CN108810880A - 物理小区标识的规划方法及装置 - Google Patents
物理小区标识的规划方法及装置 Download PDFInfo
- Publication number
- CN108810880A CN108810880A CN201710312621.7A CN201710312621A CN108810880A CN 108810880 A CN108810880 A CN 108810880A CN 201710312621 A CN201710312621 A CN 201710312621A CN 108810880 A CN108810880 A CN 108810880A
- Authority
- CN
- China
- Prior art keywords
- cell
- serving cell
- population
- interfered
- matrix
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/26—Network addressing or numbering for mobility support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及一种物理小区标识的规划方法及装置,该方法首先为各小区随机分配PCI标识并将分配结果作为初始种群,接着获取各服务小区与干扰该服务小区的干扰小区之间的干扰矩阵,最后利用遗传算法对初始种群不断迭代生成使得干扰矩阵的元素之和不断减小的新的种群,并在迭代预设次数后将生成的种群作为最终的PCI规划结果。相比于现有的PCI规划方法,本公开提供的方法将服务小区与干扰小区在栅格内的重叠覆盖度作为规划分配的因素之一,在分配时能够充分考虑到小区之间复杂的无线传播环境,且利用遗传算法不断迭代寻求使得干扰最小的最优解,从而有效提高规划的合理性,避免由于规划不合理而产生的小区之间的信号干扰。
Description
技术领域
本公开实施例涉及通信技术领域,具体涉及一种物理小区标识规划方法及装置。
背景技术
通信技术经过几十年的快速发展演化,已演进到LTE(Long Term Evolution,长期演进)阶段。与以往的2G/3G相比,LTE已发生了很大变化,LTE网络规划和设计显得更为重要。LTE蜂窝组网采用正交频分复用技术,并利用物理小区标识PCI(Physical CellIdentify)进行标识、区分扇区等。PCI直接决定了小区同步序列,且影响多个物理信道的加扰方式。在LTE系统中,总共有504个物理小区的ID,共分为168组,每组包含3个不同ID。
一般来说,现在通常都是通过后台MR小区干扰统计结合MAPINFO地图LTE小区分布情况将504个PCI进行分配,以避免出现MOD3干扰的情况(出现MOD3干扰也即出现两个小区的PCI值除以3之后的余数相同的情况,也就是主同步信号PSS相同导致的干扰)。
然而,在实施本公开实施例的过程中发明人发现,由于MAPINFO地图仅仅能够呈现各小区的二维分布,采用此方法虽然能够从后台数据及理论方面进行了避免MOD3干扰规划优化。而在实际情况中,小区与小区之间的位置关系是一个三维的位置关系,小区中楼宇的遮挡也会在一定程度上影响小区的信号质量,但现有的规划方法中并未将这些复杂的无线传播环境考虑范围内,从而导致部分小区出现由于覆盖不合理而产生信号干扰的现象。
发明内容
本公开实施例提供了一种物理小区标识规划方法及装置,用于克服采用现有的PCI规划方法未将复杂的无线传播环境考虑在内导致部分小区覆盖不合理产生干扰的缺陷。
第一方面,本公开的一个实施例提供了一种物理小区标识的规划方法,包括:
随机为各栅格中的各小区分配物理小区标识,并将分配结果作为初始种群;
按照所述分配结果,获取各栅格中各服务小区与各干扰小区的重叠关系系数矩阵;其中,所述服务小区为最强信号与最弱信号之差小于预设阈值的小区,所述干扰小区为平均信号强度与所述服务小区的平均信号强度之差小于预设阈值的小区,所述重叠关系系数矩阵用于描述各服务小区以及各干扰小区在每个栅格内的重叠覆盖情况;
获取各服务小区与各干扰小区的PCI矩阵,所述PCI矩阵用于描述每个服务小区与每个干扰小区之间的干扰情况;
根据所述重叠关系系数矩阵以及所述PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,所述干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况;
将所述干扰矩阵的元素之和作为个体适应度,利用遗传算法对所述初始种群不断迭代生成使得所述个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
第二方面,本公开的又一个实施例提供了一种物理小区标识的规划装置,包括:
初始种群生成单元,用于随机为各栅格中的各小区分配物理小区标识,并将分配结果作为初始种群;
重叠关系矩阵获取单元,用于按照所述分配结果,获取各栅格中各服务小区与各干扰小区的重叠关系系数矩阵;其中,所述服务小区为最强信号与最弱信号之差小于预设阈值的小区,所述干扰小区为平均信号强度与所述服务小区的平均信号强度之差小于预设阈值的小区,所述重叠关系系数矩阵用于描述各服务小区以及各干扰小区在每个栅格内的重叠覆盖情况;
PCI矩阵获取单元,用于获取各服务小区与各干扰小区的PCI矩阵,所述PCI矩阵用于描述每个服务小区与每个干扰小区之间的干扰情况;
干扰矩阵获取单元,用于根据所述重叠关系系数矩阵以及所述PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,所述干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况;
