CN103716801B - 物理小区标识pci分配方法和系统 - Google Patents

Abstract

本发明公开了一种物理小区标识PCI分配方法和系统，所述方法包括：获取各物理小区的基站信息和初始PCI信息，以及各物理小区间的邻接信息；通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型，形成PCI规划模型，其中，PCI规划模型的约束条件包括相邻物理小区的模3不同，PCI规划模型的目标函数包括PCI复用距离最大函数；将各物理小区的初始PCI信息作为PCI规划模型的变量，对PCI规划模型进行求解，获取各物理小区的最优PCI信息；根据最优PCI信息，为各物理小区分配PCI。实施本发明的方法和系统，防止PCI冲突的同时，保证相同PCI的复用距离最大，进一步降低PCI冲突发生率。

Description

物理小区标识PCI分配方法和系统

技术领域

本发明涉及通信技术领域，特别是涉及一种物理小区标识PCI分配方法和系统。

背景技术

通信技术经过几十年的快速发展演化，已演进到LTE阶段。与以往的2G/3G相比，LTE已发生了很大变化，LTE网络规划和设计显得更为重要。LTE蜂窝组网采用正交频分复用技术，并利用PCI(Physical Cell Identify)进行标识、区分扇区等。PCI直接决定了小区同步序列，且影响多个物理信道的加扰方式。在LTE系统中，总共有504个物理小区的ID，共分为168组，每组包含3个不同ID。在实际的网络规划中，小区的数目远远大于504个，这就意味着PCI需要进行复用。不合理的PCI分配将导致相邻小区PCI冲突和混淆等。

目前主要的PCI分配分为集中式和分布式两种，但是集中式PCI分配通常工作量大、效率低、成本高，分布式PCI分配缺乏中心控制，易导致信息不一致，从而容易发生小区混淆。

发明内容

基于此，有必要针对PCI分配方式难以避免小区混淆、工作量大、效率低的问题，提供一种物理小区标识PCI分配方法和系统。

一种物理小区标识PCI分配方法，包括以下步骤：

获取各物理小区的基站信息和初始PCI信息，以及各物理小区间的邻接信息；

用于通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型，其中，所述PCI规划模型的约束条件包括相邻物理小区的模3不同，所述PCI规划模型的目标函数包括PCI复用距离最大函数；

将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解，获取各物理小区的最优PCI信息；

根据所述最优PCI信息，为各物理小区分配PCI；

其中，在所述通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型的步骤之前，还包括以下步骤：

根据各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有如下目标函数和约束条件的预设的数学模型：

PCI复用距离最大函数：

$\underset{CPM}{max}\underset{j\∈\{1...N\}}{min}\underset{i,i^{\′}\∈ismember(CPM,decbi2(j\left)\right),i\≠i^{\′}}{min}\left|\right|enobspos\left(CEM\right(i),:)-enobspos\left(CEM\right(i^{\′}),:)|{|}_2^2;$

其中，CEM表示物理小区与基站间的对应向量，CPM表示物理小区与PCI间的对应矩阵，enobspos表示基站的位置矩阵，||.||₂ ²表示向量范数，decbi2(j)表示十进制的实数转化为二进制的向量，ismember(CPM,decbi2(j))表示获取矩阵CPM中与向量decbi2(j)相同的行向量行标；

相邻物理小区的模3不同：

$\begin{array}{c}bi2dec\left(CPM\right(find\left(CCM\left(i,:\right)\right)\left(j\right),:\left)\right)\%3-bi2dec\left(CPM\right(i,:\left)\right)\%3\≠0,\\ i=\mathrm{1...}M,j=\mathrm{1...}size\left(find\right(CCM\left(i,:\right)\left)\right).\end{array};$

其中，CCM表示物理小区间的邻接矩阵，find表示寻找向量中不为零的元素的位置，并将其位置转化为新的向量元素，bi2dec表示将二进制向量转化为十进制的实数，size表示获取向量的长度，3％表示模3；

所述通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型的步骤包括以下步骤：

将各物理小区的基站信息和各物理小区间的邻接信息代入所述预设的数学模型，形成所述PCI规划模型。

一种物理小区标识PCI分配系统，包括：

获取模块，用于获取各物理小区的基站信息和初始PCI信息，以及各物理小区间的邻接信息；

建模模块，用于通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型，其中，所述PCI规划模型的约束条件包括相邻物理小区的模3不同，所述PCI规划模型的目标函数包括PCI复用距离最大函数；

