CN103188695A - 一种室内天线的布放方法及系统 - Google Patents

Abstract

本发明提供了一种室内天线的布放方法及系统。其中，所述方法包括：确定天线数量的初始值；利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。本发明能够降低室内天线布放的实现复杂度、改善覆盖效果并降低设备成本。

Description

一种室内天线的布放方法及系统

技术领域

本发明涉及室内环境下的无线网络规划的优化领域，具体涉及一种室内天线的布放方法及布放系统。

背景技术

室内无线信号覆盖中核心的问题是室内天线位置的定位和优化问题，现有技术中常用的有以下两种解决方案：

(1)通过人工调整不同天线位置，然后测试结果并选择最合适的天线位置。这种方案主要是设计人员通过实地勘察并根据个人经验和直觉选择天线的安装位置和配置。

(2)利用专用室内覆盖预测软件进行半自动化选择最优位置。这种方案主要是利用软件辅助设计人员验证已布放的天线位置是否能达到所要求的指标，减轻现场勘察、测试的工作量。现有的室内覆盖软件有：摩托罗拉(Motorola)公司的室内规划软件EnterprisePlanner、广州天越电子有限公司室内覆盖设计软件Visio版和得赛易室内覆盖设计系统等。

以上提到的室内覆盖软件都是支持手动设计各种网络的铺设及仿真，而室内天线的布放方案还是需要工程师根据经验进行设计。其缺点在于：

(1)天线布放数量与布放点位密切相关，人工经验设计无法遍历所有的布放方案，进而很难选择出覆盖效果与经济成本兼顾的最优方案。

(2)通过现有技术可以检验设计方案是否能够满足覆盖要求，但如果不满足覆盖要求则需要重新设计，耗费人力物力。

(3)通过现有技术检验，即便能满足覆盖要求，也无法保证所用的天线面数最少、最节约成本。

发明内容

有鉴于此，本发明的目的是提供一种室内天线的布放方法及系统，用以降低室内天线布放的实现复杂度、改善覆盖效果并降低设备成本。

为解决上述技术问题，本发明提供方案如下：

一种室内天线的布放方法，包括：

确定天线数量的初始值；

利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；

调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。

优选地，上述方法中，所述确定天线数量的初始值包括：

根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积；

根据室内面积和所述有效覆盖面积，确定所述初始值。

优选地，上述方法中，所述无线信号室内传播模型为Keenan-Motley模型，所述有效覆盖面积是根据所述Keenan-Motley模型，在没有空间障碍阻挡无线信号传输的情况下求解得到的。

优选地，上述方法中，

所述有效覆盖面积为一圆形区域，所述确定所述初始值包括：

获得所述圆形区域的内切正方形的第一面积；

将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。

优选地，上述方法中，所述利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案，包括：

将室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标；

利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。

优选地，上述方法中，

所述利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，包括：

步骤A，按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数；

步骤B，执行一次迭代操作，包括：基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群；

步骤C，判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高：若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群，返回步骤B。

优选地，上述方法中，

所述基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群，包括：

从当前种群中删除不满足预设约束条件的个体；

针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度；

基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。

优选地，上述方法中，所述至少两个目标函数包括：

用于表征所述室内所有位置点处的天线功率的第一目标函数，和

用于使所述室内所有位置点处的信噪比最大化的第二目标函数。

优选地，上述方法中，所述预设约束条件包括：

所述室内的天线信号的覆盖率大于或等于预设的第一下限值；和/或

所述室内的天线信号的平均信号强度大于或等于预设的第二下限值。

优选地，上述方法中，所述调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，包括：

步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件：若满足，则进入步骤2；若不满足，则进入步骤4；

步骤2，将天线数量更新为int(N/2)，其中int(N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3；

步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤1；

步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件：若满足，则进入步骤5；若不满足，则进入步骤6；

步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；

步骤6，将天线数量更新为N+1后，返回步骤3。

本发明还提供了一种室内天线的布放系统，包括：

确定单元，用于确定天线数量的初始值；

算法处理单元，用于利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；

最优解获得单元，用于调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。

优选地，上述系统中，所述确定单元包括：

面积计算单元，用于根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积；

初始值确定单元，用于根据室内面积和所述有效覆盖面积，确定天线数量的初始值。

优选地，上述系统中，

所述有效覆盖面积为一圆形区域，所述初始值确定单元，具体用于：

获得所述圆形区域的内切正方形的第一面积；

将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。

优选地，上述系统中，所述算法处理单元包括：

栅格化单元，用于将所述室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标；

求解单元，用于利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。

优选地，上述系统中，所述求解单元包括：

初始种群产生单元，用于按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数；

迭代单元，用于执行一次迭代操作，包括：基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群；

第一判断单元，用于判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高：若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群并触发所述迭代单元。

优选地，上述系统中，所述迭代单元包括：

删除单元，用于从当前种群中删除不满足预设约束条件的个体；

适应度计算单元，用于针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度；

进化单元，用于基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。

优选地，上述系统中，所述至少两个目标函数包括：

用于表征所述室内所有位置点处的天线功率的第一目标函数，和

用于使所述室内所有位置点处的信噪比最大化的第二目标函数。

优选地，上述系统中，所述预设约束条件包括：

所述室内的天线信号的覆盖率大于或等于预设的第一下限值；和/或

所述室内的天线信号的平均信号强度大于或等于预设的第二下限值。

优选地，上述系统中，所述最优解获得单元，具体用于执行以下步骤：

步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件：若满足，则进入步骤2；若不满足，则进入步骤4；

步骤2，将天线数量更新为int(N/2)，其中int(N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3；

步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤1；

步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件：若满足，则进入步骤5；若不满足，则进入步骤6；

步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；

步骤6，将天线数量更新为N+1后，返回步骤3。

从以上所述可以看出，本发明提供的室内天线的布放方法及系统，能够根据预先设定的多个目标值(包括网络制式、覆盖率要求、个性化场所优先要求、成本要求等)，通过遗传算法运算海量天线布放方案，并从中“进化”出满足上述多目标值的最优方案，从而使得设计人员可以根据本发明计算的天线最优数量和位置对比实际情况进行调整，为降低天线布放设计难度、节省覆盖成本、提高覆盖效率提供科学高效的支撑手段。

