CN108616892B - 一种基于混合免疫算法的4g基站选址方法 - Google Patents

Abstract

本发明请求保护一种基于混合免疫算法的4G基站选址方法，包括步骤：在无线网络待部署区域内，生成n个LTE基站站址；根据基站站址建站成本与覆盖率情况计算出他们的亲和度评价函数；根据基站站址亲和度评价函数大小，选择m(m<n)个LTE基站站址作为克隆基站母体；根据克隆后的子体进行混合免疫进化，形成多种不同的基站站址；根据基站站址建站成本与覆盖率情况计算出进化后基站站址的亲和度评价函数，选择前k个LTE基站站址作为最优站址保存；最后根据优化次数来判断是否完成优化，使LTE基站站址规划更加合理。本方法不仅提高基站选址的准确度，还节省了大量的人力物力。

Description

一种基于混合免疫算法的4G基站选址方法

技术领域

本发明属于移动通信技术，尤其涉及一种基于混合免疫算法求解4G基站选址方法。

背景技术

随着我国移动通信事业的快速发展，移动通信技术广泛渗透到社会各行各业，截止2016年9月，国内移动通讯电话总的用户数已近13.16亿户，其中 4G用户总数达到6.86亿户，占移动电话用户的52.1％，同时移动电话的覆盖率达到了89.02％，人们对于移动通信的依赖日益加剧，对通信速度、质量、安全性等要求越来越高。为满足社会需要，我国三大运营商无一例外地选择增站扩容，以数量的增加来扩充网络容量，达到无缝隙覆盖的目标。截止到2015年，我国4G基站总数已达到196万个，预计2016年我国将至少再建78.15万个4G 通信基站，可见基站站址已经成为一种稀缺资源。然而，无线通信网络的持续扩大及新基站的建设相应的会增加基站间的相互干扰，影响网络的服务质量，且在寸土寸金的城市中，移动通信基站的选址和建设遇到了诸多难题。

目前，基站选址由专门提供网络规划与优化服务的第三方服务公司通过相应软件找出信号较弱的地区，经过测量后选择出大致的候选基站位置；然后对每个候选站点进行相应的现场查看、场强预测、覆盖分析、信号强度预测，通过反复的局部微调整最终确定满足网络整体要求的站址位置。

综上所述，目前的基站站址选取方式，不仅消耗了大量的人力物力，而且准确性非常差，是非常不科学的,选址结果往往与实际问题中的最优站址相差甚远。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种节省了大量的人力物力，而且准确性非常高、使LTE基站站址规划更加合理的基于混合免疫算法的4G基站选址方法。本发明的技术方案如下：

一种基于混合免疫算法的4G基站选址方法，其包括以下步骤：

1)在无线网络待部署区域内，随机生成初始种群解x，通过反学习的方法生成种群的反向解ox，分别计算x与ox亲和度大小，并填充基站中的70％，剩余 30％由迭代前一次记忆种群中抽取，共同组成n个LTE基站站址；

2)根据基站站址建站成本与覆盖率情况计算出亲和度评价函数；

3)根据基站站址亲和度评价函数大小，选择m个LTE基站站址作为克隆基站母体，并进行相应的克隆得到克隆后的子体，m<n；

4)对克隆后的子体采用混合免疫算法进化，混合免疫算法主要将差分变异和模拟二进制交叉相融，首先，通过差分变异调节算法的寻优能力，其次，通过模拟二进制交叉调节父代与子代之间的差异，形成多种不同的基站站址；

5)根据步骤2)的亲和度评价函数计算出进化后基站站址的亲和度评价函数，选择前k个LTE基站最优站址保存在记忆库中；

6)最后根据优化次数来判断是否完成优化，使LTE基站站址规划更加合理。

进一步的，所述步骤1)在无线网络待部署区域内，随机生成初始种群解x，通过反学习的方法生成种群的反向解ox，分别计算x与ox亲和度大小，并填充基站中的70％，剩余30％由迭代前一次记忆种群中抽取，共同组成n个LTE基站站址；具体包括：