迭代单元,用于将所述干扰矩阵的元素之和作为个体适应度,利用遗传算法对所述初始种群不断迭代生成使得所述个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
本公开的一个实施例提供了一种物理小区标识的规划方法,该方法首先为各小区随机分配PCI标识并将分配结果作为初始种群,接着获取各服务小区与干扰该服务小区的干扰小区之间的干扰矩阵,该干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况,最后利用遗传算法对初始种群不断迭代生成使得干扰矩阵的元素之和不断减小的新的种群,并在迭代预设次数后将生成的种群作为最终的PCI规划结果。相比于现有的PCI规划方法,本公开提供的方法将服务小区与干扰小区在栅格内的重叠覆盖度作为规划分配的因素之一,在分配时能够充分考虑到小区之间复杂的无线传播环境,且利用遗传算法不断迭代寻求使得干扰最小的最优解,从而有效提高规划的合理性,避免由于规划不合理而产生的小区之间的信号干扰。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本公开的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本公开提供的一种物理小区标识的规划方法实施例流程图;
图2是本公开提供的各栅格内服务小区与干扰小区重叠覆盖示意图;
图3是本公开提供的一种物理小区标识的规划装置实施例结构示意图;
图4是本公开提供的电子设备实施例结构框图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
第一方面,本公开的一个实施例提供了一种物理小区标识的规划方法,如图1所示,包括:
S101、随机为各栅格中的各小区分配物理小区标识,并将分配结果作为初始种群;
S102、按照分配结果,获取各栅格中各服务小区与各干扰小区的重叠关系系数矩阵;其中,服务小区为最强信号与最弱信号之差小于预设阈值的小区,干扰小区为平均信号强度与服务小区的平均信号强度之差小于预设阈值的小区,重叠关系系数矩阵用于描述各服务小区以及各干扰小区在每个栅格内的重叠覆盖情况;
S103、获取各服务小区与各干扰小区的PCI矩阵,PCI矩阵用于描述每个服务小区与每个干扰小区之间的干扰情况;
S104、根据重叠关系系数矩阵以及PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况;
S105、将干扰矩阵的元素之和作为个体适应度,利用遗传算法对初始种群不断迭代生成使得个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
本公开的一个实施例提供了一种物理小区标识的规划方法,该方法首先为各小区随机分配PCI标识并将分配结果作为初始种群,接着获取各服务小区与干扰该服务小区的干扰小区之间的干扰矩阵,该干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况,最后利用遗传算法对初始种群不断迭代生成使得干扰矩阵的元素之和不断减小的新的种群,并在迭代预设次数后将生成的种群作为最终的PCI规划结果。相比于现有的PCI规划方法,本公开提供的方法将服务小区与干扰小区在栅格内的重叠覆盖度作为规划分配的因素之一,在分配时能够充分考虑到小区之间复杂的无线传播环境,且利用遗传算法不断迭代寻求使得干扰最小的最优解,从而有效提高规划的合理性,避免由于规划不合理而产生的小区之间的信号干扰。
在具体实施时,可以理解的是,上述方法实施例中的步骤S102可以通过多种方式来实施,其中一种可选的实施方式为:
S1021、获取包含第一干扰小区的栅格数Mb,所述第一干扰小区为与服务小区的平均信号强度之差小于第一预设阈值的小区;
S1022、获取栅格数Mb中包含平均信号强度差值小于第一预设值的第一干扰小区的栅格数Mb1;获取栅格数Mb中包含平均信号强度差值大于第一预设值且小于第二预设值的第一干扰小区的栅格数Mb2;获取栅格数Mb中包含平均信号强度差值大于第二预设值且小于第一预设阈值的第一干扰小区的栅格数Mb3;
S1023、则第一干扰小区对服务小区的重叠关系系数为Mb1、Mb2以及Mb3乘以对应的权重之和;
S1024、根据各干扰小区对各服务小区的重叠关系系数获得重叠关系系数矩阵。
下面举例来详细说明重叠关系系数矩阵是如何获得的。
(1)栅格化:假设将规划区划分为20米*20米的栅格,针对每个栅格,利用扫频数据统计栅格内每个小区的平均信号强度;
(2)服务小区:若某一小区的最强信号强度或与最弱信号强度之差小于3dB,则可以认为该小区为潜在服务小区A,所有包含服务小区A的栅格数可以记为Na;
(3)干扰小区:若某个小区的平均信号强度与某一服务小区A的平均信号强度之差小于10dB,则认为该小区为干扰小区B。将包含这样的干扰小区B的栅格数记为Mb;并记Mb=Mb1+Mb2+Mb3,其中,Mb1为信号强度差值小于3dB的栅格数,Mb2为信号强度差值大于3dB小于6dB的栅格数,Mb3为信号强度差值大于6dB小于10dB的栅格数,则B对A的重叠关系系数为:
Sa,b=Mb1*1.2+Mb2*1+Mb3*0.8 (1)
其中,Sa,b表示B对A的重叠关系系数,Mb1、Mb2、Mb3如前文中的解释,这里的1.2、1、0.8为Mb1、Mb2、Mb3各自所占的权重,可以理解的是,这里的权重值也可以根据实际情况进行修改,本公开对此不作具体限定。
同样的方法可以计算出Mc、Md……Mn以及Sa,c、Sa,d……Sa,n,其中C、D…N也为干扰服务小区A的干扰小区。图2示出了各个栅格中服务小区A、干扰小区B、干扰小区C以及干扰小区D的重叠覆盖示意图。
