CN113133006A - 规划基站站址的方法和装置 - Google Patents
规划基站站址的方法和装置 Download PDFInfo
- Publication number
- CN113133006A CN113133006A CN201911413325.1A CN201911413325A CN113133006A CN 113133006 A CN113133006 A CN 113133006A CN 201911413325 A CN201911413325 A CN 201911413325A CN 113133006 A CN113133006 A CN 113133006A
- Authority
- CN
- China
- Prior art keywords
- model
- base station
- station
- submodel
- solution
- 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
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
-
- 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
本申请提供了规划基站站址的方法和装置。建立的第一模型考虑了不能同时建设基站的互斥待选站址,利用第一约束条件对第一模型进行分支,得到子模型集合,利用子模型的松弛模型的最优解和子模型的可行解得到第一模型的最优解,在确定第一模型的最优解的过程中考虑了全局性的互斥待选站址,这样在确定出能够建设基站的站址上建设基站之后,满足全局最优性建设要求,从而可以提高建设基站的可行性。
Description
技术领域
本申请涉及通信领域,并且更具体地,涉及通信领域中规划基站站址的方法和装置。
背景技术
在现有的网络规划中,需要在保证覆盖、干扰和成本等因素的条件下规划建设基站的站址,随着网络中基站的密度增加,规划哪些站址需要建设基站的方法复杂度也相应的增加。
现有技术中,通过对不同类型的基站分批进行选择,如首先通过遍历的方法选择适合建立微蜂窝基站的站址,然后再通过遍历的方法选择适合建立微微蜂窝基站的站址,最后通过遍历的方法选择适合建立宏基站的站址,但是,这样针对某一类型的基站,通过遍历的方法选址,没有考虑全局选址,并且每次选址也没有考虑不同站址上的基站之间的干扰,这样,导致选择出来建设基站的站址并不是最优站址,如果在这些选择出来的建设基站的站址上建设基站,则会导致成本过高或者干扰太大或者达不到覆盖要求等,因此,亟需一种规划基站站址的方法。
发明内容
本申请提供了一种规划基站站址的方法和装置,能够通过全局规划确定适合建设基站的站址,从而提高建设基站的可行性。
第一方面,提供了一种规划基站站址的方法,包括:确定规划基站站址的第一模型,所述第一模型包括第一约束条件,所述第一约束条件为所述第一模型中不能同时建设基站的互斥待选站址,所述第一模型的多个决策变量为所述多个待选站址中每个待选站址是否建设基站;根据所述第一约束条件对所述第一模型进行至少一次分支,得到子模型集合,所述子模型集合包括将所述第一模型分支之后的多个子模型,所述子模型集合中每个子模型的松弛模型为删除所述每个子模型中不能同时建设基站的互斥待选站址的约束条件;
根据所述每个子模型的松弛模型的最优解和所述每个子模型的可行解确定所述第一模型的最优解。
在上述技术方案中,规划基站站址的第一模型考虑了不能同时建设基站的第一约束条件,第一约束条件考虑了互斥待选站址,利用第一约束条件对第一模型进行分支,得到子模型集合,利用子模型的松弛模型的最优解和子模型的可行解得到第一模型的最优解,在确定第一模型的最优解的过程中考虑了全局性的互斥待选站址,这样在确定出能够建设基站的站址上建设基站之后,满足全局最优性建设要求,从而可以提高建设基站的可行性。
可选地,第一约束条件中多个待选站址中不能同时建设基站的互斥待选站址可以为站址与站址之间的距离小于预设值,即太近的两个站址同时建立基站会造成干扰也会增加建设成本;可选地,第一约束条件中多个待选站址中不能同时建设基站的互斥待选站址可以是:若在这些互斥待选站址上建设基站会造成干扰,或者这些互斥待选站址上建设特定类型的基站会造成干扰,例如,站址1上建设第一类型的基站与站址2上建设第二类型的基站之后,第一类型的基站与第二类型的基站的对打的天线之间的夹角小于预设值,则会使得第一类型的基站与第二类型的基站存在干扰,因此,需要将这种情况利用第一约束条件排除在外。
其中,所述多个待选站址与所述多个决策变量一一对应,即一个决策变量用于表示在该待选站址上建设哪种类型的一个基站,一个待选站址可以建设多种类型的基站,最终确定的决策变量的取值不仅指示该待选站址是否建设基站也指示该待选站址上建设哪种类型的一个基站。
在一些可能的实现方式中,所述根据所述第一约束条件对所述第一模型进行至少一次分支,得到子模型集合,包括:
将所述多个决策变量中的第一决策变量赋第一值和第二值,进行一次分支,得到第一子模型和第二子模型,所述子模型集合包括所述第一子模型、所述第二子模型;
其中,所述多个决策变量中每个决策变量赋第一值表示在所述每个决策变量对应的待选站址上建设基站,所述多个决策变量中每个决策变量赋第二值表示在所述每个决策变量对应的待选站址上不建设基站。
在一些可能的实现方式中,所述方法还包括:
在所述第一决策变量赋所述第一值的情况下,根据所述第一约束条件在所述多个决策变量中选择与所述第一决策变量对应的待选站址不互斥的待选站址对应的第二决策变量赋所述第一值和所述第二值,选择与所述第二决策变量对应的待选站址互斥的待选站址对应的决策变量赋所述第二值,进行一次分支,得到第三子模型和第四子模型;
在所述第一决策变量赋所述第二值的情况下,根据所述第一约束条件在所述多个决策变量中选择与所述第一决策变量对应的待选站址互斥的待选站址对应的第三决策变量赋所述第一值和所述第二值,进行一次分支,确定第五子模型和第六子模型
其中,所述子模型集合包括所述第三子模型、所述第四子模型、所述第五子模型和所述第六子模型。
在一些可能的实现方式中,所述方法还包括:可以继续根据得到的第三子模型、第四子模型、第五子模型和第六子模型进行分支,得到8个子模型或者少于8个子模型,即在没有剪支的情况下,每次分支得到的子模型数量为2p,p为正整数。例如,在没有剪支的情况下,第一分支次得到的子模型数量为2个(例如,可以是第一子模型和第二子模型),第二子分支得到的子模型数量为4个(例如,可以是第三子模型、第四子模型、第五子模型和第六子模型),依次类推。并且假设分支了多次之后,多次分支总共得到了Y个子模型,前述的第一子模型、第二子模型、第三子模型、第四子模型、第五子模型和第六子模型可以是Y个子模型中的第一次分支和第二次分支得到的子模型,也可以是任何两次分子得到的子模型,本申请实施例对此不作限制。
第一决策变量可以是首次分支过程中选定的一个决策变量,也可以是中间某一次分支选定的一个决策变量。
上述方案中,在确定子模型集合的过程中,考虑了哪些待选站址不能同时建设基站,这样在分支的过程中,若不能同时建设基站的待选站址中一个待选站址赋值为第一值,则与该待选站址互斥的待选站址需要赋值为第二值,表示在当前的子模型中已经考虑了哪些待选站址不能同时建设基站。
可以理解的是,在不同的分支阶段,子模型集合可以包括不同的子模型。
例如,在第一层分过程中,子模型集合可以包括第一子模型和第二子模型;在第二层分支过程中,子模型集合可以包括第三子模型、第四子模型、第五子模型和第六子模型;或者在第二层分支过程中,子模型集合包括第一层分支过程中得到的子模型也包括第二层分支过程中得到的子模型,也即子模型集合可以包括:第一子模型、第二子模型、第三子模型、第四子模型、第五子模型和第六子模型。本申请实施例具体对子模型集合包括的子模型不作限定。只是在确定第一模型的下界的过程中,需要利用一层分支得到的子模型的松弛模型的最优解中最小的确定为第一模型的下界。
例如,第一值为1,第二值为0,当一个决策变量赋值为1时,表示在该决策变量对应的待选地址上建设基站,当一个决策变量赋值为0时,表示在该决策变量对应的待选地址上不建设基站。
在一些可能的实现方式中,所述根据所述每个子模型的松弛模型的最优解和所述每个子模型的可行解确定所述第一模型的最优解,包括:
针对每次分支,将分支后得到的多个子模型中每个子模型的松弛模型的最优解中最小的最优解确定为所述第一模型的解的下界;针对每次分支,根据分支后得到的多个子模型中每个子模型的可行解更新所述第一模型的解的上界;根据所述第一模型的解的下界和所述第一模型的解的上界确定所述第一模型的最优解。
这样,可以利用每个子模型的松弛模型的最优解确定第一模型的下界,利用每个子模型的可行解确定第一模型的上界,根据第一模型的下界和第一模型的上界能够确定第一模型的最优解,例如,当第一模型的下界等于第一模型的上界或者第一模型的上界与第一模型的下界之差小于绝对值,则可以将第一模型的下界或者第一模型的上界确定为第一模型的最优解。
在本申请中,每个子模型的松弛模型为每个子模型删除关于不能同时建设基站的互斥待选站址约束条件,每个子模型的关于不能同时建设基站的互斥待选站址的约束条件可以相同或者不同,或者部分子模型的关于不能同时建设基站的互斥待选站址约束条件相同,部分子模型的关于不能同时建设基站的互斥待选站址的约束条件不同。
在一些可能的实现方式中,在所述第一决策变量赋所述第二值的情况下,根据所述第一约束条件在所述多个决策变量中选择与所述第一决策变量对应的待选站址互斥的待选站址对应的第三决策变量赋所述第一值和所述第二值,进行一次分支,确定第五子模型和第六子模型;
将所述第三子模型的松弛模型的最优解、所述第四子模型的松弛模型的最优解、所述第五子模型的松弛模型的最优解和所述第六子模型的松弛模型的最优解中最小的值更新为所述第一模型的解的下界。
可以将第三子模型、第四子模型、第五子模型和第六子模型理解为同一层分支之后得到的模型,在本申请中,对于一个决策变量赋值为第一值和第二值可以称为一次分支,在一个决策变量赋值为第一值和第二值的情况下,根据不能同时建设基站的互斥待选站址给其他的决策变量赋值为第一值和第二值所产生的分支为一层分支。
在一些可能的实现方式中,针对每次分支,若所述每个子模型的最可行解中最小的可行解相对于上次分支中确定的所述第一模型的解的下界减小时,将减小后的可行解更新为所述第一模型的解的上界。
在一些可能的实现方式中,确定所述多个待选站址中每个待选站址建设基站的概率;
根据所述每个待选站址建设基站的概率确定多个栅格中每个栅格的被所述每个待选站址上所建设的基站覆盖的概率;
根据所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率确定所述每个待选站址上所建设的基站的期望覆盖率;
将所述每个待选站址上所建设的基站的期望覆盖率进行排序更新所述每个待选站址建设基站的概率;
根据更新后的所述每个待选站址建设基站的概率确定所述每个子模型的最优解。
在一些可能的实现方式中,所述根据所述每个待选站址建设基站的概率确定所述多个栅格中每个栅格的被所述每个待选站址上所建设的基站覆盖的概率,包括:
在所述多个栅格中每个栅格上测量所述每个待选站址上所建设的基站模拟发送的同步信号块SSB而产生的SSB电平;
根据所述每个栅格上的SSB电平的排序确定所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率。
