CN102413481A - 室内分布系统网络覆盖设计方案的确定方法及装置 - Google Patents

Abstract

一种室内分布系统的室内覆盖设计方案的确定方法及装置，该方法包括：获取室内分布系统的预设类型参数信息；根据预设类型参数信息建立0-1整数规划数学模型，根据0-1整数规划数学模型、以及2个以上的预设目标函数采用预设多目标进化算法进行求解获得较优设计方案，并通过极速算法对该较优设计方案进行优化，得到优化设计方案。本发明首次提出用多目标0-1整数规划数学模型来描述室内分布系统的优化问题，并通过2个以上的预设目标函数通过多目标进化算法进行求解来得到设计方案，而且采用极速算法对得到的设计方案进行了优化，从而可以达到2个以上的多个设计目标的需求，提供优化的室内分布系统的室内覆盖设计方案。

Description

室内分布系统网络覆盖设计方案的确定方法及装置

技术领域

本发明涉及室内分布系统的室内覆盖智能优化领域，特别涉及一种室内分布系统网络覆盖设计方案的确定方法、一种室内分布系统网络覆盖设计方案的确定装置。

背景技术

目前在进行室内分布系统的覆盖设计时，其中一种实现方式，是利用计算机自动完成室内系统最佳方案的设计，其以成本最小化为目标，通过采用强迫选择分支定界法，依次执行主控函数、初始可行解搜索函数和快速0-1单纯形求解器函数，若问题有解，则求解器返回所有器件和馈线应选用的类型，使得室内分布系统在满足天线口功率需求的前提下达到成本最低，另一种实现方式，是为了实现支持大容量室内覆盖的要求，提供包括BBU、为基带信息提供路由的RHUB以及RRU的室内分布系统，以从器件的选择上进行分析，从而讨论室内分布系统的覆盖问题，从组网的角度进行研究，以进一步降低运营成本，在另外一种实现方式中，是从器件的设计的角度来实现室内覆盖。上述这些室内分布系统的覆盖方式，都是基于单目标的设计，或者是根据人工经验来进行设计，都是从器件的选择和分析上进行研究，由于经验和人力的有限性，必然导致很难得出室内分布的最佳方案，且耗费大量的时间，其并不是真正意义上的优化，却会导致成本过高、覆盖不均匀、信号源功率过高的问题，不仅造成资源的浪费，而且也没有达到应有的优化效果。

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室内分布系统的室内覆盖设计方案的确定方法，其通过考虑多个设计目标，提供较优的室内分布系统的室内覆盖设计方案。

为达到上述目的，本发明采用以下技术方案：

一种室内分布系统的室内覆盖设计方案的确定方法，包括步骤：

获取室内分布系统的预设类型参数信息；

根据所述预设类型参数信息建立0-1整数规划数学模型，根据所述0-1整数规划数学模型、以及2个以上的预设目标函数，采用预设多目标进化算法进行求解获得较优设计方案。

一种室内分布系统的室内覆盖设计方案的确定装置，包括：

信息获取单元，用于获取室内分布系统的预设类型参数信息；

多目标求解单元，用于根据所述预设类型参数信息建立0-1整数规划数学模型，根据所述0-1整数规划数学模型、以及2个以上的预设目标函数，采用预设多目标进化算法进行求解获得较优设计方案。

根据上述本发明方案，其是在得到室内分布系统的预设类型参数信息后，根据这些参数信息建立0-1整数规划数学模型，并基于该0-1整数规划数学模型，以两个以上的预设目标函数为设计目标，采用多目标进化算法进行求解来得到较优设计方案，本发明方案首次提出用多目标0-1整数规划数学模型来描述室内分布系统的优化问题，并通过2个以上的预设目标函数通过多目标进化算法进行求解来得到较优设计方案，从而可以达到2个以上的多个设计目标的需求，提供较优的室内分布系统的室内覆盖设计方案。

附图说明

图1是本发明的室内分布系统的室内覆盖设计方案的确定方法实施例的流程示意图；

图2是多目标杂乱遗传算法进行求解的一个具体示例的流程示意图；

图3是采用极速算法进行优化的实施例的流程示意图；

图4是本发明的室内分布系统的室内覆盖设计方案的确定装置实施例的结构示意图。

具体实施方式

本发明方案的根本思想，是通过0-1整数规划数学模型来描述室内分布的优化问题，并以2个以上的设计目标作为设计要点，进行多目标整数规划，并采用多目标进化算法来对0-1整数规划数学模型进行求解，来获得较优的设计方案。

图1中示出了本发明室内分布系统的室内覆盖设计方案的确定方法实施例的流程示意图，其包括步骤：

步骤S101：获取室内分布系统的预设类型参数信息，这里的预设类型参数信息与所选择的设计目标有关，在采用不同的设计目标的情况下，这些预设类型参数信息可以有不同的参数类型，进入步骤S102；

步骤S102：根据上述预设类型参数信息建立0-1整数规划数学模型，根据上述0-1整数规划数学模型以及2个以上的预设目标函数，采用预设多目标进化算法进行求解获得较优设计方案。

其中，在通过多目标进化算法求解得到较优设计方案后，如图1所示，本发明图1所示实施例中的方法还包括步骤：

步骤S103：采用极速算法对步骤S102中得到的较优设计方案进行进一步的优化设计，得到优化设计方案。

从而通过极速算法的进一步优化处理，能够得到最终的室内分布系统的优化设计方案。

其中，上述预设目标函数与所采用的设计目标有关，有多少个设计目标，则有多少个预设目标函数。在进行设计目标的选择时，根据实际设计情况的需要，可以任意选择两个以上的不同的设计目标，在选用不同的设计目标的情况下，由于不同的设计目标所关注的侧重点有所不同，相应地，上述获取的预设类型参数信息也有所差异，本领域技术人员可以知晓依据相应的设计目标需要获取哪些对应的参数信息，在此不予赘述。