依据扫频数据,通过小区与小区之间栅格重叠数及重叠情况,梳理出两两小区关系,用重叠关系系数表征关系的大小;重叠关系系数矩阵的构建即是用横轴和纵轴分别表示扫频数据采集到的小区,之间相关性用重叠关系系数表征。表1示出了服务小区A、B、C与干扰小区E、F、G重叠关系系数矩阵。
表1服务小区A、B、C与干扰小区E、F、G重叠关系系数矩阵
小区E | 小区F | 小区G | |
小区A | Sa,e | Sa,f | Sa,g |
小区B | Sb,e | Sb,f | Sb,g |
小区C | Sc,e | Sc,f | Sc,g |
表2示出了实际情况下各服务小区与各干扰小区的重叠关系系数矩阵。
表2实际情况下各服务小区与各干扰小区的重叠关系系数矩阵
其中,“”表示该项为空。
在具体实施时,上述方法实施例中的步骤S103、S104也可以通过多种方式来实现,其中一种可选的实施方式具体如下所示:
当两个小区的PCI MOD3相同时,即是产生了MOD3干扰,则对应的PCI矩阵中的系数Pn=1,反之则Pn=0。干扰矩阵中的系数=重叠关系系数矩阵中对应值×Pn。即如表3所示:
表3服务小区A、B、C与干扰小区E、F、G干扰矩阵
小区E | 小区F | 小区G | |
小区A | Sa,e×Pn | Sa,f×Pn | Sa,g×Pn |
小区B | Sb,e×Pn | Sb,f×Pn | Sb,g×Pn |
小区C | Sc,e×Pn | Sc,f×Pn | Sc,g×Pn |
下面举一个例子,来详细说明干扰矩阵的计算过程。
表4服务小区A、B、C与干扰小区E、F、G重叠关系系数矩阵
E(38350,6) | F(38350,13) | G(38350,23) | |
A(38350,0) | 243 | 89 | 17 |
B(38350,11) | 118 | 73 | 27 |
C(38350,7) | 45 | 68 | 36 |
则对应的PCI矩阵如表5所示。
表5服务小区A、B、C与干扰小区E、F、G的PCI矩阵
E(38350,6) | F(38350,13) | G(38350,23) | |
A(38350,0) | 1 | 0 | 0 |
B(38350,11) | 0 | 0 | 1 |
C(38350,7) | 0 | 1 | 0 |
将两个矩阵对应值相乘,则得到干扰矩阵如表6所示。
表6服务小区A、B、C与干扰小区E、F、G的干扰矩阵
若将A小区的PCI由0改为29,则对应的PCI矩阵变成如表7所示。
表7更改后服务小区A、B、C与干扰小区E、F、G的PCI矩阵
E(38350,6) | F(38350,13) | G(38350,23) | |
A(38350,29) | 0 | 0 | 1 |
B(38350,11) | 0 | 0 | 1 |
C(38350,7) | 0 | 1 | 0 |
则干扰矩阵如表8所示。
表8更改后服务小区A、B、C与干扰小区E、F、G的干扰矩阵
E(38350,6) | F(38350,13) | G(38350,23) | |
A(38350,29) | 0 | 0 | 17 |
B(38350,11) | 0 | 0 | 27 |
C(38350,7) | 0 | 68 | 0 |
下面举一个实例来说明实际情况下各服务小区与干扰小区的干扰矩阵的获取方法。
表9服务小区与干扰小区重叠关系系数矩阵表
表10服务小区与干扰小区PCI矩阵表
表11服务小区与干扰小区PCI矩阵表
其中,“”表示该项为空。
在具体实施时,可以理解的是,步骤S101中随机生成的初始种群可能有多组。相应地,步骤S105的一种可选的实施方式可以包括:
S1051、将初始种群每组中的每个个体利用9位无符号二进制整数来表示;
S1052、获取每组的干扰矩阵的元素之和,并根据所述干扰矩阵的元素之和的大小确定该组种群遗传下一代的概率;
S1053、根据所述遗传下一代的概率,利用轮盘赌算法生成下一代种群;
S1053、将所述下一代种群中的多组种群随机配对,按随机设置的交叉点位置相互交换配对染色体之间的部分基因;
S1054、按随机设置的变异位置,对交叉后的染色体的待变异位置处的基因值取反,生成使得所述个体适应度不断减小的新的种群;
S1055、不断迭代重复上述步骤一至步骤五,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
具体来说,本步骤执行的目标即为通过遗传算法,使所有小区干扰矩阵的元素之和最小,可以理解的是,干扰矩阵中的各个元素其实是表示各服务小区与各干扰小区在栅格内重叠覆盖的情况下的干扰程度,因此在干扰矩阵的各个元素之和达到尽可能最小的时候即为干扰程度最小,因而此时输出的PCI规划配置为相对来说最为合理的配置。
为更好地理解遗传算法的运算过程,下面用简单例子介绍遗传算法的各个主要执行步骤;求干扰矩阵的干扰系数∑(干扰矩阵元素之和)最小值:
(1)个体编码
遗传算法的运算对象是表示个体的符号串,所以必须把小区PCI编码为一种符号串。用无符号二进制整数来表示。由于小区PCI为0~503之间的整数,所以每个小区的PCI可以用9位无符号二进制整数来表示111110111。
例如:有6个小区PCI为:341,114,391,118,6,2
101010101 001110010 110000111 001110110 000000110 000000010
(2)初始群体的产生
遗传算法是对群体进行的进化操作,需要给其淮备一些表示起始搜索点的初始群体数据,也即步骤S101中随机为各小区分配的PCI标识。可以理解的是,随机分配的PCI标识也即初始群体可以有多组,每组的规模可以根据实际的小区数量而定。
例如,群体规模的大小取为6,即每个群体由6个个体组成,每个群体中的每个个体都可通过随机方法产生,如:
编号1:101010101 001110010 110000111 001110110 000000110 010101010
