CN117349993A - 基站功率优化方法、装置、计算机存储介质及电子设备 - Google Patents
基站功率优化方法、装置、计算机存储介质及电子设备 Download PDFInfo
- Publication number
- CN117349993A CN117349993A CN202210752838.0A CN202210752838A CN117349993A CN 117349993 A CN117349993 A CN 117349993A CN 202210752838 A CN202210752838 A CN 202210752838A CN 117349993 A CN117349993 A CN 117349993A
- Authority
- CN
- China
- Prior art keywords
- base station
- optimization
- power
- signal intensity
- algorithm
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 84
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000004891 communication Methods 0.000 claims abstract description 23
- 230000035772 mutation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 21
- 230000002068 genetic effect Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 108020004414 DNA Proteins 0.000 description 10
- 238000005562 fading Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000002360 preparation method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 108091028043 Nucleic acid sequence Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了一种基站功率优化方法、装置、计算机存储介质及电子设备,涉及无线通信和终端技术领域。该方法包括:将基站发射功率输入至无线信号分布模型,生成对应的区域信号强度数据,将基站发射功率、区域信号强度数据等通信场景参数及算法参数输入至多目标优化算法,根据区域信号强度数据最大及基站发射功率总和最小的优化目标,得到多个帕累托解;根据应用需求,选择一个最合适的帕累托解作为结果发送至基站,基站根据结果调整基站的当前功率。本公开实施例能够满足实际应用中基站功率优化的需求,减少计算量,提高基站功率优化效率。
Description
技术领域
本公开涉及无线通信和终端技术领域,尤其涉及一种基站功率优化方法、装置、计算机存储介质及电子设备。
背景技术
多目标优化是一种常见的优化方法,通常用于求解具有多个相互冲突的优化目标、多重约束的复杂问题。多目标优化问题的解称为帕累托解;其定义为,在解空间内如果没有一个解S2的比S1的结果更好,则S1是一个帕累托解。帕累托解的数量通常大于1。基站功率优化可以被视为一个多目标优化问题。多目标遗传算法是一种常见的求解多目标优化问题的方法,其基于遗传算法,模拟遗传过程中的交叉、变异等操作,搜索并记录多目标优化问题的帕累托解。
基站功率优化是一个常见的优化问题,其范围涵盖基站覆盖、基站参数初始化、用户接入及用户服务质量等等。基站功率优化有助于实现基站节能、无线资源优化等方案。目前,多使用单目标优化方法,求解基站功率优化问题。例如普通的遗传算法、粒子群算法等。并且,传统的无线信号计算方法计算路径损耗,不符合实际场景,优化目标也没有根据实际需求设计。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种基站功率优化方法、装置、计算机存储介质及电子设备,至少在一定程度上克服相关技术中基站功率优化效率低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供了一种基站功率优化方法,包括:
