CN107493584A - 一种确定基站休眠方案的方法和装置 - Google Patents
一种确定基站休眠方案的方法和装置 Download PDFInfo
- Publication number
- CN107493584A CN107493584A CN201710642739.6A CN201710642739A CN107493584A CN 107493584 A CN107493584 A CN 107493584A CN 201710642739 A CN201710642739 A CN 201710642739A CN 107493584 A CN107493584 A CN 107493584A
- Authority
- CN
- China
- Prior art keywords
- individual
- value
- base station
- determined
- target
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种确定基站休眠方案的方法和装置,包括:从区域中确定构成目标群体的至少一个第一个体,所述第一个体中包含至少一个处于工作状态的基站;依据所述第一个体的第一目标值和第二目标值,确定目标个体;其中,所述第一目标值表征各所述第一个体的反向服务质量,所述第二目标值表征各所述第一个体的总功耗;将所述目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站,将所述区域中除所述目标个体中包含的基站以外的基站,确定为所述基站休眠方案中处于休眠状态的基站。
Description
技术领域
本申请涉及无线通信技术领域,尤其涉及一种确定基站休眠方案的方法和装置。
背景技术
随着移动互联网和物联网的快速发展,各种新型业务应用也随之不断涌现,这为人们的生活带来便利的同时,也对移动通信网络提出了更高的要求,以应对移动网络数据流量的爆炸式增长,满足用户的速率体验。为了应对这一需求,现有技术往往通过形成超密集组网,即通过部署更加“密集化”的无线网络基础设施,比如,增加移动通信网络单位面积内小基站的密度,以获得更高的频分复用效率,从而在局部热点区域实现百倍量级的系统容量提升。
随着“密集化”无线网络基础设施的部署,基站的数量也越来越多,而基站的功耗占据了系统的功耗的绝大部分,特别是在系统通信数据量很低的时候,比如夜间,如果系统内所有基站均处于工作的状态将会造成很大的能源浪费。为了实现绿色通信,减小系统的功耗,近年来出现了各种基站休眠方法。
然而,现有技术中基站休眠方法的研究还有待拓展,确定基站休眠方案的算法还不够优化。
发明内容
本申请实施例提供一种确定基站休眠方案的方法,用于解决现有技术中基站休眠方案不够优化的问题。
本申请实施例还提供一种确定基站休眠方案的装置,用于解决现有技术中基站休眠方案不够优化的问题。
本申请实施例采用下述技术方案:
一种确定基站休眠方案的方法,包括:
从区域中确定构成目标群体的至少一个第一个体,所述第一个体中包含至少一个处于工作状态的基站;
依据所述第一个体的第一目标值和第二目标值,确定目标个体;其中,所述第一目标值表征各所述第一个体的反向服务质量,所述第二目标值表征各所述第一个体的总功耗;
将所述目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站,将所述区域中除所述目标个体中包含的基站以外的基站,确定为所述基站休眠方案中处于休眠状态的基站。
一种确定基站休眠方案的装置,包括:
第一个体确定单元,用于从区域中确定构成目标群体的至少一个第一个体,所述第一个体中包含至少一个处于工作状态的基站;
目标个体确定单元,用于依据所述第一个体的第一目标值和第二目标值,确定目标个体;其中,所述第一目标值表征各所述第一个体的反向服务质量,所述第二目标值表征各所述第一个体的总功耗;
休眠方案确定单元,用于将所述目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站,将所述区域中除所述目标个体中包含的基站以外的基站,确定为所述基站休眠方案中处于休眠状态的基站。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本申请中,由于能够首先从区域中确定构成目标群体的至少一个第一个体,该第一个体中包含至少一个处于工作状态的基站,然后依据第一个体的第一目标值和第二目标值,确定目标个体,其中,第一目标值用于表征各第一个体的服务质量,第二目标值用于表征各第一个体的总功耗,最后,将目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站,将区域中除目标个体中包含的基站以外的基站,确定为基站休眠方案中处于休眠状态的基站。这样确定的基站休眠方案,由于同时考虑了各基站的用于表征服务质量的第一目标值和用于表征总功耗的第二目标值这两个因素,因此确定的基站休眠方案能够更好地满足实际需求,实现了基站休眠方案的进一步优化。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种确定基站休眠方案的方法的实现流程示意图;
图2为本申请实施例提供的确定拥挤度的示意图;
图3为本申请实施例提供的一种确定基站休眠方案的装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
为解决现有技术中确定基站休眠方案的算法还不够优化的问题,本申请实施例提供一种确定基站休眠方案的方法,该方法的执行主体可以是控制面,比如可以是宏基站,也可以是任何实现本申请提供的方法的装置。下面,以该方法的执行主体是控制面为例,对该方法的实施方式进行详细介绍,可以理解,该方法的执行主体是控制面只是一种示例性的说明,并不应理解为对该方法的限定。
