CN104796912A - 一种gsm-r网络频率规划的方法及系统 - Google Patents

Abstract

本发明涉及一种GSM-R网络频率规划的方法及系统，其方法包括：步骤1：接收包括基站参数信息、传播模型信息和系统参数信息的模型参数信息；步骤2：根据传播模型参数信息选择传播模型，基于基站参数信息确定覆盖半径模型；步骤3：根据传播模型和覆盖半径模型计算覆盖半径；步骤4：对覆盖半径内的小区采用改进后的遗传算法，计算获得频率分频方案，将频率分频方案发送到多个基站中；步骤5：对频率分配方案的效果进行预测，对于效果较差的基站发送报警信息；步骤6：对于效果较差的基站进行网络优化，结束。针对铁路场景适应性强；节省投资、操作性强；面向工程，结果准确。

Description

一种GSM-R网络频率规划的方法及系统

技术领域

本发明涉及一种GSM-R网络频率规划的方法及系统。

背景技术

GSM-R系统现有频率规划方式

目前在进行GSM-R无线网络规划与频率规划时普遍采用公网(移动GSM、联通GSM)固定信道分配(FCA)频率复用方式(面状复用或带状复用方式)，没有结合GSM-R无线网络特殊的带状覆盖特点(单网覆盖、交织单网冗余覆盖和双网冗余覆盖等)、线路传播环境的复杂性(平原覆盖、山区覆盖、隧道覆盖、路堑覆盖、高架桥覆盖等)及用户的特殊性(低速移动、中速移动、高速移动、个呼、组呼等)等。

根据需要，基站可采用N小区带状复用模式。

表1 N小区带状复用频率划分表

如铁路沿线通常采用7小区带状复用模式。将所有频率划分为7组，如下表所示，频率规划时可按照A、C、E、G、B、D、F顺序复用。沿线基站覆盖主要以O2站型为主，可将每组中的富余频点调配到个别大话务量的基站。假设基站都是O2站型，每个基站优先使用小区的前2个频道，可以富余1014、1015、1016、1017、1018五个频道。为避免邻频干扰，去除邻频的频道，实际可以富余使用1015、1017，或1014、1016、1018。

表2 7小区带状复用频率划分表

根据上述分析，频率资源占用拥挤的现象比较明显。有限的频率资源成为制约铁路无线通信发展的瓶颈，为保证铁路无线通信建设工程质量，必须改变既有频率规划的方式，必须合理地进行频率分配，从而高效地使用有限的频谱资源。

GSM系统现有频率规划算法

研究无线信道分配问题(CAP，channel assignment Problem)的方法有很多，包括启发式方法、图形理论方法、神经网络算法、遗传算法等，而且许多频率规划软件的算法是基于这些核心算法进行改进开发的。

目前针对铁路枢纽地区GSM-R无线网络进行频率规划与优化还未采用以上各种高级算法，还需要进一步的研究开发。近年来，遗传算法(GA)受到广泛关注，开始应用到无线信道分配问题(CAP，channel assignment Problem)中，GA是由J。Holland于1975年首先提出的模拟自然进化过程与选择而发明的一种算法，是一类模拟生物界自然选择和自然遗传机制的随机化搜索算法，遗传算法作为一种近年来快速发展的算法，因其良好的适用性和收敛性非常适合用于解决频率规划问题，但频率分配问题的理论模型是信道分配问题(CAP，channel assignment Problem)，最早是在20世纪60年代首次提出的。所谓CAP问题即在采用信道利用技术的蜂窝移动通信系统中，在多信道共用的情况下，以最有效的频谱利用方式，为每个小区的移动通信设备提供尽可能多的可用信道。

目前采用的信道分配方式有三种：固定信道分配(FCA)、动态信道分配(DCA)和混合信道分配(HCA)。固定信道分配不随小区业务量和用户分布的变化而变化，因此其优点是简单，便于实现，但呼阻率较高；动态信道分配只有当业务量小时才有较低的呼阻率；混合信道分配由于蜂窝移动通信系统中各蜂窝的业务量是不均衡的，采用静态和动态结合的方式。

发明内容

而以上现有技术存在以下缺陷：

现有覆盖算法应用于GSM-R网络频率规划的缺陷：

目前国内外工作人员已开发出许多频率规划软件，例如atoll、NastarGSM 2.3、TCP、Asset等。但应有这些网络规划软件对GSM-R网络进行规划时存在着许多的问题。首先，在这些GSM频率规划软件均面向GSM公网设计，以三扇区基站为基本覆盖单元，形成面状蜂窝式网络覆盖，且在频率分配时多为一个扇区使用一个频点。在GSM-R网络规划中，这种覆盖方式并不适用GSM-R网络规划为铁路沿线提供带状网络覆盖，同时GSM-R网络布设的基站多为沿铁路沿线线性部署，基站配置也多为两扇区，且两扇区分配相同的频点；其次，在传播模型和覆盖算法的采用上，大部分频率规划软件提供的传播模型多为Okumura-Hata模型或COST-231模型，软件采用的电波传播模型均是以某一特定地区的实测数据为依据，这些传播模型和覆盖算法虽然针对于不同的环境条件可以调整各自的传播模型修正因子，但是仅通过修正因子将Okumura-Hata模型应用于GSM-R网络，对于传播模型的刻画准确度并不高，对于后期网络规划的准确度也会带来较大的影响；与此同时还需要配合专用的数字电子地图才能预测覆盖效果，由于铁路沿线地形复杂，人口密度相对稀少，精确的数字电子地图很难提供，因此据此进行的覆盖算法大大降低了GSM-R网络覆盖预测结果的准确性。