附图说明

图1为本发明实施例提供的一种室内天线的布放方法的流程示意图；

图2为本发明实施例提供的一种室内天线的布放系统的结构示意图；

图3为本发明实施例提供的室内天线的一种布放方法的总体流程图；

图4为本发明实施例多目标进化算法中生成编码的流程示意图；

图5为本发明实施例多目标进化算法中计算适应度的流程示意图；

图6为本发明实施例多目标进化算法中进化算法操作的流程示意图；

图7为本发明实施例利用二分法寻找满足覆盖约束条件的最少天线数的布放方案的流程示意图。

具体实施方式

为帮助更好地理解本发明，首先对本发明实施例中涉及到的多目标进化算法进行介绍说明。

多目标进化算法是遗传算法的一个分支，这个算法与单目标优化算法最大的区别是，它有多个目标需要同时实现最优化。从内在机制来看，多目标进化算法采用了改进的选择机制，以便反映基于Pareto最优的选择特征，并且采用小生境技术来争取使得Pareto前端上解点呈现均匀分布。

多目标进化算法是从代表问题可能潜在的解集的一个种群(population)开始的，而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)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，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。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，可以进行简化，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(generation)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(fitness)大小选择(selection)个体，并借助于自然遗传学的遗传算子(genetic operators)进行组合交叉(crossover)和变异(mutation)，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(decoding)，可以作为问题近似最优解。

小生境是在特定环境中的一种组织功能，在进化算法中，为了保持进化群体的多样性，模拟自然界生物的“物以类聚”现象，即是小生境技术。小生境技术将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个群，再在群中，以及不同群中之间，杂交，变异产生新一代个体群，即新一代的种群。

如果个体x⁽¹⁾和x⁽²⁾满足对于所有i＝1，2，…，N，有f_i(x⁽¹⁾)不劣于f_i(x⁽²⁾)，且至少存在一个i∈{1，2，…，N}，有f_i(x⁽¹⁾)优于f_i(x⁽²⁾)，那么个体x⁽¹⁾占优于x⁽²⁾。在一组解P中，非劣解组(Non-dominated set)是指所有那些不被P中的任何个体占优的个体组成的一组解，当P是整个搜索空间时，所得的非劣组即为Pareto占优解。这里，f_i表示目标函数i，N表示目标函数的总个数，P表示解空间。

小生境遗传算法中的NPGA(Niche Pareto Genetic Algorithm)和SGA(Simple Genetic Algorithm)主要区别在于选择机制和适应度赋值方式不同。NPGA采用Pareto优胜关系进行锦标赛选择，并使用适应度共享机制。其中，适应度共享机制是指，通过反映个体之间的相似程度的共享函数来调节群体中各个个体的适应度，从而在这以后的群体进化过程中，算法能够依据这个调整后的新适应度来进行选择运算，以维持群体的多样性，创造出小生境的进化环境。适应度共享：若个体a，b∈P(i)，且点a和点b之间的基因型距离D(a，b)≤σ_share，则对个体解点a和b的适应度进行修正，使得Φ_i(a)：＝Φ_i(a)-X(D)，Φ_i(b)：＝Φ_i(b)-X(D)，其中X是由点a和b的个体之间的距离D来确定，σ_share是小生境半径。小生境数目n_i是指在基因型空间或表现型空间中位于第i个小生境部分内的个体数目。基于小生境的选择算子：如果对于两个非劣个体a和b实施选择，设n_i(a)、n_i(b)分别为个体a和b在第i个小生境部分内的个体数目，则从min(n_i(a)，n_i(b))中选择相应的个体为选中的具有最小小生境数目的个体。

多目标算法需要考虑几个关键：多目标的处理、多约束的处理、高维整数规划问题。对于多目标而言，需要借助多目标Pareto最优算法来求解；对于多约束而言，可以结合上面的基本遗传算法作为求解的启发式信息来改进多目标进化算法；对于高维整数规划问题而言，需要利用遗传算法来求解。因此本发明实施例采用多目标算法中的小生境Pareto遗传算法(Niche Pareto GeneticAlgorithm)。和传统的单目标优化不同，多目标进化需要同时优化多个目标，必须同时处理多个适应度函数，上面的算法框架中的初始化来自之前获得的初始解集，然后采用Pareto占优以及采用小生境方式来获得Pareto前端上均匀分布的解点，一种伪码表示的流程如下：

t：＝0

初始化 $P\left(0\right):=\{a_1\left(0\right),...,a_{\mathrm{\μ}}\left(0\right)\}\∈I^{{\mathrm{\μ}}^{\left(0\right)}}$

计算个体的适应度F_i(0)，i∈N

根据个体的适应度进行基于Pareto非劣解降序排列，并记忆前m个，m＜N

While(Δ({P(0)，…，P(t)})≠true)    DO

交叉 $P^{\′}\left(t\right):=r_{{\mathrm{\Θ}}_r^{\left(t\right)}}^{\left(t\right)}\left(P\left(t\right)\right)$

变异 $P^{\′\′}\left(t\right):=m_{{\mathrm{\Θ}}_r^{\left(t\right)}}^{\left(t\right)}\left(P^{\′}\left(t\right)\right)$

选择If ∏

$\mathrm{Then\; P}(t+1):=S_{({\mathrm{\Θ}}_s^{\left(t\right)},\mathrm{\Φ})}^{\left(t\right)}(P^{\′\′}\left(t\right))$

$\mathrm{Else\; P}(t+1):=s_{({\mathrm{\Θ}}_s^{\left(t\right)},\mathrm{\Φ})}^{\left(t\right)}(P^{\′\′}\left(t\right)\∪P\left(t\right))$

End If

小生境处理：将上一步得到的N个个体和前面记忆的m个个体合并，计算N+m个个体间的海明距离： $\sqrt{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ik}}-P_{\mathrm{jk}})}^2},\left(\begin{array}{c}i=1,...,N+m-1\\ i=i+1,...,N+m\end{array}\right)$