现有技术中,往往采用0-1的编码方式对网络中的基站进行染色体编码,即将网络中处于工作状态的基站编码为1,而将网络中处于休眠状态的基站编码为0,这样对网络中的基站编码之后的染色体长度即为网络中的基站数目,比如,网络中的基站100个时,则对该网络进行染色体编码之后的染色体长度便有100位,然而,当网络中的基站数目较大时,采用0-1的编码方式对网络进行染色体编码之后的染色体长度也会比较长,这将影响确定基站休眠方案的效率。
基于此,本申请提供的方案采用变长度的实数编码方式,将网络中处于工作状态的基站的编号作为染色体的基因位,例如,当网络中的基站有10个时,对这10个基站采用0-1的编码方式进行染色体编码后得到的结果为0110010100,而采用本申请提供的变长度的实数编码方式得到的结果则为2368具体来说,首先,将这10个基站进行编号为1~10,然后,根据各基站的工作状态则可以确定处于工作状态的基站为编号为2、3、6和8的基站,因此,采用本申请提供的变长度的实数编码方式得到的结果为2368。下文所述的个体均为包含有第二预设个数的基站,这些基站均处于工作的状态,每个个体可以采用本申请提供的变长度的实数编码方式得到其对应的编码结果,即每个个体均可以看作一个染色体,而个体中的每个基站的编号则可以作为该染色体的基因位。
下面在以每个个体包含的基站均处于工作状态的基础上,详细介绍确定基站休眠方案的方法,该方法的实现流程示意图如图1所示,包括:
步骤11,从区域中确定构成目标群体的至少一个第一个体,其中第一个体中包含至少一个处于工作状态的基站;
其中,本申请中的区域,通常可以是控制面管理的一片区域,比如可以是某一个县、市、以及某一地区等由一个或多个控制面统一管理某一区域。目标群体中包含第一预设个数的第一个体,该第一预设个数是根据区域大小以及区域中基站的实际数目等因素来确定的。各第一个体中均包含第二预设个数的基站,该第二预设个数往往要大于或等于能够覆盖该区域的最小基站数目,且要小于或等于该区域中的基站总数目。
具体来说,从区域中确定目标群体,则可以首先,从区域中随机确定出初始群体P0,该初始群体P0中包含有第一预设个数的个体;再确定初始群体P0的子代群体G0;最后,再根据初始群体P0和子代群体G0,确定目标群体。其中,确定初始群体P0的子代群体G0,则可以根据遗传算法中的交叉和变异来确定初始群体P0的子代群体G0。而本申请中,遗传算法中的交叉算法往往是以一定的概率随机地选择两个个体中同一位置的基因位,将这两个个体的这一位置的基因位进行交换,以生成新的个体;遗传算法中的变异算法则往往是以一定的概率选择某一个体,随机选择该个体的某一位的基因进行去除操作,并随机补一位该个体中没有的基因位,以生成新的个体。
而根据初始群体P0和子代群体G0,确定目标群体,则可以通过下述几个步骤来确定:
对i从0到t,循环执行以下步骤:
步骤11-1,确定Ri中各个体的第一目标值和第二目标值,其中,Ri为第i个群体Pi与所述第i个群体的子代群体Gi的并集,i∈[0,t],当i=0时,Ri为初始群体P0与子代群体G0的并集;
步骤11-2,根据Ri中各个体的第一目标值和第二目标值,确定第i+1个群体Pi+1,其中,第i+1个群体Pi+1中包含第一预设个数的个体。
具体来说,首先可以根据Ri中各个体的第一目标值和第二目标值,确定Ri中各个体的非支配等级;再根据Ri中各个体的非支配等级从高到低的顺序,确定出不低于第一等级的个体,其中,不低于第一等级的个体的数量大于第一预设个数;若确定不低于第一等级的个体的数量大于a,其中a为第一预设个数,则确定非支配等级为m的个体数量、以及非支配等级小于m的个体数量b,其中,非支配等级为m的个体为不低于第一等级的个体中非支配等级最低的个体;确定非支配等级为m的个体的拥挤度;按照非支配等级为m的个体拥挤度由大到小的顺序,将非支配等级为m的个体中前(a-b)个个体、以及非支配等级高于m的个体确定为第i+1个群体Pi+1中的个体。
下面以R2,以及第一预设个数为N为例详细介绍根据R2中各个体的第一目标值和第二目标值,确定第3个群体P3的具体过程:
(1)根据R2中各个体的第一目标值和第二目标值,确定R2中各个体的非支配等级;
(2)若确定R2中非支配等级为1的个体个数大于或等于第一预设个数N,则将非支配等级为1的个体按照拥挤度从大到小的顺序排序,将前N个个体确定为群体P3中的个体;
(3)若确定R2中非支配等级为1的个体个数小于第一预设个数N,则判断R2中非支配等级为2的个体个数加上非支配等级为1的个体个数是否大于或等于预设个数N;
(4)若确定R2中非支配等级为2的个体个数加上非支配等级为1的个体个数大于或等于第一预设个数N,则将R2中非支配等级为1和2的个体按照拥挤度从大到小的顺序排序,将前N个个体确定为群体P3中的个体;
(5)若确定R2中非支配等级为2的个体个数加上非支配等级为1的个体个数小于第一预设个数N,则判断非支配等级为3的个体加上非支配等级为1和2的个体个数是否大于或等于第一预设个数N;
……;
直到确定满足个数为第一预设个数N的第3个群体P3。
下面,以非支配等级为n的个体为例,详细介绍各个体的拥挤度的确定方式:
对非支配等级为n的个体依次执行下述操作,其中n为确定的非支配等级中的任一等级:
首先,按照非支配等级为n的个体的第一目标值从大到小的顺序,确定非支配等级为n的个体的第一目标值的最大值和最小值;按照非支配等级为n的个体的第二目标值从小到大的顺序,确定非支配等级为n的个体的第二目标值的最大值和最小值;然后,根据第一目标值的最大值和最小值、第二目标值的最大值和最小值、以及非支配等级为n的个体的第一目标值和第二目标值,确定非支配等级为n的个体的拥挤度。