解析模块，用于将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解，获取各物理小区的最优PCI信息；

规划模块，用于根据所述最优PCI信息，为各物理小区分配PCI；

还包括设置模块，用于：

根据各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有如下目标函数和约束条件的预设的数学模型：

PCI复用距离最大函数：

$\underset{CPM}{max}\underset{j\∈\{1...N\}}{min}\underset{i,i^{\′}\∈ismember(CPM,decbi2(j\left)\right),i\≠i^{\′}}{min}\left|\right|enobspos\left(CEM\right(i),:)-enobspos\left(CEM\right(i^{\′}),:)|{|}_2^2;$

其中，CEM表示物理小区与基站间的对应向量，CPM表示物理小区与PCI间的对应矩阵，enobspos表示基站的位置矩阵，||.||₂ ²表示向量范数，decbi2(j)表示十进制的实数转化为二进制的向量，ismember(CPM,decbi2(j)，)表示获取矩阵CPM中与向量decbi2(j)相同的行向量行标；

相邻物理小区的模3不同：

bi2dec(CPM(find(CCM(i,:))(j),:))％3-bi2dec(CPM(i,:))％3≠0,

i＝1…M,j＝1…size(find(CCM(i,:))).；

其中，CCM表示物理小区间的邻接矩阵，find表示寻找向量中不为零的元素的位置，并将其位置转化为新的向量元素，bi2dec表示将二进制向量转化为十进制的实数，size表示获取向量的长度，3％表示模3；

所述建模模块还用于将各物理小区的基站信息和各物理小区间的邻接信息代入所述预设的数学模型，形成所述PCI规划模型。

上述物理小区标识PCI分配方法和系统，通过将各物理小区的基站信息和各物理小区间的邻接信息代入预设的数学模型，形成以相邻物理小区的模3不同为约束条件，以PCI复用距离最大函数为目标函数的PCI规划模型，将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解获取各物理小区的最优PCI信息后，根据所述最优PCI信息，为各物理小区分配PCI。可防止PCI冲突和混淆的同时，保证相同PCI的复用距离最大，进一步降低PCI冲突发生率。

附图说明

图1是本发明物理小区标识PCI分配方法第一实施方式的流程示意图；

图2是本发明物理小区标识PCI分配方法第三实施方式的流程示意图；

图3是本发明物理小区标识PCI分配系统第一实施方式的结构示意图；

图4是本发明物理小区标识PCI分配系统第二实施方式的结构示意图。

具体实施方式

请参阅图1，图1是本发明物理小区标识PCI分配方法第一实施方式的流程示意图。

本实施方式的所述物理小区标识PCI分配方法包括以下步骤：

步骤101，获取各物理小区的基站信息和初始PCI信息，以及各物理小区间的邻接信息。

步骤102，通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型，其中，所述PCI规划模型的约束条件包括相邻物理小区的模3不同，所述PCI规划模型的目标函数包括PCI复用距离最大函数。

步骤103，将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解，获取各物理小区的最优PCI信息。

步骤104，根据所述最优PCI信息，为各物理小区分配PCI。

本实施方式所述的物理小区标识PCI分配方法，通过将各物理小区的基站信息和各物理小区间的邻接信息代入预设的数学模型，形成以相邻物理小区的模3不同为约束条件，以PCI复用距离最大函数为目标函数的PCI规划模型，将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解获取各物理小区的最优PCI信息后，根据所述最优PCI信息，为各物理小区分配PCI。可防止PCI冲突和混淆的同时，保证相同PCI的复用距离最大，进一步降低PCI冲突发生率。

其中，对于步骤101，所述物理小区标识PCI，用于区分来自不同LTE物理小区的信号，各物理小区的初始PCI信息为分配给各物理小区的可用PCI或各物理小区与各可用PCI间的对应关系。

优选地，各物理小区的基站信息为基站的站址位于各物理小区内的基站或与各物理小区进行业务通信的基站。

进一步地，各物理小区间的邻接信息用于标识与每个物理小区的地理位置相邻的其他物理小区的信息，可包括各物理小区间的相对地理位置，还可包括与每个物理小区相邻的其它小区的标识列表。

在一个实施例中，所述获取各物理小区的基站信息和初始PCI信息，以及各物理小区间的邻接信息的步骤包括以下步骤：

步骤1011，获取各物理小区的基站信息和各物理小区间的邻接信息，其中，所述基站信息包括基站位置、基站与物理小区间对应关系，所述邻接信息包括各物理小区间相互位置关系。

步骤1012，根据所述基站信息和所述邻接信息，为各物理小区分配初始PCI，获取各物理小区与各PCI间的初始对应信息为各物理小区的初始PCI信息。

对于步骤102，根据待建PCI规划模型的类型，可先将各物理小区的基站信息和各物理小区间的邻接信息转换为与待建的所述PCI规划模型对应的数据形式，再代入预设的数学模型，形成PCI规划模型。

