CN106845623A - 一种基于人工鱼群算法的电力无线专网基站规划方法 - Google Patents

Abstract

本发明提供一种基于人工鱼群算法的电力无线专网基站规划方法，将规划区域内的基站规划位置信息映射到人工鱼群算法中的人工鱼位置信息，并综合建站成本和配用电业务覆盖率两方面的参数建立目标函数，通过对目标函数的运算，搜索求解全局最优目标函数值；基于优化的人工鱼群算法，通过调整人工鱼的视野、步距以及运动方式，在搜索全局最优的基础上，进一步精确求解最优目标函数值，从而得到电力无线专网基站规划的最优规划方案，极大的简化了运算过程，提高了准确度。本发明提供的基于人工鱼群算法的电力无线专网基站规划方法，提高了运算的准确度和可靠性，提高了运算效率，同时降低了建设成本。

Description

一种基于人工鱼群算法的电力无线专网基站规划方法

技术领域

本发明涉及电力无线专网建设技术领域，更具体地，涉及一种基于人工鱼群算法的电力无线专网基站规划方法。

背景技术

目前，电力无线通信网是实现智能电网配用电通信的重要组成部分，它承载了电网生产、调度、经营、管理信息和数据采集等多种业务。电力无线网的基站规划工作是电力通信系统中不可或缺的一环，有着重要意义。传统的基站规划主要依靠人工测量，这种方式消耗大量的人力和物力，引入高效的智能算法来取代繁琐的人工网络规划是必要的。

基站规划问题本质上是离散、非线性、多目标的大规模组合优化问题。传统的优化方法有混合整数规划、线性规划等,这些算法常常产生搜索方向错误、迭代发散等问题。近年来随着智能优化算法的发展，禁忌搜索算法、粒子群算法、免疫算法、遗传算法等算法，已经逐步应用于基站规划优化中。但是这些算法都具有自身的局限性,其中禁忌算法对初值有较强的依赖性,遗传算法的收敛速度比较慢,粒子群算法和免疫算法容易陷入局部最优解等,从而限制其应用。

人工鱼群算法是受鱼群行为启发，提出的一种智能优化算法，该算法主要模拟鱼类觅食、群聚和追尾等行为，创建人工鱼并通过人工鱼的局部优化来搜索全局优化值。近年来，其在电网规划方面的应用受到重视。

如论文《基于改进人工鱼群算法的配电网规划》(内蒙古科技与经济，2012(22):95-97)中提出一种引入禁忌搜索中的记忆功能的人工鱼群算法解决配电网规划问题。改进后的人工鱼群算法可以避免迂回搜索从而提高计算的效率。但改进后的人工鱼群算法只考虑觅食以及追 尾行为，因此只适用于小规模的配电网规划问题，不具有通用性。

论文《基于人工鱼群算法的移动通信网络基站覆盖优化问题》(北京交通大学学报:自然科学版，2013,37(6):99-102)中针对移动通信网络节点严重冗余，基站之间相互干扰的情况，并利用人工鱼群算法对移动通信网络基站覆盖优化问题进行求解,得到了最优设计方案。但该方案采用传统的人工鱼群算法，在计算复杂度以及收敛性方面的存在缺陷，比较容易出现重复搜索等现象，另外该方案只针对基站覆盖优化问题，模型比较简单适应性较差。

论文《基于人工鱼群算法的无线网络规划方法研究》(软件导刊，2014(9):64-66)中为了降低TD-SCDMA的网络建设成本，提出了基于人工鱼群算法的基站规划方案。但该方案只适用于3G网络场景，扩展性较差。

与其它智能优化算法相比，人工鱼群算法具有初值、参数选择不敏感、简单易实现、克服局部极值、鲁棒性强等优点,但该算法在解决离散优化问题时运行后期的搜索盲目性较大，严重影响该算法的性能和质量。

