CN101547450A - 移动通信网络的位置区划分方法及装置 - Google Patents

Abstract

一种移动通信系统的位置区划分方法及装置，其同时兼顾寻呼成本最小化、位置更新成本最小化这两个目标，获取移动通信网络的用户特性数据、既定的网络特性、地理信息等信息，根据该些信息进行聚类操作，并根据聚类操作后的结果采用小生境Pareto遗传算法进行处理，获得最终的MSC－LA和LA－BS拓扑矩阵以分配和设置移动通信系统的位置区。本发明的移动通信系统的位置区划分方法及装置，将位置区的划分归结为多目标多约束的整数规划问题，并利用动态的用户特性数据和既定的网络特性作为求解的启发式信息来辅助多目标优化，可以同时兼顾寻呼成本最小化和位置更新成本最小化这两个目标，提高了移动通信系统的整体性能。

Description

移动通信网络的位置区划分方法及装置

技术领域

本发明涉及移动通信网络技术领域，特别涉及一种移动通信网络的位置区划分方法及划分装置。

背景技术

在移动通信系统的网络规划中，将移动通信网络中的各个小区划分为多个集合，称为位置区(LA，Location Area)，一个LA中包含至少一个小区，同一LA下的所有小区均受控于同一个MSC(Mobile Switching Center，移动交换中心)。通过划分LA后，在LA中发起对移动台的呼叫，在该LA范围内的所以基站均会进行寻呼，在该LA内的所有小区内同时进行呼叫，因此，如果一个LA所涵盖的基站数或者小区的数目过多，用户数目过多，相应地所要进行的寻呼数量也会增多，同一位置区内大量的寻呼将会导致无线网络侧的拥塞，移动台会周期性地监听所属的寻呼组发出的寻呼消息，检查自己是否在基站所寻呼的移动台之列，当移动台被呼叫时，其会检测到基站发送的寻呼请求消息，并将基站发送寻呼响应消息，寻呼组设置较多意味着移动台在检测到正确的寻呼组之前需要等待较长的时间，从而增加寻呼的时间，寻呼成本大，寻呼组设置较少则会由于移动台较为频繁地接听寻呼组而缩短呼叫建立时长，从而会耗费更多的移动台资源，缩短移动台的待机时间，此外，当移动台从一个LA移动到一个新的LA时，必须发起请求，更新HLR以及VLR的位置记录，如果LA的数目过多，一个LA所涵盖的范围过小，将会频繁的进行位置更新，浪费系统的信令资源，位置更新的成本大。

在规划设计LA时，需要考虑到寻呼与位置更新所耗费的系统总体成本的平衡，从理论上来说，LA的最大边界可以是MSC的服务区域，在这种极端的情况下位置更新的成本最小，但是寻呼的成本却是最大的，还可以是将每个小区都分别划分为一个LA，在这种极端情况下，寻呼的成本是最小的，但是位置更新的成本却是最大的。

现有技术中的各种对LA的划分方式中，均是只针对其中的一种系统成本作为优化目标来进行划分，其他的系统成本仅仅是作为其中的一个约束条件，无法从整体上对移动通信系统的总成本进行优化。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于提供一种移动通信系统的位置区划分方法及装置，其可以同时兼顾寻呼成本和位置更新成本，提高移动通信系统的整体性能。

为达到上述目的，本发明采用以下技术方案：

一种移动通信系统的位置区划分方法，包括步骤：

获取移动通信网络的用户特性数据、地理信息、当前的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵；

根据所述用户特性数据、所述地理信息，对所述当前的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵进行聚类操作，获得一组MSC-BSC和BSC-BS拓扑矩阵初始解；

获取移动通信网络当前的位置更新矩阵，根据所述一组MSC-BSC和BSC-BS拓扑矩阵初始解、所述位置更新矩阵转换获得一组MSC-LA和LA-BS初始矩阵；

根据预设适应度函数、预设多约束条件，对所述一组MSC-BSC和BSC-BS拓扑矩阵初始解、所述一组MSC-LA和LA-BS初始矩阵采用小生境Pareto遗传算法进行处理，获得最终的MSC-LA和LA-BS拓扑矩阵；

根据所述最终的MSC-LA和LA-BS拓扑矩阵分配和设置所述移动通信系统的位置区。

一种移动通信系统的位置区划分装置，包括：

信息获取模块，用于获取移动通信网络的用户特性数据、地理信息、当前移动通信网络的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵、以及当前网络的位置更新矩阵；

与所述信息获取模块连接的聚类模块，用于根据所述用户特性数据、地理信息、当前移动通信网络的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵进行聚类操作，获得一组MSC-BSC和BSC-BS拓扑矩阵初始解；

与所述信息获取模块、所述聚类模块连接的初始矩阵转换模块，用于根据所述一组MSC-BSC和BSC-BS拓扑矩阵初始解、所述位置更新矩阵得到MSC-LA和LA-BS初始矩阵；

与所述聚类模块、所述初始矩阵转换模块连接的求解处理模块，用于根据所述一组MSC-BSC和BSC-BS拓扑矩阵初始解以及所述MSC-LA和LA-BS初始矩阵，结合预设多约束条件，采用小生境Pareto遗传算法求解出满足所述多约束条件的最终的MSC-LA和LA-BS拓扑矩阵；