对于步骤103，各物理小区的初始PCI信息为各物理小区与各可用PCI间的对应关系时，可根据所述PCI规划模型的类型，将各物理小区与各可用PCI间的对应关系转换为对应的数据格式，在作为所述PCI规划模型的变量，进行求解，如可把所述对应关系转换为矩阵或向量格式。

在一个实施例中，所述将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解，获取各物理小区的最优PCI信息的步骤包括以下步骤：

根据各物理小区的初始PCI信息，生成遗传算法的初始种群。

通过遗传算法对所述PCI规划模型进行求解，获取与各物理小区对应的最优PCI。

在其他实施方式中，还可以通过本领域惯用的求解数学模型的传统算法对所述PCI规划模型进行求解。

对于步骤104，所述最优PCI信息，优选地为求解所述PCI规划模型所得的各物理小区与各PCI间的最优对应关系。

以下所述是本发明物理小区标识PCI分配方法第二实施方式。

本实施方式的物理小区标识PCI分配方法与第一实施方式的区别在于：在所述用于通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型的步骤之前，还包括以下步骤：

根据各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有如下目标函数和约束条件的预设的数学模型：

目标函数：

$\underset{CPM}{max}\underset{j\∈\{1...N\}}{min}\underset{i,i^{\′}\∈ismember(CPM,decbi2(j\left)\right),i\≠i^{\′}}{min}\left|\right|enobspos\left(CEM\right(i),:)-enobspos\left(CEM\right(i^{\′}),:)|{|}_2^2;$

其中，CEM表示物理小区与基站间的对应向量，CPM表示物理小区与PCI间的对应矩阵，enobspos表示基站的位置矩阵，||.||₂ ²，表示向量范数，decbi2(j):表示十进制的实数转化为二进制的向量，ismember(CPM,decbi2(j)，)表示获取矩阵CPM中与向量decbi2(j)相同的行向量行标；

约束条件：

$\begin{array}{c}bi2dec\left(CPM\right(find\left(CCM\left(i,:\right)\right)\left(j\right),:\left)\right)\%3-bi2dec\left(CPM\right(i,:\left)\right)\%3\≠0,\\ i=\mathrm{1...}M,j=\mathrm{1...}size\left(find\right(CCM\left(i,:\right)\left)\right).\end{array};$

其中，CCM表示物理小区间的邻接矩阵，find表示寻找向量中不为零的元素的位置，并将其位置转化为新的向量元素，bi2dec表示将二进制向量转化为十进制的实数，size表示获取向量的长度，％3表示模3。

所述通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型的步骤可包括以下步骤：

将各物理小区的基站信息和各物理小区间的邻接信息代入所述预设的数学模型，形成所述PCI规划模型。

本实施方式的物理小区标识PCI分配方法，通过将各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有上述目标函数和约束条件的所述预设的数学模型，保证基于所述预设的数学模型进行的PCI规划中，可有效防止PCI冲突和混淆，且使相同PCI的复用距离最大化，进一步降低PCI间的冲突发生率。

在本实施方式中，在建立所述预设的数学模型前，先标记一下各种符号。其中，向量cells表示物理小区标号，元素取值属于[1,M]区间的整数，代表物理小区的小区号；pcis表示小区所能使用的PCI号，元素为PCI号，取值区间为[1,N]的整数；enobs表示基站标号，元素属于[1,T]；enobspos是T×2的基站位置矩阵，每行元素对应enobspos的元素的位置信息；矩阵CCM表示物理小区间的邻接矩阵，元素为0或者1，取0时为邻接，否者不相邻；矩阵CEM为物理小区和基站间的对应向量，元素数为M，矩阵元素CEM_j为第j小区的基站标号CEM_j∈[0,T]，否则不在；矩阵CPM为小区和PCI的对应矩阵，为了便于求解，用二进制编码进行对应，每行对应于PCI元素的二进制编码，故其矩阵大小为M×9。此外，设E为矩阵，E(i,j)表示第i行，第j列的元素，E(i,:)表示第i行元素，E(:,j)代表第j列元素；令e为向量，则e(i)表示向量第i个元素。以上矩阵CCM为稀疏矩阵，故都可采用稀疏存储方法，这大大节省了空间，为算法的快速实现奠定了基础。