当个体间的海明距离小于小生境距离时，适应度较低的个体将被惩罚，

多约束的处理：个体都满足约束，则目标占优者为优；

              个体超出约束范围，则超出量小者占优，

处理完毕后再进行基于Pareto非劣解降序排列，并记忆前m个，

t：＝t+1

End Do

以上流程中的算子及其符号：

1、I为个体空间中的一个非空集合；

2、{μ⁽ⁱ⁾}，i∈N为父代群体大小，{μ_gen ⁽ⁱ⁾}，i∈N为子代群体大小，N为个体数量；

3、P为父代群体之解，P′为交叉后的解，P″为变异后的解；

4、Φ：I→R^k为k个适应度函数的映射，个体的适应度为F_i，i∈N；

5、 $\mathrm{\Δ}:{\∪}_{i=1}^{\∞}{\left(I^{\mathrm{\μ}}\right)}^{\left(i\right)}\→\{\mathrm{ture},\mathrm{false}\}$ 为进化终止判断准则；

6、∏∈{ture，false}为布尔逻辑判断符；

7、r为交叉操作算子、m为变异操作算子和s为选择操作算子；

8、

为交叉参数、

为变异参数和

为选择参数。

本发明将多目标进化算法应用于室内天线布放领域，通过首先确定天线数量的初始值；然后，利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；继而，调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，最终寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

请参照图1，本发明实施例提供了一种室内天线的布放方法，可以实现多制式室内分布系统智能布放。如图1所示，该方法包括以下步骤：

步骤11，根据预先确定的无线信号室内传播模型，计算一面天线的有效覆盖面积。

这里，无线信号室内传播模型可以采用Keenan-Motley模型，所述有效覆盖面积可以根据对不同制式天线信号强度的要求以及无线信号在空间传输过程中的衰减计算获得，通常可以在没有空间障碍阻挡无线信号传输的情况下计算得到。

步骤12，根据室内面积和所述有效覆盖面积，确定天线数量的初始值。

这里，预先求解出一个可能会满足基本覆盖要求的天线数量的初始值。具体的初始值的求解方法可以有多种，在获得初始值之后，本发明实施例进一步判断在该初始值下天线是否满足预定要求，进而对天线数量进行相应增减，以寻找到最为合适的天线数量。因此本发明实施例的实施并不受限于初始值的求解方式，在天线的有效覆盖面积为一圆形区域，可以采用的一种求解方式为：获得所述圆形区域的内切正方形的第一面积；将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。

步骤13，将所述室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有经纬度坐标。

这里，由于连续的室内空间平面上包括无数个点，本发明实施例为了简化处理，通过栅格化处理，将平面转换为多个栅格，每个栅格具有预定的形状和面积，从而将每个栅格作为一个位置点，该位置点的具体坐标可以采用栅格中心点的位置坐标。天线布放的位置点(经纬度坐标)是多目标进化算法要求的解。

以上步骤11和步骤12获得了天线数量的初始值，步骤13则是将室内面积转换为便于算法求解的栅格，步骤11、12与步骤13之间并无必然的先后顺序关系，可以先执行步骤11、12，后执行步骤13；也可以先执行步骤13，后执行步骤11、12。

步骤14，利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。

这里，布放指标具有可以包括无线信号的覆盖率、无线信号的覆盖强度、信噪比等指标。在工程应用中，通常会给出具体的指标需求，本发明实施例可以依据这些指标需要，设计出对应的目标函数，来考察这些指标。例如，设置用于表征所述室内所有位置点处的天线功率的第一目标函数，和用于使所述室内所有位置点处的信噪比最大化的第二目标函数。

本发明实施例根据对室内天线布放指标的需求，设置两个以上的目标函数，然后，利用多目标进化算法，可以从天线数量的初始值开始，计算在当前天线数量的天线情况下，满足预定约束条件的天线最优布放位置点方案。

步骤15，调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出满足预设约束条件且具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。

这里，通过调整天线数量，并求解得到在不同天线数量的情况下天线的最优布放位置点方案，进而选择出满足预设约束条件且具有最少天线数量的所述最优布放位置点方案。具体的约束条件可以是无线信号覆盖率大于或等于某个预设第一下限值、无线信号的平均信号强度大于或等于某个预设第二下限值等等。对于某个天线数量下天线的最优布放位置点方案的计算，可以采用步骤14中相同的计算方式。

通过以上步骤，本发明实施例能够根据预先设定的目标函数，通过遗传算法运算海量天线布放方案，并从中“进化”出满足上述多目标值(如网络制式、覆盖率要求、个性化场所优先要求、成本要求等)的最优方案，从而使得设计人员可以根据计算的天线最优数量和布放位置点进行天线布放或对实际天线布放情况进行调整，从而为降低天线布放设计难度、节省覆盖成本、提高覆盖效率提供了科学高效的支撑手段。

本发明实施例在上述步骤14中，计算当前天线数量下天线的最优布放位置点方案，可以包括以下步骤：

步骤A，按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数。

这里，将若干数量的天线均匀分布在室内，可能只有一种均匀分布的个体；而将若干数量的天线随机分布在室内，则可能有很多种布放的个体。因此，在按比例混合时，例如按3∶5的比例混合，此时需要将均匀分布的个体复制3份，然后与5份随机布放的个体混合，得到包括有8份个体的初始种群。

步骤B，执行一次迭代操作，包括：基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群。

步骤C，判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高：若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群，返回步骤B。

其中，上述步骤B中的一次迭代操作又具体可以包括以下步骤：

步骤B1，从当前种群中删除不满足预设约束条件的个体。

步骤B2，针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度。

步骤B3，基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。

本发明实施例在上述步骤15中，可以有多种方式调整天线数量，进而求解在不同天线数量下天线的最优布放位置点方案。例如，如果当前数量的天线满足预设约束条件，则可以减小天线数量(例如天线数量减1)后，再次求解该天线数量下天线的最优布放位置点方案，直至找到在某个数量的天线下的最优布放位置点方案不能满足预设约束条件，则最少天线数量为当前天线数量加1，且最少天线数量的所述最优布放位置点方案为上一次的布放方案。