个体k的拥挤度往往是指与个体k处于同一非支配等级中相邻的两个个体k-1和k+1之间的拥挤距离,如图2所示,个体k的拥挤距离是图2中虚线矩形长边和短边的边长之和,其中,f1为与个体k所在非支配等级中各个体的第一目标值,f2为与个体k所在非支配等级中各个体的第二目标值。
具体来说,各个体的拥挤度是对非支配等级相同的个体进行的,则可以以个体k为例,详细说明各非支配等级中的个体的拥挤度的确定方法,对个体k依次执行下述操作,其中个体k为上述非支配等级为n的个体中的任一个体:首先,可以按照第一目标值由小到大的顺序,确定与个体k相邻的两个个体的第一目标值之差;再按照第二目标值由小到大的顺序确定与个体k相邻的两个个体的第二目标值之差;并确定非支配等级为n的个体的第一目标值的最大值和最小值之差,以及非支配等级为n的个体的第二目标值的最大值和最小值之差;最后根据第一目标值之差与第一目标值的最大值和最小值之差的比值、以及第二目标值之差与第二目标值的最大值和最小值之差的比值,确定个体k的拥挤度。
其中,个体k的拥挤度具体则可以通过公式来确定,其中,和分别为非支配等级为n的个体的第一目标值的最大值和最小值,和分别为非支配等级为n的个体的第二目标值的最大值和最小值,f(k+1)1和f(k-1)1为按照第一目标值由小到大的顺序与个体k相邻的两个个体的第一目标值,f(k+1)2和f(k-1)2为按照第二目标值由小到大的顺序与个体k相邻的两个个体的第二目标值。
由于本申请中确定基站休眠方案同时考虑了各个体的第一目标值和第二目标值,即各个体的服务质量和总功耗,要在这两个目标值基础上确定出最优的个体,则需要确定Ri中各个体的非支配等级,其具体确定方法可详见下文,这里将不再赘述。
步骤11-3,确定第i+1个群体Pi+1中各个体的第一目标值和第二目标值;
其中,群体Pi+1中各个体的第一目标值可以根据各个体的覆盖率和业务量满足率来确定,而各个体的第二目标值则可以根据各个体中包含的处于工作状态的基站的功耗之和来确定,其具体确定方式可详见下文,这里将不再赘述。
步骤11-4,根据第i+1个群体Pi+1中各个体的第一目标值和第二目标值,确定第i+1个群体Pi+1的子代种群Gi+1;
具体来说,确定子代种群Gi+1,则首先可以根据第i+1个群体Pi+1中各个体的第一目标值和第二目标值确定群体Pi+1中各个体的非支配等级;然后根据群体Pi+1中各个体的非支配等级以及各个体的第一目标值和第二目标值,确定群体Pi+1中各个体的拥挤度;最后再根据Pi+1中各个体的非支配等级和拥挤度,通过遗传算法中的选择、交叉和变异算法来确定群体Pi+1的子代种群Gi+1。
其中,遗传算法中的选择算法,则是基于Pi+1中各个体的非支配等级和拥挤度来确定的,具体来说,则是选择Pi+1中非支配等级高且拥挤度大的个体,以个体e和个体f为例,确定个体e的非支配等级不低于个体e的非支配等级,且个体e的拥挤度大于个体f时,则优先选择个体e,而遗传算法中的交叉和变异算法则与前文所述一致,这里将不再赘述。
步骤11-5,根据群体Pi+1和子代群体Gi+1,确定Ri+1,Ri+1为群体Pi+1和子代群体Gi+1的并集;
具体来说,Ri+1=Pi+1∪Gi+1。
步骤11-6,直到i循环至t时,确定第t+1个群体Pt+1为目标群体。
其中,t为预设的最大迭代次数,该预设的最大迭代次数可以根据区域的大小、以及区域中的基站数目等实际情况而定,只要该最大迭代次数t能够使得最终确定的基站休眠方案实现全局最优即可,这里将不做具体限定。
步骤12,依据第一个体的第一目标值和第二目标值,确定目标个体;其中,第一目标值表征各第一个体的反向服务质量,第二目标值表征各第一个体的总功耗;
依据第一个体的第一目标值和第二目标值,确定目标个体,具体来说,可以包括下述步骤:
步骤12-1,根据第一个体的第一目标值和第二目标值,确定第一个体的非支配等级;
其中,第一个体的第一目标值和第二目标值的确定方法,具体来说,首先可以接收区域内各基站发送的第一消息;根据区域面积、以及各第一消息中包含的覆盖范围和业务满足情况,确定各第一个体的第一目标值;以及根据各基站的功耗,确定各第一个体的第二目标值。
具体而言,根据区域面积和各基站发送的第一消息中包含的覆盖范围可以确定第一个体的反向覆盖率,该反向覆盖率可以通过公式来确定,其中,A为区域面积,Ax为第一个体x中包含的基站所覆盖的范围总和。而根据各基站发送的第一消息中包含的业务满足情况,则可以确定第一个体的反向业务满足率,该反向业务满足率可以通过公式其中,Sx为个体x中能够满足本区域内预测的终端业务满足需求的基站数量,S为个体x中包含的基站总数量。则第一目标值则可以根据公式f1=αC+βB确定,其中,α、β为权重因子,皆为正实数,且α+β=1,而α、β的具体数值可根据实际情况而定,这里将不做限定。
而各第一个体的总功耗则可以通过各基站的功耗来确定各个体中包含的基站的总功耗之和,具体可以通过公式来确定,其中,Pi为个体x中第i个基站的功耗,其中i∈[1,S],S为个体x中包含的基站的个数。
下面以目标群体中的第一个体Xj为例,详细介绍确定各第一个体的非支配等级的具体确定过程:
对第一个体Xj执行下述操作,第一个体Xj为目标群体中的任一个体:
若根据各第一个体的第一目标值和第二目标值,确定第一个体Xj优于所述目标群体中的其他个体,则确定第一个体Xj的非支配等级为1,非支配等级为1的个体为非支配等级最高的个体;若根据各第一个体的第一目标值和第二目标值,确定第一个体Xi优于目标群体中除第一个体Xj和非支配等级为1以外的个体,则确定第一个体Xi的非支配等级为2,第一个体Xi为目标群体中除第一个体Xj以外的第一个体;直到确定完目标群体中所有第一个体的非支配等级。
下面以第一个体Xj和Xq为例,详细介绍如何根据各第一个体的第一目标值和第二目标值,确定第一个体Xj是否优于第一个体Xq:
首先,确定第一个体Xj和第一个体Xq的第一目标值之差:f1(j)-f1(q),以及其第二目标值之差:f2(j)-f2(q);
