CN101964985B - 一种lte/lte-a中自组织网络的覆盖与容量自优化装置及其方法 - Google Patents

Abstract

本发明涉及一种LTE/LTE-A中自组织网络的覆盖与容量自优化装置及其方法。通过故障检测单元实时监测移动通信网络中发生的覆盖与容量相关的故障，并由学习匹配单元与历史事件知识进行学习匹配后，根据最近似事件初始配置无线参数，再通过参数决策单元兼顾不同无线配置参数间的相互影响对初始配置的无线参数进行调整，引入效用函数评价自优化过程的效率，最终完成综合考虑网络/业务以及运营商需求的效用最大化，实现LTE/LTE-A中的自组织网络的覆盖与容量自动最优化。本发明的优点在于，本发明解决了利用现有的覆盖和容量自优化模型准确定位故障根源和正确决策，从而达到容量和覆盖最优化目标。

Description

一种LTE/LTE-A中自组织网络的覆盖与容量自优化装置及其方法

技术领域

本发明涉及移动通信技术领域，特别涉及一种LTE/LTE-A中自组织网络的覆盖与容量自优化装置及其方法。

背景技术

在未来的网络中，由于不同的网络共存，网络将变得更加复杂，大量无线参数和数据将使网络优化人员的工作量大幅提高，而运营商希望降低运营成本及人工干预。在此背景下，EUTRAN系统的自组织网络SON（Self Organized Network）特性被作为3GPP的重要研究方向。自组织网络SON是在LTE的网络的标准化阶段由移动运营商主导提出的概念，其主要思路是实现无线网络的一些自主功能，减少人工参与，降低运营成本。

自组织网络SON主要分为自配置（Self-configuration）、自优化（self-optimization）和自治愈（self-healing）三大功能。其中，自优化功能是通过对UE和eNB的测量及性能测量，动态地调整无线配置参数，尽可能降低业务工作量并提升网络性能，从而实现移动通信网络自动优化。典型的自优化案例包括网络覆盖和容量优化、移动鲁棒性优化及移动负载均衡优化等。其中网络覆盖和容量优化是网络运营工作的重要优化环节。传统方法使用基于理论模型的网络规划工具，该工具在实现以上工作的时候需要主动在网络中发起测量，比如测量呼损率评价网络覆盖情况，测量流量计数器计算网络容量。通过SON的自优化过程，减少网络性能分析的工作，节能功能会降低设备功耗，可以有效减少运营开支，从而进一步提升LTE的竞争优势。传统方法LTE SON中覆盖和容量优化过程如下所述：

步骤1）：通过内部测量从UE和eNB报告中收集测量值；

步骤2）：通过分析测量值，发现网络中有关覆盖和容量的问题；

步骤3）：问题经过描述后报告给网络规划工具，规划工具调整无线相关参数解决问题，并最优化系统覆盖与容量；

步骤4）：将经过调整的无线参数送至覆盖与容量最优化功能；

步骤5）：最优化功能更新参数，完成覆盖与容量自优化过程。

在以上过程中，LTE SON中的覆盖和容量优化功能的输入参数包括：

●UE测量当前小区和相邻小区的信号强度

●UE信令和报告

●时间提前（Timing Advance）

●无线链路失败计数器

●覆盖触发移动性计数器

●流量负载分布测量

LTE SON中的覆盖和容量优化功能的输出参数包括：

●下行发射功率

●下行参考信号功率偏移

●天线倾斜角

目前，在LTE SON中网络覆盖和容量优化有两个主要目标：

●提供最优化覆盖

高目标用于保证LTE系统中的连接建立和维持时的业务质量，并可以随时根据运营商的需求进行变更。同时，覆盖必须是连续的，而且用户无法感觉到小区边界，最优化覆盖必须在空闲和激活模式为上下行链路同时提供。

●提供最优化容量

在3GPP Rel-9中，覆盖最优化的优先级高于容量最优化，覆盖最优化算法可能会影响容量。既然覆盖和容量彼此关联，就需要在两者之间找到一个折中的最优化目标。

目前的SON网络覆盖和容量最优化功能中的方法在实际应用中存在诸多问题。首先，从海量的输入数据到问题发生的原因之间缺乏明确的因果关联，难以准确地定位问题发生的根源；然后，当输入数据不充分的或部分错误时，难以正确进行决策；再次，海量的输入参数也决定了不可能用穷举法完成信息搜索；最后，由于现网运营的可靠性要求，不能通过试验获取决策所需的经验。因此，利用现有的覆盖和容量自优化模型将难以解决实际网络中的问题，达到容量和覆盖最优化目标。