为了加快算法的收敛过程，本发明实施例在上述步骤15中，采用二分法的方式寻找最少天线数量。此时，上述步骤15具体可以包括：

步骤151，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件：若满足，则进入步骤152；若不满足，则进入步骤154；

步骤152，将天线数量更新为int(N/2)，其中int表示向上取整，N表示天线数量的当前值，进入步骤153；

步骤153，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤151；

步骤154，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件：若满足，则进入步骤155；若不满足，则进入步骤156；

步骤155，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；

步骤156，将天线数量更新为N+1后，返回步骤153。

以上结合图1说明了本发明实施例的天线布放方法。从以上所述可以看出，本发明实施例的天线布放方法，可以概括为以下步骤：

1)根据室内覆盖传播模型，得到一面天线的覆盖面积；

2)根据室内面积和一面天线的覆盖面积，得到初始天线数量；

3)根据初始天线数量，利用多目标优化算法，得到初始天线数量下的最优布放位置点方案；

4)用二分法寻找最少的所需天线数量：如果初始天线数量下的最优布放位置点方案满足指定的约束条件(例如覆盖率大于或等于某个下限值、平均信号强度大于或等于某个下限值)，则将初始天线数量折半，否则，将初始天线数量加1；

5)将步骤3)和步骤4)中的初始天线数量替换为折半后的天线数量或增加后的天线数量，重复执行步骤3)和步骤4)，直至得到能够满足多目标要求的最少天线数量时的最优布放位置点方案为止。

其中，上述步骤3)又可以概述为如下所示：

3.1.将室内面积栅格化为位置点，每个位置点有其经纬度坐标等属性，天线布放的位置点(经纬度坐标)是多目标进化算法要求的解；

3.2.编码：将天线布放的位置点转化为二进制编码，便于进行多目标进化算法的遗传、交叉、变异等操作；

3.3.产生初始种群：产生指定数量的初始天线均匀布放及随机布放位置点方案，每个方案是一个初始个体，按指定比例混合这些个体，即产生初始种群；

3.4.计算适应度：根据天线覆盖区域最大化、信号强度平均化、整个区域的平均信号强度最大化等准则，设计多目标进化算法的目标函数及约束条件，并计算步骤3.3初始种群中的每个个体方案的适应度；

3.5.多目标进化操作：采用Pareto占优以及小生境技术选取适应度较高的个体方案，并进行遗传算法的交叉和变异操作产生新的个体，这些个体混合在一起产生新一代种群；

3.6.将步骤3.4、3.5中的初始种群替换为新一代种群，并重复执行步骤3.4、3.5，随着迭代次数的增多，新一代种群中个体的适应度将不断提高，直到达到指定的迭代次数，或适应度已无改善空间为止；

3.7.选取最后一次迭代的种群中，适应度最高的个体作为最优解，即一定天线数量(第一次计算时是指初始天线数量)下的最优布放位置点方案。

本发明实施例还提供了一种室内天线的布放系统，如图2所示，包括：

确定单元，用于确定天线数量的初始值；

算法处理单元，用于利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；

最优解获得单元，用于调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。

其中，所述确定单元包括：

面积计算单元，用于根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积；

初始值确定单元，用于根据室内面积和所述有效覆盖面积，确定天线数量的初始值。

这里，所述有效覆盖面积可以为一圆形区域，此时所述初始值确定单元，具体用于：获得所述圆形区域的内切正方形的第一面积；将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。

本实施例中，所述算法处理单元可以包括：

栅格化单元，用于将所述室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标；

求解单元，用于利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。

其中，所述求解单元又可以包括：

初始种群产生单元，用于按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数；

迭代单元，用于执行一次迭代操作，包括：基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群；

第一判断单元，用于判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高：若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群并触发所述迭代单元。

其中，上述迭代单元又可以包括：

删除单元，用于从当前种群中删除不满足预设约束条件的个体；

适应度计算单元，用于针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度；

进化单元，用于基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。

本实施例中，所述至少两个目标函数包括：

用于表征所述室内所有位置点处的天线功率的第一目标函数，和

用于使所述室内所有位置点处的信噪比最大化的第二目标函数。

所述预设约束条件包括：

所述室内的天线信号的覆盖率大于或等于预设的第一下限值；和/或

所述室内的天线信号的平均信号强度大于或等于预设的第二下限值。

本实施例中，所述最优解获得单元可以通过二分法快速地寻找到最优解，此时，所述最优解获得单元，具体用于执行以下步骤：

步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件：若满足，则进入步骤2；若不满足，则进入步骤4；

步骤2，将天线数量更新为int(N/2)，其中int(N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3；

步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤1；

步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件：若满足，则进入步骤5；若不满足，则进入步骤6；

步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；

步骤6，将天线数量更新为N+1后，返回步骤3。

为了更好地理解本发明上述实施例，以下通过更为细致的描述，对本发明实施例作进一步的说明。

本发明实施例通过建立解决室内分布系统布放最优化问题的数学模型，对该模型进行求解，获得最少天线数量下的天线最有布放位置点方案。

其中，室内覆盖系统数学模型包含三个基本因素：变量、约束和目标函数：

(1)变量是优化求解过程中所选定的基本参数，在室内覆盖系统中就是天线的位置。由于空间是连续的，天线的位置具有无限的可能性，这将使得该数学模型是一个NP-Hard问题。因此本算法对其进行了简化，将空间划分成离散化的网格，以网格为单位用作天线的布点位置，这样就使得该模型具有有限的变量，每个变量的取值只能是0或1(0代表对应网格不布置天线，1表示对应网格布置天线)。

