CN102026240A - 一种基于测量报告的扰码优化方法 - Google Patents

Abstract

本发明公开了一种基于测量报告的扰码优化方法，该方法首先通过从IUB接口信令中提取测量报告信息和建立话务模型来建立小区间干扰矩阵，然后通过强相关综合法得到不同时延下的扰码相关性并进行综合，考虑了不同时延下下行同步码的相关性，最后采用基因算法进行扰码的分配，来获得小区的最终扰码优化方案。通过本发明所述的方法，能够充分反映用户的感知，对现网扰码分配给出合理的建议，提高了扰码优化的合理性。

Description

一种基于测量报告的扰码优化方法

技术领域

本发明涉及无线通信技术领域，具体涉及一种基于测量报告的扰码优化方法。

背景技术

随着中国移动对TD-SCDMA(Time Division-Synchronous Code Division Multiple Access，时分同步码分多址)网络建设的全面展开，能否提供高质量的服务将是TD-SCDMA网络在未来竞争中能否成功的关键因素。

TD-SCDMA(以下简称TD)网络的频点非常少，在频率资源有限的情况下，同频组网难以避免，同频干扰是引起网络异常事件的主要原因。目前，现有的TD频点规划一般是依赖小区拓扑结构和邻区关系，规划软件输出的结果参考性不强，没有一个完备的扰码优化算法和商用的扰码优化工具，导致人工优化难度大。

在现有的扰码优化技术中，一种基于扫频数据的TD扰码优化工具，这种工具首先需要对网络进行大量的扫频测试，然后通过扫频仪测到的小区间电平值分析出小区间的干扰情况，建立干扰矩阵，从而进行合理的扰码优化。但是这种方法的数据准确性有待考究，因为扫频测试仅是多主要路段信号强度的反应，并不能真实的反应手机用户真正拨打电话时的小区信号之间的干扰情况。

此外，现有的一种基于切换数据的TD扰码优化工具，这种工具通过网管统计到的相邻小区切换次数多少来衡量邻近小区对主服务小区的干扰情况，建立干扰矩阵，从而进行合理的扰码优化。但是这种方法完全依赖于现网切换关系定义和切换统计，只能在定义切换关系的范围内评估干扰，如果切换定义出错或者切换数据量很少会影响扰码优化的结果，使扰码分配不合理。

发明内容

针对现有技术中存在的缺陷，本发明要解决的技术问题是提供一种基于测量报告的扰码优化方法，

为解决上述技术问题，本发明采用的技术方案如下：

一种实时数据的处理方法，包括以下步骤：

(1)从IUB接口信令中提取测量报告信息，根据小区基本信息静态表，获得主服务小区和干扰小区的信号强度和采样点；所述干扰小区包括在邻区列表中定义的和未在邻区列表中定义的小区；所述采样点是指信令中的测量报告点；

(2)计算主服务小区与每一个干扰小区之间的电平差值C/I，确定主服务小区与干扰小区间的最终的电平差值；

(3)将所述C/I值降序排列，利用1/n权重法得到小区间电平差权重值；将所述采样点的采样点值升序排列，利用1/n权重法得到小区间采样点权重值；所述n是指干扰小区的个数；

(4)建立话务模型，计算小区权重因子和同频干扰权重因子；

(5)利用所述小区间电平差权重值、小区间采样点权重值、小区权重因子和同频干扰权重因子建立小区间干扰矩阵；

(6)计算不同时延下下行同步码的相关性和不同时延下的扰码相关性；

(7)采用基因算法进行扰码的分配，输出最终扰码优化方案。

进一步，如上所述的扰码优化方法，步骤(6)中，所述下行同步码的时延是-64～63chip，扰码时延是-16～16chip。

进一步，步骤(6)中，所述下行同步码的相关性的计算是指将第i个和第j个下行同步码逐位相乘求平均得到的，可以记为Dwp_corr(i，j)＝average[Dwp(i，m)*Dwp(j，k)]，其中，i≠j，i＝0～31，j＝0～31，m和k表示第m位和第k位，m＝0～128，k＝0～128。

进一步，步骤(6)中，所述扰码相关性的计算是通过复合码的相关性来映射的，通过分析复合码的相关性反推扰码相关性，具体为：

将扰码与信道码相乘得到复合码；

计算所有不同时延下的复合码间相关性，利用强相关综合法计算不同时延下的扰码相关性；

根据测量报告数据计算出现网络时延的分布情况，计算得到综合不同时延的扰码相关性。

进一步，所述强相关综合法是指通过分析两个扰码对应的所有复合码之间的相关性值，将相关性值小于等于0.4的值舍弃，而相关性值大于0.4的值累加求平均，从而得到两扰码间的相关性值。