现有干扰算法应用于GSM-R网络频率规划的缺陷：

频率规划是网络规划的重要环节，良好的频率规划是保证网络通信质量的基础。影响频率规划的因素主要有两个方面：一方面是频率利用率，另一方面就是干扰，而干扰因素是频率规划的关键因素，因此有效的干扰算法(方法)即频率规划算法也就是对接收电平、干扰矩阵等的估计方法。

现代的频率规划方法多结合组合数学、遗传算法[3]等最优化理论。但这些频率规划方法普遍是基于单一电波传播模型进行干扰估计，接收电平和干扰矩阵的估计精度较低或者复杂度较高。

启发式算法的缺陷：

启发式算法需要首先确定一个包含系统内所有呼叫的排序列表，然后按照一定的分配策略进行信道分配。对于启发式算法而言，如何找到最优的排序列表是最关键的问题。这类算法的优点是不需要多次的迭代过程，速度较快，可以取得较高的效率，但缺点在于很难找到最好的启发式信息来指导算法的搜索方向，而且启发式算法对于场景要求苛刻，因此通用性和普适性较低。

图着色算法的缺陷：

图着色算法是采用图形来表示不同小区信道之间所必须满足的干扰约束，图形的每个顶点代表一个呼叫，如果所对应的呼叫不能使用同频的话，则这两个顶点用一条边相连接，边上用一个数字标一记，这个数字就是边的两个端点(呼叫)所需的最小频率间隔。这种算法可较好地解决组合优化问题，但是该算法在实际的CAP问题中却存在着缺陷，广义图形着色问题是众所周知的一类NP-hard问题，这类问题寻找最优解的计算所需时间将随着问题的大小成指数递增，对于实际大规模蜂窝网络，采用该种算法在可以接受的时间内找到最佳信道分配几乎是不可能的。

神经网络算法的缺陷：

随着基于自然和物理过程有关的启发式搜索算法的发展，在20世纪90年代初，有学者将神经网络算法(NNA)和模拟退火算法(SA)应用到CAP问题中。神经网络算法建立并行的二维神经网络模型，通过采用一个由处理元素组成的神经网络，来建立一个n个小区和m个信道的CAP模型，他们的频率分配算法类似于在一个的棋盘上无冲突地放置棋子。NNA的优点是由于其整体地采用并行结构，故可将信道状态、系统条件、相关的干扰约束、样本数据等信息一并加以考虑，得到近似最优解，但也存在一些缺点，比如在搜索最优解的过程中非常容易陷入局部最优解，并且难以摆脱。

模拟退火算法的缺陷：

模拟退火算法(SA)最初来源于统计物理学中的固体退火过程，在工业中，经常要对金属构件加以退火处理，目的是减少其内应力，而这种内应力正是由金属的内能产生的。所谓退火处理，就是先把物体加热到足够高的温度，然后让其缓慢冷却下来。从微观角度看，这是一个物质内部结构从无序到有序的过程，伴随的是物质结构的内能逐渐减少的过程。定义优化的目标函数为C，C实际上对应的是物质结构的内能，SA算法就是找到使C最小的解状态。SA算法比传统的迭代逼近法优越之处在于：传统的方法是随机地产生一次状态转移，若此转移使目标函数大大减小了，那么这次转移将被接受，这种方法一个致命缺点就是极易陷入某个局部驻点而且难以自拔，而此时距全局最优化还有很大的距离，而且这种算法的收敛性严重依赖于所采用的随机数发生器的初始种子，收敛所需的时间也相当长。

现有GSM-R网络频率规划采用的干扰算法的缺陷：

现有GSM-R网络经验频率规划算法的缺陷：

目前GSM-R无线网络频率规划时普遍采用固定分组频率规划方式，根据需要基站采用N小区带状复用模式，按照A、C、E、G、B、D、F......顺序复用。目前广泛使用的几种电波传播模型均是以某一特定地区的实测数据为依据，没有结合GSM-R无线网络特殊的带状覆盖特点(单网覆盖、交织单网冗余覆盖和双网冗余覆盖等)、线路传播环境的复杂性(平原覆盖、山区覆盖、隧道覆盖、路堑覆盖、高架桥覆盖等)及用户的特殊性(低速移动、中速移动、高速移动、个呼、组呼等)等进行干扰计算，或者仅通过公网面状蜂窝模型进行理论干扰计算，凭经验进行频率分配。频率资源占用拥挤的现象比较明显，有限的频率资源成为制约铁路无线通信发展的瓶颈，特别是在铁路枢纽地区造成无频率资源可用的状况。

现有针对GSM-R网络开发的频率规划算法的缺陷：

目前北京交通大学发明了一种应用于GSM-R系统的频率规划方法，通过混合频率分配算法对GSM-R系统中的频点进行分配，该方法在铁路正线部分能够有效解决频率规划问题，但在铁路枢纽地区由于频率资源受限，制约频率资源的有效分配，不能从根本上解决频率分配问题。

本发明所要解决的技术问题是，针对现有GSM系统频率规划算法的不足，提供一种基于遗传算法的铁路枢纽地区GSM-R网络频率规划的方法及系统，从而可以方便地针对我国铁路枢纽地区进行有针对性的进行GSM-R系统的频率规划，减少同频干扰、邻频干扰现象，解决铁路枢纽地区GSM-R系统频率资源不足的问题。