然后,根据第一目标值之差和第二目标值之差确定第一个体Xj是否优于第一个体Xq,具体来说,即确定[f1(j)-f1(q)]×50%+[f2(j)-f2(q)]×50%的结果是否小于0;
如前文所述,第一目标值用于表征各第一个体的反向服务质量,即第一目标值越小,则第一个体的服务质量越高,第二目标值用于表征各第一个体的总功耗,即第二目标值越小,则第一个体的总功耗越小,也就是说,第一目标值和第二目标值越小的第一个体,其越优。则本申请中,若确定[f1(j)-f1(q)]×50%+[f2(j)-f2(q)]×50%的结果小于0,则可以确定第一个体Xj优于第一个体Xq,否则,则确定第一个体Xq优于第一个体Xj。
步骤12-2,根据各第一个体的非支配等级,确定第二个体,其中,第二个体为非支配等级最高的第一个体;
本申请中,非支配等级最高即为非支配等级为1,因此根据各第一个体的非支配等级,确定第二个体,则是将第一个体中非支配等级为1的个体确定为第二个体。
步骤12-3,根据各第二个体的第一目标值和第二目标值,确定各第二个体的满意度;
具体来说,确定各第二个体的满意度,则可以是通过下述步骤来确定的:
首先,可以根据各第二个体的第一目标值和第二目标值,确定各第二个体的第一满意度和第二满意度;然后,根据各第二个体的第一满意度和第二满意度,确定各第二个体的满意度。
具体来说,首先,根据各第二个体的第一目标值,确定各第一目标值中的最大值和最小值;然后,根据各第二个数的第一目标值、以及各第一目标值中的最大值和最小值,确定各第二个体的第一满意度;再次,根据各第二个体的第二目标值,确定各第二目标值中的最大值和最小值;然后,可以根据各第二个体的第二目标值、以及各第二目标值中的最大值和最小值,确定各第二个体的第二满意度;最后,则可以根据各第一满意度和各第二满意度,确定各第二个体的满意度。
其中,第一满意度可以通过公式确定,其中,f1为第二个体的第一目标值,和分别为各第一目标值中的最小值和最大值;第二满意度可以通过公式确定,其中,f2为第二个体的第二目标值,和分别为各第二目标值中的最小值和最大值;最后,各第二个体的满意度则可以通过公式确定。
步骤12-4,根据各第二个体的满意度,确定目标个体,其中目标个体为满意度最大的第二个体。
步骤13,将目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站。
根据各第二个体的满意度,将满意度最大的第二个体确定为目标个体,该目标个体中包含的基站,则可以确定为基站休眠方案中处于工作状态的基站。
本申请中,由于能够首先从区域中确定构成目标群体的至少一个第一个体,该第一个体中包含至少一个处于工作状态的基站,然后依据第一个体的第一目标值和第二目标值,确定目标个体,其中,第一目标值用于表征各第一个体的服务质量,第二目标值用于表征各第一个体的总功耗,最后,将目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站,将区域中除目标个体中包含的基站以外的基站,确定为基站休眠方案中处于休眠状态的基站。这样确定的基站休眠方案,由于同时考虑了各基站的用于表征服务质量的第一目标值和用于表征总功耗的第二目标值这两个因素,因此确定的基站休眠方案能够更好地满足实际需求,实现了基站休眠方案的进一步优化。
为解决现有技术中基站休眠方案不够优化的问题,本申请实施例还提供一种装置,如图3所示,包括下述功能单元:
第一个体确定单元21,用于从区域中确定构成目标群体的至少一个第一个体,所述第一个体中包含至少一个处于工作状态的基站;
目标个体确定单元22,用于依据所述第一个体的第一目标值和第二目标值,确定目标个体;其中,所述第一目标值表征各所述第一个体的反向服务质量,所述第二目标值表征各所述第一个体的总功耗;
休眠方案确定单元23,用于将所述目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站,将所述区域中除所述目标个体中包含的基站以外的基站,确定为所述基站休眠方案中处于休眠状态的基站。
在一种实施方式中,所述目标个体确定单元22,具体用于:
根据所述第一个体的第一目标值和第二目标值,确定所述第一个体的非支配等级;
根据所述第一个体的非支配等级,确定第二个体,所述第二个体非支配等级最高的第一个体;
根据所述第二个体的第一目标值和第二目标值,确定所述第二个体的满意度;
根据所述第二个体的满意度,确定目标个体,所述目标个体为满意度最大的第二个体。
在一种实施方式中,所述第一个体确定单元21,具体用于:
从所述区域中随机确定出初始群体P0,所述初始群体P0中包含有所述第一预设个数的个体;
依据所述初始群体P0中各个体的第一目标值和第二目标值,确定所述初始群体P0的子代群体G0;
依据所述初始群体P0和所述子代群体G0中各个体的第一目标值和第二目标值,从所述初始群体P0和所述子代群体G0中确定所述目标群体,所述目标群体中包含有所述第一预设个数的个体,将所述目标群体中的个体确定为所述第一个体。
在一种实施方式中,第一个体确定单元21,具体用于:
对i从0到t,循环执行以下步骤:
确定Ri中各个体的第一目标值和第二目标值,所述Ri为第i个群体Pi与所述第i个群体的子代群体Gi的并集,其中,i∈[0,t],当i=0时,Ri为所述初始群体P0与所述子代群体G0的并集;
根据所述Ri中各个体的第一目标值和第二目标值,确定第i+1个群体Pi+1,所述第i+1个群体Pi+1中包括所述第一预设个数的个体;
确定所述第i+1个群体Pi+1中各个体的第一目标值和第二目标值;
根据所述第i+1个群体Pi+1中各个体的第一目标值和第二目标值,确定所述第i+1个群体Pi+1的子代种群Gi+1;
根据所述群体Pi+1和所述子代群体Gi+1,确定Ri+1,所述Ri+1为所述群体Pi+1和所述子代群体Gi+1的并集;