发明内容

本发明的目的在于，解决利用现有的覆盖和容量自优化模型准确定位故障根源和正确决策，从而达到容量和覆盖最优化目标。

为实现上述发明目的，本发明提供了一种LTE/LTE-A中自组织网络的覆盖与容量自优化装置及其方法。

所述的一种LTE/LTE-A中自组织网络的覆盖与容量的自优化系统装置，其特征在于，该装置包括：故障检测单元、学习匹配单元、参数决策单元和参数配置单元；

所述的故障检测单元，包括：容量故障检测和覆盖故障检测，用于实时检测通信网络中发生的故障，并通过其中的容量故障检测和覆盖故障检测对当前故障进行判别；

所述的学习匹配单元，包括：事件学习功能和历史知识库，用于根据当前故障查找历史事件，并进行事件学习，快速获取用于解决当前故障的无线参数配置；

所述的参数决策单元，包括：参数修正和参数评价，其中，所述的参数修正，用于获取其它无线配置参数信息作为当前参数调整步长的依据，其中，其它无线配置参数如：天线方向、邻区基站的地理位置；所述的参数评价模块，用于通过参数决策获得对当前故障的无线参数配置最大化效用的最优化无线参数配置；和

所述的参数配置单元，用于存储无线配置参数，并将当前故障自优化无线配置参数记录于历史知识库中以供后续使用。

所述的一种LTE/LTE-A中自组织网络的覆盖与容量的自优化方法，该方法通过故障检测单元实时监测移动通信网络中发生的覆盖与容量相关的故障，并由学习匹配单元与历史事件知识进行学习匹配后，根据最近似事件初始配置无线参数，再通过参数决策单元兼顾不同无线配置参数间的相互影响对初始配置的无线参数进行调整，引入效用函数评价自优化过程的效率，最终完成综合考虑网络/业务以及运营商需求的效用最大化，实现LTE/LTE-A中的自组织网络的覆盖与容量自动最优化；具体步骤包括：

步骤1）：收集一定数量的自组织网络的各个小区与覆盖和容量最优化相关的关键性能参数KPI以及运营商策略相关参数，对上述参数样本进行统计置信度分析，若不满足预期置信水平，则循环进行步骤1）直至满足预期置信水平；若满足效用函数的0.01倍，即满足预期置信水平，则继续选择需要进行优化的小区，并转至步骤2）；

步骤2）：由故障检测单元在所选的需要进行优化的小区内实时检测通信网络中发生的故障，当检测到故障发生时，启动本次自优化过程，判断本次自优化过程是否为自优化循环中的第1次，若是，则跳转步骤2.1），若不是，则跳转步骤3）；

步骤2.1）：通过容量故障检测和覆盖故障检测对当前故障类型进行判别：覆盖相关或容量相关；

步骤2.2）：通过学习匹配单元查询历史知识库，经过事件学习自动匹配最相似的历史事件；

步骤2.3）：将当前覆盖或容量相关故障的无线参数配置根据步骤2.2）中的历史事件进行初始设置，最后，自优化循环次数计数器加1；

步骤3）：由参数配置单元记录本次故障事件以及故障发生前的关键性能参数和无线配置参数，同时，存储自优化后的关键性能参数和无线配置参数，保存至历史知识库以供再次发生故障时学习；

步骤4）：由参数决策单元中的参数评价模块评估当前无线配置参数值的效用，判断是否能达到最优化目标；若是，则跳转步骤1）；若不是，则转至步骤5）；

步骤5）：由参数决策单元中的参数修正模块根据当前无线配置参数对其他无线配置参数的影响及运营商策略相关参数设置调整步长并修正初始值，其中，其它无线配置参数如：天线方向、邻区基站的地理位置；然后转至步骤4）。

所述的步骤2.2）中，查询历史知识库，通过事件学习自动匹配最相似的历史事件，通过式（1）计算当前故障与历史事件的相似度，匹配到最相似的历史故障事件；

假设当网络中发生故障事件时，将触发自组织网络SON质询流程，自组织网络SON根据质询内容找到相关的m个事件，并通过下式完成基于事件学习的故障匹配过程，而计算事件C与当前质询T的相似度过程如下：

$X(C,T)=\frac{1}{\sqrt{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{({\mathrm{KPI}}_{i,j}^C-{\mathrm{KPI}}_{i,j}^T)}^2}}---\left(1\right)$

