CN104918271A - 一种基站的工程参数优化方法和装置 - Google Patents
一种基站的工程参数优化方法和装置 Download PDFInfo
- Publication number
- CN104918271A CN104918271A CN201410090814.9A CN201410090814A CN104918271A CN 104918271 A CN104918271 A CN 104918271A CN 201410090814 A CN201410090814 A CN 201410090814A CN 104918271 A CN104918271 A CN 104918271A
- Authority
- CN
- China
- Prior art keywords
- engineering parameter
- engineering
- base station
- group
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基站工程参数的优化方法,该方法包括:根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数;根据预设的性能优化指标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数。本发明还同时公开了一种基站的工程参数优化装置。如此,不仅能快速且精确地搜索出覆盖小区的基站的最优工程参数组合,还能通过预设的性能优化指标有针对性地优化所述基站的工程参数,从而提高所述基站的资源配置效率。
Description
技术领域
本发明涉及无线通信领域中参数的优化技术,尤其涉及一种基站的工程参数优化方法和装置。
背景技术
蜂窝移动通信系统,也称为“小区制”系统,是将所有覆盖的地区划分为若干个小区,每个小区的半径可视用户的分布密度设置在1-10km左右;并且,在每个小区设立有一个基站为本小区范围内的用户终端服务。
基站是无线电台站的一种形式,是指在一定的无线电覆盖区中,通过移动通信交换中心与移动电话终端之间进行信息传递的无线电收发信电台。移动通信基站的建设一般都是围绕覆盖面、通话质量、投资效益、建设难易、维护方便等要素进行。随着移动通信网络业务向数据化、分组化方向发展,移动通信基站的发展趋势也必然是宽带化、大覆盖面建设及IP化。
现有技术中,对基站的工程参数进行优化的技术方案,主要是基于网管、路测和投诉数据结合一定的主观经验,来决定是否需要对基站的工程参数进行优化。
发明人在实现本发明的过程中,发现现有基站的工程参数优化方案中,存在以下缺陷:
1)基站的工程参数优化的自动化程度较低;
2)针对基站的工程参数优化的效率较低,如果全网需要大范围调整基站的工程参数,则需要大量时间;
3)基站的工程参数优化的精确度较低,由于现有基站的工程参数优化方案是基于网管、路测和投诉数据结合一定的主观经验来对基站的工程参数进行优化,因此,基站的工程参数的优化精确度相对较低;
4)基站的工程参数优化后用户感知度较低,由于现有基站的工程参数优化方案,对于优化维度和实际应用效果没有方法评估,因此,优化后带来的效果也不可预测。
发明内容
有鉴于此,本发明实施例期望提供一种基站的工程参数优化方法和装置,不但能快速且精确地搜索出覆盖小区的基站的最优工程参数组合,而且能通过有针对性地优化所述基站的工程参数,提高所述基站的资源配置效率。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供了一种基站的工程参数优化方法,该方法包括:
根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数;
根据预设的性能优化指标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数。
上述方案中,所述根据预设的性能优化目标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数,包括:
将每个小区对应的多组工程参数构成一个群体;
根据预设的性能优化指标确定适应度函数,并计算出所述群体中每组工程参数对应的适应度函数值;
将所述群体中最小适应度函数值对应的一组工程参数删除;
从剩余的多组工程参数中随机选择两组工程参数作为父代的两组工程参数;
将所述父代的两组工程参数进行随机组合形成新的一组工程参数,并将所述新的一组工程参数加入所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
上述方案中,所述从剩余的多组工程参数中随机选择两组工程参数作为父代的两组工程参数之后,所述方法还包括:
将所述父代的两组工程参数进行随机组合形成子代的多组工程参数;
将所述子代的多组工程参数按照预设的变异率进行变异;
从变异后的多组工程参数中随机选择一组工程参数加入到所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
上述方案中,所述基站的工程参数包括:
天线的经纬度、方位角、下倾角、高度、发射功率、载频数。
上述方案中,所述性能优化指标预设为所述基站的覆盖指标、容量指标、业务接入指标、业务质量指标、切换指标或成功率指标。
根据上述方法,本发明实施例还提供了一种基站的工程参数优化装置,该装置包括:配置单元、最优工程参数搜索单元;其中,
所述配置单元,用于根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数;
所述最优工程参数搜索单元,用于根据预设的性能优化指标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数。
