CN117119469B - 基于改进粒子群算法的电力无线专网基站选址方法及装置 - Google Patents
基于改进粒子群算法的电力无线专网基站选址方法及装置 Download PDFInfo
- Publication number
- CN117119469B CN117119469B CN202311349616.5A CN202311349616A CN117119469B CN 117119469 B CN117119469 B CN 117119469B CN 202311349616 A CN202311349616 A CN 202311349616A CN 117119469 B CN117119469 B CN 117119469B
- Authority
- CN
- China
- Prior art keywords
- base station
- particle
- solution
- tabu
- private network
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 166
- 238000010187 selection method Methods 0.000 title claims abstract description 8
- 238000005457 optimization Methods 0.000 title claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000010845 search algorithm Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 80
- 238000012360 testing method Methods 0.000 claims description 60
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 2
- 101001030591 Homo sapiens Mitochondrial ubiquitin ligase activator of NFKB 1 Proteins 0.000 claims 3
- 102100038531 Mitochondrial ubiquitin ligase activator of NFKB 1 Human genes 0.000 claims 3
- 238000004891 communication Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005070 ripening Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- H04W16/22—Traffic simulation tools or models
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于改进粒子群算法的电力无线专网基站选址方法及装置，针对电力无线专网基站选址问题建立数学模型对基站规划中的成本和覆盖目标进行优化，基于粒子群算法进行求解，并结合哨兵检测机制和禁忌搜索算法优化求解过程，防止陷入局部最优解，提升全局搜索能力，求解过程收敛性和稳定性更好。
Description
技术领域
本发明涉及移动通信技术领域，尤其涉及一种基于改进粒子群算法的电力无线专网基站选址方法及装置。
背景技术
随着无线通讯技术的提升，电力终端数量的飞速增长使得对网络的质量和安全性的要求也在不断提高。为了满足电力网络的通信需求，电力无线专网基站的规划成为网络规划中最重要的任务之一，属于电力网络建设的基础。通常综合考虑电力无线专网的系统经济性和稳定性，采用对基站的数量和位置进行规划的方式实现最大化覆盖和最小化成本的目标。但是，传统的基站选址方法例如人工计算和动态规划准确率较低，难以满足无线通信发展的需求。
发明内容
鉴于此，本发明实施例提供了一种基于改进粒子群算法的电力无线专网基站选址方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷，解决现有电力网络基站选址方法准确率低的问题。
一个方面，本发明提供了一种基于改进粒子群算法的电力无线专网基站选址方法，该方法包括以下步骤：
在目标区块内，设置第一数量个候选基站和第二数量个测试点，并配置各候选基站以及各测试点处终端接收机的工况参数；
根据各候选基站和各测试点的工况参数，通过链路预算计算测试点处的最大允许路径损耗；
结合所述最大允许路径损耗，基于预设传播模型计算所述候选基站的理论覆盖半径；
将电力无线专网基站选址问题转换为数学问题，构建目标函数，所述目标函数包括成本函数和覆盖函数，所述成本函数为选中的所述候选基站数量与所述候选集站总数的比值，所述覆盖函数为被覆盖到的所述测试点数量与所述测试点的总数的比值，以所述覆盖函数满足覆盖率阈值为前提，且最小化所述成本函数构建约束条件；
采用粒子群优化算法对所述数学问题进行求解，其中，所述粒子群优化算法引入哨兵检测机制记录粒子个体极值未发生变化的次数，并记为标记值，所述标记值在粒子个体极值发生变化时清零并重新计数；在迭代第一设定次数后，将标记值最大的粒子作为初始解，并基于禁忌搜索算法继续查找最优解以在满足停止条件时释放所述最优解；
基于所述最优解部署电力无线专网基站。
在一些实施例中，根据各候选基站和各测试点的工况参数，通过链路预算计算测试点处的最大允许路径损耗中，所述最大允许路径损耗MAPL的计算式为：
；