进一步，步骤(7)中，所述采用基因算法进行扰码的分配，输出最终扰码优化方案的具体步骤为：

1)根据现有网络的频率分配方案，通过基因算法分配小区扰码；

2)检查所述扰码是否满足扰码分配规则，若是，则计算小区扰码优化代价函数；若否，则返回步骤1)；

3)查看所述代价函数是否收敛，若是，则输出推荐扰码分配方案；若否，则返回步骤1)。

进一步，步骤(2)中，所述确定主服务小区与干扰小区间的最终的电平差值，其具体方式为：

根据C/I算法获取的主服务小区与每一个干扰小区间的电平差值，按照升序排列，统计各个电平差值出现的次数，根据最劣3％算法，确定小区间最终的电平差值；

其中，所述最劣3％算法具体为：计算小区间电平差值的出现概率与3％的差值，差值中绝对值最小的值所对应的电平差值，确定为主服务小区与干扰小区的最终的电平差值；如果最小的概率与3％差值的绝对值存在多个最小值，则取多个值对应的电平差值中最小的值。

进一步，步骤(3)中，所述利用1/n权重法得到小区间电平差权重值中，各干扰小区与主服务小区的C/I值在所有干扰小区与主服务小区之间的C/I值的排名与n的比值为该干扰小区与主服务小区间的电平差权重值；

所述利用1/n权重法得到小区间采样点权重值中，各干扰小区与主服务小区的采样点个数在所有干扰小区与主服务小区之间的采样点个数的排名与n的比值为该干扰小区与主服务小区间的采样点权重值。

更进一步，步骤(4)中，所述话务模型包括密集城区、一般城区和郊区；所述小区权重因子是为提高重点小区的扰码优化优先级，是根据小区话务量和小区所属区域确定的；所述同频干扰权重因子是根据同频的小区间干扰值的高低确定的。

再进一步，步骤(5)中，所述干扰矩阵是任意两个小区对间建立的一个干扰系数，该系数是小区间电平差权重值，小区间采样点权重值，小区权重因子和同频干扰权重相乘得到的

本发明所述的方法及系统，根据直接从IUB接口信令中提取测量报告信息和建立话务模型来建立小区干扰矩阵，通过强相关综合法计算不同时延下的扰码相关性，最后通过基因算法来获得小区的最终扰码方案，通过本发明所述的方法，能够充分反映用户的感知，提高了扰码优化的合理性。

附图说明

图1为本发明具体实施方式中一种基于测量报告的扰码优化方法的流程图；

图2为本发明具体实施方式中获得最终扰码优化方案的流程图；

图3本发明具体实施方式中基因算法的流程图。

具体实施方式

下面结合具体实施方式和附图对本发明进行详细描述。

如图1所示，一种基于测量报告的扰码优化方法的流程图，该方法包括以下步骤：

步骤S11：获得主服务小区和干扰小区的信号强度和采样点；

从IUB接口信令中提取测量报告信息，根据小区基本信息静态表，获得主服务小区和干扰小区的信号强度和采样点。

IUB接口是RNC(Radio Network Controller，即无线网络控制器)和NodeBNode B(3G网络的到来移动基站的称呼)之间的接口，完成RNC和Node B之间的用户数据传送、用户数据及信令的处理等，它是一个标准接口，允许不同厂家的互联。

测量报告即MR(Measurement Report)是指物理层上报的测量结果可以用于系统中无线资源控制子层完成，例如小区切换等事件的触发。测量方式分为周期测量和事件测量，这些测量数据也可用于网络评估和优化。基于传统的网络优化方法，只能通过路测、定点测试来获得用户的感知信息，如网络覆盖情况、通话质量情况等，而路测和定点测试往往只能对一些主干道、重点场所进行测试，所获得的采样点数据相对于测量报告的用户信息要少得多，所以，采用基于报告的信息来实现网络的扰码优化，更全面、更准确。采样点即信令中的MR点。

步骤S12：确定主服务小区和干扰小区间的最终的电平差值；

计算主服务小区与干扰小区之间的C/I值，确定主服务小区与干扰小区间的最终的电平差值；C/I就是载干比，也称干扰保护比，是指接收到的有用信号电平与所有非有用信号电平的比值，本发明中C/I是指主服务小区与干扰小区的电平差，是个比值，单位是dB。