首先，初始化LTE基站站址种群和记忆库，由于记忆库为空，随机生成数量为n的初始种群解x，根据解所处空间的上下界

通过反学习的方法生成种群的反向解ox，其公式为

其次，把初始种群解x和经过反向学习产生的解ox按亲和度大小进行排序，最后，根据亲和度大小填充n个LTE基站站址中的70％，剩余30％由迭代前一次记忆种群中抽取。

进一步的，所述步骤2)根据基站站址建站成本与覆盖率情况计算出他们的亲和度评价函数具体包括：

根据候选基站选中的个数和已有站址进行共享的共址基站的个数，计算出基站的建站成本，其公式为

式中，候选基站的集为N＝{1,2,…,n}；4G基站建站代价为d_i(i∈N)；已存在的2G/3G 共址站被选中的情况为y_j∈{0,1}(j∈M)；候选基站被选中的情况为x_i∈{0,1}(i∈N)；

根据测试点接收到基站之间的距离判断测试点是否被覆盖，计算出基站覆盖率，其公式为

式中，测试点集为C＝{1,2,…c}；试点到基站之间的距离为d_ik；判断测试点是否被基站所覆盖的阈值θ；测试点被覆盖的情况为g_ik(i∈N,k∈C)；

为了方便计算，用覆盖损失来覆盖情况，即每产生1％的覆盖漏洞损失为S，其公式为

通过权重法把把基站建站成本与基站覆盖率整合形成亲和度评价函数用，其公式为

f(BS)＝λ₁f₁+λ₂f₂ (6)

式中，λ₁为建站代价权重系数、λ₂为覆盖损失权重系数，且λ₁+λ₂＝1。

进一步的，所述步骤3)根据基站站址亲和度评价函数大小，选择m个LTE 基站站址作为克隆基站母体，并进行相应的克隆，具体包括：

根据初始化后的基站站址评价函数大小进行优先级排序，取优先级高的m 个LTE基站站址作为克隆基站母体，然后根据各个基站站址之间的相近基站距离浓度与亲和度大小计算出克隆子体的数量，其基站相似浓度公式为

式中，Ne(BS_P,BS_q)表示相似基站个数；BS_P、BS_q分别表示2个不同的基站； d(BS_P,BS_q)表示两基站之间的距离；Den(BS_P)表示相似基站浓度；σ表示两基站之间距离的阈值。

其基站克隆子体数量公式为

式中，round为取整函数；f(BS_p)为克隆母体中基站p的抗体亲和度；

为克隆母本中所有抗体亲和度之和,；K为克隆系数，一般取值为K＝25； i表示为基站在亲和度中的位置，且i∈m。

进一步的，所述步骤4)根据克隆后的子体进行混合免疫进化包括差分变异、模拟二进制交叉进化扩大站址搜索范围，提高站址搜索精度，具体包括：

把经过克隆后产生的子体，根据差分进化中的差分变异原理，形成新的基站站址，在变异的过程中，通过调节缩放因子F的大小，可以选择性的控制寻优能力，从而避免因随机变异造成局部最优解，其变异公式为

U_i,j＝X_r1,j+F(X_r2,j-X_r3,j) (10)

式中，U_i,j表示新产生的基站站址；X_r1,j、X_r2,j、X_r3,j分别表示不同的基站站址；F表示缩放因子，且F∈(0,1)；

把经过差分变异后的基站站址通过模拟二进制交叉处理，形成新的基站站址，在交叉过程中，不仅可以使经过交叉后的有关信息能够在两个新的基站中得以保存，还可以通过调节的η值，来控制搜索的精度，既可以避免因随机交叉造成局部最优解又可以加快收敛速度，其交叉公式为

式中，

表示为形成的子代；

分别表示参与交叉的父代；η表示交叉分布指数；u是由随机数产生器产生的随机数，且u∈(0,1)。

进一步的，所述步骤5)根据亲和度评价函数计算出进化后基站站址的亲和度评价函数，选择优先级高的k个LTE基站站址作为最优基站站址保存，具体包括：

把经过差分变异与模拟二进制交叉产生的基站站址，计算出相应的亲和度评价函数f(BS)，然后，根据亲和度函数值的大小进行排序，从大到小选取k个 LTE基站站址作为最优基站站址保存在记忆细胞中，不仅可以作为下一次优中的启发条件，也可以作为输出结果。

