CN109460852A - 一种基站选址方法及系统、计算机设备及可读存储介质 - Google Patents

一种基站选址方法及系统、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN109460852A
CN109460852A CN201811139137.XA CN201811139137A CN109460852A CN 109460852 A CN109460852 A CN 109460852A CN 201811139137 A CN201811139137 A CN 201811139137A CN 109460852 A CN109460852 A CN 109460852A
Authority
CN
China
Prior art keywords
base station
population
coverage rate
fitness function
item
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
Application number
CN201811139137.XA
Other languages
English (en)
Other versions
CN109460852B (zh
Inventor
吴赞红
李伟坚
付佳佳
李星南
亢中苗
袁志坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201811139137.XA priority Critical patent/CN109460852B/zh
Publication of CN109460852A publication Critical patent/CN109460852A/zh
Application granted granted Critical
Publication of CN109460852B publication Critical patent/CN109460852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种基站选址方法及系统、计算机设备及可读存储介质，该方法，包括：A1：对基站选址情况进行编码，得到初代种群，并将所述初代种群作为当前父代种群；A2：利用第一适应度函数，对当前父代种群进行选择、交叉、变异，形成当前子代种群；其中，所述第一适应度函数包括：高优先级用户覆盖率项、低优先级用户覆盖率项、建设成本项；A3：将当前子代种群中满足所述高优先级用户覆盖率项的子代个体存入待定解集中；A4：判断当前的交叉变异次数是否达到预设次数，如果是，则根据第二适应度函数，在所述待定解集中选择最优个体；如果否，则根据所述第一适应度函数，在当前子代种群中选择预设个数形成新的当前父代种群，并重新进入步骤A2。

Description

一种基站选址方法及系统、计算机设备及可读存储介质
技术领域
本发明涉及移动通信技术领域，特别涉及一种基站选址方法及系统、计算机设备及可读存储介质。
背景技术
电力无线专网组网优化的方向是使用较少的基站实现较大的覆盖，即从组网基站的数量和部署位置着手实现低成本、广覆盖的目标。其基站只能够架设于现有配电房等电网固有设施上，因此基站的选址受到一定的约束。不仅如此，还需要根据不同的用电标准划分用户的优先级，不同优先级用户的覆盖要求不同，高优先级的用户保证全覆盖，而低优先级的用户保证一定的覆盖率。目前有大量针对无线网络的基站选址算法，其中包括：基于遗传算法的选址优化方案，基于人工鱼群算法的选址优化方案和基于粒子群算法的选址优化方案等等。
遗传算法、人工鱼算法和粒子群算法，均可以实现无线基站的选址优化问题。但是，除了各个算法所具有的局限性以外，他们都有一个共同的缺陷，不能直接针对有优先级用户群的无线基站选址进行优化。
遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。
遗传算法的基本运算过程如下：
1)初始化：设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。
2)个体评价：计算群体P(t)中各个个体的适应度。
3)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
4)交叉运算：将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉算子。
5)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
6)终止条件判断：若t＝T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各个主要执行步骤。
例：求下述二元函数的最大值：
s.t.x1∈{1,2,3,4,5,6,7},x2∈{1,2,3,4,5,6,7}
1)个体编码
遗传算法的运算对象是表示个体的符号串，所以必须把变量x1,x2编码为一种符号串。本题中用无符号二进制整数来表示。因x1,x2为0～7之间的整数，所以分别用3位无符号二进制整数来表示，将它们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可行解。例如，基因型X＝101110所对应的表现型是：x＝[5，6]。个体的表现型x和基因型X之间可通过编码和解码程序相互转换。