C/I的值与UE(User Equipment，表示用户设备，即终端)的瞬时位置和时间有关，载干比其实就是反应主服务小区收到干扰小区或周围无线环境的干扰影响。值越小表示收到的干扰越强，通话效果越差，值越大表示受到的干扰越小。

根据C/I算法获取的主服务小区与每一个干扰小区间的电平差值，按照升序排列，统计各个电平差值出现的次数，根据最劣3％算法来确定小区间最终的电平差值。

其中，最劣3％算法具体为：计算小区间电平差值的出现概率与3％的差值，差值中绝对值最小的值所对应的电平差值，确定为主服务小区与干扰小区的最终的电平差值；如果最小的概率与3％差值的绝对值存在多个最小值，则取多个值对应的电平差值中最小的值。如表1所示，小区间电平差值为“-6”的值出现次数为1，其出现概率为1/184，即0.00543，该电平差值与3％的差值为-0.02457；同理可得到小区间电平差值为其它值的出现概率与3％的差值；最后，差值中绝对值最小的值所对应的电平差值即可确定为主服务小区与干扰小区的电平差值；表1中电平差值为“-4”值的出现概率与3％的差值的绝对值0.00283为最小，所以“-4”可以确认为小区间的电平差值。

表1

步骤S13：计算小区间的电平差权重值和采样点权重值；

将步骤S12中的C/I值降序排列，利用1/n权重法得到小区间电平权重值；将采样点的采样点值升序排列，利用1/n权重法得到小区间采样点权重值。

将C/I值做降序排列，是因为C/I值越小表示干扰越严重，所以降序排列，值越小权重越大。将采样点值做升序排列，是因为采样点越多表明干扰小区对主服务小区的影响越多，所以升序排列，采样点越多权重越大。如表2所示，1～12表示小区标识，1为主服务小区标识，2～12为干扰小区标识，干扰小区个数共11个，将C/I值降序排列后，电平差权重一列中分母是干扰小区的个数，分子是该C/I值的排名，排名第一则权重为1/11，排名11则权重为11/11，而C/I值越小区干扰越严重，所以电平差权重值越大表示小区的干扰越严重；采样点权重一列中，同样分母是干扰小区的个数，分子是该采样点数的排名，排名第一则权重为1/11，排名11则权重为11/11，而采样点越多表明干扰小区对主服务小区的影响越多，所以采样点权重值越大表示干扰小区对主服务小区的影响越多。

干扰小区对	主服务小区	干扰小区	C/I	电平差权重	采样点数	采样点权重
							112	1	12	3.5	1/11	8	1/11
111	1	11	2.8	2/11	17	4/11
							110	1	10	0.6	3/11	13	2/11
18	1	8	-1.2	4/11	68	7/11
							17	1	7	-2.9	5/11	55	5/11
19	1	9	-3.5	6/11	104	10/11
							14	1	4	-3.6	7/11	214	11/11
16	1	6	-4.3	8/11	78	9/11
							13	1	3	-4.6	9/11	72	8/11
15	1	5	-5.4	10/11	65	6/11
							12	1	2	-5.6	11/11	15	3/11

表2

步骤S14：计算小区权重因子和同频干扰权重因子；

建立话务模型，计算小区权重因子和同频干扰权重因子；其中，所述话务模型包括密集城区、一般城区和郊区；所述小区权重因子是为了提高重点小区的频率/扰码优化优先级，每一个小区设置一个小区权重因子，小区权重因子考虑的因素包括小区话务量、小区所属区域有关；所述同频权重因子是因为同频的小区间会有不同的干扰，根据干扰值的高低确定同频权重；话务模型，会直接影响小区权重因子，间接制约同频权重因子；

步骤S15：综合各种权重因子建立干扰矩阵；

利用所述小区间电平权重值、小区间采样点权重值、小区权重因子和同频干扰权重因子建立小区间干扰矩阵；其中，干扰矩阵是指任意两个小区对间建立的一个干扰系数，这个系数是综合考虑小区间电平差权重值，小区间采样点权重值，小区权重因子和同频干扰权重因子而得到的。实际上就是这几个权重值相乘得到的。

