CN113645632B - 基于人工免疫优化和可视多边形算法的5g基站布局方法 - Google Patents

Abstract

本发明提供了基于人工免疫优化和可视多边形算法的5G基站布局方法，将5G通信基站布局选址问题建模转化为最大覆盖面积问题，以可视多边形算法模拟信号毫米波传播范围，将选址方案基站总覆盖范围可视多边形面积作为评价指标，集成到人工免疫优化算法中求解，为5G通信基站选址提供部署方案。本发明不仅提高了基站信号覆盖范围，还减少了所需建设基站的数量，解决了5G通信基站建设的成本和能源消耗问题，对5G通信基站部署提供了重要的理论指导和技术方法支持。

Description

基于人工免疫优化和可视多边形算法的5G基站布局方法

技术领域

本发明属于移动通信技术领域，具体涉及基于人工免疫优化和可视多边形算法的5G基站布局方法。

背景技术

5G通信技术使用毫米波来实现高速率、低延迟和大容量的无线通信。然而，由于毫米波很难穿透建筑物，毫米波较高的传播和损耗使得5G通信基站的有效覆盖范围极其有限。由于5G通信基站超密集异构网络特点、建筑物阻碍毫米波信号传播以及其它相关技术发展的约束，其基站的选址是较为关键的一步，为5G网络建设提供前提和保障。为保证信号传播覆盖范围最佳的同时尽可能减少基站数量，降低成本，需要优化5G基站布局规划，满足公众服务和创新应用需求。

根据5G通信基站毫米波信号传播易受建筑物阻碍的特点，可以对5G通信基站信号传播使用可视多边形算法，将建筑物作为空间内的一组障碍物，将每个5G通信基站作为一目标点来模拟其信号传播覆盖范围。可视多边形是一种二维浮点可见性算法，是一种模拟现实生活中可见范围的数学抽象。可见性算法大多基于三角剖分原理，是几何计算基本问题之一。可视多边形作为一种可见性算法，它基于欧几里得距离，在给定欧几里得空间内，将带孔多边形作为空间内的一组障碍物，用线段将目标点与多边形各顶点进行有序连接，如果线段不与任何障碍相交，则认为空间内的这两点相互可见。可视多边形即为某一目标点的所有可见点的集合，将该集合的点作为可视多边形各顶点，由此得到可视多边形。该算法在传感器、城市及建筑规划、制造、设施位置规划、游戏等领域被广泛应用。

在5G通信基站布局选址中，人工免疫优化算法的抗体产生和多样性机制可满足5G通信基站中在多个不同位置布局基站的要求，同时又保证布局基站信号覆盖范围最佳。人工免疫优化算法(AIS)是指以在人工免疫系统的理论为基础，模拟生物免疫系统的抗原识别、细胞分化、记忆和自我调节等功能的一类启发式优化算法。在人工免疫优化算法中，将待优化问题的目标函数映射为抗原，待优化问题的解映射为抗体，解与目标函数的匹配程度映射为抗体的亲和度。人工免疫优化算法模拟生物免疫系统学习和认知功能，利用抗体可产生和维持多样性的机制，保证了种群的多样性，可求得全局最优解。其基本步骤包括：(1)初始化种群生成；(2)亲和度评价，计算抗体的亲和度大小；(3)抗体免疫处理，免疫处理包括免疫选择、克隆、变异和抑制等。免疫算法最终得到的抗体为问题的最优解，相比遗传算法增加了抗体促进与抑制的步骤，使抗体不断朝着有利的方向进化，并剔除亲和度低的抗体。因此，人工免疫优化算法具有随机性、全局收敛性、种群多样性等优点，在空间优化问题上得到广泛的应用。因此，人工免疫优化算法适用于5G通信基站布局选址。