2)初始群体的产生
遗传算法是对群体进行的进化操作，需要给其准备一些表示起始搜索点的初始群体数据。本例中，群体规模的大小取为4，即群体由4个个体组成，每个个体可通过随机方法产生。如：011101，101011，011100，111001。
3)适应度汁算
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。本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接利用目标函数值作为个体的适应度。
4)选择运算
选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。其具体操作过程是：
·先计算出群体中所有个体的适应度的总和Σfi(i＝1.2,…,M)；
·其次计算出每个个体的相对适应度的大小fi/Σfi，它即为每个个体被遗传到下一代群体中的概率；
·每个概率值组成一个区域，全部概率值之和为1；
·最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数。
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。
可以看出，其中新产生的个体“111101”、“1110l1”的适应度较原来两个个体的适应度都要高。
6)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，下表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；
●然后依照某一概率将变异点的原有基因值取反。
对群体P(t)进行一轮选择、交叉、变异运算之后可得到新一代的群体p(t+1)。
从上表中可以看出，群体经过一代进化之后，其适应度的最大值、平均值都得到了明显的改进。事实上，这里已经找到了最佳个体“111111”。
[注意]
需要说明的是，表中有些栏的数据是随机产生的。这里为了更好地说明问题，我们特意选择了一些较好的数值以便能够得到较好的结果，而在实际运算过程中有可能需要一定的循环次数才能达到这个最优结果。
基于传统的遗传算法对基站布局进行规划，存在以下几点问题。
第一，该算法没有考虑覆盖用户的优先级问题，不能根据用户需求合理规划基站位置，导致资源分配不合理。例如，在某一区域内存在使用特殊业务的高优先级用户群和使用一般业务的低优先级用户群，如果采用上述算法建设基站，可能导致高优先级用户的通信质量不能满足其业务要求而出现问题，而对某些低优先级用户却提供了过高的通信质量，造成通信资源分配不均，不能满足用户需求。所以在优化基站位置时需要优先考虑高优先级用户，使基站建设的位置极可能满足高优先级用户的需求，同时兼顾低优先级用户的覆盖情况，才能使基站的建站位置最优，而以上算法并没有满足这些需求。
第二，该算法只能找到近似最优解，不保证能满足一定的硬性要求。例如，电力无线专网中要求高优先级用户的覆盖率必须达到100％。但是该算法只是尽量提高用户的覆盖率，最终输出的结果很可能是不能达到100％这一要求的。
第三，该算法将每个基站编码为一个坐标，这样使得基站选取位置是任意的。而在电力无线专网等实际应用中，基站位置是在特定点集中选取的。故而该算法不能适应于这类的实际应用中。另外，每个基站由一个二维坐标(x,y)表示使得算法的复杂度较高。
因此，如何提供一种基站选址方案，能够在保证高优先级用户覆盖率的情况下，尽量提高对低优先级的覆盖，提高工作效率，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种基站选址方案，能够在保证高优先级用户覆盖率的情况下，尽量提高对低优先级的覆盖，提高工作效率。其具体方案如下：
第一方面，本发明提供一种基站选址方法，包括：
A1：对基站选址情况进行编码，得到初代种群，并将所述初代种群作为当前父代种群；
A2：利用第一适应度函数，对当前父代种群进行选择、交叉、变异，形成当前子代种群；其中，所述第一适应度函数包括：高优先级用户覆盖率项、低优先级用户覆盖率项、建设成本项；
A3：将当前子代种群中满足所述高优先级用户覆盖率项的子代个体存入待定解集中；
A4：判断当前的交叉变异次数是否达到预设次数，如果是，则根据第二适应度函数，在所述待定解集中选择最优个体，其中，所述第二适应度函数包括：低优先级用户覆盖率项、建设成本项；如果否，则根据所述第一适应度函数，在当前子代种群中选择预设个数形成新的当前父代种群，并重新进入步骤A2。
优选地，
所述第一适应度函数为：f1＝α1A+α2B+α3C；其中，A为高优先级用户覆盖率项，B为低优先级用户覆盖率项，C为建设成本项；α1+α2+α3＝1，α1、α2、α3为预设权重值。
优选地，
所述第一适应度函数为：其中，A为高优先级用户覆盖率项，B为低优先级用户覆盖率项，建设成本项α1＝0.5、α2＝0.1、α3＝0.4为预设权重值，k为建设基站的个数，N为可供选择建设基站的选址个数。
优选地，
所述第一适应度函数为：f2＝α4B+α5C，其中，B为低优先级用户覆盖率项，C为建设成本项，α4+α5＝1，α4、α5为预设权重值。
优选地，
所述α5大于所述α4。
优选地，
所述对基站选址情况进行编码，包括：
设置与可供选择基站建设点对应的位数的二进制数；其中，所述二进制数的数位表示可供选择基站建设点的编号；
设置0表示不在该位置建设基站，1表示在该位置建设基站。