直到i循环至t时,确定第t+1个群体Pt+1为所述目标群体,将所述目标群体中的个体确定为所述第一个体。
在一种实施方式中,所述第一个体确定单元21,具体用于:
根据所述Ri中各个体的第一目标值和第二目标值,确定所述Ri中各个体的非支配等级;
根据所述Ri中各个体的非支配等级从高到低的顺序,确定出不低于第一等级的个体,其中,所述不低于第一等级的个体的数量大于第一预设个数;
若确定所述不低于第一等级的个体的数量大于a,其中a为所述第一预设个数,则确定非支配等级为m的个体数量、以及非支配等级小于m的个体数量b,其中非支配等级为m的个体为所述不低于第一等级的个体中非支配等级最低的个体;
确定非支配等级为m的个体的拥挤度;
按照所述非支配等级为m的个体拥挤度由大到小的顺序,将所述非支配等级为m的个体中前(a-b)个个体、以及非支配等级高于m的个体确定为所述第i+1个群体Pi+1中的个体。
在一种实施方式中,所述目标个体确定单元22,具体用于:
接收所述区域内各所述基站发送的第一消息;
根据所述区域的面积、以及各所述第一消息中包含的覆盖范围和业务满足情况,确定各所述第一个体的第一目标值;根据各所述基站的功耗,确定各所述第一个体的第二目标值。
在一种实施方式中,所述目标个体确定单元22,具体用于:
对第一个体Xj执行下述操作,所述第一个体Xj为所述目标群体中的任一个体:
若根据各所述第一个体的第一目标值和第二目标值,确定所述第一个体Xj优于所述目标群体中的其他个体,则确定所述第一个体Xj的非支配等级为1,所述非支配等级为1的个体为非支配等级最高的个体;若根据各所述第一个体的第一目标值和第二目标值,确定第一个体Xi优于所述目标群体中除所述第一个体Xj和所述非支配等级为1以外的个体,则确定所述第一个体Xi的非支配等级为2,所述第一个体Xi为所述目标群体中除所述第一个体Xj以外的第一个体;直到确定完所述目标群体中所有第一个体的非支配等级。
在一种实施方式中,所述目标个体确定单元22,具体用于:
根据各所述第二个体的第一目标值和第二目标值,确定各所述第二个体的第一满意度和第二满意度;
根据各所述第二个体的第一满意度和第二满意度,确定各所述第二个体的满意度。
在一种实施方式中,所述拥挤度是通过下述方法确定的:
对非支配等级为n的个体依次执行下述操作,其中n为确定的非支配等级中的任一等级:
按照所述非支配等级为n的个体的第一目标值从大到小的顺序,确定所述非支配等级为n的个体的第一目标值的最大值和最小值;按照所述非支配等级为n的个体的第二目标值从小到大的顺序,确定所述非支配等级为n的个体的第二目标值的最大值和最小值;
根据所述第一目标值的最大值和最小值、所述第二目标值的最大值和最小值、以及所述非支配等级为n的个体的第一目标值和第二目标值,确定所述非支配等级为n的个体的拥挤度;
对个体k依次执行下述操作,所述个体k为所述非支配等级为n的个体中的任一个体:
按照第一目标值由小到大的顺序,确定与所述个体k相邻的两个个体的第一目标值之差;按照第二目标值由小到大的顺序,确定与所述个体k相邻的两个个体的第二目标值之差;确定所述非支配等级为n的个体的第一目标值的最大值和最小值之差,以及所述非支配等级为n的个体的第二目标值的最大值和最小值之差;
根据所述第一目标值之差与所述第一目标值的最大值和最小值之差的比值、以及所述第二目标值之差与所述第二目标值的最大值和最小值之差的比值,确定所述个体k的拥挤度。
本申请中,由于能够首先从区域中确定构成目标群体的至少一个第一个体,该第一个体中包含至少一个处于工作状态的基站,然后依据第一个体的第一目标值和第二目标值,确定目标个体,其中,第一目标值用于表征各第一个体的服务质量,第二目标值用于表征各第一个体的总功耗,最后,将目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站,将区域中除目标个体中包含的基站以外的基站,确定为基站休眠方案中处于休眠状态的基站。这样确定的基站休眠方案,由于同时考虑了各基站的用于表征服务质量的第一目标值和用于表征总功耗的第二目标值这两个因素,因此确定的基站休眠方案能够更好地满足实际需求,实现了基站休眠方案的进一步优化。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种确定基站休眠方案的方法,其特征在于,包括:
从区域中确定构成目标群体的至少一个第一个体,所述第一个体中包含至少一个处于工作状态的基站;
依据所述第一个体的第一目标值和第二目标值,确定目标个体;其中,所述第一目标值表征各所述第一个体的反向服务质量,所述第二目标值表征各所述第一个体的总功耗;
将所述目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站,将所述区域中除所述目标个体中包含的基站以外的基站,确定为所述基站休眠方案中处于休眠状态的基站。
2.如权利要求1所述的方法,其特征在于,依据所述第一个体的第一目标值和第二目标值,确定目标个体,具体包括:
根据所述第一个体的第一目标值和第二目标值,确定所述第一个体的非支配等级;
根据所述第一个体的非支配等级,确定第二个体,所述第二个体非支配等级最高的第一个体;
根据所述第二个体的第一目标值和第二目标值,确定所述第二个体的满意度;
根据所述第二个体的满意度,确定所述目标个体,所述目标个体为满意度最大的第二个体。
3.如权利要求1所述的方法,其特征在于,从区域中确定构成目标群体的至少一个第一个体,具体包括:
从所述区域中随机确定出初始群体P0,所述初始群体P0中包含有第一预设个数的个体;
依据所述初始群体P0中各个体的第一目标值和第二目标值,确定所述初始群体P0的子代群体G0;
依据所述初始群体P0和所述子代群体G0中各个体的第一目标值和第二目标值,从所述初始群体P0和所述子代群体G0中确定所述目标群体,所述目标群体中包含有所述第一预设个数的个体,将所述目标群体中的个体确定为所述第一个体。