在以上的符号定义中，矩阵CPM为未知量，待求矩阵变量。元素为0或者1，从而可以采用0、1规划来刻画我们的优化模型。以下为建模的具体步骤：

建立PCI规划模型的基本约束：避免相邻物理小区的参考信号的冲突与混淆。首先，参考信号的生成与PCI相关。相邻小区的PCI如果相同的话，那么它们产生的参考信号序列也会是相同的，因而会产生参考信号间的干扰。其次，参考信号的位置也与PCI相关。如果相邻小区的PCI相等，会导致相邻小区天线之间PCI位置相同，同时，TD-LTE系统小区间是同步的，所以它们在时域上也是同步的。这必然会引起参考信号的小区间干扰。如果相邻小区的模6相等，那么相邻小区所有天线端口上的参考信号位置都将是相同的，造成干扰。如果相邻小区的模3相等，那么相邻小区不同天线间会造成干扰。从而，为保证相邻小区间参考信号不会产生冲突和混淆。相邻小区的PCI相等，PCI mod6或者PCI mod3相等都不允许，其中PCImod3不相等最强即PCImod3就可得到相邻小区PCI不相等且mod6不等，所以可以得到上述约束条件。

建立目标函数为：最大化相同PCI的复用距离，当PCI分配矩阵元素满足以上约束条件时，其PCI的复用距离越大越好即具有相同PCI的小区距离越大越好。对应于模型符号，就是期望矩阵CPM中具有相同行向量所对应小区间的最小距离最大，因此，可到上述目标函数。

在其他实施方式中，也可以在对本发明的各物理小区进行物理小区标识PCI分配前，通过一个特定的目标区域内的各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有上述目标函数和约束条件的所述预设的数学模型，当通过本发明的各物理小区的基站信息和各物理小区间的邻接信息，构建所述PCI规划模型时，直接将对应信息代入在分配PCI根据目标区域的小区信息建立的预设的数学模型中，生成所述PCI规划模型。

请参阅图2，图2是本发明物理小区标识PCI分配方法第三实施方式的流程示意图。

本实施方式的物理小区标识PCI分配方法与第一和第二实施方式的区别在于：所述通过遗传算法对所述PCI规划模型进行求解，获取与各物理小区对应的最优PCI的步骤包括以下步骤：

步骤201，根据所述PCI规划模型的目标函数和约束条件，通过外罚函数法计算PCI适应度值。

步骤202，基于所述PCI适应度值，对所述初始种群进行选择、交叉和变异，获得下一代种群。

步骤203，判断所述下一代种群的代数是否达到最大迭代次数，若是，输出与各物理小区对应的最优PCI。

本实施方式所述的物理小区标识PCI分配方法，通过遗传算法对所述PCI规划模型进行求解，可快速收敛到所述最优PCI信息，节约系统资源，提高PCI规划效率。

其中，对于步骤201，所述规划模型的变量优选地为，物理小区与PCI间的对应矩阵CPM。

优选地，关于适应度值的计算，所述PCI规划模型的目标函数带有约束条件，采用外罚函数法处理约束，将约束项以一定方式加到目标函数当中形成罚函数。在求解中会给予企图违反约束的迭代点大的惩罚，从而迫使一系列无约束问题的极小点收敛到原约束问题的最优的PCI规划解。

在一个实施例中，在执行所述根据所述PCI规划模型的目标函数和约束条件，通过外罚函数法计算PCI适应度值的步骤之前，还包括以下步骤：

对物理小区与PCI间的对应矩阵CPM进行编码。

设置进化袋鼠计数器gen＝0，根据编码后的对应矩阵CPM随机生成Popsize各相对均匀的PCI个体，作为初始群体POP。

其中，优选地，变量为矩阵CPM，其大小为M×9。其每行都是一个PCI数所对应的二进制编码，从而每行都是一个基因，一个解是一串基因的组合。

进一步地，相对均匀的PCI个体即：每个PCI个体中具有相同基因的数目差不多。

对于步骤202，所述选择，即直接选取交换后的群体中具有最大适应度的前popsize个PCI个体作为下一代进行繁殖。这一步骤的存在使得当前群体(PCI群体)是所有搜索过的解之中是最优的前popsize个PCI的集合。

所述交换，即从选中用于繁殖下一代的popsize个PCI个体中，随机地选择两个PCI个体的相同位置，按交叉概率pcross，在选中的位置实行交换。这个过程反映了随机信息交换，目的在于产生新的基因组合，也即产生新的PCI个体。

所述变异，首先在PCI群体中随机选择一定数量个体，对于选中的PCI个体以一定的概率随机地改变串结构中某个基因的值。同生物界一样，变异发生的概率很低，通常取值在0.001～0.01之间。

对于步骤103，算法迭代在达maxgen时停止，输出变量CPM，将CPM矩阵的每行作为二进制码，进行十进制转化，得到每行一个十进制的数字向量。然后参照得到的数字向量，将PCI分配给每个物理小区。