与所述求解处理模块连接的参数转换模块，用于将所述最终的MSC-LA和LA-BS拓扑矩阵转换为相应的网络配置参数，并将该网络配置参数向OMC管理系统发送。

本发明的移动通信系统的位置区划分方法及装置，将位置区的划分归结为多目标多约束的整数规划问题，并利用动态的用户特性数据和既定的网络特性作为求解的启发式信息来辅助多目标优化，本发明的移动通信系统的位置区划分方法可以同时兼顾寻呼成本最小化和位置更新成本最小化这两个目标，提高了移动通信系统的整体性能。

附图说明

图1是本发明的移动通信系统的位置区划分方法的总体流程示意图；

图2是本发明的移动通信系统的位置区划分装置的结构示意图。

具体实施方式

以下针对本发明的移动通信系统的位置区划分方法的一个具体实施例进行详细阐述。

本发明的移动通信系统的位置区划分方法，以寻呼成本最小化、位置更新成本最小化这两个目标作为本发明方案的优化目标，将根据动态的用户特性数据以及既定的网络特性进行聚类操作所得的结果作为多约束条件求解的启发式信息，根据求解出来的结果即可对移动通信系统的位置区进行划分。

如图1所示，是本发明的移动通信系统的位置区划分方法的总体流程示意图，其包括步骤：

步骤S101：获取移动通信网络的用户特性数据、地理信息、当前移动通信网络的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵，其中，所述用户特性数据具体可以包括移动台当前所在的小区、频次、爱尔兰话务总量、通话数量等信息，所述地理信息具体可以包括小区坐标、基站坐标、BSC坐标、MSC坐标等信息，进入步骤S102；

步骤S102：根据所述用户特性数据、所述地理信息数据、所述当前的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵进行聚类操作，获得一组MSC-BSC和BSC-BS拓扑矩阵初始解，进入步骤S103；

步骤S103：根据预设多约束条件、所述一组MSC-BSC和BSC-BS拓扑矩阵初始解，采用小生境Pareto遗传算法进行处理，获得MSC-LA和LA-BS拓扑矩阵，进入步骤S104；

步骤S104：根据所述MSC-LA和LA-BS拓扑矩阵分配和设置所述移动通信系统的位置区。

根据上述本发明的移动通信系统的位置区划分方法的总体流程，本发明方案从移动通信网络获取用户特性数据、地理信息、当前的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵之后，根据用户特性数据、地理信息、以及当前网络的MSC-BSC拓扑矩阵、BSC-BS拓扑矩阵进行聚类操作，聚类操作后可获得一组MSC-BSC和BSC-BS拓扑矩阵的初始解，随后，即可根据该组初始解作为启发式信息，结合预先设定的多约束条件，进行小生境Pareto遗传算法进行处理，获得满足所述多目标约束条件的最终的MSC-LA和LA-BS拓扑矩阵。由于聚类操作后所获得的MSC-BSC、BSC-BS拓扑矩阵的初始解，充分考虑了当前网络结构中的用户特性信息以及地理信息等相关信息，所获得的初始解也可以充分利用当前移动通信网络的物理特性，而小生境Pareto遗传算法的处理操作则可以充分考虑各种约束条件，使得在使用经过小生境Pareto遗传算法处理后所得到的解来规划和设计移动通信网络结构的情况下，移动通信系统的寻呼成本和位置更新成本达到一个相对较为合理的平衡，使移动通信系统的总体性能更优。

以下根据上述本发明的移动通信系统的位置区划分方法的总体流程，对本发明的位置区划分方法的其中一个具体实现方式进行详细阐述。

在进行本发明的位置区划分方法时，首先可以先建立一个数学模型，后续的各项处理操作可以在该数学模型的基础上进行，本发明方法的数学模型包括有：

原有的BS-BSC拓扑矩阵A^BSC＝a_ij，在该拓扑矩阵中，矩阵中的元素a_ij表示BS与BSC的分配对应关系，如果BS_i分配给BSC_j，则a_ij＝1，否则a_ij＝0，其中，该原有的A^BSC＝a_ij拓扑矩阵可以是从现有的移动通信网络中获取的已有的拓扑网络的矩阵，例如可以是从OMC(Operation Maintenance Center，操作维护中心)的基站系统上获取；

原有的BSC-MSC拓扑矩阵B^MSC＝b_jk，在该拓扑矩阵中，矩阵中的元素b_jk表示BSC与MSC的分配对应关系，如果BSC_j分配给MSC_k，则b_jk＝1，否则b_jk＝0，其中，该原有的B^MSC＝b_jk拓扑矩阵可以是从现有的移动通信网络中获取的已有的拓扑网络的矩阵，例如可以是从OMC的基站系统上获取；

LA-BS拓扑矩阵Θ^BS＝θ_in，在该拓扑矩阵中，矩阵中的元素θ_in表示LA与BS的分配对应关系，如果BS_i在LA_n中，则θ_in＝1，否则θ_in＝0；

位置更新矩阵U＝u_is，在该矩阵中，矩阵中的元素u_is表示各BS之间的更新连接的变化，移动台在基站与基站之间进行移动时是否需要进行位置更新，即两个BS之间是否位于同一个位置区，如过BS_i与BS_s位于不同的LA，则u_is＝1，否则u_is＝0；相应的位置切换率h_is，其中，该位置切换率可以根据历史的BSC数据统计得出；

待分配BS-BSC拓扑矩阵X^BSC＝x_ij，在该拓扑矩阵中，矩阵中的元素x_ij表示BS与BSC的分配对应关系，如果BS_i分配给BSC_j，则x_ij＝1，否则x_ij＝0，其中，该拓扑矩阵是在本发明方法执行过程中所需要求解的矩阵；