4.如权利要求3所述的方法,其特征在于,根据所述初始群体P0和所述子代群体G0,确定所述目标群体,具体包括:
对i从0到t,循环执行以下步骤:
确定Ri中各个体的第一目标值和第二目标值,所述Ri为第i个群体Pi与所述第i个群体的子代群体Gi的并集,其中,i∈[0,t],当i=0时,Ri为所述初始群体P0与所述子代群体G0的并集;
根据所述Ri中各个体的第一目标值和第二目标值,确定第i+1个群体Pi+1,所述第i+1个群体Pi+1中包括所述第一预设个数的个体;
确定所述第i+1个群体Pi+1中各个体的第一目标值和第二目标值;
根据所述第i+1个群体Pi+1中各个体的第一目标值和第二目标值,确定所述第i+1个群体Pi+1的子代种群Gi+1;
根据所述群体Pi+1和所述子代群体Gi+1,确定Ri+1,所述Ri+1为所述群体Pi+1和所述子代群体Gi+1的并集;
直到i循环至t时,将第t+1个群体Pt+1确定为所述目标群体。
5.如权利要求4所述的方法,其特征在于,根据所述Ri中各个体的第一目标值和第二目标值,确定第i+1个群体Pi+1,具体包括:
根据所述Ri中各个体的第一目标值和第二目标值,确定所述Ri中各个体的非支配等级;
根据所述Ri中各个体的非支配等级从高到低的顺序,确定出不低于第一等级的个体,其中,所述不低于第一等级的个体的数量大于所述第一预设个数;
若确定所述不低于第一等级的个体的数量大于a,其中a为所述第一预设个数,则确定非支配等级为m的个体数量、以及非支配等级小于m的个体数量b,其中非支配等级为m的个体为所述不低于第一等级的个体中非支配等级最低的个体;
确定非支配等级为m的个体的拥挤度;
按照所述非支配等级为m的个体拥挤度由大到小的顺序,将所述非支配等级为m的个体中前(a-b)个个体、以及非支配等级高于m的个体确定为所述第i+1个群体Pi+1中的个体。
6.如权利要求2所述的方法,其特征在于,确定所述第一个体的第一目标值和第二目标值,具体包括:
接收所述区域内各所述基站发送的第一消息;
根据所述区域的面积、以及各所述第一消息中包含的覆盖范围和业务满足情况,确定所述第一个体的第一目标值;根据各所述基站的功耗,确定所述第一个体的第二目标值。
7.如权利要求2所述的方法,其特征在于,根据所述第一个体的第一目标值和第二目标值,确定所述第一个体的非支配等级,具体包括:
对第一个体Xj执行下述操作,所述第一个体Xj为所述目标群体中的任一个体:
若根据所述第一个体的第一目标值和第二目标值,确定所述第一个体Xj优于所述目标群体中的其他个体,则确定所述第一个体Xj的非支配等级为1,所述非支配等级为1的个体为非支配等级最高的个体;若根据所述第一个体的第一目标值和第二目标值,确定第一个体Xi优于所述目标群体中除所述第一个体Xj和所述非支配等级为1以外的个体,则确定所述第一个体Xi的非支配等级为2,所述第一个体Xi为所述目标群体中除所述第一个体Xj以外的第一个体;直到确定完所述目标群体中所有第一个体的非支配等级。
8.如权利要求2所述的方法,其特征在于,根据所述第二个体的第一目标值和第二目标值,确定所述第二个体的满意度,具体包括:
根据所述第二个体的第一目标值和第二目标值,确定所述第二个体的第一满意度和第二满意度;
根据所述第二个体的第一满意度和第二满意度,确定所述第二个体的满意度。
9.如权利要求5所述的方法,其特征在于,所述拥挤度是通过下述方法确定的:
对非支配等级为n的个体依次执行下述操作,其中n为确定的非支配等级中的任一等级:
按照所述非支配等级为n的个体的第一目标值从大到小的顺序,确定所述非支配等级为n的个体的第一目标值的最大值和最小值;按照所述非支配等级为n的个体的第二目标值从小到大的顺序,确定所述非支配等级为n的个体的第二目标值的最大值和最小值;
根据所述第一目标值的最大值和最小值、所述第二目标值的最大值和最小值、以及所述非支配等级为n的个体的第一目标值和第二目标值,确定所述非支配等级为n的个体的拥挤度;
对个体k依次执行下述操作,所述个体k为所述非支配等级为n的个体中的任一个体:
按照第一目标值由小到大的顺序,确定与所述个体k相邻的两个个体的第一目标值之差;按照第二目标值由小到大的顺序,确定与所述个体k相邻的两个个体的第二目标值之差;确定所述非支配等级为n的个体的第一目标值的最大值和最小值之差,以及所述非支配等级为n的个体的第二目标值的最大值和最小值之差;
根据所述第一目标值之差与所述第一目标值的最大值和最小值之差的比值、以及所述第二目标值之差与所述第二目标值的最大值和最小值之差的比值,确定所述个体k的拥挤度。
10.一种确定基站休眠方案的装置,其特征在于,包括:
第一个体确定单元,用于从区域中确定构成目标群体的至少一个第一个体,所述第一个体中包含至少一个处于工作状态的基站;
目标个体确定单元,用于依据所述第一个体的第一目标值和第二目标值,确定目标个体;其中,所述第一目标值表征各所述第一个体的反向服务质量,所述第二目标值表征各所述第一个体的总功耗;
休眠方案确定单元,用于将所述目标个体中包含的基站,确定为基站休眠方案中处于工作状态的基站,将所述区域中除所述目标个体中包含的基站以外的基站,确定为所述基站休眠方案中处于休眠状态的基站。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710642739.6A CN107493584A (zh) | 2017-07-31 | 2017-07-31 | 一种确定基站休眠方案的方法和装置 |