将通信场景参数及算法参数输入至多目标优化算法,得到多个帕累托解;
根据应用需求,选择一个最合适的帕累托解作为结果发送至基站,以便基站根据所述结果调整基站的当前功率。
在本公开的一个实施例中,所述多目标优化算法包括:
根据区域范围内多个基站发射功率确定对应的区域信号强度数据;
获取终端信号强度数据,其中,区域信号强度数据大于所述终端信号强度数据;
根据区域信号强度数据最大的优化目标,得到所述帕累托解。
在本公开的一个实施例中,所述多目标优化算法包括:
获取区域范围内基站发射功率,其中,发射功率大于或者等于零;
根据所述基站发射功率,计算基站发射功率总和;
根据所述基站发射功率总和最小的优化目标,得到所述帕累托解。
在本公开的一个实施例中,所述根据区域范围内多个基站发射功率确定对应的区域信号强度数据包括:
将多个所述基站发射功率输入至无线信号分布模型,生成传播空间内的区域信号分布信息;
根据区域信号分布信息,确定所述基站发射功率对应的区域信号强度数据。
在本公开的一个实施例中,还包括:
将所述传播空间切分为多个传播块;
获取所述传播块的无线信号强度数据,生成无线信号强度数组;
获取所述无线信号强度数组的最小值,确定为区域信号强度数据。
在本公开的一个实施例中,所述通信场景参数包括:区域范围大小、基站个数、基站发射功率或基站地理位置。
在本公开的一个实施例中,所述算法参数包括:种群规模、迭代次数、交叉率或变异率。
根据本公开的另一个方面,还提供了一种基站功率优化装置,包括:
多目标优化模块,将通信场景参数及算法参数输入至多目标优化算法,得到多个帕累托解;
基站功率调整模块,根据应用需求,选择一个最合适的帕累托解作为结果发送至基站,以便基站根据所述结果调整基站的当前功率。
根据本公开的另一个方面,还提供了一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述基站功率优化方法。
根据本公开的另一个方面,还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的基站功率优化方法。
本公开的实施例所提供的基站功率优化方法、装置、计算机存储介质及电子设备,将基站发射功率输入至无线信号分布模型,生成对应的区域信号强度数据,将基站发射功率、区域信号强度数据等通信场景参数及算法参数输入至多目标优化算法,根据区域信号强度数据最大及基站发射功率总和最小的优化目标,得到多个帕累托解;根据应用需求,选择一个最合适的帕累托解作为结果发送至基站,基站根据结果调整基站的当前功率,能够满足实际应用中基站功率优化的需求,减少计算量,提高基站功率优化效率。
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。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种基站功率优化方法流程图;
图2示出本公开实施例中一种多目标优化算法流程图;
图3示出本公开实施例中又一种多目标优化算法流程图;
图4示出本公开实施例中又一种基站功率优化方法流程图;
图5示出本公开实施例中一种基站功率优化系统示意图;
图6示出本公开实施例中一种基站功率优化方法时序图;
图7示出本公开实施例再一种基站功率优化方法流程图;和
图8示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图及实施例对本示例实施方式进行详细说明。
本公开实施例中提供了一种基站功率优化方法方法,该方法可以由任意具备计算处理能力的电子设备执行。
图1示出本公开实施例中一种基站功率优化方法流程图,如图1所示,本公开实施例中提供的基站功率优化方法包括如下步骤:
S102,获取通信场景参数及算法参数。
需要说明的是,通信场景参数包括但不限于:区域范围大小、基站个数、基站发射功率或基站地理位置。
需要说明的是,算法参数包括但不限于:种群规模、迭代次数、交叉率或变异率。
S104,将通信场景参数及算法参数输入至多目标优化算法,得到多个帕累托解。
在一个实施例中,可将通信场景参数及算法参数输入至多目标优化算法,同时获取多个优化目标,得到多个帕累托解。
在一个实施例中,图2示出本公开实施例中一种多目标优化算法流程图,本公开实施例中提供的多目标优化算法包括:
S202,根据区域范围内多个基站发射功率确定对应的区域信号强度数据。
在一个实施例中,将多个基站发射功率输入至无线信号分布模型,生成传播空间内的区域信号分布信息;根据区域信号分布信息,确定区域信号强度数据,从而确定区域信号强度数据最大的个体。
