CN102640545B

CN102640545B - 电信网络节点和方法

Info

Publication number: CN102640545B
Application number: CN201080050611.7A
Authority: CN
Inventors: L·T·W·何; H·克劳森
Original assignee: Alcatel Lucent SAS
Current assignee: Usao Investment Co.,Ltd.
Priority date: 2009-09-10
Filing date: 2010-08-03
Publication date: 2015-05-13
Anticipated expiration: 2030-08-03
Also published as: WO2011029503A1; US20120225628A1; JP2013504907A; KR20120063512A; JP5415620B2; CN102640545A; EP2296410B1; KR101410295B1; EP2296410A1; US8942753B2

Abstract

公开了一种电信网络节点和方法。所述方法通过基因编程生成演进算法，所述演进算法用于调整基站传输功率以控制小区的覆盖范围，以助于提供希望的基站运行特性。所述方法包括步骤：使用函数和终端列表中定义的预定函数和终端，生成多个演进算法，每个演进算法都确定对于任何特定的基站运行情况，是否调整所述基站传输功率；确定适合性水平，其指示每个演进算法调整基站传输功率以控制覆盖范围从而实现期望的运行情况下所述希望的基站运行特性的能力；以及使用被确定为已实现特定适合性水平的所述演进算法中的至少一个，迭代地执行所述生成和确定步骤以便生成进一步的演进算法。可以看到以这种方式，可评估然后测试算法，以查看它们在控制基站功率以实现特定运行情况下的特定运行特性上有多合适。被确定为最佳的实现特定运行情况下的这些特性的那些算法于是被用于生成进一步的算法，该进一步的算法转而也被评估。因此，可快速地生成适合于运行特性和运行情况的这些个体算法，从而避免手动地设计专用于特定环境的新算法的需要。

Description

电信网络节点和方法

技术领域

本发明涉及电信网络节点和方法。

背景技术

电信网络日益具有自配置、自组织和自适应的能力。随着电信网络规模和复杂性的增加，有一种以分散方式实现这些所谓的“自X”属性的推动力，即，其中每个节点可仅使用本地信息来单独行动。

因此，有一种不断增长开发自X算法，即，用于网络节点自适应的算法，的需求，该算法必须在没有关于网络的全局信息以及网络节点的协同集中控制的情况下工作。

已知方案是由熟练工程人员根据可能不现实的关于网络的具体假定来设计的自X算法，所以当它们在网络中被实现后，经常需要对算法进行评估、修正和完善。这可能是缓慢和昂贵的过程。

在这种已知方案中，对熟练工程人员来说困难的是，考虑节点将被部署到的各种不同环境来设计算法。基于对网络的具体假定而设计的算法在现实世界中常常是不适用的。

在这种已知方案中，自X算法是手动设计的，然后同一算法被应用于某种类型的所有网络节点，例如，无线蜂窝网络中的所有基站。由于节点的运行环境有很大区别，性能有所降低，因为与用于特定问题或运行环境的更具体的算法相比，通用优化算法执行得不那么好。另外，相反的是，当应用于它们所专门应用的特定区域之外时，专用算法执行得不那么好。

需要提供一种改进的算法。

发明内容

根据第一方面，提供了一种通过基因编程生成演进算法的方法，用于调整基站传输功率来控制小区的覆盖范围，以便有助于提供所需基站运行特性，所述方法包括步骤：使用在函数和终端列表中定义的预定函数和终端，生成多个演进算法，每个演进算法都确定对于任何特定的基站运行情况，是否调整基站传输功率；判断适合度水平，其表示每个演进算法调整基站传输功率来控制覆盖范围以便在期望的运行情况中达到希望的基站运行特性的能力；以及使用被确定为已经达到特定适合度水平的至少一个演进算法，迭代地执行生成和确定步骤，以便生成进一步的演进算法。

第一个方面认识到基站部署中的问题在于，需要基站支持小区的环境差异变化显著，并且这会影响基站的性能。例如，毫微微基站的性能可能有显著的不同，这取决于毫微微基站被放置在建筑物内的什么地方。这部分地是由于不同建筑材料的影响。例如，相对于混凝土墙，玻璃墙具有非常低的传输损耗。这也部分地是由于业务需求的高度可变性。例如，覆盖诸如热闹休息室的业务需求热点的毫微微基站将体验到与覆盖比如距离仅有20米远的安静区域的另一毫微微基站截然不同的需求。第一方面还认识到，被用于控制和优化基站的覆盖范围控制算法可能不足以在这些多样性的环境中提供适当性能。例如，运行在具有砖建成的建筑物的低用户需求居住区的毫微微基站可能需要与运行在具有玻璃面建筑的高用户需求商务区的那个不同形式的无线电覆盖范围控制算法。同样，运行在高基站密度区域的毫微微基站可能需要与运行于低基站密度区域的那个不同的覆盖范围控制算法。然而，由于所涉及的复杂性和成本，为每个不同类型的环境手动地设计和提供新的算法是不现实的。

从而，提供了一种生成演进算法的方法，所述演进算法通过调整基站传输功率来控制小区的覆盖范围。可提供函数和终端的预定列表，根据它可生成每个演进算法。每个演进算法都能够确定，对于基站正经历的任何特定运行情况，基站传输功率是否应当被调整。可确定适合性水平，其表示这些演进算法中的每个演进算法控制小区覆盖范围以便在该基站所期望的运行情况下实现特定基站运行特性的能力。例如，所希望的基站运行特性可以是最大用户负载、最小小区覆盖范围间隙、最小小区重叠、最高服务质量或上述或其它特性中的一个或多个的组合。所期望的运行情况可表示这个基站实际被期望经历的情况。例如，所期望的运行情况会不同，这取决于基站的期望的位置、基站将被放置到的建筑物的特性和/或这个位置处所期望的用户负载。于是，适合性水平可表示当经历所期望的运行情况时，每个演进算法实现所期望的运行特性的程度。按照每个演进算法在这些特定运行情况下实现所期望的特性的能力的顺序对其分级是可行的。于是，被确定为最适合这些情况的一个算法或多个算法可被选择，并从这些算法生成进一步的演进算法，并且于是这些进一步的算法的适合性被确定。以这种方式，可看到算法可以被聚集并随后被测试，以看他们在控制基站功率以实现在特定运行情况下特定的运行特性上有多适合。被确定为在这些特定运行情况下实现这些特性的那些最佳算法于是可用来生成进一步的算法，这些进一步的算法然后也被评估。因此，适合运行特性和运行情况的这些个体算法可被快速生成，从而避免手动设计专用于特定环境的新算法的需要。