具体地,根据所述每个栅格上的SSB电平的从大到小排序更新所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率,例如,将每个栅格上的SSB电平排序在前面的所述每个待选站址上所建设的基站覆盖的概率增加,将每个栅格上的SSB电平排序在后面的所述每个待选站址上所建设的基站覆盖的概率减少,直到每个待选站址上所建设的基站覆盖的概率达到稳定值,前半部分待选站址上所建设的基站覆盖的概率趋向于1,后半部分待选站址上所建设的基站覆盖的概率趋向于0。
在一些可能的实现方式中,根据所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率确定所述每个待选站址上所建设的基站的期望覆盖率,包括:
在所述多个栅格中每个栅格上测量所述每个待选站址上所建设的基站模拟发送的信道状态信息CSI而产生的CSI电平;和/或
在所述多个栅格中每个栅格上测量所述每个待选站址上所建设的基站模拟发送的同步信号块SSB而产生的SSB电平
根据所述CSI电平和/或SSB电平确定所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率确定权重信息;
根据所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率和所述权重信息确定所述每个待选站址上所建设的基站的期望覆盖率。
在一些可能的实现方式中,所述方法还包括:
删除所述第一模型中的所述第一约束条件之后,得到所述第一模型的松弛模型;
将所述第一模型的松弛模型的最优解确定为所述第一模型的解的下界的初始值;
将所述第一模型的可行解确定为所述第一模型的解的上界的初始值。
在本申请中,不管是第一模型还是第一模型分支之后得到的子模型,都存在关于不能同时建设基站的互斥待选站址的约束条件,需要将关于不能同时建设基站的互斥待选站址的约束条件删除之后得到第一模型的松弛模型或者子模型的松弛模型。
在一些可能的实现方式中,在所述确定规划基站站址的第一模型之前,所述方法还包括:将第二模型转化为所述第一模型,所述第二模型的目标函数为求解最大值,所述第一模型的目标函数为求解最小值。
在一些可能的实现方式中,所述第二模型的目标函数为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力最大,所述第二模型包括所述第一约束条件和第二约束条件,所述第二约束条件为所述多个待选站址中待选站址上建立基站的成本总和小于预设成本。
在一些可能的实现方式中,在所述确定规划基站站址的第一模型之前,所述方法还包括:将第三模型转化为所述第一模型,多个类型的基站中的每个类型的基站能够给被所述第三模型的每个待选站址选择,只有一个类型的基站能够给被所述第一模型的每个待选站址选择,不同类型的基站覆盖栅格的能力不同。
在一些可能的实现方式中,所述第三模型的目标函数为所述多个待选站址中待选站址上建立基站的成本总和最小,所述第三模型包括所述第一约束条件和第三约束条件,所述第三约束条件为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力达到预设能力。
第二方面,提供一种规划基站站址的装置,所述装置用于执行上述第一方面或第一方面的任一可能的实现方式中的方法。具体地,所述装置可以包括用于执行第一方面或第一方面的任一可能的实现方式中的方法的单元。
第三方面,提供一种规划基站站址的装置,所述通信装置包括处理器,处理器与存储器耦合,存储器用于存储计算机程序或指令,处理器用于执行存储器存储的计算机程序或指令,使得第一方面中的方法被执行。
例如,处理器用于执行存储器存储的计算机程序或指令,使得该通信装置执行第一方面中的方法。
可选地,该装置包括的处理器为一个或多个。
可选地,该装置中还可以包括与处理器耦合的存储器。
可选地,该装置包括的存储器可以为一个或多个。
可选地,该存储器可以与该处理器集成在一起,或者分离设置。
可选地,该通信装置中还可以包括收发器。
第四方面,提供一种计算机可读存储介质,其上存储有用于实现第一方面中的方法的计算机程序(也可称为指令或代码)。
例如,该计算机程序被计算机执行时,使得该计算机可以执行第一方面中的方法。该计算机可以为通信装置。
第五方面,本申请提供一种芯片,包括处理器。处理器用于读取并执行存储器中存储的计算机程序,以执行第一方面及其任意可能的实现方式中的方法。
可选地,所述芯片还包括存储器,存储器与处理器通过电路或电线与存储器连接。
进一步可选地,所述芯片还包括通信接口。
第六方面,本申请提供一种计算机程序产品,所述计算机程序产品包括计算机程序(也可称为指令或代码),所述计算机程序被计算机执行时使得所述计算机实现第一方面中的方法。所述计算机可以为通信装置。
附图说明
图1是本申请实施例提供的系统架构图。
图2是本申请实施例提供的规划基站站址的方法示意图。
图3是本申请实施例提供的规划基站站址另一的方法示意图。
图4是本申请实施例提供的规划基站站址的又一方法示意图。
图5是本申请实施例提供的规划基站站址的装置的示意性框图。
图6是本申请实施例提供的规划基站站址的另一装置的示意性示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
图1示出了本申请实施例的系统架构图。如图1所示该系统至少包括:地图数据库、仿真设备、规划设备、显示设备和用户。
地图数据库用于向仿真平台提供网络中的地图数据,地图数据包括多个待选站址和假设多个待选站址上建设基站之后所覆盖的区域,待选站址可以是网络中已经存在的一些位置,如可以将已经建立4G基站的站址作为5G基站的待选站址,待选站址可以是根据地理信息系统中区域的地形、地貌、已有服务站的分布情况的地理信息数据,进行计算机模拟确定的,待选站址可以是根据专家经验确定的。
仿真平台,用于接收地图数据库发送的地图数据,并将地图数据包括的区域栅格化,例如,栅格的尺寸为5m*5m,然后仿真平台仿真待选站址上建设某一类型基站后在栅格化后的栅格上的电平值,用于判断假设该待选站址建设了该类基站后的覆盖情况。电平值包括同步信号块(synchronization signal block,SSB)电平和/或信道状态信息(channelstate information,CSI)电平。仿真平台将仿真数据发送给规划设备。
规划设备,用于根据仿真平台发送的仿真数据建立模型确定栅格数量、待选站址数量、基站类型的数量、每个待选站址上建设每类基站后每个栅格上的电平值、每个待选站址上建设每类型基站的费用、不能同时建设基站的互斥待选站址、总费用门限和总服务能力门限,并根据求解模型的最优解,并将最优解输出到显示设备。
显示设备,用于接收规划设备发送的最优解,并将最优解显示给用户。
用户,根据最优解建设基站。
需要说明的是,本申请实施例为了方面理解以规划基站站址为例进行描述,本申请实施例提供的规划站址的方法可以应用在任何的选址问题,例如基站选址、商铺选址、充电站选址、数据中心选址或物流中心选址等,不同的选址问题有不同目标函数和不同的约束。
本申请实施例的方法可以应用在基于选址问题的共性,将建立模型和求解模型的方法进行分离,任何一个具有目标函数和约束条件的模型都可以利用本申请实施例提供的方法进行求解。本申请实施例仅以规划基站站址为例描述,并且包括CSI覆盖的约束或者目标函数,还能增加其他较复杂的约束条件(如容量、速率约束等),为例避免赘述本申请不详细描述。
下面结合图2描述如何根据约束条件和目标函数建立模型,并求解模型。
S210,建立模型一。
模型一的目标函数为多个待选站址上建设的基站覆盖能力最大,具体地,多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力最大;
模型一的约束条件为待选站址上建设基站的总成本小于预设成本并且待选站址上的建立的基站之间互相没有干扰或者干扰很小。具体地,可以利用第一约束条件和第二约束条件表征模型一的约束条件,待选站址上的建立的基站之间会有干扰或者干扰大于预设值可以标识为多个待选站址中不能同时建设基站的互斥待选站址。
模型一的决策变量为所述多个待选站址中每个待选站址是否建设基站。
S220,将模型一转化为模型二
在模型一中,一个待选站址上可以建设多种类型的基站,但是在一个待选站址上建设多种类型的基站会导致求解模型一比较复杂,为了简化求解过程,可以将模型一转换成模型二,具体地,可以将模型一中的在一个待选站址上建设多种类型的基站转化为模型二中一个待选站址上只能选择建设一种类型的基站。例如,模型一中,共有m1个待选站址,n1种类型的基站,在一个待选站址上可以选择n1种类型的基站中的任一种,共n1种选择,对于m1个待选站址共m1*n1种选择。为了简化模型一的求解过程,可以设定模型二在一个待选站址上只能选择一种类型的基站,将一个待选站址转化为n1个待选站址,这样在模型二中共m1*n1个待选站址,每个待选站址上只能选择一种类型的基站。并且模型一与模型二中决策变量的解是等价的。转换之后,模型二仍然包括多个待选站址中不能同时建设基站的互斥待选站址的约束条件。
S230,将模型二转化为模型三
S240,求解模型三
如图3所示,S240具体包括:
S241,将模型三中的第一约束条件删除,得到模型四,即模型四为模型三的松弛模型。
将模型四的最优解确定为模型三的初始的下界,将模型三的一个可行解确定为模型的的初始的上界。
S242,根据第一约束条件对模型三进行分支,得到子模型集合,子模型集合包括将模型三分支后的多个子模型。
具体地,首先将所述多个决策变量中的第一决策变量赋第一值和第二值,进行一次分支,得到第一子模型和第二子模型,例如第一决策变量取1和0进行一次分支,第一决策变量取1表示在该第一决策变量对应的待选站址上建设基站,第一决策变量取0表示在该第一决策变量对应的待选站址上不建设基站。其次,在所述第一决策变量赋所述第一值的情况下,根据第一约束条件在多个决策变量中选择与第一决策变量对应的待选站址不互斥的待选站址对应的第二决策变量赋第一值和第二值,选择与第二决策变量对应的待选站址互斥的待选站址对应的决策变量赋第二值,进行一次分支,得到第三子模型和第四子模型,每个决策变量赋第一值表示在所述每个决策变量对应的待选站址上建设基站,所述多个决策变量中每个决策变量赋第二值表示在所述每个决策变量对应的待选站址上不建设基站。例如,第二决策变量的取1和0进行一次分支,第二决策变量取1表示在该第二决策变量对应的待选站址上建设基站,第二决策变量取0表示在该第二决策变量对应的待选站址上不建设基站,此时,子模型集合包括第一子模型、第二子模型、第三子模型和第四子模型。依次类推,可以根据第一约束条件对多个决策变量进行分支,从而得到子模型集合。需要说明的是,上述第一决策变量可以是根据第一约束条件在所述多个决策变量中确定与第三决策变量对应的待选站址不互斥的待选站址对应的决策变量,也可以是首次分支确定的决策变量。
S243,根据子模型集合中每个子模型的松弛模型的最优解和每个子模型的可行解确定模型三的最优解。
具体地,针对每次分支,将一次分支后得到的多个子模型中每个子模型的松弛模型的最优解中最小的最优解确定为模型三的解的下界;针对每次分支,根据分支后得到的多个子模型中每个子模型的可行解更新模型三的解的上界;根据模型三的解的下界和模型四的上界确定模型三的最优解,例如,若模型三的解的下界等于模型三的解的上界或者模型三的解的下界与模型三的解的上界之间的差值的绝对值小于预设值,则可以将模型三的解的下界或者上界确定为最优解。