编号2:001011101 001010111 010000110 001010100 010100110 010000100
编号3:011010111 001000010 010110100 011010111 101100110 101110111
编号4:101011100 101110101 110110101 101011111 011100100 111110000
编号5:001001110 010101100 011101010 100010001 011110111 000011110
编号6:010100010 000010111 001011101 001110110 110000111 010101000
编号1-6代表群体的编号,以上展示的是随机生成初始群体中的6组初始解。
(3)适应度计算
遗传算法中以个体适应度的大小来评定各个个体的优劣程度,从而决定其遗传机会的大小。本实施例中,干扰系数∑越小适应度越大,故可直接利用干扰系数∑作为个体的适应度。
将以上初始群体的产生PCI通过前文中所述的干扰矩阵算法算出干扰矩阵,并求得干扰系数∑值,
表12编号1-6对应的适应值、遗传下一代概率以及选择次数
需要说明的是,这里的遗传下一代概率越大,被选择的次数就越多。
(4)选择运算
也就是个体被选中的概率与其适应度函数值成正比,选择实现算法就是所谓的“轮盘赌算法”。经过“轮盘赌算法”生成新的下一代群种。下面几个编号的组群是根据上一步骤中的遗传下一代概率选择出来的样本。
编号4:101011100 101110101 110110101 101011111 011100100 111110000
编号2:001011101 001010111 010000110 001010100 010100110 010000100
编号4:101011100 101110101 110110101 101011111 011100100 111110000
编号5:001001110 010101100 011101010 100010001 011110111 000011110
编号1:101010101 001110010 110000111 001110110 000000110 010101010
编号2:001011101 001010111 010000110 001010100 010100110 010000100
(5)交叉运算
交叉运算是遗传算法中产生新个体的主要操作过程,它以某一概率相互交换某两个个体之间的部分染色体。本实施例采用单点交叉的方法,其具体操作过程是:先对群体进行随机配对;其次随机设置交叉点位置;最后再相互交换配对染色体之间的部分基因。
具体来说,交叉前的各组基因如下所示。
交叉前:
编号4:101011100 101110101 110110101 101011111
编号2:001011101 001010111 010000110 001010100
编号4:101011100 101110101 110110101 101011111 011100100 111110000
编号5:001001110 010101100 011101010 100010001 011110111 000011110
编号1:101010101 001110010
编号2:001011101 001010111
可以看出配对结果为:编号4与编号2,编号4与编号5,编号1与编号2。交叉点的位置分别为加粗、下划线以及斜体的位置。按上述配对方式交叉之后的结果如下所示:
交叉后:
编号4:101011100 101110101 110110101 101011111
编号2:001011101 001010111 010000110 001010100
编号4:001001110 010101100 110110101 101011111 011100100 111110000
编号5:101011100 101110101 011101010 100010001 011110111 000011110
编号1:101010101 001110010
编号2:001011101 001010111
(7)变异运算
变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变,它也是产生新个体的一种操作方法。本实施例中,我们采用基本位变异的方法来进行变异运算,其具体操作过程是:首先确定出各个个体的基因变异位置,下文所示为随机产生的变异点位置,其中的数字表示变异点设置在该基因座处(如下文所示的加粗下划线的位置处);然后依照某一概率将变异点的原有基因值取反。
变异前:
编号4:10101100 101110101 11010101 101011111 01010010 010000100
编号2:001011101 00110111 010000110 00101100 011100100 11110000
编号4:00100110 010101100 110110101 101011111 011100100 111110000
编号5:101011100 10111101 011101010 10001001 011110111 000011110
编号1:101010101 0011110 010000110 001010100 010100110 010000100
编号2:001011101 00010111 11000011 001110110 000000110 010101010
变异后:
编号4:10101100 101110101 11010101 101011111 01010010 010000100
编号2:001011101 00110111 010000110 00101100 011100100 11110000