上述方案中,所述最优工程参数搜索单元具体用于:
将每个小区对应的多组工程参数构成一个群体;
根据预设的性能优化指标确定适应度函数,并计算出所述群体中每组工程参数对应的适应度函数值;
将所述群体中最小适应度函数值对应的一组工程参数删除;
从剩余的多组工程参数中随机选择两组工程参数作为父代的两组工程参数;
将所述父代的两组工程参数进行随机组合形成新的一组工程参数,并将所述新的一组工程参数加入所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
上述方案中,所述最优工程参数搜索单元还用于:
将所述父代的两组工程参数进行随机组合形成子代的多组工程参数;
将所述子代的多组工程参数按照预设的变异率进行变异;
从变异后的多组工程参数中随机选择一组工程参数加入到所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
上述方案中,所述基站的工程参数包括:
天线的经纬度、方位角、下倾角、高度、发射功率、载频数。
上述方案中,所述性能优化指标预设为所述基站的覆盖指标、容量指标、业务接入指标、业务质量指标、切换指标或成功率指标。
本发明实施例所提供的基站的工程参数的优化方法和装置,根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数;根据预设的性能优化指标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数。如此,不但能快速且精确地搜索出覆盖小区的基站的最优工程参数组合;而且,能通过预设的性能优化指标有针对性地优化所述基站的工程参数,从而避免优化的盲目性,提高所述基站的资源配置效率。
本发明实施例所提供的基站的工程参数优化方法和装置,与现有技术相比,取得了如下进步:
1)本发明实施例采用遗传算法,根据预设的性能优化指标确定适应度函数,根据适应度函数值对基站的工程参数组合进行选择,能保证适应性好的工程参数组合有更多的机会繁殖后代,使优良特性得以遗传,从而能够快速且精确地搜索出覆盖小区的基站的最优工程参数组合;并且,能通过设置适当的自适应函数,提高用户的感知。
2)本发明实施例根据预设的性能优化指标,能够有针对性地优化所述基站的工程参数,从而提高所述基站的资源配置效率。
附图说明
图1为本发明实施例基站的工程参数优化方法实现流程示意图;
图2为本发明实施例为所述基站覆盖的每个小区分别搜索出一组最优的工程参数的方法实现流程示意图;
图3为本发明实施例基站的工程参数优化装置组成结构示意图。
具体实施方式
本发明实施例中,根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数;根据预设的性能优化指标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数。如此,本发明实施例能快速且精确地搜索出覆盖小区的基站的最优工程参数组合;本发明实施例还能通过预设的性能优化指标有针对性地优化所述基站的工程参数。
本发明实施例中所采用的遗传算法,是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的搜索启发式算法;采用遗传算法将要解决的问题模拟成一个生物进化的过程,通过复制、交叉、突变等操作产生下一代的解,并逐步淘汰掉适应度低的解,增加适应度高的解;这样,进化N代后就很有可能会进化出适应度很高的个体;遗传算法主要使用三个遗传算子:选择、交叉、变异,其中,第一个选择算子,通过选择一些染色体来产生下一代;第二个交叉算子,两条父代染色体交换部分基因,来构造子代的两条新染色体,通常采用均匀交叉,即随机从两个父代染色体中选择基因,组成新的染色体;第三个变异算子,在繁殖过程,新产生的染色体中的基因会以一定的变异率变异。
本发明实施例中,将每个小区当作个体,将每组工程参数当作染色体,将工程参数的具体取值当作基因,模拟生物的遗传和进化过程,通过选择、交叉和变异等操作,以种群的方式搜索出一组最优的工程参数。
下面结合附图对本发明所述方法和装置作进一步说明。
本发明实施例提出了一种基站的工程参数优化方法,如图1所示,所述方法包括:
步骤S100:根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数。
这里,所述基站可以覆盖多个小区,通常一个基站覆盖三个小区,可以为所述基站覆盖的三个小区分别配置多组工程参数,进而可以从多组工程参数中确定出各自基站对应的最优工程参数。
这里,所述基站的工程参数包括:天线的经纬度、方位角、下倾角、高度、发射功率、载频数等,可以根据实际需求设定所述基站的工程参数的范围及精度,根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数;例如,配置每组工程参数包括:天线的经纬度、方位角、下倾角、高度、发射功率、载频数,将每组中的每个工程参数在设定范围内根据精度按照设定步长进行变化,从而组合出多组工程参数。
这里,为所述基站覆盖的每个小区分别配置对应的工程参数组数可以根据所述基站的工程参数的范围及精度设定,优选的,可以设定为100至500组。本发明实施例中对每个小区对应的工程参数组数不作具体限定。
本发明实施例中,可以针对天线的经纬度、方位角、下倾角、高度、发射功率、载频数等工程参数进行单独调整;也可以针对天线的经纬度、方位角、下倾角、高度、发射功率、载频数等工程参数进行任意组合调整,这样,可以有针对性地优化所述基站的工程参数,从而提高所述基站的资源配置效率。
步骤S101:根据预设的性能优化指标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数。