以下就其中的一个具体实施例对本发明方案进行详细说明，在下述具体实施例的详细说明中，是综合考虑成本、信号源功率、天线口功率的覆盖均匀度，以成本最低化、信号源功率最低、天线覆盖功率最均匀作为设计目标，并据此设定相应的预设目标函数来进行多目标的优化设计。需要说明的是，这种具体实施例的说明并不用以对本发明方案应用时的具体设计目标或者预设目标函数造成限定。

在以低成本、低信号源功率、天线覆盖功率更均匀作为设计目标来进行多目标的优化设计时，所获取的预设类型参数信息包括但不限于下述参数信息：建筑物信息、信号源功率、信号源价格、天线功率需求、天线所在位置、馈线损耗、馈线价格、耦合器损耗、耦合器价格、功分器损耗、功分器价格等等。

在采用预设多目标进化算法对上述0-1整数规划数学模型进行求解时，所采用的预设多目标进化算法可以是任意一种多目标进化算法，例如向量评估遗传算法、小生境Pareto遗传算法、非劣分类遗传算法、多目标杂乱遗传算法等等。尽管多目标杂乱遗传算法比较复杂，但由于相比其它的多目标进化算法可以获得更满意的求解性能，因此，在下述具体实施例的详细说明中，是以多目标杂乱遗传算法进行求解为例进行说明。

本发明方案是通过0-1整数规划数学模型来描述室内分布的优化问题，因此，以下先对本发明的0-1整数规划数学模型进行说明。

记本发明所建立的0-1整数规划数学模型中，各符号分别表示如下。

V：顶点集合。在本发明方案中，将信号覆盖图简化为有向网络拓扑图，信号源、耦合器、功分器、天线均为网络图中的节点，器件之间有馈线相连则表示网络图相应的节点间是有向边相连，接下来对节点进行标号，将信号源标为1，其它节点按自然顺序标号。为方便起见，用TX表示天线顶点集合，COUPLE表示耦合器顶点集合，PD表示功分器顶点集合。

R：道路矩阵。R的第i行表示从信号源开始，到达第i个节点依次需要经过的节点，其余位置以0填补。

DEV：器件损耗矩阵。矩阵的第i行第j列元素表示第j种器件在第i个分支上个损耗。每个器件的任意一个方向的输出记为一个分支。设1，…，m列为m种不同类型的可供选择的耦合器各分支上的损耗，m+1，…，m+n列为n种可供选择的功分器各分支上的损耗。

D：馈线连接分支矩阵。若顶点i和顶点j之间有馈线相连，则矩阵的第i行第j列元素表示第i个节点上的器件连接节点i，j的分支，否则为0。

A：馈线损耗向量。表示各种类型的馈线的损耗功率。

X：器件选择矩阵。当且仅当第i个节点选择第j种器件时X(i，j)的取值为1，否则取值为0。

Y：馈线选择矩阵。当且仅当节点(i，j)间的馈线选择第k种类型的馈线时取值为1，否则取值为0。

PQ：表示各种类型器件的价格，包括耦合器和功分器等。

PT：表示各个天线的价格。

PK：表示各段馈线的价格。

PU：表示各个信号源的价格。

PX：当系统选择第i个信号源时取值为1，其余为0。

DEM：天线约束向量。第i个元素表示第i个天线的最低信号强度要求。

P：信号源的强度。

从信号源到天线的损耗由经过的器件的损耗和经过的馈线的损耗组成，因此只需计算出经过的各器件的损耗以及各馈线的损耗即可得出最终到达各天线的信号强度。

器件损耗：

由于馈线连接分支矩阵D的定义，以及第s个节点上的器件在第t个方向上的损耗可表示为：

因此，第i个天线经过的第j个器件的损耗可以表示为：

$\underset{k}{\mathrm{\Σ}}X(R(\mathrm{TX}\left(i\right),j),k)\·\mathrm{DEV}(D(R(\mathrm{TX}\left(i\right),j),R(\mathrm{TX}\left(i\right),j+1)),k)$

据此，从信号源出发到达第i个天线所经历的器件的损耗总和为：

$\underset{j,k}{\mathrm{\Σ}}X(R(\mathrm{TX}\left(i\right),j),k)\·\mathrm{DEV}(D(R\left(\mathrm{TX}\left(i\right)j\right),R(\mathrm{TX}\left(i\right),j+1)),k)$

天线损耗：

类似地，从信号源出发到达第i个天线所经历的馈线的损耗总和为：

$\underset{j,k}{\mathrm{\Σ}}Y(R(\mathrm{TX}\left(i\right),j),R(\mathrm{TX}\left(i\right),j+1),k)\·A\left(k\right)$

选择性约束：

为便于计算，对于明确要选择耦合器的节点，可做如下限定：

$\∀i\∈\mathrm{COUPLE}:X(i,j)=0,j=m+1,...,m+n$

同理，对于明确要选择功分器的节点，可做如下限定：

$\∀i\∈\mathrm{PD}:X(i,j)=0,j=1,...,m$

由于每个节点必须选择且只能选择一个器件，因此可得：

$\underset{j}{\mathrm{\Σ}}X(i,j)=1,$ $\∀i\∈V$

由由此可以得到整体优化模型，且该模型为0-1整数规划模型的所有约束条件可表示为：

$\∀i\∈\mathrm{TX}:$

$P-\underset{j,k}{\mathrm{\Σ}}X(R(\mathrm{TX}\left(i\right),j),k)\·\mathrm{DEV}(D(R(\mathrm{TX}\left(i\right),j),R(\mathrm{TX}\left(i\right),j+1)),k)$