(2)约束是指在优化过程中对变量取值所给予的限制条件。本模型最主要的约束是天线的布放方案必须满足覆盖的需求。本模型的约束条件例如可以包括以下两者之一或全部：

约束条件一：无线信号的有效覆盖率大于或等于预设的第一下限值(例如90％)，有效覆盖是指覆盖信号强度大于某个预设门限；

约束条件二：室内无线信号的平均信号强度大于或等于预设的第二下限值(例如-70dBm)。

约束条件一是使室内各空间中，平均信号强度大于或等于某个下限值的空间占总室内空间的比例不应低于特定的下限；

在一般的室内条件下，噪声信号的强度通常服从固定的高斯分布，其平均强度可以认为不变，因此约束条件二中的平均信号强度可以转化为信噪比。

这两个约束条件是现实工程中的硬性指标，本发明实施例希望在工程的基础上更进一步的找到最优解，所以设定了两个新的目标函数。信号强度约束条件为提供的是一个变量的下限值，而信噪比最大化目标函数指明了一个优化的方向，因此两者并不冲突。

(3)目标函数是对满足约束的可行解的一个衡量标准函数。根据工程实践，本模型的主要目标是

A、天线有效覆盖的区域最大化；

B、覆盖范围内的信号强度平均化；

C、使整个区域的平均信号覆盖强度最大化。

其数学表达将在后续的算法流程步骤中详述。

同时，对网络运营商来说，在满足覆盖约束条件的前提下，希望网络建设投资最少，即天线面数最少，因此，当计算出当前天线面数的条件下符合目标函数的最优解后，本发明实施例还进一步引入二分法，搜索更优的天线面数，直到找到满足覆盖约束的最少天线数的布放方案为止。

需要说明的是，本发明实施例涉及基于多制式技术的室内覆盖技术，对于例如GSM+TD-SCDMA+WLAN三种制式下的室内分布系统，本发明实施例可以综合考虑三种制式的网络协同覆盖需要(例如通过不同制式网络的发射功率来决定传播模型的参数选择，从而获取相应的覆盖范围)，通过计算室内传播模型下各制式信号强度衰减情况，确定室内覆盖系统中所需放置的天线数量及其位置。

为实现上述的技术方案，本发明实施例提出了如下的具体算法流程：

步骤一、确定覆盖天线数量的初始值。

室内无线信道有两个方面不同于传统的移动无线信道——覆盖距离更小，环境的变动更大。建筑物内传播会受到诸如建筑物的布置、材料结构和建筑物类型等因素的强烈影响。

在室内的传播模型中被广泛采用的是Keenan-Motley模型，Keenan-Motley模型的计算公式为：

$L=20\log \left(\frac{4\mathrm{\πd}}{\mathrm{\λ}}\right)+\mathrm{kK}+\mathrm{pW}+C$

其中，L是发射天线口到指定测试点之间的路径损耗；d是发射天线口到指定测试点的距离；k是从发射天线口到指定测试点间连线所经过的地板的层数；K是地板的衰减因子；p是墙的层数，p的大小受墙的衰减因子的影响，墙衰减因子越大，信号穿过墙面后衰减越大，此时p往往越小；W是墙的衰减因子；C是实验校正因子。这些参数可以通过工程中的人工模拟测试调校获得。

在本发明实施例中，Keenan-Motley模型的实现算法如下：

首先，建设区域的覆盖问题可以被描述为一个几何圆覆盖的问题，即如何用最小数目的圆来覆盖给定的区域，这里的圆表示的是发射天线的有效覆盖范围。在这一步中，我们可以保守的确定在满足系统设计要求的前提下，覆盖给定区域可能需要的最大天线数量Nmax。

由该问题抽象出来的数据结构如下：

1.发射机数据表。

包含二维空间内发射机的横纵坐标，以及每个天线(即发射机)的初始发射功率，具体请参见下表1所示。假设发射机个数为n，则包含所有发射机数据的总表大小为3*n，即总表共有参数3*n个。

	初始发射功率值	横坐标	纵坐标
				天线1	功率1	横坐标1	纵坐标1
......	......	......	......
				天线n	功率n	横坐标n	纵坐标n

表1

2.位置点数据表

此表包含每一个栅格化后室内位置点的横纵坐标、从每个发射机出发到达该位置点所要穿过的墙面数、地板数以及每个发射机到此位置点的功率，具体请参见下表2。假设室内空间可以栅格化为m个位置点，则室内空间所有位置点的数据表大小为m*(3*n+2)。

表2

其中，室内空间的栅格化操作可以是指，根据用户要求的精度，用一个点表示平面空间的一个区域，如正方形区域，即把空间划分为一系列相互连接且互不重叠的栅格，以栅格中心点的坐标作为栅格化位置点的坐标。

3.空间墙面和地面的表示方法

在本发明实施例中，传播模型选用Keenan-Motley修正模型，需要考虑墙面、地面的数目，以及发射天线与测量点之间的距离。在这种情况下，所有的墙与地面的厚度都可以简化为经验型参数的一部分，因此，墙和地面就可以看成在二维空间的一条线，具体可以用一个二元方程唯一表示。当计算某个发射机与某个栅格化点之间的功率损失时，把这两点之间的连线和墙面或地面的方程联立。如果在满足所有边界条件的前提下有解，就说明无线信号通过了这道墙，这样就把问题转化成为解线性方程组的问题，于是可以计算出位置点和发射机之间的功率损失。

在一种天线布放方案中，若得到了位置点和发射机之间的功率损失，则可通过求该位置点的信号强度，并将此信号强度与信号强度下限(请参见上述的约束条件二)作比较，判断出当前方案是否是可行方案。

4.天线数量的初始值设定

在本发明实施例中，可以根据上面提出的基本室内传播模型计算出在无任何阻挡空间中每一个天线可以有效覆盖的范围，这个范围是一个半径为R的圆，然后再把这个圆换算成为该圆的内切正方形(即该正方形的对角线长度等于该圆直径)，再计算出内切正方形的面积S，然后用覆盖室内空间的总面积除以这个面积S后得到一商值，对该商值向上取整，即可得到大体上覆盖该空间所需的天线数，即天线数量的初始值。

完成上述的步骤一后，执行步骤二：根据天线数量的初始值，采用多目标进化算法，求解在天线数量初始值下的天线布放方案的最优解。

本发明实施例应用了多目标进化算法，多目标进化算法是遗传算法的一个分支，这个算法与单目标优化算法最大的区别是，它有多个目标需要同时实现最优化。从内在机制来看，多目标进化算法采用了改进的选择机制，以便反映基于Pareto最优的选择特征，并且采用小生境技术来争取使得Pareto前端上解点呈现均匀分布，多目标进化算法的具体介绍可以参见后续的有助于理解本发明的其他资料中的描述。在本发明实施例中，多目标进化算法主要包括以下几个部分：

