖半径。

将数字化地图、基站名称、站点位置以及工程参数网络规划软件进行覆盖预测分析，并反复调整有关工程参数、站点位置，必要时要增加或减少一些基站，直至达到运营商提出的无线覆盖要求为止。

合理地设置基站子系统的无线资源参数，保证整个网络的运行质量。从无线资源参数所实现的功能上来分，需要设置的参数网络识别参数、系统控制参数、小区选择参数、网络功能参数等。

无线资源参数通过操作维护台子系统配置。网络规划工程师根据运营商的具体情况和要求，并结合一般开局的经验来设置，其中有些参数要在网络优化阶段根据网络运行情况做适当调整。

无线网络规划工作由于技术型强，涉及的因素复杂且众多，所以它需要专业的网络规划软件来完成，规划工程师利用网络规划软件对网络进行系统的分析、预测及优化，从而初步得出最优的站点分布、基站高度、站型配置、频率规划和其他网络参数。网络规划软件在整个网络规划过程中起着至关重要的作用，它在很大程度上决定了网络规划与优化的质量。

当网络建成，系统投入运行后，网络运行维护的主要内容就是网络优化。它是一项重要且长期的工作，由于优化比规划更加复杂，而且网络优化与规划密切相关，与实际运行效益直接有关，也是后续扩容阶段的一种准备，因此对于优化工作提出了很高的要求。

网络校验与优化目的就是评价现运行网络是否达到预先设定的网络设计标准，对网络的服务质量做出鉴定并进行优化，以尽可能地提高网络运行质量。

为了是使现有网络稳定、高效和经济地提供尽可能大的容量和尽可能高的质量，就要求根据运行统计数据和实际测量情况对现有网络进行评价，对存在问题进行分析，有针对性地制定网络优化方案，采用调整相关基站工程参数，基站子系统无线资源参数的方式，得到预期的要求的网络服务质量标准。必须指出网络校验和优化是个多次反复的过程，直至网络调整到最佳运行状态。

在60年代以前的移动通信系统均采用大区制，覆盖半径达到几十公里甚至上百公里。这种移动通信系统的容量受到频率资源的制约，用户很少。直到70年代末80年代初，引入了蜂窝的概念，才使这一矛盾有所突破。移动通信系统也开始由大区制向小区制过渡。

所谓蜂窝，也就是将所要覆盖的区域划分为若干个小的正六边形区域，区域半径约为几公里或者更小。在每个区域均有一个基站为本区内的用户服务。之所以划分为正六边形而非圆形，纯粹是为了理论上研究的方便，实际覆盖应该是圆形区域。划分为若干个小区，相互间隔几个小区的基站就可以使用相同的频率，从而使频率可以被重复利用，使系统可以容纳的用户数，即系统容量，得到显著地提高。这一过程看来很简单，却经历了几十年的时间。

引入蜂窝的概念虽然在理论上可以通过减小小区的面积增加小区的数目来取得任意高的系统容量，但实际上是无法实现的。同频干扰的存在以及无线传播的特点，使小区的面积不能任意小，而且小区数目的增加的同时也会增加越区信道切换的次数，将导致更多的掉话和降低系统处理能力。使系统容量和通信质量反而降低。

我国陆地公用蜂窝数字移动通信网GSM通信系统采用900MHZ和1800MHZ频段。一个GSM无线网络是由若干个基站提供覆盖和服务的，对于一个大容量的移动电话网往往需要几十个甚至几百个基站才能覆盖整个服务区，并要能满足高话务密度的要求，而GSM网络能利用的频谱资源又是非常有限的，这就构成了一对矛盾。早在60年代，美国贝尔实验室提出了使用蜂窝结构来解决用户量大与移动通信系统频率资源有限的矛盾。经过几十年的实践作为公用陆地移动通信系统，采用蜂窝小区技术的的无线通信系统已经发展的较为成熟了，该结构的有效性已经为工程、规划人员所接受。

频率复用是蜂窝移动无线电系统的核心概念。在频率复用的系统中，处在不同地理位置(不同小区)上的用户可以同时使用相同频率的信道，频率复用可以极大地提高频谱效率。但是，如果系统设计得不好，将产生严重的干扰，这种干扰称为同(邻)频干扰。这种干扰是由于相同(相邻)信道公共使用造成的，是在频率复用概念中必须考虑的重要问题。频率复用的区域必须隔开足够的距离，以致所产生的同(邻)频干扰的影响可忽略不计。