基因编程是一种生成算法的演化方法，参见例如Koza，J.R.，基因编程：通过自然选择方式的计算机编程，1992，麻省理工大学出版社，840期。如图1所示，基因编程（GP）通常包括下列步骤：

（ⅰ）初始化算法群－群是用于个体算法集的术语，初始群中的算法至少一定程度上随机地生成；

（ⅱ）计算群中每个算法的适合性－适合性是用于对算法在实现算法任务方面的性能的测量的术语；

（ⅲ）基于其适合性选择算法作为“父”；

（ⅳ）通过应用基因算子，诸如在先前步骤中所选的父的变异和交叉，创建新算法；

（ⅴ）使用新创建的算法和选自前代群的残存者，产生下一代算法群。

上述步骤（ⅱ）至（ⅴ）可以被重复，直到满足终止条件（例如，过程已经经历了一定数量的代，或者已创建的算法满足目标适合性水平）。

如图2所示，分析树表达典型地被用在基因编程（GP）中，以便将算法编码成在其上可进行基因编程运算的形式。分析树可以被用于表示各种形式的算法，诸如计算机程序。算法可以例如通过状态转换图表示成其它形式。

图3a和3b示出上述交叉和变异算子的示例性例子。交叉是将来自两个父算法的分量混合，以产生下一代（即，子）算法。变异是更改个体父算法的一部分，以产生下一代算法。

在一个实施例中，函数至少包括条件语句，其可用于基于基站运行情况与其相应的期望基站运行特性间的关系，在不同的结果中进行选择。提供条件语句使得对特定运行情况与期望特性间的关系的评估能够被快速做出，从而有助于生成适当的算法。

在一个实施例中，条件语句包括if_else语句，其可用于当特定基站运行情况大于与相应的期望基站运行特性相关的预定阈值时选择第一结果，否则选择第二结果。这些if_else循环可以是专用的简单if_else循环形式，其具有特定运行情况的输入，例如直接建立的预定阈值。使用这些专用函数而不是使用基本的if_else循环有助于通过基因编程过程加快对有用算法的发现。可以根据网络的需求来设置预定阈值。另外，使用这些简单if_else循环为评估提供了简单的二元结果，这简化了基因编程过程并有助于加快对有用算法的发现。

在一个实施例中，条件语句包括if_X_large语句，其可用于当X大于预定阈值Xthr时选择第一分支否则选择第二分支。应当理解的是，X可包括一个或多个运行特性，例如，诸如覆盖范围重叠O、覆盖范围间隙D和负载L。应当理解的是，预定阈值Xthr可包括一个或多个基因算子阈值，例如，诸如表明多于一个的所收到的导频信道的测量报告的比例OTHR，用户进入覆盖范围间隙的概率DTHR以及最大负载容量LTHR。

在一个实施例中，终端包括基站传输功率的增强、减弱和没有变化中的至少一个。从而，可仅提供较小数量的结果终端或动作中的一个，再次简化了基因编程过程并加快了对有用结果的发现。增强和减弱使得基站通过特定的预置增量来增强和减弱其传输功率。

在一个实施例中，确定的步骤包括：在期望的运行情况下使用每个演进算法时模拟基站的运行，以便生成模拟运行度量，以及将这些模拟运行度量应用于表示所期望的基站运行特性的适合性函数，以便确定适合性水平。

因此，对适合性水平的确定可利用例如模拟在期望的运行情况下基站的运行的模型。该模型可利用演进算法，该演进算法在基站中被评估为覆盖范围控制算法。于是，一系列模拟情况被应用于基站，然后基站在这些情况下使用演进算法以便生成特定的模拟运行度量。例如，当模拟运行在这些期望的运行情况下使用该演进算法时，模型可生成作为这些模拟运行度量的模拟用户负载水平、覆盖范围重叠、覆盖范围间隙、服务质量或上述及其它度量中一个或多个的组合。于是，这些模拟运行度量可被提供给适合性函数，以评估该算法在这些模拟运行情况下可多好地实现期望的运行特性。

在一个实施例中，适合性函数的算子被加权，以帮助对适合性函数进行调整，以表示期望的基站运行特性中的调整。对适合性函数的每个算子进行加权使得适合性函数能够被容易地调整，以改变不同运行特性的重点。

在一个实施例中，适合性函数包括：

F = \frac{w_{D} (1 - C_{D}) + w_{O} (1 - C_{O}) + w_{L} C_{l}}{w_{D} + w_{O} + w_{L}}

其中F是适合性水平，C_O、C_D和C_L分别是覆盖范围重叠度量的模拟平均、覆盖范围间隙度量的模拟平均和模拟负载度量，而W_O、W_D和W_L是权重。因此，可以看出这个示例性适合性函数寻找最小的覆盖范围和重叠但最大的负载。可以通过调整权重值来改变这些运行特性的相对重要性。例如，在评估演进算法时，降低重叠的权重可降低实现低重叠的重要性。因此，在降低的重叠权重的情况下，那些不能实现非常低的重叠的算法于是可超过那些确实实现了低重叠的算法而被选择。

在一个实施例中，当被以集中方式应用于整个网络以及以更加分散的方式应用于局部网络区域时，适合性函数可用于确定潜在算法的质量。因此，覆盖范围重叠度量、覆盖范围间隙度量以及负载度量可以是关于该部分网络的这些值的平均。在实施例中，这些度量可以被归一化，使得其值是0≤C_X≤1。