使用可视多边形算法模拟基站信号传播覆盖范围，基站选址过程即为搜索信号传播覆盖面积最大的点集合。利用人工免疫优化算法解决5G通信基站选址问题的本质就是利用更新“抗体”和维持“抗体”多样性的机制搜索基站点最优方案将可视多边形与免疫算法结合，以信号传播可视多边形覆盖面积作为免疫算法评价指标，在5G通信基站布局选址中有显著的优势。

发明内容

本发明要解决的技术问题是：提供基于人工免疫优化和可视多边形算法的5G基站布局方法，用于在保证信号传播覆盖范围最佳的同时尽可能减少基站数量。

本发明为解决上述技术问题所采取的技术方案为：基于人工免疫优化和可视多边形算法的5G基站布局方法，包括以下步骤：

S1：用规则的网格点表示连续的区域，基于空间离散化方法对基站待部署区域进行离散化建模，设每个网格点表示一个5G基站候选点，离散化后生成5G基站候选点集合C，C中包含的点数量为c；

S2：构建可视多边形，通过可视多边形算法模拟基站信号的传播覆盖范围，得到每个5G基站候选点的信号传播可视多边形的覆盖面及面积大小；

S3：采用简单编码方式将5G基站的每一个选址方案编码为人工免疫优化算法的一个抗体；将每个5G基站候选点编码对应为一个基因，表示为{1、2、3、4...}，并将每个5G基站候选点的地理坐标静态存储在基因中；一个抗体对应一种选址方案，表示被选为基站点的序列，对应抗体中包含的基因；

S4：设置评价抗体亲和度的函数，用于根据给定的基站数量选取信号传播覆盖范围最大的选址方案；

S5：采用人工免疫优化算法求解选址方案，具体步骤为：

S51：构建初始抗体种群，将种群信息定义为一个结构体，结构体中包含每个抗体的亲和度、浓度、激励度、抗体基因链；

S52：计算种群中每个抗体的亲和度值；对种群中的每个抗体进行亲和度评价，亲和度水平越高，表示抗体代表的选址方案越优秀；

S53：计算抗体浓度与抗体激励度；

S54：生成父代种群并加入保留精英抗体，初始化并更新记忆库；

S55：对当前父代种群依据轮盘赌机制进行免疫选择操作，产生同样群体规模的种群，其中激励度较高的抗体有更大概率被选中作为父代抗体；

S56：按交叉概率对步骤S55中被选中的抗体进行免疫交叉；

S57：按照变异概率对步骤S56得到的新种群的抗体进行免疫变异；

S58：根据终止条件判断是否终止迭代，并在满足终止条件后输出选址方案；

S6：解码步骤S5输出的选址方案得到5G基站点的坐标数据，从而得到5G基站布局的最优方案。

按上述方案，所述的步骤S2中，具体步骤为：

S21：将5G基站候选点作为视线观察点，假设基站信号传播半径为r，基于GIS缓冲区方法对5G基站候选点作缓冲区分析，缓冲区半径为r，将基站缓冲区范围作为视线探测范围区域，将从5G基站候选点向四周传播的信号模拟为视线，将建筑物作为遮挡视线障碍物；

S22：对5G基站候选点做通视分析，通过探测区域范围内的信号与建筑障碍物之间的可视情况，计算5G基站候选点的可视多边形范围，计算分析结果得到可视多边形的坐标数据；利用基于GIS创建多边形矢量的方法将坐标数据创建为一矢量面，得到每个5G基站候选点的信号可视多边形覆盖面；

S23：若5G基站候选点之间的可视多边形存在重叠情况时，合并所有5G基站候选点的可视多边形，得到选址方案基站总覆盖范围可视多边形。

按上述方案，所述的步骤S4中，具体步骤为：

以步骤S2得到的选址方案基站总覆盖范围可视多边形面积作为评价选址方案的优劣的指标，一组选址方案中5G基站的信号传播的总覆盖范围可视多边形面积越大，表明该选址方案越好；其中评价指标对应人工免疫优化算法的抗体亲和度，选址方案对应抗体；设种群中第i个抗体代表的选址方案中基站总覆盖范围可视多边形面积为VisA_i；设去除包括建筑物、湖泊的无法部署基站的区域后，基站待部署区域的总面积为A；采用以下评价函数评价抗体亲和度F：