$-\underset{j,k}{\mathrm{\Σ}}A\left(k\right)\·Y(R(\mathrm{TX}\left(i\right),j),R(\mathrm{TX}\left(i\right),j+1),k)\≥\mathrm{DEM}\left(i\right)$

$\∀i\∈\mathrm{COUPLE}:X(i,j)=0,j=m+1,...,m+n$

$\∀i\∈\mathrm{PD}:X(i,j)=0,j=1,...,m$

$\∀i\∈V:\underset{j}{\mathrm{\Σ}}X(i,j)=1$

X∈{0，1}

从而，作为所要求解的设计方案的目标：

若要求满足条件的最小信号源，则有关于信号源功率的目标函数：

min f₁＝P

若要求室内分布系统的建设总成本最低，则有关于成本的目标函数：

$\min f_2=\underset{i}{\mathrm{\Σ}}\mathrm{PT}\left(i\right)+\underset{i}{\mathrm{\Σ}}\mathrm{PK}\left(i\right)+\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}X(i,j)\·\mathrm{PQ}\left(j\right)+\underset{i}{\mathrm{\Σ}}\mathrm{PX}\left(i\right)*\mathrm{PU}\left(i\right)$

若要求天线所覆盖的功率最均匀，则可以用方差来刻画这一要求，即使得天线所覆盖功率的方差最小，设天线总数为s，令：

$P-\underset{j,k}{\mathrm{\Σ}}X(R(\mathrm{TX}\left(i\right),j),k)\·\mathrm{DEV}(D(R(\mathrm{TX}\left(i\right),j),R(\mathrm{TX}\left(i\right),j+1)),k)$

$-\underset{j,k}{\mathrm{\Σ}}A\left(k\right)\·Y(R(\mathrm{TX}\left(i\right),j),R(\mathrm{TX}\left(i\right),j+1),k)=\mathrm{TGL}\left(i\right)$

则有关于天线功率均匀度的目标函数为：

$\min f_3=\frac{1}{s}\underset{i}{\mathrm{\Σ}}{(\mathrm{TGL}\left(i\right)-\stackrel{\‾}{\mathrm{TGL}})}^2$

上述f₁、f₂、f₃即为所要求解的设计目标，例如基于上述成本的目标函数来计算所的方案的成本f₂。由于建立的模型的变量都是0-1变量，因此该模型属于0-1整数规划模型。

在获取了相应的参数信息并建立了上述0-1整数规划模型之后，即可采用多目标杂乱遗传算法对上述0-1整数规划模型进行求解来得到较优设计方案。

作为遗传算法的一个分支，多目标杂乱遗传算法是一种典型的显式积木块，是基于单目标杂乱遗传算法的概念推广移植而来。所谓积木块，是指具有低阶、短定义距和高适应度的模式，即长度较短、性能较好的基因片段。

采用多目标杂乱遗传算法进行求解的过程可以如下所述：

在每一代进化过程中，根据上述预设类型参数信息、上述0-1整数规划模型随机产生设定数目个设定方案作为初始种群，为便于与后续积木块过滤及锦标赛选择后所得个体的个数相区分，可记为N1个(第一设定数目个)，这里的N1可以根据需要进行人为设定；

对该初始种群中的N1个个体进行积木块过滤及锦标赛选择，从中选择出设定数目个个体，为便于与上述初始种群的个体相区分，可记为N2个(第二设定数目个)；

对积木块过滤及锦标赛选择后得到的N2个个体进行设定迭代次数的分割拼接操作，得到分割拼接后的当前一代进化过程的Pareto最优解，并根据当前一代进化过程的Pareto最优解、上述预设目标函数更新3个竞争性模板，然后进入下一代的进化过程；

在完成最后一代的进化过程后，将最后一代进化过程后得到的Pareto最优解作为上述本发明所求解的较优设计方案。需要注意的是，这里所得到的Pareto最优解，实质上是一组解，在实际设计时，技术人员可以从中选择一个解来进行方案的设计。

采用多目标杂乱遗传算法进行求解的一个具体算法过程可如下所述：

图2中示出了基于上述算法、采用多目标杂乱遗传算法进行求解的一个具体示例的流程示意图。

如图2所示，在上述对初始种群进行积木块过滤及锦标赛阈值选择时，具体的过程可以是：

在积木块过滤的第一代进化代数(J＝1)时，判断初始种群中的这N1个体的长度是否大于预设积木块长度，若是，则说明需要进行积木块过滤，采用设定分割方式对初始种群中的个体进行分割删减，在积木块过滤的第一代进化代数过程中，如果有些初始种群的个体长度小于或者等于预设积块长度，即不需要进行积木块过滤，则可针对这些不需要进行积木块过滤的个体进行锦标赛选择，从中选择出预设数目个个体，例如a1个；

分割删减后的积木块个体及上述锦标赛选择后未被选择的个体，为简化描述，将这些个体统称为第二代进化代数阶段的输入个体，进入积木块过滤的第二代进化代数；

在积木块过滤的第二进化代数阶段(J＝2时)，判断这些第二代进化代数阶段的输入个体是否需要进行积木块过滤，若需要，采用设定分割方式对需要进行积木块过滤的个体进行分割删减，对于不需要进行积木块过滤的个体，则进行锦标赛选择，从中选择出a2个个体；

分割删减后的积木块个体及上述锦标赛选择后未被选择的个体，为简化描述，将这些个体统称为第三代进化代数阶段的输入个体，进入积木块过滤的第三代进化代数；

在积木块过滤的第三进化代数阶段(J＝3时)，判断这些第三代进化代数阶段的输入个体是否需要进行积木块过滤，若需要，采用设定分割方式对需要进行积木块过滤的个体进行分割删减，对于不需要进行积木块过滤的个体，则进行锦标赛选择，从中选择出a3个个体；