需要说明的是,无线信号在传播过程中,会受到地形起伏、障碍物等的反射、衍射,产生阴影效应、多径效应等;基站之间也会产生一定的干扰,导致用户接收到的信号无法用公式精确计算。使用神经网络训练出来的无线信号分布模型预测该区域内的无线信号分布,比路径损耗公式、衰落公式、干扰公式更符合实际情况。
需要说明的是,在进行无线信号分布模型训练时,需要收集区域信号强度数据构建训练数据集,训练结束后得到无线信号分布模型,但在使用无线信号分布模型时,不需要采集区域信号强度数据,将基站功率输入至无线信号分布模型得到预测的区域信号强度数据。
S204,获取终端信号强度数据,其中,区域信号强度数据大于终端信号强度数据。
需要说明的是,终端信号强度数据为终端可接收的无线信号强度数据的最小值,区域信号强度数据为该区域内所有传播块无线信号强度数组的最小值,区域信号强度数据大于终端信号强度数据,可以让该区域内无线信号最弱的点可以被终端设备接收并处理。
S206,根据区域信号强度数据最大的优化目标,得到帕累托解。
需要说明的是,目标函数值1为上述多目标优化算法中的目标函数的值,目标函数值1需要计算覆盖区域范围内的区域信号分布信息,并从中找到确定区域信号强度数据最大的个体。
在一个实施例中,无线信号分布模型训练方法包括:将传播空间切分为多个传播块;获取传播块的无线信号强度数据,生成无线信号强度数组;区域信号强度数据为无线信号强度数组的最小值,确保整个传播空间的信号值满足用户接入和使用的需求。
需要说明的是,基站覆盖范围内,区域信号强度数据满足用户接入和基本使用需求,不保证用户上传和下载的速率最大,可以高效调整基站当前发射功率,且保障了用户的使用需求。
需要说明的是,当区域范围内基站发生变化时,例如基站坐标发生变化、基站增加或减少,需要重新训练无线信号分布模型。
在一个实施例中,图3示出本公开实施例中又一种多目标优化算法流程图,本公开实施例中提供的多目标优化算法包括:
S302,获取区域范围内基站发射功率,其中,发射功率大于或者等于零;
S304,根据基站发射功率,计算基站发射功率总和;
S306,根据基站发射功率总和最小的优化目标,得到帕累托解。
需要说明的是,目标函数值2为上述多目标优化算法中的目标函数的值。
需要说明的是,多目标优化算法的种群中,每一个个体包含一个DNA序列和一组目标函数值。DNA数组的下标等于基站的下标,DNA数组的值等于每个下标对应的基站功率,目标函数值为多目标优化算法中所设计的两个目标函数的值。计算结束后,所有个体根据多目标遗传算法的流程,进行交叉、变异、子代选择等操作,选择符合要求的下一代个体。
S308,根据应用需求,选择一个最合适的帕累托解作为结果发送至基站,以便基站根据结果调整基站的当前功率。
上述实施例中,用无线信号分布模型替换阴影、衰落、多径效应等无线信号衰落的计算,解决了针对路径损耗公式、阴影公式、干扰公式等无法准确计算真实场景信号分布等问题,适用性更强,更符合实际应用场景;且根据基站功率优化问题的特点,以及多目标优化问题的特点,使用了符合实际情况的优化目标,根据实际需求取一个最合适的帕累托解,既满足了基站功率优化问题的需求,又满足了实际应用中的需求。
基于同一发明构思,本公开实施例中还提供了一种基站功率优化装置,如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
基站功率优化装置包括:多目标优化模块及基站功率调整模块;
多目标优化模块,将通信场景参数及算法参数输入至多目标优化算法,得到多个帕累托解;
基站功率调整模块,根据应用需求,选择一个最合适的帕累托解作为结果发送至基站,以便基站根据结果调整基站的当前功率。
上述实施例中,多目标优化模块及基站功率调整模块,可根据基站功率优化问题的特点,以及多目标优化问题的特点,最大限度减少了所需的优化目标,减少了计算量,可根据实际需求取一个最合适的帕累托解,既满足了基站功率优化问题的需求,又满足了实际应用中的需求。
图4示出本公开实施例中又一种基站功率优化方法流程图,如图4所示,本公开实施例中提供的基站功率优化方法包括如下步骤:
S402,获取当前场景内通信场景参数及无线信号分布模型。
需要说明的是,通信场景参数包括但不限于:区域范围大小、基站个数、基站发射功率或基站地理位置。
需要说明的是,无线信号分布模型代表了若干基站发射功率与该区域范围内区域信号强度数据分布的映射关系。