编号4:00100110 010101100 110110101 101011111 011100100 111110000
编号5:101011100 10111101 011101010 10001001 011110111 000011110
编号1:101010101 0011110 010000110 001010100 010100100 010000100
编号2:001011101 00010111 11000011 001110110 000000110 010101010
下面对生成的新一代种群的适应度进行计算。以下1-6编号对应原来的编号4,编号2,编号4,编号5,编号1,编号2
表13新一代种群适应度计算结果
从表13中可以看出,群体经过一代进化之后,其适应度的最小值、平均值都得到了明显的改进,经过种群的N代数进化,可求出较小的干扰系数∑值,通过个体编码得到最佳PCI。
第二方面,本公开的又一实施例提供了一种物理小区标识的规划装置,如图3所示,包括:
初始种群生成单元201,用于随机为各栅格中的各小区分配物理小区标识,并将分配结果作为初始种群;
重叠关系矩阵获取单元202,用于按照所述分配结果,获取栅格中各服务小区与各干扰小区的重叠关系系数矩阵;其中,所述服务小区为最强信号与最弱信号之差小于预设阈值的小区,所述干扰小区为平均信号强度与所述服务小区的平均信号强度之差小于预设阈值的小区,所述重叠关系系数矩阵用于描述各服务小区以及各干扰小区在每个栅格内的重叠覆盖情况;
PCI矩阵获取单元203,用于获取各服务小区与各干扰小区的PCI矩阵,所述PCI矩阵用于描述每个服务小区与每个干扰小区之间的干扰情况;
干扰矩阵获取单元204,用于根据所述重叠关系系数矩阵以及所述PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,所述干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况;
迭代单元205,用于将所述干扰矩阵的元素之和作为个体适应度,利用遗传算法对所述初始种群不断迭代生成使得所述个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
在具体实施时,所述重叠关系矩阵获取单元202,进一步用于:
获取包含第一干扰小区的栅格数Mb,所述第一干扰小区为与服务小区的平均信号强度之差小于第一预设阈值的小区;
获取栅格数Mb中包含平均信号强度差值小于第一预设值的第一干扰小区的栅格数Mb1;
获取栅格数Mb中包含平均信号强度差值大于第一预设值且小于第二预设值的第一干扰小区的栅格数Mb2;
获取栅格数Mb中包含平均信号强度差值大于第二预设值且小于第一预设阈值的第一干扰小区的栅格数Mb3;
则第一干扰小区对服务小区的重叠关系系数为Mb1、Mb2以及Mb3乘以对应的权重之和;
根据各干扰小区对各服务小区的重叠关系系数获得重叠关系系数矩阵。
在具体实施时,所述PCI矩阵中的系数为1时,用于表示对应的干扰小区与服务小区产生了MOD3干扰;为0时用于表示对应的干扰小区与服务小区未产生MOD3干扰。
在具体实施时,所述干扰矩阵获取单元204,进一步用于:
将所述重叠关系系数矩阵与所述PCI矩阵的各个元素对应相乘得到各服务小区与各干扰小区之间的干扰矩阵。
在具体实施时,其特征在于,所述初始种群为多组;
相应的,所述迭代单元205,进一步用于执行如下步骤:
步骤一、将初始种群每组中的每个个体利用9位无符号二进制整数来表示;
步骤二、获取每组的干扰矩阵的元素之和,并根据所述干扰矩阵的元素之和的大小确定该组种群遗传下一代的概率;
步骤三、根据所述遗传下一代的概率,利用轮盘赌算法生成下一代种群;
步骤四、将所述下一代种群中的多组种群随机配对,按随机设置的交叉点位置相互交换配对染色体之间的部分基因;
步骤五、按随机设置的变异位置,对交叉后的染色体的待变异位置处的基因值取反,生成使得所述个体适应度不断减小的新的种群;
步骤六、不断迭代重复上述步骤一至步骤五,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
由于本实施例所介绍的物理小区标识的规划装置为可以执行本公开实施例中的物理小区标识的规划方法的装置,故而基于本公开实施例中所介绍的物理小区标识的规划的方法,本领域所属技术人员能够了解本实施例的物理小区标识的规划装置的具体实施方式以及其各种变化形式,所以在此对于该物理小区标识的规划装置如何实现本公开实施例中的物理小区标识的规划方法不再详细介绍。只要本领域所属技术人员实施本公开实施例中物理小区标识的规划方法所采用的装置,都属于本申请所欲保护的范围。
此外,图4示出本公开实施例提供的电子设备的结构框图。
参照图4,该电子设备,包括:处理器(processor)301、存储器(memory)302、总线303;
其中,所述处理器301以及存储器302通过所述总线303完成相互间的通信;
所述处理器301用于调用所述存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:随机为各栅格中的各小区分配物理小区标识,并将分配结果作为初始种群;按照分配结果,获取栅格中各服务小区与各干扰小区的重叠关系系数矩阵;其中,服务小区为最强信号与最弱信号之差小于预设阈值的小区,干扰小区为平均信号强度与服务小区的平均信号强度之差小于预设阈值的小区,重叠关系系数矩阵用于描述各服务小区以及各干扰小区在每个栅格内的重叠覆盖情况;获取各服务小区与各干扰小区的PCI矩阵,PCI矩阵用于描述每个服务小区与每个干扰小区之间的干扰情况;根据重叠关系系数矩阵以及PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况;将干扰矩阵的元素之和作为个体适应度,利用遗传算法对初始种群不断迭代生成使得个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