第二方面，本发明提供一种基站选址系统，包括：
初代种群编码模块，用于对基站选址情况进行编码，得到初代种群，并将所述初代种群作为当前父代种群；
交叉变异模块，用于利用第一适应度函数，对当前父代种群进行选择、交叉、变异，形成当前子代种群；其中，所述第一适应度函数包括：高优先级用户覆盖率项、低优先级用户覆盖率项、建设成本项；
待定解集选择模块，用于将当前子代种群中满足所述高优先级用户覆盖率项的子代个体存入待定解集中；
交叉变异循环模块，用于判断当前的交叉变异次数是否达到预设次数，如果是，则根据第二适应度函数，在所述待定解集中选择最优个体，其中，所述第二适应度函数包括：低优先级用户覆盖率项、建设成本项；如果否，则根据所述第一适应度函数，在当前子代种群中选择预设个数形成新的当前父代种群，并重新利用所述交叉变异模块、所述待定解集选择模块、所述交叉变异循环模块进行选址流程。
优选地，
所述初代种群编码模块，包括：
二进制数设置单元，用于设置与可供选择基站建设点对应的位数的二进制数；其中，所述二进制数的数位表示可供选择基站建设点的编号；
0/1表示单元，用于设置0表示不在该位置建设基站，1表示在该位置建设基站。
第三方面，本发明提供一种基站选址计算机设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述第一方面所述基站选址方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述基站选址方法的步骤。
本发明提供一种基站选址方法，包括：A1：对基站选址情况进行编码，得到初代种群，并将所述初代种群作为当前父代种群；A2：利用第一适应度函数，对当前父代种群进行选择、交叉、变异，形成当前子代种群；其中，所述第一适应度函数包括：高优先级用户覆盖率项、低优先级用户覆盖率项、建设成本项；A3：将当前子代种群中满足所述高优先级用户覆盖率项的子代个体存入待定解集中；A4：判断当前的交叉变异次数是否达到预设次数，如果是，则根据第二适应度函数，在所述待定解集中选择最优个体，其中，所述第二适应度函数包括：低优先级用户覆盖率项、建设成本项；如果否，则根据所述第一适应度函数，在当前子代种群中选择预设个数形成新的当前父代种群，并重新进入步骤A2。本发明应用遗传算法，通过第一适应度函数挑选符合高优先级用户覆盖率的基站选址集合，并利用第二适应度函数在基站选址集合中选择低优先级用户的基站选址最优个体，从而在保证高优先级用户覆盖率的情况下，尽量提高对低优先级的覆盖，提高选址工作效率。
本发明提供的一种基站选址系统、计算机设备及可读存储介质，应用上述的基站选址方法，也具有上述的有益效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明一种具体实施方式所提供的一种基站选址方法的流程图；
图2为现有技术中一种基于遗传算法的基站选址方法的流程图；
图3为本发明的一种具体实施方式所提供的具有多适应度、区分用户优先级的遗传算法模型的示意图；
图4为本发明一种具体实施方式所提供的基站选址场景的示意图；
图5为本发明一种具体实施方式所提供的基站选址结果的示意图；
图6为本发明一种具体实施方式所提供的一种基站选址系统的组成示意图；
图7为本发明又一种具体实施方式所提供的计算机设备的结构示意图。
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参考图1，图1为本发明一种具体实施方式所提供的一种基站选址方法的流程图。
在本发明的一种具体实施方式中，本发明实施例提供一种基站选址方法，包括：
A1：对基站选址情况进行编码，得到初代种群，并将所述初代种群作为当前父代种群；
在本发明的一种具体实施方式中，本发明实施例首先需要对基站选址情况进行编码，例如，在一种具体实施方式中一共有4个可供选择建设基站的选址个数，那么可以将编码设置为4位数，这个4位数的第一位到第四位分别依次代表一个可供选择建设基站的地址，每一个数位的数字由0或1来表示，0代表该处不建设基站，1代表该处建设基站。例如，对于编码1001来说，第一处、第四处可供选择建设基站的选址建设基站，第二处、第三处可供选择建设基站的选址不建设基站。
也就是说初代种群中的每个个体为一个N位(N为可供选择建设基站的选址个数)的二进制数，该二进制数的数位取1表示该位置代表的备选电力设施被选为基站建设地点，取0则表示该位置代表的备选电力设施不建设基站。例如：N＝6时，个体100100表示选择第一个和第四个备选地点建设基站，其余位置并不建设基站。在每个备选地点以概率被选择建立基础的规则生成初代种群，可以设定初代种群的个数，随机产生个体，Z表示电力无线专网所需覆盖地区的总面积，R表示每个基站的覆盖半径，用户分为高优先级与低优先级，高优先级用户的覆盖率必须达到100％。A、B分别表示高优先级用户与低优先级用户的覆盖率。
A2：利用第一适应度函数，对当前父代种群进行选择、交叉、变异，形成当前子代种群；其中，所述第一适应度函数包括：高优先级用户覆盖率项、低优先级用户覆盖率项、建设成本项；
设定第一适应度函数，例如可以将第一适应度函数设置为：f1＝α1A+α2B+α3C；其中，A为高优先级用户覆盖率项，B为低优先级用户覆盖率项，C为建设成本项；α1+α2+α3＝1，α1、α2、α3为预设权重值。在一种具体实施例中，第一适应度函数具体为：其中，A为高优先级用户覆盖率项，B为低优先级用户覆盖率项，建设成本项α1＝0.5、α2＝0.1、α3＝0.4为预设权重值，k为建设基站的个数，N为可供选择建设基站的选址个数。也就是说，建设基站的个数k越多，第一适应度函数越小。