需要说明的是,无线信号分布模型的输入数据为区域范围内的若干个基站功率,输出为传播空间内的无线信号分布强度;使用该无线信号分布模型,输入每个个体中的DNA序列中的基站发射功率,即可获得该区域内的区域信号强度数据分布,从区域信号强度数据分布中找到信号值最小的点,为该区域内所有传播块无线信号强度数组的最小值,即区域信号强度数据。
S404,获取多目标遗传算法参数。
需要说明的是,多目标遗传算法参数包括但不限于:种群规模、迭代次数、交叉率、变异率。
需要说明的是,如果当前应用的时间要求不高,则种群规模、迭代次数、交叉率和变异率都可以相应增加;如果时间要求较高,则相应参数要减小。
在一个实施例中,可根据用户需求设置多目标遗传算法参数的数量和类型。
需要说明的是,多目标遗传算法的运算时长受到种群规模、迭代次数、DNA长度、交叉率/变异率等的制约。DNA长度和交叉率/变异率的影响相互关联,其中,DNA长度等于基站个数。
传播空间切割的精度会影响到无线信号分布模型的训练时长,但无线信号分布模型只需要一次训练就可以重复使用,预测时长远低于训练时长,影响可以忽略不记。
例如,训练数据规模为100,精度为100*100的空间,训练时长39秒;精度为20*20的空间,训练时长6秒。表1是根据实验多目标遗产算法的运算时长相关数据。
表1多目标遗产算法的运算时长数据
空间切割精度 | 基站个数 | 种群规模 | 迭代次数 | 交叉率 | 变异率 | 运行时长 |
20*20 | 5 | 15 | 5 | 0.1 | 0.9 | 1.67秒 |
20*20 | 5 | 50 | 5 | 0.1 | 0.9 | 2.79秒 |
20*20 | 5 | 100 | 5 | 0.1 | 0.9 | 1.85秒 |
20*20 | 5 | 15 | 50 | 0.1 | 0.9 | 16.18秒 |
20*20 | 5 | 15 | 100 | 0.1 | 0.9 | 35.23秒 |
20*20 | 5 | 15 | 5 | 0.9 | 0.9 | 2.05秒 |
20*20 | 10 | 15 | 5 | 0.1 | 0.9 | 1.80秒 |
100*100 | 10 | 15 | 5 | 0.1 | 0.9 | 2.36秒 |
如表1所示,算法的交叉率、变异率、基站个数、空间切割精度对运算时长的影响不大,种群规模、迭代次数对算法的运行时长的影响较大,接近线性增长。
S406,种群初始化:将给定区域范围内的基站发射功率作为个体的值;DNA长度等于区域范围内基站的个数;DNA数组的每个值等于每个基站的基站发射功率。
S408,根据多目标优化算法得到多个帕累托解。
在一个实施例中,多目标优化算法包括两个优化目标:第一优化目标及第二优化目标;
在一个实施例中,第一优化目标为:在基站覆盖的区域范围内,区域信号强度数据最大;对应的第一约束条件为:区域信号强度数据大于终端信号强度数据。
在一个实施例中,终端信号强度数据为-100dbm。
在一个实施例中,第二优化目标为:区域范围内基站发射功率总和最小。对应的第二约束条件为:每个基站发射功率均大于或等于0。
例如,SignalStrenth是记录所有传播块的无线信号强度的数组,PowerOfBS是记录所有基站发射功率的数组;则第一优化目标为:max(min(SignalStrenth)),第二优化目标为:min(sum(PowerOfBS)),种群中的每个个体,其优化目标函数值1为:min(SignalStrenth)、优化目标函数值2为:sum(PowerOfBS),在算法搜索过程中,需要根据遗传算法的规则,删掉优化目标值1较小、优化目标值2较大的个体,保留优化目标值1较大、优化目标值2较小的个体,即帕累托解的搜索过程;因此,综合起来的结果是:min(SignalStrenth)取最(较)大值的同时sum(PowerOfBS)取最(较)小值的个体,将被保留成为帕累托解。
在一个实施例中,根据无线信号分布模型预测区域信号强度数据。
需要说明的是,基站节能、基站参数初始化、基站覆盖优化、用户服务质量优化等应用,均要求基站在一定范围内调节发射功率,满足相应的需求,传统的路径损耗公式、阴影公式或无线干扰公式,代表了理想条件下的无线信号损耗或干扰;根据上述公式计算出来的无线信号强度,通常不能代表真实场景中的无线信号分布,使用神经网络训练出来的无线信号分布模型预测该区域内的无线信号分布,比路径损耗公式、衰落公式、干扰公式更符合实际情况。
S410,根据实际情况,从所获取的帕累托解中选择最合适的一个。
例如,节能应用场景需要从所有帕累托解中选择基站功率总和最小的一个帕累托解;休眠场景需要选择已开启的基站数目最小的一个帕累托解;白天需要选取最小区域信号强度数据中最大的一个帕累托解。