待分配BSC-MSC拓扑矩阵Y^MSC＝y_jk，在该拓扑矩阵中，矩阵中的元素y_jk表示BSC与MSC的分配对应关系，如果BSC_j分配给MSC_k，则y_jk＝1，否则y_jk＝0，其中，该拓扑矩阵是在本发明方法执行过程中所需要求解的矩阵；

λ_i，表示BS_i产生的寻呼量；

，表示小区BS_i的寻呼容量；

，表示BSC_j的寻呼容量；

w_i，表示小区BS_i的最大TRX(Transmitters，收发单元)容量；

表示BSC_j的最大TRX容量；

表示MSC_k的最大TRX容量。

针对上述所建立的模型，本发明的位置区划分方法的最终目标是求解出MSC-LA和LA-BS拓扑矩阵，从而可以根据该求解出的MSC-LA和LA-BS拓扑矩阵来设定和分配移动通信网络的位置区。

如上所述，本发明的位置区划分方法的目标是可以同时兼顾寻呼成本最小化和位置更新成本最小化这两个目标，从而使移动通信系统的寻呼成本和位置更新成本达到一个相对较为合理的平衡，以提高移动通信系统的整体性能。因此，需要以寻呼成本最小化和位置更新成本最小化这两个目标为基础来综合确定移动通信系统的总体成本，其中：

在寻呼成本最小化时，应当满足 $\mathrm{Min}\underset{i}{\mathrm{\Σ}}({\mathrm{\λ}}_i+\underset{s}{\mathrm{\Σ}}{\mathrm{\λ}}_s\·(1-u_{\mathrm{is}})),$ 即在寻呼成本最小化的情况下，计算 $\underset{i}{\mathrm{\Σ}}({\mathrm{\λ}}_i+\underset{s}{\mathrm{\Σ}}{\mathrm{\λ}}_s\·(1-u_{\mathrm{is}}))$ 所得出的值应当是最小的；

类似的，在位置更新成本最小化时，应当满足

即在位置更新成本最小化的情况下，计算

所得出的值应当是最小的。

此外，由于移动通信系统的网络的固有特性，从而对所建立的数学模型也形成了一定的多目标的约束条件，具体包括：

1、每个BS必须确定的属于一个BSC，即 $\underset{j}{\mathrm{\Σ}}{x}_{\mathrm{ij}}=1,\∀i;$

2、每个BSC必须确定的属于一个MSC，即 $\underset{k}{\mathrm{\Σ}}{y}_{\mathrm{jk}}=1,\∀j;$

3、每个BS必须确定的属于一个LA，即 $\underset{n}{\mathrm{\Σ}}{\mathrm{\θ}}_{\mathrm{in}}=1,\∀i;$

4、每个LA必须确定的属于一个MSC，即 $\underset{k}{\mathrm{\Σ}}\left(\underset{j}{\mathrm{\Σ}}{x}_{\mathrm{ij}}{y}_{\mathrm{jk}}\underset{r}{\mathrm{\Σ}}{x}_{\mathrm{sr}}{y}_{\mathrm{rk}}\right)=1,\∀(i,s);$

5、BS寻呼容量的约束，即 ${\mathrm{\&lambda;}}_i+\underset{s}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_s\&CenterDot;(1-u_{\mathrm{is}})<P_i^{\mathrm{BS}},\&ForAll;i,$ BS的寻呼量应当小于该BS的寻呼容量；

6、BSC寻呼容量的约束，即 $\underset{i}{\mathrm{\&Sigma;}}{x}_{\mathrm{ij}}\&CenterDot;({\mathrm{\&lambda;}}_i+\underset{s}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_s\&CenterDot;(1-u_{\mathrm{is}}))<P_j^{\mathrm{BSC}},\&ForAll;j,$ BSC的寻呼量应当小于该BSC的寻呼容量；

7、BSC的TRX容量的约束，即 $\underset{i}{\mathrm{\&Sigma;}}{x}_{\mathrm{ij}}\&CenterDot;w_i<W_j^{\mathrm{BSC}},\&ForAll;j,$ BSC的TRX容量低于该BSC的最大TRX容量；

8、MSC的TRX容量的约束，即 $\underset{j}{\mathrm{\&Sigma;}}\underset{i}{\mathrm{\&Sigma;}}{x}_{\mathrm{ij}}\&CenterDot;y_{\mathrm{jk}}\&CenterDot;w_i<W_k^{\mathrm{MSC}},\&ForAll;k,$ MSC的TRX容量低于该MSC的最大TRX容量。

上述的寻呼成本最小化、位置更新成本最小化的限定，可以作为后续求解过程中评判所求得的解是否满足要求的基础，上述各个约束条件，形成对后续求解过程中的解的范围的约束。

在建立上述数学模型后，即可进入本发明的位置区划分方法的具体过程。

首先，本发明方案需要获取移动通信网络的用户特性信息、地理信息以及既定的网络特性，其中：

该用户特性信息可以是从OMC获取，该用户特性信息可以包括用户(移动台)出现在小区的位置信息(例如某个用户出现在那个小区)、频次、爱尔兰话务总量、通话数量等信息；

该地理信息可以是从OMC中心基站数据库获取，可以包括小区坐标、基站坐标、BSC坐标、MSC坐标等信息；

该既定的网络特性可以是移动通信网络已有的网络特性，直接从移动通信系统的网络侧获得并导入本发明的方法中即可，可以是移动通信网络已有的网络拓扑矩阵，例如MSC-BSC拓扑矩阵、BSC-BS拓扑矩阵，上述所建立的数学模型中的原有的MSC-BSC拓扑矩阵、原有的BSC-BS拓扑矩阵即可以是该从移动通信系统的网络所导入的网络拓扑矩阵。