本发明解决上述技术问题的技术方案如下：一种GSM-R网络频率规划的方法，具体包括以下步骤：

步骤1：接收包括基站参数信息、传播模型信息和系统参数信息的模型参数信息；

步骤2：根据传播模型参数信息选择传播模型，基于基站参数信息确定覆盖半径模型；

步骤3：根据传播模型和覆盖半径模型计算覆盖半径；

步骤4：对覆盖半径内的小区采用改进后的遗传算法，计算获得频率分频方案，将频率分频方案发送到多个基站中；

步骤5：对频率分配方案的效果进行预测，对于效果较差的基站发送报警信息；

步骤6：对于效果较差的基站进行网络优化，结束。

本发明的有益效果是:包括第一、针对铁路场景适应性强：

本发明基于遗传算法的铁路枢纽地区GSM-R网络频率规划实现方法是针对GSM-R铁路移动通信系统专门开发设计的，主要应用环境为铁路枢纽地区GSM-R网络频率规划，该算法中包含了多种铁路运行环境场景的最新修正传播模型，例如高架桥、平原、漏缆修正模型等，这些修正模型均为国内外学者基于实际测量数据修正拟合发表在国际著名期刊上获得，相比于公网优化方法中提供的Okumura-Hata模型，对于铁路枢纽地区GSM-R网络频率规划的适应性，针对性更强；模型刻画，路径损耗的刻画将会更加准确，可以对铁路枢纽地区及铁路正线区域等频率规划复杂区域进行有针对性的频率规划设计，给出满足铁路GSM-R网络频率规划要求的频率分配方案。

第二、节省投资、操作性强：

本发明基于遗传算法的铁路枢纽地区GSM-R网络频率规划实现方法特别适用于项目的前期规划(项目立项、可研阶段、初步设计阶段)，可以利用谷歌地图、百度地图等多种免费在线地图，节约了在使用网络规划软件时购买电子地图的成本。该实现方法还可以实现对地图缩放、移动、输入经纬度信息直接定位跳转等功能，对于基站参数的输入可以支持excel表格批量导入，无需手动逐个操作，频率分配方案可以表格形式直接输出结果，易于操作。

第三、面向工程，结果准确：

本发明基于遗传算法的铁路枢纽地区GSM-R网络频率规划实现方法，在产生干扰矩阵时，根据实际传播模型及输入参数计算同频干扰比矩阵，再根据同频干扰与约束要求对照表转化为干扰约束矩阵，同频干扰与约束要求对照表是在工程实际中由于大量的工程经验得出，是理论与工程结合的有效成果。由于在铁路上运行线路等级的不同，约束要求也有所差异，故本发明基于遗传算法的铁路枢纽地区GSM-R网络频率规划实现方法分别构造了基于普铁的同频干扰与约束要求对照表和基于高铁的同频干扰与约束要求对照表，与工程经验结合紧密，有效提升了频率规划准确性和适应性。

进一步，所述步骤4中的频率分频方案必须满足以下三种约束：

同信道约束(CCC)：是指使用相同信道小区的空间间隔要求，满足该条件的两个小区可以分配相同的信道，同一个信道不能在其同频干扰范围内再次使用；

邻信道约束(ACC)：是指相邻小区的信道间隔要求，不能同时把相邻信道分配给相邻小区使用；

同小区约束(CSC)：同一个小区内的所有信道之间必须要有一定的频率间隔，通常要大于ACC所要求的。

进一步，所述步骤4具体包括以下步骤：

步骤4.1：将信道用正整数进行编号，将覆盖半径内包含n个小区的蜂窝系统定义为n*n维的对称矩阵，称之为约束矩阵；

步骤4.2：通过对蜂窝系统中每个小区的话务量分析，定义一个n维矢量来表示每个小区的频点需求，得到需求向量，其中需求向量中的第i个元素代表第i个小区需要的频点数；

步骤4.3：基于需求向量、频点数、小区数目和可用的频点数目，执行改进后的遗传算法，得出频率分配方案，将频率分频方案发送到多个基站中。

进一步，所述步骤4.3中的改进后的遗传算法具体包括以下步骤：

步骤4.3.1：采用随机方法初始化种群，为每个小区分配一个信道，每个小区代表种群中的一个个体；

步骤4.3.2：根据需求向量的限制计算适应度函数；

步骤4.3.3：对初始化种群中的所有个体根据适应度函数计算适应度，将初始化种群中的个体按照适应度由小到大的顺序进行排序；

步骤4.3.4：根据设定的选择概率按照排序选择需要数目的个体，将其他适应度较大的个体丢弃；

步骤4.3.5：对保留的个体随机产生两个交叉点，两个交叉点生成两个新的个体，对交叉范围内的频率分配方案进行复制，复制给两个新产生的个体；

步骤4.3.6：判断当前个体的收敛程度是否达到预设值，如果是，执行步骤4.3.7；否则，执行步骤4.3.5；

步骤4.3.7：根据得到的所有个体组成新的种群，按照每个个体的信道分配方案获得频率分频方案。

进一步，所述步骤4.3.2在计算适应度函数时，需要考虑需求向量的限制、同址约束、同信道限制和邻信道限制。

进一步，所述同小区约束CSC和需求向量作为硬约束，在改进的遗传算法的执行过程中保持这个特性不变。

进一步，所述基站参数信息包括基站经纬度信息、天线挂高、增益、下倾角、波瓣宽度、半功率角、发射功率和需要频点数目等基站参数信息。

进一步，所述传播模型包括：Okumura-Hata传播模型(城市、郊区)、修正SPM传播模型、修正高架桥传播模型、修正平原传播模型和修正漏缆传播模型等铁路专用模型。

本发明解决上述技术问题的技术方案如下：一种GSM-R网络频率规划的系统，包括参数管理模块、频率分配模块、方案预测模块和智能优化模块；

所述参数管理模块用于接收包括基站参数信息、传播模型信息和系统参数信息的模型参数信息；根据传播模型参数信息选择传播模型，基于基站参数信息确定覆盖半径模型；根据传播模型和覆盖半径模型计算覆盖半径；