需要说明的是,所有帕累托解均满足上述优化目标,但实际应用方案只能选择一个解。
上述实施例中,用无线信号分布模型替换阴影、衰落、多径效应等无线信号衰落的计算,更符合实际应用场景,且根据基站功率优化问题的特点,以及多目标优化问题的特点,考虑了运算时长,最大限度减少所需的优化目标,减少了计算量,设计使用了符合实际情况的优化目标,根据实际需求取一个最合适的帕累托解,既满足了基站功率优化问题的需求,又满足了实际应用中的需求。
基于同一发明构思,本公开实施例中还提供了一种基站功率优化系统,如下面的实施例。由于该系统实施例解决问题的原理与上述方法实施例相似,因此该系统实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图5示出本公开实施例中一种基站功率优化系统示意图,如图5所示,本公开实施例中提供的基站功率优化系统包括:数据准备模块501、算法运行模块502及结果选择模块503;
数据准备模块501,用于准备算法运行所需的数据,例如基站个数、基站地理位置、传播空间的范围大小;获取该环境内的无线信号分布模型及算法的种群规模、迭代次数、交叉率、变异率及其他参数。
算法运行模块502,使用数据准备模块的数据,运行多目标优化算法,多目标优化算法使用以下两个优化目标,算法迭代结束后,并输出帕累托解。
优化目标1中,在基站覆盖范围内,区域信号强度数据最大,对应的约束条件为:区域信号强度数据大于终端信号强度数据,通常是-100dbm;区域信号强度数据根据无线信号分布模型进行计算。
优化目标2中,该区域范围内的基站发射功率总和最小,对应的约束条件为:每个基站发射功率均大于或等于0。
结果选择模块503,获取算法运行模块中的帕累托解,从中选择一个最符合当前应用场景的解,返回给应用程序;基站根据返回的结果,调整发射功率。
上述实施例中,通过符合现实应用场景的优化目标,最大限度减少了所需的优化目标,减少了计算量,且用无线信号分布模型替换阴影、衰落、多径效应等无线信号衰落的计算,更符合实际应用场景。
图6示出本公开实施例中一种基站功率优化方法时序图,如图6所示,本公开实施例中提供的基站功率优化方法包括如下步骤:
S602,数据准备模块获取通信场景参数,例如基站个数、当前场景的空间范围大小、由神经网络训练出来的该场景内的无线信号分布模型等。
S604,数据准备模块获取算法相关参数,如种群规模、迭代次数、交叉率、变异率等。
需要说明的是,如果算法运行的时间要求不高,则上述参数可以相应增加;如果算法运行的时间要求较高,则上述参数应相应减小。
S606,将算法参数及场景场景参数输入多目标遗传算法,按照下述两个优化目标进行计算,搜索帕累托解,算法迭代结束后,输出帕累托解。
优化目标1中,在基站覆盖范围内,区域信号强度数据最大,对应的约束条件为:区域信号强度数据大于终端信号强度数据,通常是-100dbm;区域信号强度数据根据无线信号分布模型进行计算。
其中,优化目标1的区域信号强度数据根据无线信号分布模型进行计算。
优化目标2中,该区域范围内的基站发射功率总和最小,对应的约束条件为:每个基站发射功率均大于或等于0。
S608,获取当前场景的应用需求,例如,节能应用场景需要基站总功率尽可能低,休眠场景需要开启的基站个数尽可能少。
S610,根据当前应用场景的需求,从帕累托解中选择最合适的一个。
S612,将该结果输出到当前应用程序中,调节基站功率。
上述实施例中,通过数据准备模块、算法运行模块及结果选择模块,根据基站覆盖范围内区域信号强度数据最大及基站发射功率总和最小的优化目标,获取帕累托解集后,根据实际需求,从中选择出一个最符合当前需求的帕累托解,作为结果返回,基站根据该结果调整当前功率,可减少运算量,高效调整基站发射功率。
图7示出本公开实施例再一种基站功率优化方法流程图,如图7所示,本公开实施例中提供的基站功率优化方法包括如下步骤:
S702,获取算法参数及当前区域范围内的所有基站、当前区域的大小、神经网络训练出来的当前区域范围内的无线信号分布模型。
需要说明的是,算法参数包括但不限于:种群规模、迭代次数、交叉率、变异率。如果当前应用的时间要求不高,则相应参数的取值可以适当加大;如果时间要求较高,则取值要适当减小。
S704,种群初始化:将基站功率作为种群中一个个体的值。
在一个实施例中,假设当前区域范围内有5个基站,随机初始化的基站发射功率或基站当前的发射功率为1.0,1.1,1.2,1.3,1.4;则一个个体中代表DNA的数组取值为[1.0,1.1,1.2,1.3,1.4],数组的下标等于基站的下标。