在获得这些相关的信息数据之后，即可针对这些信息数据进行聚类操作，通过聚类操作可将具有相同性能的个体，例如小区或者移动台，指派到同一个类中，从而得到MSC-BSC、BSC-BS拓扑矩阵的初始解，使初始现网更接近于真实环境，有助于生成有效的初始的解空间。

在进行聚类操作时，是采用聚类算法进行聚类操作，聚类算法的基本原理是将相似的一类个体指派到同一个类别中，具体的方式可以是：

1)首先，随机选择m个个体作为初始的中心点，设为o_i，对应的类设为c_i，其中m、i均为整数，且i∈{1，2，K，m}；

2)计算除了中心点之外的其他所有个体分别与各中心点的相似度d(o_i，p)，其中p∈Po，o_i≠p，其中集合Po表示所有非中心点个体所组成的集合；

3)将分别与各中心点最相似的个体分别指派到该中心点所在的相应的类中，并通过评价函数计算评价值，以可以根据计算所得的评价值来调整该类的中心点，其中，根据具体聚类算法操作所针对的个体类别的不同、以及个体所代表的相关性能信息或者相关性能参数的不同，不同的聚类算法操作中所使用的评价函数也有不同，例如，在以距离远近为基础来确定评价值时，其评价函数的形式可以表示为 $E=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{p\&Element;c_i}{\mathrm{\&Sigma;}}{|o_i-p|}^2$ 中，函数中的o_i、p可以是分别代表个体o_i、p的位置坐标等相关信息，或者还可以是采用其他形式的评价函数，由于不同的聚类算法中的个体所代表的相关性能信息或者相关性能参数的不同，所使用的评价函数的形式和/或具体表达方式也会有所差异；

4)分别在各类c_i中随机的选择一个非中心点的个体q_i，计算非中心点的其他个体与该个体q_i的相似度d(q_i，p)，其中q_i∈c_i，p∈Po，q_i≠p；

5)假设以该个体q_i为中心点，使用上述评价函数计算评价值E′，并将该E′与上述步骤3)中所计算得出的E进行比较，如果E′<E，则将q_i代替o_i，即将q_i作为该类的中心点，并将与q_i最相似的个体调整到该q_i所在的类中；

6)如果以该个体q_i为中心点计算所得的评价值已经达到了最小值或者是预先设定的阈值，则结束聚类过程，否则，返回上述步骤4)。

上述针对聚类算法的基本原理进行了说明，本发明的位置区划分方法根据上述聚类算法的原理，分别针对用户、小区进行聚类操作，具体包括：

其一：用户特性信息聚类

该聚类过程的对象为用户(移动台)，即以用户(移动台)为个体，且是将用户特性信息与地理信息进行结合后进行聚类，对于所有的用户个体，可以选择在基站小区的位置或者与基站临近的个体作为相应的初始的中心点位置；

在该用户特性信息聚类中，可以通过将用户安置在相应的小区内来定义该聚类算法中的相似度，可以根据从OMC中心所获取的相关数据，例如用户在小区的位置(该用户在哪个小区范围内)、用户的话务行为、通话时长、通话频次等信息，来确定聚类算法的相似度，并可以根据切换成本和位置更新成本等信息确定评价函数以计算评价值，在确定了聚类对象、确定相似度的相似度函数以及评价函数之后，即可根据上述聚类算法的流程方式进行聚类操作，得到一组MSC-BSC和BSC-BS拓扑矩阵，具体的聚类操作的过程在此不予赘述；

其二：位置聚类

该位置聚类的对象为小区，即以小区为个体，其可以根据基站数据库中的地理信息数据和规划数据来完成位置聚类的相关处理过程，可以通过从OMC中心获取的相关数据，例如小区位置、小区位置的距离等信息来确定聚类算法的相似度，可以根据相应的位置信息来确定评价函数以计算评价值，在确定了聚类对象、确定相似度的相似度函数以及评价函数之后，即可根据上述聚类算法的流程方式进行聚类操作，得到一组MSC-BSC和BSC-BS拓扑矩阵，具体的聚类操作的过程在此不予赘述；

其三：覆盖聚类

该覆盖聚类的对象为小区，即以小区为个体，其可以根据基站数据库中的地理信息数据和规划数据来完成位置聚类的相关处理过程，可以通过从OMC中心获取的相关数据，例如根据小区的覆盖信息来确定聚类算法的相似度，可以根据相应的位置信息和覆盖信息来确定评价函数以计算评价值，在确定了聚类对象、确定相似度的相似度函数以及评价函数之后，即可根据上述聚类算法的流程方式进行聚类操作，得到一组MSC-BSC和BSC-BS拓扑矩阵，具体的聚类操作的过程在此不予赘述；