PCT/CN2017/116880 WO2019024389A1 (zh) | 2017-07-31 | 2017-12-18 | 一种确定基站休眠方案的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710642739.6A CN107493584A (zh) | 2017-07-31 | 2017-07-31 | 一种确定基站休眠方案的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107493584A true CN107493584A (zh) | 2017-12-19 |
Family
ID=60644110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710642739.6A Pending CN107493584A (zh) | 2017-07-31 | 2017-07-31 | 一种确定基站休眠方案的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107493584A (zh) |
WO (1) | WO2019024389A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113950134A (zh) * | 2021-10-20 | 2022-01-18 | 中国联合网络通信集团有限公司 | 基站的休眠预测方法、装置、设备和计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102355714A (zh) * | 2011-08-29 | 2012-02-15 | 华为技术有限公司 | 基站及其节能方法、控制设备和系统 |
CN102695251A (zh) * | 2011-03-21 | 2012-09-26 | 上海贝尔股份有限公司 | 移动通信系统中的节能方法 |
CN103582088A (zh) * | 2012-07-25 | 2014-02-12 | 北京三星通信技术研究有限公司 | 一种基站协作休眠/唤醒方法和系统 |
CN103906211A (zh) * | 2014-04-16 | 2014-07-02 | 东南大学 | 基于优选关闭基站的网络节能方法 |
CN104159279A (zh) * | 2014-07-08 | 2014-11-19 | 华南理工大学 | 一种基于能效准则的基站及中继开/关选择系统及方法 |
US20150131501A1 (en) * | 2013-11-11 | 2015-05-14 | Avaya Inc. | Elastic wireless control plane |
WO2015176762A1 (en) * | 2014-05-22 | 2015-11-26 | Telefonaktiebolaget L M Ericsson (Publ) | Radio communication device and method therein for handling operation of an algorithm |
WO2017065655A1 (en) * | 2015-10-15 | 2017-04-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Network node and method for managing transmit power |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7245946B2 (en) * | 2003-07-07 | 2007-07-17 | Texas Instruments Incorporated | Optimal power saving scheduler for 802.11e APSD |
CN104519559B (zh) * | 2014-12-08 | 2018-02-16 | 广东电网有限责任公司电力调度控制中心 | 基站节能的方法和系统 |
-
2017
- 2017-07-31 CN CN201710642739.6A patent/CN107493584A/zh active Pending
- 2017-12-18 WO PCT/CN2017/116880 patent/WO2019024389A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102695251A (zh) * | 2011-03-21 | 2012-09-26 | 上海贝尔股份有限公司 | 移动通信系统中的节能方法 |
CN102355714A (zh) * | 2011-08-29 | 2012-02-15 | 华为技术有限公司 | 基站及其节能方法、控制设备和系统 |
CN103582088A (zh) * | 2012-07-25 | 2014-02-12 | 北京三星通信技术研究有限公司 | 一种基站协作休眠/唤醒方法和系统 |
US20150131501A1 (en) * | 2013-11-11 | 2015-05-14 | Avaya Inc. | Elastic wireless control plane |
CN103906211A (zh) * | 2014-04-16 | 2014-07-02 | 东南大学 | 基于优选关闭基站的网络节能方法 |
WO2015176762A1 (en) * | 2014-05-22 | 2015-11-26 | Telefonaktiebolaget L M Ericsson (Publ) | Radio communication device and method therein for handling operation of an algorithm |