在一个实施例中，根据下面的算法确定C_L：

其中，N是网络中小区的总数，L_i是基站i所经历的负载，而L_thr是被设置为等于或小于该基站的最大负载容量的阈值。因此，随着基站接受更多的负载，负载度量会增加，但在小区负载超过特定阈值（例如小区的容量）时会降低到零以防止过载。

在一个实施例中，该方法包括步骤：选择演进算法中期望的一个算法并创建表示演进算法中期望的那个算法的决策表，该决策表可用于向基站指示任何特定基站运行情况所要求的对基站传输功率的调整。因此，不是向基站部署树形式的演进算法自身并要求这些基站基于其经历的运行情况做出动态计算，而是作为替代，可向基站提供简单的决策表。决策表可包含所计算的一系列可能的运行情况的结果。于是，基站仅需要将其当前运行情况与决策表进行比较，并选择适当的功率变化，而无需自己计算该功率变化。应当理解的是这显著降低了基站的处理负载。

在一个实施例中，决策表包含基站运行情况与关联的阈值间关系的每个排列的条目，每个条目都表明该排列所要求的对基站传输功率的调整。因此，决策表可包含在高于或低于演进算法所使用的阈值的情况下运行特性的每个可能组合的条目。于是，在基站中做出每个运行情况是否高于或低于这些阈值的评估并选择适当的条目以确定传输功率的变化是可行的。

在一个实施例中，通过将表示该排列的基站运行情况应用到演进算法中所期望的那个算法，来计算每个排列所要求的对基站传输功率的调整。

根据本发明的第二方面，提供了一种利用演进算法来调整基站传输功率以便控制小区的覆盖范围的方法，以助于提供期望的基站运行特性。所述方法包括步骤：确定基站运行情况；以及将基站运行情况应用于演进算法以便确定是否调整基站传输功率。从而，可由当前基站运行情况构成确定，于是这些运行情况可被应用于通过第一方面生成的演进算法，以确定是否调整基站功率。应当理解的是，基站运行情况到演进算法的应用既可以直接地发生，也可以经由使用之前生成的表示演进算法的决策表而间接地发生。

在一个实施例中，其中基站运行情况包括基站负载、覆盖范围重叠和覆盖范围间隙中的至少一个，确定步骤包括以下至少对应的一个：通过测量预定时段内基站经历的最高负载来确定基站负载；根据接收到的测量报告确定覆盖范围重叠，所述测量报告表明接收自其它基站的具有高于预定阈值的功率的传输；以及根据接收到的信息确定覆盖范围间隙，所述信息指示已经发生的由于缺乏覆盖导致的若干切换以及若干掉线中的至少一个。因此，运行情况可包括基站负载、小区覆盖范围重叠和小区覆盖范围间隙中的一个或多个。基站负载可以被确定为特定时间间隔期间基站上的峰值负载。典型地，负载是以厄兰测量的语音业务量，尽管可以使用负载的度量。覆盖范围重叠可以是小区的总覆盖范围区域中正经历与邻小区覆盖范围重叠的那部分。在一个实施例中，可使用用户设备发送回来的测量来近似地估计重叠，并且重叠覆盖范围的区域可以被定义为用户设备测量到来自多于一个小区的导频功率高于预定阈值的区域。在一个实施例中，基站保留收到的来自用户设备的测量报告的总数M_THR>1的记录，其中，用户设备测量到的多于一个的导频信道功率高于预定阈值。于是，通过M_THR>1与小区用户设备发送回的导频功率测量的总数的比率，即，O＝M_THR>1/M_TOTAL，来估计重叠。覆盖范围间隙可表示用户进入覆盖范围间隙的概率，并可被计算为D=n_D/（n_D+n_F），其中n_D是小区的用户设备进入覆盖范围间隙的次数，其可以从毫微微小区与任何基础小区，例如诸如宏小区间的切换次数来导出。可替代地，如果不存在基础小区，则n_D可以是用户向回报告低于最小阈值的导频功率测量的次数。n_F是经由例如毫微微小区到毫微微小区切换已经离开小区的用户的总数。

在一个实施例中，演进算法通过决策表来表示，并且应用步骤包括将基站运行情况应用于决策表，以便指示这些基站运行情况所要求的对基站传输功能的调整。

根据本发明的第三方面，提供了一种网络节点，其可通过基因编程来生成用于调整基站传输功率以控制小区的覆盖范围的演进算法，以助于提供所期望的基站运行特性，所述网络节点包括：生成逻辑，该逻辑用于使用函数和终端列表中定义的预定函数和终端来生成多个演进算法，每个演进算法都确定对于任何特定的基站运行情况，是否调整基站传输功率；确定逻辑，用于确定适合性水平，其指示每个演进算法调整基站传输功率以控制覆盖范围从而实现期望的运行情况下所希望的基站运行特性的能力；以及控制逻辑，用于控制生成逻辑和确定逻辑，以便使用被确定为已经实现特定适合性水平的演进算法中的至少一个，迭代地生成进一步的多个演进算法。

在一个实施例中，所述函数至少包括条件语句，其可用于基于基站运行情况与其对应的期望基站运行特性间的关系从不同结果进行选择。

在一个实施例中，所述条件语句包括if_else语句，其可用于当特定基站运行情况大于与对应的期望基站运行特性相关的预定阈值时选择第一结果，并且否则选择第二结果。

在一个实施例中，条件语句包括if_X_large语句，其可用于当X大于预定阈值X_thr时选择第一分支以及否则选择第二分支。应当理解的是，X可包括一个或多个运行特性，例如，诸如覆盖范围重叠O、覆盖范围间隙D和负载L。应当理解的是，预定阈值X_thr可包括一个或多个基因算子阈值，例如诸如指示收到的多于一个的导频信道的测量报告的比例O_THR，用户进入覆盖范围间隙的概率D_THR以及最大负载容量L_THR。