请参阅图3，图3是本发明物理小区标识PCI分配系统第一实施方式的结构示意图。

本实施方式的所述物理小区标识PCI分配系统包括获取模块100、建模模块200、解析模块300和规划模块400，其中：

获取模块100，用于获取各物理小区的基站信息和初始PCI信息，以及各物理小区间的邻接信息。

建模模块200，用于通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型，其中，所述PCI规划模型的约束条件包括相邻物理小区的模3不同，所述PCI规划模型的目标函数包括PCI复用距离最大函数。

解析模块300，用于将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解，获取各物理小区的最优PCI信息。

规划模块400，用于根据所述最优PCI信息，为各物理小区分配PCI。

本实施方式所述的物理小区标识PCI分配系统，通过将各物理小区的基站信息和各物理小区间的邻接信息代入预设的数学模型，形成以相邻物理小区的模3不同为约束条件，以PCI复用距离最大函数为目标函数的PCI规划模型，将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解获取各物理小区的最优PCI信息后，根据所述最优PCI信息，为各物理小区分配PCI。可防止PCI冲突和混淆的同时，保证相同PCI的复用距离最大，进一步降低PCI冲突发生率。

其中，对于获取模块100，所述物理小区标识PCI，用于区分来自不同LTE物理小区的信号，各物理小区的初始PCI信息为分配给各物理小区的可用PCI或各物理小区与各可用PCI间的对应关系。

优选地，各物理小区的基站信息为基站的站址位于各物理小区内的基站或与各物理小区进行业务通信的基站。

进一步地，各物理小区间的邻接信息用于标识与每个物理小区的地理位置相邻的其他物理小区的信息，可包括各物理小区间的相对地理位置，还可包括与每个物理小区相邻的其它小区的标识列表。

在一个实施例中，获取模块100还可用于：

获取各物理小区的基站信息和各物理小区间的邻接信息，其中，所述基站信息包括基站位置、基站与物理小区间对应关系，所述邻接信息包括各物理小区间相互位置关系。

根据所述基站信息和所述邻接信息，为各物理小区分配初始PCI，获取各物理小区与各PCI间的初始对应信息为各物理小区的初始PCI信息。

对于规划模块200，根据待建PCI规划模型，可先将各物理小区的基站信息和各物理小区间的邻接信息转换为与待建的PCI规划模型对应的数据形式，再代入预设的数学模型，形成PCI规划模型。

对于解析模块300，各物理小区的初始PCI信息为各物理小区与各可用PCI间的对应关系时，可根据所述PCI规划模型的类型，将各物理小区与各可用PCI间的对应关系转换为对应的数据格式，在作为所述PCI规划模型的变量，进行求解，如可把所述对应关系转换为矩阵或向量格式。

在一个实施例中，解析模块300还可用于：

根据各物理小区的初始PCI信息，生成遗传算法的初始种群。

通过遗传算法对所述PCI规划模型进行求解，获取与各物理小区对应的最优PCI。

在其他实施方式中，还可以通过本领域惯用的求解数学模型的传统算法对所述PCI规划模型进行求解。

规划模块400，所述最优PCI信息，优选地为求解所述PCI规划模型所得的各物理小区与各PCI间的最优对应关系。

请参阅图4，图4是本发明物理小区标识PCI分配系统第二实施方式的结构示意图。

本实施方式的物理小区标识PCI分配系统与第一实施方式的区别在于：还包括设置模块500，可用于

根据各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有如下目标函数和约束条件的预设的数学模型：

目标函数：

$\underset{CPM}{max}\underset{j\∈\{1...N\}}{min}\underset{i,i^{\′}\∈ismember(CPM,decbi2(j\left)\right),i\≠i^{\′}}{min}\left|\right|enobspos\left(CEM\right(i),:)-enobspos\left(CEM\right(i^{\′}),:)|{|}_2^2;$

其中，CEM表示物理小区与基站间的对应向量，CPM表示物理小区与PCI间的对应矩阵，enobspos表示基站的位置矩阵，||.||₂ ²，表示向量范数，decbi2(j):表示十进制的实数转化为二进制的向量，ismember(CPM,decbi2(j)，)表示获取矩阵CPM中与向量decbi2(j)相同的行向量行标；

约束条件：

$\begin{array}{c}bi2dec\left(CPM\right(find\left(CCM\left(i,:\right)\right)\left(j\right),:\left)\right)\%3-bi2dec\left(CPM\right(i,:\left)\right)\%3\≠0,\\ i=\mathrm{1...}M,j=\mathrm{1...}size\left(find\right(CCM\left(i,:\right)\left)\right).\end{array};$