在蜂窝系统中，一个系统中有许多同信道的小区，整个频谱分配被划分成K个频率复用的模式，其中K可以为4，7，12，19等。

允许同频复用的最小距离取决于许多因素，如中心小区附近的同频小区数，地理地形类别。每个小区基站的天线高度及发射功率。

同频复用距离D由下式确定：

$D=\sqrt{3K}*R$     (式I)

其中，K是频率复用模式。

如果所有小区基站发射相同的功率，则K增加，频率复用距离D也增加。增加了的频率复用距离将减少同(邻)频干扰发生的可能。

从理论上来说，K应该大些，然而，分配的信道总数是固定的。如果K太大，则K个小区中分配给每个小区的信道数将较少，如果随着K的增加而划分K个小区中的信道总数，则利用效率会将低。

因此，现在面临的问题是，在满足系统性能的条件下如何得到一个最小的K值。解决它必须估算同信道干扰，并选择最小的频率复用距离D以减少同信道干扰。

频率复用方式就是指将可用频道分成若干组，若所有可用的频道N(如24)分成F组(如3组)，则每组的频道数为N/F＝24/3＝8个

目前蜂窝网中频率分组方法大都采用的是固定分组的方法，这种分组方法比较简单，但不够灵活，当基站数多时容易出现频点锁定情况。

采用传统分组频率规划方法时，将不可避免地出现频点锁定的情况。频点锁定的含义是，若采用传统分组频率规划，理论上将必然出现少量的相互干扰的小区，这是一个非常严重的问题，它说明传统分组频率规划算法存在先天的缺陷。

在实际应用当中，由于邻频干扰的门限小于同频干扰的门限，若巧妙利用地形地貌，这些少量相互干扰的小区还是有可能避免产生干扰，但这对频率规划的前期和后期工作造成了更大的压力。

根据上述无线网络规划和蜂窝概念的介绍，可见传统GSM蜂窝网BCCH分组频率规划技术的步骤如下：

1)根据频谱分配、无线环境和无线网络设计的要求，选择频率复用模式，如上述的4*3，7*3，12*3等模式，当然各复用模式的性能也不尽相同，复用数小的模式，如4*3，其频谱利用率较高，但无线网络内部发生干扰的可能性就较大；复用数大的模式，如12*3，其频谱利用率较第，但无线网络内部发生干扰的可能性就较小。

2)确定频率复用模式后，将分配频谱内的频点进行分组，频点数一般要为3的倍数，并预留少量频点做为机动使用，做为频率规划方案部署后，在现网中发生干扰的情况下调整使用。这样，总的频点数为

N＝3*n+a        (式II)

其中：

N为频点总数

n为复用模式数，如4，7，12等

a为预留频点数

从而得出频率分组表

3)将基站位置对应到复用模式图中。这一步十分繁琐，需反复进行调整，并在今后基站调整后，还需重复该步骤。这一步也是传统蜂窝网分组频率规划技术的主要缺陷之一。

4)根据前两步中得出的频率分组表和复用模式图进行频率分配，得出每个小区的BCCH。

5)根据频率规划人员的经验，结合无线环境的特点，使用预留频点进行进一步调整。

根据上述五步，可得出全网的BCCH频率规划方案。当然，在频率规划方案部署后，还需要对频率规划的效果进行测量，以保证无线网络的性能指标。

从上述描述中可以看出传统的分组频率规划的固有缺点：

1.必须将基站位置手工一对一地映射到频率规划中的标准蜂窝图中，且每次增加、减少基站或基站位置变化均需重新进行映射，没有利用基站经纬度的信息，导致工作量较大；

2.由于标准蜂窝图中CELL之间的距离均为固定距离，而在实际工程中基站之间的距离与标准频率分组图中之间的距离不可能十分吻合，因此强行将CELL映射到频率规划中的标准蜂窝图中会存在较大误差；

3.使用标准蜂窝图实际上是默认同邻频CELL间的距离应大于某个固定距离，才能保证C/I和C/A，而实际上由于天线方向的不同及天线波瓣图的不同，该固定值应该可以进行调整；