按上述方案，所述的步骤S51中，具体步骤为：

S511：设置初始化抗体群规模为N，记忆库容量为h；设免疫操作的交叉概率为P_c，变异概率为P_m，多样性评价参数为P_s，抗体长度为p表示每个抗体中包含p个基因，最大迭代次数G；

S512：按照编码规则在5G基站候选点集合C中随机选择p个5G基站候选点生成为一个抗体；将选中的p个候选点从集合C中排除以避免出现重复候选点；

S513：重复执行N次步骤S512，生成具有N个抗体的初始抗体种群。

进一步的，所述的步骤S511中，参数设置范围为：

最大迭代次数G的取值范围为20～200；

种群规模N的取值范围为20～200；

交叉概率P_c的取值范围为0.3～0.8；

变异概率P_m的取值范围为0.3～0.8；

多样性评价参数P_s的取值范围为0.0～1.0。

进一步的，所述的步骤S53中，具体步骤为：

S531：通过比较抗体与其它抗体的基因链得到浓度，每个基因通过编码对应一个数字序号，若序号相同，则表明两个抗体中包含同一基因；

S532：抗体亲和度越高，则抗体的克隆数目越高、变异率越低；抗体浓度越大，则抗体间越相似；抗体激励度由抗体亲和度和抗体浓度共同决定。

进一步的，所述的步骤S54中，具体步骤为：

S541：根据抗体亲和度对种群中的N个抗体进行降序排序，提取前e个亲和度较高的抗体作为精英抗体保留；

S542：根据抗体激励度对种群中剩余的N-e个抗体进行降序排序，形成父代种群；

S543：将父代种群中前h个优秀抗体标记为记忆抗体存入记忆库，剩下的N-e-h个抗体标记为父代种群中的非记忆抗体。

进一步的，所述的步骤S56中，具体步骤为：

S561：对每个抗体随机生成介于0～1之间的浮点数P_i用于决定是否参加免疫交叉；若P_i<交叉概率P_c，则随机选择另一个父代抗体进行免疫交叉；

S562：每对进行交叉的父代抗体，随机生成0～p之间的自然数r作为交叉起始点，从起始点交换抗体中第r位到第p位的部分基因产生两个新的子代抗体；

S563：将新的子代抗体取代父代抗体存入新种群，将其余未进行交叉操作的抗体存入新种群。

进一步的，所述的步骤S57中，具体步骤为：

S571：将记忆库抗体加入新种群，对新种群的N+h个抗体的每个基因随机生成介于0～1之间的浮点数P_r，决定每个基因是否参加免疫变异；

S572：若P_r<变异概率P_m，则改变基因值，从集合C中随机选择一个不存在于当前抗体基因中的候选位置作为新基因，并将该基因取代原有基因存入抗体中；否则跳过变异操作。

进一步的，所述的步骤S58中，具体步骤为：

设终止条件为：算法是否已收敛；算法是否已达到最大迭代次数；若满足其中任意一个条件，则终止迭代，将记忆库中的精英抗体作为选址方案输出；否则将步骤S57产生的新种群作为父代种群再次进行亲和度评价，执行步骤S52直至满足终止条件。

本发明的有益效果为：

1.本发明的基于人工免疫优化和可视多边形算法的5G基站布局方法，针对建筑对5G信号毫米波传播的阻塞影响，通过将5G通信基站布局选址问题建模转化为最大覆盖面积问题，以可视多边形算法模拟信号毫米波传播覆盖范围，将信号传播可视多边形覆盖面积作为评价指标并集成到人工免疫优化算法中求解，为5G通信基站选址提供了布局方案，实现了在保证信号传播覆盖范围最佳的同时尽可能减少基站数量的功能。