计算初代种群的适应度这里考虑到假设的需求为高优先级用户必须100％覆盖，而对低优先级用户没有要求，赋予高优先级用户覆盖率和建设成本较大的权重。用户可根据不同的需求自行调整。用适应度对种群进行选择、交叉、变异生成新一代种群。
A3：将当前子代种群中满足所述高优先级用户覆盖率项的子代个体存入待定解集中；
利用第一适应度函数，将新种群中高优先级用户覆盖率达到100％的个体存到表示待定解集的种群中。也就是说只有进入到待定解集中的个体才有可能成为最终的最优解，从而保证了高优先级用户覆盖率能够达到100％。
A4：判断当前的交叉变异次数是否达到预设次数，如果是，则根据第二适应度函数，在所述待定解集中选择最优个体，其中，所述第二适应度函数包括：低优先级用户覆盖率项、建设成本项；如果否，则根据所述第一适应度函数，在当前子代种群中选择预设个数形成新的当前父代种群，并重新进入步骤A2。
在对父代种群进行预设次数次的交叉变异后，在待定解集中存在足够多的满足高优先级用户覆盖率的个体，可以供下一步进行选择，如果没有完成交叉变异的预设次数，则在当前的子代种群中根据第一适应度函数为标准，选择预设个数个个体形成新的当前父代种群，并重新进入步骤A2，对该新的当前父代种群进行新一轮的遗传变异，从而在其后代中选择个体到待定解集中。
进一步地，可以将所述第二适应度函数为：f2＝α4B+α5C，其中，B为低优先级用户覆盖率项，C为建设成本项，α4+α5＝1，α4、α5为预设权重值。所述α5大于所述α4。例如，在一种具体实施方式中，可以取α5＝0.8，α4＝0.2，这里同样考虑到假设对低优先级用户的覆盖率没有要求，赋予建设成本较大的权重。用户可根据不同的需求自行调整。最终可以选择适应度最大的个体作为近似最优解输出。
请参考图2，图2为现有技术中一种基于遗传算法的基站选址方法的流程图。
一种现有的解决基站规划问题的方案为采用传统的遗传算法对一定区域范围内的基站布局进行优化。该算法对基站的位置进行优化时，同时考虑了基站覆盖范围和经济效应两个因素。该算法的最终结果为需找一组基站的位置，使得基站的覆盖范围和经济效益达到最优。具体的算法实现和方案流程分析如下：
采用遗传算法对基站的位置进行规划和优化，必须要考虑如何编码的问题。该算法要求每一个个体(一串编码)必须能够表示一个可行解，其应包含基站的数目和基站的位置信息；而每一个个体由很多染色体组成，在该算法中，每一条染色体即代表一个基站。而对于该染色体的编码，该算法采用基站的坐标进行编码；而对于基站的数目的问题，该算法通过设定基站坐标为空来解决。
适应性函数的选取。该算法同时考虑业务覆盖范围和经济效应而定义的适应性函数值为式(1)：
maxf(g)＝ωifi(g)+ωefe(g) 式(1)
式(1)中fi和fe分别是对于业务覆盖范围和经济效益的目标函数，定义为式(2):
式(2)中ωi和ωe是人为定义的针对两个目标的权值，且有：ωi+ωe＝1；
covered traffic表示覆盖范围，totaloffered traffic表示总范围。
该算法具体流程如下：
步骤一：定义解的表示形式。该算法将每个解(个体)表示为一组向量g，向量的每个元素表示基站的位置，当向量中某个元素为空时，表示没有该基站，使用常量K表示优化中可选用的基站的最大数目为K个。因此，算法在实际布置中使用函数n(g)表示个体g所对应的基站布置的实际布置数目，显然，n(g)小于等于常量K。同时设定每一代的个体数目为M。其中，基站位置的选取是在一定的范围进行，该范围有一最大值和最小值限定。
步骤二：对初始化群体的设定。该算法对于某一代的M个个体，使用变量Cij来表示第i个个体中第j个基站的坐标，其中i的取值范围为1到M的正整数，j的取值范围是1到K的正整数。则第一代的所有M个个体可以用集合G1来表示。初始化第一代M个个体按照如下方式设定：人为设定第一个个体g1的K个基站的坐标值。则剩下的M-1个个体的生成方式根据算法循环生成。
步骤三：选择算子，交叉算子和变异算子的设定。该算法的选择算子，采用轮盘赌的方式。设置适应性函数值为f，则第i个个体会以概率pi被选中进行交叉，其中概率pi定义为式(3)：
该算法的交叉算子定义为：在选择了父代的2个个体后，交配产生1个子代个体。按位对对应的染色体进行交叉，交叉规则如下：如果父代某一方没有染色体，则子代的染色体继承另一方的值；否则子代以式(4.1)和式(4.2)的方式对父代染色体进行交叉获取新的染色体。式(4.1)和式(4.2)定义如下：
其中，N表示产生子代的染色体数目；σc是人为设定的与交叉相关的常数。该算法变异算子定义为：针对产生的子代，其K条染色体均逐次以某一概率进行变异操作，变异规则和初始化设定相类似。
步骤四：算法终止条件确定。该算法设定以迭代代数N为终止条件，当算法的遗传代数超过N时就退出算法。
现有技术中的选址方法是根据传统的遗产算法，没有考虑到实际在选址中的高优先级用户，低优先级用户的不同需求，而本发明实施例则根据实际的需求，进行分类区分，设定不同的适应度函数，进行分步骤的选择，比现有技术更具有实用性。
当然本发明实施例也存在借鉴现有技术中遗产算法的地方，例如，选择、交叉、变异部分，可以借鉴现有技术的中方法进行设定，在本发明实施例中并没有进行赘述。
请参考图3，图3为本发明的一种具体实施方式所提供的具有多适应度、区分用户优先级的遗传算法模型的示意图。