需要说明的是,一次分支得到的多个子模型组成的集合可以是前述的子模型集合的子集。
可选地,模型三的解的下界和模型三的解的上界可以更新,针对一次分支得到多个子模型中每个子模型的松弛模型存在最优解和以及每个子模型存在可行解,如果本层分支得到的每个子模型的松弛模型的最优解中最小的最优解相对于上层分支确定的得到的最小的最优解增加或增大时,将增大后的最优解更新为模型三的解的下界;若本次分支得到的每个子模型的最可行解中最小的可行解相对于上次分支中确定的模型三的解的下界减小时,将减小后的可行解更新为模型三的解的上界,这样,可以逐渐缩写模型三的解的上界与下界之间的差距,从而有利于确定模型三的最优解。
下面结合图4举例描述上述分支的过程。
如图4所示,父节点为模型三为例,模型三包括关于不能同时建设基站的互斥待选站址的约束条件,将该约束条件删除之后,得到模型三的松弛模型,将模型三的松弛模型的最优解作为模型三的初始上界,将解模型三的可行解作为模型三的初始下界。
第一层分支,将第一决策变量(此时第一决策变量为随机选择的一个有可能建设基站的待选地址对应的决策变量)赋值为1和0代入模型三,第一决策变量赋值为1时,得到的是第一子模型,第一决策变量赋值为0时,得到的是第二子模型;此时子模型集合包括第一子模型和第二子模型。
将第一子模型中关于不能同时建设基站的互斥待选站址的约束条件删除,得到第一子模型的松弛模型,求解第一子模型的松弛模型的最优解;将第二子模型中关于不能同时建设基站的互斥待选站址的约束条件删除,得到第二子模型的松弛模型,求解第二子模型的松弛模型的最优解,在第一子模型的松弛模型的最优解和第二子模型的松弛模型的最优解中确定最小的一个值,则将该值更新为模型三的解的上界。
根据贪婪算法或者启发式方法得到第一子模型的一个可行解,比较第一子模型的可行解与模型三的初始上界的大小,如果第一子模型的可行解代入目标三的目标函数之后小于模型三的初始上界,则将第模型三的解的上界更新为第一子模型的可行解;否则不更新模型三的解的下界,并将该分支进行剪支,即以后的求解过程中不会将第一决策变量赋值为1了,不会再选择左分支。根据贪婪算法或者启发式方法得到第二子模型的一个可行解,比较第二子模型的可行解与模型三的解的上界的大小,如果第二子模型的可行解小于模型三的解的上界,则将第模型三的解的上界更新为第二子模型的可行解;否则不更新模型三的解的上界,并将该分支进行剪支,即以后的求解过程中不会将第一决策变量赋值为0了,不会再选择左分支。
可选地,本申请实施例中对于模型三的解的上界也除了可以利用启发式方法或者贪婪算法得到,也可以将上述第一层分支得到的第一子模型的松弛模型的一个最优解也可以作为模型三的解的上界,或者第二子模型的松弛模型的一个最优解也可以作为模型三的解的上界。如果将第一子模型的松弛模型的最优解作为模型三的解的上界,则若求解出来第二子模型的松弛模型的最优解,第二子模型的松弛模型的最优解与模型三的解的上界进行比较,如果第二子模型的松弛模型的最优解代入目标函数之后比模型三的解的上界代入目标函数之后小,则将第二子模型的松弛模型的最优解更新为模型三的解的上界。
需要说明的是,利用第一子模型的可行解和/或第二子模型的可行解更新模型三的解的上界的顺序不作任何限定。可以先根据第一子模型的可行解更新模型三的解的上界,也可以根据先第二子模型的可行解更新模型三的解的上界。
第二层分支,在多个决策变量中选择与第一决策变量对应的待选站址不互斥的待选站址对应的第二决策变量赋为1和0,将第一决策变量赋值为1,第二决策变量赋值为1代入模型三得到第三子模型,将第一决策变量赋值为1,第二决策变量赋值为0代入模型三得到第四子模型,此时完成第二层分支的一次分支,在此得到第三子模型和第四子模型的过程中,如果存在与第一决策变量对应的待选站址互斥的待选地址对应的决策变量,则将该决策变量赋值为0,即在第一决策变量对应的待选地址上建设基站,则在其他的与第一决策变量对应的待选地址互斥的待选地址上不建设基站;在多个决策变量中选择与第一决策变量对应的待选站址互斥的待选站址对应的第三决策变量(此时表示第一决策变量对应的待选地址上不建设基站,则优先选取与第一决策变量对应的待选地址上互斥的待选地址上建设基站),将第一决策变量赋值为0,将第三决策变量赋值为1代入模型三,得到第五子模型,将第一决策变量赋值为0,将第三决策变量赋值为0代入模型三,得到第六子模型;此时子模型集合包括第三子模型、第四子模型、第五子模型和第六子模型。
将第三子模型中关于不能同时建设基站的互斥待选站址的约束条件删除,得到第三子模型的松弛模型,求解第三子模型的松弛模型的最优解;将第四子模型中关于不能同时建设基站的互斥待选站址的约束条件删除,得到第四子模型的松弛模型,求解第四子模型的松弛模型的最优解;将第五子模型中关于不能同时建设基站的互斥待选站址的约束条件删除,得到第五子模型的松弛模型,求解第五子模型的松弛模型的最优解;将第六子模型中关于不能同时建设基站的互斥待选站址的约束条件删除,得到第六子模型的松弛模型,求解第六子模型的松弛模型的最优解;在第三子模型的松弛模型的最优解、在第四子模型的松弛模型的最优解、在第五子模型的松弛模型的最优解、在第六子模型的松弛模型的最优解中确定最小的一个值,则将该值更新为模型三的解的下界。
根据贪婪算法或者启发式方法得到第三子模型的一个可行解,比较第三子模型的可行解与模型三的解的初始上界的大小,如果第三子模型的可行解代入模型三的目标函数的值小于模型三的解的初始上界代入模型三的目标函数的值,则将第模型三的解的上界更新为第三子模型的可行解;否则不更新模型三的解的下界,并将该分支进行剪支,即以后的求解过程中不会将第二决策变量赋值为1了,不会再选择该分支。根据贪婪算法或者启发式方法得到第四子模型的一个可行解,比较第四子模型的可行解与模型三的解的上界的大小,如果第四子模型的可行解代入模型三的目标函数的值小于模型三的解的上界代入模型三的目标函数的值,则将第模型三的解的上界更新为第四子模型的可行解;否则不更新模型三的解的上界,并将该分支进行剪支,即以后的求解过程中不会将第二决策变量赋值为0了,不会再选择该分支。根据贪婪算法或者启发式方法得到第五子模型的一个可行解,比较第五子模型的可行解与模型三的解的上界的大小,如果第五子模型的可行解代入模型三的目标函数的值小于模型三的解的上界代入模型三的目标函数的值,则将第模型三的解的上界更新为第五子模型的可行解;否则不更新模型三的解的上界,并将该分支进行剪支,即以后的求解过程中不会将第三决策变量赋值为1了,不会再选择该分支。根据贪婪算法或者启发式方法得到第六子模型的一个可行解,比较第六子模型的可行解与模型三的解的上界的大小,如果第六子模型的可行解代入模型三的目标函数的值小于模型三的解的上界,则将第模型三的解的上界更新为第六子模型的可行解;否则不更新模型三的解的上界,并将该分支进行剪支,即以后的求解过程中不会将第三决策变量赋值为0了,不会再选择该分支。
可选地,本申请实施例中对于模型三的解的上界也除了可以利用启发式方法或者贪婪算法得到,也可以将上述第二层分支得到的四个子模型的松弛模型的一个最优解也可以作为模型三的解的上界。换句话说,上述子模型的松弛模型的最优解可以作为子模型的可行解,从而可以利用子模型的松弛模型的最优解更新模型三的解的上界。例如,可以利用第三子模型的松弛模型的最优解或者第四子模型的松弛模型的最优解或者第五子模型的松弛模型的最优解或者第六子模型的松弛模型的最优解更新模型三的解的上界,则若求解出来任何子模型的松弛模型的最优解代入目标函数之后比模型三的解的上界代入目标函数之后小,则将该模型的松弛模型的最优解更新为模型三的解的上界。
按照上面的这种方式依次分支,从而更新模型三的解的下界和模型三的解的上界,不断缩小模型三的解的上界与模型三的解的下界直接的差距,直到模型三的解的上界等于模型三的解的下界或者模型三的解的上界与模型三的解的下界小于预设值,模型三的解的上界与模型三的解的下界小于预设值可以理解为将模型三的解的上界代入模型三的目标函数得到一个值,将模型三的解的下界代入模型三的目标函数得到一个值,比较得到的这两个值之间的差值,如果差值小于预设值,可以将模型的解的上界或者模型三的解的下界确定为模型三的最优解。
图4中的父节点也可以是任何一个子模型,任何一个子模型可以继续分支,也即图4不限定为是第一层分支和第二层分支,可以是任何两层分支的部分分支。
需要说明的是,每个子模型也包括多个待选地址中不能同时建设基站的互斥待选地址的约束条件。可以将每个子模型的中的关于互斥待选地址的约束条件删除,得到每个子模型的松弛模型,根据每个子模型的松弛模型的最优解更新模型三的解的下界,根据每个子模型的可行解更新模型三的解的上界。每个子模型与模型三可以包括相同的关于互斥待选地址的约束条件,也可以包括不同的关于互斥待选地址的约束条件。
下面描述如何针对一次分支,得到该次分支中的一个子模型的松弛模型的最优解:
a)在建立模型一之前仿真平台需要将多个待选站址栅格化,得到多个栅格,例如每个栅格的尺寸相同,都为5m*5m。
b)确定多个待选站址中每个待选站址建设基站的概率,该步骤中,可以初始化每个待选站址建设基站的概率,如每个待选站址建设基站的概率的取值在0-1之间,初始化的每个待选站址建设基站的概率可以相同,或者待选站址建设基站的概率部分相同部分不同,或者每个待选站址建设基站的概率都不相同。或者该步骤中多个待选站址中每个待选站址建设基站的概率可以是e)更新后得到的。
c)根据b)中所述每个待选站址建设基站的概率确定所述多个栅格中每个栅格的被所述每个待选站址上所建设的基站覆盖的概率,具体地,可以根据条件概率公式确定所述多个栅格中每个栅格的被所述每个待选站址上所建设的基站覆盖的概率。
可选地,c)包括:在所述多个栅格中每个栅格上测量由于所述每个待选站址上所建设的基站模拟发送的同步信号块SSB而产生的SSB电平;
根据所述每个栅格上的SSB电平的排序确定所述每个栅格的被所述每个待选站址上所建设的基站覆盖的概率。例如,根据所述每个栅格上的SSB电平的从大到小排序更新所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率,例如,将每个栅格上的SSB电平排序在前面的所述每个待选站址上所建设的基站覆盖的概率增加,将每个栅格上的SSB电平排序在后面的所述每个待选站址上所建设的基站覆盖的概率减少,直到每个待选站址上所建设的基站覆盖的概率达到稳定值,前半部分待选站址上所建设的基站覆盖的概率趋向于1,后半部分待选站址上所建设的基站覆盖的概率趋向于0。
d)根据所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率确定所述每个待选站址上所建设的基站的期望覆盖率。
可选地,d)包括:在所述多个栅格中每个栅格上测量所述每个待选站址上所建设的基站模拟发送的信道状态信息CSI而产生的CSI电平;和/或
在所述多个栅格中每个栅格上测量所述每个待选站址上所建设的基站模拟发送的同步信号块SSB而产生的SSB电平;
根据所述CSI电平和/或SSB电平确定所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率确定权重信息;
根据所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率和所述权重信息确定所述每个待选站址上所建设的基站的期望覆盖率。