其中，Pout表示基站发射端的最大发射功率；GBS+RX表示基站端发射天线和所述测试点处终端接收天线的增益之和；M表示阴影余量和干扰余量之和；L表示馈线损耗、人体损耗与穿透损耗之和；SRX表示终端接收机的接收灵敏度。
在一些实施例中，结合所述最大允许路径损耗，基于预设传播模型计算所述候选基站的理论覆盖半径中，所述预设传播模型为COST 231-HATA传播模型，所述理论覆盖半径的计算式为：
；
其中，MAPL表示所述最大允许路径损耗；表示电力无线专网基站工作的频率，其范围为1500 MHz~2000MHz；hb表示所述基站发射天线的高度，单位为米；hm表示所述终端接收天线的高度，单位为米；CM为环境校正因子。
在一些实施例中，以所述覆盖函数满足覆盖率阈值为前提，且最小化所述成本函数构建约束条件，数学模型为：
其中，n为所述候选基站的数量，m为所述测试点的数量；BS表示候选基站位置信息集合，表示第k个所述候选基站的位置信息；xi表示第i个候选基站的候选状态，若被选中，其值为1，否则为0；test_points表示所述测试点位置信息集合，/>表示第k'个测试点的位置信息；Ri表示第i个候选基站的所述理论覆盖半径；/>表示成本函数权重，/>表示覆盖函数权重，且/>。
在一些实施例中，采用粒子群优化算法对所述数学问题进行求解，其中，所述粒子群优化算法引入哨兵检测机制记录粒子个体极值未发生变化的次数，并记为标记值，所述标记值在粒子个体极值发生变化时清零并重新计数，包括：
随机初始化粒子群，每个粒子中包含各候选基站的候选状态信息，初始化各粒子的个体最优位置、个体极值、全局最优位置和全局极值；初始化惯性权重和学习因子；
计算每个粒子的适应度函数值，并基于各粒子的适应度值更新各粒子的个体最优位置、个体极值、全局最优位置和全局极值；
根据各粒子的所述个体最优位置和所述全局最优位置更新各粒子速度及位置；
其中，为每个粒子设置标记值，记录各粒子的个体极值未发生变化的次数；在迭代过程中，当单个所述粒子的个体极值未变化时，对应的标记值按照迭代次数递增，每当该粒子的个体极值变化时，对应的标记值清零。
在一些实施例中，在迭代第一设定次数后，将标记值最大的粒子作为初始解，并基于禁忌搜索算法继续查找最优解以在满足停止条件时释放所述最优解，包括：
在迭代第一设定次数后，查询各粒子的标记值，将所述标记值最大的粒子，并将该粒子对应的解作为初始解，同时设置为当前解和最优解；
初始化禁忌表和禁忌长度；
对当前解进行邻域搜索并计算适应度函数值；
若有性能优于最优解的邻域解，则将该邻域解设置为当前解和最优解，并放入所述禁忌表；若没有优于最优解的邻域解，则选取适应度函数最大的非禁忌邻域解作为当前解；
更新所述禁忌表，则所述禁忌表中每个禁忌解对应的禁忌长度减1，若某个禁忌解对应的禁忌长度减为0，则该解被释放；
若满足禁忌搜索算法的停止条件，则结束并输出最优解；若不满足则持续更新。
在一些实施例中，各粒子速度的更新公式为：
；
其中，为惯性权重；/>为个体学习因子，/>为种群学习因子；/>为第i个粒子的最优位置；/>为全局最优位置；/>表示第i个粒子t时刻的速度，/>第i个粒子t+1时刻的速度；/>表示第i个粒子t时刻的位置；
其中，将第i个粒子的速度通过sigmod函数映射到[0,1]区间之后再进行位置更新，计算式为：
；
；
其中，表示经sigmod函数映射后归一化的第i个粒子的速度；/>表示第i个粒子更新后的位置。
在一些实施例中，所述方法还包括：对所述候选基站、所述测试点以及根据所述最优解部署的电力无线专网基站进行可视化展示。
另一方面，本发明还提供一种基于改进粒子群算法的电力无线专网基站选址装置，包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现上述方法的步骤。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本发明的有益效果至少是：
本发明所述基于改进粒子群算法的电力无线专网基站选址方法及装置，针对电力无线专网基站选址问题建立数学模型对基站规划中的成本和覆盖目标进行优化，基于粒子群算法进行求解，并结合哨兵检测机制和禁忌搜索算法优化求解过程，防止陷入局部最优解，提升全局搜索能力，求解过程收敛性和稳定性更好。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为本发明一实施例所述基于改进粒子群算法的电力无线专网基站选址方法的流程示意图。
图2为本发明另一实施例所述基于改进粒子群算法的电力无线专网基站选址方法的流程示意图。
图3为本发明一实施例所述基于改进粒子群算法的电力无线专网基站选址方法中候选集站与测试点的位置图。
图4为采用二进制粒子群算法优化过程中被选中的候选基站及其覆盖范围示意图。
图5为采用MATLAB软件计算的二进制粒子群算法优化的基站选址数学模型的适应度函数值的迭代曲线图。
图6为本发明一实施例所述基于改进粒子群算法的电力无线专网基站选址方法中被选中的候选基站及其覆盖范围示意图。
图7为采用MATLAB软件计算本发明一实施例所述基于改进粒子群算法的电力无线专网基站选址方法中基站选址数学模型的适应度函数值的迭代曲线图。
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明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
电力无线专网是一种在电力系统调度和监测过程中使用的无线通信网络。它采用专门设计的无线通信技术和协议，旨在满足电力系统调度和监测等需求，以实现电力系统的安全、可靠和高效运行。该系统具有以下主要特点：网络安全性高、通信稳定可靠、运行可控、可扩展性强。通过电力无线专网，可以连接各种监测设备，实现对电力系统的实时监控，确保其正常运行。同时，它还具备跨区域调度的功能，可以连接不同地区的调度中心，使它们互相联通，实现电力系统的协同调度。在紧急情况下，电力无线专网可以通过实时通信方式进行指挥调度，及时处理突发事件，保障电力系统的安全运行。此外，它还支持对电力设备的远程控制，方便调度员进行设备的控制和操作，提高调度效率和控制精度。