1.编码

本发明采用二进制编码方法，每一个遗传算法个体(天线布放位置点的方案)被编成二进制代码，以便于参与后续的遗传、交叉、变异操作，概述如下：

(1)归一化：以需布放天线的室内平面图的中心点作为经纬度的原点，对天线布放位置点的坐标进行归一化。例如：某个体方案中有两面天线A和B，归一化后的经纬度分别为浮点数A1、A2、B1、B2。其中，A1为归一化后的天线A的经度坐标，A2为归一化后的天线A的纬度坐标，B1为归一化后的天线B的经度坐标，B2为归一化后的天线B的纬度坐标。

(2)浮点数转二进制数：根据已公开的IEEE-754格式标准浮点数表示法，将浮点数A1、A2、B1、B2分别转换为二进制数a1、a2、b1、b2。

(3)个体方案的编码：按照预定规则，将所有天线位置点的坐标转换为一连串的二进制编码，例如，将上述二进制数a1、a2、b1、b2首尾相连，即组成该个体方案的二进制编码a1a2b1b2。

(4)标识特殊编码位置：在上述个体编码a1a2b1b2中，标识一些特殊的位置，包括每一个浮点数的开始和结束，以及十进制中的每一位处，后续进行遗传操作的交叉和变异时，只能在指定的编码位置范围内进行，从而保证变异后的天线经纬度仍然在室内平面图范围之内，并且在解码时能够解析回正常的十进制浮点数。例如，通过设置指定的编码位置的属性，用以指示该编码位置处是否可以进行变异操作。

2.产生初始种群

在产生初始种群时，考虑两种产生种群的方法，第一种是随机产生天线的位置，然后对于天线的位置进行编码作为种群进行遗传计算。但是，由于这种方法产生的天线位置随机性很大，所以可能导致算法长时间不收敛。因此，本发明同时引入了在有限空间内均匀分布的布放方式作为另一种产生个体的方法，这样既保持了种群的多样性，又兼顾了算法的收敛速度。

本发明实施例分别使用以上两种方法来产生两批初始种群，并按照一定的数量比例分别对两批初始种群套用编码方案，例如均匀分布和随机分布按照比例1∶2混合，均匀分布实际只有一种方案个体，需复制多个相同的个体达到指定的混合比例。

3.计算适应度

适应度函数的计算公式如下：

这里在计算时f(x)可以替换为下文中的目标函数f₁(x)或f₂(x)，Fit(f(x))表示对f(x)求适应度，通过以上公式，适应度将被转换成大于等于0的数，以便于比较。

考虑到某些适应度函数的非线性特性，在实际应用中，本发明实施例还可以进一步对于适应度函数做出各种变换，以保持种群的多样性。具体的，可以采用如下的线性变换法：

设原适应度函数为f，则变换后的适应度函数f′＝a*f+β，其中，

f_avg表示适应度函数的平均值，f_min表示适应度函数的最小值。

线性变换法可以变换适应度之间的差距，保持种群内的多样性，并且计算简，便易于实现。

前面提到过，本发明实施例提出了三个评价覆盖性能的准则(具体性能指标)：

(1)使天线能够覆盖的区域最大化；

(2)使覆盖范围内的信号强度平均化；

(3)使整个区域的平均信号覆盖强度最大化。

根据以上准则，本发明实施例提出了如下的目标函数，用于表征所述室内所有位置点处的天线功率的目标函数1：

$f_1\left(x\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\left({\mathrm{\α}}_j\underset{i}{\max }\left(P_i\right)\right)-\frac{\mathrm{\β}}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(\stackrel{\‾}{P}-\underset{i}{\max }\left(P_i\right))}^2$

以及用于使所述室内所有位置点处的信噪比最大化的目标函数2：

$f_2\left(x\right)=\underset{j=1}{\overset{o}{\mathrm{\Σ}}}{(\underset{i}{\max }\left(P_i\right)-P_k)}^2$

根据工程经验，本发明实施例提出的约束条件如下：

约束条件一：天线信号的覆盖率大于或等于预设的第一下限值(例如90％)，具体可以表示为：P(max(P_i)≥P_lim)≥η；

约束条件二：室内天线信号的平均信号强度大于或等于预设的第二下限值(例如-70dBm)，具体可以表示为：

上述公式中各变量的含义如下：

n表示有限空间中栅格化点的总个数；j表示有限空间中的第j个点；i表示第i个发射机；o为在某一点信号功率最大的发射机为i时、最容易对于发射机i产生干扰的发射机个数，例如，在频分复用的情况下，o表示在该点拥有最大功率发射机的载频旁边的o个载频；k表示o个发射机中的第k个发射机；α_j表示对于第j个点所赋予的权值，用于表示第j个点在整个优化覆盖过程中的重要性，例如，当某些边缘点在整个优化覆盖过程中比较重要时，就可以令这些点对应的权值大于1，其他点对应的权值可以等于1；P为每一个发射机到某一个点的功率大小；表示计算所得各点功率的平均值；P_lim表示对于覆盖点的功率约束条件；η为有限空间内每一个点上功率约束达到功率约束的概率，这个值一般是工程中给定的；P表示求满足功率约束事件发生的概率，这个概率是通过对于整个空间所有点达到约束的平均求出的；β为用户自行设置的惩罚参数。

在目标函数1中，第一项的max(P_i)表示求出在有限空间中各点中功率最大的信号以及所对应的发射机。在这里假设GSM情况下，室内覆盖系统同一层的各发射机所发出的信号来自同一信源，所以相互之间没有干扰。因此，在计算各点接收信号强度时，选择其中功率最大的发射机为覆盖该点的发射机。另外，在采用其他信号传输方式时，也可以通过更改此函数来改变确定接收机覆盖情况的方法。另外，目标函数1第二项中的信号强度均值与max(P_i)的差作为惩罚因子，目的是要使区域内的信号强度均匀化，通过调节β可以调节对于分布均匀性的喜好程度。