其中，CCM表示物理小区间的邻接矩阵，find表示寻找向量中不为零的元素的位置，并将其位置转化为新的向量元素，bi2dec表示将二进制向量转化为十进制的实数，size表示获取向量的长度，％3表示模3。

建模模块200可用于将各物理小区的基站信息和各物理小区间的邻接信息代入所述预设的数学模型，形成PCI规划模型。

本实施方式的物理小区标识PCI分配系统，通过将各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有上述目标函数和约束条件的所述预设的数学模型，保证基于所述预设的数学模型进行的PCI规划中，可有效防止PCI冲突和混淆，且使相同PCI的复用距离最大化，进一步降低PCI间的冲突发生率。

在本实施方式中，在建立所述预设的数学模型前，先标记一下各种符号。其中，向量cells表示物理小区标号，元素取值属于[1,M]区间的整数，代表物理小区的小区号；pcis表示小区所能使用的PCI号，元素为PCI号，取值区间为[1,N]的整数；enobs表示基站标号，元素属于[1,T]；enobspos是T×2的基站位置矩阵，每行元素对应enobspos的元素的位置信息；矩阵CCM表示物理小区间的邻接矩阵，元素为0或者1，取0时为邻接，否者不相邻；矩阵CEM为物理小区和基站间的对应向量，元素数为M，矩阵元素CEM_j为第j小区的基站标号CEM_j∈[0,T]，否则不在；矩阵CPM为小区和PCI的对应矩阵，为了便于求解，用二进制编码进行对应，每行对应于PCI元素的二进制编码，故其矩阵大小为M×9。此外，设E为矩阵，E(i,j)表示第i行，第j列的元素，E(i,:)表示第i行元素，E(:,j)代表第j列元素；令e为向量，则e(i)表示向量第i个元素。以上矩阵CCM为稀疏矩阵，故都可采用稀疏存储方法，这大大节省了空间，为算法的快速实现奠定了基础。

在以上的符号定义中，矩阵CPM为未知量，待求矩阵变量。元素为0或者1，从而可以采用0、1规划来刻画我们的优化模型。以下为建模的具体步骤：

建立PCI规划模型的基本约束：避免相邻物理小区的参考信号的冲突与混淆。首先，参考信号的生成与PCI相关。相邻小区的PCI如果相同的话，那么它们产生的参考信号序列也会是相同的，因而会产生参考信号间的干扰。其次，参考信号的位置也与PCI相关。如果相邻小区的PCI相等，会导致相邻小区天线之间PCI位置相同，同时，TD-LTE系统小区间是同步的，所以它们在时域上也是同步的。这必然会引起参考信号的小区间干扰。如果相邻小区的模6相等，那么相邻小区所有天线端口上的参考信号位置都将是相同的，造成干扰。如果相邻小区的模3相等，那么相邻小区不同天线间会造成干扰。从而，为保证相邻小区间参考信号不会产生冲突和混淆。相邻小区的PCI相等，PCI mod6或者PCI mod3相等都不允许，其中PCImod3不相等最强即PCImod3就可得到相邻小区PCI不相等且mod6不等，所以可以得到上述约束条件。

建立目标函数为：最大化相同PCI的复用距离，当PCI分配矩阵元素满足以上约束条件时，其PCI的复用距离越大越好即具有相同PCI的小区距离越大越好。对应于模型符号，就是期望矩阵CPM中具有相同行向量所对应小区间的最小距离最大，因此，可到上述目标函数。

在其他实施方式中，也可以在对本发明的各物理小区进行物理小区标识PCI分配前，通过一个特定的目标区域内的各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有上述目标函数和约束条件的所述预设的数学模型，当通过本发明的各物理小区的基站信息和各物理小区间的邻接信息，构建所述PCI规划模型时，直接将对应信息代入在分配PCI根据目标区域的小区信息建立的预设的数学模型中，生成所述PCI规划模型。

以下所述是本发明物理小区标识PCI分配系统第三实施方式。

本实施方式的物理小区标识PCI分配系统与第一和第二实施方式的区别在于：解析模块300还可用于：

根据所述PCI规划模型的目标函数和约束条件，通过外罚函数法计算PCI适应度值。

基于所述PCI适应度值，对所述初始种群进行选择、交叉和变异，获得下一代种群。

判断所述下一代种群的代数是否达到最大迭代次数，若是，输出与各物理小区对应的最优PCI。

本实施方式所述的物理小区标识PCI分配系统，通过遗传算法对所述PCI规划模型进行求解，可快速收敛到所述最优PCI信息，节约系统资源，提高PCI规划效率。

其中，对于解析模块300，所述规划模型的变量优选地为，物理小区与PCI间的对应矩阵CPM。

优选地，关于适应度值的计算，所述PCI规划模型的目标函数带有约束条件，采用外罚函数法处理约束，将约束项以一定方式加到目标函数当中形成罚函数。在求解中会给予企图违反约束的迭代点大的惩罚，从而迫使一系列无约束问题的极小点收敛到原约束问题的最优的PCI规划解。