为了保障电力无线专网的运营稳定，基站选址是重要任务，为了保证最大化覆盖和最小化成本，本申请提供一种基于改进粒子群算法的电力无线专网基站选址方法，如图1所示，该方法包括以下步骤S101~S106：
步骤S101：在目标区块内，设置第一数量个候选基站和第二数量个测试点，并配置各候选基站以及各测试点处终端接收机的工况参数。
步骤S102：根据各候选基站和各测试点的工况参数，通过链路预算计算测试点处的最大允许路径损耗。
步骤S103：结合最大允许路径损耗，基于预设传播模型计算候选基站的理论覆盖半径。
步骤S104：将电力无线专网基站选址问题转换为数学问题，构建目标函数，目标函数包括成本函数和覆盖函数，成本函数为选中的候选基站数量与候选集站总数的比值，覆盖函数为被覆盖到的测试点数量与测试点的总数的比值，以覆盖函数满足覆盖率阈值为前提，且最小化成本函数构建约束条件。
步骤S105：采用粒子群优化算法对数学问题进行求解，其中，粒子群优化算法引入哨兵检测机制记录粒子个体极值未发生变化的次数，并记为标记值，标记值在粒子个体极值发生变化时清零并重新计数；在迭代第一设定次数后，将标记值最大的粒子作为初始解，并基于禁忌搜索算法继续查找最优解以在满足停止条件时释放最优解。
步骤S106：基于最优解部署电力无线专网基站。
在步骤S101中，目标区块是指需要部署电力无线网络基站的空间区块，候选基站是在目标区块内选择的可以作为电力无线网络基站安装位置的候选集合，可以通过标记空间坐标的形式进行标记。测试点位可以是随机设置的，当然也可以根据特定的应用需求进行设置，例如针对目标区块内需要密集连入的用电单位，可以多设置测试点，以及针对重要用电单位按照实际数量和需求完整布置测试点。进一步的，候选基站和测试点处终端接收机的工况参数可以按照设定标准进行配置。
在步骤S102和S103中，结合最大允许路径损耗和预设传播模型计算候选基站的卢纶覆盖半径。
在一些实施例中，步骤S102中，根据各候选基站和各测试点的工况参数，通过链路预算计算测试点处的最大允许路径损耗中，所述最大允许路径损耗MAPL的计算式为：
； （1）
其中，Pout表示基站发射端的最大发射功率；GBS+RX表示基站端发射天线和测试点处终端接收天线的增益之和；M表示阴影余量和干扰余量之和；L表示馈线损耗、人体损耗与穿透损耗之和；SRX表示终端接收机的接收灵敏度。
按照不同应用场景的需求，可以选择合适的预设传播模型进行计算。例如，弗里斯空间传播模型（Free Space Path Loss, FSPL）：适用于开阔的自由空间环境，不考虑任何障碍物和干扰。洛杉矶城市传播模型（Okumura-HataUrban Model）：适用于城市环境，考虑了建筑物、地形、频率等因素对信号衰减的影响。高斯环境传播模型（Cost 231 HataModel）：是Okumura-Hata模型的改进版本，考虑了微细细胞大小、环境类型、频率、建筑物高度等参数。自由空间与2射线模型（Free Space and Two-ray Ground Model）：结合了自由空间模型和2射线模型，适用于开放区域和城市环境。柯西传播模型（COST-231Walfisch-Ikegami Model）：适用于城市环境，考虑了街道、建筑物、频率等因素。杜鲁门港口传播模型（ITU-R P.1411-7 Truman Port Model）：适用于港口环境，考虑了水面反射、绕射和直射路径等因素。
在一些实施例中，步骤S103中，结合最大允许路径损耗，基于预设传播模型计算候选基站的理论覆盖半径中，预设传播模型为COST 231-HATA传播模型，理论覆盖半径的计算式为：
；（2）
其中，MAPL表示最大允许路径损耗；表示电力无线专网基站工作的频率，其范围为1500 MHz~2000MHz；hb表示基站发射天线的高度，单位为米；hm表示终端接收天线的高度，单位为米；CM为环境校正因子。
在步骤S104中，计算得到了候选基站的理论覆盖半径的前提下，通过构建数学模型求解电力无线网络基站选址问题，所构建的目标函数设置两部分：用于标记成本的成本函数和用于标记覆盖范围的覆盖函数，成本函数可以采用被选中的基站个数与基站总数的比，覆盖函数可以采用被覆盖测试点个数与测试点总数的比值。为了转换成最大优化问题，数学模型可以表达为如下：
（3）
其中，n为候选基站的数量，m为测试点的数量；BS表示候选基站位置信息集合，表示第k个候选基站的位置信息；xi表示第i个候选基站的候选状态，若被选中，其值为1，否则为0；test_points表示测试点位置信息集合，/>表示第k'个测试点的位置信息；Ri表示第i个候选基站的理论覆盖半径；/>表示成本函数权重，/>表示覆盖函数权重，且。
在步骤S105中，基于粒子群算法对数学模型进行求解，本实施例中，为了防止粒子群优化算法陷入到局部最优，引入了哨兵检测机制和禁忌搜索算法。其中，哨兵检测机制通过标记每个粒子个体极值未发生变化的次数，以查找最可能陷入局部最优的解。在此基础上，基于禁忌搜索算法避开上述可能陷入局部最优的解，进行查找，更容易获得全局最优解，并且提升求解的收敛速度和稳定性。
具体的，步骤S105中，采用粒子群优化算法对数学问题进行求解，其中，粒子群优化算法引入哨兵检测机制记录粒子个体极值未发生变化的次数，并记为标记值，标记值在粒子个体极值发生变化时清零并重新计数，包括步骤S201~S203：