其四：切换聚类

该切换聚类的对象为小区，即以小区为个体，且可以通过小区位置、小区忙时各小区和其他相邻小区的出入小区切换次数来确定聚类算法中的相似度，并可以通过最大切换相关小区、最大切换相关位置区元、切换相关区群和核心切换相关区域来确定评价函数以计算评价值，在确定了聚类对象、确定相似度的相似度函数以及评价函数之后，即可根据上述聚类算法的流程方式进行聚类操作，得到一组MSC-BSC、BSC-BS拓扑矩阵，具体的聚类操作的过程在此不予赘述。

其中，上述四种聚类操作可以是没有先后的执行顺序，在经过上述四种四类聚类操作后，得到一组MSC-BSC和BSC-BS拓扑矩阵的初始解，该组初始解包括了上述四类聚类操作中分别得到的各组MSC-BSC和BSC-BS拓扑矩阵。

此外，为了能够从各个角度、结合各类信息综合地进行聚类，本发明的位置区划分方法是同时采用了上述四种聚类算法进行聚类操作，以为后续的小生境Pareto遗传算法中的处理提供综合的初始信息，在某些不需要达到最优性能的情况下，也可以只采用其中的几种聚类方式进行聚类操作，在此不予赘述。

在得到上述的一组MSC-BSC和BSC-BS拓扑矩阵的初始解后，即可根据该组MSC-BSC和BSC-BS拓扑矩阵的初始解，结合位置更新矩阵U＝u_is得到一组初始化的MSC-LA和LA-BS初始矩阵，其中，该位置更新矩阵U＝u_is可以是当前移动通信系统的通信网络中已有的位置更新关系，位置切换率h_is可以根据历史的BSC数据推导得出，以作为本发明方案中的初始信息。

在得到上述一组MSC-BSC和BSC-BS拓扑矩阵的初始解、并结合该初始解得到一组初始的MSC-LA和LA-BS初始矩阵后，即可针对该组初始解以及该些初始的MSC-LA和LA-BS初始矩阵，结合上述建立数学模型时所设定的约束条件，采用小生境Pareto遗传算法(Niche Pareto Genetic Algorithm)进行求解，求解出满足约束条件的最终的MSC-BSC、BSC-BS矩阵以及MSC-LA、LA-BS拓扑矩阵，从而可以根据求解出的该MSC-BSC、BSC-BS矩阵以及MSC-LA、LA-BS拓扑矩阵对移动通信网络进行规划和设计，设定移动通信网络的位置区。

本发明的小生境Pareto遗传算法，以上述聚类算法操作后所得的各个MSC-BSC和BSC-BS矩阵以及初始的各MSC-LA、LA-BS初始矩阵作为初始种群中的各原始个体开始进行进化过程，其基本原理是针对种群中的一组个体，根据个体的适应度选择保留适应度较高的较优个体、惩罚或者淘汰适应度低的个体，选择适应度较高的较优个体进入下一轮的进化过程，以保证种群的较优性能，最终通过多次的进化过程求解出满足要求的群体，其具体方式为：

针对初始种群 $P\left(0\right)=\{a_1\left(0\right),...a_{\mathrm{\&mu;}}\left(0\right)\}\&Element;I^{{\mathrm{\&mu;}}^{\left(0\right)}}$ ({μ⁽ⁱ⁾}，i∈N为群体大小)，采用适应度函数分别计算该种群中的各个体的适应度F_i(0)，其中，i∈N，在本发明方案中，初始种群是指上述聚类算法操作后所得的各个MSC-BSC、BSC-BS矩阵以及各MSC-LA、LA-BS初始矩阵所组成的集合，个体则是对应的一组MSC-BSC、BSC-BS矩阵以及MSC-LA、LA-BS初始矩阵；

在计算出各个个体的适应度之后，自适应度自高到底的对这些个体进行Pareto非劣解降序排列，并记忆适应度较高的前m个个体，其中m<N，

随后根据预设的进化终止判断准则对当前的种群中的所有个体进行判断，判断当前的种群是否满足终止进化的条件：

若满足进化终止的条件，则终止进化过程，不进行处理；

若不满足进化终止的条件，则对该种群进行进一步的进化操作，即对该种群中的个体进行交叉、变异等进化操作；

在进行上述进化操作后，进行小生境选择并进行小生境处理，将上述交叉变异后的子代种群中的N个个体与在前记忆的前m个个体进行合并，得到N+m个个体；

然后，计算这N+m个个体间的海明距离(Hamming Distance)，并将计算所得的海明距离与小生境选择时所选择设定的小生境距离进行比较，当海明距离小于小生境距离时，则种群中适应度较低的个体将被惩罚，具体可以是对适应度函数进行调整，例如通过为计算适应度的适应度函数增加相应的惩罚项，从而使得该个体的适应度将会更低，使该适应度低的个体在循环过程中更容易被放弃；

随后根据预设的多约束条件进行多约束处理，判断种群中的各个个体是否满足上述预设的多约束条件，这里的多约束条件即为：

1、每个BS必须确定的属于一个BSC，即 $\underset{j}{\mathrm{\&Sigma;}}{x}_{\mathrm{ij}}=1,\&ForAll;i;$

2、每个BSC必须确定的属于一个MSC，即 $\underset{k}{\mathrm{\&Sigma;}}{y}_{\mathrm{jk}}=1,\&ForAll;j;$

3、每个BS必须确定的属于一个LA，即 $\underset{n}{\mathrm{\&Sigma;}}{\mathrm{\&theta;}}_{\mathrm{in}}=1,\&ForAll;i;$