本公开实施例还公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:随机为各栅格中的各小区分配物理小区标识,并将分配结果作为初始种群;按照分配结果,获取栅格中各服务小区与各干扰小区的重叠关系系数矩阵;其中,服务小区为最强信号与最弱信号之差小于预设阈值的小区,干扰小区为平均信号强度与服务小区的平均信号强度之差小于预设阈值的小区,重叠关系系数矩阵用于描述各服务小区以及各干扰小区在每个栅格内的重叠覆盖情况;获取各服务小区与各干扰小区的PCI矩阵,PCI矩阵用于描述每个服务小区与每个干扰小区之间的干扰情况;根据重叠关系系数矩阵以及PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况;将干扰矩阵的元素之和作为个体适应度,利用遗传算法对初始种群不断迭代生成使得个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
本公开实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:随机为各栅格中的各小区分配物理小区标识,并将分配结果作为初始种群;按照分配结果,获取栅格中各服务小区与各干扰小区的重叠关系系数矩阵;其中,服务小区为最强信号与最弱信号之差小于预设阈值的小区,干扰小区为平均信号强度与服务小区的平均信号强度之差小于预设阈值的小区,重叠关系系数矩阵用于描述各服务小区以及各干扰小区在每个栅格内的重叠覆盖情况;获取各服务小区与各干扰小区的PCI矩阵,PCI矩阵用于描述每个服务小区与每个干扰小区之间的干扰情况;根据重叠关系系数矩阵以及PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况;将干扰矩阵的元素之和作为个体适应度,利用遗传算法对初始种群不断迭代生成使得个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的某些部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种物理小区标识的规划方法,其特征在于,包括:
随机为各栅格中的各小区分配物理小区标识,并将分配结果作为初始种群;
按照所述分配结果,获取各栅格中各服务小区与各干扰小区的重叠关系系数矩阵;其中,所述服务小区为最强信号与最弱信号之差小于预设阈值的小区,所述干扰小区为平均信号强度与所述服务小区的平均信号强度之差小于预设阈值的小区,所述重叠关系系数矩阵用于描述各服务小区以及各干扰小区在每个栅格内的重叠覆盖情况;
获取各服务小区与各干扰小区的PCI矩阵,所述PCI矩阵用于描述每个服务小区与每个干扰小区之间的干扰情况;
根据所述重叠关系系数矩阵以及所述PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,所述干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况;
将所述干扰矩阵的元素之和作为个体适应度,利用遗传算法对所述初始种群不断迭代生成使得所述个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
2.根据权利要求1所述的方法,其特征在于,所述获取栅格中各服务小区与各干扰小区的重叠关系系数矩阵,包括:
获取包含第一干扰小区的栅格数Mb,所述第一干扰小区为与服务小区的平均信号强度之差小于第一预设阈值的小区;
获取栅格数Mb中包含平均信号强度差值小于第一预设值的第一干扰小区的栅格数Mb1;
获取栅格数Mb中包含平均信号强度差值大于第一预设值且小于第二预设值的第一干扰小区的栅格数Mb2;
获取栅格数Mb中包含平均信号强度差值大于第二预设值且小于第一预设阈值的第一干扰小区的栅格数Mb3;
则第一干扰小区对服务小区的重叠关系系数为Mb1、Mb2以及Mb3乘以对应的权重之和;
根据各干扰小区对各服务小区的重叠关系系数获得重叠关系系数矩阵。
3.根据权利要求1所述的方法,其特征在于,所述PCI矩阵中的系数为1时,用于表示对应的干扰小区与服务小区产生了MOD3干扰;为0时用于表示对应的干扰小区与服务小区未产生MOD3干扰。
4.根据权利要求1所述的方法,其特征在于,所述根据所述重叠关系系数矩阵以及所述PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,包括:
将所述重叠关系系数矩阵与所述PCI矩阵的各个元素对应相乘得到各服务小区与各干扰小区之间的干扰矩阵。
5.根据权利要求1所述的方法,其特征在于,所述初始种群为多组;
相应的,所述将所述干扰矩阵的元素之和作为个体适应度,利用遗传算法对所述初始种群不断迭代生成使得所述个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果,包括:
步骤一、将初始种群每组中的每个个体利用9位无符号二进制整数来表示;
步骤二、获取每组的干扰矩阵的元素之和,并根据所述干扰矩阵的元素之和的大小确定该组种群遗传下一代的概率;
步骤三、根据所述遗传下一代的概率,利用轮盘赌算法生成下一代种群;
步骤四、将所述下一代种群中的多组种群随机配对,按随机设置的交叉点位置相互交换配对染色体之间的部分基因;
步骤五、按随机设置的变异位置,对交叉后的染色体的待变异位置处的基因值取反,生成使得所述个体适应度不断减小的新的种群;
步骤六、不断迭代重复上述步骤一至步骤五,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
6.一种物理小区标识的规划装置,其特征在于,包括:
初始种群生成单元,用于随机为各栅格中的各小区分配物理小区标识,并将分配结果作为初始种群;
重叠关系矩阵获取单元,用于按照所述分配结果,获取各栅格中各服务小区与各干扰小区的重叠关系系数矩阵;其中,所述服务小区为最强信号与最弱信号之差小于预设阈值的小区,所述干扰小区为平均信号强度与所述服务小区的平均信号强度之差小于预设阈值的小区,所述重叠关系系数矩阵用于描述各服务小区以及各干扰小区在每个栅格内的重叠覆盖情况;
PCI矩阵获取单元,用于获取各服务小区与各干扰小区的PCI矩阵,所述PCI矩阵用于描述每个服务小区与每个干扰小区之间的干扰情况;
干扰矩阵获取单元,用于根据所述重叠关系系数矩阵以及所述PCI矩阵获得各服务小区与各干扰小区之间的干扰矩阵,所述干扰矩阵用于描述服务小区与干扰小区在栅格内重叠覆盖的情况下相互之间的干扰情况;
迭代单元,用于将所述干扰矩阵的元素之和作为个体适应度,利用遗传算法对所述初始种群不断迭代生成使得所述个体适应度不断减小的新的种群,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
7.根据权利要求6所述的装置,其特征在于,所述重叠关系矩阵获取单元,进一步用于:
获取包含第一干扰小区的栅格数Mb,所述第一干扰小区为与服务小区的平均信号强度之差小于第一预设阈值的小区;
获取栅格数Mb中包含平均信号强度差值小于第一预设值的第一干扰小区的栅格数Mb1;
获取栅格数Mb中包含平均信号强度差值大于第一预设值且小于第二预设值的第一干扰小区的栅格数Mb2;
获取栅格数Mb中包含平均信号强度差值大于第二预设值且小于第一预设阈值的第一干扰小区的栅格数Mb3;
则第一干扰小区对服务小区的重叠关系系数为Mb1、Mb2以及Mb3乘以对应的权重之和;
根据各干扰小区对各服务小区的重叠关系系数获得重叠关系系数矩阵。
8.根据权利要求6所述的装置,其特征在于,所述PCI矩阵中的系数为1时,用于表示对应的干扰小区与服务小区产生了MOD3干扰;为0时用于表示对应的干扰小区与服务小区未产生MOD3干扰。
9.根据权利要求6所述的装置,其特征在于,所述干扰矩阵获取单元,进一步用于:
将所述重叠关系系数矩阵与所述PCI矩阵的各个元素对应相乘得到各服务小区与各干扰小区之间的干扰矩阵。
10.根据权利要求6所述的装置,其特征在于,所述初始种群为多组;
相应的,所述迭代单元,进一步用于执行如下步骤:
步骤一、将初始种群每组中的每个个体利用9位无符号二进制整数来表示;
步骤二、获取每组的干扰矩阵的元素之和,并根据所述干扰矩阵的元素之和的大小确定该组种群遗传下一代的概率;
步骤三、根据所述遗传下一代的概率,利用轮盘赌算法生成下一代种群;
步骤四、将所述下一代种群中的多组种群随机配对,按随机设置的交叉点位置相互交换配对染色体之间的部分基因;
步骤五、按随机设置的变异位置,对交叉后的染色体的待变异位置处的基因值取反,生成使得所述个体适应度不断减小的新的种群;
步骤六、不断迭代重复上述步骤一至步骤五,直至迭代次数达到预设值,将最后生成的种群作为最终的物理小区标识规划结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710312621.7A CN108810880B (zh) | 2017-05-05 | 2017-05-05 | 物理小区标识的规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710312621.7A CN108810880B (zh) | 2017-05-05 | 2017-05-05 | 物理小区标识的规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108810880A true CN108810880A (zh) | 2018-11-13 |
CN108810880B CN108810880B (zh) | 2020-07-10 |
Family
ID=64053761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710312621.7A Active CN108810880B (zh) | 2017-05-05 | 2017-05-05 | 物理小区标识的规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108810880B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109996266A (zh) * | 2019-04-10 | 2019-07-09 | 北京邮电大学 | 物理小区标识的优化配置方法及设备 |
CN113973311A (zh) * | 2020-07-22 | 2022-01-25 | 大唐移动通信设备有限公司 | 一种pci规划方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104168577A (zh) * | 2014-08-06 | 2014-11-26 | 武汉虹翼信息有限公司 | 一种全网lte小区pci的规划方法及装置 |
EP2860995A1 (en) * | 2013-10-11 | 2015-04-15 | HTC Corporation | Method of extending transmission coverage and base station using the same and user equipment using the same |
CN104602248A (zh) * | 2013-11-01 | 2015-05-06 | 中国移动通信集团设计院有限公司 | 一种评估物理小区标识的方法和网络 |
