CN110505634B - 一种基于遗传算法实现无线ap部署优化方法 - Google Patents
一种基于遗传算法实现无线ap部署优化方法 Download PDFInfo
- Publication number
- CN110505634B CN110505634B CN201910761163.4A CN201910761163A CN110505634B CN 110505634 B CN110505634 B CN 110505634B CN 201910761163 A CN201910761163 A CN 201910761163A CN 110505634 B CN110505634 B CN 110505634B
- Authority
- CN
- China
- Prior art keywords
- wireless
- individuals
- individual
- power
- fitness
- 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.)
- Active
Links
Images
Classifications
-
- 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
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
Abstract
本发明提供一种基于遗传算法实现无线AP部署优化方法,包括获取无线AP布置范围并网格离散化处理后,设定三种类型障碍物及信号衰减值;设置计算变量为无线AP的位置坐标及功率并编码;初始化参数;计算编码后个体的适应度、个体被选中的概率及选出2M对母体;对2M对母体交叉形成2M个中间个体;对2M个中间个体进行变异形成2M个候选个体;从2M个候选个体中,依据适应度选出新一代种群;若满足终止准则,则输出具有最大适应度的个体为最优解并结束,否则,继续迭代直至迭代完为止;输出最大适应度的个体,即得到无线AP最小的总功率及相应的位置。实施本发明,引用遗传算法对无线AP部署的拓扑结构进行优化,进而减少能耗,提高资源利用效率。
Description
技术领域
本发明涉及无线AP技术领域,尤其涉及一种基于遗传算法实现无线AP部署优化方法。
背景技术
伴随着网络的快速发展,无线局域网凭借其灵活性、可扩展性受到市场青睐。传统情况下,网络通信往往需要建立物理线缆-铜绞线组建一个通路,亦或使用光纤。在无线局域网(Wireless Local Area Networks)发明后,网络构建的成本大大缩小,同时使通信更便捷、迅速。
基于IEEE802.11标准的无线局域网(以下简称WLAN)允许在局域网络环境中使用ISM频段中的2.4GHz或5GHz射频波段进行无线连接。它们被广泛应用,从家庭学校到企业或政府部门。一个路由器,一台交换机,几个无线接入点便可以组织成一个简单的WLAN。无线访问接入点(Wireless Access Point,简称无线AP)是组建小型无线局域网时最常用的设备,无线AP相当于一个连接有线网和无线网的桥梁,其主要作用是将各个无线网络客户端连接到一起,并将无线网络接入以太网。
在稍大一些场合,为了保证通信质量,所需要的基础设备更多,但在没有进行适当优化的情况下,这便有可能造成能源的浪费与设备的冗余。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于遗传算法实现无线AP部署优化方法,引用遗传算法(Genetic Algorithm,GA)对无线AP部署的拓扑结构进行优化,进而减少能耗,提高资源利用效率。
为了解决上述技术问题,本发明实施例提供了一种基于遗传算法实现无线AP部署优化方法,包括以下步骤:
步骤S1、获取无线AP布置范围,并将所述无线AP布置范围进行网格离散化处理后,在网格离散化处理后的无线AP布置范围中,设定三种类型障碍物及每一种类型障碍物对应的信号衰减值;
步骤S2、将无线AP的位置坐标x,y以及功率p均设置为计算变量,并根据计算变量为x,y以及p,对每一个无线AP均进行24位编码;
步骤S3、设置迭代次数maxgen、无线AP群体个数及每一个无线AP个体的最大功率、最小功率和正常功率、传播损耗、交叉概率、变异概率和终止准则;
步骤S4、利用公式(1),计算24位编码后的无线AP个体i的适应度;
并利用公式(2),计算24位编码后的无线AP个体i被选中的概率Prs;
步骤S5、对所选的2M对母体以所述交叉概率进行交叉,形成2M个中间个体;
步骤S6、对所形成的2M个中间个体分别独立以所述变异概率进行变异,形成2M个候选个体;
步骤S7、从所形成的2M个候选个体中,依据适应度,选择出相应的个体组成新一代种群;
步骤S8、判断是否满足所述终止准则;