4、每个LA必须确定的属于一个MSC，即 $\underset{k}{\mathrm{\&Sigma;}}\left(\underset{j}{\mathrm{\&Sigma;}}{x}_{\mathrm{ij}}{y}_{\mathrm{jk}}\underset{r}{\mathrm{\&Sigma;}}{x}_{\mathrm{sr}}{y}_{\mathrm{rk}}\right)=1,\&ForAll;(i,s);$

5、BS寻呼容量的约束，即 ${\mathrm{\&lambda;}}_i+\underset{s}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_s\&CenterDot;(1-u_{\mathrm{is}})<P_i^{\mathrm{BS}},\&ForAll;i;$

6、BSC寻呼容量的约束，即 $\underset{i}{\mathrm{\&Sigma;}}{x}_{\mathrm{ij}}\&CenterDot;({\mathrm{\&lambda;}}_i+\underset{s}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_s\&CenterDot;(1-u_{\mathrm{is}}))<P_j^{\mathrm{BSC}},\&ForAll;j;$

7、BSC的TRX容量的约束，即 $\underset{i}{\mathrm{\&Sigma;}}{x}_{\mathrm{ij}}\&CenterDot;w_i<W_j^{\mathrm{BSC}},\&ForAll;j;$

8、MSC的TRX容量的约束，即 $\underset{j}{\mathrm{\&Sigma;}}\underset{i}{\mathrm{\&Sigma;}}{x}_{\mathrm{ij}}\&CenterDot;y_{\mathrm{jk}}\&CenterDot;w_i<W_k^{\mathrm{MSC}},\&ForAll;k.$

经过上述多约束处理后：

如果个体满足约束条件，则适应度较大的个体占优，不对当前的适应度函数进行处理；

如果个体超出了约束条件的约束范围，则超出约束范围量少的个体占优，并对超出了约束范围之外的个体进行惩罚，具体可以是对适应度函数进行调整，例如通过为适应度函数增加相应的惩罚项，从而使得该个体的适应度将会降低，其中，超出约束范围越大的个体惩罚越重，即调整后的适应度函数使该个体的适应度降低得更快，超出约束范围越小的个体惩罚越轻，即调整后的适应度函数使该个体的适应度降低的相对较为缓慢，超出所述约束范围的超出程度与超出所述约束范围的个体的适应度的降低程度成正比。

随后，分别根据调整后的各适应度函数分别计算上述N+m个个体的适应度，并根据这N+m个个体的适应度自高到底对这些个体进行Pareto非劣解降序排列，并记忆适应度较高的前m个个体，其中m<N，并选择这N+m个个体中适应度最高的第三预设数目的个体进入下一轮的进化过程，这里的第三预设数目可以是初始种群中的个体的数目，即N个，以保证种群进化过程中的个体数目的稳定性，如此循环，直到满足进化终止条件，终止进化过程。

其中，在本发明方案的小生境Pareto遗传算法中，计算个体适应度的适应度函数可以根据寻呼成本最小化 $\mathrm{Min}\underset{i}{\mathrm{\&Sigma;}}({\mathrm{\&lambda;}}_i+\underset{s}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_s\&CenterDot;(1-u_{\mathrm{is}}))$ 和位置更新成本最小化

这两个目标来进行综合确定，例如通过为寻呼成本最小化、位置更新成本最小化这两个目标进行加权来进行确定，根据规划移动通信网络的性能或者成本的侧重点的不同，可以分别为寻呼成本最小化、位置更新成本最小化这两个目标分别设定不同的加权系数，或者也可以是采用其他的方式来根据寻呼成本最小化、位置更新成本最小化这两个目标来综合确定适应度函数以计算各个体的适应度。

此外，在根据预设的进化终止判断准则判断种群是否满足终止进化的条件时，进化终止判断准则的设定根据实际网络规划的出发点及需要的不同可以有不同的设定，通常可以通过考虑小生境Pareto遗传算法的收敛度来进行设定，例如，如果所得到的解，即种群中的所有个体保持在一个相对稳定的状态，不会发生巨大的震荡或者波动，解空间基本稳定，对应的评价函数也相应收敛到一个常量，那么，则可以作为进化终止判断准则，判定进化循环可以终止。

此外，在进行小生境选择和小生境处理时，具体的小生境选择的过程根据网络规划需要等目标的不同可以选择不同的方式。

在通过小生境Pareto遗传算法获得一组以MSC-BSC、BSC-BS矩阵以及MSC-LA、LA-BS拓扑矩阵为个体的种群空间后，即可从该种群空间中获得本发明方案的Pareto占优解，并根据该些Pareto占优解对移动通信网络的网络规划进行设置和划分，其中，由于在上述小生境Pareto遗传算法中终止进化时，当前种群中的个体有多个，可以是将这多个个体中适应度最高的第二预设数目的个体作为Pareto占优解，此外，由于所获得的Pareto占优解也有多个，可以是将Pareto占优解中适应度最高的个体作为参考解来对移动通信网络进行规划和设计，或者也可以采用其他的方式从Pareto占优解中选择出用于规划设计移动通信网络的个体，并将该个体作为参考解，在此不予赘述。