分割删减后的积木块个体及上述锦标赛选择后未被选择的个体进入积木块过滤的第四代进化代数。

……

重复上述过程，直至达到积木块过滤的最大进化代数，总共从中选择出了所需要的N2个的积木块个体。

其中，积木块过滤的最大进化代数可以根据需要人为设定。由于在某个进化代数阶段，经过积木块过滤后的个体已经能够全部满足不需要进行积木块过滤的要求，也就是说，这些个体都不大于预设积木块长度，若此时还没有达到积木块过滤的最大化进化代数，后面的一些进化代数中并没有执行一些积木块过滤等的操作，可能会导致资源的浪费，因此，在本发明方案中，优选通过初始种群的个体的长度与预设积木块长度来对积木块过滤的最大化进化代数进行设定。具体的设定方式与积木块过滤时的方式有关，在此不予赘述。

在设定好积木块过滤阶段的最大进化代数后，在每一个积木块过滤的进化代数阶段，进行锦标赛选择时所选择出的个体数，可以根据积木块过滤的最大化进化代数设定，各不同的进化代数阶段所需要选择出的个体可以相同(即上述a1＝a2＝a3)，也可以互不相同，可以根据实际情况进行设定，在此不予多加赘述。

上述进行积木块过滤时，可以采用各种方式进行积木块过滤，在本发明方案中，可采用平分的方式进行积木块的过滤，即可以采用平分的方式进行分割删减。

上述分割拼接操作的过程包括对上述积木块过滤及锦标赛选择后的N2个个体进行的设定迭代次数的迭代过程，具体可以是：

在第一次迭代(q＝1)时，采用分割-拼接进化算子对上述积木块过滤及锦标赛选择后得到的N2个个体进行分割-拼接，对分割-拼接后的个体进行锦标赛选择，选择出设定数目个个体，为便于区分，可记为N3个(第三设定数目个)，并从N3个个体中选择出第一次迭代过程中的Pareto最优解，将锦标赛选择出的N3个个体进入第二次迭代过程；

在自第二次迭代开始的各次迭代过程中，采用分割-拼接进化算子对上一次迭代过程选择出的N3个体进行分割-拼接，对分割-拼接后的个体进行锦标赛选择后，选择出当前一次迭代过程的锦标赛选择后的N3个体，并从这N3个个体中选择出Pareto最优解，并将该Pareto最优解与上一次迭代过程中的Pareto最优解进行组合作为这一次迭代过程的Pareto最优解，然后将锦标赛选择后得到的N3个体进入下一次的迭代过程；

重复上述过程，直至达到分割拼接操作的设定迭代次数，得到最后一次迭代过程的Pareto最优解，这最后一次迭代过程的Pareto最优解即为当前一代进化过程的Pareto最优解。

在图2所示中，全概率完全初始化种群、积木块过滤阶段以及交叉重叠阶段共同构成一次循环，即一代进化过程，可称之为era，例如在第一代进化时(n＝1时)，可称之为era1，在第二代进化时(n＝2时)，可称之为era2。

在一个详细的采用多目标杂乱遗传算法进行求解过程中，具体的过程可以是如下所述。

在era1阶段，即第一代进化(n＝1)时：

首先根据上述预设类型参数信息、上述0-1整数规划模型进行全概率的初始化，即随机产生N1个设定方案作为初始种群，这里的N1可以根据需要人为进行设定，然后进入积木块过滤及锦标赛选择阶段：

在积木块过滤及锦标赛选择阶段：

在积木块过滤的第一代进化代数(J＝1)时，针对这N1个初始种群中的个体，根据这些个体的长度、以及预设积木块长度来分别判断这些个体是否需要积木块过滤，并对需要积木块过滤的个体进行积木块过滤，若个体长度大于预设积木块长度，则需要过滤，例如，假设该个体的染色体长度为20，而预设积木块长度为3，则需要对该个体进行积木块过滤，在采用平分的方式进行积木块过滤的情况下，则是将长度为20个个体分割为两个长度为10的个体，需要注意的是，如果积木块长度为5，大于预设积木块长度3，此时的平分应当是平分为长度为2的积木块和长度为3的积木块；

在积木块过滤的该第一代进化代数过程中，如果有些初始种群的个体长度小于或者等于预设积块长度，即不需要进行积木块过滤，则可针对这些不需要进行积木块过滤的个体进行锦标赛选择，从中选择出a1个个体；

积木块过滤后的个体及上述锦标赛选择后未被选择的个体进入积木块过滤的第二代进化代数；

在积木块过滤的第二代进化代数阶段(J＝2)，判断这些个体是否需要进行积木块过滤，若需要，对需要进行积木块过滤的个体进行过滤，对于不需要进行积木块个体，则进行锦标赛阈值选择，从中选择出a2个个体；

积木块过滤后的个体及上述锦标赛选择后未被选择的个体进入积木块过滤的第三代进化代数；

在积木块过滤的第三代进化代数阶段(J＝3)，判断这些个体是否需要进行积木块过滤，若需要，对需要进行积木块过滤的个体进行过滤，对于不需要进行积木块个体，则进行锦标赛阈值选择，从中选择出a3个个体；

积木块过滤后的个体及上述锦标赛选择后未被选择的个体进入积木块过滤的第四代进化代数。

重复上述过程，直至达到积木块过滤的最大进化代数，总共从中选择出了所需要的N2个的积木块个体，进入分割拼接操作阶段；

在分割拼接操作阶段：

在分割拼接过程的第一次迭代阶段(q＝1时)，采用分割—拼接进化算子对上述积木块过滤及锦标赛选择后得到的N2个个体进行分割-拼接，对分割-拼接后的个体进行锦标赛选择后，选择出当前一次迭代过程的锦标赛选择后的N3个体，并从这N3个个体中选择出Pareto最优解，这里所选择出的Pareto最优解即为era1阶段的q＝1时的最优解，锦标赛选择后选择出的N3个个体进入下一次的迭代过程，即q＝2的迭代过程；