所述频率分配模块用于对覆盖半径内的小区采用改进后的遗传算法，计算获得频率分频方案，将频率分频方案发送到多个基站中；

所述方案预测模块用于对频率分配方案的效果进行预测，对于效果较差的基站发送报警信息；

所述智能优化模块用于对于效果较差的基站进行网络优化。

本发明的技术关键点在于：

1、基于遗传算法的铁路枢纽地区GSM-R系统特点的覆盖半径模型，

2、GSM-R无线通信网络频率规划数学模型

3、基于遗传算法的铁路枢纽地区GSM-R网络频率规划实现方法中染色体的采用的二进制编码方式；

4、基于遗传算法的铁路枢纽地区GSM-R网络频率规划实现方法中构造的基于先验知识的初始化方法产生的频点需求向量D；

5、基于遗传算法的铁路枢纽地区GSM-R网络频率规划实现方法中构造的基于需求向量的限制的适应度函数；

6、基于遗传算法的铁路枢纽地区GSM-R网络频率规划实现方法中结合铁路枢纽地区实际场景构造的符合铁路GSM-R网络工程参数和实际应用场景的干扰矩阵C。

遗传算法的一般流程如下：

第一步：随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码。

第二步：计算个体适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代数的最优解，并结束计算；否则转向第三步。

第三步：依据适应度选择再生个体，适应度高的个体被选择中的概率高，适应度低的个体可能被淘汰。

第四步：按照一定的交叉概率和交叉方法，生成新的个体。

第五步：按照一定的变异概率和变异方法，生成新的个体。

第六步：由交叉和变异产生新一代的种群，返回到第二步。

遗传算法中的优化准则，一般依据问题的不同有不同的确定方式，例如：可以采用以下的准则之一作为判断条件：

第一：种群中个体的最大适应度超过预先设定值。

第二：种群中个体的平均适应度超过预先设定值。

第三：世代数超过预先设定值。

遗传算法中包含了如下5个基本要素：(l)参数编码；(2)初始群体的设定；(3)适应度函数的设计；(4)遗传算子设计；(5)控制参数设定(主要是指群体大小和使用遗传算子的概率等)，这5个要素构成了遗传算法的核心内容。

其中，染色体代表一个解，由一串基因构成，比如二进制的串，它是对实际问题进行编码后的结果。

个体，是指染色体带有特征的实体，可以理解为问题的一个解，个体的集合称为种群。

编码，是将问题转化为一定方式排列的信息，可以看作是从表现型到遗传子型的映射。

适应度，是用来度量某个物种对生存环境的适应程度，对生存环境适应程度较高的物种将获得更多的繁殖机会。

遗传算子有选择(seleetion)、交叉(erossover)和变异(Mutation)三个主要算子。

选择算子的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙，判断个体优良与否的标准就是各自的适应度值，即个体适应度越高，其被选择的机会就越多。交叉算子将选择出的父代随机配对，配对个体彼此交换部分基因，从而繁殖出两个新的个体。变异算子按照某一概率从新个体中选取个别个体，改变它们所含的部分基因，以避免遗传运算收敛于局部最优解。

附图说明

图1为本发明所述的一种GSM-R网络频率规划的方法流程图；

图2为本发明所述的一种GSM-R网络频率规划的系统结构框图；

图3为本发明实施例所述的参数管理模块参数输入图；

图4为本发明实施例所述的地图操作图；

图5为本发明实施例所述的基站覆盖范围预测图；

图6为本发明实施例所述的频率分配结果方案图；

图7为本发明具体实施例1所述的频率分配方案图；

图8为本发明具体实施例2所述的频率分配方案图；

图9为本发明具体实施例3所述的频率分配方案图。

附图中，各标号所代表的部件列表如下：

1、参数管理模块，2、频率分配模块，3、方案预测模块，4、智能优化模块。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，为本发明所述的一种GSM-R网络频率规划的方法，具体包括以下步骤：