4.由于使用标准蜂窝图，必然存在个别情况下邻频CELL间的距离不能满足条件，即频率锁定情况，这也是基于分组算法的频率规划技术无法避免的缺陷；

5.无法考虑天线波瓣图，水域等其它因素：由于分组算法不够灵活，无法考虑地形地貌中出现的各种情况，如丘陵、水域等。

发明内容

本发明要解决的正是传统频率规划工作量大和计算不精确的问题，提供一种更先进的移动通信频率规划方法。

为完成发明目的，本发明采用的技术方案是这样的：基于遗传算法的移动通信频率规划方法，将目标覆盖区域划分为若干个小区，每个小区设一个发射基站，配置一个BCCH信道，根据无线网络设计的要求，选择频率复用模式，其特征在于，选择频率复用模式的方案是：-根据基站经纬度和扇区天线方向，对于干扰方扇区以同频(邻频)间距为半径画一个120度的菱形(定向站)或圆形(全向站)，对于受干扰方扇区以覆盖半径为半径画一个120度的菱形(定向站)或圆形(全向站)，若这两个图形相交，则定义为存在干扰关系；由此形成干扰矩阵，算出任意两小区间的干扰关系；

-将所有小区及其BCCH频点的列表作为一个个体，其中某个小区及其BCCH频点为一个基因，根据算法参数的设置，若干个个体组成的集合为一个种群，若干个种群组成的集合为一个总种群；

-根据下式确定适应度函数：

fitness＝count_{MaxBadRelation}-count_BadRelation(式III)；

其中：

coun_{MaxBadRelation}-某一代种群中最劣个体的干扰关系数

count_BadRelation-某个个体的干扰关系数

-利用遗传算法求出种群中最终适应度最高的个体，即最优个体，将该最优个体指向的BCCH频点应用于频率规划中。

进一步地，当目标覆盖区域中包含有水面时，则在计算干扰矩阵时增大干扰方扇区的半径，算式如下：

Radius＝Distance_{SameFrequence}+distance_overlap*(l-rate_waterloss)(式IV)

其中：

Radius-扇区半径

distance_{SameFrequence}-同(邻)频间距

distance_overlap-两小区间水面上的传播距离

rate_waterloss-无线电波在水面上的传播衰耗

在遗传操作方面，选择操作采用轮盘赌选择，交叉操作采用多点交叉，变异操作采用实值变异。

遗传算法(Genetic A1gorithm)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，目前已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。

遗传算法作为一种快捷、简便、容错性强的算法，在各类结构对象的优化过程中显示出明显的优势。与传统的搜索方法相比，遗传算法具有如下特点：

搜索过程不直接作用在变量上，而是在参数集进行了编码的个体。此编码操作，使得遗传算法可直接对结构对象(集合、序列、矩阵、树、图、链和表)进行操作。

搜索过程是从一组解迭代到另一组解，采用同时处理群体中多个个体的方法，降低了陷入局部最优解的可能性，并易于并行化。

采用概率的变迁规则来指导搜索方向，而不采用确定性搜索规则。对搜索空间没有任何特殊要求(如连通性、凸性等)，只利用适应度信息，不需要导数等其它辅助信息，适应范围更广。

自组织、自适应和自学习性(智能性)。应用遗传算法求解问题时，在编码方案、适应度函数及遗传算子确定后，算法将利用进化过程中获得的信息自行组织搜索。由于基于自然的选择策略为“适者生存，不适应者被淘汰”，因而适应度大的个体具有较高的生存概率。通常，适应度大的个体具有更适应环境的基因结构，再通过基因重组和基因突变等遗传操作，就可能产生更适应环境的后代。进化算法的这种自组织、自适应特征，使它同时具有能根据环境变化来自动发现环境的特征和规律的能力。自然选择消除了算法设计过程中的一个最大障碍，及需要事先描述问题的全部特点，并要说明针对问题的不同特点算法而采取的措施。因此，利用遗传算法的方法，我们可以解决那些复杂的非结构化的问题。

遗传算法的本质并行性。遗传算法按并行方式搜索一个种群数目的点，而不是单点。它的并行性表现在两个方面，一是遗传算法是内在并行的(inherent parallelism)，即遗传算法本身非常适合大规模并行。最简单的并行方式是让几百甚至几千台计算机各自进行独立种群的演化计算，运行过程中甚至不进行通信(独立种群之间若有少量的通信一般会带来更好的结果)，等到运算结束时才通信比较，选取最佳个体。这种并行处理方式对并行系统结构没有什么限制和要求，可以说，遗传算法适合在目前所有的并行机或分布式系统上进行并行处理，并且对并行效率没有太大影响。二是遗传算法的内含并行性(implicit parallelism)。由于遗传算法采用种群的方式组织搜索，因而可同时搜索解空间内的多个区域，并相互交流信息。使用这种搜索方式，虽然每次只执行与种群规模n成比例的计算，但实质上已进行了大约0(n³)次有效搜索，这就使遗传算法能以较少的计算获得较大的收益。