在一个实施例中，终端包括基站传输功率的增强、减弱和没有变化中的至少一个。

在一个实施例中，确定逻辑可用于在期望的运行情况下使用每个演进算法时模拟基站的运行，以便生成模拟运行度量，并将这些模拟的运行度量应用于表示所期望的基站运行特性的适合性函数，以便确定适合性水平。

在一个实施例中，适合性函数的算子被加权，以助于调整适合性函数，用以表示在期望的基站运行特性中的调整

在一个实施例中，适合性函数包括：

F = \frac{w_{D} (1 - C_{D}) + w_{O} (1 - C_{O}) + w_{L} C_{l}}{w_{D} + w_{O} + w_{L}}

其中，F是适合性水平，C_O、C_D和C_L分别是覆盖范围重叠度量的模拟平均、覆盖范围间隙度量的模拟平均和模拟负载度量，并且W_O、W_D和W_L是权重。

在一个实施例中，根据下面的算法确定C_L：

其中，N是网络中小区的总数，L_i是基站i所经受的负载，而L_thr是被设置为等于或低于该基站的最大负载容量的阈值。

在一个实施例中，控制逻辑可用于选择演进算法中期望的一个，并创建表示演进算法中所期望的那个算法的决策表，该决策表可用于向基站指示任何特定基站运行情况所要求的对基站传输功率的调整。

在一个实施例中，决策表包含基站运行情况与关联的阈值间关系的每个排列的条目，每个条目都表明该排列所要求的对基站传输功率的调整。

在一个实施例中，网络节点包括基因编程单元和基站中的一个。从而，在运行集中式方案的情况下可通过核心网络来提供基因编程单元，或者可替代地，在使用分布式方案的情况下基因编程单元可被包含在基站中。

根据本发明的第四方面，提供了一种计算机程序产品，其可用于当在计算机上被执行时实现第一或第二方面的方法步骤。

进一步的特定和优选方面在所附独立和从属权利要求中阐述。如果合适，从属权利要求的特征可与独立权利要求的特征合并，并且是以组合而不是权利要求中明确阐明的那些方式。

附图说明

现在参考附图来进一步地描述本发明的实施例，其中：

图1是示意性地示出基因编程过程的图；

图2是示例以分析树形式表示的计算机程序的图；

图3a和3b是示例基因编程中应用于表示为分析树的程序部分的交叉和变异运算的图；

图4是表示根据一个实施例的无线电信网络的示意性表示；

图5是更详细地示出图4所示的一个基站加上其邻基站的图；

图6是示例图5所示基站的基因编程单元的操作的流程图；

图7是示例一个基站中验证和实现的算法如何变成邻基站中的候选算法的图；

图8是用于优化无线电小区覆盖范围及其关联的伪码的基因工程算法的简化例；

图9示例利用用于优化无线电小区覆盖范围的示例性基因工程算法的基站的负载、间隙和覆盖范围度量；以及

图10示例与具有固定传输功率的传统布置相比，演进算法所维持的负载。

具体实施方式

在关注示例性基因编程单元及其操作之前，现在将描述示例性无线网络和网络节点。之后，在给出算法类型的特定示例之前，我们将讨论经过验证的算法如何被传播给其它节点。之后是对一些变形和替代的说明。

在无线网络中，使用大量的用户部署的小型小区允许高数据率并提供高容量。这种小型小区通常具有几十到几百米的范围，并且通常被称为毫微微小区、微小区或微微小区。然而，使用这种大量小型小区的副作用是，提供这些小区的基站将经历的多样化环境。

在本说明书中，我们使用术语算法来表示用于解决问题或执行任务的一组规则或方法。算法可以以具有技术应用的数学公式、计算机程序、系统的行为的表示（诸如状态转换图或流程图）的形式来指定。电信网络节点中算法的例子是，自动调整无线电小区的覆盖范围区域的方法以及通过网络路由器节点路由业务的方法。

网络

如图4所示，电信网络20包括无线电接入网络4，其包括一些互联的蜂窝基站21、22、23、24。基站21、22、23、24全部都运行各自的算法来实现预定任务。如图5所示，每个基站都包括各自的基因编程单元10，如将在下文更加详细地说明的那样，其被用于使用基因编程来提供新的改进版本的算法。每个基站都可用于感知并与其邻基站通信。例如，第一基站21可用于感知以及与其邻基站22、23、24通信。

为了避免混淆，我们将正考虑的特定基站称为“本地”基站9，其具有邻基站组25。例如，本地基站9可对应于蜂窝基站21，其邻基站组是蜂窝基站22、23、24。哪些基站属于组25取决于本地基站9如何发现其邻居。在这个例子中，本地基站9或者直接地或者从本地基站9所支持的用户设备的测量报告，进行对接收自其它基站的导频信号的测量，以便识别哪些基站处于其邻居组25中。在替代性实施例中，本地基站在回程网络上进行与核心网络的查询－响应过程，以便识别邻居。

邻居组25中的基站是对本地基站9有重要影响的那些基站，反之亦然。例如，增加组25中的基站的传输功率将增加对本地基站9的干扰。如将在下文更加详细地介绍的，网络20中的每个基站都运行其自己的算法，以便执行特定的任务，例如，调整其无线电覆盖范围的大小。每个基站还都使用基因编程运行算法适应过程，以便周期性地更新和改善它们运行的算法的精确功能性。每个基站都本地地完善它们的算法，所以端效应是，每个基站都运行它们自己的被优化以适合其自己的本地环境并且因此很可能是唯一的各自的算法。

基因编程单元

如图5所示，使用基因编程来创建基站中使用的算法的基因编程单元10包括基因处理器11、算法实现阶段12和本地信息收集阶段13。基因处理器包括函数和终端集111、基因算子112和适合性函数113，作为对演进处理器15的输入。函数和终端集111是算法的建立块。基因算子112是操作现有算法以创建新算法的运算，并包括诸如变异和交叉的运算。适合性函数113是用于计算适合性的函数，换句话说，计算算法的性能。适合性函数113基于例如网络运营商所要求的特性来预先确定。使用中，演进处理器15用于使用网络节点的模型14的信息来运行对网络节点的模拟，并且，所生成的各种不同的算法以及性能结果与适合性函数13一起，用来计算与每个算法相关联的适合性。网络节点的最新模型14在这些模拟中被使用。