S706,将上述数据输入多目标遗传算法,执行交叉、变异等操作;
S708,一轮迭代结束后,根据优化目标,重新计算种群中每个个体的适应度值。
优化目标1中,在基站覆盖范围内,区域信号强度数据最大。
优化目标1对应的约束条件为:区域信号强度数据大于终端信号强度数据,通常是-100dbm;区域信号强度数据根据无线信号分布模型进行计算。
优化目标2中,该区域范围内的基站发射功率总和最小。
优化目标2对应的约束条件为:每个基站发射功率均大于或等于0。
在一个实施例中,优化目标为:a)在基站覆盖范围内,信号最弱的区域最强;b)该区域范围内的基站发射功率总和最小。对应的两个约束条件为:a)优化目标1中,信号最弱区域的取值大于用户终端可接收的信号大小,通常是-100dbm;b)优化目标2中,每个基站发射功率均大于或等于0。按照上述优化目标及约束条件,搜索帕累托解。运算过程中,优化目标1的无线信号强度使用模块1中的无线信号分布模型进行计算。
优化目标1的区域信号强度数据根据无线信号分布模型进行计算。
S710,迭代结束后,获取帕累托解集,得到若干个帕累托解;
S712,获取当前应用的需求,根据需求,选择一个最合适的帕累托解,作为结果返回;
S714,基站根据结果调整当前功率。
上述实施例中,用无线信号分布模型替换阴影、衰落、多径效应等无线信号衰落的计算,考虑了运算时长,最大限度减少了所需的优化目标,减少了计算量,根据实际需求取一个最合适的帕累托解,既满足了基站功率优化问题的需求,又满足了实际应用中的需求。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元810执行,使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如,所述处理单元810可以执行上述方法实施例的如下步骤:获取通信场景参数及算法参数;将通信场景参数及算法参数输入至多目标优化算法,得到多个帕累托解;根据应用需求,选择一个最合适的帕累托解作为结果发送至基站,以便基站根据结果调整基站的当前功率。
例如,所述处理单元810可以执行上述方法实施例的如下步骤:根据区域范围内多个基站发射功率确定对应的区域信号强度数据;获取终端信号强度数据,其中,区域信号强度数据大于终端信号强度数据;根据区域信号强度数据最大的优化目标,得到帕累托解。
例如,所述处理单元810可以执行上述方法实施例的如下步骤:获取区域范围内基站发射功率,其中,发射功率大于或者等于零;根据基站发射功率,计算基站发射功率总和;根据基站发射功率总和最小的优化目标,得到帕累托解。
例如,所述处理单元810可以执行上述方法实施例的如下步骤:获取算法参数及当前区域范围内的所有基站、当前区域的大小、神经网络训练出来的当前区域范围内的无线信号分布模型;种群初始化:将基站功率作为种群中一个个体的值;将上述数据输入多目标遗传算法,执行交叉、变异等操作;一轮迭代结束后,根据优化目标,重新计算种群中每个个体的适应度值;迭代结束后,获取帕累托解集,得到若干个帕累托解;获取当前应用的需求,根据需求,选择一个最合适的帕累托解,作为结果返回;基站根据结果调整当前功率。
例如,所述处理单元810可以执行上述方法实施例的如下步骤:数据准备模块获取通信场景参数,如基站个数、当前场景的空间范围大小、由神经网络训练出来的该场景内的无线信号分布模型等;数据准备模块获取算法相关参数,如种群规模、迭代次数、交叉率、变异率等。如果算法运行的时间要求不高,则上述参数可以相应增加;如果算法运行的时间要求较高,则上述参数应相应减小。
例如,所述处理单元810可以执行上述方法实施例的如下步骤:将算法参数及场景场景参数输入多目标遗传算法,按照下述两个优化目标:优化目标1中,在基站覆盖范围内,区域信号强度数据最大,对应的约束条件为:区域信号强度数据大于终端信号强度数据,通常是-100dbm;区域信号强度数据根据无线信号分布模型进行计算。优化目标2中,该区域范围内的基站发射功率总和最小,对应的约束条件为:每个基站发射功率均大于或等于0;获取当前场景的应用需求,例如,节能应用场景需要基站总功率尽可能低,休眠场景需要开启的基站个数尽可能少。根据当前应用场景的需求,从帕累托解中选择最合适的一个。将该结果输出到当前应用程序中,调节基站功率。