e)将所述每个待选站址上所建设的基站的期望覆盖率进行排序更新所述每个待选站址建设基站的概率。
f)根据更新后的所述每个待选站址建设基站的概率确定子模型的最优解。当更新后的每个待选站址建设基站的概率达到稳定不再发生变化之后(即有的待选站址建设基站的概率趋近于1,表示在该待选站址上建设基站,有的待选站址建设基站的概率趋近于0;表示在该待选站址上不建设基站),确定子模型的松弛模型的最优解。
得到一个子模型的松弛模型的最优解的过程中,a)可以只执行一次,然后执行b),在执行完c)-e)之后,更新所述每个待选站址建设基站的概率,返回b)。
可选地,在上面的描述中,模型一的目标函数为多个待选站址上建设的基站覆盖能力最大,模型一的约束条件为待选站址上建设基站的总成本小于预设成本并且待选站址上的建立的基站之间互相没有干扰或者干扰很小;模型一的目标函数还可以是所述多个待选站址中待选站址上建立基站的成本总和最小,模型一的约束条件可以是所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力达到预设能力并且待选站址上的建立的基站之间互相没有干扰或者干扰很小,例如,第三约束条件为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力达到预设能力,在这种情况下,模型一也需要转化为模型二,模型二转化为模型四,即模型一的目标函数本身是求最小值,不需要执行模型二转化为模型三的过程,直接将模型二转化为模型四,从而进行求解。
需要说明的是,在上述建立模型和求解模型的过程中,模型四为前述的第一模型的松弛模型,模型三可以为前述的第一模型,模型二为前述的第二模型,模型一为前述的第三模型。模型三为求解的标准形式,如果第一模型是满足标准形式,则可以不需要上述的模型一转换为模型二,模型二转换为模型三的过程。
也需要说明的是,S220和S230可以相互转换,即可以先将模型一的目标函数求解最大值转化为目标函数求解最小值的模型,再将目标函数求解最小值的模型转化为每个待选站址上只能选择一种类型的基站,从而进行S240的求解过程。
为了更好的说明本申请实施例提供的规划基站站址的方法,下面举例进行描述。
为了更好的描述下面的建立模型和求解模型的过程,下面对建立模型和求解模型过程中用到的符号进行解释:
i:栅格的index,设有N个
j:待选站址的index,设有M个
k:基站的类型的index,设有K类基站
xj.k:表示是否在候选点j建设第k类基站,是决策变量
yi:表示第i个栅格是否被覆盖
wi:栅格i的权重
xj.k:表示在待选站址j处建设第k类基站的费用
cri,j.k:待选站址j上建设基站k后在栅格i上的CSI电平值
sri,j.k:待选站址j上建设基站k后在栅格i上的SSB电平值
msji:栅格i的主服务站所对应的待选站址
mski:栅格i的主服务站所对应的基站类型
V'或V:不能同时建站的待选站址对的集合
C:总费用门限
W:总服务能力门限
Ui:表示在栅格i上有信号的(j,k)集合
csiThd:CSI电平达标门限
建立模型一,模型一的目标函数为多个待选站址上建设的基站覆盖能力最大,约束条件为待选站址上建设基站的总成本小于预设成本并且待选站址上的建立的基站之间互相没有干扰或者干扰很小。
在上述模型一中,xj.k∈{0,1},xj.k取1表示在候选点j建设第k类基站,xj.k取0表示在候选点j不建设第k类基站,yi∈{0,1},yi取1表示第i个栅格被覆盖,yi取0表示第i个栅格没有被覆盖。即上述公式(1)表示使得多个待选站址上建设的基站覆盖能力最大,公式(2)表示栅格i是否被覆盖的判断公式,当该栅格的主服务基站对应的CSI电平大于一定门限,表示该栅格被覆盖,否则,表示该覆盖不被覆盖。公式(4)表示所建设的总基站的总成本小于等于预算成本。公式(3)为栅格i的主服务基站的确定公式,在所有选基站中选取在该栅格上的SSB电平值最大的站作为该栅格的主服务基站,公式(5)表示每个待选站址上只能建设一个基站。公式(6)表示多个待选站址中不能同时建设基站的互斥待选站址不能同时建设基站,公式(6)xj'表示与xj互斥的待选站址。wj为权重信息。
将模型一转化为模型二,转化如下:
xj+xj'≤1(j,j')∈V' (10)
将模型二转化为模型三:
xj+xj'≤1(j,j')∈V' (10)
求解模型三:
将模型三中的公式(10)可以为前述的第一约束条件,用于指示多个待选站址中不能同时建设基站的互斥待选站址,将模型三中的公式(10)删除,得到模型三的松弛模型如下:
求解上述模型三的松弛模型的最优解,将该最优解确定为模型三的解的下界的初始值,求解模型三的一个可行解,该可行解确定为模型三的解的上界的初始值。
第一次分支:
假设x1=1,分别将x1=1代入模型三,得到子模型1(可选地,如果存在与x1互对应的待选站址互斥的待选站址,则将互斥的待选站址对应的决策变量赋值为0代入模型三得到子模型1),x1=0代入模型三,得到子模型2,x1在首次选择时可以随机选一个,子模型1和子模型2为模型四的两个子模型,首先可以求解子模型1的松弛模型的最优解和模型三的一个可行解(子模型1的松弛模型可以为将x1=1代入模型三之后,将公式(10)删除),具体地,可以利用前述的a)-f)确定子模型1的最优解,前述的a)-f)也可以称为概率递进法。可以利用贪婪算法或者启发式方法得到子模型1的一个可行解,将子模型1的可行解确定为模型三的解的上界,或者可以将子模型1的松弛模型的最优解确定为子模型1的可行解;然后以同样的方式求解子模型2的松弛模型的最优解和一个可行解(子模型2的松弛模型可以为将x1=0代入模型三之后,将公式(10)删除),子模型2的可行解若比子模型1的可行解小,则将子模型2的可行解更新为模型三的解的上界。在子模型1的松弛模型的最优解和子模型2的松弛模型的最优解将最小的一个确定为模型三的解的下界。
如果模型三的解的上界等于模型三的解的下界,或者模型三的解的上界和模型三的解的下界之差的绝对值小于预设值,模型三的解的上界与模型三的解的下界小于预设值可以理解为将模型三的解的上界代入模型三的目标函数得到一个值,将模型三的解的下界代入模型三的目标函数得到一个值,比较得到的这两个值之间的差值,如果差值小于预设值,可以将模型的解的上界或者模型三的解的下界确定为模型三的最优解。
如果模型三的解的上界不等于模型三的解的下界,或者模型三的解的上界和模型三的解的下界之差的绝对值大于预设值,模型三的解的上界与模型三的解的下界大于预设值可以理解为将模型三的解的上界代入模型三的目标函数得到一个值,将模型三的解的下界代入模型三的目标函数得到一个值,比较得到的这两个值之间的差值,大致大于预设值,则针对上次需要继续分支,根据公式(10)若x1等于1,则与x1对应的待选站址互斥的待选站址都不选,也即与x1互斥的决策变量都不选,假设x2与x1互斥,x3与x1不互斥,即x1对应的待选站址和x3对应的待选站址上可以同时建设基站。
第二次分支,将x1=1,x3=1代入模型三,得到子模型3,将x1=1,x3=0代入模型三,得到子模型4,将x1=0,x3=1代入模型三,得到子模型5,将x1=0,x3=0代入模型三,得到子模型6,将x1=0,x2=1代入模型三,得到子模型7,将x1=0,x2=0代入模型三,得到子模型8,此次分支,子模型集合包括子模型3、子模型4、子模型5、子模型6、子模型7和子模型8。可以利用前述的a)-f)确定这六个子模型的最优解,将这六个子模型的最优解中最小的一个最优解更新为模型三的解的下界。可以利用贪婪算法或者启发式方法得到这六个子模型的6个可行解,如果得到的某个可行解比模型三的解的上界小(若某个可行解代入目标函数之后比模型三的解的上界代入目标函数之后小),则利用小的可行解更新模型三的解的上界,如果得到的某个可行解比模型三的解的上界大(若某个可行解代入目标函数之后比模型三的解的上界代入目标函数之后大),则不更新。如果某一子模型最小的一个可行解大于模型三的解的上界,并将该最小的一个可行解对应的这支剪掉,例如,假设子模型5的最可行大于模型三的解的上界,则以后赋值确定子模型的过程中不会赋x1=0,x3=1。
根据上述方式依次进行分支,从而可以不断的缩小模型三的解的上界和模型三的解的下界直接的差距,当模型三的解的上界与模型三的解的下界直接的差距小于预设值或者差距为零时,可以将模型三的解的上界或者模型三的解的下界确定为模型三的最优解。
可选地,模型一的目标函数为所述多个待选站址中待选站址上建立基站的成本总和最小,约束条件为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力达到预设能力。下面描述建立模型一的过程。
在上述模型一中,xj.k∈{0,1},xj.k取1表示在候选点j建设第k类基站,xj.k取0表示在候选点j不建设第k类基站,yi∈{0,1},yi取1表示第i个栅格被覆盖,yi取0表示第i个栅格没有被覆盖。即上述公式(11)表示使得多个待选站址中待选站址上建立基站的成本总和最小,公式(12)表示栅格i是否被覆盖的判断公式,当该栅格的主服务基站对应的CSI电平大于一定门限,表示该栅格被覆盖,否则,表示该覆盖不被覆盖。公式(13)表示多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力达到预设能力。
将模型一转化为模型二,转化如下:
xj+xj'≤1(j,j')∈V' (10)
由于模型二的目标函数本身为求解最小值,则不需要将模型二转化为模型三的过程,直接根据上述的模型三的求解方式求解模型二的最优解,为了避免赘述,本申请实施例对此不作限定。
下面结合具体的例子描述本申请实施例的方法。
例一
1、确定待选站址和待服务对象。
待选站址可以根据业务专家根据经验和现网网络覆盖情况确定的可建站位置,其中待选站址354个,每个待选站址的站址类型为1(K=1),即不区分站址类型,规划区域的规格栅格化后的栅格有2258114个。
2、通过仿真平台仿真得到每个待选站址每类站型对应每个栅格的SSB电平和CSI电平,确定每个候选站与在每个栅格上的SSB和CSI电平,电平值的取值范围基本在-40-120dB。
3、统计站与站之间距离小于预设门限的待选站址集合和对打站址集合,统计确定有123对站不能同时建设基站。
4、确定目标函数和约束条件并建立数学模型一,假设确定目标函数为最大化覆盖率,约束为成本至多为295个基站的成本,步骤3中统计的互斥站址对不能同时建站,csiThd为-108。模型一如下:
将模型一转化为模型二:
xj+xj'≤1(j,j')∈V' (10)
将模型二转化为模型三:
xj+xj'≤1(j,j')∈V' (10)
将模型三中的公式(10)删除,得到模型三的松弛模型如下:
求解上述模型三的松弛模型的最优解得到模型三的解的下界初始值,对决策变量进行赋值之后,得到模型三的子模型,也可以求解子模型的松弛模型的最优解更新模型三的解的下界,子模型的松弛模型与模型三的松弛模型类似,只是会给部分决策变量进行赋值。下面具体描述求解模型三的松弛模型的最优解或者模型三的子模型的松弛模型的最优解,假设模型三的解的下界用db表示,模型三的解的上界用ub表示。