步骤S9、如果是,则输出具有最大适应度的个体作为最优解,并计算结束;
步骤S10、如果否,则,返回步骤S4,直至迭代次数maxgen迭代完毕为止;
步骤S11、找到具有最大适应度的个体作为最优解,并根据所找到的最大适应度的个体,得到无线AP最小的总功率以及相应的位置。
实施本发明实施例,具有如下有益效果:
不同于以往的模型设计,本发明采用非均匀量化空间模型设计,根据现实环境中,无线AP的功率信息,信号强度衰变与信道干扰等数据,通过遗传算法来调整无线AP的分布位置和功率大小,进而在满足通信要求的情况下达到优化网络拓扑的目的。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提出的一种基于遗传算法实现无线AP部署优化方法的流程图;
图2为本发明实施例提出的一种基于遗传算法实现无线AP部署优化方法的应用场景中无线AP布置范围的地理位置示意图;
图3为本发明实施例提出的一种基于遗传算法实现无线AP部署优化方法的应用场景中传统无线AP覆盖率随传输功率的变化图;
图4为本发明实施例提出的一种基于遗传算法实现无线AP部署优化方法的应用场景中迭代时2M个体的平均功率总和及其最优个体的传输功率总和的变化图;其中,离散的点表示2M个体的平均功率总和;曲线表示2M个体中最优的个体的功率总和;
图5为本发明实施例提出的一种基于遗传算法实现无线AP部署优化方法的应用场景中重合率的变化图;
图6为本发明实施例提出的一种基于遗传算法实现无线AP部署优化方法的应用场景中无线AP的部署和距离覆盖范围的最终结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种基于遗传算法实现无线AP部署优化方法,包括以下步骤:
步骤S1、获取无线AP布置范围,并将所述无线AP布置范围进行网格离散化处理后,在网格离散化处理后的无线AP布置范围中,设定三种类型障碍物及每一种类型障碍物对应的信号衰减值;
步骤S2、将无线AP的位置坐标x,y以及功率p均设置为计算变量,并根据计算变量为x,y以及p,对每一个无线AP均进行24位编码;
步骤S3、初始化参数,具体为设置迭代次数maxgen、无线AP群体个数及每一个无线AP个体的最大功率、最小功率和正常功率、传播损耗、交叉概率、变异概率和终止准则;
步骤S4、利用公式(1),计算24位编码后的无线AP个体i的适应度;
并利用公式(2),计算24位编码后的无线AP个体i被选中的概率Prs;
步骤S5、对所选的2M对母体以所述交叉概率进行交叉,形成2M个中间个体;
步骤S6、对所形成的2M个中间个体分别独立以所述变异概率进行变异,形成2M个候选个体;
步骤S7、从所形成的2M个候选个体中,依据适应度,选择出相应的个体组成新一代种群;
步骤S8、判断是否满足所述终止准则;
步骤S9、如果是,则输出具有最大适应度的个体作为最优解,并计算结束;
步骤S10、如果否,则,返回步骤S4,直至迭代次数maxgen迭代完毕为止;
步骤S11、找到具有最大适应度的个体作为最优解,并根据所找到的最大适应度的个体,得到无线AP最小的总功率以及相应的位置。
具体过程为,在步骤S1中,将无线AP布置范围(如100m×100m的正方形)进行网络离散化处理(如,正方形域被离散化为100个网格,网格中心被视为覆盖目标点),然后,在目标区域引入了三种不同类型的障碍物(如承重墙、砖墙和金属门),不同的障碍物对应不同的信号衰减值。
在步骤S2中,设置AP的位置坐标x,y以及功率p都是计算变量,遗传算法并不直接将这些变量代入计算,而是通过编码(Chromosome Coding)的方式将它们转化和合适的形式便于操作。GA利用固定长度的二进制符号串来表示某一数值,通过{0,1}来表示基因类型。于此假定目标个体的取值范围为[U1,U2],同时用长度为L的二进制编码符号来表示该个体。因此,用8位的二进制字符串表示一个无线AP的部分信息(如x坐标、y坐标及功率)。一个无线AP的所有信息可以由24位的二进制字符串表示。
在步骤S3中,初始化遗传算法的参数,包括但不限于迭代次数、无线AP群体个数、每一个无线AP个体的最大功率、最小功率和正常功率、传播损耗、交叉概率、变异概率和终止准则等。
在步骤S4中,进行选择操作。选择操作根据适应度大小来判断哪种类型的个体特征更符合预期,并利用合适的选择算子(Selection Operator)来大概率得保留有用的遗传信息。在此选用轮盘赌法,一种传统的选择算子。
在覆盖率满足一定值的前提下,所有无线AP的功率和越小,则适应度越大。如果R=1则覆盖率满足100%,则适应度为所有AP最大功率和减去该个体当前无线AP功率和,否则适应度为0(即下一代不会被选中)。同时,每一次选择过程中,无线AP总功率较大的个体就越容易被剔除。
在步骤S5中,进行交叉操作。交叉操作模仿生物学上的染色体交叉,通过交叉操作,使得新的子代可以得到亲代不同的特性。