在本发明的一种具体实施方式中，在改进后的算法中，适应度用以对模拟自然进化过程中的每一代种群的个体进行选择，适应度用以对表示特定解集的种群进行选择并最终获得最佳解。图中的硬性需求可根据实际需求的变更做出相应调整，如电力无线专网中高优先级用户覆盖率达到100％，且低优先级用户覆盖率达到70％。
下面结合该方案的实施过程对本发明作进一步的描述，但该实施过程不应理解为对本发明的限制。
在电力无线专网基站选址过程中，假设可供建立基站的电力设施个数为N，k表示实际选择建设基站的地点的个数，Z表示电力无线专网所需覆盖地区的总面积，R表示每个基站的覆盖半径，用户分为高优先级与低优先级，高优先级用户的覆盖率必须达到100％。A、B分别表示高优先级用户与低优先级用户的覆盖率。基于改进后的遗传算法的基站选址实现流程如下：
步骤1：编码，每个个体为一个N位(对应可供建立基站的电力设施个数)的二进制数，该二进制数第i位取1表示第i个备选电力设施被选为基站建设地点，取0则表示第i个备选电力设施不建设基站。例如：N＝6时，个体100100表示选择第一个和第四个备选地点建设基站。
步骤2：在每个备选地点以概率被选择建立基础的规则生成初代种群，并计算初代种群的适应度这里考虑到假设的需求为高优先级用户必须100％覆盖，而对低优先级用户没有要求，赋予高优先级用户覆盖率和建设成本较大的权重。用户可根据不同的需求自行调整。
步骤3：用适应度对种群进行选择、交叉、变异生成新一代种群。
步骤4：将新种群中高优先级用户覆盖率达到100％的个体存到表示待定解集的种群中。
步骤5：计算新一代种群的适应度f1。
步骤6：若迭代次数达到最大值则进行步骤7，否则回到步骤3。
步骤7：计算表示待定解集的种群的适应度这里同样考虑到假设对低优先级用户的覆盖率没有要求，赋予建设成本较大的权重。用户可根据不同的需求自行调整。最终我们选择适应度最大的个体作为近似最优解输出。
请参考图4、图5，图4为本发明一种具体实施方式所提供的基站选址场景的示意图；图5为本发明一种具体实施方式所提供的基站选址结果的示意图。
图4显示了一个基站选址场景，其中符号x表示备选的基站位置，正立三角形表示高优先级用户，倒立三角形表示低优先级用户。选址要求为必须保证高优先级用户100％覆盖。在该场景中，有20个备选基站地点，15个高优先级用户，20个低优先级用户。假设电力无线专网需要覆盖地区的大小为100km×100km，每个基站的覆盖半径为25km。
利用上述具体实施例中的选址方法，进行计算编程实现，可以得到图4的结果。图5显示了运行本发明提出的方案后的基站选址结果，其中带圆点编号x表示被选中的基站建设地点，对应的虚线圆圈(带原点编号x为圆心)表示对应建设的基站的覆盖范围。从图4可以看到，选择了20个备选基站地点中的4个，实现了对高优先级用户100％的覆盖率，同时，低优先级用户的覆盖率也达到了75％。
请参考图6，图6为本发明一种具体实施方式所提供的一种基站选址系统的组成示意图。
在本发明的一种具体实施方式中，本发明实施例提供一种基站选址系统600，包括：
初代种群编码模块610，用于对基站选址情况进行编码，得到初代种群，并将所述初代种群作为当前父代种群；
交叉变异模块620，用于利用第一适应度函数，对当前父代种群进行选择、交叉、变异，形成当前子代种群；其中，所述第一适应度函数包括：高优先级用户覆盖率项、低优先级用户覆盖率项、建设成本项；
待定解集选择模块630，用于将当前子代种群中满足所述高优先级用户覆盖率项的子代个体存入待定解集中；
交叉变异循环模块640，用于判断当前的交叉变异次数是否达到预设次数，如果是，则根据第二适应度函数，在所述待定解集中选择最优个体，其中，所述第二适应度函数包括：低优先级用户覆盖率项、建设成本项；如果否，则根据所述第一适应度函数，在当前子代种群中选择预设个数形成新的当前父代种群，并重新利用所述交叉变异模块、所述待定解集选择模块、所述交叉变异循环模块进行选址流程。
所述初代种群编码模块610，包括：
二进制数设置单元，用于设置与可供选择基站建设点对应的位数的二进制数；其中，所述二进制数的数位表示可供选择基站建设点的编号；
0/1表示单元，用于设置0表示不在该位置建设基站，1表示在该位置建设基站。
请参考图7，图7为本发明又一种具体实施方式所提供的计算机设备的结构示意图。
在本发明的又一种具体实施方式中，本发明实施例提供一种计算机设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任一种具体实施方式所述的基站选址方法的步骤。
下面参考图7，其示出了适于用来实现本申请实施例的计算机设备的结构示意图。图7示出的计算机设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括处理器(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有系统700操作所需的各种程序和数据。
CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口703也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口707。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。
在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