其中，收集覆盖和容量最优化相关的关键性能参数记为KPI；与当前故障相关的无线配置参数记为

与关键性能参数KPI有关，则记为

将这些关键性能参数分为M组，每组中包含N个元素，因此，第i组中的第j个KPI可定义为KPI_i,j；式（1）中，ω_i,j是当前场景中分配给

的权重；

根据式（1）可以对当前质询T与历史事件C的相似程度进行评估，可获得最为接近的历史事件C^*和该历史事件中修复的无线配置参数

及相应KPI数值

所述的步骤2.3）中，完成事件学习后，通过下式（2）修正无线配置参数；

设将初始无线配置参数记为 设置为历史修复参数值

修正值可用

表示，可通过下式进行计算：

通过步骤2.2）的过程计算类似历史事件的相似度后，可根据历史事件中的调整情况快速确定针对当前质询的无线配置参数初始修正结果。

所述的步骤4）中，要进行评估当前无线配置参数修正值的效用；

定义效用函数

如下：

其中，是完成配置后的无线参数；权重η_i,j由运营商根据运营策略的需求进行设定和修改，或根据业务质量或用户的需求进行设置；

通过自优化算法调整无线配置参数的目标是最大化效用函数

即最终的无线配置参数满足：

如果通过以上过程所得的

不满足上式，则可以通过自优化循环再次调整，直至调整后的效用最大。

所述的步骤5）中，根据当前无线配置参数对其他无线配置参数的影响及运营商策略相关参数设置调整步长并修正初始值；

若定义无线配置参数调整步长为

同时，由于实际网络中某一无线配置参数的修改往往对其它参数设置也会有所影响，为了控制当前参数自优化过程对其他无线配置参数的影响，增加γ_geo为无线网络中的其它参数对该无线配置参数的影响因子，其中，其他参数包括：天线方向、邻区基站的地理位置，则无线配置参数调整步长

可通过下式进行计算：

$\mathrm{\Δ}{\mathrm{\φ}}_{\mathrm{stp}}=\left\{\begin{array}{c}{\stackrel{\‾}{\mathrm{\φ}}}_{\min \mathrm{stp}},\mathrm{if}({\mathrm{\γ}}_{\mathrm{geo}}\·\mathrm{\Δ}{\mathrm{\φ}}_{\mathrm{stp}})\≤{\stackrel{\‾}{\mathrm{\φ}}}_{\min \mathrm{stp}};\\ {\stackrel{\‾}{\mathrm{\φ}}}_{\max \mathrm{stp}},\mathrm{if}({\mathrm{\γ}}_{\mathrm{geo}}\·\mathrm{\Δ}{\mathrm{\φ}}_{\mathrm{stp}})\≥{\stackrel{\‾}{\mathrm{\φ}}}_{\min \mathrm{stp}};\\ {\mathrm{\φ}}_{\mathrm{stp}}^{\%},\mathrm{others}.\end{array}\right.---\left(5\right)$

完成调整步长计算后，可计算调整后的无线配置参数值：

其中，

是无线配置参数原始值，

是完成配置后的无线参数。

本发明的优点在于，以上方法利用自组织网络SON中的KPI信息完成覆盖和容量自优化。KPI指标是通过测量而获取的可评价当前网络状态和趋势的关键参数。通过检测KPI数据可以发现网络运行中出现的问题，当某些关键问题被发现时，就会触发自优化流程，在覆盖和容量自优化功能中会实时监测影响网络覆盖和容量的KPI，一旦发现网络覆盖和容量发生指定事件，则触发以上自优化算法。当网络繁忙时，自优化周期也会相应减小以适应快速变化的网络环境，而当网络空闲时，自优化周期可以增加以提高运行效率，减小运营开销。另外，传统方法不考虑当前调整的无线配置参数对其他无线配置参数的影响，因此在调整无线参数时容易导致其它故障发生，而本文方法可根据当前调整的无线配置参数与其它无线配置参数的关联性设置调整步长，从而避免了上述问题的发生。