步骤S16：计算不同时延下下行同步码的相关系数和扰码相关性；

其中，本发明具体实施方式中下行同步码的时延是-64-63chip；扰码的时延是-16-16chip。

关于下行同步码的相关性：下行同步码共32个，每个的长度为64位。因为在小区搜索时，终端上电后，终端读取信道号(频点)，在指定的工作频点上寻找最强DwPTS的大致位置，以建立下行同步，同步精度在+1/-1chip级别。由于需要考虑下行同步码的正负偏移-64～63chip，所以下行同步码的相关性计算应该是128长度的序列，下行同步码i和j的相关性可记为：

Dwp_corr(i，j)＝average[Dwp(i，m)*Dwp(j，k)]，即第i个和第j个下行同步码的逐位相乘求平均，m和k表示第m位和第k位，其中，i≠j，i＝0～31，j＝0～31，m＝0～128，k＝0～128。

扰码相关性的计算方法为：

利用扰码和信道码得到复合码；在TD-SCDMA系统中，共定义了128个扰码，信道码通常是OVSF码，这种码允许复合不同的扩频因子。扰码与信道码相乘得到复合码，共128×16＝2048个；

计算所有不同时延下的复合码间相关性，利用强相关综合法计算不同时延下的扰码相关性；

根据测量报告数据计算出现网时延的分布情况，计算得到综合不同时延的扰码相关性。

其中，所述强相关综合法是指通过分析两个扰码对应的所有复合码之间的相关性值，将相关性值小于等于0.4的值舍弃，而相关性值大于0.4的值累加求平均，从而得到两扰码间的相关性值。

扰码的相关性是通过复合码的相关性来映射的。复合码，简单的说，就是扩频码和扰码的乘积，通过分析复合码的相关性反推扰码相关性。因为一个扰码与扩频码(扩频码共31种)相乘后，对应31个复合码，那另一个扰码与扩频码相乘后，也生成31个复合码，则两个扰码的相关性，对应31*31＝961个相关性值，可以用如下公式表示(以扰码0和扰码4为例)：

SC0_fuhe(i)＝SC0*Kuopin(i)，i＝1～31，扰码0对应的复合码；SC4_fuhe(i)＝SC4*Kuopin(i)，i＝1～31，扰码4对应的复合码；SC04_fuhe_corr(t)＝SC0_fuhe(i)*SC4_fuhe(j)i≠j，i＝1～31，j＝1～31；SC04_fuhe_corr(t)即为扰码0和扰码4的复合码之间的相关性值。

那么这时利用强相关综合法从SC04_fuhe_corr中得到SC04_fuhe_corr_value，从而得到0时延下扰码0和扰码4的相关性值；不同时延的相关性计算，就是将扰码序列循环移位，正码片时延是右移，负码片时延是左移，移位后按照上述方法计算偏移后的扰码相关性；这样就得到了不同时延下的扰码相关性。

TD-SCDMA系统中利用下行导频时隙(DwPTS，Downlink Pilot Time Slot)中的下行同步码(SYNC_DL码)以及长度为128的扰码区分不同基站/小区，当UE(User Equipment，表示用户设备，即终端)在进行小区搜索时，第一步就是利用DwPTS，从DwPTS中使用SYNC_DL码，UE可以得到为随机接入而分配给上行导频时隙(UpPTS，Uplink Pilot Time Slot)的8个上行同步码(SYNC_UL码)的码集。整个系统有32组长度为64chip的基本SYNC_DL码，一个SYNC_DL唯一标识一个码组。

扩频码又被称为信道码，是用来对数据按照不同的扩频因子进行扩频的，为了保证在同一时隙上不同扩频因子的扩频码是正交的，要求扩频码为正交码(OVSF，Orthogonal Variable Spreading Factor，正交可变扩频因子)。TD-SCDMA采用信道码区分相同资源的不同信道，上行扩频因子可以取1，2，4，8或16，而下行可以取1或16。根据不同扩频因子可生成的扩频码，共有31个扩频码。

对于扰码：规范中共规定了128个扰码，被分成32组，每组4个，扰码码组由基站使用的SYNC_DL序列确定，并且与midamble码(训练序列)是一一对应的关系。在用户的数据信息中，扩频可以区分同时发送的多个用户的信息，而加扰的过程是在用户的数据信息中添加小区的特征信息，这样在下行中，当用户接收到来自多个小区的信号时，UE能够识别出其中属于自己的通信小区的信息；在上行中，基站能够从众多的信号中识别出实际和自己通信的用户的信息。