作为本发明的又一具体实施方式，本发明实施例提供一种计算机可读存储介质所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意具体实施方式中的基站选址方法的步骤。
该计算机可读介质可以是上述实施例中描述的计算机或终端设备中所包含的；也可以是单独存在，而未装配入该计算机设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该计算机设备执行时，使得该计算机设备：A1：对基站选址情况进行编码，得到初代种群，并将所述初代种群作为当前父代种群；A2：利用第一适应度函数，对当前父代种群进行选择、交叉、变异，形成当前子代种群；其中，所述第一适应度函数包括：高优先级用户覆盖率项、低优先级用户覆盖率项、建设成本项；A3：将当前子代种群中满足所述高优先级用户覆盖率项的子代个体存入待定解集中；A4：判断当前的交叉变异次数是否达到预设次数，如果是，则根据第二适应度函数，在所述待定解集中选择最优个体，其中，所述第二适应度函数包括：低优先级用户覆盖率项、建设成本项；如果否，则根据所述第一适应度函数，在当前子代种群中选择预设个数形成新的当前父代种群，并重新进入步骤A2。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种基站选址方法及系统、计算机设备及可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基站选址方法，其特征在于，包括：
A1：对基站选址情况进行编码，得到初代种群，并将所述初代种群作为当前父代种群；
A2：利用第一适应度函数，对当前父代种群进行选择、交叉、变异，形成当前子代种群；其中，所述第一适应度函数包括：高优先级用户覆盖率项、低优先级用户覆盖率项、建设成本项；
A3：将当前子代种群中满足所述高优先级用户覆盖率项的子代个体存入待定解集中；
A4：判断当前的交叉变异次数是否达到预设次数，如果是，则根据第二适应度函数，在所述待定解集中选择最优个体，其中，所述第二适应度函数包括：低优先级用户覆盖率项、建设成本项；如果否，则根据所述第一适应度函数，在当前子代种群中选择预设个数形成新的当前父代种群，并重新进入步骤A2。
2.根据权利要求1所述的基站选址方法，其特征在于，
所述第一适应度函数为：f1＝α1A+α2B+α3C；其中，A为高优先级用户覆盖率项，B为低优先级用户覆盖率项，C为建设成本项；α1+α2+α3＝1，α1、α2、α3为预设权重值。
3.根据权利要求2所述的基站选址方法，其特征在于，
所述第一适应度函数为：其中，A为高优先级用户覆盖率项，B为低优先级用户覆盖率项，建设成本项α1＝0.5、α2＝0.1、α3＝0.4为预设权重值，k为建设基站的个数，N为可供选择建设基站的选址个数。
4.根据权利要求1所述的基站选址方法，其特征在于，
所述第一适应度函数为：f2＝α4B+α5C，其中，B为低优先级用户覆盖率项，C为建设成本项，α4+α5＝1，α4、α5为预设权重值。
5.根据权利要求4所述的基站选址方法，其特征在于，
所述α5大于所述α4。
6.根据权利要求1至5任一项所述的基站选址方法，其特征在于，
所述对基站选址情况进行编码，包括：
设置与可供选择基站建设点对应的位数的二进制数；其中，所述二进制数的数位表示可供选择基站建设点的编号；
设置0表示不在该位置建设基站，1表示在该位置建设基站。
7.一种基站选址系统，其特征在于，包括：
初代种群编码模块，用于对基站选址情况进行编码，得到初代种群，并将所述初代种群作为当前父代种群；
交叉变异模块，用于利用第一适应度函数，对当前父代种群进行选择、交叉、变异，形成当前子代种群；其中，所述第一适应度函数包括：高优先级用户覆盖率项、低优先级用户覆盖率项、建设成本项；
待定解集选择模块，用于将当前子代种群中满足所述高优先级用户覆盖率项的子代个体存入待定解集中；
交叉变异循环模块，用于判断当前的交叉变异次数是否达到预设次数，如果是，则根据第二适应度函数，在所述待定解集中选择最优个体，其中，所述第二适应度函数包括：低优先级用户覆盖率项、建设成本项；如果否，则根据所述第一适应度函数，在当前子代种群中选择预设个数形成新的当前父代种群，并重新利用所述交叉变异模块、所述待定解集选择模块、所述交叉变异循环模块进行选址流程。
8.根据权利要求7所述的基站选址系统，其特征在于，
所述初代种群编码模块，包括：
二进制数设置单元，用于设置与可供选择基站建设点对应的位数的二进制数；其中，所述二进制数的数位表示可供选择基站建设点的编号；
0/1表示单元，用于设置0表示不在该位置建设基站，1表示在该位置建设基站。
9.一种基站选址计算机设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述基站选址方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基站选址方法的步骤。