在步骤S6中,进行变异操作。交叉操作可以使得种群能够变化,但难以产生新的解集,从而引用了变异操作,且该变异操作是将编码后的二进制串中某一位置反,产生新的特性。
在步骤S7中,经过选择、交叉和变异等操作之后会产生新的种群。
在步骤S8中,判断是否满足终止准则,是则执行步骤S9,输出具有最大适应度的个体作为最优解,并计算结束;否则,执行步骤S10,然后返回步骤S4,继续迭代直至迭代完毕为止。
在步骤S11中,找到最终结果(即最后一次迭代的个体或迭代过程中满足终止准则的最优解个体),从而得到无线AP最小的总功率以及相应的位置。
如图2至图6所示,对本发明实施例中的一种基于遗传算法实现无线AP部署优化方法的应用场景做进一步说明:
图2为一个100m*100m的仿真地图,在该10,000平方米的模拟环境中,部署了400个测试点,并具有3个障碍物。空间内共有25个的功率在10~27dBm的无线AP。现通过各个无线AP位置和功率的调整,使得在信号覆盖率为1的情况下,使功率总和达到最小。
为了贴近现实,该模型从信号强度、信道干扰、覆盖范围、空间环境等多角度出发考虑。现做出如下假设:
1、当部署结果满足对目标区域覆盖率达到C0,认为对该区域能够进行有效覆盖;
2、N个无线AP部署在网络中运行,每个无线AP的最大发射功率为αmax,最小发射功率为αmin。
3、传播损耗β分为室内传播损耗β1以及障碍物引起的衰减β2。
4、能够保证终端正常通信质量的最低功率为α0。
5、待覆盖区域为二维平面S,面积为M*M,将其离散化为M2个待覆盖的栅格,各个栅格点几何中心位置为覆盖目标位置,集合为P(x,y)。无线AP被部署在平面S内,表示为G={AP1,AP2,…,APn}。
若第j个覆盖目标点Pj(xj,yj),j=1,2,3,……M2,接收到任一无线AP的信号大于等于α0,则认为该栅格被网络覆盖。
室内无线传播模型路径损耗β1公式如下:
公式(1)中,γ为路径损耗指数,表示路径损耗随距离的增长率,它依赖于周围环境和建筑物类型;Xσ是标准差σ的正态随机变量;d0为参考距离;di,j是无线AP与测试点之间的距离。
第i个节点到覆盖目标点Pj的距离
其中,无线AP具体初始化的参数如图1所示
表1
其中,考虑楼层内存在一些阻碍传播的因素,在引入一部分障碍物的典型衰减值,如下表2所示:
表2
倘若在测试点和无线AP的直线传输路径中遇到障碍物,则根据障碍物的衰减值计算衰减。传输过程中的衰减β分为两部分:由障碍物引起的衰减β2和室内无线传播本身的衰减β1。
β=β1+β2 (3);
综上,第j(j∈n)个节点对目标点Pj(j∈m)的覆盖概率用布尔类型表达,如下式(4)所示:
任一目标位置Pj(j∈m)可被多个无线AP同时覆盖,对目标点的联合覆盖概率表示为下式(5)所示:
对该区域的覆盖率为COV(G)如下式(6)所示:
为了研究其冗余情况,此处引入重合率。规定某一位置Pj(j∈M),若被两个及以上无线AP同时覆盖,则其为重合点。目标点Pj的重合率的布尔表达式为:
计算重合率计算,如下式(8)所示:
传统情况下,无线AP总是均匀分布。在此种情况下,给无线AP分配功率,如图3所示,只有每个无线AP分配到的功率大小达到25.7dbm时,区域才能达到全部覆盖,且其重合率达到了69.5%。
在虚拟模型建立完毕后,运用遗传算法进行代入与计算。
如图4所示,迭代过程中,最优个体的传输功率总和一直随着迭代过程降低。迭代800次后,趋于成熟。其最优个体的重合率变化如图5所示,由最开始的65%,一直降低到23.5%。
在仿真中,使用遗传算法后所有无线AP的功率总和明显得缩小,实现了减少能源消耗的目标。现实生活中,只需获取无线AP的功率信息以及环境情况,代入带以上模型中,通过遗传算法便可以做到无线AP网络拓扑的优化。
如下表3所示,为优化前后功率总和、平均AP功率及重合率的对比。
表3
如图6所示,为经过优化后,所有无线AP的部署和距离覆盖范围的示意图。
实施本发明实施例,具有如下有益效果:
不同于以往的模型设计,本发明采用非均匀量化空间模型设计,根据现实环境中,无线AP的功率信息,信号强度衰变与信道干扰等数据,通过遗传算法来调整无线AP的分布位置和功率大小,进而在满足通信要求的情况下达到优化网络拓扑的目的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (1)
1.一种基于遗传算法实现无线AP部署优化方法,其特征在于,该方法基于非均匀量化空间模型设计,包括以下步骤:
步骤S1、获取无线AP布置范围,并将所述无线AP布置范围进行网格离散化处理后,在网格离散化处理后的无线AP布置范围中,设定三种类型障碍物及每一种类型障碍物对应的信号衰减值;
步骤S2、将无线AP的位置坐标x,y以及功率p均设置为计算变量,并根据计算变量为x,y以及p,对每一个无线AP均进行24位编码;