根据码组的定义，把这些码分为32个码组，每个码组中包括1个下行导频码、8个上行导频码、4个扰码和4个midamble码，扰码与midamble码是一一对应的，根据规范的规定，规划时是以码组为单位进行，每个小区需要配置一个码组，包括其中的1个下行同步码、8个上行同步码、1个扰码和1个midamble码。基站与用户之间的联系将依靠这些码来完成，虽然利用了码分多址的技术，频率的复用系数可以达到1，由于码的非完全正交性，码与码之间仍然存在一定的干扰，所以在规划时要尽量避免使用相同码字的基站距离过近，也就是每个基站在码复用的过程中需要尽量避免由于不同用户使用相同码字而产生影响通信质量的干扰。如表3所示，为TD-SCDMA系统中的码表：

表3

测量报告中可提取时间提前量(TA，time advance)，在同一物理点处，通过计算两个小区在同一物理点处的TA的差值，即得到该点的时延，通过大量数据的分析，可以把网络的时延分布统计出来，则根据这个现网的时延分布得到综合不同时延下的扰码相关性。例如这样定义时延组：

将1/4个码片为间隔，定义了65个时延组，组号分别为-32/4、-31/4...等，如表4中的时延组号为-32/4，对应的时延范围是-64/4～63/4。

表4

通过对测量报告数据的分析，计算出现网中存在时延组及其时延占比，例如得到如表5中所示的时延分布：其中时延占比是每一时延组号的采样点的个数与所有时延组号总的采样点个数的比值。根据这个现网的时延分布可以得到综合不同时延下的扰码相关性。

表5

步骤S17：采用基因算法进行扰码的分配，获得最终扰码优化方案。

如图2所示，为本发明具体实施方式中采用基因算法进行扰码的分配，输出最终扰码优化方案的流程图，其具体步骤为：

1)根据现有网络的频率分配方案，通过基因算法分配小区扰码；

2)检查扰码所述扰码是否满足扰码分配规则，若是，则计算小区扰码优化代价函数；若否，则返回步骤1)；

3)查看所述代价函数是否收敛，若是，则输出推荐扰码分配方案；若否，则返回步骤1)。

其中，所述代价函数标识着一种频率分配方案与全网的干扰水平，代价函数值越小，干扰越低，频点分配的越合理；所述扰码分配规则会根据不同厂家稍微调整：假设：在N频点系统中，码规划要紧密结合频率规划，业务载波是同频组网，主载波是异频组网；同一个小区下的不同载波采用相同的扰码，同一个基站下的不同载波采用不同的扰码；

扰码在允许扰码集里任意分配，若需要预留码字，该码字在初始条件中设定。在扰码非配时：

以码组为单位进行规划，每个下行同步码对应的四个扰码不可同时使用；

复合码相关性并不完全一致，减少复合码之间大互相关出现的概率；

优先分配邻小区个数多的小区，优先分配扰码互相关值低的扰码；

相同广播信道复合码的空间复用距离要足够大，任何一个主服务小区与邻区不应出现广播信道冲突；(在工程初始选项中可以人为设定)；

主服务小区与邻区(以及该小区的邻区集内)，不能出现同频同扰码/同频同下行导频码；(不同厂家设备限制条件存在一定差异，在工程初始选项中可以人为设定)；

主服务小区与其干扰小区的扰码相关系数不能大于某个门限值。该门限值与扰码间干扰整体水平相关，扰码间干扰越小，该门限值也越低；也跟干扰小区的数量相关，干扰小区越多，门限值越低。

基因算法是类似遗传算法的最优算法，基因算法是类似遗传算法的最优算法，遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。

图3示出了所述基因算法的流程图，如图3所示，其中，C(F)是指代价函数的值，迭代次数是基因算法的一个参数，可以自由设定，理论上讲，迭代次数越多，代价函数会越小，但耗时也会越多。基因算法的生物学基础是生物的遗传和进化，在进化过程中通过染色体的变异与交叉产生新的染色体，再通过选择、评估来得到适应能力强的个体。

在扰码优化中使用该算法，首先对扰码优化问题进行数学建模，找出适当的适应度函数，即本发明中的优化代价函数，使用该函数来衡量频点方案的分配与网络的扰码优化水平，代价函数越小，说明优化水平越高。所以当C(F)＝0或达到最大迭代次数时，即可输出最优解，获得最终的扰码优化方案。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于测量报告的扰码优化方法，包括以下步骤：