步骤S201：随机初始化粒子群，每个粒子中包含各候选基站的候选状态信息，初始化各粒子的个体最优位置、个体极值、全局最优位置和全局极值；初始化惯性权重和学习因子。
步骤S202：计算每个粒子的适应度函数值，并基于各粒子的适应度值更新各粒子的个体最优位置、个体极值、全局最优位置和全局极值。
步骤S203：根据各粒子的个体最优位置和全局最优位置更新各粒子速度及位置。
其中，为每个粒子设置标记值，记录各粒子的个体极值未发生变化的次数；在迭代过程中，当单个所述粒子的个体极值未变化时，对应的标记值按照迭代次数递增，每当该粒子的个体极值变化时，对应的标记值清零。
本申请中，粒子的速度和位置更新公式保持一致，各粒子速度的更新公式为：
； （4）
其中，为惯性权重；/>为个体学习因子，/>为种群学习因子；/>为第i个粒子的最优位置；/>为全局最优位置；/>表示第i个粒子t时刻的速度，/>第i个粒子t+1时刻的速度；/>表示第i个粒子t时刻的位置；
其中，将第i个粒子的速度通过sigmod函数映射到[0,1]区间之后再进行位置更新，计算式为：
； （5）
。 （6）
其中，表示经sigmod函数映射后归一化的第i个粒子的速度；/>表示第i个粒子更新后的位置。
在一些实施例中，在迭代第一设定次数后，将标记值最大的粒子作为初始解，并基于禁忌搜索算法继续查找最优解以在满足停止条件时释放所述最优解，包括步骤S301~S306：
步骤S301：在迭代第一设定次数后，查询各粒子的标记值，将标记值最大的粒子，并将该粒子对应的解作为初始解，同时设置为当前解和最优解。
步骤S302：初始化禁忌表和禁忌长度。
步骤S303：对当前解进行邻域搜索并计算适应度函数值。
步骤S304：若有性能优于最优解的邻域解，则将该邻域解设置为当前解和最优解，并放入禁忌表；若没有优于最优解的邻域解，则选取适应度函数最大的非禁忌邻域解作为当前解。
步骤S305：更新禁忌表，则禁忌表中每个禁忌解对应的禁忌长度减1，若某个禁忌解对应的禁忌长度减为0，则该解被释放。
步骤S306：若满足禁忌搜索算法的停止条件，则结束并输出最优解；若不满足则持续更新。
步骤S301~S306中，采用的禁忌搜索算法（Tabu Search）是一种用于求解优化问题的启发式搜索算法。它通过在搜索过程中记录一些禁忌条件，以避免落入局部最优解，并且能够在局部最优解附近进行搜索。禁忌搜索算法的基本思想是在搜索空间中移动，并根据问题的特定要求进行调整。
其中，禁忌表在禁忌搜索算法中主要用于记录搜索过程中的历史信息，以避免在短期内重复访问相同或类似的解，从而帮助算法跳出局部最优解并搜索更广的解空间。
禁忌表具体的作用包括：防止回溯，禁忌表可以防止算法在搜索过程中陷入循环或回溯到之前已经访问过的解。通过将当前解或某些已经搜索过的解加入禁忌表，算法可以规定一段时间内不能再次选择这些解，从而保证搜索过程不会进入无效的循环。保持多样性，禁忌表记录了搜索历史中的一些解，使得算法能够保持一定的多样性。即使在局部最优解附近，算法仍然能够选择其他未被禁忌的解进行探索，有助于发现更好的解。引导搜索方向，禁忌表中记录的禁忌信息可以指导搜索方向。例如，禁忌表中记录了在搜索过程中的某个解是不可取的，那么算法可以尽量避免选择与该解相似的解，从而引导搜索向更有希望的方向进行。
禁忌长度是指禁忌表中记载的禁忌解存在的任期，被记录在禁忌表中的禁忌解，没经过一轮迭代，其禁忌长度减1，当禁忌解对应的禁忌长度变为0时，则释放该禁忌解。
进一步的，禁忌搜索算法的结束条件可以根据具体问题和需求进行设定，包括但不限于以下几种：1）达到最大迭代次数，设置一个固定的迭代次数，在达到该次数后算法终止。2）目标函数达到阈值，设定一个目标函数值的阈值，当当前解的目标函数值达到或超过该阈值时，算法终止。3）连续若干次没有改进：记录最优解的变化情况，如果在连续若干次迭代中都没有出现更好的解，则认为算法已经收敛，终止搜索。4）时间限制，指定一个时间限制，在规定的时间内运行算法，超过时间限制则停止搜索。5）其他约束条件：根据具体问题的特点，可能还有其他限制条件，如资源约束、可行性条件等。当某个约束条件不满足时，算法终止。
在一些实施例中，所述方法还包括：对候选基站、测试点以及根据最优解部署的电力无线专网基站进行可视化展示。
另一方面，本发明还提供一种基于改进粒子群算法的电力无线专网基站选址装置，包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现上述方法的步骤。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
下面结合一具体实施例对本发明进行说明，
电力无线专网基站选址需要综合考虑其成本和覆盖，是一个多目标优化问题，基站的位置和数量对于网络的成本和质量有着直接的影响，目前的智能优化算法（例如遗传算法、粒子群算法）本身极有可能陷入局部最优解，若直接应用到基站选址问题中，效率必然低下。
本实施例提供一种基于改进粒子群算法的电力无线专网基站选址方法，深入分析粒子群算法的优缺点，粒子群算法具有较强的全局搜索能力，但是存在后期盲目搜索这一缺点；而禁忌搜索算法局部搜索能力较为出众，全局寻优能力稍弱。将这两个算法结合，可以有效克服传统粒子群算法“早熟”的缺点，提高了求解速度。并且根据电力无线专网的实际需求设计其适应度函数，在考虑成本和覆盖率的基础上，对于电力无线专网的基站选址问题进行求解。
如图2所示，本实施例所述基于改进粒子群算法的电力无线专网基站选址方法，包括以下步骤：
S1：通过使用某地图可视化仿真软件确定实验区域内可以放置基站的建筑物和居民点分布情况，并以此为依据设置了72和候选基站和175个测试点的位置坐标；
S2：根据链路预算和COST 231-HATA传播模型估算基站覆盖半径，包括：