1),对每个决策变量进行赋值,以每个栅格i对应的j的集合Ui中的基站j按这些站在栅格i上的SSB电平sri,j进行排序,设排序在l位置的基站是jl,则根据条件概率公式可知基站jl为栅格i的主服务站址的概率为即以此类推,可得到每个基站为每个栅格的主服务基站的概率,从而又可以得到每个站的期望覆盖量然后将候选站按期望覆盖量进行从大到小排序,根据排序做以下操作:若站址j的排序号不大于295,则xj=min(1,xj+0.05),否则xj=max(0,xj-0.05),从而得到一个新的解x={xj,j=1,2,…,354}。随后针对新的x再做以上操作,直到前后两次的x不发生变化,此时即得到模型三的松弛模型或者子模型的松弛模型的一个最优解x*,根据x*确定y*,将y*代入公式(22)对应的目标值为w,若正在求解的子模型的松弛模型对应的子模型为同层(分支过程中的同层)子模型的第一个模型,则db:=w(:=表示更新),否则若w<db,则db:=w(即如果同层一个子模型的松弛模型的最优解相对于同层的另外一个子模型的松弛模型的最优解变小,则将较小的最优解更新为模型三的下界),从而完成对应模型三的解的下界的更新。
可选地,还需判断解x*是否满足完全满足约束xj+xj'≤1(j,j')∈V',若满足,则可知x*即为原模型的一个可行解,此时可同时确定模型三的解的上界,即若w<db,则ub:=w。此时可以不需要步骤2)。
2)用启发式方法得到子模型的可行解并更新模型三的解的上界,如果根据上面的x*满足xj+xj'≤1(j,j')∈V',则可以基于x*更新模型三的解的上界。具体地,将x*不涉及约束条件xj+xj'≤1的每个j对应的xj保留与x*一致,然后针对没有确定赋值的xj对应的基站统计每个基站的覆盖量(覆盖量不包含与值已经确定为1的站重叠覆盖的栅格),随后选择覆盖量最大的站将其对应的的值定为1,然后将与
3)判断ub是否等于db,若不满足则继续下一个步骤,若ub等于db,则算法停止,ub或者db对应的解即为模型三的最优解。
4)若ub不等于db,若某个子模型对应的松弛模型的解x*与该解x*对应的目标值w满足:x*不存在、x*满足xj+xj'<1(j,j')∈V'(表示该子分支已经为最优解,不必要继续对该分支的子模型进行分支)、w>ub这三个条件中的至少一个,则该子模型以及该子模型生成的分支模型将不会再被求解,需要将该子模型以及该子模型生成的分支模型从待求解的子模型中删除。
5)若ub不等于db,根据1)得到的x*中每个值为1的xj,统计与xj有约束xj+xj'≤1且取值为1的xj'的j'的格式记为enj,然后选择enj最大的xj作为决策变量进行赋值并分支。
即在该步骤5)中每次分支,尽可能使得所选择的待选地址存在较多的互斥待选地址,这样可以尽可能的加速更新模型三的解的下界,更有可能靠近模型三的最优解。
6),根据步骤5)中选择的xj进行赋值并分支,具体地,给xj分别赋值1和0,得到子模型当xj=1时,将与xj有约束的xj+xj'≤1的xj'赋值为0,将xj=1,xj'=0代入模型三中得到子模型,将xj=0代入模型三中得到子模型,将得到的子模型加入子模型集合,继续根据步骤1)求解子模型集合中的子模型的松弛模型的最优解和子模型的可行解,从而更新模型三的解的上界和模型三的解的下界。
通过上述参数仿真本申请的方法、贪婪算法或者遗传算法得到表1的仿真结果,由表1可知,在同样的需求下,本申请提供的方法利用336s得到用覆盖率为94.2%的基站选址方案,贪婪算法利用1946s得到覆盖率为92.37%的基站的选址方案,遗传算法用超过1小时得到覆盖率为93%的基站选址方案。由此结果可知,与贪婪算法和遗传算法相比,在同样的成本要求下,本申请的选址方案用最少的时间给出了最大服务能力的选址方案,其中与贪婪算法相比,多了2%的覆盖率的同时节省时间83%;与遗传算法相比,多了1%的覆盖率的同时节省10倍时间。
表1
性能 | 本申请的方法 | 贪婪算法 | 遗传算法 |
覆盖率 | 94.2% | 92.37% | 93% |
运行时间(s) | 336 | 1946 | 3549 |
例二
1、确定待选站址和待服务对象。
待选站址可以根据业务专家根据经验和现网网络覆盖情况确定的可建站位置,其中待选站址395个,每个待选站址的站址类型为1(K=1),即不区分站址类型,规划区域的规格栅格化后的栅格有2258114个。
2、通过仿真平台仿真得到每个待选站址每类站型对应每个栅格的SSB电平和CSI电平,确定每个候选站与在每个栅格上的SSB和CSI电平,电平值的取值范围基本在-40—120dB。
3、统计站与转之间距离小于预设门限的待选站址集合和对打站址集合,统计确定有123对站不能同时建设基站。
4、确定目标函数和约束条件并建立数学模型一,假设确定目标函数为最小化被选的站址数,约束为覆盖率至少达到92%,步骤3中统计的互斥站址对不能同时建站,csiThd为-108。
模型一如下:
将模型一转化为模型二,转化如下:
xj+xj'≤1(j,j')∈V' (10)
由于模型二的目标函数本身为求解最小值,因此,不需要将模型二转化为模型三的过程。具体求解模型二的最优解的过程参见例一的描述,例二的步骤1)-6)中与例一的步骤1)-6)对应。
1)对每个决策变量进行赋值,以每个栅格i对应的j的集合Ui中的基站j按这些站在栅格i上的SSB电平sri,j进行排序,设排序在l位置的基站是jl,则根据条件概率公式可知基站jl为栅格i的主服务站址的概率为即以此类推,可得到每个基站为每个栅格的主服务基站的概率,从而又可以得到每个站的期望覆盖量然后将候选站按期望覆盖量进行从大到小排序,根据排序做以下操作:按期望覆盖量从大到小依次选择站址,直到所选的站址j总覆盖量不小于0.92*2258114,设最后被选的j的按期望覆盖量的排序序号是N',若站址j的排序号不大于N',则xj=min(1,xj+0.05),否则xj=max(0,xj-0.05),从而得到一个新的解x={xj,j=1,2,…,395}。随后针对新的x再做以上操作,直到前后两次的x不发生变化,此时即得到模型二的松弛模型或者子模型的松弛模型的一个最优解x*,x*代入公式(28)对应的目标值为w,若正在求解的子模型的松弛模型对应的子模型为同层(分支过程中的同层)子模型的第一个模型,则db:=w,否则若w<db,则db=w(即如果同层一个子模型的松弛模型的最优解相对于同层的另外一个子模型的松弛模型的最优解变小,则将较小的最优解更新为模型二的下界),从而完成对应模型二的解的下界的更新。可选地,还需判断解x*是否满足完全满足约束xj+xj'≤1(j,j')∈V',若满足,则可知x*即为原模型的一个可行解,此时可同时确定模型二的解的上界,即若w<db,则ub:=w。
2)用启发式方法得到子模型的可行解并更新模型二的解的上界,如果根据上面的x*满足xj+xj'≤1(j,j')∈V',则可以基于x*更新模型二的解的上界。具体地,将x*不涉及约束条件xj+xj'≤1的每个j对应的xj保留与x*一致,然后针对没有确定赋值的xj对应的基站统计每个基站的覆盖量(覆盖量不包含与值已经确定为1的站重叠覆盖的栅格),随后选择覆盖量最大的站将其对应的的值定为1,然后将与有约束的所有j'对应的xj'赋值为0。然后再重复以上操作,直到取值为1的站址所覆盖的栅格数达到0.92*2258114,此时得到的解即为原问题的一个可行解,设该可行解对应的目标值为w',则若w'<ub,则ub:=w'。
3)判断ub是否等于db,若不满足则继续下一个步骤,若ub等于db,则算法停止,ub或者db对应的解即为模型二的最优解。
4)若ub不等于db,若某个子模型对应的松弛模型的解x*与该解x*对应的目标值w满足:x*不存在、x*满足xj+xj'<1(j,j')∈V'(表示该子分支已经为最优解,不必要继续对该分支的子模型进行分支)、w>ub这三个条件中的至少一个,则该子模型以及该子模型生成的分支模型将不会再被求解,需要将该子模型以及该子模型生成的分支模型从待求解的子模型中删除。
5)若ub不等于db,根据1)得到的x*中每个值为1的xj,统计与xj有约束xj+xj'≤1且取值为1的xj'的j'的格式记为enj,然后选择enj最大的xj作为决策变量进行赋值并分支。
即在该步骤5)中每次分支,尽可能使得所选择的待选地址存在较多的互斥待选地址,这样可以尽可能的加速更新模型二的解的下界,更有可能靠近模型二的最优解。
6),根据步骤5)中选择的xj进行赋值并分支,具体地,给xj分别赋值1和0,得到子模型当xj=1时,将与xj有约束的xj+xj'≤1的xj'赋值为0,将xj=1,xj'=0代入模型二中得到子模型,将xj=0代入模型二中得到子模型,将得到的子模型加入子模型集合,继续根据步骤1)求解子模型集合中的子模型的松弛模型的最优解和子模型的可行解,从而更新模型二的解的上界和模型二的解的下界。
通过上述参数仿真本申请的方法、贪婪算法或者遗传算法得到表1的仿真结果,由表1可知,在同样的覆盖率92%需求下,本申请的方法用300s得到用234个基站的选址方案,贪婪算法用1845s得到用295个基站的选址方案,遗传算法用超过1小时得到用284个基站的选址方案。由此结果可知,与贪婪算法和遗传算法相比,在同样的覆盖率要求下,本发明的选址方案用最少的时间给出了最节省成本的选址方案,其中与贪婪算法相比,节省成本20%同时节省时间83%;与遗传算法相比,节省成本17%的成本同时节省10倍时间。
表2
性能 | 本申请的方法 | 贪婪算法 | 遗传算法 |
站址数 | 234 | 295 | 284 |
运行时间(s) | 300 | 1845 | 3628 |
因此,本申请实施例提供的方法,在规划基站选址时,全局考虑了互斥的待选站址,并且利用子模型的松弛模型的最优解更新原模型的下界,利用子模型的可行解更新原模型的上界,在分支确定子模型的过程中考虑了不能同时建设基站的互斥待选站址约束条件,并且根据不能同时建设基站的互斥待选站址的约束条件能够进行剪支,从而提高确定原模型最优解的速度,与现有的贪婪算法或者遗传算法相比性能有较大的提升。
需要说明的是,在本申请实施例中,上述建模过程中的模型的约束条件可以修改,例如增加一些约束条件或者替换一些约束条件。也需要说明的是,上述建立过程中的公式可以修改或者等价替换,本申请实施例对此不作限定。
本文中描述的各个实施例可以为独立的方案,也可以根据内在逻辑进行组合,这些方案都落入本申请的保护范围中。
可以理解的是,上述各个方法实施例中由规划设备实现的方法和操作,也可以由可用于规划设备的部件(例如芯片或者电路)实现。
上文描述了本申请提供的方法实施例,下文将描述本申请提供的装置实施例。应理解,装置实施例的描述与方法实施例的描述相互对应,因此,未详细描述的内容可以参见上文方法实施例,为了简洁,这里不再赘述。
本申请实施例可以根据上述方法示例,对规划设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有其它可行的划分方式。下面以采用对应各个功能划分各个功能模块为例进行说明。
图5为本申请实施例提供的规划基站站址的装置500的示意性框图。该装置500包括处理单元510。处理单元510用于进行数据处理。
该装置500可以用于执行上文方法实施例中规划设备所执行的动作,这时,该装置500可以称为规划设备,处理单元510用于执行上文方法实施例中规划设备的处理相关的操作。
其中,处理单元510,用于确定规划基站站址的第一模型,所述第一模型包括第一约束条件,所述第一约束条件为所述第一模型中不能同时建设基站的互斥待选站址,所述第一模型的多个决策变量为所述多个待选站址中每个待选站址是否建设基站;