2.本发明在可视多边形算法的支持下，将模拟基站信号传播范围集成到启发式优化模型中，充分利用启发式优化算法在求解该类问题上的优势，引入人工免疫优化算法用于5G通信基站选址问题的求解，设计人工免疫算法的亲和度评价函数，将模拟基站信号传播覆盖范围的可视多边形覆盖面积作为评价指标，评价每个抗体的亲和度，具有自动化、智能化特点。

3.本发明解决了5G通信基站建设成本和能源消耗问题，对5G通信基站布局提供了重要的理论指导和技术方法支持。

附图说明

图1是本发明实施例的流程图。

图2是本发明实施例的研究区空间离散化建模原理图。

图3是本发明实施例的研究区可视化多边形构建原理图。

图4是本发明实施例的合并后的研究区可视化多边形构建原理图。

图5是本发明实施例的抗体编码原理图。

图6是本发明实施例的人工免疫优化算法的流程图。

图7是本发明实施例的抗体交叉原理图。

图8是本发明实施例的抗体变异原理图。

图9是本发明实施例的实验结果效果图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

参见图1，本发明实施例的基于人工免疫优化和可视多边形算法的5G基站布局方法，包括以下步骤：

步骤1，研究区空间离散化建模，基于空间离散化方法生成5G通信基站候选点集合。由于在现实世界中基站待部署区域是连续的空间，为了满足模拟基站信号覆盖范围，生成基站信号传播可视多边形以及减小优化算法的搜索空间的要求，需要采用空间离散化建模方法对基站待部署区域进行离散化。将连续的服务空间用一系列规则的网格点来表示，每个点为一基站候选点，代表现实世界中的一个可部署基站区域。在基站待部署区域使用空间离散化方法生成点集合，该点集合作为基站选址的候选点集C，点集中包含候选点数量为c；

对实施例基站待部署区域使用空间离散化方法生成点集合，空间离散化建模原理见附图2。为进行离散化操作提供空间参照，首先对实施案例研究区生成外包矩形，该外包矩形为覆盖实施案例研究区的矩形。使用空间离散化方法生成点集合，设定离散距离为d，对外包矩形面区域生成边长为d的矩形格网，得到每个格网中心点即为离散点。对该离散点集合进行裁剪，去除实施案例研究区以及建筑物等无法部署基站区域，即可得到实施案例待部署区域点集合，该集合中每个点代表一个基站候选点，在后续优化算法操作中作为计算对象得到最优选址方案。

步骤2，可视多边形构建，根据基站毫米波信号传播易受建筑物阻碍的特点，借助可视多边形算法模拟基站信号传播覆盖范围，得到基站信号传播可视多边形覆盖面。模拟基站信号传播覆盖范围的可视多边形算法实际为一种模拟真实环境的可视域分析算法，具体步骤如下：

(1)算法中将基站作为一视线观察点，假设基站信号传播半径为r，基于GIS缓冲区方法对基站点作缓冲区分析，缓冲区半径为r，将基站缓冲区范围作为视线探测范围区域，基站向四周传播的信号模拟为视线，建筑物模拟为遮挡视线障碍物；

(2)对基站点做通视分析，即通过探测区域范围内信号与建筑障碍物之间的可视情况计算给定基站点的可视多边形范围。计算分析结果得到可视多边形坐标数据，利用基于GIS创建多边形矢量方法将坐标数据创建为一矢量面，即可得到每个基站的信号可视多边形覆盖面；