这里,所述预设的性能优化指标包括:所述基站的覆盖指标、容量指标、业务接入指标、业务质量指标、切换指标或成功率指标等;其中,反映覆盖的指标有PCCPCH强度、接收功率、发送功率和覆盖里程比等;对于语音业务,反映业务质量的指标是误帧率,对于数据业务,反映业务质量的指标主要是吞吐率和时延;反映业务接入的指标是业务接入完成率;反映成功率的指标是业务的掉话率;反映切换的指标是切换成功率;反映容量的指标是上下行负载;这样,可以从覆盖、容量、频率、质量等多个方面对所述基站覆盖的网络状况作出客观的评估,并通过预设的性能优化指标可以有针对性地优化基站工程参数,从而避免优化的盲目性,提高所述基站的资源配置效率。
这里,所述根据预设的性能优化目标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数,参见图2,具体实现流程如下:
步骤S200、将步骤S100中配置的每个小区对应的多组工程参数构成一个群体;
步骤S201、根据预设的性能优化指标确定适应度函数,并计算出所述群体中每组工程参数对应的适应度函数值;
步骤S202、将所述群体中最小适应度函数值对应的一组工程参数删除,且迭代次数N=N+1;
其中,N=0,1,2,3,…,Nt,N的初始值设置为零,Nt为迭代阈值;
步骤S203、确定迭代次数N未达到预设的迭代阈值Nt时,转入步骤204;确定迭代次数N达到预设的迭代阈值Nt时,迭代结束,并转入步骤206;
这里,所述迭代阈值Nt可根据所述群体中工程参数的组数设定,本发明实施例中对所述迭代阈值不作具体限定。
步骤S204、从剩余的多组工程参数中随机选择两组工程参数作为父代的两组工程参数;
其中,每组工程参数的选择概率为:
步骤S205、将所述父代的两组工程参数进行随机组合形成新的一组工程参数,并将所述新的一组工程参数加入所述群体中;计算出所述新的一组工程参数对应的适应度函数值,并转入步骤202;
这里,随机组合是指从一组工程参数中任选几个参数,从另一组工程参数中任选另几个参数,形成一组新的工程参数,例如,若父代的两组工程参数为:(A1,B1)、(A2,B2),其中,A1、A2为对应工程参数A的具体取值;B1、B2为对应工程参数B的具体取值;则将所述父代的两组工程参数进行随机组合可以形成两组子代的工程参数:(A1,B2),(A2,B1),从子代的两组工程参数中随机选出一组作为子代的工程参数。
步骤S206、将所述群体中最大适应度函数值对应的一组工程参数作为最优的工程参数输出。
在本发明的一种优选的实施方式中,在步骤205中,先将所述父代的两组工程参数进行随机组合形成子代的多组工程参数;再将所述子代的多组工程参数按照预设的变异率进行变异;之后从变异后的多组工程参数中随机选择一组工程参数加入到所述群体中,并计算出从变异后的多组工程参数中随机选择出的一组工程参数对应的适应度函数值,转入步骤202。
优选的,可以预设变异率为10%,本发明实施例中对变异率大小的设置不作具体限定。
本发明的上述优选实施方式中,将所述子代的多组工程参数按照预设的变异率进行变异,可用以提高所述基站的工程参数的多样性。
这里,可以根据预设的性能优化指标确定适应度函数,不同的性能优化指标对应不同的适应度函数,用户也可以根据实际需求自定义适应度函数,并设置对应的自定义性能优化指标。适应度函数用于评价一组工程参数的优劣程度,若适应度函数值越大,则该组工程参数适应性越好,反之,若适应度函数值越小,则该组工程参数适应性越差;根据适应度函数值可对工程参数组合进行选择,以保证适应性好的工程参数组合有更多的机会繁殖后代,使优良特性得以遗传,因此,需要选用合理的适应度函数来体现适应度,用以指导遗传算法进化的方向。随着适应度函数值的变化,遗传算法收敛或发散,并选用合理的适应度函数,可以取得全局最优解。若群体中多组工程参数对应的适应度函数的平均值较大,则可认为该群体是一个较为优良的群体。
具体的,本发明实施例中按照如下公式定义适应度函数,并设置对应的自定义性能优化指标:
其中,fitness表示适应度函数;接通率φi=链路电平大于等于-94dBm时用户终端的采样点数i/总采样点数Ncell;掉线率链路载干比Ci/Ii小于等于3dB时用户终端的采样点数i/总采样点数Ncell;误帧率当适应度函数fitness的值为1时,认为该适应度函数收敛,得到全局最优解。
具体的,首先将覆盖用户终端的小区确定为所述用户终端的主服务小区,按照如下公式计算所述用户终端的第i个采样点与主服务小区之间链路的载干比
其中,Ps为覆盖所述主服务小区的基站的发射功率,PA为覆盖周边相邻小区的基站的发射功率;pathloss(i,S)=MAX(L-GTx-GRx,MCL),为所述用户终端的第i个采样点到主服务小区的路径损耗,传播损耗L=21log10f+37.6log10d+58.8+log10F,f为载波所用的频段,d为所述用户终端和覆盖所述用户终端的基站之间的直线距离,log10F为服从对数正态分布N(0,σ2)的阴影衰落,GTx为覆盖所述主服务小区的基站的发射增益,GRx为覆盖所述用户终端的基站的接收增益,MCL为最小耦合损耗,通常取70dB。热噪声b为系统的带宽,通常GSM系统的系统带宽b为200khz,Nf为所述用户终端的噪声系数,通常为9dB。
本发明实施例中,将优化目标从无线环境优化转移到所述基站自身的工程参数优化,并根据预设的性能优化指标设置对应的适应度函数,能够实现基于用户感知的基站工程参数优化。
为实现上述方法,本发明实施例还提供了一种基站的工程参数优化装置,由于装置中各组成部分相互配合所解决问题的实现原理和实现过程与方法相似,因此,装置的具体实施可以参见方法的具体实现流程的描述,重复之处不再赘述。