步骤1：接收包括基站参数信息、传播模型信息和系统参数信息的模型参数信息；

步骤2：根据传播模型参数信息选择传播模型，基于基站参数信息确定覆盖半径模型；

步骤3：根据传播模型和覆盖半径模型计算覆盖半径；

步骤4：对覆盖半径内的小区采用改进后的遗传算法，计算获得频率分频方案，将频率分频方案发送到多个基站中；

步骤5：对频率分配方案的效果进行预测，对于效果较差的基站发送报警信息；

步骤6：对于效果较差的基站进行网络优化，结束。

所述步骤4中的频率分频方案必须满足以下三种约束：

同信道约束(CCC)：是指使用相同信道小区的空间间隔要求，满足该条件的两个小区可以分配相同的信道，同一个信道不能在其同频干扰范围内再次使用；

邻信道约束(ACC)：是指相邻小区的信道间隔要求，不能同时把相邻信道分配给相邻小区使用；

同小区约束(CSC)：同一个小区内的所有信道之间必须要有一定的频率间隔，通常要大于ACC所要求的。

所述步骤4具体包括以下步骤：

步骤4.1：将信道用正整数进行编号，将覆盖半径内包含n个小区的蜂窝系统定义为n*n维的对称矩阵，称之为约束矩阵；

步骤4.2：通过对蜂窝系统中每个小区的话务量分析，定义一个n维矢量来表示每个小区的频点需求，得到需求向量，其中需求向量中的第i个元素代表第i个小区需要的频点数；

步骤4.3：基于需求向量、频点数、小区数目和可用的频点数目，执行改进后的遗传算法，得出频率分配方案，将频率分频方案发送到多个基站中。

所述步骤4.3中的改进后的遗传算法具体包括以下步骤：

步骤4.3.1：采用随机方法初始化种群，为每个小区分配一个信道，每个小区代表种群中的一个个体；

步骤4.3.2：根据需求向量的限制计算适应度函数；

步骤4.3.3：对初始化种群中的所有个体根据适应度函数计算适应度，将初始化种群中的个体按照适应度由小到大的顺序进行排序；

步骤4.3.4：根据设定的选择概率按照排序选择需要数目的个体，将其他适应度较大的个体丢弃；

步骤4.3.5：对保留的个体随机产生两个交叉点，两个交叉点生成两个新的个体，对交叉范围内的频率分配方案进行复制，复制给两个新产生的个体；

步骤4.3.6：判断当前个体的收敛程度是否达到预设值，如果是，执行步骤4.3.7；否则，执行步骤4.3.5；

步骤4.3.7：根据得到的所有个体组成新的种群，按照每个个体的信道分配方案获得频率分频方案。

所述步骤4.3.2在计算适应度函数时，需要考虑需求向量的限制、同址约束、同信道限制和邻信道限制。

所述同小区约束CSC和需求向量作为硬约束，在改进的遗传算法的执行过程中保持这个特性不变。

所述基站参数信息包括基站经纬度信息、天线挂高、增益、下倾角、波瓣宽度、半功率角、发射功率和需要频点数目等基站参数信息。

所述传播模型包括：Okumura-Hata传播模型(城市、郊区)、修正SPM传播模型、修正高架桥传播模型、修正平原传播模型和修正漏缆传播模型等铁路专用模型。

如图2所示，为本发明所述的一种GSM-R网络频率规划的系统，包括参数管理模块1、频率分配模块2、方案预测模块3和智能优化模块4；

所述参数管理模块1用于接收包括基站参数信息、传播模型信息和系统参数信息的模型参数信息；根据传播模型参数信息选择传播模型，基于基站参数信息确定覆盖半径模型；根据传播模型和覆盖半径模型计算覆盖半径；

所述频率分配模块2用于对覆盖半径内的小区采用改进后的遗传算法，计算获得频率分频方案，将频率分频方案发送到多个基站中；

所述方案预测模块3用于对频率分配方案的效果进行预测，对于效果较差的基站发送报警信息；

所述智能优化模块4用于对于效果较差的基站进行网络优化。

基于遗传算法的铁路枢纽地区GSM-R系统特点的传播模型：

本发明一种基于遗传算法的铁路枢纽地区GSM-R网络频率规划实现方法的传播模型信息主要包括系统传播模型的选择，主要的传播模型包括：Okumura-Hata传播模型(城市、郊区)、修正SPM传播模型、修正高架桥传播模型、修正平原传播模型和修正漏缆传播模型等铁路专用模型。

高架桥传播模型：L_via＝42.305+26.26×log₁₀(d)+20×log₁₀(f)；

平原传播模型：L_pla＝46.17+34.19×log₁₀(d)+20×log₁₀(f)；

Okumura Hata传播模型：

L＝69.55+26.16log(f)-13.82log(h_b)-a(h_m)+

(44.9-6.55log(h_b))log(d)；

SPM传播模型：

PL＝K₁+K₂log(d)+K₃log(H_eff)+K₄Diffraction+

K₅log(d)×log(H_eff)+K₆(H_eff)+K_clutterf(clutter_i)；

漏缆传播模型：L＝D×L_t+L_c+21；

频率分配模块为该软件的核心模块，该模块基于遗传算法进行开发，将改进的面向工程的遗传算法应用于GSM-R频率规划方案，根据参数管理模块的输入参数，给出各个基站的频率规划方案；预测模块主要负责频率规划方案完成后，对于方案效果进行预测，对于效果较差的基站进行报警处理；网络优化模块主要负责，对于方案预测后效果较差的基站进行网络优化，提出存在优先级的优化方案供使用者参考。

基于遗传算法的铁路枢纽地区GSM-R系统特点的覆盖半径模型：

基于几何关系的覆盖半径：

根据GSM-R无线通信的特点及业务需求，利用几何关系计算基于基站公参的覆盖半径，主要利用的公式为：

$\mathrm{\α}=\arctan \left(\frac{H}{R1}\right)+\frac{1}{2}\mathrm{\β};$

得出基于基站公参的覆盖半径R1，

$R1=\frac{H}{\tan (\mathrm{\α}-\frac{1}{2}\mathrm{\β})};$

其中，H为天线挂高，α为天线下倾角，β为天线垂直平面半功率角。

根据计算出的基站覆盖半径，计算各个基站的覆盖范围，由于在铁路沿线的基站多为两扇区，每个扇区的覆盖范围形状类似椭圆形，该椭圆形的长轴为基站对应该扇区的覆盖半径，短轴长度为根据输入的天线的波瓣宽度及基站对应该区域的覆盖半径计算得出，具体公式如下所示：

R_short＝R_long×tanβ；

其中，α为天线的波瓣宽度。

基于传播模型的覆盖半径：

针对不同的高铁运行环境采用对应的传播模型进行覆盖范围的计算，其中对于隧道、路堑等环境均采用漏缆传播模型进行计算，其余均按照对应传播模型进行计算。得出对应的根据传播模型计算得到的覆盖半径R2。

利用计算出的传播距离R1、R2进行比较，选取其中较小的一个作为该基站的覆盖半径。

基于遗传算法的铁路枢纽地区GSM-R系统特点的频率规划模型：

频率规划模型主要结合铁路实际的工程要求，基于遗传算法进行开发。

GSM-R频率规划策略：

GSM-R无线通信系统频率规划的关键是频率复用，即在一个小区内使用的信道可以在其他小区重复使用。但是，复用就容易引起干扰问题，所谓频率规划问题就是要尽量降低这种干扰，从而改善整个网络。频率规划策略必须满足以下三种约束：

