CN116887284A - 一种基于智能规划算法的智慧矿山基站规划方法 - Google Patents

Abstract

本公开提供了一种基于智能规划算法的智慧矿山基站规划方法，涉及移动通信技术领域。具体步骤为：确定基站数量和初始位置，并确定目标函数；随机选取K个基站作为人工鱼生成初始鱼群，并设置人工鱼群算法的鱼类视野及步距、拥挤度因子、迭代次数上限；根据基站的位置计算目标函数值，确定目标函数值最大的人工鱼，并获取所有的所述人工鱼对应目标函数值的平均值；确定各个人工鱼的优化行为，并进行优化；调整鱼类视野及步距参数，并增加迭代次数计数值；对所述人工鱼的位置进行优化，在推荐位置上设置基站。本公开通过人工鱼群算法的优化过程中调整调整鱼类视野及步距参数，实现了基站位置的规划，避免搜索全局最优能力和搜索局部最优能力的矛盾，提高了基站位置优化的效率。

Description

一种基于智能规划算法的智慧矿山基站规划方法

技术领域

本公开涉及移动通信技术领域，尤其涉及一种基于智能规划算法的智慧矿山基站规划方法。

背景技术

在网络规划中，基站规划(选址和分布)问题是非常关键和复杂的部分。基站的位置和数量直接影响到网络的成本、覆盖范围和信号质量。因此，基站规划问题的优化目标为：在满足建网目标的前提下，达到容量、质量、覆盖和成本的最佳组合。但这些目标是相互制约，甚至相互矛盾的。所以基站规划属于多目标优化问题。

对于基站规划问题，传统的规划工作消耗了大量的人力和物力，引入高效的智能选址规划算法来取代繁琐的人工网络规划是十分必要的。

发明内容

本公开提供一种基于智能规划算法的智慧矿山基站规划方法，以至少解决相关技术中基站规划不合理的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种基于智能规划算法的智慧矿山基站规划方法，包括：

确定基站数量和初始位置，并确定目标函数；

随机生成K个基站组作为人工鱼生成初始鱼群，并设置人工鱼群算法的鱼类视野及步距、拥挤度因子、迭代次数上限，其中，每个基站组中包括n个基站的位置信息，K和n均为正整数；

根据所述人工鱼中基站的位置计算目标函数值，确定所述目标函数值最大的人工鱼，并获取所有的所述人工鱼对应目标函数值的平均值；

根据所述平均值和各个人工鱼对应的目标函数值确定各个人工鱼的优化行为，并根据所述优化行为对所述人工鱼的位置进行优化；

调整鱼类视野及步距参数，并增加迭代次数计数值；

对所述人工鱼的位置进行优化，直到所述迭代次数计数值达到所述迭代次数上限，获取推荐人工鱼中基站的推荐位置，在所述推荐位置上设置基站。

可选的，所述目标函数的公式化表达为：

其中，

其中，n为基站总数量，k为人工鱼的标号，m为规划区域内设置的测试点个数；λ₁为基站建设成本的权重，λ₂为业务覆盖率的权重；b_k为第k条人工鱼的位置信息，其中的为标号为k的人工鱼中第i个基站在二维地图中的坐标；X_ik为标号为k的人工鱼中的第i个基站的建站成本，d₁为低成本区域内的建站成本，d₂为正常区域内的建站成本，M为所述低成本区域在二维地图中的范围；/>为标号为k的人工鱼中第i个基站的发射功率，/>为标号为k的人工鱼中第i个基站到第j个测试点的路径损耗，/>为标号为k的人工鱼中第j个测试点在二维地图中的坐标；Q_i为从核心网到第i个基站的传播路径距离，Q_ij为第j个测试点到与其对应的第i个基站的传播路径距离，s为信号的传播速度，h为业务时延的门限值；/>表示标号为j的人工鱼对应的第j个测试点是否在业务覆盖范围内；f为信号发射频率，；h_b为基站的天线有效高度、h_m为移动台的天线有效高度；a(h_m)为移动台天线高度修正因子；C为环境修正因子。