分割算子是指以设定的分割概率将个体分割成两个个体，拼接算子是指以设定的拼接概率将两个个体合并成一个个体，在本发明方案中，可设定分割概率p_cut＝0.02，拼接概率为p_splice＝1，在该分割-拼接的过程中，无变异过程；

在自第二次迭代过程(q＝2)开始的各次迭代过程中，利用分割-拼接进化算子对上一次迭代过程选择出的N3个个体进行分割拼接，对分割-拼接后的个体进行锦标赛选择后，选择出当前一次迭代过程的锦标赛选择后的N3个个体，并从这N3个个体中选择出Pareto最优解，并将该Pareto最优解与上一次迭代过程中的Pareto最优解进行组合作为这一次迭代过程的Pareto最优解，然后将锦标赛选择后得到的N3个体进入下一次的迭代过程；

重复上述过程，直至达到分割拼接操作的最大的迭代次数，得到最后一次迭代过程的Pareto最优解，这最后一次迭代过程的Pareto最优解即为第一代进化过程的Pareto最优解，也就是era1时候的Pareto最优解；

然后，可根据第一代进化过程的Pareto最优解，根据3个目标函数对3个竞争性模板进行更新，进入第二代进化过程。需要注意的是，由于这里还只是第一代进化过程，因此这里需要更新的竞争性模板可以是预先设定的竞争性模板，作为优选方案，第一代进化过程中需要使用的竞争性模板可以随机产生。

在根据Parto最优解、3个目标函数对3个竞争性模板进行更新时，是分别针对每个目标函数求出Pareto最优解的相应的目标值，并据此对相应的竞争性模板进行更新，例如：

采用低成本的目标函数分别计算各Pareto最优解对应的成本，从中选择出最低成本的Pareto最优解，若该最低成本比竞争性模板的成本要低，则用该最低成本的Pareto最优解更新原竞争性模板，若该最低成本比原竞争性模板的成本要高，则保留原竞争性模板不变；

采用低信号源功率的目标函数分别计算各Pareto最优解的信号源功率，从中选择出信号源功率最小的Pareto最优解，若该最小功率比竞争性模板的要低，则用该最小功率的Pareto最优解更新原竞争性模板，若该最小功率比原竞争性模板的要高，则保留原竞争性模板不变；

采用天线口功率均匀性的目标函数分别计算各Pareto最优解的天线口均匀性，从中选择出均匀性最好的Pareto最优解，若该最好的均匀性比竞争性模板的要好，则用该最好均匀性的Pareto最优解更新原竞争性模板，若该最好的均匀性比原竞争性模板的要差，则保留原竞争性模板不变。

在自第二代进化过程开始的其他各代进化过程中，均执行下述过程：

首先根据上述预设类型参数信息、上述0-1整数规划模型进行全概率的初始化，即随机产生N1个设定方案作为初始种群，这里的N1可以根据需要人为进行设定，然后进入积木块过滤及锦标赛选择阶段：

在积木块过滤及锦标赛选择阶段：

在积木块过滤的第一代进化代数(J＝1)时，针对这N1个初始种群中的个体，根据这些个体的长度、以及预设积木块长度来分别判断这些个体是否需要积木块过滤，并对需要积木块过滤的个体进行积木块过滤，针对那些不不要进行进行积木块过滤的个体，进行锦标赛选择，从中选择出a1个个体；

积木块过滤后的个体及上述锦标赛选择后未被选择的个体进入积木块过滤的第二代进化代数；

在积木块过滤的第二代进化代数阶段(J＝2)，判断这些个体是否需要进行积木块过滤，若需要，对需要进行积木块过滤的个体进行过滤，对于不需要进行积木块个体，则进行锦标赛阈值选择，从中选择出a2个个体；

积木块过滤后的个体及上述锦标赛选择后未被选择的个体进入积木块过滤的第三代进化代数；

在积木块过滤的第三代进化代数阶段(J＝3)，判断这些个体是否需要进行积木块过滤，若需要，对需要进行积木块过滤的个体进行过滤，对于不需要进行积木块个体，则进行锦标赛阈值选择，从中选择出a3个个体；

积木块过滤后的个体及上述锦标赛选择后未被选择的个体进入积木块过滤的第四代进化代数。

重复上述过程，直至达到积木块过滤的最大进化代数，总共从中选择出了所需要的N2个的积木块个体，进入分割拼接操作阶段；

在分割拼接操作阶段：

在分割拼接过程的第一次迭代阶段(q＝1)，采用分割—拼接进化算子对上述积木块过滤及锦标赛选择后得到的N2个个体进行分割-拼接，对分割-拼接后的个体进行锦标赛选择后，选择出第一次迭代过程的锦标赛选择后的N3个体，从这N3个个体中选择出Pareto最优解，并将该Pareto最优解与上一代进化过程中的Pareto最优解进行组合作为q＝1时的迭代过程的Pareto最优解，然后锦标赛选择后选择下来的N3个体进入下一次的迭代过程；

在自第二次迭代过程开始的各次迭代过程中，利用分割-拼接进化算子对上一次迭代过程选择出的N3个个体进行分割拼接，对分割-拼接后的个体进行锦标赛选择后，选择出当前一次迭代过程的锦标赛选择后的N3个个体，从这N3个个体中选择出Pareto最优解，并将该Pareto最优解与上一次迭代过程中的Pareto最优解进行组合作为当前一次迭代过程的Pareto最优解，然后将锦标赛选择后得到的N3个个体进入下一次的迭代过程；