步骤S3、设置迭代次数、无线AP群体个数及每一个无线AP个体的最大功率、最小功率和正常功率、传播损耗、交叉概率、变异概率和终止准则;
步骤S4、利用公式(1),计算24位编码后的无线AP个体i的适应度;
并利用公式(2),计算24位编码后的无线AP个体i被选中的概率Prs;
步骤S5、对所选的2M对母体以所述交叉概率进行交叉,形成2M个中间个体;
步骤S6、对所形成的2M个中间个体分别独立以所述变异概率进行变异,形成2M个候选个体;
步骤S7、从所形成的2M个候选个体中,依据适应度,选择出相应的个体组成新一代种群;
步骤S8、判断是否满足所述终止准则;
步骤S9、如果是,则输出具有最大适应度的个体作为最优解,并计算结束;
步骤S10、如果否,则,返回步骤S4,直至迭代次数迭代完毕为止;
步骤S11、找到具有最大适应度的个体作为最优解,并根据所找到的最大适应度的个体,得到无线AP最小的总功率以及相应的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761163.4A CN110505634B (zh) | 2019-08-17 | 2019-08-17 | 一种基于遗传算法实现无线ap部署优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761163.4A CN110505634B (zh) | 2019-08-17 | 2019-08-17 | 一种基于遗传算法实现无线ap部署优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110505634A CN110505634A (zh) | 2019-11-26 |
CN110505634B true CN110505634B (zh) | 2020-06-02 |
Family
ID=68588233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910761163.4A Active CN110505634B (zh) | 2019-08-17 | 2019-08-17 | 一种基于遗传算法实现无线ap部署优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110505634B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111542069B (zh) * | 2020-04-17 | 2023-05-16 | 温州大学 | 一种基于快速非支配遗传算法实现无线ap部署优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102337979A (zh) * | 2011-08-11 | 2012-02-01 | 浙江大学 | 一种基于遗传算法的发动机自动标定参数优化方法 |
CN102378410A (zh) * | 2011-11-18 | 2012-03-14 | 江南大学 | 博物馆物联网环境监测系统无线传感器节点的部署方法 |
-
2019
- 2019-08-17 CN CN201910761163.4A patent/CN110505634B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102337979A (zh) * | 2011-08-11 | 2012-02-01 | 浙江大学 | 一种基于遗传算法的发动机自动标定参数优化方法 |
CN102378410A (zh) * | 2011-11-18 | 2012-03-14 | 江南大学 | 博物馆物联网环境监测系统无线传感器节点的部署方法 |
Non-Patent Citations (1)
Title |
---|
AP Deployment Optimization in Non-Uniform Service Areas: A Genetic Algorithm Approach;Zicong Zhi等;《2019 IEEE 90th Vehicular Technology Conference (VTC2019-Fall)》;20190925;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110505634A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ting et al. | Wireless heterogeneous transmitter placement using multiobjective variable-length genetic algorithm | |