发明内容

为克服上述问题或者至少部分地解决上述问题，本发明提供一种兼顾搜索全局最优和搜索局部最优的基于人工鱼群算法的电力无线专网基站规划方法。

根据本发明的一个方面，一种基于人工鱼群算法的电力无线专网基站规划方法，包含以下步骤：

S1、将规划区域内的电力无线专网基站规划位置信息映射到人工鱼群算法中的人工鱼位置信息；

S2、综合建站成本和配用电业务覆盖率两方面的参数建立目标函数；

S3、通过对目标函数的运算，确认人工鱼群中食物浓度较高的位 置，当人工鱼群中存在食物浓度高且不拥挤的位置，调整人工鱼的位置信息；

S4、当人工鱼群中人工鱼的周围开始出现拥挤的状态时，基于优化的人工鱼群算法，调整人工鱼的视野、步距或运动方式；

S5、将运算得到的目标函数值最大的鱼群位置信息记录在公告板上，对应于基站规划最佳位置信息。

将规划区域内的基站规划位置信息映射到人工鱼群算法中的人工鱼位置信息，并综合建站成本和配用电业务覆盖率两方面的参数建立目标函数，采用优化的人工鱼群算法进行运算，极大了提高了运算的准确度和可靠性。

本发明的有益效果主要如下：

(1)将电力无线专网基站的位置信息映射到人工鱼群算法的人工鱼群的位置信息，解决电力无线专网基站规划问题，节省了网络规划的人力和物力资源，提高了规划效率；

(2)联合考虑了基站的成本优化问题和配用电业务覆盖优化问题，使其电力无线专网基站规划达到最优；

(3)区分总体人工鱼群分布密度，分别采用不同的处理方式，简化处理过程；

(4)优化人工鱼群算法，根据不同的运算阶段，自适应调整对人工鱼的视野、步距，充分保证搜索全局最优和搜索局部最优，减少了人工鱼群的搜索路径，加快了算法的收敛速度；

(5)优化人工鱼找到和没有找到较优点时的运动方式，极大的简化了运算过程，提高了运算效率；

(6)全面考虑了已有基站、业务时延和路径损耗因素的影响，提高了电力无线专网网基站规划的可靠性和科学性。

附图说明

图1为根据本发明实施例中一种基于人工鱼群算法的电力无线专 网基站规划方法的流程示意图；

图2为根据本发明实施例中一种基于人工鱼群算法的电力无线专网基站规划方法的效率比对图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参见图1所示，一种基于人工鱼群算法的电力无线专网基站规划方法，具体包括以下步骤：

S1、将规划区域内电力无线专网基站规划的位置信息映射到人工鱼群算法中的人工鱼位置信息；

S2、综合建站成本和配用电业务覆盖率两方面的参数建立目标函数；

S3、通过对目标函数的运算，确认人工鱼群中食物浓度较高的位置，当人工鱼群中存在食物浓度高且不拥挤的位置，调整人工鱼的位置信息；

S4、当人工鱼群中人工鱼的周围开始出现拥挤的状态时，基于优化的人工鱼群算法，调整人工鱼的视野、步距或运动方式；

S5、将运算得到的目标函数值最大的鱼群位置信息记录在公告板上，对应于基站规划最佳位置信息。

当人工鱼群中存在食物浓度高且不拥挤的位置时，通过重复步骤S3的运算，将人工鱼群中人工鱼的位置调整至更优的状态，同时，通过对后续的人工鱼视野、步距或运动方式的调整，在搜索全局最优的基础上，进一步精确运算最优目标函数值。

重复上述步骤S1-S5的运算过程，根据运算的结果，不断调整基站规划方案中基站的位置信息，直至得到最优目标函数值对应的最佳电力无线专网基站规划方案。

该方法根据电力无线专网基站规划的具体情况，将电力无线专网 基站规划设计涉及的具体参数对应到鱼群算法的参数设置中，使采用人工鱼群算法对电力无线专网基站的规划设计的适用性更强。

同时，对现有的鱼群算法进行优化，在初始条件下，设置人工鱼群中人工鱼的视野和步距的初始值为最大值，通过调整人工鱼的视野、步距、运动方式或最优鱼的运动方式，实现人工鱼群位置变化和搜索范围的调整，能够更好的结合全局搜索最优和局部搜索最优的优势，确定最佳的基站分布设置。

上述步骤S1中将基站规划位置信息与人工鱼群算法中的人工鱼的位置信息的映射关系为：

其中，n为基站的建站总数，k为人工鱼群中的人工鱼数量，b_k为第k条人工鱼的位置信息，即第k套基站的位置信息，为第k条鱼中的第i个基站的坐标。

将一套电力无线专网基站规划方案中设置的所有基站的坐标全部映射到人工鱼群中某一人工鱼的位置信息。通过不断变换的人工鱼的位置信息，并配合基站规划设计的具体参数，即可直接对基站规划的设计参数进行优化，方法直观、具体。