可选的，所述根据所述平均值和各个人工鱼对应的目标函数值确定各个人工鱼的优化行为，并根据所述优化行为对所述人工鱼的位置进行优化，包括：

如果则确定所述优化行为为追尾行为，使当前人工鱼搜索当前可视域内食物浓度f(b_c)最大的人工鱼c，如果K＝1或f(b_c)/K＞δf(b_k)，则朝人工鱼c的方向前进一步；否则执行觅食行为；

如果确定所述优化行为为聚群行为，使当前人工鱼搜索当前可视域内群聚的人工鱼，获取鱼群中心位置的食物浓度f(b_c)，如果f(b_c)/K＞δf(b_k)，则使当前人工鱼朝鱼群中心位置的方向前进一步；否则执行觅食行为。

可选的，所述觅食行为包括：

建立人工鱼的当前状态可视域，在可视域内随机选择一个点，若该点的食物浓度大于当前状态的食物浓度，则令当前人工鱼向该点方向前进一步，否则再次随机选择；

若不满足前进的条件则重复随机选择过程；

若仍不能满足前进的条件，则令当前人工鱼随机移动一步。

可选的，所述调整鱼类视野及步距参数的公式化表达为：

其中，其中，Visual_min、Step_min是所述人工鱼的视野和步距所允许达到的最小值，Visual_max、Step_max是所述人工鱼的视野和步距所允许达到的最大值和最小值的差值，iter为当前迭代的次数，T_max为总迭代次数。

本公开的实施例提供的技术方案至少带来以下有益效果：

通过人工鱼群算法的优化过程中调整调整鱼类视野及步距参数，实现了基站位置的规划，避免搜索全局最优能力和搜索局部最优能力的矛盾，提高了基站位置优化的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种基于智能规划算法的智慧矿山基站规划方法的流程图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的本公开的一些方面相一致的装置和方法的例子。

需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)，均为经用户授权或者经过各方充分授权的信息。

在网络规划中，基站规划(选址和分布)问题是非常关键和复杂的部分。基站的位置和数量直接影响到网络的成本、覆盖范围和信号质量。因此，基站规划问题的优化目标为：在满足建网目标的前提下，达到容量、质量、覆盖和成本的最佳组合。但这些目标是相互制约，甚至相互矛盾的。所以基站规划属于多目标优化问题。

针对特大规模露天矿，尤其是存在深坑等复杂的地形场景，基站建设通常会依托于自有设备与矿场进行建设，即待选的站址位置固定，这种场景与运营商的自有选址方式差别很大，基于此，本项目拟提出针对性的待选址位置固定的5G网络基站的选址与规划建设方法。

对于基站规划问题，传统的规划工作消耗了大量的人力和物力，引入高效的智能选址规划算法来取代繁琐的人工网络规划是十分必要的。作为一种新型的智能规划算法，人工鱼群算法(AFSA)具有收敛速度快与实现简单的优点，但其在算法运行后期搜索的盲目性较大。本项目对人工鱼群算法寻求最优解的行为进行了改进，并将改进后的算法用于特大规模露天煤矿5G通信专网基站的规划，在综合考虑成本和覆盖率的基础上，对无线通信专网基站的选址规划问题进行了有效求解。

图1是根据一示例性实施例示出的一种基于智能规划算法的智慧矿山基站规划方法的流程图，如图1所示，所述方法包括以下步骤。

步骤101，确定基站数量和初始位置，并确定目标函数；

本实施例中，人工鱼群算法(AFSA)是受鱼群行为的启发而提出的一种基于动物行为的群体智能优化算法，是人工智能在行为主义上的一个典型应用，这种算法源于鱼群为生存而执行的各种行为。在一片水域中，鱼群往往能依靠本能自行或尾随其他鱼，找到营养物质多的地方。因而鱼群生存最密集的地方一般就是本水域中营养物质最多的地方。人工鱼群算法根据这一特点，通过构造人工鱼来模仿鱼群的觅食、聚群、追尾及随机的行为，从而实现对优化问题的最优解找寻。