S21：获得所述基站的工参数据，基站高度为20m，基站最大发射功率为40dB，终端接收机高度为1.5m。
S22：通过链路预算计算测试点处的最大允许路径损耗MAPL（Maximum AllowablePath Loss），其公式为：
； （1）
其中，Pout表示基站发射端的最大发射功率；GBS+RX表示基站端发射天线和测试点处终端接收天线的增益之和；M表示阴影余量和干扰余量之和；L表示馈线损耗、人体损耗与穿透损耗之和；SRX表示终端接收机的接收灵敏度。
S23：通过COST 231-HATA传播模型估算基站覆盖半径，传播损耗公式为：
；（7）
其中， PL表示终端接收天线的路径损耗（dB）；表示…的频率，其范围为1500MHz~2000MHz；hb表示基站发射天线的高度，单位为米；hm表示终端接收天线的高度，单位为米；CM为环境校正因子。
S3：将电力无线专网选址问题转换为数学问题，根据其实际需求，确定其目标函数和约束条件，即在满足覆盖率阈值的前提下，以最少的基站建站成本实现最大的覆盖，目标函数主要包括两个部分：成本函数和覆盖函数，成本函数为选中的基站个数与基站总个数的比值，但是为使优化方向一致，转化为最大化问题，覆盖函数由覆盖率描述，其值为基站覆盖到的测试点的个数与测试点总数的比值，最后采用权重法创建数学模型，具体如下：
（3）
其中，n为候选基站的数量，m为测试点的数量；BS表示候选基站位置信息集合，表示第k个候选基站的位置信息；xi表示第i个候选基站的候选状态，若被选中，其值为1，否则为0；test_points表示测试点位置信息集合，/>表示第k'个测试点的位置信息；Ri表示第i个候选基站的理论覆盖半径；/>表示成本函数权重，/>表示覆盖函数权重，且。
S4：根据该模型的目标函数和约束条件，运用改进的粒子群算法求解，获得最优基站分布方案，具体包括：
S41：随机初始化粒子群，采用二进制编码，每个粒子中包含各个基站的候选状态信息；初始化个体最优位置和个体极值、全局最优位置和全局极值；初始化惯性权重和学习因子；
S42：计算每个粒子的适应度函数值，适应度水平越高，表示粒子代表基站选址方案越优秀；
S43：采用哨兵检测机制及时发现有“早熟”趋势的粒子，设置变量sentinel 实时记录粒子个体极值连续没有变化的次数来判断其是否“早熟”，若某次迭代中粒子的个体极值发生变化，则对应的sentinel值清零，直至算法结束停止sentinel更新；
S44：在迭代一定次数之后，认为sentinel值最大的粒子最有可能陷入局部最优，此时将该粒子作为禁忌搜索算法的初始解。最后将禁忌搜索算法寻找的最优解代替该粒子，继续寻优；
禁忌搜索算法的具体步骤为：
S441：随机产生初始解（本发明中禁忌搜索算法的初始解为粒子群算法中迭代若干次后的某个粒子），并设置为当前解和最优解；初始化禁忌表和禁忌长度；
S442：对当前解进行邻域搜索并计算适应度函数值（本发明中禁忌搜索算法的适应度函数同粒子群搜索算法）；
S443：若有性能优于最优解的邻域解，则将该解设置为当前解和最优解，并放入禁忌表；若没有优于最优解的邻域解，则选取适应度函数最大的非禁忌邻域解作为当前解；
S444：更新禁忌表，则每个禁忌解对应的禁忌长度减1，若某个禁忌解对应的禁忌长度减为0，则该解被释放。
S445：若满足禁忌搜索算法的停止条件，则结束整个算法流程，得到最优解；若不满足，则重复S442~ S444。
S45：更新粒子的位置和速度，更新个体最优位置和个体极值、全局最优位置和全局极值；更新惯性权重和学习因子，具体包括：
； （4）
其中，为惯性权重；/>为个体学习因子，/>为种群学习因子；/>为第i个粒子的最优位置；/>为全局最优位置；/>表示第i个粒子t时刻的速度，/>第i个粒子t+1时刻的速度；/>表示第i个粒子t时刻的位置；
其中，将第i个粒子的速度通过sigmod函数映射到[0,1]区间之后再进行位置更新，计算式为：
； （5）
。 （6）
其中，表示经sigmod函数映射后归一化的第i个粒子的速度；/>表示第i个粒子更新后的位置。
S46：若满足算法终止条件，则输出基站部署最优结果；若不满足算法终止条件，则重复S42~ S45，直至算法满足结束条件。
S5：参考最后的基站分布最优结果进行基站部署；
通过将改进的粒子群算法应用到电力无线专网基站选址问题中，对建立的数学模型的目标函数和约束条件分析并转换成编程语言，从而获得基站分布最优结果。与传统基站选址方法相比，该方法更为准确，并且所花费的人力、物力和财力较少。
如图3所示，在本实施例中，通过运用某地图仿真可视化软件导入待求解区域的地形图，以此为依据，选取可放置基站的建筑物站址作为候选基站站址，选取居民生活区域作为测试点所在的区域。其中，圆圈代表候选基站站址；小黑色代表测试点的位置。
如图4所示，在一个实施例中，采用二进制粒子群算法对基站选址问题进行优化，其中，星号表示被选中的候选基站，圆圈表示未被选中的候选基站，小黑点表示测试点。得到的基站最优分布结果表明：（1）待求解区域需要8个基站进行覆盖；（2）选出的7个基站覆盖到的测试点的数量占测试点总数的91.4%。
图5是采用MATLAB软件计算的二进制粒子群算法优化的基站选址数学模型的适应度函数值的迭代曲线图。该优化算法设置最大迭代次数为500，种群大小为300，可以看出通过该优化方法迭代优化后得到的最优适应度值为0.9073，并在104代开始收敛。
如图6所示，在另一个实施例中，采用改进粒子群优化算法对基站选址问题进行优化，其中，星号表示被选中的候选基站，圆圈表示未被选中的候选基站，小黑点表示测试点。得到的基站最优分布结果表明：（1）待求解区域仅需要6个基站；（2）选出的6个基站覆盖到的测试点的数量占测试点总数的97.1%。由此可以看出采用该方法优化之后的基站部署方案，降低了基站的建站成本，合理节约了投资预算，还大幅度提高了覆盖率，有效减少了覆盖盲区。