例如,所述处理单元810可以执行上述方法实施例的如下步骤:获取当前场景内通信场景参数及无线信号分布模型;获取多目标遗传算法参数;种群初始化:将给定区域范围内的基站发射功率作为个体的值;DNA长度等于区域范围内基站的个数;DNA数组的每个值等于每个基站的基站发射功率;根据多目标优化算法得到多个帕累托解;根据实际情况,从所获取的帕累托解中选择最合适的一个。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备840(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且,电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器860通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
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。本公开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所附的权利要求指出。
Claims (10)
1.一种基站功率优化方法,其特征在于,包括:
将通信场景参数及算法参数输入至多目标优化算法,得到多个帕累托解;
根据应用需求,选择一个最合适的帕累托解作为结果发送至基站,以便基站根据所述结果调整基站的当前功率。
2.根据权利要求1所述的基站功率优化方法,其特征在于,所述多目标优化算法包括:
根据区域范围内多个基站发射功率确定对应的区域信号强度数据;
获取终端信号强度数据,其中,区域信号强度数据大于所述终端信号强度数据;
根据区域信号强度数据最大的优化目标,得到所述帕累托解。
3.根据权利要求1所述的基站功率优化方法,其特征在于,所述多目标优化算法包括:
获取区域范围内多个基站发射功率,其中,所述基站发射功率大于或者等于零;
根据所述基站发射功率,计算基站发射功率总和;
根据所述基站发射功率总和最小的优化目标,得到所述帕累托解。
4.根据权利要求2所述的基站功率优化方法,其特征在于,还包括:所述根据区域范围内多个基站发射功率确定对应的区域信号强度数据包括:
将多个所述基站发射功率输入至无线信号分布模型,生成传播空间内的区域信号分布信息;
根据区域信号分布信息,确定所述基站发射功率对应的区域信号强度数据。
5.根据权利要求4所述的基站功率优化方法,其特征在于,还包括:
将所述传播空间切分为多个传播块;
获取所述传播块的无线信号强度数据,生成无线信号强度数组;
获取所述无线信号强度数组的最小值,确定为区域信号强度数据。
6.根据权利要求1所述的基站功率优化方法,其特征在于,所述通信场景参数包括:区域范围大小、基站个数、基站发射功率或基站地理位置。
7.根据权利要求1所述的基站功率优化方法,其特征在于,所述算法参数包括:种群规模、迭代次数、交叉率或变异率。
8.一种基站功率优化装置,其特征在于,包括:
多目标优化模块,将通信场景参数及算法参数输入至多目标优化算法,得到多个帕累托解;
基站功率调整模块,根据应用需求,选择一个最合适的帕累托解作为结果发送至基站,以便基站根据所述结果调整基站的当前功率。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~7中任意一项所述基站功率优化方法。
10.一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,所述计算机程序被处理器执行时实现权利要求1~7中任意一项所述的基站功率优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752838.0A CN117349993A (zh) | 2022-06-28 | 2022-06-28 | 基站功率优化方法、装置、计算机存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752838.0A CN117349993A (zh) | 2022-06-28 | 2022-06-28 | 基站功率优化方法、装置、计算机存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117349993A true CN117349993A (zh) | 2024-01-05 |
Family