(3)考虑到基站之间的可视多边形或存在重叠情况，对选址方案中所有基站可视多边形进行合并，合并后可视多边形即为选址方案基站总覆盖范围可视多边形。

构建可视多边形算法原理见附图3，本实施例中一组选址方案中包含p个基站点，对p个基站点做缓冲区分析，缓冲区半径即为基站信号传播半径r，将缓冲区范围作为视线探测范围区域；对基站点做通视分析，在观察点视线区域中若视线遇建筑物轮廓顶点坐标或到达待部署区域范围边界则生成一个视线消失点，视线消失点则为通视区域范围轮廓顶点坐标，算法分析结果为视线消失点集合，为通视区域范围轮廓点集合。通过基于GIS创建多边形矢量方法将通视区域范围轮廓点坐标数据创建为一矢量面，生成单个基站点的信号传播可视多边形覆盖面；对选址方案中所有基站可视多边形进行合并，合并后可视多边形即为选址方案基站总覆盖范围可视多边形，参见附图4。

步骤3，抗体编码，将5G通信基站的每一个选址方案编码为人工免疫优化算法的一个抗体。在本发明中，抗体编码采用简单编码方式，每个候选点对应为一个基因，基因由数字序号表示为{1、2、3、4...}，其相应地理坐标静态存储在基因中；一个抗体对应一种选址方案，代表被选为基站点的序列；抗体长度为p，即每个抗体中包含p个基因(p表示基站的数量)；

实施例编码原理见附图5，如：选取5个基站点，抗体[1,2,4,5,9]代表为一个可行选址方案；

步骤4，评价函数设置，在此步骤中，为给定的基站数量找到信号传播覆盖范围最佳的选址方案，以步骤2中的选址方案基站总覆盖范围可视多边形面积作为评价指标(抗体亲和度)，以评估每个抗体(选址方案)的优劣，即基于一组选址方案中的5G通信基站，其通信信号传播的总覆盖范围可视多边形面积越大说明该选址方案越好。对某抗体亲和度评价采用以下评价函数实现：

式中，VisA_i表示种群中第i个抗体所代表的选址方案中基站总覆盖范围可视多边形面积，A表示基站待部署区域总面积(去除建筑物、湖泊等无法部署基站区域)；

步骤5，人工免疫优化算法求解最优方案，见附图6为实施例人工免疫算法基本流程：

(1)初始抗体群，将种群信息定义为一个结构体，结构体中包含每个抗体的亲和度、浓度、激励度以及抗体基因链；设置初始化抗体群规模为N，记忆库容量为h。本发明实施例中根据经验预先设置免疫操作的交叉概率P_c，变异概率P_m，多样性评价参数P_s。抗体长度p，最大迭代次数G；按照规定编码规则在候选点集合C中随机选择p个候选点生成为一个抗体，为避免出现重复候选点，将选中的p个候选点从集合C中排除，对上述步骤重复N次，生成具有N个抗体的第一代抗体种群；

(2)亲和度评价，对种群中的每一个抗体进行亲和度评价，依据步骤4中设计的评价函数计算种群中每个抗体亲和度值；亲和度水平越高，表示抗体代表的选址方案越优秀；

(3)计算抗体浓度与抗体激励度，在算法中生成新的抗体种群过程中要控制相同抗体的数量，保证种群抗体的多样性，这就需要计算每个抗体的浓度。浓度通过比较抗体与其它抗体的基因链得到，每个基因通过编码对应一个数字序号，若序号相同，则表明两个抗体中包含同一基因。抗体浓度过大，表明抗体间过于相似；抗体激励度由抗体亲和度和抗体浓度共同决定，为后续新抗体产生提供依据；激励度可促进或抑制抗体的产生，计算每个抗体的激励度，抑制激励度低于阈值的抗体；抗体亲和度越高，该抗体的克隆数目越高，其变异率也越低；

其中，P表示抗体激励度；P_s为常数，表示多样性评价参数。

(4)更新父代种群与记忆库，在此步骤进行父代种群的生成，并加入保留精英策略，保留精英个数设为e，并进行记忆库的初始化与更新。根据步骤4得到的抗体亲和度对种群中的N个抗体进行降序排序，提取前e个亲和度较高的抗体作为精英保留；根据抗体激励度对种群中剩余的N-e个抗体进行降序排序，存入种群中，形成父代群；将排序后的种群中前h个优秀抗体标记为记忆抗体存入记忆库，剩下的N-e-h个抗体标记为父代种群中的非记忆抗体，h为记忆库的大小；