所述处理单元510,还用于根据所述第一约束条件对所述第一模型进行至少一次分支,得到子模型集合,所述子模型集合包括将所述第一模型分支之后的多个子模型,所述子模型集合中每个子模型的松弛模型为删除所述每个子模型中不能同时建设基站的互斥待选站址的约束条件;
所述处理单元510,还用于根据所述每个子模型的松弛模型的最优解和所述每个子模型的可行解确定所所述处理单元具体用于:
将所述多个决策变量中的第一决策变量赋第一值和第二值,进行一次分支,得到第一子模型和第二子模型,所述子模型集合包括所述第一子模型、所述第二子模型;
其中,所述多个决策变量中每个决策变量赋第一值表示在所述每个决策变量对应的待选站址上建设基站,所述多个决策变量中每个决策变量赋第二值表示在所述每个决策变量对应的待选站址上不建设基站。
作为一个可选实施例,所述处理单元510具体用于:
在所述第一决策变量赋所述第一值的情况下,根据所述第一约束条件在所述多个决策变量中选择与所述第一决策变量对应的待选站址不互斥的待选站址对应的第二决策变量赋所述第一值和所述第二值,选择与所述第二决策变量对应的待选站址互斥的待选站址对应的决策变量赋所述第二值,进行一次分支,得到第三子模型和第四子模型;
在所述第一决策变量赋所述第二值的情况下,根据所述第一约束条件在所述多个决策变量中选择与所述第一决策变量对应的待选站址互斥的待选站址对应的第三决策变量赋所述第一值和所述第二值,进行一次分支,确定第五子模型和第六子模型
其中,所述子模型集合包括所述第三子模型、所述第四子模型、所述第五子模型和所述第六子模型。
作为一个可选实施例,所述处理单元510具体用于:
将所述第三子模型的松弛模型的最优解、所述第四子模型的松弛模型的最优解、所述第五子模型的松弛模型的最优解和所述第六子模型的松弛模型的最优解中最小的值更新为所述第一模型的解的下界;
针对每次分支,根据分支后得到的多个子模型中每个子模型的可行解更新所述第一模型的解的上界;
根据所述第一模型的解的下界和所述第一模型的解的上界确定所述第一模型的最优解。
作为一个可选实施例,所述处理单元510具体用于:
针对每次分支,若所述每个子模型的最可行解中最小的可行解相对于上次分支中确定的所述第一模型的解的下界减小时,将减小后的可行解更新为所述第一模型的解的上界。
作为一个可选实施例,所述处理单元510还用于:
确定所述多个待选站址中每个待选站址建设基站的概率;
根据所述每个待选站址建设基站的概率确定多个栅格中每个栅格的被所述每个待选站址上所建设的基站覆盖的概率;
根据所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率确定所述每个待选站址上所建设的基站的期望覆盖率;
将所述每个待选站址上所建设的基站的期望覆盖率进行排序更新所述每个待选站址建设基站的概率;
根据更新后的所述每个待选站址建设基站的概率确定所述每个子模型的最优解。
作为一个可选实施例,所述处理单元510具体用于:
在所述多个栅格中每个栅格上测量所述每个待选站址上所建设的基站模拟发送的同步信号块SSB而产生的SSB电平;
根据所述每个栅格上的SSB电平的排序确定所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率。
作为一个可选实施例,所述处理单元510还用于:
删除所述第一模型中的所述第一约束条件之后,得到所述第一模型的松弛模型;
将所述第一模型的松弛模型的最优解确定为所述第一模型的解的下界的初始值;
将所述第一模型的可行解确定为所述第一模型的解的上界的初始值。
作为一个可选实施例,所述处理单元510还用于:
在所述确定规划基站站址的第一模型之前,将第二模型转化为所述第一模型,所述第二模型的目标函数为求解最大值,所述第一模型的目标函数为求解最小值。
作为一个可选实施例,所述第二模型的目标函数为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力最大,所述第二模型包括所述第一约束条件和第二约束条件,所述第二约束条件为所述多个待选站址中待选站址上建立基站的成本总和小于预设成本。
作为一个可选实施例,所述处理单元510还用于:
在所述确定规划基站站址的第一模型之前,将第三模型转化为所述第一模型,多个类型的基站中的每个类型的基站能够给被所述第三模型的每个待选站址选择,只有一个类型的基站能够给被所述第一模型的每个待选站址选择,不同类型的基站覆盖栅格的能力不同。
作为一个可选实施例,所述第三模型的目标函数为所述多个待选站址中待选站址上建立基站的成本总和最小,所述第三模型包括所述第一约束条件和第三约束条件,所述第三约束条件为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力达到预设能力述第一模型的最优解。
作为一个可选实施例,装置500还包括输出单元520,用于向显示设备输出所述第一模型的最优解。
根据本申请实施例的装置500可对应于执行本申请实施例中描述的方法,并且装置500中的单元的上述和其它操作和/或功能分别为了实现图2-图4中的方法的相应流程,为了简洁,在此不再赘述。
图6是本申请实施例提供的规划基站站址的装置600的结构性示意性图。所述处理数据的装置600包括:处理器610、存储器620、通信接口630、总线640。
应理解,图6所示的装置600中的处理器610可以对应于图5中的装置500中的处理单元510。图6所示的通信接口630用于与仿真设备和/或显示设备通信。
其中,该处理器610可以与存储器620连接。该存储器620可以用于存储该程序代码和数据。因此,该存储器620可以是处理器610内部的存储单元,也可以是与处理器610独立的外部存储单元,还可以是包括处理器610内部的存储单元和与处理器610独立的外部存储单元的部件。
可选的,装置600还可以包括总线640。其中,存储器620、通信接口630可以通过总线640与处理器610连接。总线640可以是外设部件互连标准(peripheral componentinterconnect,PCI)总线或扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。所述总线640可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
应理解,在本申请实施例中,该处理器610可以采用中央处理单元(centralprocessing unit,CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器610采用一个或多个集成电路,用于执行相关程序,以实现本申请实施例所提供的技术方案。
该存储器620可以包括只读存储器和随机存取存储器,并向处理器610提供指令和数据。处理器610的一部分还可以包括非易失性随机存取存储器。例如,处理器610还可以存储设备类型的信息。
在装置600运行时,所述处理器610执行所述存储器620中的计算机执行指令以通过所述装置600执行上述方法的操作步骤。
应理解,根据本申请实施例的装置600可对应于本申请实施例中的装置500,并且装置600中的各个单元的上述和其它操作和/或功能分别为了实现方法的相应流程,为了简洁,在此不再赘述。
可选地,在一些实施例中,本申请实施例还提供了一种计算机可读介质,所述计算机可读介质存储有程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行上述各方面中的方法。
可选地,在一些实施例中,本申请实施例还提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行上述各方面中的方法。
在本申请实施例中,终端设备或网络设备包括硬件层、运行在硬件层之上的操作系统层,以及运行在操作系统层上的应用层。其中,硬件层可以包括中央处理器(centralprocessing unit,CPU)、内存管理单元(memory management unit,MMU)和内存(也称为主存)等硬件。操作系统层的操作系统可以是任意一种或多种通过进程(process)实现业务处理的计算机操作系统,例如,Linux操作系统、Unix操作系统、Android操作系统、iOS操作系统或windows操作系统等。应用层可以包含浏览器、通讯录、文字处理软件、即时通信软件等应用。
本申请实施例并未对本申请实施例提供的方法的执行主体的具体结构进行特别限定,只要能够通过运行记录有本申请实施例提供的方法的代码的程序,以根据本申请实施例提供的方法进行通信即可。例如,本申请实施例提供的方法的执行主体可以是终端设备或网络设备,或者,是终端设备或网络设备中能够调用程序并执行程序的功能模块。
本申请的各个方面或特征可以实现成方法、装置或使用标准编程和/或工程技术的制品。本文中使用的术语“制品”可以涵盖可从任何计算机可读器件、载体或介质访问的计算机程序。例如,计算机可读介质可以包括但不限于:磁存储器件(例如,硬盘、软盘或磁带等),光盘(例如,压缩盘(compact disc,CD)、数字通用盘(digital versatile disc,DVD)等),智能卡和闪存器件(例如,可擦写可编程只读存储器(erasable programmableread-only memory,EPROM)、卡、棒或钥匙驱动器等)。
本文描述的各种存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于:无线信道和能够存储、包含和/或承载指令和/或数据的各种其它介质。
应理解,本申请实施例中提及的处理器可以是中央处理单元(centralprocessing unit,CPU),还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中提及的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM)。例如,RAM可以用作外部高速缓存。作为示例而非限定,RAM可以包括如下多种形式:静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
需要说明的是,当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时,存储器(存储模块)可以集成在处理器中。
还需要说明的是,本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的保护范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。此外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上,或者说对现有技术做出贡献的部分,或者该技术方案的部分,可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,该计算机软件产品包括若干指令,该指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。前述的存储介质可以包括但不限于:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (26)
1.一种规划基站站址的方法,其特征在于,包括:
确定规划基站站址的第一模型,所述第一模型包括第一约束条件,所述第一约束条件为所述第一模型中不能同时建设基站的互斥待选站址,所述第一模型的多个决策变量为所述多个待选站址中每个待选站址是否建设基站;
根据所述第一约束条件对所述第一模型进行至少一次分支,得到子模型集合,所述子模型集合包括将所述第一模型分支之后的多个子模型,所述子模型集合中每个子模型的松弛模型为删除所述每个子模型中不能同时建设基站的互斥待选站址的约束条件;
根据所述每个子模型的松弛模型的最优解和所述每个子模型的可行解确定所述第一模型的最优解。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一约束条件对所述第一模型进行至少一次分支,得到子模型集合,包括:
将所述第一模型中的所述多个决策变量中的第一决策变量赋第一值和第二值,进行一次分支,得到第一子模型和第二子模型,所述子模型集合包括所述第一子模型、所述第二子模型;
其中,所述多个决策变量中每个决策变量赋第一值表示在所述每个决策变量对应的待选站址上建设基站,所述多个决策变量中每个决策变量赋第二值表示在所述每个决策变量对应的待选站址上不建设基站。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在所述第一决策变量赋所述第一值的情况下,根据所述第一约束条件在所述多个决策变量中选择与所述第一决策变量对应的待选站址不互斥的待选站址对应的第二决策变量赋所述第一值和所述第二值,选择与所述第二决策变量对应的待选站址互斥的待选站址对应的决策变量赋所述第二值,进行一次分支,得到第三子模型和第四子模型;
在所述第一决策变量赋所述第二值的情况下,根据所述第一约束条件在所述多个决策变量中选择与所述第一决策变量对应的待选站址互斥的待选站址对应的第三决策变量赋所述第一值和所述第二值,进行一次分支,确定第五子模型和第六子模型;
其中,所述子模型集合包括所述第三子模型、所述第四子模型、所述第五子模型和所述第六子模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述每个子模型的松弛模型的最优解和所述每个子模型的可行解确定所述第一模型的最优解,包括:
将所述第三子模型的松弛模型的最优解、所述第四子模型的松弛模型的最优解、所述第五子模型的松弛模型的最优解和所述第六子模型的松弛模型的最优解中最小的值更新为所述第一模型的解的下界;
针对每次分支,根据分支后得到的多个子模型中每个子模型的可行解更新所述第一模型的解的上界;
根据所述第一模型的解的下界和所述第一模型的解的上界确定所述第一模型的最优解。
5.根据权利要求4所述的方法,其特征在于,所述针对每次分支,根据分支后得到的多个子模型中每个子模型的可行解更新所述第一模型的解的上界,包括:
针对每次分支,若所述每个子模型的最可行解中最小的可行解相对于上次分支中确定的所述第一模型的解的下界减小时,将减小后的可行解更新为所述第一模型的解的上界。
6.根据权利要求3至5中任一项所述的方法,其特征在于,所述方法还包括:
确定所述多个待选站址中每个待选站址建设基站的概率;
根据所述每个待选站址建设基站的概率确定多个栅格中每个栅格的被所述每个待选站址上所建设的基站覆盖的概率;
根据所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率确定所述每个待选站址上所建设的基站的期望覆盖率;
将所述每个待选站址上所建设的基站的期望覆盖率进行排序更新所述每个待选站址建设基站的概率;
根据更新后的所述每个待选站址建设基站的概率确定所述每个子模型的松弛模型的最优解。
7.根据权利要求6所述的方法,其特征在于,所述根据所述每个待选站址建设基站的概率确定所述多个栅格中每个栅格的被所述每个待选站址上所建设的基站覆盖的概率,包括:
在所述多个栅格中每个栅格上测量所述每个待选站址上所建设的基站模拟发送的同步信号块SSB而产生的SSB电平;
根据所述每个栅格上的SSB电平的排序确定所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述方法还包括:
删除所述第一模型中的所述第一约束条件之后,得到所述第一模型的松弛模型;
将所述第一模型的松弛模型的最优解确定为所述第一模型的解的下界的初始值;
将所述第一模型的可行解确定为所述第一模型的解的上界的初始值。
9.根据权利要求1至8中任一项所述的方法,其特征在于,在所述确定规划基站站址的第一模型之前,所述方法还包括:
将第二模型转化为所述第一模型,所述第二模型的目标函数为求解最大值,所述第一模型的目标函数为求解最小值。
10.根据权利要求9所述的方法,其特征在于,所述第二模型的目标函数为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力最大,所述第二模型包括所述第一约束条件和第二约束条件,所述第二约束条件为所述多个待选站址中待选站址上建立基站的成本总和小于预设成本。
11.根据权利要求1至10中任一项所述的方法,其特征在于,在所述确定规划基站站址的第一模型之前,所述方法还包括:
将第三模型转化为所述第一模型,多个类型的基站中的每个类型的基站能够给被所述第三模型的每个待选站址选择,只有一个类型的基站能够给被所述第一模型的每个待选站址选择,不同类型的基站覆盖栅格的能力不同。
12.根据权利要求11所述的方法,其特征在于,所述第三模型的目标函数为所述多个待选站址中待选站址上建立基站的成本总和最小,所述第三模型包括所述第一约束条件和第三约束条件,所述第三约束条件为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力达到预设能力。
13.一种规划基站站址的装置,其特征在于,包括:
处理单元,用于确定规划基站站址的第一模型,所述第一模型包括第一约束条件,所述第一约束条件为所述第一模型中不能同时建设基站的互斥待选站址,所述第一模型的多个决策变量为所述多个待选站址中每个待选站址是否建设基站;
所述处理单元还用于根据所述第一约束条件对所述第一模型进行至少一次分支,得到子模型集合,所述子模型集合包括将所述第一模型分支之后的多个子模型,所述子模型集合中每个子模型的松弛模型为删除所述每个子模型中不能同时建设基站的互斥待选站址的约束条件;
所述处理单元还用于根据所述每个子模型的松弛模型的最优解和所述每个子模型的可行解确定所述第一模型的最优解。
14.根据权利要求13所述的装置,其特征在于,所述处理单元具体用于:
将所述多个决策变量中的第一决策变量赋第一值和第二值,进行一次分支,得到第一子模型和第二子模型,所述子模型集合包括所述第一子模型、所述第二子模型;
其中,所述多个决策变量中每个决策变量赋第一值表示在所述每个决策变量对应的待选站址上建设基站,所述多个决策变量中每个决策变量赋第二值表示在所述每个决策变量对应的待选站址上不建设基站。
15.根据权利要求14所述的装置,其特征在于,所述处理单元具体用于:
在所述第一决策变量赋所述第一值的情况下,根据所述第一约束条件在所述多个决策变量中选择与所述第一决策变量对应的待选站址不互斥的待选站址对应的第二决策变量赋所述第一值和所述第二值,选择与所述第二决策变量对应的待选站址互斥的待选站址对应的决策变量赋所述第二值,进行一次分支,得到第三子模型和第四子模型;
在所述第一决策变量赋所述第二值的情况下,根据所述第一约束条件在所述多个决策变量中选择与所述第一决策变量对应的待选站址互斥的待选站址对应的第三决策变量赋所述第一值和所述第二值,进行一次分支,确定第五子模型和第六子模型
其中,所述子模型集合包括所述第三子模型、所述第四子模型、所述第五子模型和所述第六子模型。
16.根据权利要求15所述的装置,其特征在于,所述处理单元具体用于:
将所述第三子模型的松弛模型的最优解、所述第四子模型的松弛模型的最优解、所述第五子模型的松弛模型的最优解和所述第六子模型的松弛模型的最优解中最小的值更新为所述第一模型的解的下界;
针对每次分支,根据分支后得到的多个子模型中每个子模型的可行解更新所述第一模型的解的上界;
根据所述第一模型的解的下界和所述第一模型的解的上界确定所述第一模型的最优解。
17.根据权利要求16所述的装置,其特征在于,所述处理单元具体用于:
针对每次分支,若所述每个子模型的最可行解中最小的可行解相对于上次分支中确定的所述第一模型的解的下界减小时,将减小后的可行解更新为所述第一模型的解的上界。
18.根据权利要求15至17中任一项所述的装置,其特征在于,所述处理单元还用于:
确定所述多个待选站址中每个待选站址建设基站的概率;
根据所述每个待选站址建设基站的概率确定多个栅格中每个栅格的被所述每个待选站址上所建设的基站覆盖的概率;
根据所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率确定所述每个待选站址上所建设的基站的期望覆盖率;
将所述每个待选站址上所建设的基站的期望覆盖率进行排序更新所述每个待选站址建设基站的概率;
根据更新后的所述每个待选站址建设基站的概率确定所述每个子模型的最优解。
19.根据权利要求18所述的装置,其特征在于,所述处理单元具体用于:
在所述多个栅格中每个栅格上测量所述每个待选站址上所建设的基站模拟发送的同步信号块SSB而产生的SSB电平;
根据所述每个栅格上的SSB电平的排序确定所述每个栅格被所述每个待选站址上所建设的基站覆盖的概率。
20.根据权利要求13至19中任一项所述的装置,其特征在于,所述处理单元还用于:
删除所述第一模型中的所述第一约束条件之后,得到所述第一模型的松弛模型;
将所述第一模型的松弛模型的最优解确定为所述第一模型的解的下界的初始值;
将所述第一模型的可行解确定为所述第一模型的解的上界的初始值。
21.根据权利要求13至20中任一项所述的装置,其特征在于,所述处理单元还用于:
在所述确定规划基站站址的第一模型之前,将第二模型转化为所述第一模型,所述第二模型的目标函数为求解最大值,所述第一模型的目标函数为求解最小值。
22.根据权利要求21所述的装置,其特征在于,所述第二模型的目标函数为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力最大,所述第二模型包括所述第一约束条件和第二约束条件,所述第二约束条件为所述多个待选站址中待选站址上建立基站的成本总和小于预设成本。
23.根据权利要求13至22中任一项所述的装置,其特征在于,所述处理单元还用于:
在所述确定规划基站站址的第一模型之前,将第三模型转化为所述第一模型,多个类型的基站中的每个类型的基站能够给被所述第三模型的每个待选站址选择,只有一个类型的基站能够给被所述第一模型的每个待选站址选择,不同类型的基站覆盖栅格的能力不同。
24.根据权利要求23所述的装置,其特征在于,所述第三模型的目标函数为所述多个待选站址中待选站址上建立基站的成本总和最小,所述第三模型包括所述第一约束条件和第三约束条件,所述第三约束条件为所述多个待选站址栅格化后的多个栅格被所述多个待选站址中每个待选站址上所建设的基站覆盖能力达到预设能力。
25.一种装置,其特征在于,包括处理器和存储器,所述处理器与所述存储器耦合,所述存储器用于存储计算机程序或指令,所述处理器用于执行存储器中的所述计算机程序或指令,使得权利要求1至12中任一项所述的方法被执行。