CN102892188B (zh) | 通信网络中基于遗传算法的上行功率控制方法及装置 | |
CN111355519A (zh) | 智能反射表面协助的室内太赫兹mimo通信系统设计方法 | |
CN111163477B (zh) | 一种广域三维环境下一体化智能基站自动部署方法 | |
CN110430579B (zh) | 基于果蝇优化的非均匀环境的无线ap部署优化方法 | |
Valavanis et al. | Base-station location optimization for LTE systems with genetic algorithms | |
Wang et al. | A novel network planning algorithm of three-dimensional dense networks based on adaptive variable-length particle swarm optimization | |
CN110505634B (zh) | 一种基于遗传算法实现无线ap部署优化方法 | |
Bouton et al. | Coordinated reinforcement learning for optimizing mobile networks | |
Zhi et al. | AP deployment optimization in non-uniform service areas: A genetic algorithm approach | |
Atia et al. | Cost effective, scalable design of indoor distributed antenna systems based on particle swarm optimization and prufer strings | |
CN103945388B (zh) | 一种异构网络中基于遗传算法的用户接入网络方法 | |
CN109195222B (zh) | 一种基于统计特性参考的功率分配方法 | |
Mohammed et al. | Optimization of multi-objective and green LTE RNP problem | |
CN111542069B (zh) | 一种基于快速非支配遗传算法实现无线ap部署优化方法 | |
CN112839345A (zh) | 网络参数配置方法及装置 | |
Feng et al. | Spectrum Allocation for Cognitive Radio Networks Using the Fireworks Algorithm. | |
CN114938543A (zh) | 一种基于深度强化学习的蜂窝异构网络资源分配方法 | |
CN114037363A (zh) | 一种基于协同智能优化算法的多平台任务分配方法 | |
CN109462861B (zh) | 一种面向电力无线专网的分层异构网络接入协同选择方法 | |
Yin et al. | Multi-cell cooperative outage compensation in cloud-RANs based 5G public safety network | |
Benchaabene et al. | A genetic algorithm for solving the radio network planning problem in 5g cellular networks | |
CN113709753B (zh) | 一种无线宽带通信系统站点布设组网方法及系统 | |
Liu et al. | Real-time 3-D MIMO antenna tuning with deep reinforcement learning | |
CN108064051B (zh) | 确定网络射频优化方案的方法、装置及设备 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191126 Assignee: Zhejiang Yilian Network Technology Co.,Ltd. Assignor: Wenzhou University Contract record no.: X2021330000031 Denomination of invention: A wireless AP deployment optimization method based on genetic algorithm Granted publication date: 20200602 License type: Common License Record date: 20210402 |