(l)同信道约束(CCC)：是指使用相同信道小区的空间间隔要求，满足该条件的两个小区可以分配相同的信道，同一个信道不能在其同频干扰范围内再次使用。

(2)邻信道约束(ACC)：是指相邻小区的信道间隔要求。不能同时把相邻信道分配给相邻小区使用。

(3)同小区约束(CSC)：同一个小区内的所有信道之间必须要有一定的频率间隔，通常要大于ACC所要求的。

GSM-R无线通信网络频率规划数学模型：

首先我们将所有的信道(频点)用l、2、3、…等正整数依次标号。假设一个由n个小区组成的蜂窝系统，考虑前面提到的三种信道干扰约束，我们可以定义一个n×n维对称矩阵，称之为约束矩阵C(或称为兼容矩阵、干扰矩阵)，下式为约束矩阵的数学表达式。约束矩阵C中的非对角元素c^ij表示分配给第i小区的频点与第j小区中的频点之间最小间隔，而矩阵C中的对角线元素cⁱⁱ表示分配给第i小区的一组频点之间的最小频点间隔。

$C=\left[\begin{array}{cccc}{c}_{11}& c_{12}& ...& c_{1n}\\ c_{21}& c_{22}& ...& c_{2n}\\ ...& ...& ...& ...\\ c_{n1}& c_{n2}& ...& c_{\mathrm{nn}}\end{array}\right]$

通过对系统中每个小区的话务量分析(根据人口指数和用户总数！忙时发生的平均话务量和服务等级)，我们可以定义一个n维的矢量D(称为需求向量)来表示每个小区的频点需求。需求向量D中的第i个元素d_i表示第i个小区需要的频点数。令f_ik为分配给第i个小区的第k个频点，其中i＝1,2,...,n,k＝1,2,...,d_i。

这样系统所需总频点数可以表示为：

M＝max{f_ik}

若已知约束矩阵C和需求向量D，CAP的主要目的就是希望找到这样一种CAS{f_ik}(CAS，Channel Assignment Strategy，信道分配策略)，它具有最少的频点数M，并且服从下列频点间隔约束：

|f_ik-f_jl|≥c_ij

其中，i＝1,2,...,n,j＝1,2,...,n,k＝1,2,...,d_i,l＝1,2,...,d_j,(i,k)≠(j,l)

传统的图论方法将CAP构成为“最小集合”问题，可以作为一个组合优化问题表示为：

$\min M=\underset{i,k}{\max }\left(f_{\mathrm{ik}}\right);$

条件：|f_ik-f_jl|≥c_ij；

其中，i＝1,2,...,n,j＝1,2,...,n,k＝1,2,...,d_i,l＝1,2,...,d_j,(i,k)≠(j,l)。

GSM-R无线通信网络频率规划遗传算法：

1.算法符号介绍：

d_i：i小区的频点需求；

D：频点需求向量{d₁,d₂,...d_n}；

n：小区的数目；

m：可用频点的数目；

popsize：参与遗传算法的个体数目；

算法应用于频率分配模型。

2.染色体编码：

染色体的表示及编码遗传算法中通常有字符串编码和二进制编码两种方式。在本遗传算法中，采用二进制编码方式。

用n×m的二维矩阵F来表示问题的解。每个元素用f_ij表示，它的值为0或1。即当频点j分配给小区i时，f_ij＝l，否则f_ij＝0。为满足需求向量，使 $\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}=d_i.$

如图所示：

$F=\left[\left|\begin{array}{ccccccccccc}0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 1& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 0& 0& 0& 1& 1& 0& 0\end{array}\right.\right].$

3.初始种群产生：

产生初始种群的方法通常有两种，一种是完全随机的方法产生的，它适合于对问题的解无任何先验知识的情况。某些先验知识可转变为必须满足的一组要求，然后在满足这些要求的解中再随机地选取样本，这样选择初始化种群可使遗传算法更快地到达最优解。该算法采用加入某些先验知识的初始化方法，分配时必须满足频点需求向量D和同址干扰，这样相对随机初始化将大大提高收敛速度。具体过程如下：

a)首先对需要频点数最多的小区i₁进行分配，如果频点 $j=(k-1)\×c_{i_1{i}_1}+1(1\≤k\≤d_{i_1}),f_{i_{1}j}=1,$ 否则 $f_{i_{1}j}=0.$

b)然后，对其它小区了进行初始化。首先产生在[l，m]之间一个随机数r，使f_ir＝1，并满足和然后随机产生j，使得f_ij＝1。j必须满足是与r间隔的整数倍的位置。即其中，n为不等于零的整数。直到小区i中分配的频点数为d_i。

c)重复b)，直到所有的小区都被分配了频点。

4.适应度函数的定义：

在定义适值函数时，考虑需求向量的限制，同址约束(CSC)、同信道限制(CCC)和邻信道限制(ACC)。

1)满足需求向量的要求：

即必须分配给小区i的频点数为d_i，也就是说F的i行中1的数目为d_i，如果违反了这个约束，那么则：

$(\underset{q=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{iq}}-d_i)\≠0;$

2)CSC约束：

如果频点q已经分配给了i小区，频点p与q的距离小于c_ii，则p不能再分配给i小区。如果违反了这个约束，则：

$\underset{1\≤q\≤m}{\overset{p+(c_{\mathrm{ii}}-1)}{\underset{q\≠p}{\underset{q=p-(c_{\mathrm{ii}}-1)}{\mathrm{\Σ}{f}_{\mathrm{iq}}>0}}}};$