遗传算法不需要求导或其他辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数。

遗传算法强调概率转换规则，而不是确定的转换规则。

遗传算法可以更加直接地应用。

遗传算法对给定问题，可以产生许多的潜在解，最终选择可以由使用者确定。

正因为遗传算法的这些特性，将其用于通信频率规划当中，操作简单灵活，频谱利用率高；我们通过实际的运算发现，本发明所作出的频率规划，其干扰关系数远远少于传统的分组算法。

本发明的运算标准可以灵活地进行修改，在应用中可根据现网中的实际测试情况对同频距离、邻频距离、小区半径进行调整：若发现现网中同频干扰的情况偏多，则可适当增大同频距离；若发现现网中邻频干扰的情况偏多，则可适当增大邻频距离，说明本发明的频率规划方法具有更大的灵活性。

利用本发明进行频率规划，算法中的运算量相当巨大，如覆盖区域为共664个小区，每个小区有21个BCCH频点供选择，则搜索空间为21⁶⁶⁴个组合，根据运算标准的不同，在普通pc机上(主频PIII800M，内存512M)运算时间约为4～10天不等；但若利用多cpu服务器，可成倍缩短运算时间，运算时间可缩短至1～2天，完全可以在产业上应用。

附图说明

图1是蜂窝系统中不同个复用频率下的示意图。

图2是某现有规划方案的结果示意图。

图3是天线波瓣的示意图。

图4是本发明的程序框图。

图5是本发明遗传操作中双点交叉示意图。

图6是本发明遗传操作中变异示意图。

图7是本发明和现有技术的实际效果对比示意图。

图8是本发明遗传算法性能示意图。

具体实施方式

实施例一

频率复用的示意

参见图1-1至图1-4。在蜂窝系统中，一个系统中有许多同信道的小区，整个频谱分配被划分成K个频率复用的模式，其中K可以为4，7，12，19等，图1-1、图1-2、图1-3、图1-4分别为K＝4、7、12、19时的情况。

如前所述，同频复用距离D由式I确定，所以在本例中

$D=\left\{\begin{array}{cc}3.46R& K=4\\ 4.6R& K=7\\ 6R& K=12\\ 7.55R& K=19\end{array}\right\}$      (式V)

实施例二

采用现有规划方法的某规划方案

杭州某次频率规划方案，BCCH采用典型的7*3频率复用方式，频率分组见下表。

 

	Set A	Set B	Set C	Set D	Set E	Set F	Set G
								Cell1	60	64	63	65	62	61	66

 

Cell2	67	73	68	69	70	72	71
								Cell3	74	77	76	75	80	78	79

其中66和67，74和73出现频点锁定情况，参见图2，图中箭头部分指出了邻频锁定现象。

实施例三

天线波瓣形状

参见图3。图3-1是典型的GSM无线蜂窝网中使用的120度天线的波瓣图，其中包含水平波瓣图3a和垂直波瓣图3b，本发明也以图3-1中的水平波瓣图形为基础计算小区间的干扰，出于简化计算的考虑，本发明的技术方案中把120度天线水平波瓣模拟成图3-2中的120度菱形，把全向天线模拟成圆形。当然，在以后的改进中，可以考虑将实际的天线波瓣图融入算法中。

实施例四

遗传算法的程序结构

参见图4，程序分成如下几个部分：

1.参数设置模块

对算法中的所有参数进行设置，其中包括3部分：

频率规划部分：用于设置同频距离、邻频距离、小区半径3个参数；

遗传算法部分：用于设置种群数量、种群规模、小生境半径等参数；

无线环境部分：用于设置频率复用方式、小区半径、同频复用距离、邻频复用距离、C/I、C/A、十倍距衰减等参数。

2.数据导入模块

用于将工程上的基站及频率规划基本信息导入，比较重要的信息有基站名称(SiteName)、基站经纬度(longitude，latitude)、小区编号(CI)、天线方向(direction)、广播控制信道(Bcch)等，其中Bcch为现网中实际应用的频点，仅用于性能比较。数据导入模块同时还对基站数据进行数据核查，以保证原始数据的正确性。