在本实施例中，将亲和度排在前3位的抗体作为精英保留，再按抗体激励度将剩余抗体进行降序排序，取前5个优秀抗体存入记忆库中；

(5)免疫选择，对当前父代种群包含的N个抗体依据轮盘赌机制进行选择操作，产生同样群体规模为N的种群，其中激励度较高的抗体更大概率被选中作为父代抗体；

(6)免疫交叉，按照概率P_c对选择操作中被选中的抗体进行交叉操作，对每个抗体随机生成介于0-1之间的浮点数P_i，决定是否参加交叉操作；若P_i<P_c，则再随机选择另一个父代抗体来进行交叉；每对进行交叉的父代抗体，抗体长度为p，随机生成0-p之间的自然数r作为交叉起始点，从该起始点交换抗体中第r位到第p位的部分基因产生两个新的子代抗体，并将其取代父代抗体，存入新种群中，其余未进行交叉操作的直接存入新种群中；

实施例交叉基本原理见附图7：交叉操作采用单点交叉法，又称为简单交叉法，即在抗体基因链中只随机生成一个交叉点，然后以该点作为起始点相互交换两个被选中抗体的基因。对随机选择的两个抗体A与抗体B，抗体A为[0,1,3,5,7,9,11,13,15,17]，抗体B为[2,4,6,8,10,12,14,16,18,20]，设抗体长度为10，随机生成0-10之间的自然数7作为交叉起始点，即对抗体A与抗体B交换第7位至第10位的部分基因，进行交叉操作之后的抗体A为[0,1,3,5,7,9,14,16,18,20]，抗体B为[2,4,6,8,10,12,11,13,15,17]。

(7)免疫变异，新种群中加入记忆库抗体，按照概率P_m对新种群中的N+h个抗体进行变异操作，对抗体中的每个基因随机生成介于0-1之间的浮点数P_r，决定每个基因是否参加变异操作；若P_r<P_m，则改变基因值，从集合C中随机选择一个不存在于当前抗体基因中的候选位置作为新基因，并将该基因取代原有基因存入抗体中；否则，变异操作将跳过；

实施例变异基本原理见附图8：某抗体基因链为[0,1,3,5,7,9,11,13,15,17],随机生成的变异位为第3位，从不包含该抗体基因坐标点的剩余候选点集合C中随机选择一候选点6作为变异基因存入抗体中，变异后抗体基因链为[0,1,6,5,7,9,11,13,15,17]。

(8)终止条件判断，设定终止条件为：1.算法是否已收敛；2.算法是否已达到最大迭代次数；若满足其中任意一个条件，则将终止迭代，将记忆库中的精英抗体作为最优的5G通信基站选址方案输出；否则将步骤(7)产生的新种群作为父代种群再次进行亲和度评价，返回执行步骤(2)直至满足终止条件；

步骤6，解码最优方案，对步骤5中计算得到的结果进行解码得到基站点坐标数据，该基站点坐标数据即为5G通信基站选址最优方案。

采用人工免疫优化算法进行基站选址时，算法的关键参数设置是否合理也决定了算法的性能和运行结果的准确度。建议具体实施时涉及的参数及建议的参数设置如下：

为便于了解本发明效果起见，以对某地的5G通信基站选址为例进行说明。在计算机中编写程序实施以下步骤：

(1)参数设置，设置初始化抗体群规模为N＝50，分别设置抗体长度p＝10、p＝20、p＝30、p＝40，记忆库容量为h＝5，免疫操作的交叉概率为P_c＝0.5，变异概率为P_m＝0.5，多样性评价参数为P_s＝0.95，最大迭代次数为G＝200；

(2)在本实施案例研究区面积约为84公顷，离散化格网距离设置为25米，基站通信信号传播半径为150米，空间离散化后获得936个实验离散点，该点集合作为基站选址的候选点集C，点集中包含候选点数量为936；