如将在下文更加详细地说明的，将用于基站的新的和改进的算法被自动地生成。这个自动过程中所采用的主要步骤的流程在图6中示出。

如图6所示，在基因编程单元10中，下一代算法被生成并评估为适合性水平（步骤A）。关于所生成的算法是否满足预定的适合性水平的确定被做出（步骤B）。基于预定的适合性水平被满足，算法被认为足够好地用于将进行的算法验证过程。可替代地，选择最佳执行算法。如上所述，算法验证处理器17可预测试（步骤C）算法，以便检查对于网络20中部署的适当性。于是关于测试是否失败或通过的确定被做出（步骤D）。如果测试失败，则算法被丢弃（步骤E），并做出到生成和适合性评估（步骤A）的返回。另一方面，如果测试通过，则在网络节点中实现该算法（步骤F）。

图6中的步骤A和B发生在图5所示的演进处理器15中。图6中的步骤C，D和E发生在图5所示的算法验证处理器17中。这将在下文更加详细地说明。

现在，将更加详细地说明基因编程单元10的各种组件和方面。更具体地，现在将描述演进处理器15、模型建立处理器14、算法验证处理器17和算法实现阶段12。

演进处理器

函数和终端集111、基因算子112、适合性函数113和来自模型（模拟器）14的模拟结果被输入到演进处理器15。演进处理器15进行基因编程。

如在前所述，基因编程（GP）包括下列步骤：

（ⅲ）基于其适合性选择算法作为“父”；

（ⅳ）通过应用基因算子，诸如在先前步骤中所选的父的变异和交叉，创建新算法；以及

上述步骤（ⅱ）至（ⅴ）可以被重复，直到满足终止条件（例如，已创建的算法满足目标适合性水平，或者已经创建了预定数量的代）。

可将来自演进处理器15的算法输出视为演进过程选出的那个算法。该算法可选地可以是从演进处理器15到算法验证处理器17的输出。

模型建立过程

在基因编程单元10中，有模型建立处理器15，其利用关于邻节点25的状态的信息，例如，它们当前使用什么算法加上它们正在经历的业务情况（诸如负载、呼叫类型等），以及关于本地基站9自身的本地信息，作用于络节点的模型14，以保持模型14是最新的。

通过本地信息收集处理器13来收集关于本地节点9的本地信息，该处理器使用各种手段来获取有关本地无线电环境的信息，例如，用户终端发送的测量报告，以及内置无线电接收器（未示出）做出的测量报告。该处理器13还集合可用的内部信息，例如有关本地基站的业务负载的统计。该处理器13还向其邻居25传播关于本地基站9的有关信息，例如传输功率以及活动用户数量方面的平均负载。

因此，模型建立处理器16合并对算法演进过程可能有影响的应用与基站的情况以及无线电环境中发生的显著变化，并且还用来完善模型14以改进其准确性。因此，模型通过被不时地更新而改变，例如周期性地。模型建立过程16使用从网络节点自身以及它的邻居获得的关于网络节点的信息。

算法验证

算法验证处理器17可预先测试所选的算法以检查在基站中部署的适当性。在需要时，测试在部署之前完成，并旨在确保该算法功能良好并且不会引起在网络中发生不希望的行为。由于可能出现不需要和不期望的状况，对于非集中式控制的网络节点，该测试对于自X算法（即，自配置，自组织等）通常是特别重要的。这种不需要的状况会造成网络的非有效运行，并且在严重的情况下会造成整个网络的级联故障。应当注意，不利影响一般会出现在算法中，这不是基因编程产生的特别的副作用。

算法验证处理器17可进行自动验证过程。尽管使用模拟情景及基站在其本地环境中的最新模型14开发了选自演进处理器15的算法，但是算法还有在其它情景中引起不希望的结果的缺陷。容易检测的这种缺陷的例子是被零除的计算。因此，可进行这种预测试。

一旦算法已经被选择性地预先测试并被认为是合适的，则该算法在网络节点中被实现。

算法实现

现在，被认为是合适的算法由算法实现阶段12在网络节点中被实现。该算法实现阶段12将该算法置入其分析树形式，并将其转换成代替之前所用算法的软件指令。算法实现阶段12包括算法阅读器（未示出），其或者从其分析树形式直接转换和运行算法，将分析树转换为软件代码（C++，Java），其接着被编译，或者将分析树转换为如将在下文更加详细说明的决策表。

算法传播到其它节点

如图7所示，经过验证的算法还被算法实现阶段12发送给邻基站25（为简化起见，其中的一个被表示为21），以便将其包含在它们的演进处理中。从邻居的角度来看，当基站21从它的一个邻居接收到该算法时，基站21将该算法作为个体插入到演进算法中的当前算法群中。

以这种方式传播给邻算法的算法不是直接被邻居使用，而是仅仅被包含在将被进一步演进的下一代算法群中。这在图7中示出，其中，从本地基站9的角度来看，邻基站21收到本地基站9的新算法。如果这个收到的算法恰好是基站21的群中的最佳算法，则作为其经常操作的一部分，基因处理器15在后续的演进循环中开始使用该算法。

通过该步骤，在一个基站中演进和验证的好算法被传播给其它基站。这可提高整个网络中算法适配过程的聚合的速度，可看作并行计算的形式，其中，通过一组基站而不是单独地实现搜索。由于基站所经历的不同环境，算法的传播可受到限制。例如，对于繁华城市环境中的基站来说的好算法在郊区或乡下环境中未必工作得好。