附图说明

图1LTE/LTE-A中自组织网络SON的覆盖与容量自优化方法系统装置框图；

图2LTE/LTE-A中自组织网络SON的覆盖与容量自优化方法流程图；

图3不同故障类型总数下的复杂度比较；

图4不同故障相关KPI数目下的复杂度比较；

图5事件中发生故障数目不同时的复杂度比较；

图6相关KPI集合中元素数目不同时的复杂度比较。

具体实施方式

下面结合附图和具体实施方式，对本发明的方法进行进一步详细的说明。

LTE/LTE-A中自组织网络SON的覆盖与容量自优化方法系统装置框图，如图1所示，该装置总共分为四个功能单元，即故障检测单元、学习匹配单元、参数决策单元和参数配置单元。其中，故障检测单元用于实时检测通信网络中发生的故障，通过其中的容量故障检测和覆盖故障检测对当前故障进行判别；学习匹配单元包括事件学习功能和历史知识库，通过查找历史事件并进行事件学习，可快速获取可用于解决当前故障的无线参数配置；参数决策单元包括参数修正模块和参数评价模块，参数修正功能需要获取其它无线配置参数信息作为当前参数调整步长的依据，通过参数评价最终获得最大化效用的最优化无线参数配置；参数配置单元用于存储无线配置参数，并将当前故障自优化无线配置参数记录于历史知识库中以供后续使用。

本发明对LTE/LTE-A中自组织网络SON的覆盖与容量自优化方法与传统方法进行了仿真比较。传统方法无事件学习过程，由网管系统发现故障后可自动或人工手动进行处理，通常方法是对故障涉及的所有KPI指标进行轮询，发现故障KPI所涉及的无线配置参数后，根据不同的优化目标对其中的异常无线配置参数进行修复，并根据修复结果进行调整。由于传统方法可以并不考虑当前调整的无线配置参数对其它参数的影响，因此本文仿真假设不同的无线配置参数之间不相关，即不同的无线配置参数所涉及的KPI指标不重合。假设LTE-A网络中可能出现的故障类型总数为E，每种故障涉及KPI指标数目为P，每个无线配置参数的相关关键性能参数集合中包含Q个KPI指标。本文设计了4个实验，分别比较了不同的E、F、P、Q下本文算法与传统方法的复杂度，每个实验采用蒙特卡洛仿真方法进行5000次循环，每次实验中出现的故障次数F在[1,10]上均匀分布，而故障类型T在[1,E]上均匀分布。4个仿真实验的参数设置见表1，仿真结果如附图3～附图6所示。

表1仿真实验参数设置

从图3～图6中可以看出，本文提出的基于事件学习的自优化方法的复杂度在不同的故障类型总数E、不同的故障相关KPI数目P、不同的事件相关故障数目F和不同的相关KPI集合元素数目Q下均低于传统方法。而且，传统方法不考虑当前调整的无线配置参数对其他无线配置参数的影响，因此在调整无线参数时容易导致其它故障发生，而本文方法可根据当前调整的无线配置参数与其它无线配置参数的关联性设置调整步长，从而避免了上述问题的发生。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种LTE/LTE-A中自组织网络的覆盖与容量的自优化系统装置，其特征在于，该装置包括：故障检测单元、学习匹配单元、参数决策单元和参数配置单元；

所述的故障检测单元，包括：容量故障检测和覆盖故障检测，用于实时检测通信网络中发生的故障，并通过其中的容量故障检测和覆盖故障检测对当前故障进行判别：覆盖相关或容量相关；

所述的学习匹配单元，包括：事件学习功能和历史知识库，用于根据当前故障查找历史事件，并进行事件学习，快速获取用于解决当前故障的无线参数配置；查询历史知识库，通过事件学习自动匹配最相似的历史事件，通过式（1）计算当前故障与历史事件的相似度，匹配到最相似的历史故障事件；

假设当网络中发生故障事件时，将触发自组织网络SON质询流程，自组织网络SON根据质询内容找到相关的m个事件，并通过下式完成基于事件学习的故障匹配过程，而计算事件C与当前质询T的相似度过程如下：

$X(C,T)=\frac{1}{\sqrt{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{({\mathrm{KPI}}_{i,j}^C-{\mathrm{KPI}}_{i,j}^T)}^2}}---\left(1\right)$