图7是采用MATLAB软件计算的改进粒子群算法优化的基站选址数学模型的适应度函数值的迭代曲线图。该优化算法设置最大迭代次数为500，种群大小为300，可以看出通过该优化方法迭代优化后得到的最优适应度值为0.9276，并在10代左右开始收敛。由此可以看出，改进后的粒子群算法不仅克服了容易陷入局部最优的缺点，而且其收敛性能得到了大幅度的提升。
综上所述，本发明所述基于改进粒子群算法的电力无线专网基站选址方法及装置，针对电力无线专网基站选址问题建立数学模型对基站规划中的成本和覆盖目标进行优化，基于粒子群算法进行求解，并结合哨兵检测机制和禁忌搜索算法优化求解过程，防止陷入局部最优解，提升全局搜索能力，求解过程收敛性和稳定性更好。
与上述方法相应地，本发明还提供了一种装置/系统，该装置/系统包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置/系统实现如前所述方法的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体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发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于改进粒子群算法的电力无线专网基站选址方法，其特征在于，该方法包括以下步骤：
在目标区块内，设置第一数量个候选基站和第二数量个测试点，并配置各候选基站以及各测试点处终端接收机的工况参数；
根据各候选基站和各测试点的工况参数，通过链路预算计算测试点处的最大允许路径损耗；
结合所述最大允许路径损耗，基于预设传播模型计算所述候选基站的理论覆盖半径；
将电力无线专网基站选址问题转换为数学问题，构建目标函数，所述目标函数包括成本函数和覆盖函数，所述成本函数为选中的所述候选基站数量与所述候选基站总数的比值，所述覆盖函数为被覆盖到的所述测试点数量与所述测试点的总数的比值，以所述覆盖函数满足覆盖率阈值为前提，且最小化所述成本函数构建约束条件；
采用粒子群优化算法对所述数学问题进行求解，所述粒子群优化算法引入哨兵检测机制记录粒子个体极值未发生变化的次数，并记为标记值，所述标记值在粒子个体极值发生变化时清零并重新计数；在迭代第一设定次数后，将标记值最大的粒子作为初始解，并基于禁忌搜索算法继续查找最优解以在满足停止条件时释放所述最优解；
基于所述最优解部署电力无线专网基站；
其中，所述粒子群优化算法引入哨兵检测机制记录粒子个体极值未发生变化的次数，并记为标记值，所述标记值在粒子个体极值发生变化时清零并重新计数，包括：随机初始化粒子群，每个粒子中包含各候选基站的候选状态信息，初始化各粒子的个体最优位置、个体极值、全局最优位置和全局极值；初始化惯性权重和学习因子；计算每个粒子的适应度函数值，并基于各粒子的适应度值更新各粒子的个体最优位置、个体极值、全局最优位置和全局极值；根据各粒子的所述个体最优位置和所述全局最优位置更新各粒子速度及位置；其中，为每个粒子设置标记值，记录各粒子的个体极值未发生变化的次数；在迭代过程中，当单个所述粒子的个体极值未变化时，对应的标记值按照迭代次数递增，每当该粒子的个体极值变化时，对应的标记值清零；
在迭代第一设定次数后，将标记值最大的粒子作为初始解，并基于禁忌搜索算法继续查找最优解以在满足停止条件时释放所述最优解，包括：在迭代第一设定次数后，查询各粒子的标记值，将所述标记值最大的粒子，并将该粒子对应的解作为初始解，同时设置为当前解和最优解；初始化禁忌表和禁忌长度；对当前解进行邻域搜索并计算适应度函数值；若有性能优于最优解的邻域解，则将该邻域解设置为当前解和最优解，并放入所述禁忌表；若没有优于最优解的邻域解，则选取适应度函数最大的非禁忌邻域解作为当前解；更新所述禁忌表，则所述禁忌表中每个禁忌解对应的禁忌长度减1，若某个禁忌解对应的禁忌长度减为0，则该解被释放；若满足禁忌搜索算法的停止条件，则结束并输出最优解；若不满足则持续更新。
2.根据权利要求1所述的基于改进粒子群算法的电力无线专网基站选址方法，其特征在于，根据各候选基站和各测试点的工况参数，通过链路预算计算测试点处的最大允许路径损耗中，所述最大允许路径损耗MAPL的计算式为：
；
其中，Pout表示基站发射端的最大发射功率；GBS+RX表示基站端发射天线和所述测试点处终端接收天线的增益之和；M表示阴影余量和干扰余量之和；L表示馈线损耗、人体损耗与穿透损耗之和；SRX表示终端接收机的接收灵敏度。
3.根据权利要求2所述的基于改进粒子群算法的电力无线专网基站选址方法，其特征在于，结合所述最大允许路径损耗，基于预设传播模型计算所述候选基站的理论覆盖半径中，所述预设传播模型为COST 231-HATA传播模型，所述理论覆盖半径的计算式为：
；
其中，MAPL表示所述最大允许路径损耗；表示电力无线专网基站工作的频率，其范围为1500 MHz~2000MHz；hb表示所述基站发射天线的高度，单位为米；hm表示所述终端接收天线的高度，单位为米；CM为环境校正因子。
4.根据权利要求1所述的基于改进粒子群算法的电力无线专网基站选址方法，其特征在于，以所述覆盖函数满足覆盖率阈值为前提，且最小化所述成本函数构建约束条件，数学模型为：
其中，n为所述候选基站的数量，m为所述测试点的数量；BS表示候选基站位置信息集合，表示第k个所述候选基站的位置信息；xi表示第i个候选基站的候选状态，若被选中，其值为1，否则为0；test_points表示所述测试点位置信息集合，/>表示第k'个测试点的位置信息；Ri表示第i个候选基站的所述理论覆盖半径；/>表示成本函数权重，/>表示覆盖函数权重，且/>。