如图3所示,本发明实施例提供的基站工程参数的优化装置,所述装置包括:配置单元300、最优工程参数搜索单元301;其中,
所述配置单元300,用于根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数;
所述最优工程参数搜索单元301,用于根据预设的性能优化指标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数;
其中,所述基站的工程参数包括:天线的经纬度、方位角、下倾角、高度、发射功率、载频数;所述性能优化指标预设为所述基站的覆盖指标、容量指标、业务接入指标、业务质量指标、切换指标或成功率指标。
为了描述的方便,以上基站的工程参数优化装置的各部分以功能分为各种模块或单元分别描述。当然,在实施本发明时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。以上功能模块或单元的划分方式仅为本发明实施例给出的一种优选实现方式,功能模块或单元的划分方式不构成对本发明的限制。
具体实施中,所述最优工程参数搜索单元301具体用于:
将每个小区对应的多组工程参数构成一个群体;
根据预设的性能优化指标确定适应度函数,并计算出所述群体中每组工程参数对应的适应度函数值;
将所述群体中最小适应度函数值对应的一组工程参数删除;
从剩余的多组工程参数中随机选择两组工程参数作为父代的两组工程参数;
将所述父代的两组工程参数进行随机组合形成新的一组工程参数,并将所述新的一组工程参数加入所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
具体实施中,所述最优工程参数搜索单元301还用于:
将所述父代的两组工程参数进行随机组合形成子代的多组工程参数;
将所述子代的多组工程参数按照预设的变异率进行变异;
从变异后的多组工程参数中随机选择一组工程参数加入到所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
在实际应用中,所述配置单元300、所述最优工程参数搜索单元301可由位于基站的工程参数优化装置的中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)实现。
本发明所述的方法并不限于具体实施方式中所述的实施例,本领域技术人员根据本发明的技术方案得出其它的实施方式,同样属于本发明的技术创新范围。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基站的工程参数优化方法,其特征在于,所述方法包括:
根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数;
根据预设的性能优化指标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的性能优化目标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数,包括:
将每个小区对应的多组工程参数构成一个群体;
根据预设的性能优化指标确定适应度函数,并计算出所述群体中每组工程参数对应的适应度函数值;
将所述群体中最小适应度函数值对应的一组工程参数删除;
从剩余的多组工程参数中随机选择两组工程参数作为父代的两组工程参数;
将所述父代的两组工程参数进行随机组合形成新的一组工程参数,并将所述新的一组工程参数加入所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
3.根据权利要求2所述的方法,其特征在于,所述从剩余的多组工程参数中随机选择两组工程参数作为父代的两组工程参数之后,所述方法还包括:
将所述父代的两组工程参数进行随机组合形成子代的多组工程参数;
将所述子代的多组工程参数按照预设的变异率进行变异;
从变异后的多组工程参数中随机选择一组工程参数加入到所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
4.根据权利要求1所述的方法,其特征在于,所述基站的工程参数包括:
天线的经纬度、方位角、下倾角、高度、发射功率、载频数。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述性能优化指标预设为所述基站的覆盖指标、容量指标、业务接入指标、业务质量指标、切换指标或成功率指标。
6.一种基站的工程参数优化装置,其特征在于,所述装置包括:配置单元、最优工程参数搜索单元;其中,
所述配置单元,用于根据所述基站的工程参数的范围及精度为所述基站覆盖的每个小区分别配置对应的多组工程参数;
所述最优工程参数搜索单元,用于根据预设的性能优化指标,采用遗传算法为所述基站覆盖的每个小区分别搜索出一组最优的工程参数。
7.根据权利要求6所述的装置,其特征在于,所述最优工程参数搜索单元具体用于:
将每个小区对应的多组工程参数构成一个群体;
根据预设的性能优化指标确定适应度函数,并计算出所述群体中每组工程参数对应的适应度函数值;
将所述群体中最小适应度函数值对应的一组工程参数删除;
从剩余的多组工程参数中随机选择两组工程参数作为父代的两组工程参数;
将所述父代的两组工程参数进行随机组合形成新的一组工程参数,并将所述新的一组工程参数加入所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
8.根据权利要求7所述的装置,其特征在于,所述最优工程参数搜索单元还用于:
将所述父代的两组工程参数进行随机组合形成子代的多组工程参数;
将所述子代的多组工程参数按照预设的变异率进行变异;
从变异后的多组工程参数中随机选择一组工程参数加入到所述群体中;
根据预设的迭代阈值搜索出一组最优的工程参数。