其中，收集覆盖和容量最优化相关的关键性能参数记为KPI；与当前故障相关的无线配置参数记为

与关键性能参数KPI有关，则记为

将这些关键性能参数分为M组，每组中包含N个元素，因此，第i组中的第j个KPI可定义为KPI_i,j；式（1）中，ω_i,j是当前场景中分配给

的权重；

根据式（1）可以对当前质询T与历史事件C的相似程度进行评估，可获得最为接近的历史事件C^*和该历史事件中修复的无线配置参数

及相应KPI数值

完成事件学习后，通过下式（2）修正无线配置参数；

设将初始无线配置参数记为

设置为历史修复参数值

修正值可用表示，

可通过下式进行计算：

计算类似历史事件的相似度后，可根据历史事件中的调整情况快速确定针对当前质询的无线配置参数初始修正结果；

所述的参数决策单元，包括：参数修正模块和参数评价模块，其中，所述的参数修正模块，用于获取包括天线方向和邻区基站的地理位置在内的其他无线配置参数信息作为当前参数调整步长的依据；根据当前无线配置参数对其他无线配置参数的影响及运营商策略相关参数设置调整步长并修正初始值；

若定义无线配置参数调整步长为

同时，由于实际网络中某一无线配置参数的修改往往对其它参数设置也会有所影响，为了控制当前参数自优化过程对其他无线配置参数的影响，增加γ_geo为无线网络中的其它参数对该无线配置参数的影响因子，其中，其他参数包括：天线方向、邻区基站的地理位置，则无线配置参数调整步长

可通过下式进行计算：

$\mathrm{\Δ}{\mathrm{\φ}}_{\mathrm{stp}}=\left\{\begin{array}{c}{\stackrel{\‾}{\mathrm{\φ}}}_{\min \mathrm{stp}},\mathrm{if}({\mathrm{\γ}}_{\mathrm{geo}}\·\mathrm{\Δ}{\mathrm{\φ}}_{\mathrm{stp}})\≤{\stackrel{\‾}{\mathrm{\φ}}}_{\min \mathrm{stp}};\\ {\stackrel{\‾}{\mathrm{\φ}}}_{\max \mathrm{stp}},\mathrm{if}({\mathrm{\γ}}_{\mathrm{geo}}\·\mathrm{\Δ}{\mathrm{\φ}}_{\mathrm{stp}})\≥{\stackrel{\‾}{\mathrm{\φ}}}_{\min \mathrm{stp}};\\ {\mathrm{\φ}}_{\mathrm{stp}}^{\%},\mathrm{others}.\end{array}\right.---\left(5\right)$

完成调整步长计算后，可计算调整后的无线配置参数值：

其中，

是无线配置参数原始值，

是完成配置后的无线参数；

所述的参数评价模块，用于通过参数决策获得对当前故障的无线参数配置最大化效用的最优化无线参数配置；包括：

要进行评估当前无线配置参数修正值的效用；

定义效用函数

如下：

其中，权重η_i,j由运营商根据运营策略的需求进行设定和修改，或根据业务质量或用户的需求进行设置；

通过自优化算法调整无线配置参数的目标是最大化效用函数即最终的无线配置参数满足：

如果通过以上过程所得的

不满足上式，则可以通过自优化循环再次调整，直至调整后的效用最大；

所述的参数配置单元，用于存储无线配置参数，并将当前故障自优化无线配置参数记录于历史知识库中以供后续使用。

2.一种LTE/LTE-A中自组织网络的覆盖与容量的自优化方法，该方法通过故障检测单元实时监测移动通信网络中发生的覆盖与容量相关的故障，并由学习匹配单元与历史事件知识进行学习匹配后，根据最近似事件初始配置无线参数，再通过参数决策单元兼顾不同无线配置参数间的相互影响对初始配置的无线参数进行调整，引入效用函数评价自优化过程的效率，最终完成综合考虑网络/业务以及运营商需求的效用最大化，实现LTE/LTE-A中的自组织网络的覆盖与容量自动最优化；具体步骤包括：

步骤1）：收集一定数量的自组织网络的各个小区与覆盖和容量最优化相关的关键性能参数（KPI）以及运营商策略相关参数，对上述参数样本进行统计置信度分析，若不满足预期置信水平，则循环进行步骤1）直至满足预期置信水平；

若满足效用函数的0.01倍，即满足预期置信水平，则继续选择需要进行优化的小区，并转至步骤2）；其中，所述效用函数

如下：

其中，权重η_i,j由运营商根据运营策略的需求进行设定和修改，或根据业务质量或用户的需求进行设置；步骤2）：由故障检测单元在所选的需要进行优化的小区内实时检测通信网络中发生的故障，当检测到故障发生时，启动本次自优化过程，判断本次自优化过程是否为自优化循环中的第1次，若是，则跳转步骤2.1），若不是，则跳转步骤3）；