如上文所述的算法的传播发生于去往和来自基站，例如，基站向它的邻居发送好算法，并且也从它们那里接收好算法。

算法的类型的示例：优化无线电覆盖范围

下面的示例性实施例描述使用基因编程来创建覆盖范围优化算法。尽管这个实施例在毫微微基站支持的毫微微小区提供的覆盖范围的上下文中进行描述，但是应当理解的是，所描述的技术对于其相应基站支持的其它小区具有同样的适用性。该实施例提供了所需设置的例子，例如，成功演进覆盖范围优化算法所需要的建立块和适合性函数，所述算法针对大量情景和需求改变基站传输功率。如上所述，基因编程提供演进算法，并从而能够被用于自动创建程序来实现某种任务。这些可以被看作是基因算法的专用形式。基因编程演进程序，这通常使用树结构染色体表示，并通常能够提供新颖的设计，这胜过手动地得到的设计。因此，基本意图是应用基因编程来定位用于控制传输功率的自X算法，所述算法在整个网络中产生整体的良好效果。为了使得基因编程能够被成功应用，指定将在基因编程期间使用的函数和终端集111、基因算子112和适合性函数113是必要的。

函数是将输入与对应的输出关联起来的实体，或者是具有执行特定任务的输入的子程序。终端典型地是或者变量（其可表示来自传感器的输入，或表示系统的状态的变量）、常量，或者是没有明确的输入自变量的函数。适合性函数是对个体演进的算法分配质量测量的函数，并被用在基因编程过程中以便表示演进应当适应的需求或特性；其形成选择过程的基础，并驱动后续代中所希望的特质的持续和改善。适合性函数可以非常简单，并且典型地包含它希望最大化或最小化的内容，例如，吞吐量、延迟、收益、覆盖范围、重叠、负载等。适合性函数不需要详细地了解系统，但是适合性函数的准确规范是重要的，特别是在特性由许多不同因素组成的情况。

该实例试图使得自动生成的方案能够基于本地可用信息解决分布式方式中联合覆盖范围优化问题。这通过将终端、函数和适合性函数的特定组合用于基因编程方法以便演进有用的方案来实现。所得到的方案是高度可扩展的，并且在使用集中式或离线优化算法时，可适用于不同的部署情景。当与分布式或在线设计的算法组合时，这进一步增强了所得到的方案对在最初设计时不曾预料到的新挑战的灵活性。因此，为了减少网络信令的数量以及增强其稳定性，基因编程过程被设置为生成非集中式的算法，其中，由个体小区仅使用本地可用信息做出决定。当然，应当理解的是，还有可能以集中式方式执行该过程。

所使用的函数和终端描述在下面的表1中：

表1：函数和终端列表

函数if_L_large，if_O_large以及if_D_large是简单if_else循环的专用形式，所述循环具有来自直接内建的毫微微小区测量的输入。这些专用函数被用于代替基本if_else循环，以加快发现有用的算法。根据网络的需要设置这些函数中使用的阈值。例如，负载阈值L_thr可以被设置为刚好低于小区的最大负载容量。重叠阈值O_thr可以被设置为例如10%重叠，而掉话阈值D_thr可以被设置为2%的掉话率。这些简单if_else循环确定模型化的或实际的负载是否高于所期望的阈值，并且如果是，则将执行分支1否则将执行分支2。当然，应当理解的是，通过使用if_X_small函数的相反情景也可以实现相同的效果，其中，如果值低于阈值则执行分支1，否则执行分支2。结合两个和结合三个的函数使得起源于该函数的分支都相继得到执行。终端是毫微微基站用来增加和降低导频信道功率特定增量的动作。

在示例的办公环境中，可以如下设置基因算子112：

－群大小：100（即，在每个迭代期间生成100个不同的演进算法）

－交叉率：0.9

－变异率：0.1

－最大树深度：8

－最大代数：100

－L_THR：8厄兰（毫微微小区的最大负载容量）

－O_THR：0.3（所接收到的表明所测量的多于一个的导频信道频率在阈值以上的测量报告的数量占用户设备发回的导频功率测量的总数的0.3）

－D_THR：0.1（其表示有10%的概率用户会进入覆盖范围间隙）。

适合性函数113被基因编程过程用于确定在应用于整个网络时演进算法的质量。由F_femto表示，适合性函数113描述网络中所有毫微微小区的适合性：

F_{femto} = \frac{w_{D} (1 - C_{D}) + w_{O} (1 - C_{O}) + w_{L} C_{l}}{w_{D} + w_{O} + w_{L}}

其中，C_D和C_O是用户进入覆盖范围间隙的平均概率以及网络中所有毫微微小区间的平均覆盖范围重叠。负载度量C_L被定义为：

其中，N是网络中毫微微小区的总数，L_i是毫微微小区i所经受的负载。随着毫微微小区承载更多的负载，C_L增加，但是当毫微微小区超出阈值时，降为零，所述阈值例如是毫微微小区的容量或稍微低于容量（防止过载）。

这些度量全部都被归一化使得其值是0≤C_x≤1。权重W_D、W_O和W_L被应用到每个度量，从而根据网络运营商的要求将更多的重要性置于不同对象上是可行的。在例子中，所有权重都被设为1。在该例子中所考虑的覆盖范围间隙、重叠和负载是整个网络的而不是任何一个个体毫微微小区的。这使得分布式算法被演进，以便全局性地优化覆盖范围。这些参数典型地仅被用于评估网络的整体性能，而不是用于典型地仅使用本地信息的分布式算法。

函数和终端集111、基因算子112和适合性函数113被用于推导演进算法。如上所述，每个演进算法都由模型14用来在期望的运行情况下根据该演进算法来调整毫微微基站的导频信道传输功率时，模拟其运行。根据使用该演进算法时所模拟的毫微微基站的运行，确定基站在所期望的运行情况下的性能是可能的。于是，可使用适合性函数来评估该模拟性能，以便确定演进算法在所期望的运行情况下实现所希望的运行特性的能力。

在该实例中，在100代之后，选择被评估为具有最佳适合性水平的算法。图8示出示例性特别简单的算法及其关联的伪码。在实践中，演进算法将远比这个复杂。所选择的算法应该具有在基因编程期间生成的所有算法中的最佳适合性水平，并表示最适合在期望的运行情况下实现所期望的最小重叠和间隙特性但最大的负载的算法。