上述步骤S2中的目标函数为

其中，X_ik为第k条鱼的第i个基站的建站成本，表示第k条鱼的第j个测试点是否在业务覆盖范围内，λ₁为基站建设成本的权重值，λ₂为业务覆盖率的权重值，规划区域内设置的测试点数量m。

在目标函数中，分别从建站成本优化和业务覆盖优化方面综合考虑基站的规划设计，并分别针对建站成本和业务覆盖两方面的规划设计参数，选择基站规划设计的最优方案。

上述步骤S3中调整人工鱼位置信息的具体方式为：

S31、通过目标函数计算得到第k条人工鱼的食物浓度值即第k套 基站所在位置信息形成的目标函数值f(b_k)和所有人工鱼的目标函数均值并进行比较，当时，进入步骤S32，当 时，进入步骤S33；

S32、当时，且该人工鱼视域内存在目标函数值f(b_i)较大的较优人工鱼i且较优人工鱼i周围不拥挤，表明该人工鱼处于饥饿状态，即此种基站规划方案的业务覆盖率较低，则优先考虑人工鱼群算法的追尾行为，该人工鱼朝人工鱼i所在的位置前进一步，否则进入步骤S4；

S33、当时，且人工鱼群的中心位置的目标函数值f(b_i)较大，并且该处周围不拥挤，表明该人工鱼处于饱腹状态，即此种基站规划方案中，中心区域的业务覆盖率较低，则优先考虑人工鱼群算法的聚群行为，该人工鱼朝人工鱼群的中心位置方向前进一步，否则进入步骤S4。

上述步骤中，根据设定的拥挤度因子δ，区分较优人工鱼i周围及人工鱼群中心的食物浓度及拥挤情况，对拥挤状态的确认方式为：

当且K＝1或f(b_i)/K>δf(b_k)时，表明该人工鱼i周围有较高的食物浓度且不拥挤；

当且f(b_i)/K>δf(b_k)时，表明该人工鱼群中心有较高的食物浓度且不拥挤。

首先通过对鱼群的分布情况进行总体的判断，即对基站分布情况进行总体的分析判断，当人工鱼群中人工鱼的周围不拥挤，业务覆盖达不到需求时，调整人工鱼的位置信息，保证基站规划方案在建设成 本和业务覆盖方面综合达到更优的状态。

当人工鱼群中人工鱼的周围开始出现拥挤的状态时，进入步骤S4，人工鱼群执行觅食行为。

上述步骤S4中，优化的人工鱼群算法具体的内容为：

S41、调整人工鱼的视野和步距；

S42、设置人工鱼的视野和步距所允许达到的最小值Visual_min和Step_min；

S43、计算人工鱼的视野的最大值和最小值的差值Visual_max、以及步距的最大值和最小值的差值Step_max；

S44、人工鱼群每变换一次位置，对人工鱼的视野和步距都采用迭代方式进行一次调整，随着人工鱼群算法的运行，人工鱼的视野和步距逐渐减小，精确求解最优值。

通过对视野、步距等参数的自适应调整，改进了人工鱼群算法，减少了人工鱼的搜索路径，加快了算法的收敛速度。在算法的后期阶段，人工鱼的视野和步距较小，搜索区域集中在较小的领域内，提高了求解目标函数最大值的最优解精度。

上述步骤S4中，优化的人工鱼群算法具体的内容为：当人工鱼执行觅食行为时，若寻找到较优点，则临时增大步距直接到达该点。

现有人工鱼群算法的觅食行为，是在视野范围内随机选择一个点作比较，如果该点的食物浓度优于当前状态，则向该点移动一步。但是，由于人工鱼的视野距离远大于步距，该行为很容易产生环路路径。

本申请中改进后的人工鱼群算法，在找到较优点后，不考虑步距的限制，而直接到达较优点，防止人工鱼在到达较优点之前改变方向，进行无意义的环形移动，从而极大的降低了冗余运算，提高了算法的运算效率。

上述步骤S4中，优化的人工鱼群算法具体的内容为：当人工鱼群中的最优人工鱼执行觅食行为时，若没有找到较优点，则跳过随机行 为，保持原地不动。

最优人工鱼在觅食过程中，根据具体的情况，选择性的跳过随机行为，极大的减少了人工鱼群算法的运算步骤，减少了运算过程，提高了运算效率，同时，避免了最优人工鱼的大概率退化现象。