重复上述过程，直至达到分割拼接操作的最大的迭代次数，得到最后一次迭代过程的Pareto最优解，这最后一次迭代过程的Pareto最优解即为当前一代进化过程的Pareto最优解；

然后，可根据当前一代进化过程的Pareto最优解，根据3个目标函数对3个竞争性模板进行更新，然后进入下一代进化过程。

重复上述过程，直至直至达到多目标杂乱遗传算法的终止进化条件，即达到多目标杂乱遗传算法设定的最大进化代数。

在达到多目标杂乱遗传算法的终止进化条件后，最后一代进化过程中得到的最后一代Pareto最优解即为本发明所要求解的较优设计方案，技术人员可以根据最后一代Pareto最优解进行室内分布覆盖方案的设计。需要注意的是，这里所得到的最后一代Pareto最优解，实质上是一组解，在实际设计时，技术人员可以从中选择一个解来进行方案的设计。

在本发明方案的上述多目标杂乱遗传算法进行求解的过程中，所采用的算法编码方式，可以是将染色体编码串中各基因座位置及相应的基因值组成一个二元组，把这个二元组按一定顺序排列起来，就组成一个变长染色体的一种编码方式，一般地可以表示为

X^k：(i₁，v₁)(i₂，v₂)…(i_s，v_s)…(i_m，v_m)

上式中，i_s(1≤s≤m)是所描述的基因在原常规染色体中的基因座编号，相当于在染色体中的基因位置，v_s为对应的基因值。

例如，常规遗传算法的一个个体的基因型为101101，其染色体长度为6，在本发明的算法编码方式中，该个体可以表示为：X^k：(3，1)(4，1)(1，1)(5，0)(2，0)(6，1)，基因座出现的先后与其原位置的顺序无关。在这种算法中，允许染色体的长度可长可短，例如可以表示为：

X^k：(1，1)(2，0)(3，0)(4，1)(5，0)(6，1)(3，1)(1，0)

X^k：(1，1)(3，0)(5，1)(6，1)

在上述前者的染色体编码串中出现了二元组重复描述，即基因座1、3分别出现了两次，而后者的染色体编码串中出现了二元组缺失描述，即不存在基因座2、4。因此，在进行解码时，可作如下规定：如果二元组重复，则规定取左边的二元组进行解码，即重复出现的基因座不起作用；如果二元组缺失，则根据算法中的“竞争模板”来补充缺失的基因座。例如，竞争模板为101101，则上面两个个体的解码分别为100101和100111。对于算法中的n次循环，当n＝1时，竞争模板随机产生，并根据上述规则进行适应度的计算，以便根据适应度求解出最优解。

基于上述算法编码方式，以下就上述积木块过滤、锦标赛选择分别进行说明。

在进行积木块过滤时，其目标是将种群中个体的染色体长度逐渐减小为符合要求长度的积木块长度。在该阶段，可以通过制定“计划表”来随机确定每次删除染色体中的几个基因座和哪几个基因座及其基因值，根据实际需要可以用不同的方式，在其中一种方式中，所采取的方法可以是每次都将染色体都平分成两个等长的积木块，直到其长度符合规定的积木块大小为止，需要注意的是，如果积木块长度为5，大于预设积木块长度3，此时的平分应当是平分为长度为2的积木块和长度为3的积木块，以保证基因值的完整性。

在进行上述锦标赛选择时，其基本思想是保留较优的积木块，以执行下一进化代数的进化过程，或者是得到较优的设计方案，基于上述的算法编码方式，在经过积木块过滤后，所得到的积木块是缺失的，也就是说，其并不包含有一个完整的染色体所应当包含的所有的基因座，因此，在进行该积木块的适应度的计算时：

可首先根据当前的竞争性模板对该积木块进行补充，在第一代进化过程中，该竞争性模板为随机产生，即用竞争性模板中的基因座及对应的基因值补充积木块中缺失的基因座部分，在上述有3个目标函数的情况下，即有3个竞争性模板，需要分别用这3个竞争性模板对该积木块进行补充后，分别采用相应的目标函数计算对应的适应度，即以低成本的竞争性模板对该积木块补充后、采用低成本的目标函数计算其成本，以低信号源功率的竞争性模板对该积木块补充后、采用低信号源功率的目标函数计算其信号源功率，以天线口功率均匀性的竞争性模板对该积木块补充后、用天线口功率均匀性的目标函数计算其均匀性，也即上述所提及的方差；

然后根据计算得到的适应度对这些积木块进行锦标赛选择。

基于相同的锦标赛选择机制，具体的锦标赛选择方式会有所差异，在上述本发明方案中，在进行锦标赛阈值选择时，是基于Pareto支配的锦标赛选择，其中的一种锦标赛阈值选择过程可以是：

假设种群中共包含有M个个体，先从种群的M个个体中随机选出m个个体构造成比较集，其中，比较集的大小(m的值)可根据经验人工设定，然后进行下述锦标赛选择过程：

从M个个体中随机选择两个个体，记为个体1、个体2，并判断个体1、个体2是否被比较集支配：

若个体1被比较集支配、个体2不被支配，则选择个体2予以保留；

若个体1和个体2均被比较集支配或均不被支配，则采用“小生境共享机制”进行选择，即上述适应度共享机制，即小生境数小的个体将被选择予以保留，具体的小生境共享方式可以采用现有技术中已有的方式，在此不予赘述；

然后，针对剩下的M-1个个体重复上述过程，选择出第二个个体，重复这种选择、比较过程，直至选择出所需要个数的个体。

其中，这里所提及的支配，是指该个体在所选定的目标上比比较集中的个体占优，以上述三个目标函数为例，只要个体1在三个目标函数上的适应度有一个比某个个体的对应适应度要高，则个体1不被该个体支配，若个体1在三个目标函数上的适应度均比该个体的适应度要低，则个体1被该个体支配。