3.干扰矩阵生成模块

结合导入的基本信息和电子地图，生成干扰矩阵。干扰矩阵用于个体适应度的计算。如前所述，若频率规划中共有N个小区，则小区间存在的关系数量为(N-1)²个，对于每一个关系，将计算是否为同频干扰，邻频干扰(含同频干扰)或不存在干扰。最后将存在干扰的关系筛选出来，就形成干扰矩阵

4.初始化模块

用于形成初始种群，其中BCCH从频点表中随机抽取生成，由于各频点的选取概率相等，初始种群不会丢失掉模式信息，因此可以认为初始种群中含有丰富的模式信息。

5.算法模块

用于遗传算法的运算，算法中同时采用分层遗传算法、自适应遗传算法和小生境遗传算法。该算法可根据需要随时停止或继续运算。

6.运算结果显示模块

用于将运算结果以表格和GIS的形式显示出来，可直观地对运算结果进行观察和分析。

7.性能比较模块

用于将现网频率规划和遗传算法频率规划的结果进行比较，进而分析两种频率规划方法的性能，用于性能比较的呈现结果有：

a)干扰关系数比较表

以直观的表格方式呈现出分组算法频率规划和遗传算法频率规划的干扰关系数

b)干扰关系示意图

以地理信息的方式呈现出干扰关系的存在区域，便于快速进行诊断

c)同频站点示意图

以地理信息的方式呈现出分组算法频率规划和遗传算法频率规划的频点分配，从而直观地显示出频率规划的结果。

实施例五

遗传算法的运行步骤

在频率自动分配算法中，任何一个频点都是一个基因，所有的频点按照一定顺序排成一条链组成一个个体，若干个体组成一个群体。初始群体(第0代)是随机产生的，后代的群体则是由父体和母体(由选择算法从父代中选出的)交叉变异而产生的。算法终止的判断标准可以有三个，一个是得到了所求的解；第二个是遗传到了一定的代数；第三个是经过几十代后适应度一直都没有变化。下面对算法的设计作出说明。

(1)算法中个体和群体的素质用“适应度”来表示。在本算法中有以下两种适应度：

1)群体平均适应度：描述整个群体与目标特征的相象程度。

2)个体适应度：描述每个个体与目标个体特征的相象程度。

目标个体的特征用小区间干扰关系数来描述，因此，频率分配算法中的适应度表达目前方案中小区间关系与干扰矩阵之间的重合程度。若重合程度高，说明该个体中干扰关系数量较多，则适应度较低，容易被淘汰；若重合程度低，说明该个体中干扰关系数量较少，则适应度较高，容易被选择进下一代。

(2)选择算子在父代群体中选出父体和母体.生物界中，父母亲素质比较高的其后代素质高的概率也大。模拟这种现象，选择算子可选用轮赌算法。轮赌算法类似于博彩游戏中的轮盘赌，个体适应度按比例转化为选中概率，将轮盘分成N个扇区，因为要进行N次选择，所以产生N个[0，1]之间的随机数，相当于转动N次轮盘，获得N次转盘停止时指针位置，指针停止在某一扇区，扇区代表的个体即被选中。

(3)交叉算子让父体和母体互相交换某部分基因而产生下一代个体的雏形，起全局搜索的作用.交叉算子通常有单点交叉、双点交叉、多点交叉等等。在频率自动分配的算法中，为了不破坏基因段内部频点间的关系，采用单点交叉和双点交叉比较合适。此外，在生物界中并不是两个个体相遇了就一定会结合，模拟此现象，引入交叉因子pc.流程如下：

if(flip(pc))//flip函数中，产生一个0到1的随机数，若小于pc，则返回1，否则返回0

           crossover1(mother，father)；

           else if(flip(pc))

                  crossover2(mother，father)；

else

           copy(mother)；

           copy(father)；

双点交叉图示见图5。

由图5可见，发生双点交叉之前，交叉点位置为A1、A2，发生双点交叉之后，交叉点位置为B1、B2，它们之间的频点发生了对换。

(4)变异算子对后代个体的某些基因进行变异，起局部搜索的作用.生物界中，父母的染色体交叉后产生后代个体的染色体雏形，这个雏形在成长过程中会发生基因的变异，正是这种变异使得下一代的群体中会出现各种特征的个体.另外，生物界中并非每个基因都会变异，模拟此现象，引入变异因子p_m，使用方法与交叉因子类似.流程如下：