3)CCC和ACC约束：

如果频点q已经分配给了小区j，如果频点p与q的距离小于c_ij，则频点p不能分配给小区i。如果违反了这个约束，则

$\underset{c_{\mathrm{ij}}>0}{\overset{n}{\underset{j\≠i}{\underset{j=1}{\mathrm{\Σ}}}}}\stackrel{p+(c_{\mathrm{ij}}-1)}{\underset{1\≤q\≤m}{\underset{q=p-(c_{\mathrm{ij}}-1)}{\mathrm{\Σ}{f}_{\mathrm{jq}}>0}}};$

因此，适应度函数定义为：

$C\left(F\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{p=1}{\overset{m}{\mathrm{\Σ}}}\left(\underset{c_{\mathrm{ij}}>0}{\overset{n}{\underset{j\≠i}{\underset{j=1}{\mathrm{\Σ}}}}}\underset{1\≤q\≤m}{\overset{p+(c_{\mathrm{ij}}-1)}{\underset{q=p-(c_{\mathrm{ij}}-1)}{\mathrm{\Σ}{f}_{\mathrm{iq}}}}}\right)f_{\mathrm{iq}}+\mathrm{\α}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{p=1}{\overset{m}{\mathrm{\Σ}}}\left(\underset{1\≤q\≤m}{\overset{p+(c_{\mathrm{ij}}-1)}{\underset{q\≠p}{\underset{q=p-(c_{\mathrm{ij}}-1)}{\mathrm{\Σ}{f}_{\mathrm{iq}}}}}}\right)f_{\mathrm{iq}}+\mathrm{\β}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(\underset{q=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{iq}}-d_i)$

；其中CSC和需求向量作为硬约束，在遗传算法的执行过程中保持这个特性不变。因此适值函数可化简为：

$C\left(F\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{p=1}{\overset{m}{\mathrm{\Σ}}}\left(\underset{c_{\mathrm{ij}}>0}{\overset{n}{\underset{j\≠i}{\underset{j=1}{\mathrm{\Σ}}}}}\underset{1\≤q\≤m}{\overset{p+(c_{\mathrm{ij}}-1)}{\underset{q=p-(c_{\mathrm{ij}}-1)}{\mathrm{\Σ}}{f}_{\mathrm{iq}}}}\right)f_{\mathrm{iq}};$

5.约束矩阵的构造方式：

在以往的频率分配算法中，约束矩阵多为手动给出，这种约束方式的设定多未考虑与铁路枢纽地区实际场景的结合以及工程实际的需求，因此在运行过程中，容易出现误差。

本基于遗传算法的铁路枢纽地区GSM-R无线通信网络频率规划实现方法结合高铁实际的运行场景设计，针对需要进行频率规划的基站计算其同频干扰值，并依据实际经验总结出的同频干扰与约束要求对照表进行约束条件的转换，最终得出符合工程参数和实际应用场景的干扰矩阵C。

针对同频干扰与约束要求对照表，分别为基于普铁的同频干扰与约束要求对照表和基于高铁的同频干扰与约束要求对照表，如表3和表4所示：

表3

表4

基于遗传算法的铁路枢纽地区GSM-R无线通信网络频率规划实现方法实现流程：

本基于遗传算法的铁路枢纽地区GSM-R无线通信网络频率规划实现方法依据遗传算法进行设计，在进行选择和交叉时采取如下方法。

在种群初始化之后，将会对初始化种群按照适应度高低升序排列。(因为在本算法中，打破一次约束条件，适应度会相应增加，因此适应度函数值小的方案是较为满足要求的方案)。

之后根据系统设定的选择概率(可以手动进行调整)，选择前适应度小的若干个个体进行保留，后适应度较大的个体则被丢弃。

根据被保留下来的适应度好的个体，随机产生两个交叉点，对交叉范围内的频率分配方案进行复制，复制给新产生的个体，这种交叉方案可以有效地将父代的优良基因保存下来，同时可以提高算法的收敛速度，加快运行效率。

在进行频率分配之前，根据导入的基站公参，可以针对铁路沿线，计算各个基站的覆盖情况，得出铁路沿线基站覆盖情况的预测示意图，对于不满足覆盖要求的基站发出报警信息，即可针对该基站分配的频点进行手动调整或者根据提示给出智能优化建议。

在进行频率分配后，方案预测模块可以根据各个基站分配频点的情况进行同频干扰保护比的方案预测，对每个基站选取特定个预测点计算该点的同频干扰保护比。

图3为本发明实施例所述的参数管理模块参数输入图；图4为本发明实施例所述的地图操作图；图5为本发明实施例所述的基站覆盖范围预测图；图6为本发明实施例所述的频率分配结果方案图。

北京南站枢纽地区GSM-R频率分配方案实例1：

以北京南站枢纽为例：

首先导入北京南站枢纽内的基站工参，本次实例参与频率规划的基站共16个，且均为两载频基站，将基站的经纬度信息、需要频点数量、天线挂高、下倾角、方向角、波瓣宽度、垂直方向半功率角、发射功率、接收灵敏度、天线增益等参数通过excel导入该软件。

选择各个基站的传播模型，也可将传播模型代号通过excel表格在1)中随基站工参一起导入，本次实例选择的传播模型为0号模型，即为高架桥传播模型；再选择覆盖模型，本次实例选择的覆盖模型为混合传播模型，即综合考虑了几何模型和传播模型后得出的混合模型，在混合模型的基础上，根据1)中的基站数据计算各个基站扇区的覆盖半径以及同频干扰矩阵，再依据同频干扰矩阵转换表转换为干扰矩阵C，其中同频干扰转换表有两种，根据铁路等级的不同，分为普铁同频干扰转换表和高铁同频干扰转换表，其中高铁的约束要求较普铁来说更为严格，本次实例选择的为普铁同频干扰转换表。