在上述多目标杂乱遗传算法的进化过程中，在交叉重叠阶段的每一次迭代过程后，都会依据上述Pareto支配关系得到当前一次迭代过程的当前Pareto最优解集P_current(t)，并根据P_known(t)＝P_current(t)∪P_known(t-1)，将当前Pareto最优解集P_current(t)加入到已知的Pareto最优解集P_known(t-1)之中，得到当前一次迭代过程的Pareto最优解集，这里已知的Pareto最优解集P_known(t-1)即为上一次迭代过程的P_known(t)，也即上一次迭代过程的Pareto最优解。在将当前Pareto最优解集P_current(t)加入到已知的Pareto最优解集P_known(t-1)时，所遵循的规则是：

若待加入的个体被当前已知的Pareto最优解集P_known(t-1)支配，或者说被已知的Pareto最优解集P_known(t-1)中的任意一个个体支配，则该个体不加入，若不被支配，则加入；

若将某个个体加入到当前已知的Pareto最优解集P_known(t-1)后，集合中有一个个体B被A支配，则将B删除，即保证P_known(t)始终为非支配集。

在根据当前一代的Pareto最优解对3个竞争模板进行更新时，是针对各目标函数，分别对相应的竞争模板进行更新，即：

以低成本的竞争性模板分别对各Pareto最优解补充后，分别采用低成本的目标函数计算各Pareto最优解对应的成本，从中选择出最低成本的Pareto最优解，若该最低成本比竞争性模板的成本要低，则用该最低成本的Pareto最优解补充后的染色体更新原竞争性模板，若该最低成本比原竞争性模板的成本要高，则保留原竞争性模板不变；

以低信号源功率的竞争性模板分别对各Pareto最优解补充后，分别采用低信号源功率的目标函数计算各Pareto最优解的信号源功率，从中选择出信号源功率最小的Pareto最优解，若该最小功率比竞争性模板的要低，则用该最小功率的Pareto最优解补充后的染色体更新原竞争性模板，若该最小功率比原竞争性模板的要高，则保留原竞争性模板不变；

以天线口功率均匀性的竞争性模板分别对各Pareto最优解补充后，分别采用天线口功率均匀性的目标函数计算各Pareto最优解的天线口均匀性，从中选择出均匀性最好的Pareto最优解，若该最好的均匀性比竞争性模板的要好，则用该最好均匀性的Pareto最优解补充后的染色体更新原竞争性模板，若该最好的均匀性比原竞争性模板的要差，则保留原竞争性模板不变；

更新后的3个竞争性模板将在下一代进化过程中起到作用。

在本发明方案的较佳实施例中，还通过采用极速算法对上述得到的设计方案进行优化。

在采用极速算法进行优化时，以树的结构对上述设计方案进行描述，在以树结构进行描述时，可以以是否有馈线相连接作为判断是否为子父代关系的判定基础，例如，以信号源为父节点，若有元器件A、B分别通过馈线与信号源连接，则将元器件A、B作为信号源的子节点，若进一步有元器件A1、A2与元器件A连接，则将元器件A1、A2作为元器件A的子节点，其余的以此类推，直到达到最后一代的子节点天线。

针对上述的树结构，图3中示出了采用极速算法进行优化设计的一个具体实施例的流程示意图，在采用极速算法进行优化设计时，具体可以是：

首先按照标号依次获得器件节点，并依据标号依次获得相应的器件类型；

然后，对任意一个节点，检测当前节点所管辖的全部天线的功率是否满足最低功率要求：

若满足，返回上一级对该节点所在父节点的下一兄弟节点进行检测；

若不满足，修改该当前节点的子节点以使该节点所管辖的全部天线均满足最低功率要求，修改至所管辖的天线均满足最低功率要求后，退回上一级让父节点检测它的下一个子节点，即对下一个器件节点进行判断，若不能将所管辖的天线修改至均满足最低功率要求，则返回对对当前节点所在的父节点进行调整，调节父节点的功率并进行检查，具体的调节方式可以根据需要自由设定，然后再对父节点及其各子节点进行上述的优化判断过程，直至对所有节点所管辖的全部天线都满足最低功率要求为止。

在将所有节点所管辖的全部天线都满足最低功率要求后，计算优化后方案的目标函数值，并依据计算得到的目标函数值从中选择较优的设计方案，并判断该较优的设计方案的信号源功率及天线口方差是否可以进行修改：

若还能进行修改，则重新进行上述对方案中的各标号的器件节点的上述优化过程；

若不能进行修改，则输出该最优设计方案，依据该最优设计方案进行设计。

根据上述本发明方法，本发明还提供一种室内分布系统的室内覆盖设计方案的确定装置，图4中示出了该装置实施例的结构示意图，其包括：

信息获取单元，用于获取室内分布系统的预设类型参数信息；

多目标求解单元，用于根据所述预设类型参数信息建立0-1整数规划数学模型，根据所述0-1整数规划数学模型、以及2个以上的预设目标函数，采用预设多目标进化算法进行求解获得较优设计方案。

为了能够得到更优化的设计方案，图4所示的装置还包括有：极速优化单元，用于采用极速算法对多目标求解单元得到的较优设计方案进行优化，得到优化设计方案。

其中，预设多目标进化算法可以是任意一种多目标进化算法，例如向量评估遗传算法、小生境Pareto遗传算法、非劣分类遗传算法、多目标杂乱遗传算法等等。尽管多目标杂乱遗传算法比较复杂，但由于相比其它的多目标进化算法可以获得更满意的求解性能，因此优选情况下，可采用多目标杂乱遗传算法作为上述预设多目标进化算法进行求解。