进一步的，所述步骤6)根据优化次数来判断是否完成优化完成，具体包括：

根据优化次数来判断该进程是否结束，并把记忆细胞中的数据作为最终优化结果。

本发明的优点及有益效果如下：

本发明提出的基于混合免疫算法求解4G基站选址方法，在LTE基站选址时，通过综合考虑建站成本、覆盖率2个重要网络参数的前提下，利用智能算法从大量的候选站址中遴选出一组具有最少数目且符合要求的基站站址集合。以实现用尽量少数目的一组基站去满足网络覆盖率的目的，不仅节省了大量的人力物力，而且准确性非常高，使LTE基站站址规划更加合理，具体内容如下

(1)本文提出的一种混合人工免疫算法，考虑了人工免疫算法中交叉与变异操作所带来的不可控制因素，提出了一种把差分进化算法中的差分变异与模拟二进制交叉算法与进行融合，通过调整相关的控制因子，既可以提高了算法的寻优能力、收敛速度及收敛精度，又可以避免因随机变异与交叉造成局部最优解的情况。

(2)本文综合考虑建站成本、覆盖率2个目标函数的前提下，提出了一种基站选址的数学问题模型，利用改进的混合的人工免疫算法对基站选址数学问题模型进行优化，结果表明，改算法能够迅速选出备选基站的位置，降低工程费用，提高网络的覆盖率。

附图说明

图1是本发明提供优选实施例基于混合免疫算法的4G基站选址方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

如图1所示为本发明实现基于混合免疫算法求解4G基站选址方法的流程示意图，如图1所示，包括：

步骤一、在无线网络待部署区域内，随机生成初始种群解x，通过反学习的方法生成种群的反向解ox，分别计算x与ox亲和度大小，并填充基站中的70％，剩余30％由迭代前一次记忆种群中抽取，共同组成n个LTE基站站址；

本步骤中，首先，初始化LTE基站站址种群和记忆库，由于记忆库为空，随机生成数量为n的初始种群解x，根据解所处空间的上下界

通过反学习的方法生成种群的反向解ox，其公式为

其次，把初始种群解x和经过反向学习产生的解ox按亲和度大小进行排序，最后，根据亲和度大小填充n个LTE基站站址中的70％，剩余30％由迭代前一次记忆种群中抽取。

步骤二、根据基站站址建站成本与覆盖率情况计算出他们的亲和度评价函数。

本步骤中，根据候选基站选中的个数和已有站址进行共享的共址基站的个数，计算出基站的建站成本，其公式为

式中，候选基站的集为N＝{1,2,…,n}；4G基站建站代价为d_i(i∈N)；已存在的2G/3G 共址站被选中的情况为y_j∈{0,1}(j∈M)；候选基站被选中的情况为x_i∈{0,1}(i∈N)；

根据测试点接收到基站之间的距离判断测试点是否被覆盖，计算出基站覆盖率，其公式为

式中，测试点集为C＝{1,2,…c}；试点到基站之间的距离为d_ik；判断测试点是否被基站所覆盖的阈值θ；测试点被覆盖的情况为g_ik(i∈N,k∈C)；

为了方便计算，用覆盖损失来覆盖情况，即每产生1％的覆盖漏洞损失为S，其公式为

通过权重法把把基站建站成本与基站覆盖率整合形成亲和度评价函数用，其公式为

f(BS)＝λ₁f₁+λ₂f₂ (6)

式中，λ₁为建站代价权重系数、λ₂为覆盖损失权重系数，且λ₁+λ₂＝1。

步骤三、根据基站站址亲和度评价函数大小，选择m(m<n)个LTE基站站址作为克隆基站母体，并进行相应的克隆.