CN201811139137.XA 2018-09-28 2018-09-28 一种基站选址方法及系统、计算机设备及可读存储介质 Active CN109460852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811139137.XA CN109460852B (zh) 2018-09-28 2018-09-28 一种基站选址方法及系统、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811139137.XA CN109460852B (zh) 2018-09-28 2018-09-28 一种基站选址方法及系统、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN109460852A true CN109460852A (zh) 2019-03-12
CN109460852B CN109460852B (zh) 2021-09-17

Family

ID=65607126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811139137.XA Active CN109460852B (zh) 2018-09-28 2018-09-28 一种基站选址方法及系统、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN109460852B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110366187A (zh) * 2019-06-12 2019-10-22 福建工程学院 权衡成本与信号强度的无线网络基站建站选址优化方法
CN111385807A (zh) * 2020-03-11 2020-07-07 南京邮电大学 一种考虑业务优先级的电力无线专网基站优化方法
CN112243236A (zh) * 2019-07-16 2021-01-19 中国电信股份有限公司 基站的部署方法、装置和计算机可读存储介质
CN113011652A (zh) * 2021-03-18 2021-06-22 山东交通学院 一种电动汽车充电站选址优化方法及系统
CN113133006A (zh) * 2019-12-31 2021-07-16 华为技术服务有限公司 规划基站站址的方法和装置
CN113709753A (zh) * 2021-08-24 2021-11-26 中国人民解放军火箭军工程大学 一种无线宽带通信系统站点布设组网方法及系统
CN114004417A (zh) * 2021-11-09 2022-02-01 广东电网有限责任公司江门供电局 一种电力设施共享基站建设方法和装置
CN114071525A (zh) * 2021-11-10 2022-02-18 中国联合网络通信集团有限公司 基站优化次序确定方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3103791B2 (ja) * 1996-12-04 2000-10-30 ノーテル・ネットワークス・リミテッド 無線ネットワークにおける周波数割り当て方法及び装置
CN103354644A (zh) * 2013-07-31 2013-10-16 广东省电信规划设计院有限公司 基站选址方法和系统
CN107396373A (zh) * 2016-05-17 2017-11-24 中国移动通信集团辽宁有限公司 一种基站位置的确定方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3103791B2 (ja) * 1996-12-04 2000-10-30 ノーテル・ネットワークス・リミテッド 無線ネットワークにおける周波数割り当て方法及び装置
CN103354644A (zh) * 2013-07-31 2013-10-16 广东省电信规划设计院有限公司 基站选址方法和系统
CN107396373A (zh) * 2016-05-17 2017-11-24 中国移动通信集团辽宁有限公司 一种基站位置的确定方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
包达志等: "智能电网中基于改进退火算法的基站选址方案", 《高电压技术》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110366187B (zh) * 2019-06-12 2022-02-11 福建工程学院 权衡成本与信号强度的无线网络基站建站选址优化方法
CN110366187A (zh) * 2019-06-12 2019-10-22 福建工程学院 权衡成本与信号强度的无线网络基站建站选址优化方法
CN112243236A (zh) * 2019-07-16 2021-01-19 中国电信股份有限公司 基站的部署方法、装置和计算机可读存储介质
CN113133006A (zh) * 2019-12-31 2021-07-16 华为技术服务有限公司 规划基站站址的方法和装置
CN113133006B (zh) * 2019-12-31 2023-09-12 华为技术服务有限公司 规划基站站址的方法和装置
CN111385807A (zh) * 2020-03-11 2020-07-07 南京邮电大学 一种考虑业务优先级的电力无线专网基站优化方法
CN111385807B (zh) * 2020-03-11 2022-07-05 国网江苏电力设计咨询有限公司 一种基于业务优先级的电力无线专网基站优化方法
CN113011652A (zh) * 2021-03-18 2021-06-22 山东交通学院 一种电动汽车充电站选址优化方法及系统