本发明装置的具体的多目标杂乱遗传算法的求解过程、以及极速算法的优化过程等等可与上述本发明方法中的相同，在此不予赘述。

需要说明的是，在上述针对本发明的具体实施例的说明中，是以单制式的室内分布系统进行说明，但是本领域技术人员可以预料的是，依据其原理和算法思想，对多制式的室内分布系统仍然是有效的，因此，本发明方案可以具有广泛的应用价值。

以上所述的本发明实施方式，仅仅是对本发明较佳实施例的详细说明，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)

1.一种室内分布系统的室内覆盖设计方案的确定方法，其特征在于，包括步骤：

获取室内分布系统的预设类型参数信息；

根据所述预设类型参数信息建立0-1整数规划数学模型，根据所述0-1整数规划数学模型、以及2个以上的预设目标函数，采用预设多目标进化算法进行求解获得较优设计方案。

2.根据权利要求1所述的室内分布系统的室内覆盖设计方案的确定方法，其特征在于，所述预设多目标进化算法为多目标杂乱遗传算法，采用多目标杂乱遗传算法求解获得较优设计方案的步骤包括：

在每一代进化过程中，根据所述预设类型参数信息、所述0-1整数规划数学模型随机产生第一设定数目个设定方案作为初始种群；

对所述初始种群进行积木块过滤及锦标赛选择，选择出第二设定数目个个体；

对所述第二设定数目个个体进行设定迭代次数的分割拼接操作，得到分割拼接后的当前一代进化过程的Pareto最优解，并根据所述当前一代进化过程的Pareto最优解、所述预设目标函数更新当前K个竞争性模板，进入下一代进化过程；

所述设计方案为最后一代进化过程后得到的Pareto最优解。

3.根据权利要求2所述的室内分布系统的室内覆盖设计方案的确定方法，其特征在于：

在第一代进化过程中，所述当前K个竞争性模板为随机产生；

和/或

对初始种群进行积木块过滤及锦标赛阈值选择的过程包括：若所述初始种群中的个体的长度大于预设积木块长度，采用设定分割方式对所述初始种群中的个体进行分割删减，使分割删减后的积木块长度等于或者小于预设积木块长度，并根据锦标赛阈值选择从分割删减后的积木块中选择出所述第二设定数目个个体；

和/或

所述分割拼接操作的过程包括对所述积木块过滤及锦标赛选择后的第二设定数目个个体进行分割拼接操作，对分割拼接后的每个个体计算基于所述当前K个竞争性模板的适应度值，并进行锦标赛选择选择出第三设定数目个个体，从第三设定数目个个体中选择出当前Pareto最优解，将当前Pareto最优解与上一次迭代过程的Pareto最优解进行组合得到当前一次迭代过程的Pareto最优解，锦标赛选择出来的第三设定数目个个体进入分割拼接操作的下一次迭代过程，直至达到分割拼接操作的设定迭代次数，得出当前一代进化过程的Pareto最优解。

4.根据权利要求3所述的室内分布系统的室内覆盖设计方案的确定方法，其特征在于，采用平分的方式对所述初始种群中的个体进行分割删减。

5.根据权利要求1至4任意一项所述的室内分布系统的室内覆盖设计方案的确定方法，其特征在于，在采用多目标杂乱遗传算法进行求解获得对应的设计方案之后，还包括步骤，采用极速算法对所述较优设计方案进行优化，得到优化设计方案。

6.根据权利要求5所述的室内分布系统的室内覆盖设计方案的确定方法，其特征在于，采用极速算法对所述较优设计方案进行优化的过程具体包括：

对任意一个节点，检测当前节点所管辖的全部天线的功率是否满足设定功率条件，若满足，返回上一级对该节点所在父节点的下一兄弟节点进行检测，若不满足，修改该当前节点的子节点以使该节点所管辖的全部天线均满足设定功率条件；若不能修改至满足设定功率条件，对该节点所在的父节点进行调整后，检测该父节点的各子节点是否满足设定功率条件，直至对所有节点所管辖的全部天线都满足设定功率条件；

在所有节点所管辖的全部天线均满足设定功率条件后，计算优化后方案的目标函数值，并依据计算得到的目标函数值从中选择优化设计方案，并判断该优化设计方案的信号源功率及天线口方差是否可以进行修改：

若是，重新进行上述对方案中的各标号的器件节点的上述优化过程；

若否，输出该优化设计方案，依据该优化设计方案进行设计。

7.根据权利要求1至6任意一项所述的室内分布系统的室内覆盖设计方案的确定方法，其特征在于：

所述预设目标函数包括信号源功率的目标函数、建设总成本的目标函数以及天线口功率均匀度的目标函数；

和/或

所述室内分布系统为单制式室内分布系统或者多制式室内分布系统。

8.一种室内分布系统的室内覆盖设计方案的确定装置，其特征在于，包括：

信息获取单元，用于获取室内分布系统的预设类型参数信息；

多目标求解单元，用于根据所述预设类型参数信息建立0-1整数规划数学模型，根据所述0-1整数规划数学模型、以及2个以上的预设目标函数，采用预设多目标进化算法进行求解获得较优设计方案。

9.根据权利要求8所述的室内分布系统的室内覆盖设计方案的确定装置，其特征在于，还包括极速优化单元，用于采用极速算法对多目标求解单元得到的较优设计方案进行优化，得到优化设计方案。

10.根据权利要求8或9所述的室内分布系统的室内覆盖设计方案的确定装置，其特征在于：

所述预设多目标进化算法为多目标杂乱遗传算法；

和/或

所述预设目标函数包括信号源功率的目标函数、建设总成本的目标函数以及天线口功率均匀度的目标函数；

和/或

所述室内分布系统为单制式室内分布系统或者多制式室内分布系统。

Images