需要说明的是，约束条件与目标函数是多目标进化算法中的名词，其关系是：对于某个优化问题，目标函数的解必须满足的最基本条件即为约束条件，如果不满足，则抛弃该解；同时，本发明希望求得的是“最优解”，即该解能使目标函数最大化，约束条件与目标函数可以是不同的表达式。例如，假设目标函数是上述的f1和f2，共运算了100种天线布放的方案(每个方案就是目标函数的一个解)，其中30个解没能满足约束条件覆盖率＞＝90％(该约束条件不同于目标函数f1和f2)，直接丢弃这30个解，在剩余的70个解中，先分别计算f1和f2的取值，再将两者组成一个向量F，计算向量的模值作为多目标函数的总体适应度，参加下一个步骤的遗传操作。

4.遗传操作

(1)选择操作

从群体中选择优胜的个体，淘汰劣质个体的操作叫选择操作。选择的目的是把优化的个体(或解)直接遗传到下一代，或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的，本发明实施例可以采用轮盘赌选择法，在该方法中，各个体的选择概率和其适应度值成比例。若群体大小为M，个体为i，其适应度为F_i，则i被选择的概率可表示为：

$P_i=\frac{F_i}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{F}_i}$

可见，个体适应度越大，其被选择的概率就越高。

(2)基因重组操作

基因重组操作是指把两个父个体的部分结构加以替换重组而生成新个体的操作，重组的目的是为了加大种群的多样性。

由于本发明实施例采取的是二进制编码，所以重组的方法也是在编码以后选择整个码字的一部分或一位进行变异产生新的个体。

(3)小生境操作

在生物学上，小生境是指特定环境下的一种组织结构。在自然界中，往往特征、形状相似的物种相聚在一起，并在同类中交配繁衍后代。在简单遗传算法中，交配完全是随机的，在进化的后期，大量的个体集中于某一极值点上，在求解多峰值问题时，经常只能找到个别的几个最优值，甚至往往得到的是局部最优解。为了保持进化群体的多样性，模拟自然界生物的这种“物以类聚”现象，本发明实施例利用了小生境技术。小生境技术就是将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个群，再在种群中以及不同种群中之间杂交、变异，产生新一代个体群。目前，主要有预选小生境、排挤小生境、共享小生境等几种常用技术。本发明实施例应用基于罚函数的排挤机制的小生境技术，这种技术使用了群体代间的覆盖方式，依据相似性替代群体中的个体。其优点在于，可以更好的保持解的多样性，同时具有很高的全局寻优能力和收敛速度，特别适合于复杂多峰函数的优化问题。经过小生境操作，将得到新一代的种群。具体操作方法见具体实施例开始部分对小生境的说明以及说明书中相关附图。

对新一代的种群，重复执行计算适应度和遗传操作，随着迭代次数的增多，新一代种群中个体的适应度将不断提高，直到达到指定的迭代次数，或适应度已无改善空间(或者适应度的改善程度小于预设阈值)为止。选取最后一次迭代的种群中，适应度最高的个体作为最优解，即一定天线数量(第一次计算时是指初始天线数量)下的最优布放位置点方案。至此，完成了一定天线数量的多目标进化算法。

上文中介绍了关于多目标进化算法，为使本领域技术人员更加清楚的理解本发明实施例的多目标进化算法，下面再结合流程图对本发明实施例的多目标进化算法进行总结。本实施例的说明中，所述的发射机也即天线。

如图3所示，本发明实施例的天线布放方法的总体流程包括：

将室内空间栅格化后，分别使用均匀分布和随机生成两种策略产生两批初始方案种群，并以一定数量比例套用编码方案，如图3中下半部分的点线框30所示；

对于完成编码后的初始方案种群，一方面可以作为一种分布方案进入完整的室内分布方案(包括天线位置及功率分配)的生成、判别及适应度调整，如图3中右上部分的点框50所示；

另一方面，完成编码后的初始方案种群可以参与码字重组，产生新的分布方案，如图3中左上部分的线段虚线框40所示，新的分布方案也要进入完整的室内分布方案的生成和判别。

如果分布方案不是最优方案，则以上的新的分布方案生成、完整方案生成、判别过程要一直重复，直到最优方案产生。以下对图3进行分解说明。

多目标进化算法包括生成编码、计算适应度、进化算法操作三个步骤，下面再结合流程图分别对上述三个步骤进行总结：

步骤一：生成编码

如图4所示，首先预测接近最优解的编码方案(均匀分布方案)，然后把接近最优解的编码方案(均匀分布方案)与随机生成的编码方案做了混合。这样，随机生成的编码使得接近最优解的编码在遗传算法中不会太占优势，进而导致算法过早收敛于局部最优点。接近最优解的编码又保证了算法不会在很长一段时间里面徘徊在离最优点很远的位置。这样，两者相互作用，就可以找到遗传算法中搜索深度和搜索广度的最优匹配。

步骤二：计算适应度

如图5所示，把一个有限空间的几何问题转化成为了一个可以用进化算法解决的最优化问题，并且通过对于有限空间的解析表达把复杂的数学问题转化成为了计算机最擅长解决的解线性方程组问题。这样既考虑到了整个优化问题的计算复杂度，又同时兼顾了整个问题的可解性。

步骤三：进化算法操作

如图6所示，运用小生境技术把整个种群分成多个类(组)，更好的保持解的多样性，同时具有很高的全局寻优能力和收敛速度，特别适合于复杂多目标进化问题。

完成上述的步骤二后，执行步骤三：如果在天线数量初始值下求得的天线布放方案的最优解满足本发明提出的多目标要求，则采用二分法将天线数量初始值折半，得到折半后的天线数量，将折半后的天线数量替换为步骤二中的天线数量初始值，重复执行步骤二和本步骤三；如果在天线数量初始值下求得的天线布放方案的最优解不能满足本发明提出的多目标要求，则将天线数量初始值加1，并将增加后的天线数量替换为步骤二中的天线数量初始值，重复执行步骤二和本步骤三；直至得到能够满足本发明提出的多目标要求的最少天线数量时的天线布放方案为止。