CN104159279A (zh) * | 2014-07-08 | 2014-11-19 | 华南理工大学 | 一种基于能效准则的基站及中继开/关选择系统及方法 |
WO2017065655A1 (en) * | 2015-10-15 | 2017-04-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Network node and method for managing transmit power |
Non-Patent Citations (1)
Title |
---|
彭金磷: "基于能效的异构蜂窝网络部署和资源管理优化", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113950134A (zh) * | 2021-10-20 | 2022-01-18 | 中国联合网络通信集团有限公司 | 基站的休眠预测方法、装置、设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019024389A1 (zh) | 2019-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vidyarthi et al. | A hybrid channel assignment approach using an efficient evolutionary strategy in wireless mobile networks | |
Patra et al. | Improved genetic algorithm for channel allocation with channel borrowing in mobile computing | |
JP6243045B2 (ja) | グラフデータクエリ方法および装置 | |
CN111405575B (zh) | 一种rsu的部署方法及部署设备 | |
Lei et al. | Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network | |
Yi et al. | A DRL-driven intelligent joint optimization strategy for computation offloading and resource allocation in ubiquitous edge IoT systems | |
Chou et al. | A clonal selection algorithm for energy-efficient mobile agent itinerary planning in wireless sensor networks | |
CN110167031B (zh) | 一种面向集中式基站的资源分配方法、设备及存储介质 | |
CN104640177B (zh) | 多层异构网络中基于能效的小区选择方法 | |
James et al. | A hybrid grouping genetic algorithm for the registration area planning problem | |
Krishna et al. | An efficient approach for distributed dynamic channel allocation with queues for real-time and non-real-time traffic in cellular networks | |
Sen | Intelligent admission and placement of O-RAN slices using deep reinforcement learning | |
CN107493584A (zh) | 一种确定基站休眠方案的方法和装置 | |
CN108932525A (zh) | 一种行为预测方法及装置 | |
CN107155215B (zh) | 一种应用归属服务集群的分配方法和装置 | |
CN107071784A (zh) | 一种超密集组网的频谱资源分配方法 | |
CN104796912B (zh) | 一种gsm-r网络频率规划的方法及系统 | |
CN110503234A (zh) | 一种物流运输调度的方法、系统及设备 | |
CN103796226B (zh) | 一种网络优化方法及装置 | |
Chen et al. | A reinforcement learning based joint spectrum allocation and power control algorithm for D2D communication underlaying cellular networks | |
CN104159246B (zh) | 位置区划分方法和设备 | |
CN108256694A (zh) | 基于重复遗传算法的模糊时间序列预测系统、方法及装置 | |
Guan et al. | Multidimensional resource fragmentation-aware virtual network embedding for IoT applications in MEC networks | |
CN110428089A (zh) | 一种单车场物流运输调度的方法、系统及设备 | |
Awasthi et al. | An approach to BTS localization using optimization techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20171219 |