9.根据权利要求6所述的装置,其特征在于,所述基站的工程参数包括:
天线的经纬度、方位角、下倾角、高度、发射功率、载频数。
10.根据权利要求6至9任一项所述的装置,其特征在于,所述性能优化指标预设为所述基站的覆盖指标、容量指标、业务接入指标、业务质量指标、切换指标或成功率指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410090814.9A CN104918271A (zh) | 2014-03-12 | 2014-03-12 | 一种基站的工程参数优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410090814.9A CN104918271A (zh) | 2014-03-12 | 2014-03-12 | 一种基站的工程参数优化方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104918271A true CN104918271A (zh) | 2015-09-16 |
Family
ID=54086877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410090814.9A Pending CN104918271A (zh) | 2014-03-12 | 2014-03-12 | 一种基站的工程参数优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104918271A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107995643A (zh) * | 2018-02-02 | 2018-05-04 | 成都工业学院 | 基于数据驱动的网元参数预测优化方法及装置 |
CN109803274A (zh) * | 2017-11-17 | 2019-05-24 | 中国移动通信集团公司 | 一种天线方位角优化方法和系统 |
CN112566147A (zh) * | 2019-09-26 | 2021-03-26 | 中国移动通信集团山东有限公司 | 经纬度校验方法、装置、存储介质及计算机设备 |
CN112949010A (zh) * | 2021-02-26 | 2021-06-11 | 中国联合网络通信集团有限公司 | 一种覆盖优化方法和装置 |
CN114710788A (zh) * | 2022-04-29 | 2022-07-05 | 广州杰赛科技股份有限公司 | 一种网络覆盖优化方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102448087A (zh) * | 2010-10-13 | 2012-05-09 | 中国移动通信集团河南有限公司 | 一种天馈参数的优化方法及系统 |
-
2014
- 2014-03-12 CN CN201410090814.9A patent/CN104918271A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102448087A (zh) * | 2010-10-13 | 2012-05-09 | 中国移动通信集团河南有限公司 | 一种天馈参数的优化方法及系统 |
Non-Patent Citations (1)
Title |
---|
王关金: "基于改进遗传算法的TD-SCDMA扇区优化", 《计算机工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109803274A (zh) * | 2017-11-17 | 2019-05-24 | 中国移动通信集团公司 | 一种天线方位角优化方法和系统 |
CN109803274B (zh) * | 2017-11-17 | 2020-12-15 | 中国移动通信集团公司 | 一种天线方位角优化方法和系统 |
CN107995643A (zh) * | 2018-02-02 | 2018-05-04 | 成都工业学院 | 基于数据驱动的网元参数预测优化方法及装置 |
CN107995643B (zh) * | 2018-02-02 | 2020-03-10 | 成都工业学院 | 基于数据驱动的网元参数预测优化方法及装置 |
CN112566147A (zh) * | 2019-09-26 | 2021-03-26 | 中国移动通信集团山东有限公司 | 经纬度校验方法、装置、存储介质及计算机设备 |
CN112566147B (zh) * | 2019-09-26 | 2022-11-01 | 中国移动通信集团山东有限公司 | 经纬度校验方法、装置、存储介质及计算机设备 |
CN112949010A (zh) * | 2021-02-26 | 2021-06-11 | 中国联合网络通信集团有限公司 | 一种覆盖优化方法和装置 |
CN112949010B (zh) * | 2021-02-26 | 2023-06-09 | 中国联合网络通信集团有限公司 | 一种覆盖优化方法和装置 |
CN114710788A (zh) * | 2022-04-29 | 2022-07-05 | 广州杰赛科技股份有限公司 | 一种网络覆盖优化方法、装置、设备及存储介质 |
CN114710788B (zh) * | 2022-04-29 | 2023-09-15 | 广州杰赛科技股份有限公司 | 一种网络覆盖优化方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Awada et al. | Optimizing the radio network parameters of the long term evolution system using Taguchi's method | |