在选择出用于规划设计移动通信网络的个体作为参考解后，即在选择出用于规划设计移动通信网络的MSC-BSC、BSC-BS矩阵以及MSC-LA、LA-BS拓扑矩阵后，即可根据该些矩阵对移动通信网络的网络结构进行规划和设计，具体可以是将该作为参考解的MSC-BSC、BSC-BS矩阵以及MSC-LA、LA-BS拓扑矩阵或者仅仅是将MSC-LA、LA-BS拓扑矩阵转换为相应的网络配置参数，并将该网络配置参数发送给OMC的管理系统，由OMC的管理系统来根据该网络配置参数来设定基站和位置区划分的参数，具体的设定方式可以是与现有技术中的相同，在此不予赘述。

根据上述本发明的移动通信系统的位置区划分方法，其是将位置区的划分归结为多目标多约束的整数规划问题，并利用动态的用户特性数据和既定的网络特性作为求解的启发式信息来辅助多目标优化，本发明的移动通信系统的位置区划分方法可以同时兼顾寻呼成本最小化和位置更新成本最小化这两个目标，提高了移动通信系统的整体性能。

参见图2所示，是本发明的移动通信系统的位置区划分装置的结构示意图，其包括：

信息获取模块201，用于获取移动通信网络的用户特性数据、地理信息、当前移动通信网络的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵、以及当前网络的位置更新矩阵等相关信息；

与信息获取模块201连接的聚类模块202，用于根据信息获取模块201所获得的相关信息，包括上述用户特性数据、地理信息、当前移动通信网络的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵等信息，进行聚类操作，获得一组MSC-BSC和BSC-BS拓扑矩阵的初始解，其中，该聚类模块202的聚类操作包括针对用户(移动台)的用户特性聚类操作、针对小区的位置聚类、覆盖聚类、切换聚类操作；

与信息获取模块201、聚类模块202连接的初始矩阵转换模块203，用于根据聚类模块202所获得的该组MSC-BSC和BSC-BS拓扑矩阵的初始解、结合信息获取模块201所获得的位置更新矩阵得到一组初始化的MSC-LA和LA-BS初始矩阵；

同时与聚类模块202、初始矩阵转换模块203连接的求解处理模块204，用于根据聚类模块202所获得的该组MSC-BSC、BSC-BS拓扑矩阵的初始解以及初始矩阵转换模块203获得的该些初始的MSC-LA、LA-BS初始矩阵，结合预设的多约束条件，采用小生境Pareto遗传算法求解出满足所述多约束条件的最终的MSC-LA、LA-BS拓扑矩阵；

与求解处理模块204连接的参数转换模块205，用于将求解处理模块204所求解得出的最终的MSC-LA、LA-BS矩阵转换为相应的网络配置参数，并将该网络配置参数向OMC管理系统发送，从而OMC的管理系统可以根据该网络配置参数来设定基站和位置区划分的参数，以对移动通信系统的位置区进行划分。

本发明的移动通信系统的位置区划分装置中的各个模块的具体处理方式可分别与上述本发明的位置区划分方法中的处理方式相同，在此不予赘述。

根据上述本发明的移动通信系统的位置区划分装置，其是将位置区的划分归结为多目标多约束的整数规划问题，并利用动态的用户特性数据和既定的网络特性进行聚类操作所求得的解作为求解的启发式信息来辅助多目标优化，本发明的移动通信系统的位置区划分装置可以同时兼顾寻呼成本最小化和位置更新成本最小化这两个目标，提高了移动通信系统的整体性能。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (10)

1、一种移动通信系统的位置区划分方法，其特征在于，包括步骤：

获取移动通信网络的用户特性数据、地理信息、当前的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵；

根据所述用户特性数据、所述地理信息，对所述当前的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵进行聚类操作，获得一组MSC-BSC和BSC-BS拓扑矩阵初始解；

获取移动通信网络当前的位置更新矩阵，根据所述一组MSC-BSC和BSC-BS拓扑矩阵初始解、所述位置更新矩阵转换获得一组MSC-LA和LA-BS初始矩阵；

根据预设适应度函数、预设多约束条件，对所述一组MSC-BSC和BSC-BS拓扑矩阵初始解、所述一组MSC-LA和LA-BS初始矩阵采用小生境Pareto遗传算法进行处理，获得最终的MSC-LA和LA-BS拓扑矩阵；

根据所述最终的MSC-LA和LA-BS拓扑矩阵分配和设置所述移动通信系统的位置区。

2、根据权利要求1所述的移动通信系统的位置区划分方法，其特征在于，所述采用小生境Pareto遗传算法进行处理获得最终的MSC-LA和LA-BS拓扑矩阵的过程具体包括：

将所述一组MSC-BSC和BSC-BS拓扑矩阵初始解、所述一组MSC-LA和LA-BS初始矩阵作为初始种群；

针对所述初始种群，采用所述预设适应度函数分别计算所述种群中的各个体的适应度，按适应度从高到低对所述各个体进行Pareto非劣解降序排列，并将适应度最高的第一预设数目的个体予以储存，

根据预设的进化终止判断准则判断当前种群是否满足终止进化的条件：

若满足，终止进化过程，将当前种群中适应度最高的第二预设数目的个体作为Pareto占优解，并从所述Pareto占优解中选定所述最终的MSC-LA和LA-BS拓扑矩阵；