对运营商来说，在满足覆盖约束的前提下，希望网络建设投资最少，即天线面数最少，因此，在当前天线面数符合目标函数的最优解后，采用二分法，搜索更优的天线面数，直到找到满足覆盖约束的最少天线数的布放方案为止。

因此，下面再结合图7，对本发明实施例提出的基于多目标进化算法的多制式室内天线布放方法的总体流程进行总结。

如图7所示，根据步骤二中给出的结果确定步骤一中给出的天线数目是否已能够按约束条件完成对给定区域的覆盖，若能够，则可以用二分法查找最优的天线数，并返回多目标进化算法重新进行优化，否则，检查上次优化是否成功，如果成功，则由于在上次优化过程中步骤二中已经给出了最优的天线数量和位置，而且步骤一中的初始天线数量必能够完成覆盖，所以以上次最优解结果作为最终结果。

综上，本发明实施例在室内天线布放中，采用了室内覆盖中含传播模型的参数化的栅格化技术对空间进行栅格化，转换成多个位置点；同时，本发明实施例生成了两组并行的编码(均匀编码方案和随机编码方案)，对于算法搜索的深度和广度做了最好的平衡；并且，本发明实施例运用小生境技术调整算法的收敛速度，同时利用二分法加快寻找满足覆盖约束条件的最少天线数的布放方案的过程。

本发明实施例可根据预先设定的多个目标值(包括网络制式、覆盖率要求、个性化场所优先要求、成本要求等)，通过多目标进化算法，运算海量天线布放方案，并从中“进化”出满足上述多目标值的最优方案。设计人员可以根据本发明计算出的天线最优数量和位置，与实际情况进行对比并调整，为降低设计的难度、节省覆盖的成本、提高覆盖的设计效率提供科学高效的支撑手段。

此说明书中所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。

本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。

实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。

在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。

以上所述仅是本发明的实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (19)

1.一种室内天线的布放方法，其特征在于，包括：

确定天线数量的初始值；

利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；

调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。

2.如权利要求1所述的方法，其特征在于，所述确定天线数量的初始值包括：

根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积；

根据室内面积和所述有效覆盖面积，确定所述初始值。

3.如权利要求2所述的方法，其特征在于，所述无线信号室内传播模型为Keenan-Motley模型，所述有效覆盖面积是根据所述Keenan-Motley模型，在没有空间障碍阻挡无线信号传输的情况下求解得到的。

4.如权利要求2所述的方法，其特征在于，

所述有效覆盖面积为一圆形区域，所述确定所述初始值包括：

获得所述圆形区域的内切正方形的第一面积；

将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。

5.如权利要求1所述的方法，其特征在于，所述利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案，包括：

将室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标；

利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。

6.如权利要求5所述的方法，其特征在于，

所述利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，包括：

步骤A，按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数；

步骤B，执行一次迭代操作，包括：基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群；

步骤C，判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高：若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群，返回步骤B。

7.如权利要求6所述的方法，其特征在于，

所述基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群，包括：

从当前种群中删除不满足预设约束条件的个体；

针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度；

基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。

8.如权利要求7所述的方法，其特征在于，所述至少两个目标函数包括：

用于表征所述室内所有位置点处的天线功率的第一目标函数，和

用于使所述室内所有位置点处的信噪比最大化的第二目标函数。

9.如权利要求7所述的方法，其特征在于，所述预设约束条件包括：

所述室内的无线信号的有效覆盖率大于或等于预设的第一下限值；和/或

所述室内的无线信号的平均信号强度大于或等于预设的第二下限值。

10.如权利要求1所述的方法，其特征在于，所述调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，包括：

步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件：若满足，则进入步骤2；若不满足，则进入步骤4；

步骤2，将天线数量更新为int(N/2)，其中int(N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3；

步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤1；

步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件：若满足，则进入步骤5；若不满足，则进入步骤6；

步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；

步骤6，将天线数量更新为N+1后，返回步骤3。

11.一种室内天线的布放系统，其特征在于，包括：

确定单元，用于确定天线数量的初始值；

算法处理单元，用于利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；

最优解获得单元，用于调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。

12.如权利要求11所述的系统，其特征在于，所述确定单元包括：

面积计算单元，用于根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积；

初始值确定单元，用于根据室内面积和所述有效覆盖面积，确定天线数量的初始值。

13.如权利要求12所述的系统，其特征在于，

所述有效覆盖面积为一圆形区域，所述初始值确定单元，具体用于：

获得所述圆形区域的内切正方形的第一面积；

将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。

14.如权利要求11所述的系统，其特征在于，所述算法处理单元包括：

栅格化单元，用于将所述室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标；

求解单元，用于利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。

15.如权利要求14所述的系统，其特征在于，所述求解单元包括：

初始种群产生单元，用于按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数；

迭代单元，用于执行一次迭代操作，包括：基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群；

第一判断单元，用于判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高：若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群并触发所述迭代单元。

16.如权利要求15所述的系统，其特征在于，所述迭代单元包括：

删除单元，用于从当前种群中删除不满足预设约束条件的个体；

适应度计算单元，用于针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度；

进化单元，用于基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。

17.如权利要求16所述的系统，其特征在于，所述至少两个目标函数包括：

用于表征所述室内所有位置点处的天线功率的第一目标函数，和

用于使所述室内所有位置点处的信噪比最大化的第二目标函数。

18.如权利要求16所述的系统，其特征在于，所述预设约束条件包括：

所述室内的无线信号的有效覆盖率大于或等于预设的第一下限值；和/或

所述室内的无线信号的平均信号强度大于或等于预设的第二下限值。

19.如权利要求11所述的系统，其特征在于，所述最优解获得单元，具体用于执行以下步骤：

步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件：若满足，则进入步骤2；若不满足，则进入步骤4；

步骤2，将天线数量更新为int(N/2)，其中int(N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3；

步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤1；

步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件：若满足，则进入步骤5；若不满足，则进入步骤6；

步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；

步骤6，将天线数量更新为N+1后，返回步骤3。

Images