CN104918271A (zh) | 一种基站的工程参数优化方法和装置 | |
CN102014412A (zh) | 一种基于天线参数调整的无线网络话务均衡优化方法 | |
CN112703682A (zh) | 用于使用机器学习来设计波束网格的装置和方法 | |
Liu et al. | Optimized trajectory design in UAV based cellular networks for 3D users: A double Q-learning approach | |
MX2012013881A (es) | Metodo y arreglo para reducir la interferencia y mejorar la cobertura. | |
Necker et al. | A graph-based scheme for distributed interference coordination in cellular OFDMA networks | |
Valavanis et al. | Base-station location optimization for LTE systems with genetic algorithms | |
Athanasiadou et al. | Automatic location of base-stations for optimum coverage and capacity planning of LTE systems | |
Moro et al. | Planning Mm-Wave access networks with reconfigurable intelligent surfaces | |
Ouamri et al. | Double deep q-network method for energy efficiency and throughput in a uav-assisted terrestrial network | |
CN102223656B (zh) | 一种无线通信网络邻区优化的方法及装置 | |
WO2020179545A1 (ja) | 無線基地局設置位置算出方法および無線基地局設置位置算出システム | |
As’ari et al. | Energy efficiency scheme for relay node placement in heterogeneous networks | |
Ha et al. | Intelligent reflecting surface assisted RF energy harvesting mobile edge computing NOMA networks: Performance analysis and optimization | |
Adeyemo et al. | Genetic algorithm based pathloss optimization for long term evolution in Lagos, Nigeria | |
Adeyemo et al. | Optimization of Okumura-Hata model for long term evolution network deployment in Lagos, Nigeria | |
Ye et al. | Energy-efficient relay node placement in wireless heterogeneous networks with capacity constraints | |
Tomforde et al. | Load-aware reconfiguration of LTE-antennas dynamic cell-phone network adaptation using organic network control | |
CN114375589B (zh) | 一种网络参数调整方法及网络管理设备 | |
Gao et al. | WIP: Multi-connectivity user associations in mmWave networks: a distributed multi-agent deep reinforcement learning method. | |
Acedo-Hernández et al. | Automatic clustering algorithms for indoor site selection in LTE | |
Leal et al. | Bio-inspired optimization of blocked calls in cellular mobile systems | |
Zhao et al. | A user-centered handoff procedure in 5G cellular networks | |
Sánchez‐González et al. | A multi‐cell multi‐objective self‐optimisation methodology based on genetic algorithms for wireless cellular networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150916 |