在基站的规划中，需要考虑成本优化问题和业务覆盖优化问题，本实施例根据成本，和发射功率、路径损耗等业务覆盖相关参数创建所述目标函数，以根据所述目标函数对基站的位置进行优化。

步骤102，随机生成K个基站组作为人工鱼生成初始鱼群，并设置人工鱼群算法的鱼类视野及步距、拥挤度因子、迭代次数上限，其中，每个基站组中包括n个基站的位置信息，K和n均为正整数。

本实施例中，首先需要设置人工鱼群算法中的参数，包括：鱼类视野Visual及步距Step、拥挤度因子δ，根据这些参数可以进行人工鱼群算法。并设置迭代次数上限，所述迭代次数上限用于控制根据人工鱼群算法进行优化迭代的次数。

步骤103，根据所述人工鱼中基站的位置计算目标函数值，确定所述目标函数值最大的人工鱼，并获取所有的所述人工鱼对应目标函数值的平均值；

露天煤矿场景下5G基站规划问题可转化为人工鱼群算法中求最优人工鱼的位置信息使得全局食物浓度最高的点，人工鱼的位置信息就是所求基站的位置信息，食物浓度最高点即效益函数最大值时的基站位置。结合人工鱼群算法所需的各个步骤及露天煤矿场景下5G基站规划问题的特点，为求解露天煤矿场景下5G基站规划问题模型中的目标函数最优解，使用如步骤103-步骤106的求解过程。

本实施例中，随机选取K个基站作为一条人工鱼，第k条鱼的位置信息包含着第k套基站的位置信息，即有K条鱼则有K套基站的位置信息。

计算出第k条人工鱼的食物浓度值即第k套基站所在位置信息形成的目标函数值f(b_k)和所有鱼的食物浓度均值

步骤104，根据所述平均值和各个人工鱼对应的目标函数值确定各个人工鱼的优化行为，并根据所述优化行为对所述人工鱼的位置进行优化；

计算出K条人工鱼所在地的食物浓度即通过K套基站所在位置信息计算出的目标函数值，它是根据建站成本和矿场业务覆盖率与其相对应权值计算得到的。并将人工鱼的位置和对应的食物浓度信息都记录在公告板上。

步骤105，调整鱼类视野及步距参数，并增加迭代次数计数值；

对所述人工鱼的位置进行优化，即移动所述人工鱼的位置，移动完毕后，更改人工鱼的视野和步距，将所有人工鱼的新位置和食物浓度信息更新在公告板上

步骤106，对所述人工鱼的位置进行优化，直到所述迭代次数计数值达到所述迭代次数上限，获取推荐人工鱼中基站的推荐位置，在所述推荐位置上设置基站。

若迭代次数计数值未达到迭代次数上限则重复上述步骤，否则算法结束并输出最终结果。结果为最优人工鱼的位置信息和所在地的食物浓度信息。即所有基站的规划位置和目标函数值。

可选的，所述目标函数的公式化表达为：

其中，

其中，n为基站总数量，k为人工鱼的标号，m为规划区域内设置的测试点个数；λ₁为基站建设成本的权重，λ₂为业务覆盖率的权重；b_k为第k条人工鱼的位置信息，其中的为标号为k的人工鱼中第i个基站在二维地图中的坐标；X_ik为标号为k的人工鱼中的第i个基站的建站成本，d₁为低成本区域内的建站成本，d₂为正常区域内的建站成本，M为所述低成本区域在二维地图中的范围；/>为标号为k的人工鱼中第i个基站的发射功率，/>为标号为k的人工鱼中第i个基站到第j个测试点的路径损耗，/>为标号为j的人工鱼中第j个测试点在二维地图中的坐标；Q_i为从核心网到第i个基站的传播路径距离，Q_ij为第j个测试点到与其对应的第i个基站的传播路径距离，s为信号的传播速度，h为业务时延的门限值；/>表示标号为k的人工鱼对应的第j个测试点是否在业务覆盖范围内；f为信号发射频率，；h_b为基站的天线有效高度、h_m为移动台的天线有效高度；a(h_m)为移动台天线高度修正因子；C为环境修正因子。