根据初始化后的基站站址评价函数大小进行优先级排序，取优先级高的m 个LTE基站站址作为克隆基站母体，然后根据各个基站站址之间的相近基站距离浓度与亲和度大小计算出克隆子体的数量，其基站相似浓度公式为

式中，Ne(BS_P,BS_q)表示相似基站个数；BS_P、BS_q分别表示2个不同的基站； d(BS_P,BS_q)表示两基站之间的距离；Den(BS_P)表示相似基站浓度；σ表示两基站之间距离的阈值。

其基站克隆子体数量公式为

式中，round为取整函数；f(BS_p)为克隆母体中基站p的抗体亲和度；

为克隆母本中所有抗体亲和度之和,；K为克隆系数，一般取值为K＝25； i表示为基站在亲和度中的位置，且i∈m。

步骤四、根据克隆后的子体进行混合免疫进化，形成多种不同的基站站址。

本步骤中，把经过克隆后产生的子体，根据差分进化中的差分变异原理，形成新的基站站址，在变异的过程中，通过调节缩放因子F的大小，可以选择性的控制寻优能力，从而避免因随机变异造成局部最优解，其变异公式为

U_i,j＝X_r1,j+F(X_r2,j-X_r3,j) (10)

式中，U_i,j表示新产生的基站站址；X_r1,j、X_r2,j、X_r3,j分别表示不同的基站站址；F表示缩放因子，且F∈(0,1)；

把经过差分变异后的基站站址通过模拟二进制交叉处理，形成新的基站站址，在交叉过程中，不仅可以使经过交叉后的有关信息能够在两个新的基站中得以保存，还可以通过调节的η值，来控制搜索的精度，既可以避免因随机交叉造成局部最优解又可以加快收敛速度，其交叉公式为

式中，

表示为形成的子代；

分别表示参与交叉的父代；η表示交叉分布指数；u是由随机数产生器产生的随机数，且u∈(0,1)。

步骤五、根据亲和度评价函数计算出进化后基站站址的亲和度评价函数，选择前k个LTE基站站址作为最优精英基站站址保存包括：

本步骤中，把经过差分变异与模拟二进制交叉产生的基站站址，计算出相应的亲和度评价函数f(BS)，然后，根据亲和度函数值的大小进行排序，从大到小选取k个LTE基站站址作为最优基站站址保存在记忆细胞中，不仅可以作为下一次优中的启发条件，也可以作为输出结果。

步骤六、根据优化次数来判断是否完成优化完成。

根据优化次数来判断该进程是否结束，并把记忆细胞中的数据作为最终优化结果。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (5)

1.一种基于混合免疫算法的4G基站选址方法，其特征在于，包括以下步骤：

1)在无线网络待部署区域内，随机生成初始种群解x，通过反学习的方法生成种群的反向解ox，分别计算x与ox亲和度大小，并填充基站中的70％，剩余30％由迭代前一次记忆种群中抽取，共同组成n个LTE基站站址；

2)根据基站站址建站成本与覆盖率情况计算出亲和度评价函数；

3)根据基站站址亲和度评价函数大小，选择m个LTE基站站址作为克隆基站母体，并进行相应的克隆得到克隆后的子体，m<n；

4)对克隆后的子体采用混合免疫算法进化，混合免疫算法主要将差分变异和模拟二进制交叉相融，首先，通过差分变异调节算法的寻优能力，其次，通过模拟二进制交叉调节父代与子代之间的差异，形成多种不同的基站站址；

5)根据步骤2)的亲和度评价函数计算出进化后基站站址的亲和度评价函数，选择前k个LTE最优站址保存在记忆库中；

6)最后根据优化次数来判断是否完成优化，使LTE基站站址规划更加合理；

所述步骤2)根据基站站址建站成本与覆盖率情况计算出他们的亲和度评价函数具体包括：

根据候选基站选中的个数和已有站址进行共享的共址基站的个数，计算出基站的建站成本，其公式为

式中，候选基站的集为N＝{1,2,…,n}；4G基站建站代价为d_i(i∈N)；已存在的2G/3G 共址站被选中的情况为y_j∈{0,1}(j∈M)；候选基站被选中的情况为x_i∈{0,1}(i∈N)；

根据测试点接收到基站之间的距离判断测试点是否被覆盖，计算出基站覆盖率，其公式为

式中，测试点集为C＝{1,2,…c}；试点到基站之间的距离为d_ik；判断测试点是否被基站所覆盖的阈值θ；测试点被覆盖的情况为g_ik(i∈N,k∈C)；

为了方便计算，用覆盖损失来覆盖情况，即每产生1％的覆盖漏洞损失为S，其公式为

通过权重法把把基站建站成本与基站覆盖率整合形成亲和度评价函数用，其公式为

f(BS)＝λ₁f₁+λ₂f₂ (6)