5.根据权利要求1所述的基于改进粒子群算法的电力无线专网基站选址方法，其特征在于，各粒子速度的更新公式为：
；
其中，为惯性权重；/>为个体学习因子，/>为种群学习因子；/>为第i个粒子的最优位置；/>为全局最优位置；/>表示第i个粒子t时刻的速度，/>第i个粒子t+1时刻的速度；/>表示第i个粒子t时刻的位置；
其中，将第i个粒子的速度通过sigmod函数映射到[0,1]区间之后再进行位置更新，计算式为：
；
其中，表示经sigmod函数映射后归一化的第i个粒子的速度；/>表示第i个粒子更新后的位置。
6.根据权利要求1所述的基于改进粒子群算法的电力无线专网基站选址方法，其特征在于，所述方法还包括：对所述候选基站、所述测试点以及根据所述最优解部署的电力无线专网基站进行可视化展示。
7.一种基于改进粒子群算法的电力无线专网基站选址装置，包括处理器和存储器，其特征在于，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如权利要求1至6中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311349616.5A CN117119469B (zh) | 2023-10-18 | 2023-10-18 | 基于改进粒子群算法的电力无线专网基站选址方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311349616.5A CN117119469B (zh) | 2023-10-18 | 2023-10-18 | 基于改进粒子群算法的电力无线专网基站选址方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117119469A CN117119469A (zh) | 2023-11-24 |
| CN117119469B true CN117119469B (zh) | 2024-01-05 |
Family
ID=88800450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311349616.5A Active CN117119469B (zh) | 2023-10-18 | 2023-10-18 | 基于改进粒子群算法的电力无线专网基站选址方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117119469B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022463A (zh) * | 2016-05-13 | 2016-10-12 | 安徽教育网络出版有限公司 | 基于改进粒子群算法的个性化学习路径优化方法 |
| CN109862573A (zh) * | 2019-03-06 | 2019-06-07 | 重庆邮电大学 | 一种基于多目标粒子群的lte混合组网自规划方法 |
| CN111163477A (zh) * | 2020-02-29 | 2020-05-15 | 南开大学 | 一种广域三维环境下一体化智能基站自动部署方法 |
| 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 |
| CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
| CN112020072A (zh) * | 2019-05-31 | 2020-12-01 | 中国移动通信集团河南有限公司 | 一种基站选址方法与装置 |
| CN114021781A (zh) * | 2021-08-13 | 2022-02-08 | 安徽师范大学 | 基于粒子群算法的物资配送中心选址方法和系统 |
| CN114386556A (zh) * | 2021-12-14 | 2022-04-22 | 同济大学 | 一种基于禁忌搜索与粒子群算法的目标源定位与避障方法 |
| CN116801367A (zh) * | 2022-03-08 | 2023-09-22 | 中国移动通信有限公司研究院 | 一种交叉链路干扰抑制方法、网络节点及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021237688A1 (en) * | 2020-05-29 | 2021-12-02 | British Telecommunications Public Limited Company | Ris-assisted wireless communications |
-
2023
- 2023-10-18 CN CN202311349616.5A patent/CN117119469B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022463A (zh) * | 2016-05-13 | 2016-10-12 | 安徽教育网络出版有限公司 | 基于改进粒子群算法的个性化学习路径优化方法 |
| CN109862573A (zh) * | 2019-03-06 | 2019-06-07 | 重庆邮电大学 | 一种基于多目标粒子群的lte混合组网自规划方法 |
| CN112020072A (zh) * | 2019-05-31 | 2020-12-01 | 中国移动通信集团河南有限公司 | 一种基站选址方法与装置 |
| CN111163477A (zh) * | 2020-02-29 | 2020-05-15 | 南开大学 | 一种广域三维环境下一体化智能基站自动部署方法 |