在一个实施例中，解析模块300还可进一步用于：

对物理小区与PCI间的对应矩阵CPM进行编码。

设置进化袋鼠计数器gen＝0，根据编码后的对应矩阵CPM随机生成Popsize各相对均匀的PCI个体，作为初始群体POP。

其中，优选地，变量为矩阵CPM，其大小为M×9。其每行都是一个PCI数所对应的二进制编码，从而每行都是一个基因，一个解是一串基因的组合。

进一步地，相对均匀的PCI个体即：每个PCI个体中具有相同基因的数目差不多。

优选地：所述选择，即直接选取交换后的群体中具有最大适应度的前popsize个PCI个体作为下一代进行繁殖。这一步骤的存在使得当前群体(PCI群体)是所有搜索过的解之中是最优的前popsize个PCI的集合。

所述交换，即从选中用于繁殖下一代的popsize个PCI个体中，随机地选择两个PCI个体的相同位置，按交叉概率pcross，在选中的位置实行交换。这个过程反映了随机信息交换，目的在于产生新的基因组合，也即产生新的PCI个体。

所述变异，首先在PCI群体中随机选择一定数量个体，对于选中的PCI个体以一定的概率随机地改变串结构中某个基因的值。同生物界一样，变异发生的概率很低，通常取值在0.001～0.01之间。

算法迭代在达到maxgen时停止，输出变量CPM，将CPM矩阵的每行作为二进制码，进行十进制转化，得到每行一个十进制的数字向量。然后参照得到的数字向量，将PCI分配给每个物理小区。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种物理小区标识PCI分配方法，其特征在于，包括以下步骤：

获取各物理小区的基站信息和初始PCI信息，以及各物理小区间的邻接信息；

通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型，其中，所述PCI规划模型的约束条件包括相邻物理小区的模3不同，所述PCI规划模型的目标函数包括PCI复用距离最大函数；

将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解，获取各物理小区的最优PCI信息；

根据所述最优PCI信息，为各物理小区分配PCI；

其中，在所述通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型的步骤之前，还包括以下步骤：

根据各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有如下目标函数和约束条件的预设的数学模型：

PCI复用距离最大函数：

$\underset{CPM}{max}\underset{j\∈\{1...N\}}{min}\underset{i,i^{\′}\∈ismember(CPM,decbi2(j\left)\right),i\≠i^{\′}}{min}\left|\right|enobspos\left(CEM\right(i),:)-enobspos\left(CEM\right(i^{\′}),:)|{|}_2^2;$

其中，CEM表示物理小区与基站间的对应向量，CPM表示物理小区与PCI间的对应矩阵，enobspos表示基站的位置矩阵，||.||₂ ²表示向量范数，decbi2(j)表示十进制的实数转化为二进制的向量，ismember(CPM,表示获取矩阵CPM中与向量decbi2(j)相同的行向量行标；

相邻物理小区的模3不同：

$\begin{array}{c}bi2dec\left(CPM\right(find\left(CCM\left(i,:\right)\right)\left(j\right),:\left)\right)\%3-bi2dec\left(CPM\right(i,:\left)\right)\%3\≠0,\\ i=\mathrm{1...}M,j=\mathrm{1...}size\left(find\right(CCM\left(i,:\right)\left)\right).\end{array};$

其中，CCM表示物理小区间的邻接矩阵，find表示寻找向量中不为零的元素的位置，并将其位置转化为新的向量元素，bi2dec表示将二进制向量转化为十进制的实数，size表示获取向量的长度，3％表示模3；

所述通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型的步骤包括以下步骤：

将各物理小区的基站信息和各物理小区间的邻接信息代入所述预设的数学模型，形成所述PCI规划模型。

2.根据权利要求1所述的物理小区标识PCI分配方法，其特征在于，所述获取各物理小区的基站信息和初始PCI信息，以及各物理小区间的邻接信息的步骤包括以下步骤：

获取各物理小区的基站信息和各物理小区间的邻接信息，其中，所述基站信息包括基站位置、基站与物理小区间对应关系，所述邻接信息包括各物理小区间相互位置关系；

根据所述基站信息和所述邻接信息，为各物理小区分配初始PCI，获取各物理小区与各PCI间的初始对应信息为各物理小区的初始PCI信息。

3.根据权利要求1至2中任意一项所述的物理小区标识PCI分配方法，其特征在于，所述将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解，获取各物理小区的最优PCI信息的步骤包括以下步骤：