while(all frequentpoint)

if(flip(pm))

       mutate(frequentpoint)；

变异图示见图6。

由图6可见，发生变异之后，CI＝10141的小区的BCCH由73变成60。

(5)为了加快搜索速度，在每一次遗传时，把父代的最好个体都直接继承下来，作为子代中的一个个体：如果通过轮盘赌选择并没有把父代的最好个体继承下来，则直接把最好个体选择出来，并将最差个体替换掉。

实施例六

两种规划方法的结果比较

为对传统分组频率规划技术与基于遗传算法的蜂窝网频率规划技术进行性能比较，提出“干扰关系数”指标：干扰关系数表明频率规划方案中不符合同邻频复用距离的干扰关系的总数。

本例分别采用传统分组频率规划技术和本发明的频率规划技术，选取不同的运算标准进行多次运算，得到的结果比较如下：

从上表可见，共进行了3组运算，每次运算结果中的干扰关系数，本发明均远少于传统的分组算法，说明本发明的性能要好于分组算法。

以第三次运算结果为例，同时参见图7-1，图7-2。可以看出若以同频距离为1200米，邻频距离为432米、小区半径为225米衡量频率规划性能的指标，则利用常规分组算法的现网实际频率规划中理论上存在34(同频)+21(邻频)＝55个干扰关系，而利用本发明的频率规划中理论上仅存在1个干扰关系。

表中的三次运算结果还显示，遗传算法的3个运算标准可以灵活地进行修改，在应用中可根据现网中的实际测试情况对同频距离、邻频距离、小区半径进行调整：若发现现网中同频干扰的情况偏多，则可适当增大同频距离；若发现现网中邻频干扰的情况偏多，则可适当增大邻频距离。这说明应用遗传算法进行频率规划具有更大的灵活性。

参见图8，其为本例中第三次运算的处理状态图，从图中可见，当算法运行开始时，频率规划中的干扰关系数为365个，随着遗传算法的不断迭代，干扰关系数逐步下降，在运行到3045代时，找到最优解。

从图中曲线还可看出，运算过程中干扰关系数基本始终呈下降趋势，并没有出现传统遗传算法中的个体适应度波动情况，说明算法性能良好。

Claims (3)

1.基于遗传算法的移动通信频率规划方法，将目标覆盖区域划分为若干个小区，每个小区设一个发射基站，配置一个BCCH信道，根据无线网络设计的要求，选择频率复用模式，其特征在于，选择频率复用模式的方案是：

-根据基站经纬度和扇区天线方向，对于干扰方扇区以同频或邻频间距为半径画一个120度的菱形或圆形，对于受干扰方扇区以覆盖半径为半径画一个120度的菱形或圆形，若这两个图形相交，则定义为存在干扰关系；由此形成干扰矩阵，算出任意两小区间的干扰关系；

-将所有小区及其BCCH频点的列表作为一个个体，其中某个小区及其BCCH频点为一个基因，根据算法参数的设置，若干个个体组成的集合为一个种群，若干个种群组成的集合为一个总种群；

-根据下式确定适应度函数：

fitness＝count_{MaxBadRelation}-count_BadRelation   (式III)；

其中：

count_{MaxBadRelation}-某一代种群中最劣个体的干扰关系数

count_BadRelation-某个个体的干扰关系数

-利用遗传算法求出种群中最终适应度最高的个体，即最优个体，将该最优个体指向的BCCH频点应用于频率规划中。

2.如权利要求1所述的方法，其特征在于：当目标覆盖区域中包含有水面时，则在计算干扰矩阵时增大干扰方扇区的半径，算式如下：

Radius＝Distance_{SameFrequence}+distance_overlap*(1-rate_waterloss) (式IV)

其中： 

Radius-扇区半径

distance_{SameFrequence}-同或邻频间距

distance_overlap-两小区间水面上的传播距离

rate_waterloss-无线电波在水面上的传播衰耗。

3.如权利要求1或2所述的方法，其特征在于：在遗传操作方面，选择操作采用轮盘赌选择，交叉操作采用多点交叉，变异操作采用实值变异。 

Images