26.一种计算机可读存储介质,其特征在于,存储有用于实现权利要求1至12中任一项所述的方法的程序或者指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413325.1A CN113133006B (zh) | 2019-12-31 | 2019-12-31 | 规划基站站址的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413325.1A CN113133006B (zh) | 2019-12-31 | 2019-12-31 | 规划基站站址的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113133006A true CN113133006A (zh) | 2021-07-16 |
CN113133006B CN113133006B (zh) | 2023-09-12 |
Family
ID=76770413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911413325.1A Active CN113133006B (zh) | 2019-12-31 | 2019-12-31 | 规划基站站址的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113133006B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117939484A (zh) * | 2024-03-25 | 2024-04-26 | 北京市城市规划设计研究院 | 基于线性规划考虑信号损耗的5g基站选址方法和装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101610527A (zh) * | 2009-06-24 | 2009-12-23 | 北京邮电大学 | 一种用于td-hspa+mimo系统的s-parc单双流选择方法 |
CN102708519A (zh) * | 2012-05-09 | 2012-10-03 | 华北电力大学 | 一种基于自由搜索算法的变电站优化选址方法 |
CN105224993A (zh) * | 2014-05-29 | 2016-01-06 | 国家电网公司 | 一种优化配电网运行的变电站规划方法 |
CN107222871A (zh) * | 2017-06-19 | 2017-09-29 | 国网浙江省电力公司嘉兴供电公司 | 一种td‑lte 230无线专网电力基站规划方法 |
CN107506914A (zh) * | 2017-08-13 | 2017-12-22 | 天津大学 | 计及分布式电源渗透率变化的变电站动态扩展规划方法 |
CN107517467A (zh) * | 2017-07-10 | 2017-12-26 | 清华大学 | 一种面向过程优化的多天线海域信息港协同资源调配方法 |
CN108549966A (zh) * | 2018-03-07 | 2018-09-18 | 国网北京市电力公司 | 一种考虑运行灵活性的配电网规划方法 |
WO2019037683A1 (zh) * | 2017-08-23 | 2019-02-28 | 中兴通讯股份有限公司 | 一种基站的部署方法及装置 |
CN109460852A (zh) * | 2018-09-28 | 2019-03-12 | 广东电网有限责任公司 | 一种基站选址方法及系统、计算机设备及可读存储介质 |
CN109561446A (zh) * | 2017-09-27 | 2019-04-02 | 中国移动通信集团设计院有限公司 | 一种高铁高速场景下无线网络优化的方法及装置 |
CN109636137A (zh) * | 2018-11-23 | 2019-04-16 | 浙江华云电力工程设计咨询有限公司 | 基于层次分析的电动汽车充电站规划布局方法和系统 |
CN109685251A (zh) * | 2018-11-29 | 2019-04-26 | 一汽-大众汽车有限公司 | 一种电动设施充电站选址优化方法、装置及存储介质 |
CN109788489A (zh) * | 2019-02-21 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种基站规划方法及装置 |
CN109886468A (zh) * | 2019-01-22 | 2019-06-14 | 河海大学 | 基于改进的自适应遗传算法的充电站规划方法 |
-
2019
- 2019-12-31 CN CN201911413325.1A patent/CN113133006B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101610527A (zh) * | 2009-06-24 | 2009-12-23 | 北京邮电大学 | 一种用于td-hspa+mimo系统的s-parc单双流选择方法 |
CN102708519A (zh) * | 2012-05-09 | 2012-10-03 | 华北电力大学 | 一种基于自由搜索算法的变电站优化选址方法 |
CN105224993A (zh) * | 2014-05-29 | 2016-01-06 | 国家电网公司 | 一种优化配电网运行的变电站规划方法 |
CN107222871A (zh) * | 2017-06-19 | 2017-09-29 | 国网浙江省电力公司嘉兴供电公司 | 一种td‑lte 230无线专网电力基站规划方法 |
CN107517467A (zh) * | 2017-07-10 | 2017-12-26 | 清华大学 | 一种面向过程优化的多天线海域信息港协同资源调配方法 |
CN107506914A (zh) * | 2017-08-13 | 2017-12-22 | 天津大学 | 计及分布式电源渗透率变化的变电站动态扩展规划方法 |
WO2019037683A1 (zh) * | 2017-08-23 | 2019-02-28 | 中兴通讯股份有限公司 | 一种基站的部署方法及装置 |
CN109561446A (zh) * | 2017-09-27 | 2019-04-02 | 中国移动通信集团设计院有限公司 | 一种高铁高速场景下无线网络优化的方法及装置 |
CN108549966A (zh) * | 2018-03-07 | 2018-09-18 | 国网北京市电力公司 | 一种考虑运行灵活性的配电网规划方法 |
CN109460852A (zh) * | 2018-09-28 | 2019-03-12 | 广东电网有限责任公司 | 一种基站选址方法及系统、计算机设备及可读存储介质 |
CN109636137A (zh) * | 2018-11-23 | 2019-04-16 | 浙江华云电力工程设计咨询有限公司 | 基于层次分析的电动汽车充电站规划布局方法和系统 |
CN109685251A (zh) * | 2018-11-29 | 2019-04-26 | 一汽-大众汽车有限公司 | 一种电动设施充电站选址优化方法、装置及存储介质 |
CN109886468A (zh) * | 2019-01-22 | 2019-06-14 | 河海大学 | 基于改进的自适应遗传算法的充电站规划方法 |
CN109788489A (zh) * | 2019-02-21 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种基站规划方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117939484A (zh) * | 2024-03-25 | 2024-04-26 | 北京市城市规划设计研究院 | 基于线性规划考虑信号损耗的5g基站选址方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113133006B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210133536A1 (en) | Load prediction method and apparatus based on neural network | |
CN109788489B (zh) | 一种基站规划方法及装置 | |
CN111612528A (zh) | 用户分类模型的确定方法、装置、设备及存储介质 | |
CN111428991A (zh) | 用于确定配送车辆的方法和装置 | |
CN110838072A (zh) | 一种基于社区发现的社交网络影响力最大化方法及系统 | |
CN108805174A (zh) | 聚类方法及装置 | |
CN113133006B (zh) | 规划基站站址的方法和装置 | |
CN112819157B (zh) | 神经网络训练的方法及装置、智能行驶控制的方法及装置 | |
CN111209930A (zh) | 一种生成授信策略的方法、装置和电子设备 | |
Benbouzid-SiTayeb et al. | An effective multi-objective hybrid immune algorithm for the frequency assignment problem | |
CN113936082A (zh) | 点云数据渲染方法、装置、设备及存储介质 | |
CN111932302B (zh) | 一种区域中业务站点数量的确定方法、装置、设备及系统 | |
CN111400150A (zh) | 一种芯片性能验证方法、系统、设备及计算机存储介质 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN106557787A (zh) | 基于量子蛙跳算法的聚类方法、装置及量子蛙跳算法 | |
CN113435502B (zh) | 站点流量确定方法、装置、设备及存储介质 | |
CN115080391A (zh) | 一种确定自动驾驶关键场景方法及装置 | |
CN113254218A (zh) | 模型的资源部署方法、系统、设备及存储介质 | |
CN111476886A (zh) | 智慧建筑楼宇三维模型渲染方法及楼宇云服务器 | |
CN111787487A (zh) | 确定场景小区资源的方法、装置、设备及存储介质 | |
CN113676913B (zh) | 邻区列表配置方法、装置及服务器 | |
CN116362520B (zh) | 一种多模式交通网络区域划分方法、装置、设备及介质 | |
CN114222307B (zh) | 扇区重叠覆盖区域的确定方法、装置和电子设备 | |
CN117896671B (zh) | 一种蓝牙aoa基站智能管理方法及系统 | |
FI129343B (en) | Real-time process control with limited resources |
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 |