步骤2.1）：通过容量故障检测和覆盖故障检测对当前故障类型进行判别：覆盖相关或容量相关；

步骤2.2）：通过学习匹配单元查询历史知识库，通过事件学习自动匹配最相似的历史事件，通过式（1）计算当前故障与历史事件的相似度，匹配到最相似的历史故障事件；

假设当网络中发生故障事件时，将触发自组织网络SON质询流程，自组织网络SON根据质询内容找到相关的m个事件，并通过下式完成基于事件学习的故障匹配过程，而计算事件C与当前质询T的相似度过程如下：

$X(C,T)=\frac{1}{\sqrt{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{({\mathrm{KPI}}_{i,j}^C-{\mathrm{KPI}}_{i,j}^T)}^2}}---\left(1\right)$

其中，收集覆盖和容量最优化相关的关键性能参数记为KPI；与当前故障相关的无线配置参数记为

与关键性能参数KPI有关，则记为

将这些关键性能参数分为M组，每组中包含N个元素，因此，第i组中的第j个KPI可定义为KPI_i,j；式（1）中，ω_i,j是当前场景中分配给的权重；

根据式（1）可以对当前质询T与历史事件C的相似程度进行评估，可获得最为接近的历史事件C^*和该历史事件中修复的无线配置参数

及相应KPI数值

步骤2.3）：将当前覆盖或容量相关故障的无线参数配置根据步骤2.2）中的历史事件进行初始设置，最后，自优化循环次数计数器加1；该步骤具体包括：

完成事件学习后，通过下式（2）修正无线配置参数；

设将初始无线配置参数记为

设置为历史修复参数值

修正值可用

表示，

可通过下式进行计算：

其中，k_i表示第i组中的KPI参数的权重，k_j表示第j组中的KPI参数的权重；

通过步骤2.2）的过程计算类似历史事件的相似度后，本步骤可根据历史事件中的调整情况快速确定针对当前质询的无线配置参数初始修正结果；

步骤3）：由参数配置单元记录本次故障事件以及故障发生前的关键性能参数和无线配置参数，同时，存储自优化后的关键性能参数和无线配置参数，保存至历史知识库以供再次发生故障时学习；

步骤4）：由参数决策单元中的参数评价模块评估当前无线配置参数值的效用，判断是否能达到最优化目标；

要进行评估当前无线配置参数修正值的效用；

通过自优化算法调整无线配置参数的目标是最大化效用函数

即最终的无线配置参数满足：

如果通过以上过程所得的不满足上式，则可以通过自优化循环再次调整，直至调整后的效用最大；

若是，则跳转步骤1）；若不是，则转至步骤5）；

步骤5）：由参数决策单元中的参数修正模块根据当前无线配置参数对包括天线方向和邻区基站的地理位置在内的其他无线配置参数的影响及运营商策略相关参数设置调整步长并修正初始值，然后转至步骤4）；根据当前无线配置参数对其他无线配置参数的影响及运营商策略相关参数设置调整步长并修正初始值；

若定义无线配置参数调整步长为

同时，由于实际网络中某一无线配置参数的修改往往对其它参数设置也会有所影响，为了控制当前参数自优化过程对其他无线配置参数的影响，增加γ_geo为无线网络中的其它参数对该无线配置参数的影响因子，其中，其他参数包括：天线方向、邻区基站的地理位置，则无线配置参数调整步长

可通过下式进行计算：

$\mathrm{\Δ}{\mathrm{\φ}}_{\mathrm{stp}}=\left\{\begin{array}{c}{\stackrel{\‾}{\mathrm{\φ}}}_{\min \mathrm{stp}},\mathrm{if}({\mathrm{\γ}}_{\mathrm{geo}}\·\mathrm{\Δ}{\mathrm{\φ}}_{\mathrm{stp}})\≤{\stackrel{\‾}{\mathrm{\φ}}}_{\min \mathrm{stp}};\\ {\stackrel{\‾}{\mathrm{\φ}}}_{\max \mathrm{stp}},\mathrm{if}({\mathrm{\γ}}_{\mathrm{geo}}\·\mathrm{\Δ}{\mathrm{\φ}}_{\mathrm{stp}})\≥{\stackrel{\‾}{\mathrm{\φ}}}_{\min \mathrm{stp}};\\ {\mathrm{\φ}}_{\mathrm{stp}}^{\%},\mathrm{others}.\end{array}\right.---\left(5\right)$

完成调整步长计算后，可计算调整后的无线配置参数值：

其中，

是无线配置参数原始值，

是完成配置后的无线参数。

Images