| 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 |
| CN111523930A (zh) * | 2020-04-17 | 2020-08-11 | 国网上海市电力公司 | 城市电动出租车充电站选址和服务范围划分的规划方法 |
| CN114021781A (zh) * | 2021-08-13 | 2022-02-08 | 安徽师范大学 | 基于粒子群算法的物资配送中心选址方法和系统 |
| CN114386556A (zh) * | 2021-12-14 | 2022-04-22 | 同济大学 | 一种基于禁忌搜索与粒子群算法的目标源定位与避障方法 |
| CN116801367A (zh) * | 2022-03-08 | 2023-09-22 | 中国移动通信有限公司研究院 | 一种交叉链路干扰抑制方法、网络节点及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| Satellite Imaging Task Planning using Particle Swarm Optimization and Tabu Search;Qianzhou He;2021 IEEE 21st International Conference on Software Quality, Reliability and Security Companion (QRS-C);全文 * |
| 基于AHTPSO的连续属性离散化算法;董跃华，刘力;计算机工程与科学;第38卷(第5期);全文 * |
| 基于改进禁忌搜索的基站布局优化算法;陈诗军;王慧强;陈大伟;刘秀兵;胡海婧;;计算机工程与科学(第02期);全文 * |
| 基于集合覆盖与智能优化算法的WCDMA网络基站位置优化;代超;中国优秀硕士学位论文全文数据库-信息科技辑;全文 * |
| 异构无线网络中的基站选址算法研究;冯亮;万方数据知识服务平台;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117119469A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Masood et al. | A machine learning based 3D propagation model for intelligent future cellular networks | |
| US8744485B2 (en) | Efficient location discovery | |
| CN109743741A (zh) | 无线路由器部署方法、装置、存储介质及电子设备 | |
| CN105430664B (zh) | 一种基于分类拟合预测传播路损的方法和装置 | |
| JP2004524751A (ja) | 放射経路損失の測定に基づく予測方法 | |
| CN104093205A (zh) | 基于接收信号强度指示的无线定位系统锚节点部署方法 | |
| WO2022021602A1 (zh) | 一种基于地理信息的5g参考信号接收功率预测方法 | |
| CN102362517B (zh) | 无线电波状态测量系统、无线电波状态测量方法及存储无线电波状态测量程序的存储介质 | |
| AU1050200A (en) | Method and apparatus for implementing network planning | |
| CN112950243B (zh) | 一种5g站址规划方法、装置、电子设备及存储介质 | |
| CN117119469B (zh) | 基于改进粒子群算法的电力无线专网基站选址方法及装置 | |
| CN107682863B (zh) | 一种电力基站选择和布局方法 | |
| WO2020245976A1 (ja) | 置局設計装置、置局設計方法及びプログラム | |
| CN104602249A (zh) | 一种确定小区关系的方法及装置 | |
| CN116980933A (zh) | 天线参数调整方法和装置、电子设备及存储介质 | |
| Elkamchouchi et al. | Cellular radio network planning using particle swarm optimization | |
| CN1333613C (zh) | 预测电波传播损耗以配置移动通信网络的方法和装置 | |
| Li et al. | Optimal wifi aps deployment for localization and coverage based on virtual force | |
| Amine et al. | Base station placement optimisation using genetic algorithms approach | |
| CN114125866A (zh) | 邻区规划方法、装置、计算机设备和存储介质 | |
| CN112369060B (zh) | 评估建筑物无线性能的方法 | |
| CN100426912C (zh) | 一种实现开阔水域网络规划的方法 | |
| CN114978253A (zh) | 用于广播波束优化的方法、装置以及存储介质 | |
| CN109756844B (zh) | 地面突起物背向栅格指纹生成方法 | |
| CN103841637B (zh) | 无线目标定位方法、设备及系统 |
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 |