CN113709753A (zh) * 2021-08-24 2021-11-26 中国人民解放军火箭军工程大学 一种无线宽带通信系统站点布设组网方法及系统
CN113709753B (zh) * 2021-08-24 2023-11-28 中国人民解放军火箭军工程大学 一种无线宽带通信系统站点布设组网方法及系统
CN114004417A (zh) * 2021-11-09 2022-02-01 广东电网有限责任公司江门供电局 一种电力设施共享基站建设方法和装置
CN114071525A (zh) * 2021-11-10 2022-02-18 中国联合网络通信集团有限公司 基站优化次序确定方法、装置及存储介质
CN114071525B (zh) * 2021-11-10 2023-07-18 中国联合网络通信集团有限公司 基站优化次序确定方法、装置及存储介质

Also Published As

Publication number Publication date
CN109460852B (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN109460852A (zh) 一种基站选址方法及系统、计算机设备及可读存储介质
Yu et al. Ensemble of niching algorithms
Parvizi et al. Utilization-aware energy-efficient virtual machine placement in cloud networks using NSGA-III meta-heuristic approach
CN104115165B (zh) 使用机器学习来用于映射媒体组件的方法
Xing et al. An integer encoding grey wolf optimizer for virtual network function placement
CN106656598B (zh) 电力通信网关键业务备选路由配置方法及系统
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN109447264B (zh) 云计算环境下基于vham-r模型的虚拟机放置遗传优化方法
CN106484512B (zh) 计算单元的调度方法
Rangel et al. On redundant coverage maximization in wireless visual sensor networks: Evolutionary algorithms for multi-objective optimization
CN110472899A (zh) 一种物品的出库分配方法和装置
CN109886699A (zh) 行为识别方法及装置、电子设备、存储介质
Wei et al. Multi-resource balance optimization for virtual machine placement in cloud data centers
CN109815541B (zh) 轨道交通车辆产品零部件模块划分方法、装置与电子设备
Mi et al. Embedding virtual infrastructure based on genetic algorithm
CN110046799A (zh) 决策优化方法及装置
Wang et al. A dual-population based evolutionary algorithm for multi-objective location problem under uncertainty of facilities
Atta et al. Solving a new variant of the capacitated maximal covering location problem with fuzzy coverage area using metaheuristic approaches
Lucena et al. Some extensions of biased random-key genetic algorithms
Hong et al. Genetic algorithm based network reconfiguration for loss minimization in distribution systems
Gupta et al. Cost-aware resource optimization for efficient cloud application in smart cities
CN111814044A (zh) 一种推荐方法、装置、终端设备及存储介质
Trong-The Nguyen et al. An Optimal Deployment Wireless Sensor Network Based on Compact Differential Evolution.
Al Jadaan et al. Enhancing data selection using genetic algorithm
CN114840326A (zh) 资源调度方法、装置、电子设备及存储介质

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