尽管有可能（经过可能需要的任何验证）将该算法直接应用到基站中，但是通常更希望生成如下面表2所示的更简化的决策表，该决策表于是可被基站快速使用，以低处理开销确定在不同的运行情况中所需要的对传输功率的调整。

L>L_thr?	O>O_thr?	D>D_thr?	修正导频功率：
				否	否	否	+2.0dB
否	否	是	+2.5dB
				否	是	否	+0.5dB

否	是	是	+2.5dB
				是	否	否	－2.5dB
是	否	是	－3.5dB
				是	是	否	－1.0dB
是	是	是	－3.5dB

表2：演进算法的决策树

通过对演进算法的输入、满足所关联的情况的每个条目的值来生成决策表。例如，通过将L设置为小于8、O设置为小于0.3以及D小于0.1，将这些设置值输入到模型14中，以及记录得到的输出是改变传输功率+2.0DB，导出表中的第一个条目。然后，对于示出的每个排列重复该过程，并计算和记录得到的功率变化。于是，该表被传送给基站或者由基站使用。

这里，应当注意的是，由于演进过程的随机性，很可能对于每个演进运行，演进出不同的算法。这里示出的决策表是根据演进算法生成的，该演进算法仅仅是基因过程的一次运行的结果，并且再次运行演进过程将产生另一算法。所得到的演进算法中的差异可能是轻微的，但是也有产生了适应不同策略的算法的可能。

如上所述，所产生的算法是在集合了充足的测量和统计之后调整毫微微小区的导频信道功率（并进而调整覆盖范围区域）的一个算法。毫微微小区在数据集合时段所集合的统计是所经历的最高负载L、所评估的覆盖范围重叠O以及用户进入毫微微小区覆盖范围间隙D的概率。

这里所考虑的关于负载L的单位是以厄兰测量的语音业务，尽管负载的其它度量也可以被使用。重叠O是毫微微小区的总覆盖范围区域中经历与邻毫微微小区覆盖范围重叠的比例。使用用户设备发回的测量来近似地估计重叠。重叠覆盖范围的区域被定义为其中用户设备测量到高于阈值的导频功率来自多于一个的毫微微小区的区域。毫微微基站跟踪接收自用户设备的所接收的测量报告的总数M_thr>1，其中，用户设备所测量的多于一个的导频信道功率高于阈值。通过M_thr>1与毫微微小区的用户发回的导频功率测量的总数M_total的比，即O＝M_thr>1/M_total，来估计重叠。用户进入毫微微小区覆盖范围间隙的概率被计算为D=n_D/（n_D+n_F），其中，n_D是毫微微小区的用户进入覆盖范围间隙的次数，其可从毫微微小区与基础宏小区间的切换数导出。可替代地，如果不存在基础宏小区，则n_D可以是用户报告回来低于最小阈值的导频功率测量的次数。n_F是用户经由毫微微小区到毫微微小区切换已经离开毫微微小区的总数。

如可从图9看出的，当在基站中使用演进算法时，负载、重叠和覆盖范围都紧密地汇聚到阈值组。另外，如可从图10看出的，演进算法保持接近于毫微微小区容量的负载，而具有固定传输功率的传统布置则导致一些基站变得负载较轻而其它变得过载（并因此不得不拒绝呼叫请求）。

因此，可以看出上述方案使得针对特定情景自动创建的高效、分布式覆盖范围优化算法能够非常快速地实现不同目的。例如，使用繁华城市环境的网络模型，可演进出在这种环境中很好地执行的算法，并可以简单地替换用于生成能够在郊区环境很好地执行的算法的网络模型。所使用的适合性函数能够被容易地修改，以包括其它性能度量，例如算法汇聚速度以及信令开销。当结合基因编程的在线实施来使用时，该技术使得基站作为响应自动和持续适应和优化其覆盖范围算法的能力能够随环境变化。

本领域技术人员将容易理解，多种上述方法的步骤能够通过编程的计算机来实现。这里，一些实施例还旨在覆盖编程存储设备，例如，数字数据存储器媒体，它是机器或计算机可读以及编码机可执行或计算机可执行的程序指令，其中，所述指令执行上述方法的一些或所有步骤。程序存储设备可以是，例如数字存储器，诸如磁盘和磁带的磁存储介质，硬盘，或光可读数字数据存储介质。实施例还旨在覆盖被编程为实现上述方法的所述步骤的计算机。

图中示出的各种元件的功能，包括被标识为“处理器”或“逻辑”的任何功能模块，可以通过使用专用硬件以及能够执行软件的硬件与适当软件的结合来提供。当由处理器提供时，功能可由单个专用处理器、单个共享处理器或其中某些被共享的多个单独处理器来提供。另外，术语“处理器”或“控制器”或“逻辑”的明确使用不应当被理解为绝无例外地指能够执行软件的硬件，其可隐含地包括但不局限于数字信号处理器（DSP）硬件、网络处理器、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、用于存储软件的只读存储器（ROM）、随机存储器（RAM）和非易失性存储器。也可以包含其它传统的和/或定制的硬件。同样，图中示出的任何转换仅是概念性的。其功能可通过编程逻辑的运算、通过专用逻辑、通过程序控制与专用逻辑的交互、或者甚至是人工的交互、实现者对环境的理解选为更具体的特定技术来实现。

本领域技术人员应当知道的是，这里的任何模块图表示体现本发明原理的示例性概念图。同样，应当知道的是，任何流程图、流图、状态转换图、伪码等表示各种过程，其可实际被表示在计算机可读介质中并从而可由计算机或处理器执行，而不管这种计算机或处理器是否被明确地示出。

说明书和附图仅示例性示出本发明的原理。因此应当知道的是，本领域技术人员能够设计出尽管这里没有明确描述或示出、但体现本发明的原理的各种布置，其包含在本发明的精神和范围内。另外，这里所引用的所有例子主要用来示范目的，以帮助读者理解本发明的原理及发明人对改进现有技术做出贡献的概念，并且应被视为不是局限于这种详细阐述的例子和情况。另外，这里引用原理，方面和本发明实施例的所有陈述及其中的具体实例，都旨在涵盖其等效物。