在觅食过程中，当其他人工鱼在视野内没有找到较优点，则随机移动一步。便于人工鱼在移动的过程中，扩大搜索范围，提高全局搜索效率。

上述步骤中，目标函数中基站建设成本X_ik的确定方式为：

其中，d₁表示低成本区域内的建站成本，d₂表示正常区域内的建站成本，M表示低成本区域的范围，为第k条鱼中的第i个基站的坐标。

低成本区域的范围是指已有基站站址的区域范围，当人工鱼群中某人工鱼的位置信息中包含已有基站站址的区域，则该区域内的基站建站成本为d₁，否则为d₂。

这种选择方式对现有基站进行了充分的利用，在新的基站规划设计中，避免了造成已有基站的不必要浪费，有效降低电力无线专网基站建设成本。

上述步骤中，目标函数中业务覆盖范围的确认方式为：

其中，P_i ^k为基站的发射功率，为第k条鱼中第i个基站到第j个测试点的路径损耗，Q_i表示从核心网到基站i的传播路径距离，Q_ij表示测试点j到与其对应的基站i的传播路径距离，s为信号的传播速度，h为配用电业务时延的门限值。

对业务覆盖范围进行确认，只针对在业务覆盖范围内的区域进 行基站规划的设计，大大简化了运算过程，有效的提升了运算效率。

在业务覆盖范围的确定过程中，考虑路径损耗的影响，更精确的确定业务覆盖区域的性质，提高基站规划设计的可靠性。

同时，在考虑路径损耗的影响时，区分不同信号强度的影响，并且纳入了对配用电业务时延的门限值的影响因素的分析，提高了电力无线专网基站规划的科学性和可靠性。

在一个具体的实施例中，路径损耗采用公式计算如下：

其中，f为信号发射频率，单位为MHz；h_b为基站天线的有效高度，单位为米；h_m为移动台天线的有效高度，单位为米；为第k条鱼中第j个测试点坐标；a(h_m)为移动台天线高度修正因子；C为城市修正因子。

对不同测试点路径损耗的运算，便于准确判断业务覆盖的范围。上述步骤中，对人工鱼的视野和步距进行调整的迭代方式为：

其中，Visual_min、Step_min是人工鱼的视野和步距所允许达到的最小值，Visual_max、Step_max是人工鱼的视野和步距所允许达到的最大值和最小值的差值，iter为当前迭代的次数，T_max为总迭代次数。在运行到算法最后，人工鱼的视野和视距会缩小到最小值。

根据人工鱼群的位置信息的变化，对人工鱼的视野和步距由大到小进行调节，加快运算的收敛速度，提高计算结果的精度，既充分保证了规划区域内的业务覆盖，又有效的避免了密集的基站部署造成的同频或邻频干扰的情况，并降低成本。

参见图2所示，通过仿真实例，将采用本发明的基于人工鱼群算法的电力无线专网基站规划方法对电力无线专网基站规划的效率，与传统方法进行了比较，在相同的迭代次数，其目标函数值显著增大。

本发明的基于人工鱼群算法的电力无线专网基站规划方法，通过将基站规划的位置信息映射到人工鱼群算法的人工鱼的位置信息，并对人工鱼群的人工鱼周围的拥挤状态、视野、步距或运动方式进行逐步的实时调整，在一次完整的人工鱼群算法中，在人工鱼群搜索全局最优运算的基础上，进一步精确运算最优目标函数值，从而更准确的确定电力无线专网基站规划设计的方案。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。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 (10)

1.一种基于人工鱼群算法的电力无线专网基站规划方法，其特征在于，其包含以下步骤：

S1、将规划区域内的电力无线专网基站规划位置信息映射到人工鱼群算法中的人工鱼位置信息；

S2、综合建站成本和配用电业务覆盖率两方面的参数建立目标函数；

S3、通过对目标函数的运算，确认人工鱼群中食物浓度较高的位置，当人工鱼群中存在食物浓度高且不拥挤的位置，调整人工鱼的位置信息；

S4、当人工鱼群中人工鱼的周围开始出现拥挤的状态时，基于优化的人工鱼群算法，调整人工鱼的视野、步距或运动方式；

S5、将运算得到的目标函数值最大的鱼群位置信息记录在公告板上，对应于基站规划最佳位置信息。

2.如权利要求1的一种基于人工鱼群算法的电力无线专网基站规划方法，其特征在于，步骤S1中所述基站规划位置信息与人工鱼群算法中人工鱼的位置信息的映射关系为：

其中，n为基站的建站总数，K为人工鱼群中的人工鱼数量，b_k为第k条人工鱼的位置信息，即第k套基站的位置信息，为第k条鱼中的第i个基站的坐标。

3.如权利要求2的一种基于人工鱼群算法的电力无线专网基站规划方法，其特征在于，步骤S2中的目标函数为:

其中，X_ik为第k条鱼的第i个基站的建站成本，表示第k条鱼的第j个测试点是否在业务覆盖范围内，λ₁为基站建设成本的权重值， λ₂为业务覆盖率的权重值，m为规划区域内设置的测试点数量。

4.如权利要求3的一种基于人工鱼群算法的电力无线专网基站规划方法，其特征在于，步骤S3中调整人工鱼位置信息的具体方式为：S31、通过目标函数计算得到第k条人工鱼的食物浓度值即第k套基站所在位置信息形成的目标函数值f(b_k)和所有人工鱼的目标函数均值 并进行比较，当时，进入步骤S32，当时，进入步骤S33；

S32、当时，且该人工鱼视域内存在目标函数值f(b_i)较大的较优人工鱼i且较优人工鱼i周围不拥挤，表明该人工鱼处于饥饿状态，即此种基站规划方案的业务覆盖率较低，则优先考虑人工鱼群算法的追尾行为，该人工鱼朝人工鱼i所在的位置前进一步，否则进入步骤S4；

S33、当时，且人工鱼群的中心位置的目标函数值f(b_i)较大，并且该处周围不拥挤，表明该人工鱼处于饱腹状态，即此种基站规划方案中，中心区域的业务覆盖率较低，则优先考虑鱼群算法的聚群行为，该人工鱼朝鱼群的中心位置方向前进一步，否则进入步骤S4。

5.如权利要求1的一种基于人工鱼群算法的电力无线专网基站规划方法，其特征在于，步骤S4中，优化的人工鱼群算法具体的内容为：

S41、调整人工鱼的视野和步距；

S42、设置人工鱼的视野和步距所允许达到的最小值Visual_min和Step_min；

S43、计算人工鱼的视野的初始值和最小值的差值Visual_max、以及步距的初始值和最小值的差值Step_max；

S44、人工鱼群每变换一次位置，对人工鱼的视野和步距都采用迭代方式进行一次调整，随着人工鱼群算法的运行，人工鱼的视野和步距逐渐减小，精确求解最优值。

6.如权利要求1的一种基于人工鱼群算法的电力无线专网基站规划方法，其特征在于，步骤S4中，优化的人工鱼群算法具体的内容为：当人工鱼执行觅食行为时，若寻找到较优点，则临时增大步距直接到达该点。

7.如权利要求1的一种基于人工鱼群算法的电力无线专网基站规划方法，其特征在于，步骤S4中，优化的人工鱼群算法具体的内容为：当最优人工鱼执行觅食行为时，若没有找到较优点，则跳过随机行为保持原地不动。

8.如权利要求3的一种基于人工鱼群算法的电力无线专网基站规划方法，其特征在于，目标函数中X_ik的确认方式为：

其中，d₁表示低成本区域内的建站成本，d₂表示正常区域内的建站成本，M表示低成本区域的范围，为第k条鱼中的第i个基站的坐标。

9.如权利要求3的一种基于人工鱼群算法的电力无线专网基站规划方法，其特征在于，目标函数中的确认方式为：

其中，P_i ^k为基站的发射功率，为第k条鱼中第i个基站到第j个测试点的路径损耗，Q_i表示从核心网到基站i的传播路径距离，Q_ij表示测试点j到与其对应的基站i的传播路径距离，s为信号的传播速度，h为配用电业务时延的门限值。

10.如权利要求5的一种基于人工鱼群算法的电力无线专网基站配置规划方法，其特征在于，对人工鱼的视野和步距的调整方式为：

其中，Visual_min、Step_min是人工鱼的视野和步距所允许达到的最小值，Visual_max、Step_max是人工鱼的视野和步距所允许达到的最大值和最小值的差值，iter为当前迭代的次数，T_max为总迭代次数。在运行到算法最后，人工鱼的视野和视距会缩小到最小值。