本实施例中，所述低成本区域的范围为已有基站的站址范围，h为对应的煤矿业务(如工业控制、视频回传、无人驾驶等)时延的门限值。在基站的运行中，业务覆盖具有两个限制条件：即被基站信号覆盖且所对应的煤矿业务的传播时延在允许范围内。

可选的，图1中的步骤104，包括：

如果则确定所述优化行为为追尾行为，使当前人工鱼搜索当前可视域内食物浓度f(b_c)最大的人工鱼c，如果K＝1或f(b_c)/K＞δf(b_k)，则朝人工鱼c的方向前进一步；否则执行觅食行为；

本实施例中，该鱼处于饥饿状态，需要优先考虑追尾行为，如果K＝1或f(b_c)/K＞δf(b_k)，表明伙伴c的位置有较高的食物浓度且周围不拥挤。

如果确定所述优化行为为聚群行为，使当前人工鱼搜索当前可视域内群聚的人工鱼，获取鱼群中心位置的食物浓度f(b_c)，如果f(b_c)/K＞δf(b_k)，则使当前人工鱼朝鱼群中心位置的方向前进一步；否则执行觅食行为。

本实施例中，该鱼处于饱腹状态，需要优先考虑聚群行为，f(b_c)/K＞δf(b_k)，表明鱼群中心有较高的食物浓度并且不太拥挤，则该鱼朝鱼群中心位置的方向前进一步。

可选的，所述觅食行为包括：

建立人工鱼的当前状态可视域，在可视域内随机选择一个点，若该点的食物浓度大于当前状态的食物浓度，则令当前人工鱼向该点方向前进一步，否则再次随机选择；

若不满足前进的条件则重复随机选择过程；

若仍不能满足前进的条件，则令当前人工鱼随机移动一步。

可选的，所述调整鱼类视野及步距参数的公式化表达为：

其中，其中，Visual_min、Step_min是所述人工鱼的视野和步距所允许达到的最小值，Visual_max、Step_max是所述人工鱼的视野和步距所允许达到的最大值和最小值的差值，iter为当前迭代的次数，T_max为总迭代次数。

本实施例为了平衡人工鱼群算法搜索全局最优能力和搜索局部最优能力的矛盾，对算法中人工鱼的视野和步距做一些改进。在算法初期阶段，使用相对较大的视野和步距来提高算法搜索全局最优的能力并且加快收敛速度。随着算法的运行，人工鱼的视野和步距会逐渐减小，并且算法从搜索全局最优转变为搜索局部最优。在算法后期阶段，由于人工鱼的视野和步距较小，重点的搜索区域放在较小的邻域上。这样会增强搜索局部最优的能力并提高得到的最优解精度。对鱼类视野及步距参数的矫正公式如上述公式，在运行到算法最后，人工鱼的视野和视距会缩小到最小值。

由于觅食行为是在视野范围内随机选择一个点作比较。如果该点的食物浓度状态优于当前状态(设该点为b₁，即F(b₁)F(b))，则向该点方向移动一步。但因为人工鱼的视野距离远大于步距，该行为很容易产生环路路径，极大的降低了算法的效率。为防止人工鱼在到达较优点之前改变方向，进行无意义的环形移动，改进的觅食行为为若寻找到较优的点，则不考虑步距直接到达该点，即临时增大步距以提高算法效率。

由于人工鱼的随机移动行为会向任意方向随机移动一步，对于最优人工鱼来说大概率会产生退化现象。所以为防止最优人工鱼退化，若最优人工鱼在进行觅食行为时未找到更优点则跳过随机行为保持原地不动。