设置遗传算法参数，可选择的参数有：参与分配频点数(本次实例输入的参数为19)、迭代次数(本次实例输入的参数为500)、选择概率(本次实例输入的参数为0.35)、交叉概率(本次实例输入的参数为0.15)等参数，也可以直接采用默认值，程序进入遗传算法迭代过程。

得出频率分配方案，将各个基站分配的频点显示在地图上，频率分配结果也可以通过excel表格导出，结果如图7所示。

北京南站枢纽地区GSM-R频率分配方案实例2：

通过更改其中一些基站的工参，例如天线挂高或下倾角，以及更改某些基站的传播模型，得出新的覆盖范围，再重复实例一中的步骤1)-4)，根据新的基站工程参数得出新的频率分配方案，结果如图8所示。

北京南站枢纽地区GSM-R频率分配方案实例3：

通过更改遗传算法的设置参数，将第一次遗传算法中的迭代次数由500次提高到2000次，将算法中的选择率由0.35提高到0.4，将交叉率由0.15提高到0.25，得出新的频率分配方案，结果如图9所示。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种GSM-R网络频率规划的方法，其特征在于，具体包括以下步骤：

步骤1：接收包括基站参数信息、传播模型信息和系统参数信息的模型参数信息；

步骤2：根据传播模型参数信息选择传播模型，基于基站参数信息确定覆盖半径模型；

步骤3：根据传播模型和覆盖半径模型计算覆盖半径；

步骤4：对覆盖半径内的小区采用改进后的遗传算法，计算获得频率分频方案，将频率分频方案发送到多个基站中；

步骤5：对频率分配方案的效果进行预测，对于效果较差的基站发送报警信息；

步骤6：对于效果较差的基站进行网络优化，结束。

2.根据权利要求1所述的一种GSM-R网络频率规划的方法，其特征在于，所述步骤4中的频率分频方案必须满足以下三种约束：

同信道约束CCC：是指使用相同信道小区的空间间隔要求，满足该条件的两个小区可以分配相同的信道，同一个信道不能在其同频干扰范围内再次使用；

邻信道约束ACC：是指相邻小区的信道间隔要求，不能同时把相邻信道分配给相邻小区使用；

同小区约束CSC：同一个小区内的所有信道之间必须要有一定的频率间隔，通常要大于邻信道约束ACC所要求的。

3.根据权利要求1所述的一种GSM-R网络频率规划的方法，其特征在于，所述步骤4具体包括以下步骤：

步骤4.1：将信道用正整数进行编号，将覆盖半径内包含n个小区的蜂窝系统定义为n*n维的对称矩阵，称之为约束矩阵；

步骤4.2：通过对蜂窝系统中每个小区的话务量分析，定义一个n维矢量来表示每个小区的频点需求，得到需求向量，其中需求向量中的第i个元素代表第i个小区需要的频点数；

步骤4.3：基于需求向量、频点数、小区数目和可用的频点数目，执行改进后的遗传算法，得出频率分配方案，将频率分频方案发送到多个基站中。

4.根据权利要求3所述的一种GSM-R网络频率规划的方法，其特征在于，所述步骤4.3中的改进后的遗传算法具体包括以下步骤：

步骤4.3.1：采用随机方法初始化种群，为每个小区分配一个信道，每个小区代表种群中的一个个体；

步骤4.3.2：根据需求向量的限制计算适应度函数；

步骤4.3.3：对初始化种群中的所有个体根据适应度函数计算适应度，将初始化种群中的个体按照适应度由小到大的顺序进行排序；

步骤4.3.4：根据设定的选择概率按照排序选择需要数目的个体，将其他适应度较大的个体丢弃；

步骤4.3.5：对保留的个体随机产生两个交叉点，两个交叉点生成两个新的个体，对交叉范围内的频率分配方案进行复制，复制给两个新产生的个体；

步骤4.3.6：判断当前个体的收敛程度是否达到预设值，如果是，执行步骤4.3.7；否则，执行步骤4.3.5；

步骤4.3.7：根据得到的所有个体组成新的种群，按照每个个体的信道分配方案获得频率分频方案。

5.根据权利要求4所述的一种GSM-R网络频率规划的方法，其特征在于，所述步骤4.3.2在计算适应度函数时，需要考虑需求向量的限制、同址约束、同信道限制和邻信道限制。

6.根据权利要求1-5任一项所述的一种GSM-R网络频率规划的方法，其特征在于，所述同小区约束CSC和需求向量作为硬约束，在改进的遗传算法的执行过程中保持这个特性不变。

7.根据权利要求1所述的一种GSM-R网络频率规划的方法，其特征在于，所述基站参数信息包括基站经纬度信息、天线挂高、增益、下倾角、波瓣宽度、半功率角、发射功率和需要频点数目基站参数信息。

8.根据权利要求1所述的一种GSM-R网络频率规划的方法，其特征在于，所述传播模型包括：Okumura-Hata传播模型(城市、郊区)、修正SPM传播模型、修正高架桥传播模型、修正平原传播模型和修正漏缆传播模型。

9.一种GSM-R网络频率规划的系统，其特征在于，包括参数管理模块、频率分配模块、方案预测模块和智能优化模块；

所述参数管理模块用于接收包括基站参数信息、传播模型信息和系统参数信息的模型参数信息；根据传播模型参数信息选择传播模型，基于基站参数信息确定覆盖半径模型；根据传播模型和覆盖半径模型计算覆盖半径；

所述频率分配模块用于对覆盖半径内的小区采用改进后的遗传算法，计算获得频率分频方案，将频率分频方案发送到多个基站中；

所述方案预测模块用于对频率分配方案的效果进行预测，对于效果较差的基站发送报警信息；

所述智能优化模块用于对于效果较差的基站进行网络优化。