(3)按照人工免疫优化算法设计的基本流程，分别求解抗体长度为p＝10、p＝20、p＝30、p＝40的最优方案，最终得到选址结果。由结果判断得到，基站数量与覆盖率成正比，当选取基站数量为40时，本实施案例时覆盖率达到96％以上，最终效果图见附图9。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (8)

1.基于人工免疫优化和可视多边形算法的5G基站布局方法，其特征在于：包括以下步骤：

S1：用规则的网格点表示连续的区域，基于空间离散化方法对基站待部署区域进行离散化建模，设每个网格点表示一个5G基站候选点，离散后生成5G基站候选点集合C，C中包含的点数量为c；

S2：构建可视多边形，通过可视多边形算法模拟基站信号的传播覆盖范围，得到5G基站候选点的信号传播可视多边形覆盖面；具体步骤为：

S21：将5G基站候选点作为视线观察点，假设基站信号传播半径为r，基于GIS缓冲区方法对5G基站候选点作缓冲区分析，缓冲区半径为r，将基站缓冲区范围作为视线探测范围区域，将从5G基站候选点向四周传播的信号模拟为视线，将建筑物作为遮挡视线障碍物；

S22：对5G基站候选点做通视分析，通过探测区域范围内的信号与建筑障碍物之间的可视情况，计算5G基站候选点的可视多边形范围，计算分析结果得到可视多边形的坐标数据；利用基于GIS创建多边形矢量的方法将坐标数据创建为一矢量面，得到每个5G基站候选点的信号可视多边形覆盖面；

S23：若5G基站候选点之间的可视多边形存在重叠情况时，合并所有5G基站候选点的可视多边形，得到选址方案基站总覆盖范围可视多边形；

S3：采用简单编码方式将5G基站的每一个选址方案编码为人工免疫优化算法的一个抗体；将每个5G基站候选点编码对应为一个基因，表示为{1、2、3、4...}，并将每个5G基站候选点的地理坐标静态存储在基因中；一个抗体对应一种选址方案，表示被选为基站点的序列，对应抗体中包含的基因；

S4：设置评价抗体亲和度的函数，用于根据给定的基站数量选取信号传播覆盖范围最大的选址方案；具体步骤为：

以步骤S2得到的选址方案基站总覆盖范围可视多边形面积作为评价选址方案优劣的指标，一组选址方案中5G基站的信号传播的总覆盖范围可视多边形面积越大，表明该选址方案越好；其中评价指标对应人工免疫优化算法的抗体亲和度，选址方案对应抗体；设种群中第i个抗体代表的选址方案中基站总覆盖范围可视多边形面积为VisA_i；设去除包括建筑物、湖泊的无法部署基站的区域后，基站待部署区域的总面积为A；采用以下评价函数评价抗体亲和度F：

S5：采用人工免疫优化算法求解选址方案，具体步骤为：

S51：构建初始抗体种群，将种群信息定义为一个结构体，结构体中包含每个抗体的亲和度、浓度、激励度、抗体基因链；

S52：计算种群中每个抗体的亲和度值；对种群中的每个抗体进行亲和度评价，亲和度水平越高，表示抗体代表的选址方案越优秀；

S53：计算抗体浓度与抗体激励度；

S54：生成父代种群并加入保留精英抗体，初始化并更新记忆库；

S55：对当前父代种群依据轮盘赌机制进行免疫选择操作，产生同样群体规模的种群，其中激励度较高的抗体有更大概率被选中作为父代抗体；

S56：按交叉概率对步骤S55中被选中的抗体进行免疫交叉；

S57：按照变异概率对步骤S56得到的新种群的抗体进行免疫变异；

S58：根据终止条件判断是否终止迭代，并在满足终止条件后输出选址方案；

S6：解码步骤S5输出的选址方案得到5G基站点的坐标数据，从而得到5G基站布局的最优方案。

2.根据权利要求1所述的基于人工免疫优化和可视多边形算法的5G基站布局方法，其特征在于：所述的步骤S51中，具体步骤为：

S511：设置初始化抗体群规模为N，记忆库容量为h；设免疫操作的交叉概率为P_c，变异概率为P_m，多样性评价参数为P_s，抗体长度为p表示每个抗体中包含p个基因，最大迭代次数G；