式中，λ₁为建站代价权重系数、λ₂为覆盖损失权重系数，且λ₁+λ₂＝1；

所述步骤4)根据克隆后的子体进行混合免疫进化包括差分变异、模拟二进制交叉进化扩大站址搜索范围，具体包括：

把经过克隆后产生的子体，根据差分进化中的差分变异原理，形成新的基站站址，在变异的过程中，通过调节缩放因子F的大小，可以选择性的控制寻优能力，从而避免因随机变异造成局部最优解，其变异公式为

U_i,j＝X_r1,j+F(X_r2,j-X_r3,j) (10)

式中，U_i,j表示新产生的基站站址；X_r1,j、X_r2,j、X_r3,j分别表示不同的基站站址；F表示缩放因子，且F∈(0,1)；

把经过差分变异后的基站站址通过模拟二进制交叉处理，形成新的基站站址，在交叉过程中，不仅可以使经过交叉后的有关信息能够在两个新的基站中得以保存，还可以通过调节的η值，来控制搜索的精度，既可以避免因随机交叉造成局部最优解又可以加快收敛速度，其交叉公式为

式中，

表示为形成的子代；

分别表示参与交叉的父代；η表示交叉分布指数；u是由随机数产生器产生的随机数，且u∈(0,1)。

2.根据权利要求1所述的基于混合免疫算法的4G基站选址方法，其特征在于，所述步骤1)在无线网络待部署区域内，随机生成初始种群解x，通过反学习的方法生成种群的反向解ox，分别计算x与ox亲和度大小，并填充基站中的70％，剩余30％由迭代前一次记忆种群中抽取，共同组成n个LTE基站站址；具体包括：

首先，初始化LTE基站站址种群和记忆库，由于记忆库为空，随机生成数量为n的初始种群解x，根据解所处空间的上下界

通过反学习的方法生成种群的反向解ox，其公式为

其次，把初始种群解x和经过反向学习产生的解ox按亲和度大小进行排序，最后，根据亲和度大小填充n个LTE基站站址中的70％，剩余30％由迭代前一次记忆种群中抽取。

3.根据权利要求1所述的基于混合免疫算法的4G基站选址方法，其特征在于，所述步骤3)根据基站站址亲和度评价函数大小，选择m个LTE基站站址作为克隆基站母体，并进行相应的克隆，具体包括：

根据初始化后的基站站址评价函数大小进行优先级排序，取优先级高的m个LTE基站站址作为克隆基站母体，然后根据各个基站站址之间的相近基站距离浓度与亲和度大小计算出克隆子体的数量，其基站相似浓度公式为

式中，Ne(BS_P,BS_q)表示相似基站个数；BS_P、BS_q分别表示2个不同的基站；d(BS_P,BS_q)表示两基站之间的距离；Den(BS_P)表示相似基站浓度；σ表示两基站之间距离的阈值；

其基站克隆子体数量公式为

式中，round为取整函数；f(BS_p)为克隆母体中基站p的抗体亲和度；

为克隆母本中所有抗体亲和度之和；K为克隆系数，一般取值为K＝25；i表示为基站在亲和度中的位置，且i∈m。

4.根据权利要求1所述的基于混合免疫算法的4G基站选址方法，其特征在于，所述步骤5)根据亲和度评价函数计算出进化后基站站址的亲和度评价函数，选择优先级高的k个LTE基站站址作为最优基站站址保存在记忆细胞中，具体包括：

把经过差分变异与模拟二进制交叉产生的基站站址，计算出相应的亲和度评价函数f(BS)，然后，根据亲和度函数值的大小进行排序，从大到小选取k个LTE基站站址作为最优基站站址保存在记忆细胞中，不仅可以作为下一次优中的启发条件，也可以作为输出结果。

5.根据权利要求1所述的基于混合免疫算法的4G基站选址方法，其特征在于，所述步骤6)根据优化次数来判断是否完成优化完成，具体包括：

根据优化次数来判断进程是否结束，并把记忆细胞中的数据作为最终优化结果。

Images