Claims

1.一种通过基因编程生成演进算法的方法，所述演进算法用于调整基站传输功率以控制小区的覆盖范围，以助于提供希望的基站运行特性，所述方法包括步骤：

使用函数和终端列表中定义的预定函数和终端，生成多个演进算法，每个演进算法都确定对于任何特定的基站运行情况，是否调整所述基站传输功率；

确定适合性水平，其指示每个演进算法调整基站传输功率以控制覆盖范围从而实现期望的运行情况下所述希望的基站运行特性的能力，其中，该确定步骤包括在所述期望的运行情况下使用所述演进算法中的每一个时模拟基站的运行，以生成模拟的运行度量，以及将这些模拟的运行度量应用于表示所述希望的基站运行特性的适合性函数，以确定所述适合性水平；以及

使用被确定为已实现特定适合性水平的所述演进算法中的至少一个，迭代地执行所述生成和确定步骤以便生成进一步的演进算法。

2.如权利要求1所述的方法，其中，所述函数至少包括条件语句，其用于基于基站运行情况及其对应的希望的基站运行特性间的关系，从不同结果进行选择。

3.如权利要求2所述的方法，其中，所述条件语句包括if_else语句，其用于在所述特定基站运行情况大于与所述对应的希望的基站运行特性相关的预定阈值时选择第一结果以及否则选择第二结果。

4.如前述任一权利要求所述的方法，其中，所述终端包括基站传输功率的增加、降低和不变化中的至少一个。

5.如权利要求1所述的方法，其中，所述适合性函数的算子被加权，以助于对所述适合性函数进行调整以便表示所述希望的基站运行特性中的调整。

6.如权利要求1或5所述的方法，其中，所述适合性函数包括：

F = \frac{w_{D} (1 - C_{D}) + w_{O} (1 - C_{O}) + w_{L} C_{L}}{w_{D} + w_{O} + w_{L}}

其中，F是所述适合性水平，C_O、C_D和C_L分别是覆盖范围重叠度量的模拟平均、模拟的平均覆盖范围间隙度量以及模拟的负载度量，而W_O、W_D和W_L是权重。

7.如权利要求6所述的方法，其中，根据下面的算法确定C_L：

其中，N是网络中小区的总数，L_i是基站i所经历的负载，并且L_thr是被设置为等于或低于该基站最大负载容量的阈值。

8.如前述权利要求1、2、3、5或7所述的方法，包括步骤：

选择所述演进算法中所希望的一个，并创建表示所述演进算法中所希望的那个算法的决策表，所述决策表用于向基站指示任何特定基站运行情况所要求的对所述基站传输功率的调整。

9.如权利要求8所述的方法，其中，所述决策表包括基站运行情况与所关联的阈值间的关系的每个排列的条目，每个条目都指示该排列所要求的对所述基站传输功率的调整。

10.一种利用演进算法的方法，所述演进算法用于调整基站传输功率以控制小区的覆盖范围，以助于提供所希望的基站运行特性，所述方法包括步骤：

确定基站运行情况；以及

将所述基站运行情况应用于所述演进算法，以确定是否调整所述基站传输功率；

其中，所述基站运行情况包括基站负载、覆盖范围重叠和覆盖范围间隙中的至少一个，并且所述确定步骤包括以下对应的至少一个：

通过对基站在预定时段所经历的最高负载进行测量，来确定所述基站负载；

从接收到的测量报告确定所述覆盖范围重叠，所述测量报告指示从其它基站接收到的具有高于预定阈值的功率的传输；以及

从接收到的信息确定所述覆盖范围间隙，所述信息指示已发生的由于缺少覆盖范围导致的多个切换和多个掉话中的至少一个。

11.一种通过基因编程生成演进算法的网络节点，所述演进算法用于调整基站传输功率以控制小区的覆盖范围，以助于提供希望的基站运行特性，所述网络节点包括：

生成逻辑块，其用于使用函数和终端列表中定义的预定函数和终端，生成多个演进算法，每个演进算法都确定对于任何特定的基站运行情况，是否调整所述基站传输功率；

确定逻辑块，其用于确定适合性水平，其指示每个演进算法调整基站传输功率以控制覆盖范围从而实现期望的运行情况下所述希望的基站运行特性的能力，其中，所述确定逻辑块可操作用于在所述期望的运行情况下使用所述演进算法中的每一个时模拟基站的运行，以生成模拟的运行度量，以及将这些模拟的运行度量应用于表示所述希望的基站运行特性的适合性函数，以确定所述适合性水平；以及

控制逻辑块，其用于使用被确定为已实现特定适合性水平的所述演进算法中的至少一个，控制所述生成逻辑块和确定逻辑块以便迭代地生成进一步的多个演进算法。

12.如权利要求11所述的网络节点，其中，所述网络节点包括基因编程单元和基站中的一个。

13.一种通过基因编程生成演进算法的设备，所述演进算法用于调整基站传输功率以控制小区的覆盖范围，以助于提供希望的基站运行特性，所述设备包括：

用于使用函数和终端列表中定义的预定函数和终端，生成多个演进算法的装置，每个演进算法都确定对于任何特定的基站运行情况，是否调整所述基站传输功率；

用于确定适合性水平的装置，所述适合性水平指示每个演进算法调整基站传输功率以控制覆盖范围从而实现期望的运行情况下所述希望的基站运行特性的能力，其中，该装置进一步包括用于在所述期望的运行情况下使用所述演进算法中的每一个时模拟基站的运行，以生成模拟的运行度量，以及将这些模拟的运行度量应用于表示所述希望的基站运行特性的适合性函数，以确定所述适合性水平的装置；以及

用于使用被确定为已实现特定适合性水平的所述演进算法中的至少一个，迭代地执行所述生成和确定步骤以便生成进一步的演进算法的装置。