S512：按照编码规则在5G基站候选点集合C中随机选择p个5G基站候选点生成为一个抗体；将选中的p个候选点从集合C中排除以避免出现重复候选点；

S513：重复执行N次步骤S512，生成具有N个抗体的初始抗体种群。

3.根据权利要求2所述的基于人工免疫优化和可视多边形算法的5G基站布局方法，其特征在于：所述的步骤S511中，参数设置范围为：

最大迭代次数G的取值范围为20～200；

种群规模N的取值范围为20～200；

交叉概率P_c的取值范围为0.3～0.8；

变异概率P_m的取值范围为0.3～0.8；

多样性评价参数P_s的取值范围为0.0～1.0。

4.根据权利要求1或2所述的基于人工免疫优化和可视多边形算法的5G基站布局方法，其特征在于：所述的步骤S53中，具体步骤为：

S531：通过比较抗体与其它抗体的基因链得到浓度，每个基因通过编码对应一个数字序号，若序号相同，则表明两个抗体中包含同一基因；

S532：抗体亲和度越高，则抗体的克隆数目越高、变异率越低；抗体浓度越大，则抗体间越相似；抗体激励度由抗体亲和度和抗体浓度共同决定。

5.根据权利要求1或2所述的基于人工免疫优化和可视多边形算法的5G基站布局方法，其特征在于：所述的步骤S54中，具体步骤为：

S541：根据抗体亲和度对种群中的N个抗体进行降序排序，提取前e个亲和度较高的抗体作为精英抗体保留；

S542：根据抗体激励度对种群中剩余的N-e个抗体进行降序排序，形成父代种群；

S543：将父代种群中前h个优秀抗体标记为记忆抗体存入记忆库，剩下的N-e-h个抗体标记为父代种群中的非记忆抗体。

6.根据权利要求5所述的基于人工免疫优化和可视多边形算法的5G基站布局方法，其特征在于：所述的步骤S56中，具体步骤为：

S561：对每个抗体随机生成介于0～1之间的浮点数P_i用于决定是否参加免疫交叉；若P_i<交叉概率P_c，则随机选择另一个父代抗体进行免疫交叉；

S562：每对进行交叉的父代抗体，随机生成0～p之间的自然数r作为交叉起始点，从起始点交换抗体中第r位到第p位的部分基因产生两个新的子代抗体；

S563：将新的子代抗体取代父代抗体存入新种群，将其余未进行交叉操作的抗体存入新种群。

7.根据权利要求6所述的基于人工免疫优化和可视多边形算法的5G基站布局方法，其特征在于：所述的步骤S57中，具体步骤为：

S571：将记忆库抗体加入新种群，对新种群的N+h个抗体的每个基因随机生成介于0～1之间的浮点数P_r，决定每个基因是否参加免疫变异；

S572：若P_r<变异概率P_m，则改变基因值，从5G基站候选点集合C中随机选择一个不存在于当前抗体基因中的候选位置作为新基因，并将该基因取代原有基因存入抗体中；否则跳过变异操作。

8.根据权利要求7所述的基于人工免疫优化和可视多边形算法的5G基站布局方法，其特征在于：所述的步骤S58中，具体步骤为：

设终止条件为：算法是否已收敛；算法是否已达到最大迭代次数；若满足其中任意一个条件，则终止迭代，将记忆库中的精英抗体作为选址方案输出；否则将步骤S57产生的新种群作为父代种群再次进行亲和度评价，执行步骤S52直至满足终止条件。