本研究以解决特大规模露天煤矿，尤其是存在深坑等复杂的地形场景下5G基站规划问题为目标，综合考虑建站成本和信号覆盖能力来建立优化问题的目标函数，并提出了一种改进的人工鱼群算法对其进行求解。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (5)

1.一种基于智能规划算法的智慧矿山基站规划方法，其特征在于，包括：

确定基站数量和初始位置，并确定目标函数；

随机生成K个基站组作为人工鱼生成初始鱼群，并设置人工鱼群算法的鱼类视野及步距、拥挤度因子、迭代次数上限，其中，每个基站组中包括n个基站的位置信息，K和n均为正整数；

根据所述人工鱼中基站的位置计算目标函数值，确定所述目标函数值最大的人工鱼，并获取所有的所述人工鱼对应目标函数值的平均值；

根据所述平均值和各个人工鱼对应的目标函数值确定各个人工鱼的优化行为，并根据所述优化行为对所述人工鱼的位置进行优化；

调整鱼类视野及步距参数，并增加迭代次数计数值；

对所述人工鱼的位置进行优化，直到所述迭代次数计数值达到所述迭代次数上限，获取推荐人工鱼中基站的推荐位置，在所述推荐位置上设置基站。

2.根据权利要求1所述的方法，其特征在于，所述目标函数的公式化表达为：

其中，

其中，n为基站总数量，k为人工鱼的标号，m为规划区域内设置的测试点个数；λ₁为基站建设成本的权重，λ₂为业务覆盖率的权重；b_k为第k条人工鱼的位置信息，其中的为标号为k的人工鱼中第i个基站在二维地图中的坐标；X_ik为标号为k的人工鱼中的第i个基站的建站成本，d₁为低成本区域内的建站成本，d₂为正常区域内的建站成本，M为所述低成本区域在二维地图中的的范围；/>为标号为k的人工鱼中第i个基站的发射功率，/>为标号为k的人工鱼中第i个基站到第j个测试点的路径损耗，/>为标号为k的人工鱼中第j个测试点在二维地图中的坐标；Q_i为从核心网到第i个基站的传播路径距离，Q_ij为第j个测试点到与其对应的第i个基站的传播路径距离，s为信号的传播速度，h为业务时延的门限值；表示标号为k的人工鱼对应的第j个测试点是否在业务覆盖范围内；f为信号发射频率，；h_b为基站的天线有效高度、h_m为移动台的天线有效高度；a(h_m)为移动台天线高度修正因子；C为环境修正因子。

3.根据权利要求2所述的方法，其特征在于，所述根据所述平均值和各个人工鱼对应的目标函数值确定各个人工鱼的优化行为，并根据所述优化行为对所述人工鱼的位置进行优化，包括：

如果则确定所述优化行为为追尾行为，使当前人工鱼搜索当前可视域内食物浓度f(b_c)最大的人工鱼c，如果K＝1或f(b_c)/K＞δf(b_k)，则朝人工鱼c的方向前进一步；否则执行觅食行为；

如果确定所述优化行为为聚群行为，使当前人工鱼搜索当前可视域内群聚的人工鱼，获取鱼群中心位置的食物浓度f(b_c)，如果f(b_c)/K＞δf(b_k)，则使当前人工鱼朝鱼群中心位置的方向前进一步；否则执行觅食行为。

4.根据权利要求3所述的方法，其特征在于，所述觅食行为包括：

建立人工鱼的当前状态可视域，在可视域内随机选择一个点，若该点的食物浓度大于当前状态的食物浓度，则令当前人工鱼向该点方向前进一步，否则再次随机选择；

若不满足前进的条件则重复随机选择过程；

若仍不能满足前进的条件，则令当前人工鱼随机移动一步。

5.根据权利要求1所述的方法，其特征在于，所述调整鱼类视野及步距参数的公式化表达为：

其中，其中，Visual_min、Step_min是所述人工鱼的视野和步距所允许达到的最小值，Visual_max、Step_max是所述人工鱼的视野和步距所允许达到的最大值和最小值的差值，iter为当前迭代的次数，T_max为总迭代次数。