(1)从IUB接口信令中提取测量报告信息，根据小区基本信息静态表，获得主服务小区和干扰小区的信号强度和采样点；所述干扰小区包括在邻区列表中定义的和未在邻区列表中定义的小区；所述采样点是指信令中的测量报告点；

(2)计算主服务小区与每一个干扰小区之间的电平差值C/I，确定主服务小区与干扰小区间的最终的电平差值；

(3)将所述C/I值降序排列，利用1/n权重法得到小区间电平差权重值；将所述采样点的采样点值升序排列，利用1/n权重法得到小区间采样点权重值；所述n是指干扰小区的个数；

(4)建立话务模型，计算小区权重因子和同频干扰权重因子；

(5)利用所述小区间电平差权重值、小区间采样点权重值、小区权重因子和同频干扰权重因子建立小区间干扰矩阵；

(6)计算不同时延下下行同步码的相关性和不同时延下的扰码相关性；

(7)采用基因算法进行扰码的分配，输出最终扰码优化方案。

2.如权利要求1所述的扰码优化方法，其特征在于：步骤(6)中，所述下行同步码的时延是-64～63chip，扰码时延是-16～16chip。

3.如权利要求1或2所述的扰码优化方法，其特征在于：步骤(6)中，所述下行同步码的相关性的计算是通过将第i个和第j个下行同步码逐位相乘求平均得到的；其中，i≠j，i＝0～31，j＝0～31。

4.如权利要求1或2所述的扰码优化方法，其特征在于：步骤(6)中，所述扰码相关性的计算是通过复合码的相关性来映射的，通过分析复合码的相关性反推扰码相关性，具体为：

将扰码与信道码相乘得到复合码；

计算所有不同时延下的复合码间相关性，利用强相关综合法计算不同时延下的扰码相关性；

根据测量报告数据计算出现网络时延的分布情况，计算得到综合不同时延的扰码相关性。

5.如权利要求4所述的扰码优化方法，其特征在于：所述强相关综合法是指通过分析两个扰码对应的所有复合码之间的相关性值，将相关性值小于等于0.4的值舍弃，而相关性值大于0.4的值累加求平均，从而得到两扰码间的相关性值。

6.如权利要求1所述的扰码优化方法，其特征在于：步骤(7)中，所述采用基因算法进行扰码的分配，输出最终扰码优化方案的具体步骤为：

1)根据现有网络的频率分配方案，通过基因算法分配小区扰码；

2)检查所述扰码是否满足扰码分配规则，若是，则计算小区扰码优化代价函数；若否，则返回步骤1)；

3)查看所述代价函数是否收敛，若是，则输出推荐扰码分配方案；若否，则返回步骤1)。

7.如权利要求1所述的扰码优化方法，其特征在于：步骤(2)中，所述确定主服务小区与干扰小区间的最终的电平差值，其具体方式为：

根据C/I算法获取的主服务小区与每一个干扰小区间的电平差值，按照升序排列，统计各个电平差值出现的次数，根据最劣3％算法，确定小区间最终的电平差值；

其中，所述最劣3％算法具体为：计算小区间电平差值的出现概率与3％的差值，差值中绝对值最小的值所对应的电平差值，确定为主服务小区与干扰小区的最终的电平差值；如果最小的概率与3％差值的绝对值存在多个最小值，则取多个值对应的电平差值中最小的值。

8.如权利要求1所述的扰码优化方法，其特征在于：步骤(3)中，所述利用1/n权重法得到小区间电平差权重值中，各干扰小区与主服务小区的C/I值在所有干扰小区与主服务小区之间的C/I值的排名与n的比值为该干扰小区与主服务小区间的电平差权重值；

所述利用1/n权重法得到小区间采样点权重值中，各干扰小区与主服务小区的采样点个数在所有干扰小区与主服务小区之间的采样点个数中的排名与n的比值为该干扰小区与主服务小区间的采样点权重值。

9.如权利要求1所述的扰码优化方法，其特征在于：步骤(4)中，所述话务模型包括密集城区、一般城区和郊区；所述小区权重因子是为提高重点小区的扰码优化优先级，是根据小区话务量和小区所属区域确定的；所述同频干扰权重因子是根据同频的小区间干扰值的高低确定的。

10.如权利要求1所述的扰码优化方法，其特征在于：步骤(5)中，所述干扰矩阵是任意两个小区对间建立的一个干扰系数，该系数是小区间电平差权重值，小区间采样点权重值，小区权重因子和同频干扰权重相乘得到的。

Images