根据各物理小区的初始PCI信息，生成遗传算法的初始种群；

通过遗传算法对所述PCI规划模型进行求解，获取与各物理小区对应的最优PCI。

4.根据权利要求3所述的物理小区标识PCI分配方法，其特征在于，所述通过遗传算法对所述PCI规划模型进行求解，获取与各物理小区对应的最优PCI的步骤包括以下步骤：

根据所述PCI规划模型的目标函数和约束条件，通过外罚函数法计算PCI适应度值；

基于所述PCI适应度值，对所述初始种群进行选择、交叉和变异，获得下一代种群；

判断所述下一代种群的代数是否达到最大迭代次数，若是，输出与各物理小区对应的最优PCI。

5.一种物理小区标识PCI分配系统，其特征在于，包括：

获取模块，用于获取各物理小区的基站信息和初始PCI信息，以及各物理小区间的邻接信息；

建模模块，用于通过各物理小区的基站信息和各物理小区间的邻接信息构建PCI规划模型，其中，所述PCI规划模型的约束条件包括相邻物理小区的模3不同，所述PCI规划模型的目标函数包括PCI复用距离最大函数；

解析模块，用于将各物理小区的初始PCI信息作为所述PCI规划模型的变量，对所述PCI规划模型进行求解，获取各物理小区的最优PCI信息；

规划模块，用于根据所述最优PCI信息，为各物理小区分配PCI；

还包括设置模块，用于：

根据各物理小区、各物理小区的基站信息、各物理小区的邻接信息和各物理小区的初始PCI信息，建立具有如下目标函数和约束条件的预设的数学模型：

PCI复用距离最大函数：

$\underset{CPM}{max}\underset{j\∈\{1...N\}}{min}\underset{i,i^{\′}\∈ismember(CPM,decbi2(j\left)\right),i\≠i^{\′}}{min}\left|\right|enobspos\left(CEM\right(i),:)-enobspos\left(CEM\right(i^{\′}),:)|{|}_2^2;$

其中，CEM表示物理小区与基站间的对应向量，CPM表示物理小区与PCI间的对应矩阵，enobspos表示基站的位置矩阵，||.||₂ ²表示向量范数，decbi2(j)表示十进制的实数转化为二进制的向量，ismember(CPM,decbi2(j)，表示获取矩阵CPM中与向量decbi2(j)相同的行向量行标；

相邻物理小区的模3不同：

$\begin{array}{c}bi2dec\left(CPM\right(find\left(CCM\left(i,:\right)\right)\left(j\right),:\left)\right)\%3-bi2dec\left(CPM\right(i,:\left)\right)\%3\≠0,\\ i=\mathrm{1...}M,j=\mathrm{1...}size\left(find\right(CCM\left(i,:\right)\left)\right).\end{array};$

其中，CCM表示物理小区间的邻接矩阵，find表示寻找向量中不为零的元素的位置，并将其位置转化为新的向量元素，bi2dec表示将二进制向量转化为十进制的实数，size表示获取向量的长度，3％表示模3；

所述建模模块还用于将各物理小区的基站信息和各物理小区间的邻接信息代入所述预设的数学模型，形成所述PCI规划模型。

6.根据权利要求5所述的物理小区标识PCI分配系统，其特征在于，所述获取模块还用于：

获取各物理小区的基站信息和各物理小区间的邻接信息，其中，所述基站信息包括基站位置、基站与物理小区间对应关系，所述邻接信息包括各物理小区间相互位置关系；

根据所述基站信息和所述邻接信息，为各物理小区分配初始PCI，获取各物理小区与各PCI间的初始对应信息为各物理小区的初始PCI信息。

7.根据权利要求5至6中任意一项所述的物理小区标识PCI分配系统，其特征在于，所述解析模块还用于：

根据各物理小区的初始PCI信息，生成遗传算法的初始种群；

通过遗传算法对所述PCI规划模型进行求解，获取与各物理小区对应的最优PCI。

8.根据权利要求7所述的物理小区标识PCI分配系统，其特征在于，所述解析模块进一步还用于：

根据所述PCI规划模型的目标函数和约束条件，通过外罚函数法计算PCI适应度值；

基于所述PCI适应度值，对所述初始种群进行选择、交叉和变异，获得下一代种群；

判断所述下一代种群的代数是否达到最大迭代次数，若是，输出与各物理小区对应的最优PCI。