若不满足，则对该种群进行进化操作，进行小生境选择并进行小生境处理，将所述进化后的个体与所述第一预设数目的个体合并；

计算所述合并后的个体间的海明距离，判断所述海明距离是否小于小生境选择时所选择的小生境距离，若是，调整所述预设适应度函数以降低适应度低的个体的适应度；

分别判断所述合并后的各个个体是否满足所述预设多约束条件，如果个体超出所述预设多约束条件的约束范围，调整所述适应度函数以降低超出所述约束范围的个体的适应度；

根据所述调整后的适应度函数分别计算所述合并后的各个个体的适应度，并按适应度从高到低进行Pareto非劣解降序排列，并记忆适应度最高的所述第一预设数目的个体，并选择适应度最高的第三预设数目的个体进入下一轮的进化过程，所述第三预设数目与所述初始种群中的个体的数目相同。

3、根据权利要求2所述的移动通信系统的位置区划分方法，其特征在于，所述预设适应度函数根据移动通信网络的寻呼成本和位置更新成本予以确定。

4、根据权利要求2所述的移动通信系统的位置区划分方法，其特征在于，在调整所述预设适应度函数以降低超出所述约束范围的个体的适应度时，具体的方式包括：

调整所述预设适应度函数，使超出所述约束范围的程度与超出所述约束范围的个体的适应度的降低程度成正比。

5、根据权利要求1所述的移动通信系统的位置区划分方法，其特征在于，

所述聚类操作具体包括用户特性信息聚类、位置聚类、覆盖聚类和切换聚类：

所述用户特性信息聚类针对各移动台进行聚类，并根据移动台所在的小区、移动台的话务行为、通话时长、通话频次确定各移动台的相似度，根据切换成本和位置更新成本确定的评价函数来计算评价值；

所述位置聚类针对各小区进行聚类，并根据小区位置的距离确定各小区的相似度，根据位置信息确定的评价函数计算评价值；

所述覆盖聚类针对各小区进行聚类，并根据小区的覆盖信息确定各小区的相似度，根据覆盖信息确定的评价函数计算评价值；

所述切换聚类针对各小区进行聚类，并根据小区位置、小区忙时各小区和所有其他相邻小区的出入小区切换次数确定各小区的相似度，根据最大切换相关小区、最大切换相关位置区元、切换相关区群和核心切换相关区确定的评价函数计算评价值。

6、根据权利要求2所述的移动通信系统的位置区划分方法，其特征在于，

所述聚类操作具体包括用户特性信息聚类、位置聚类、覆盖聚类和切换聚类：

所述用户特性信息聚类针对各移动台进行聚类，并根据移动台所在的小区、移动台的话务行为、通话时长、通话频次确定各移动台的相似度，根据切换成本和位置更新成本确定的评价函数来计算评价值；

所述位置聚类针对各小区进行聚类，并根据小区位置的距离确定各小区的相似度，根据位置信息确定的评价函数计算评价值；

所述覆盖聚类针对各小区进行聚类，并根据小区的覆盖信息确定各小区的相似度，根据覆盖信息确定的评价函数计算评价值；

所述切换聚类针对各小区进行聚类，并根据小区位置、小区忙时各小区和所有其他相邻小区的出入小区切换次数确定各小区的相似度，根据最大切换相关小区、最大切换相关位置区元、切换相关区群和核心切换相关区确定的评价函数计算评价值。

7、根据权利要求1至6任意一项所述的移动通信系统的位置区划分方法，其特征在于：

所述用户特性数据包括：移动台当前所在的小区、频次、爱尔兰话务总量、通话数量；

和/或

所述地理信息包括：小区坐标、基站坐标、BSC坐标、MSC坐标。

8、根据权利要求1至6任意一项所述的移动通信系统的位置区划分方法，其特征在于，所述预设多目标约束条件包括：每个BS确定的属于一个BSC、每个BSC确定的属于一个MSC、每个BS确定的属于一个LA、每个LA确定的属于一个MSC、BS寻呼量低于BS的寻呼容量、BSC的寻呼量低于BSC的寻呼容量、BSC的TRX容量低于该BSC的最大TRX容量，MSC的TRX容量低于该MSC的最大TRX容量。

9、一种移动通信系统的位置区划分装置，其特征在于，包括：

信息获取模块，用于获取移动通信网络的用户特性数据、地理信息、当前移动通信网络的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵、以及当前网络的位置更新矩阵；

与所述信息获取模块连接的聚类模块，用于根据所述用户特性数据、地理信息、当前移动通信网络的MSC-BSC拓扑矩阵和BSC-BS拓扑矩阵进行聚类操作，获得一组MSC-BSC和BSC-BS拓扑矩阵初始解；

与所述信息获取模块、所述聚类模块连接的初始矩阵转换模块，用于根据所述一组MSC-BSC和BSC-BS拓扑矩阵初始解、所述位置更新矩阵得到一组MSC-LA和LA-BS初始矩阵；

与所述聚类模块、所述初始矩阵转换模块连接的求解处理模块，用于根据所述一组MSC-BSC和BSC-BS拓扑矩阵初始解以及所述MSC-LA和LA-BS初始矩阵，结合预设多约束条件，采用小生境Pareto遗传算法求解出满足所述多约束条件的最终的MSC-LA和LA-BS拓扑矩阵；

与所述求解处理模块连接的参数转换模块，用于将所述最终的MSC-LA和LA-BS拓扑矩阵转换为相应的网络配置参数，并将该网络配置参数向OMC管理系统发送。

10、根据权利要求9所述的移动通信系统的位置区划分装置，其特征在于：

所述用户特性数据包括：移动台当前所在的小区、频次、爱尔兰话务总量、通话数量；

和/或

所述地理信息包括：小区坐标、基站坐标、BSC坐标、MSC坐标。

Images