ID=89354503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210752838.0A Pending CN117349993A (zh) | 2022-06-28 | 2022-06-28 | 基站功率优化方法、装置、计算机存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349993A (zh) |
-
2022
- 2022-06-28 CN CN202210752838.0A patent/CN117349993A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111585816B (zh) | 一种基于自适应遗传算法的任务卸载决策方法 | |
CN110167176B (zh) | 一种基于分布式机器学习的无线网络资源分配方法 | |
JP2009065394A (ja) | センサネットワーク用減衰定数推定システム、ノード位置推定システム、推定方法、及びそのプログラム | |
Redondi | Radio map interpolation using graph signal processing | |
CN104205666A (zh) | 用于无线系统的功率动态联合分配以及用户调度的方法和系统 | |
CN110380762B (zh) | 一种计算与通信融合的大规模接入方法 | |
EP1335616B1 (en) | Method and system for planning and/or evaluation of downlink coverage in (CDMA) radio networks | |
EP1508986B1 (en) | Method and system for evaluating uplink inter-cell interference | |
Park et al. | The determination of base station placement and transmit power in an inhomogeneous traffic distribution for radio network planning | |
Eisenblätter et al. | UMTS radio network evaluation and optimization beyond snapshots | |
CN109618285B (zh) | 一种基于覆盖树的基站控制方法、装置及设备 | |
WO2017109577A1 (en) | Self-organization and self-optimization method and apparatus for an ultra-dense network | |
CN116546559B (zh) | 分布式多目标空地联合轨迹规划和卸载调度方法及系统 | |
CN117349993A (zh) | 基站功率优化方法、装置、计算机存储介质及电子设备 | |
CN113950059B (zh) | 一种无人机中继辅助用户任务卸载的方法及系统 | |
CN105989407A (zh) | 一种基于神经网络的短波中值场强预测系统、方法及装置 | |
CN115720341A (zh) | 一种用于5g通道关断的方法、介质及装置 | |
CN112839343A (zh) | 一种面向蜂窝单元的rf终端设备全覆盖方法 | |
KR101475082B1 (ko) | 가상 단말을 이용한 규칙 기반의 무선망 최적화 방법 | |
JP4675405B2 (ja) | 基地局送信電力制御方法及び装置 | |
CN115866691B (zh) | 一种面向异构网络移动边缘计算系统的任务卸载方法 | |
WO2024088657A1 (en) | Computer-implemented method for optimizing signal reception in a communications network suitable for a quantum concept processor | |
WO2024067102A1 (zh) | 目标误块率确定方法及装置 | |
KR20030053278A (ko) | 도메인 최적화를 이용한 무선망 최적화 방법 | |
CN109862574B (zh) | 一种面向无线回传问题的动态协同拓扑规划方法及系统 |
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 |