CN105516992A (zh) * | 2015-12-14 | 2016-04-20 | 广东省电信工程有限公司 | 一种lte网络的pci规划方法 |
CN105530649A (zh) * | 2014-09-29 | 2016-04-27 | 中国移动通信集团广东有限公司 | 一种lte预规划方法及装置 |
-
2017
- 2017-05-05 CN CN201710312621.7A patent/CN108810880B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2860995A1 (en) * | 2013-10-11 | 2015-04-15 | HTC Corporation | Method of extending transmission coverage and base station using the same and user equipment using the same |
CN104602248A (zh) * | 2013-11-01 | 2015-05-06 | 中国移动通信集团设计院有限公司 | 一种评估物理小区标识的方法和网络 |
CN104168577A (zh) * | 2014-08-06 | 2014-11-26 | 武汉虹翼信息有限公司 | 一种全网lte小区pci的规划方法及装置 |
CN105530649A (zh) * | 2014-09-29 | 2016-04-27 | 中国移动通信集团广东有限公司 | 一种lte预规划方法及装置 |
CN105516992A (zh) * | 2015-12-14 | 2016-04-20 | 广东省电信工程有限公司 | 一种lte网络的pci规划方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109996266A (zh) * | 2019-04-10 | 2019-07-09 | 北京邮电大学 | 物理小区标识的优化配置方法及设备 |
CN109996266B (zh) * | 2019-04-10 | 2020-10-09 | 北京邮电大学 | 物理小区标识的优化配置方法及设备 |
CN113973311A (zh) * | 2020-07-22 | 2022-01-25 | 大唐移动通信设备有限公司 | 一种pci规划方法及装置 |
CN113973311B (zh) * | 2020-07-22 | 2023-04-18 | 大唐移动通信设备有限公司 | 一种pci规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108810880B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104936186B (zh) | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 | |
CN106717082A (zh) | 减轻信号噪声的基于指纹的室内定位 | |
US9526012B2 (en) | Efficient evaluation of hotspots for metrocell deployment | |
CN112099522B (zh) | 多无人机协同对地攻击任务规划方法及终端设备 | |
CN108124267A (zh) | 基站自动规划方法及装置 | |
CN103347261A (zh) | 基于cdma网络数据确定lte网络部署的组网方法和装置 | |
JP2017225118A (ja) | 無線ネットワークの配備方法及び装置 | |
CN108810880A (zh) | 物理小区标识的规划方法及装置 | |
CN107205237B (zh) | 一种网络结构的优化方法和装置 | |
CN105744548B (zh) | Pci优化方法及装置 | |
CN104951442B (zh) | 一种确定结果向量的方法和装置 | |
CN112950243A (zh) | 一种5g站址规划方法、装置、电子设备及存储介质 | |
Barakou et al. | Fractal geometry for distribution grid topologies | |
CN107872805B (zh) | 参数获取方法及装置、网络侧设备 | |
KR20160098407A (ko) | 데이터 송신 방법 및 장치 | |
CN101203021B (zh) | 宽带无线通信系统中IDcell分配的装置和方法 | |
CN105992369B (zh) | 一种频率优化方法及装置 | |
CN104301898B (zh) | 一种资源分配方法及系统 | |
CN108235244A (zh) | 一种在网络规划仿真中自动布置基站的方法及装置 | |
JP5456638B2 (ja) | 無線通信方法および無線通信システム | |
WO2019128183A1 (zh) | 大规模天线系统中多用户调度和资源分配处理方法及系统 | |
CN109819448A (zh) | 将频带模式和信道分配给无线节点 | |
CN103858506B (zh) | 资源分配方法及装置 | |
CN110839292B (zh) | 基于波束分配的干扰协调方法、介质、设备及装置 | |
Oda et al. | Mesh router node placement in wireless mesh networks considering different initial router placement methods |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |