CN1254994C

CN1254994C - 网络拓扑

Info

Publication number: CN1254994C
Application number: CNB018202578A
Authority: CN
Inventors: A·斯岑特斯; G·马亚; Z·基拉利
Original assignee: Telefonaktiebolaget LM Ericsson AB
Current assignee: Clastres LLC; WIRELESS PLANET LLC
Priority date: 2000-10-09
Filing date: 2001-10-02
Publication date: 2006-05-03
Anticipated expiration: 2021-10-02
Also published as: AU2002213989A1; EP1325650A2; GB2367970B; US7366108B2; GB0024679D0; GB2367970A; WO2002035871A2; CN1480003A; WO2002035871A3; US20040017783A1

Abstract

本发明提供用于分级网络配置的最佳化的方法，该分级网络具有第一分级级别(LEVEL(j-1))，紧接在第一分级级别下面的第二分级级别(LEVEL(j))，和紧接在第二分级级别下面的第三分级级别(LEVEL(j+1))，每个分级级别包括节点(RNC，HUB，RBS)，在不同于最低级别(例如LEVEL(j+1))的分级级别(例如LEVEL(j-1)，LEVEL(j))中的每个节点接收来自紧接在下面的分级级别的节点集群(HUB，RBS)的业务量。该方法包括首先确定在不同于最高级别的每个分级级别中节点(RNC，HUB，RBS)的初始安排，以及在不同于最高级别(例如LEVEL(j-1))的每个分级级别中，把该级别的各个初始的节点(RNC，HUB)集群分配给紧接的更高分级级别的节点(RNC，HUB)，并且执行最佳化迭代，直至它们在预定数目的迭代后没有导致节点(RNC，HUB，RBS)的数目、布置和分配改变为止。

Description

网络拓扑

技术领域

本发明涉及分级网络拓扑最佳化。本发明具体地可应用于通信系统中的接入网(特别是移动接入网)的配置或拓扑的最佳化。

背景技术

在设计和构建通信系统中，特别是在移动接入网的情形下(例如，GSM-全球移动通信系统，或UMTS-通用移动电信系统)，分级网络，特别是通信系统中的接入网，的拓扑或配置的最佳化是一个极其重要的问题。接入网配置最佳化为何特别重要的一些理由如下：

·比起在通信网的固定或基础设施部分中大的主干链路来说，接入网中典型地较小的链路容量对于不适当的规模标定(dimensioning)更敏感。所以，为了得到所需要的服务质量，提供适当的配置是关键的。

·仅就这种接入网的绝对大小而论，接入网代表整个通信网结构和总的网络成本的主要部分。所以，网络配置最佳化可大大地减小设备方面的附加开销，和总的网络成本。

网络拓扑或配置(诸如接入网配置等)的设计过去是人工实施的。然而，诸如上面提到的那样的因素推动在包括接入网的网络设计中使用最佳化算法。除了这样的因素以外，也有促进在网络设计中，特别是在接入网设计中使用算法最佳化的附加的实际论据：

·诸如接入网那样的网络的尺寸复杂性可以是巨大的(特别是在移动接入网中)，使得人工网络配置或规划成为一项困难和费时的任务。

·通过算法最佳化所得到的解(即，网络配置)的质量会优于通过人工规划达到的解的质量。

·人工网络规划需要特定的专门知识；而另一方面，具有最佳化算法的网络规划工具则可以由较少的有经验的人员来有效地操作。

·对于接入网的快速部署的要求只允许将非常短的时间段用于网络规划工作。算法最佳化可有助于大大地加速设计过程。

·快速算法最佳化允许评估和比较各种可能的部署策略；而在可用的(非常短的)期限内进行人工网络规划的情形下这通常是不可能的或是几乎不可能的。

然而，网络拓扑(例如接入网拓扑)的算法最佳化的使用也遇到困难。算法最佳化引出的问题在计算上是难处理的(即，NP-hard，参阅本说明书末尾参考文献清单中的参考文献[11])。这意味着，不能期望可以找到全局最优的网络配置或拓扑，因为这会花费几十亿年的计算时间。

用来致力于减小问题的难处理性的各种方法，虽然提供可接受的、用于网络拓扑或配置的最佳化的程序过程，但已证明它们实际上是不适用的。这些方法通常或者不适合于处理有大尺寸复杂性的网络，诸如实际上对于接入网就是这种情形，或者在它们的使用上受到限制，以使得它们只能处理与实际上出现的情形不相应的特殊情形。

发明内容

本发明提供解决方案。

本发明提供用于分级网络的配置最佳化的方法，该网络包括多个分级级别，每个级别包括节点，每个节点从下面的分级级别的节点集群接收聚集的业务。节点的初始安排被生成，然后实行步骤以识别对于除了最低级别以外的分级级别的节点的最佳化数目和最佳化部署。在所考虑的第一级别的节点的最佳化过程中，所有其他级别的节点保持不变。然后根据所考虑的第一级别的最佳化节点来识别所考虑的第二相邻级别的节点的最佳化数目和最佳化部署。此后，对于第一和第二级别的较低的节点识别最佳化的新的集群。这些步骤可以对于相邻的级别迭代想要的次数。然后，步骤可以按需要进行到该分级结构的另一个级别的最佳化，这是继续向上通过各级别进行，或继续向下通过各级别进行，或以任意的次序继续通过各级别进行的。

简而言之，可以说，本发明的方法包括识别节点的最佳数目以及重新计算节点的部署，因而把在较低的分级级别上的节点重新分配到在较高的分级级别上的节点，向下，然后向上，首先使较高的分级级别上的节点固定，然后使较低的分级级别上的节点固定。

本发明提供最佳化方法，它可被体现为网络规划软件工具的一部分，这可解决网络(诸如实际情形下的接入网)的拓扑或配置的最佳化问题，特别是成本最佳化问题。本发明可以提供解(即，网络拓扑或配置)，它们可以是次最佳解(即，在它们低于理想解的意义上，而理想解的提供，如上所述，是难处理的(NP-hard)问题)，但它们是在实际的合理的计算运行时间中可达到的、良好的接近于最佳的解，以及它们可应用于在现实世界中出现的、有尺寸复杂性的实际网络。

按照本发明的网络最佳化方法，特别是基于成本的最佳化方法，在网络规划软件工具中可起到中心的作用。该方法的质量和效率对于这些工具的有用性可具有重要的影响，以及当然对于网络的质量、鲁棒性和成本的有效性具有重要的影响。

本发明的实际优点是多种多样的。按照本发明的方法提供一些手段，通过这些手段，对于复杂的网络，诸如接入网，可以以实际的方式在现实的时间尺度内生成最佳化的网络拓扑或配置，而不需要大的计算功率。该方法是极其灵活的，以及可考虑到任何任意的成本结构、设备限制和业务量级别，它们可以被提供作为用于生成最佳化网络拓扑的输入。而且就例如节省费用、服务质量的改进等而言，本发明的好处当然也被转入按照最佳化拓扑而构建的网络中。

本发明主要关系到分级接入网。存在许多类型的这种网络并且它们当前被大量地使用于电信系统(例如，GSM系统)，以及另一些这样的网络在将来会被规划(例如，UMTS)。然而，本发明在以下的情形下通常是有用的，即：其中有分级级别的对象，它们要被系统地相互互连(例如，星-星形式)，特别是其中该对象和它们的连接受到容量和/或其他类型的约束或者限制。

这样的对象和连接链路的成本结构实际上可以是非常复杂的，而且，在不同级别上的对象的成本是互相依赖的-例如，考虑需要从下级到上级的数据(例如，业务量)的积累(或在其他情形下反之亦然)的事实，它们在计算对象和连接链路的成本中可起到重要的作用。

本发明的实施例可能特别关注成本最佳化。然而，将会看到，“成本”可以由许多不同的因素组成，而不限于财务成本。通常，在最佳化期间，复合成本(或效用)函数，即综合的成本函数的目标值，要被最小化(或最大化)。服务质量因素可以在成本模型中被考虑。

本发明的实施例的一个关键的优点是，任意设备和链路成本函数(例如，取决于聚集的业务量)可被有效地处理。本发明的实施例的灵活性使得它们能够处理任意的成本函数，该灵活性具有很大的实际重要性，因为成本制度一直是处理网络最佳化问题的最大困难之一。

附图说明

图1示意地显示UMTS(通用移动电信系统)接入网(UTRAN-UMTS地面无线接入网)的分级结构；

图2示意地显示有助于说明本发明的分级网络结构；

图3是本发明的实施例的全局控制算法的流程图，用于确定或规划接入网配置或拓扑；

图4a示意地显示(1000)点的阵列的例子，这些点代表要通过本发明的实施例最佳化的接入网的节点；

图4b示意地显示对于图4a的阵列的初始网络配置；

图5是显示通过按照本发明的实施例的最佳化而提供的解的质量，它依赖于完成该解所花费的时间；

图6示意地显示通过按照本发明的实施例的最佳化提供的、对图4a的阵列的最后网络配置；以及

图7示意地显示当作为最佳化条件的参量组被改变时，通过按照本发明的实施例的最佳化提供的、对图4a的阵列的不同的最后网络配置。

具体实施方式

在进行本发明的实施例的描述之前，首先描述与本发明有关的某些问题，具体地，是与通信网和用于这样的通信网的接入网有关的问题。然而，将会看到，本发明虽然在这样的接入网方面具有特别的价值，但它并不限于与这样的接入网相关地使用。本发明也可以应用于其他类型的分级网络环境。

通信网典型地被分成两个主要的部分：

1.主干网，它由通过高带宽链路的网来相互连接的高容量的交换设备组成。主干网互连该接入网的不同区域并接口到其他(外部)网络。

2.接入网，它在用户终端与主干网节点之间载送业务量。

网络的这两个部分(即，主干网和接入网)典型地被分开地规划或配置以及运行。为了说明，将考虑接入网。

接入网典型地以分级结构构建；从主接入节点(例如，移动电话或其他移动设备或主机)发起的最终用户业务量由聚集器节点收集和转发给主干网。最普通的网络拓扑是一组树结构。使用这种方案的例子是GSM和UMTS接入网。

图1示意地显示在UMTS通信系统的情形下分级树结构拓扑或配置，显示主干(网络)和具有树结构的接入网，所述接入网包括RBS(无线基站)，主要的接入节点(未示出)，诸如移动电话，通过无线电与该RBS通信；HUB，它集中来自RBS的业务量；和RNC(无线网控制器)，它集中从HUB到主干(如虚线所示，该RNC可以互相通信)的业务量。

网络单元基本上可分类为：

(a)在网络地点处的节点设备(例如，RBS、HUB、RNC)，以及

(b)用于互连节点的传输容量(链路)。

这样的网络的最优规划或配置的主要目标可被阐述为找出网络单元的配置或拓扑，该网络单元：

·提供想要的连接性和容量(在交换和带宽两方面)，

·不违背所选择的设备的技术约束条件(即，每个交换机的端口的数目)，

·具有最小可能的部署和运行成本。

所以，规划或配置任务由以下三个主要因素约束：

·提供到网络的业务量，

·所使用设备的技术参量(可能性、要求和约束条件)，

·成本模型。

自然地，以上的因素由所考虑的实际的网络类型支配和确定。当考虑最佳化方法、程序过程和算法时，支持灵活性和鲁棒性是非常重要的，即，它必须有可能计及关于成本结构、设备配置等等的许多可能性。

作为例子，考虑典型的UMTS接入网的结构(UTRAN)，该网络包含以下三种类型的节点设备：

·无线基站(RBS)，它们是引起业务量要求的终端节点。这些单元使移动台(移动电话或其他移动设备)的无线电信号与固定的输送网络接口。RBS的业务量通过HUB(HUB RBS)和无线网控制器被输送到和输送自主干网。

·聚集器(HUB RBS或更简略地称为HUB)，每个聚集器把几个RBS的业务量集中到一个外出的链路，向上到无线网控制器。

·无线网控制器(RNC)，它除了许多其他任务以外，还尤其收集RBS单元的业务量和把它发送到主干。

以上三种类型的设备的互连是以像分级树的方式被实施的，如图1所示：分级级别3的RBS被连接到分级级别2的HUB，以及HUB被连接到分级级别1的RNC。HUB可以集中许多RBS的业务量，以及RNC可以接收许多HUB聚集的业务量。可任选地，如上所述，也可以有RNC间的传输能力(图1上由虚线表示)。在某些情形下，RBS可以直接连接到RNC，因为RNC具有与HUB相同的能力。

在下面，上述的UMTS接入网模型将被看作为参考模型，用来描述或规定本发明所要解决的问题，和用于描述由本发明提供的解。以上的模型也适用于考虑各种其他种类的网络(例如，在考虑GSM网络的情形下，只需要用BTS(基站收发信机)代替RBS和用BSC(基站控制器)代替HUB，等等)。

在这个网络模型方面，本发明的目的或任务可被理解为如下：

任务：根据以下的输入参量和目标找出最佳化的(例如最小成本)接入网拓扑或配置。

输入：解(即，拓扑)必须对于以下的输入参量为最佳：

·RBS位置：在规划或配置分级接入网时，RBS的数目和它们的位置作为输入被给出，正如在参考文献[1，2]中描述的，它们由无线网规划方法确定。这些RBS或RBS位置在下面常常被称为地点或点，

·提供的业务量：由每个RBS产生的、估计的业务量要求也事先被估计，它是接入网规划问题的另一个输入。

·成本结构：对总的网络成本产生影响的两个因素是节点设备的成本和传输设施(链路)的成本。

·节点成本：必须详细地给出三种类型的节点设备(RBS，HUB，RNC)的成本结构。

1.RBS成本不直接与网络拓扑的最佳化有关，因为RBS地点事前被确定以及作为最佳化的输入被给出。

2.在接入网规划问题中，HUB和/或RNC典型地被安装在某些选择的RBS地点，以提供适当的功能。然而，本发明也可处理其中HUB和/或RNC没有被安装在选择的RBS地点而是任意地放置的情形。在网络地点(或者是选择的RBS地点，或者是另一个非RBS地点)建立HUB或RNC设备的成本可以由进入到该地点的总业务量、属于该地点的RBS的数目、到该地点的进入的连接链路的精确数目和该地点的地理位置的复变函数来表示。重要的是能够处理非线性的、不连续的、总的设备成本函数，因为实际上这些成本典型地包括各个分立的成本要素，这些成本要素代表被安装在HUB或RNC地点的、用于完成指定的业务量要求的某些设备单元。

· 链路成本：用于建立在网络地点之间的传输链路的成本也必须作为链路的物理距离(或由它的端点确定)和链路需要的带宽的函数被给出。实际上，相关的链路成本函数典型地是非线性(逐步stepwise)函数。

·技术要求和约束条件：

1. 连接性：所有的RBS必须被连接到HUB，以及HUB必须被连接到RNC，形成多个类似树的网络结构。

2. 容量：接入网必须提供足够的容量，以便容纳所有给定的供给的业务量(从RBS到主干自始至终)。

3. 设备限制：节点设备可以具有某些种类的技术约束条件，限制可接受的拓扑的数目。一个例子是(每个HUB或RNC的)最大的端口数目，它例如限制要被连接到HUB的RBS的数目。

目标：任务是找出以最小的总的成本满足施加的要求和约束条件的接入网拓扑。网络拓扑配置的总的成本通过把所有的设备和链路成本合计在一起而被计算。

输出：最佳化网络配置的解或设计应当包含以下的信息：

·RNC的数目或位置

·HUB的数目或位置

·RBS到HUB的链路连接(连同它们的容量)

·HUB到RNC的链路连接(连同它们的容量)

上述的接入网规划或配置问题在计算上是困难的。它可被分类为属于分级集结(clustering)和/或分级设施定位的领域的、特种的和复杂的最佳化问题。除了地点的集结必须分级完成的事实以外，一个甚至更大的困难在于被嵌入在该问题中的复杂成本函数。

集结方法(参阅参考文献[5])和定位问题(参阅参考文献[6，7])已被广泛地研究。使得上述领域中的现有技术方法不适用于该接入网规划或配置问题的实际相关解的主要因素在于问题本身非常特别的结构：

·该问题是分级的以及不同的级别是同时互相依赖的。即使只有一个固定的RNC和一组RBS，找出HUB的最佳数目和位置也是成本很高的运算。然而，具有多个RNC群集(cluster)导致甚至更复杂的情形。

·HUB(和RNC)的最佳位置和RBS到HUB(和HUB到RNC)的分配必须同时被确定，因为最佳HUB(和RNC)位置依赖于分配的总的RBS(HUB)业务量，以及RBS(或HUB)的最佳位置依赖于HUB(和RNC)地点的位置。

·RNC和HUB的想要的(最佳化的)数目是事先未知的，它也必须通过所采用的最佳化或解决方法来被确定。可被应用于整个最佳化问题的某些子问题的大多数现有分级结构需要事先明确地给出集群(或设施)的数目。

·设施的成本是不固定的，但它是一个对于给定地点的聚集的业务量和某些其他因素的复变函数。对于其中可能打开设施的固定的地理位置，成本因子是三个变量(业务量，RBS的数目，进入的链路的数目)的非连续函数，以及该函数在规划用于网络最佳化的算法的阶段是未知的：它们是输入的一部分。加到每个地点的进入的业务量必须从所有不同的网络级别被聚集。如果在网络配置上作出小的改变，许多单独的成本要素(HUB设备成本，RNC设备成本，和链路成本)将同时地和快速地改变。而且，这些复杂的设施成本的影响主导总的成本。

·即使设施的位置被选定，RBS到HUB和HUB到RNC的最佳分配仍旧是困难的任务，因为链路成本结构也可以是任意的。然而，这是相对较容易的任务，但如上所述，这个阶段也不能被分开地处理。基于最短距离的连接地点的简单明了的法则在逐步的或甚至更复杂的设备成本函数的情形下行不通。

用于接入网规划的现有方法(参阅参考文献[3，4])使用通常可应用的、所谓模拟退火(simulated annealing)的本地搜索元试探(metaheuristic)(参阅参考文献[8，9，10])，它常常与贪婪试探(greedy heuristic)子阶段相组合。这些方法基本上可处理任何种类的成本函数。然而，它们还具有几个缺点：

·在分级网络的设计中对基本方法很难规定适当的邻居和移动算子。或者是搜索空间太大，导致极长的运行时间，或者算法搜索能力有限，通常这二者都应当避免。

·实际上相关的逐步的-或许甚至更高级或更复杂的-设备和链路成本结构增加这些方法的困难，以及它们常常不能提供合理的解质量。

·更主要地，对于这些试探所需要的计算资源是相当大的，这限制它们对于具有有限尺寸(例如，只涉及几百个网络地点)的问题(它们是与实际的情形无关的)的有效应用。

在涉及接入网规划或配置问题的参考文献中可以发现的许多论文和书只处理本发明要解决的实际发生的问题的某些重大简化。

在文献中最广泛地研究的相关领域是定位理论(参阅参考文献[6，7])。在这里，研究了许多不同的模型和问题公式，但其中大多数可被看作为整数(或混合的整数)线性规划，这样，这些问题离本发明要解决的实际出现的问题太远，本发明中目标函数不能被表示为变量和常数的线性函数。

如果目标函数是凸形的，则可以使用凸规划技术。例如，在所谓的HUB定位问题中(参阅参考文献[7]的第8.7节)，目标是二次的。然而，这个假设也离本发明涉及到的实际出现的情形太远。如果作为特殊的情形，输入的成本函数明显地被给出为一个变量的三个分段线性函数的和值，则问题可被变换成整数二次规划，但对于接近于实际或真实函数的成本函数，由于规定分段线性函数所需要的“分段”数目将很大，所以变量的数目将变得失去控制。

例如在参考文献[12]中，只有一个级别的设施，和恒定的设施成本，但链路成本取决于以凹形方式的业务量。在这个文献中，采用这些(事先已知的)凹函数的分段线性近似。

定位的全局最佳化(见参考文献[6]中第3章)甚至可以处理非连续的目标函数，但它寻求欧几里得空间中的解，即，设施可被放置在该空间中任何地方(或，在由有限数目的凸多边形的并集形成的子集中)。对于以下的情形求解方法是已知的，即：目标是距离的线性函数(使用几何方法)，或者如果目标是两个凸函数的差，或者如果目标可被有效地近似为一个变量的函数的和值，该函数并不从凸形到凹形改变许多次或进行相反的改变。

在参考文献[13-20]中可找到关联的某些其他定位理论文章。它们处理线性成本，但没有处理分级结构设施定位。

在本发明要解决的网络设计问题中，目的是找到满足各种约束条件的最佳化的(例如最小成本)子图。在参考文献[21-23]中可找到相关的文章，它们处理与本发明可应用的约束条件类似的约束条件，但只能使用简单的(成本)函数。

如上所述，本发明不能保证找到用于网络配置最佳化的全局的最佳解，因为固有的问题属于计算上难以处理的问题族(即，主要问题的几乎所有的子问题都是NP-hard的，参阅参考文献[11])。然而，本发明可以在合理的(计算的)时间内提供良好的线性最佳解。

为了解决上述的接入网规划或配置问题，以及为了克服上面指出的困难，可以说，本发明采用一种“划分和占领”方法；接着是分级结构问题分解方法。本发明应用独立的迭代集结阶段，用于解决在分级的不同级别上地点的最佳化定位。几个局部最佳化阶段也可被应用来改进和合并来自集结子阶段的结果。局部最佳化可以在集结子阶段内和这些子阶段之间实施，以产生具有高质量的最后的结果。集结和局部最佳化(如果使用的话)子阶段的应用由全局控制算法引导。

本发明的主要特性是独立地和分开地执行在每个分级结构(网络)级别处的节点定位的最佳化，以及优选地，应用本地最佳化来改进在不同的网络级别之间的互连。应当看到，本发明可应用到任何数目的网络分级级别(在下面给出的、本发明的实施例的说明中，参照三个级别的UTRAN实例，但这仅仅作为例子)。

例如参照图2的示意的说明，以及假定在所考虑的网络拓扑中有m个级别(级别1是最高级别，以及级别m是最低级别)，当通过本发明改进(最佳化)实际的配置时，每个网络级别(除了最低级别以外，最低级别是固定的或预先规定的；例如在接入网中，代表最低网络级别的RBS的数目和位置是固定的或预先规定的)被迭代地通过，以及在这个级别上(例如级别j)的节点的数目和位置被重新计算，并且与这个级别相邻的级别(例如j-1或j+1)上的节点的连接被重新连接。当对于每个级别，例如对于网络级别j这样做时，在级别j-1和j+1以及所有其他的级别上的节点的位置被取为固定的，只有级别j的节点可被改变。为了对级别j进行重新计算，下一更高级别(级别j-1)的节点规定多树网络的分段，这些分段在对于级别j进行的重新计算中被同时考虑。也就是，如图2所示，在级别j-1上的每个节点，通过它到级别j上的节点的连接和那些节点到级别j+1上的节点的连接，而相应于该多树网络的一个分段，该分段包括级别j+1的一组节点。分段对于所有的j-1级别节点迭代地通过(如果对于最高的网络级别1进行计算，则自然地要考虑整个网络)。由适当的j-1级别节点规定的每个树分段中的级别j+1节点组(该级别j+1节点组可被称为“超级集群”)形成用于重新集结的输入点集，用来标识对于该树分段的新的级别j节点(即，对于涉及到的j-1级别节点)。也就是，重新计算对于每个树分段的级别j节点的数目和位置，这是通过标识级别j+1节点的新的、最佳化的集群，和这些重新计算的级别j节点所位于的集群“中心”而进行的。其节点被重新计算的级别(即，不同的“j”级别)被迭代，这或者是按网络级别从下到上地进行(即，从级别m-1到级别1)，或者是从上到下地进行(即，从级别1到级别m-1)，或者它们也可被随机地选择(在1与m-1之间)。重新计算的迭代是使得网络拓扑中的本地改变能够传播的关键措施。在图2上，仅仅是为了易于理解，级别j-1，j和j+1的节点被标记为RNC、HUB和RBS。将会理解，如果这些节点是RNC、HUB和RBS，则可能没有其他分级级别(即，m＝3)，诸如图2所示的级别。

在UMTS接入网实例的情形下，其中有如图1所示的三个节点级别(级别1-RNC，级别2-HUB，级别3-RBS)，本发明的实施例是通过把HUB的定位和RNC的定位分成两个不同的阶段而工作的。通过这个方法，一次处理的实际集结问题的规模被大大地减小，所以，涉及到的(计算)运行时间实际上是可接受的。

在这个网络例子方面，在本发明的实施例中，采用的算法从初始的网络配置开始(今后，网络配置常常被称为“解”)，以及通过对于实际的配置交替地执行两个集结子阶段，而迭代地改进对于全局最佳化的配置或解。两个子阶段为如下：

(a)对于实际解的每个RNC迭代地集结属于每个实际RNC的RBS(即，由最后的迭代提供的、当前可提供的解或配置)，找出在这些实际的RBS组内的HUB的最佳数目和位置，然后

(b)集结所有的HUB，找出在实际的HUB组内的RNC的最佳数目和位置。

在第一子阶段，当找到HUB的最佳数目和位置时，当前的解的实际RNC位置被固定。属于一个实际RNC的点(即，RBS)形成RNC超级集群。当前解的实际HUB然后被删除，以及通过只(重新)集结属于该RNC的RBS，而找到用于(RBS的)同一个超级集群的新的HUB。这个过程对于当前解的所有RNC超级集群重复进行。

在第二子阶段，当找到RNC的最佳数目和位置时，实际的HUB位置和分配的RBS被固定。然后，RBS被全部忽略，以及每个HUB，带着属于它的RBS，被取为一个单元。实际的RNC组然后被删除，以及通过施加的集结方法，找到用于该HUB单元的给定组的新的RNC。

这个网络规划方法的效率由于以下原因而提高：在第一子阶段，只对于在每个RNC超级集群内的HUB一次一个地执行重新计算，比起整体地处理RBS组和对于所有的RBS同时重新计算HUB来说，在计算上可有利得多。例如，如果有5000个RBS，以及每个RNC大约有200个RBS，则对于n＝200个点，必须重复进行集结算法5000/200＝25次。如果集结算法具有0(n²)的最小时间复杂度，则它的运行时间是25×200²＝10⁶，即使在这个简单的例子中，这也是大大地小于在处理整个组(是5000²＝2.5×10⁷)时的复杂度。实际上，集结阶段的复杂度比起上述的情形更坏，这就在两个复杂度数字之间产生甚至更大的差别。同样地，在第二集结阶段，用于HUB集结的实际输入点组比起总的点数也小得多，因为RBS实际上被看作为已并入到它们相应的HUB。在以上的例子后，如果每个HUB平均地具有约25个RBS属于它，则必须处理5000/25＝200个点的组，而不是整个5000点。

在本发明的实施例中，两个子阶段基本上遵循相同的集结算法，以及仅仅成本计算必须不同且不得不根据实际上执行哪个阶段而被正确地调节。

在本发明的实施例的例子中，已经实施两种类型的集结技术。这些技术在下面更详细地描述。一种技术部分地是从文献已知的，它根据K均值算法(K-means algorithm)，或推广的Lloyd算法(GLA)，参阅参考文献[5]。然而，在本发明的实施例中实施的技术中，基本的K均值算法被调节和被改进为满足接入网规划问题的具体特性。用于集结的另一种替换的技术已被开发，这是基于简单的试探法则，以及通过迭代地分割实际点的组而工作的。在本发明的实施例中，可以同时应用两种集结技术，或宁愿只使用其中的一种。在两个集结方法中选择应用哪一个方法是自由的。然而，在本发明的优选实施例中，使用了用于选择在当前的集结阶段中应当应用哪个集结方法的控制算法，该控制算法首先支持应用更快速的且因而在计算上更轻便的迭代分割方法，然后当该迭代的分割方法不再能改进实际的解时，逐渐地转而应用计算上更繁重的基于K均值的集结。

应当指出，通常的方法是模块化的，所以，对于集结子阶段也可以应用另外的技术。所应用的两种集结方法被设计成使得想要的集群的数目事先是未知的。

按照本发明的实施例，通过选择的集结方法的、HUB位置的重新计算以及然后RNC位置的重新计算被迭代地进行，直至满足适当的停止准则。为了改进实际的解的质量，合并两个单独的子阶段，以及便于在实际HUB(和RNC)集群中间迁移点，可以在当前的解中不时地执行本地最佳化。在本地最佳化中，执行邻居搜索，其中小的重新组织(诸如交换两个地点，或把一个地点从一个集群移动到另一个集群)被迭代地执行，直至它们在解的质量上不产生任何进一步改进为止。本地最佳化可以在集结子阶段内和在这些阶段之间被实施。当在集结阶段内应用本地最佳化过程时，它有助于在该集结阶段内找到在规定的约束条件内更好的集结配置。当在这两个集结阶段中间应用本地最佳化时，它有助于提供把两个集结阶段的输出合并成良好的新的解的可能性。

在本发明的实施例中，对于网络规划问题规定了一组本地改进算子，以及开发了一个系统用于控制它们的有效应用。本地最佳化可以在整个处理过程中以不同的复杂度级别被应用，这取决于网络规划问题的大小。这个特性可以使得本发明的实施例能够在所有实际的事例中提供合理的(计算的)运行时间和解的质量。本地最佳化级别的控制可被嵌入到本发明实施例的全局控制算法。

按照本发明的实施例的全局控制算法可以按算法被概述为如下：

1.(初始化)生成初始解。

2.(迭代)迭代运行以下的基本步骤，直至满足终止条件：

2.1(集结阶段1-新的HUB)对于所有的RNC集群，进行：

2.1.1(集结)在实际的RNC集群内识别HUB的最佳数目和重新计算HUB的位置。把实际RNC集群的RBS重新分配给新的HUB。

2.1.2(内部本地最佳化)把用于改进RBS分配的本地搜索算子应用到新的HUB。

2.2(外部本地最佳化1)把用于改进RBS分配的本地搜索算子应用到当前解中的任何HUB。

2.3(集结阶段2-新的RNC)对于实际的HUB组重新计算RNC位置：

2.3.1(集结)忽略实际的RNC位置和对于在当前解中的整个HUB组生成新的RNC组。把现有的HUB重新分配给新的RNC。

2.3.2(内部本地最佳化)把用于改进HUB分配的本地搜索算子应用到新的RNC。

2.4(外部本地最佳化2)把用于改进RBS分配的本地搜索算子应用到当前解中的任何HUB。

3(终结)如果至今为止找到的最好解在预先规定数目的接连迭代中没有改进，则停止。否则，继续进行步骤2。

以上的全局控制算法在图3的流程图中描述。

在以上的全局控制算法中有某些公开的决定，例如，在集结阶段应该应用上述两种集结方法中的哪一个，应当执行哪个级别的本地最佳化，等等。下面进一步考虑这些问题，更详细地说明各个集结方法和各种级别的本地最佳化。

下面，考虑在以上的全局控制算法中涉及的各个阶段和过程：建议的集结方法，建议的本地最佳化过程的问题以及生成用于整个算法的初始解的方法。此后，进一步描述控制算法，最后，显示实际的例子，以说明按照本发明采用的方法的有用性和有效性。

集结方法

与要解决哪个集结阶段(通过固定的RNC找出新的HUB或通过固定的HUB找出新的RNC)无关，当执行实际点集的集结时，必须解决以下的问题：

(a)识别集群的数目(用k表示)，

(b)选择想要的k个集群中心(HUB或RNC)的位置，

(c)把点集分配给选择的集群中心。

当决定集群的数目、选择集群中心、和以最小成本把实际点集的元素分配给选择的集群中心时，成本计算取决于当前执行的集结的类型。如果点集包含HUB，则当计算集群中心RNC的成本时就应用RNC设备成本结构，以及当计算用于集群数目的分配成本时就使用HUB-RNC链路成本结构。如果点集包含RBS，则当计算集群中心HUB的成本时就应用HUB设备成本结构，以及当计算用于集群数目的分配成本时就使用RBS-HUB链路成本结构。

下面更详细地描述上述的两种类型的集结方法。其中可执行内部本地最佳化(全局控制算法的步骤2.1.2或2.3.2)的场合被表示在下面的算法说明中。

基于K均值的集结

用于集结数据的K均值方法是熟知的(参阅参考文献[5])。在原先的K均值方法中，最终得到的集群的数目(K)必须事先规定。方法从K个随机集群中心开始。然后，迭代进行分配-重新计算循环，直至最终得到的配置不再改变为止。首先，在每次迭代开始时，点集通过某个法则被分配给选择的集群中心，典型地基于最短距离原则。在迭代的第二部分，在集群通过分配程序过程被形成后，集群中心被忽略，以及通过在形成的每个集群中选择最佳的集群中心，而在每个准备好的集群内计算新的集群中心。在这个集群中心重新计算阶段，将重新开始对于新的集群中心组的点的分配，等等。

然而，对于本发明的实施例，提供了用于网络地点的集结方法(它是基于K均值方法但改进了那个方法)，该方法考虑了本发明要解决的问题的具体特性。

在给定要被集结的n个点的集P后，这个基于K均值的集结方法如下地工作：

1.(初始化)令想要的集群的数目为k:＝1。设置对于找到的总的最佳配置的总的成本值bestcost:＝infinite(最佳成本:＝无穷大)。设置iterfails:＝0(迭代失败:＝0)；

2.(对于k的迭代)从点集P中随机地选择k个集群中心。设置对于k个集群找到的最佳配置的总的成本值actualcost:＝infinite(实际成本:＝无穷大)。设置fails:＝0(失败:＝0)；

3.(分配-重新计算循环)当fails＜MAXITERFAILS(失败＜最大迭代失败)时，进行：

3.1(分配)按照实际的集结阶段法则把点集分配到选择的集群中心。执行对于点集的元素的迭代。在每个迭代步骤中，当把点p分配给某个集群中心时，执行对于可能的集群中心的另一次迭代。把点p分配到一个集群中心q，其中在所有可能的集群中心q中间该集群中心处的、分配点p后总的成本的改变D_q(p)将是最小的。

3.2.(本地最佳化，级别3)如果LOCOPT＝3，则对于当前的解执行本地最佳化，改进这些点到集群中心的分配。

3.3.(改进检验)如果当前的配置的成本小于actualcost(实际成本)，则更新actualcost，以及存储当前的配置作为对k个集群找到的最佳配置，并令fails:＝0；否则令fails:＝fails+1(失败:＝失败+1)。

3.4.(出口点)如果当前的配置等同于在先前的重新计算阶段后的配置，则分配-重新计算循环被停止，转到步骤4。

3.5.(重新计算)重新计算在由集群点形成的各个集群内的每个集群中心的最佳位置，以及检验用作为集群中心的那个点的配置的成本。在所有的集群中顺序地执行这个集群中心重新计算。

3.6.(改进检验)如果当前的配置的成本小于actualcost(实际成本)，则更新actualcost，以及存储当前的配置作为对k个集群找到的最佳配置，并令fails:＝0；否则令fails:＝fails+1。

4.(本地最佳化，级别2)如果LOCOPT＝2，则对于k个集群内找到的最佳配置执行本地最佳化，改进这些点到集群中心的分配。

5.(改进检验)如果对于k个集群的当前最后的配置的成本小于至今为止找到的总的最佳配置的成本，即，如果actualcost＜bestcost(实际成本＜最佳成本)，则修正按照当前的配置找到的总的最佳配置，以及令fails:＝0。否则令iterfails:＝iterfails+1(迭代失败:＝迭代失败+1)。

6.(终止检验)如果iterfails＞LOOKAHEAD(迭代失败＞超前)，则转到步骤7。否则令k＝k+1，并转到步骤2。

7.(本地最佳化，级别1)如果LOCOPT＝1，则对于找到的总的最佳配置执行本地最佳化，改进这些点到集群中心的分配。

8.(停止)返回找到的总的最佳配置作为最后的解。

以下是基于K均值参量的集结程序过程：

·LOCOPT＝想要的本地最佳化级别(0，1，2或3)。它规定施加本地最佳化程序过程的频率(见下面)。最低的级别是级别1，这时，本地优化程序只在集结的末尾处、对于找到的最后配置执行。在中间级别2，对于每个增加的k、对于每个k的分配-重新计算循环终止后得到的配置，执行本地最佳化。最后，如果最佳化级别被设置为3，则在每个分配阶段后，对于所有的k的数值，在每个分配-重新计算循环内执行本地最佳化。如果LOCOPT＝0，则不执行本地最佳化。

·MAXITERFAILS＝对于固定的k的分配-重新计算循环的终止条件。如果对于固定的k的最好的解在规定数目的随后分配-重新计算步骤中没有改进，则分配-重新计算循环结束，以及重新调用对于实际的k的数值找到的最佳配置。实际上，这个参量被设置为小的数值，诸如2。

·LOOKAHEAD＝整个程序过程的终止条件。如果增加集群数目k在规定数目的随后迭代内没有带来更好的配置，则集结程序过程结束。实际上，这个参量被设置为小的数值，诸如3。

以上的程序过程不是决定性的，它的结果取决于对每个k在步骤2中选择的实际的随机集群中心。实际上，以上的程序过程被迭代地重复进行，然后，从各个运行得到的结果中选择总的最佳配置。各个运行的数目是一个设计参量，由全局控制算法选择(见下面)，它取决于点集的实际大小和全局问题大小。在步骤1中初始集群的数目k根据先前的运行的经验被设置为从较大的数值开始。除了第一次运行以外，k的初始值被设置为来自前一次运行的解的、集群的最后数目的一半。这个行动大大地节省运行时间。

迭代分割

根据公开的集结方法(参阅参考文献[5])，用于集结的第二个方法遵循迭代分割方法。它从一个初始集群开始。在每个迭代步骤中，最大的集群被划分成两个分开的集群，以及在每个集群内计算新的集群中心。只要在实际的配置中有改进，整个处理过程就被迭代。类似于基于K均值的程序过程，本地最佳化步骤可被嵌入到该程序过程中，它可以以想要的频率级别被施加。

在给定要被集结的n个点的集p后，迭代分割算法如下地集结点集：

1.(初始化)令集群的数目k:＝1。找出对于1个集群的集群中心，以及对于1个集群，令找到的总的最佳配置的总成本值(bestcost)为最终得到的配置的总的成本。

2.(迭代)选择实际配置中的最大集群C。

3.(分割)把集群C的点如下地分割成两个新的集群C1和C2：

3.1.(随机种子)令P1和P2是从C选择的两个不同的随机点。

3.2.(改进种子)从C随机地迭代选择点Q共SEEDSAMPLE次。在每次迭代中，检验用Q交换P1或交换P2是否在P1和P2之间产生更大的距离。如果是那样的话，用Q交换P1或P2。在这个运行结束时，P1和P2这两个集群种子将会互相离得足够远。

3.3.(初始化几何中心)令C1只包含P1，以及C2只包含P2。从C中删除P1和P2。令两个集群C1和C2的几何中心S1和S2分别是P1和P2。

3.4.(分配点)在C1和C2的并集不包含C的所有元素时，进行：

3.5.(对于候选者的迭代)令bestdiff:＝0。将步骤3.5.1.-3.5.3迭代CANDSAMPLE次。

3.5.1.(选择候选者)从C中随机地选择点Q。

3.5.2.(估计候选者)令diff＝ABS[dist(Q，S1)-dist(Q，S2)]，即，在Q与两个几何中心(即，Q，S1与Q，S2)的几何距离之间的绝对差值。

3.5.3.(候选者检验)如果diff＞bestdiff，则令bestdiff:＝diff，和bestQ:＝Q。

3.6.(增加点)把点bestQ加到其几何中心更接近于bestQ的集群(C1或C2)。按照bestQ的包含，而更新该选择的集群的几何集群中心(S1或S2)。从点集C中删除bestQ。

3.7.(增加新的集群)令k:＝k+1。从实际的配置中删除原先的集群C，以及把两个新的集群C1和C2加到实际的配置。

4.(找出集群中心)通过在基于K均值的程序过程中描述的重新计算方法(即，通过测试作为集群中心的候选者的所有点，以及分别对于两个集群选择具有最小的总成本的配置)，找出在两个新的集群C1和C2内的最佳集群中心。

5.(本地最佳化，级别2)如果LOCOPT＝2，则对于当前的配置执行本地最佳化，改进这些点到实际的k个集群中心的分配。

6.(终止检验)如果对于当前配置的总的成本小于bestcost，则更新bestcost和按照当前的配置找到的总的最佳配置，以及转到步骤2。否则转到步骤7。

8.(停止)返回找到的总的最佳配置作为最后的解。

以上的分割算法的参量为如下：

·LOCOPT＝想要的本地最佳化级别(0，1，或2)。在较低的级别1，本地最佳化只在分割处理过程的末尾、对最后的配置执行。在级别2，在对于实际配置的每个分割步骤后执行本地最佳化。如果LOCOPT＝0，则不执行本地最佳化。

·SEEDSAMPLE＝为更好的初始集群种子测试的样本量。采样更多的种子候选者的目的是使得易于实行：为集群种子选择点集中两个远离的点。实际上，典型地，小的数值(诸如10)就足够了，以及整个种子采样特性被包括，以消除对于扫描初始种子的所有n*(n-1)种可能性的需要。

·CANDSAMPLE＝在把实际的集群分割成两个集群中判决下一个包括的点时的样本量。对候选者进行采样的目的是：使得在从点到两个几何集群中心的两个距离之间的差值足够大的情形下易于实施点的最后选择。通过这个特性，迫使算法选择离一个集群比离另一个集群接近得多的那些点，即，把它们包括在更接近的集群中是一个好的决定。

本地最佳化

在以上描述的任一个集结过程中(基于K均值的或迭代分割)，有两个地方可以对实际配置执行本地最佳化：

·在集结阶段内，以便改进集结结果的质量，以及

·在两个集结阶段之间，以便于合并不同集结阶段的结果和改进解的质量。

在以上两种情形下，可以应用同一种本地最佳化算法。在本地最佳化期间，通常实际解的结构以系统的方式迭代地进行扰动或稍微改变，如果最后得到的新解比实际的最佳解更好，则接受这个新解。从给定的实际解的点开始，然后尽可能地进行到越来越好的相邻的解。在本地最佳化处理过程中涉及到以下的问题：

·什么是邻居函数，即，我们如何改变当前的解，得到相邻的解。

·通过相邻解的组的次序是怎样的，

·什么是找到较好的相邻解的标准，即，当前的解何时应当被更新为相邻的解。

邻居通常由所谓的改进算子规定，它们是要对当前的解执行的本地运算。例如，以下的算子可以在本发明的实施例中采用：

·把RBS从它的相应的HUB移动到新的HUB(RBS移动)

·把HUB从它的相应的RNC移动到新的RNC(HUB移动)

·交换两个RBS的相应的HUB(HUB交换)

·交换两个HUB的相应的RNC(RNC交换)

当考虑以上运行的所有输入可能性时，在一个地点的母地点的新位置与它的当前母地点相比极远的情形下，省略那些移动或交换企图。当在扫描邻居时生成所有可能的移动和交换企图时，这个额外的检验操作大大地节省(计算的)运行时间。

邻居是以一种字典式的次序被扫描的，并且除了由于观察到没有地点应当被连接到极远的母地点而可以被简单地排除的相当大部分的改进企图以外，产生所有可能的RBS或HUB移动和HUB或RNC交换的企图。关于实际解的更新，遵循首先改进策略，即，无论何时找到较好的配置，都立即停止对当前解的邻居的扫描，以及实施更新。产生相邻解的过程然后对于新的解重新开始。在当前解的相邻解都不比当前解更好，即，达到所谓的本地最佳化(相对于规定的邻居函数而言)时，整个本地最佳化处理过程被停止。

初始配置

初始配置通过集结方法的特别的初始应用被创建。首先，所有的网络地点被标记为单个的HUB，除了它们本身的业务以外，不带有进入的业务链路。这个设置被看作为加到第二集结阶段的输入，即，加到现有HUB的集结的输入，以找到RNC集群和RNC位置。当RNC位置被确定和HUB被连接到RNC时，每个HUB被退回标记为一个RBS，除了选择的RNC以外，以及RBS被连接到它们相应的RNC。这个简单的运行产生对于不具有HUB的接入网规划问题的易于实现的解。集结阶段的迭代然后被启动，参阅以上的全局控制算法。

作为例子，图4a和4b显示样本问题的事例，以及通过以上的程序过程、应用迭代分割集结而生成的初始解或初始配置。

图4a显示样本问题，其中提供n＝1000点(RBS)作为用于本发明实施例的输入。图4b显示如以上表示的、所提供的初始解或初始配置。在这个初始解中，1000个RBS被集结到19个HUB，它们把业务转发到HUB，而19个HUB以1对1的方式(即，在这种情形下，1对1地连接或相一致)与19个相应的RNC集结。(将会看到，在本发明方面，节点集群可以由单个节点构成。)在图4b，较大的黑点表示RNC/HUB，而较小的点表示RBS。

全局控制算法

上述的全局控制算法需要考虑多个设计问题：

·在实际的集结阶段应当应用哪个集结算法，

·在两个集结阶段内和之间应当执行哪个级别的本地最佳化，

·集结方法的控制参量应当是哪些。

在本发明的优选实施例中，全局控制算法首先从更快速的分割集结变例开始，以及如果当前的解无法用当前应用的集结方法改进，则逐渐切换到应用更复杂的、基于K均值的集结方法。本地最佳化的级别和基于K均值的集结的各个执行的数目类似地以渐进的方式增加。自然地，更复杂的集结方法和更深的本地最佳化级别可以提供更好的解的质量，但当应用它们时，对于每次迭代的(计算的)运行时间也将是更大的。这是为什么在全局算法的开始阶段执行更快速的、但仍旧合理的集结试探的原因。

在本发明的特别优选的实施例中，以下的8种类型的集结变例逐步地被执行(即，接连地，在迭代中或在运行中，以推动该最佳化处理过程)：

·分割方法，LOCOPT＝0

·分割方法，LOCOPT＝1

·分割方法，LOCOPT＝2

·基于K均值的方法，LOCOPT＝1，runs＝1

·基于K均值的方法，LOCOPT＝2，runs＝1

·基于K均值的方法，LOCOPT＝2，runs＝2

·基于K均值的方法，LOCOPT＝3，runs＝1

·基于K均值的方法，LOCOPT＝3，runs＝2

集结方法的不太重要的控制参量，在这个特别的优选实施例中例如可以如下地被设置：

分割方法：

·SEEDSAMPLE＝9

·CANDSAMPLE＝9

基于K均值的方法：

·MAXITERFAILS＝3

·LOOKAHEAD＝3

在本发明的特别优选的实施例中，迭代执行全局控制算法，直至出现8个不成功的(即，在最后8次迭代中，全局最佳配置不改变)集结阶段为止。本地最佳化被设置为应用在每个接连的集结阶段之间。

当然，可以按照本发明的其他实施例以不同的序列和迭代或运行，以及用不同的控制参量，来执行集结方法的其他变例。

实际的例子

下面参照模拟的但无论如何是实际的例子来显示本发明涉及的方法的可使用性。应当指出，这个实际例子是非常有限的，自然不能穷举本发明涉及的方法的所有能力。

输入、成本和约束条件

图4a所示的样本问题的事例被用作为输入。每个RBS的业务量是从1.4Mbit/s±0.5Mbit/s的范围中随机地选择的。所应用的非常简单的成本结构如下：

1.链路成本(参量：d＝距离，bw＝带宽)：

链路成本依赖于带宽，以及有四种类型的链路：

(A)bw＜＝2.0：cost＝1000+(d/10000)*100

(B)2.0＜bw＜＝8.0：cost＝2000+d*5+(d/10000)*150

(C)8.0＜bw＜＝34.0：cost＝6000+d*7+(d/10000)*200

(D)bw＞34.0：cost＝12000+d*15+(d/10000)*300

2.HUB成本(唯一参量：被连接的RBS的数目)：

现在有两种只依赖于被连接的RBS的HUB类型：

·RBSnum＜25：cost＝20000

·RBSnum＜55：cost＝35000

3.RNC成本(参量：被连接的RBS的数目和总的业务量)：

首先，通过以下公式计算所需要的处理器数目：

处理器数目＝RBSnum/1.9+0.7*总业务量/0.36+1

现在有两种只依赖于需要的处理器数目的RNC类型：

·(A)处理器数目＜50：cost＝800000

·(B)50＜处理器数目＜300：cost＝2000000

解决方案.通过按照本发明的特别优选实施例的方法(如上文中在标题“全局控制算法”下描述的)在Sun Ultra 5上解决该问题事例。求解处理过程花费361秒。除了实施细节外，(计算的)运行时间自然在很大程度上依赖于终止条件，所以以上的运行时间数字只表示由按照本发明的方法提供的速度大小。

为了更好地理解，图5的曲线图显示解的质量相对所花费的(计算的)运行时间的改变。可以看到，在这种情形下，最后的解答实际上在100秒以后被找到，但求解过程当然继续进行直至达到终止条件为止。

图6显示按照本发明的、由上述算法找到的最后解的网络结构。在图6上，最小的黑点代表RBS(数量1000)，比较大的黑点代表HUB，它有123个，以及最大的黑点代表RNC，它有19个。

为了显示按照本发明采用的方法的灵活性，在另一个修正的例子中，RNC成本函数被修正。两种RNC类型的成本被乘以2，以及在每个RNC中处理器的数目也被乘以2。通过这个行动，RNC能力被变得更大，但它们的成本也被变得更高。图7显示具有这个成本设置的最后结果，HUB和链路成本保持不变。该结果在66秒的(计算的)运行时间内得到。在用于1000个RBS(最小的黑点)的图7的配置或解中，有69个Hub(比较大的黑点)和7个RNC(最大的黑点)。

从以上内容将会看到，本发明具有以下的重大的价值，以及对于网络的最佳化可提供进一步优点：

·可被使用于扩展规划现有的网络；任何链路和节点(RNC，HUB)可以在开始时由用户固定；

·在网络配置最佳化期间，考虑设备限制；

·复杂性和计算资源不高，所以将该方法用于实际的尺寸问题是可行的(子阶段：n保持为较低的)；

·该方法可被配置为在解的质量与运行时间之间进行折衷；它可被使用于快速地得到低质量的解(对于例如策略决定的快速时间估值)，或在相对较长的时间期间找出接近于全局最优的解；

·该方法可以在任何时间被停止，提供至此得到的最好的结果；

·该方法在以下的意义下是模块，即：它可通过其他种类的集结算法被扩展。

具体地，对于成本最佳化，本发明具有另外的价值和优点：

·可以使用任意链路成本结构(不仅仅基于距离的)，也包括与容量有关的成本；

·设备成本也具有任意结构；

·应用的成本结构的灵活性和模块化被高度地支持；该方法本身与成本结构无关，以及可以不改变地被使用于任何成本函数。

将会看到，虽然为了易于说明和说明的简明性，以上说明的许多部分基本上是参照UMTS类型的接入网结构被给出的，但本发明决不限于这样的类型的接入网结构。正如所指出的，本发明可被应用于实际上任何分级的接入网结构(或实际上任何其他的分级网络结构)。

参考文献：

[1]U.Ehrenberger，K.Leibnitz：Impact of Clustered TrafficDistributions in CDMA Radio Network Planning(CDMA无线网规划中集结的业务量分布的影响)，Technical report 223，University ofWurzburg，Institute of Computer Science，March，1999.

[2]K.Tutschku：Demand-based Radio Network Planning ofCellular Mobile Communication Systems(蜂窝移动通信系统的基于要求的无线网规划)，Technical report 177，University of Wurzburg，Institute of Computer Science，July，1997.

[3]P.Kallenberg：Optimization of the Fixed Part of GSMNetworks Using Simulated Annealing(使用模拟退火的GSM网络的固定部分的最佳化)，Networks 98，Sorrento，Italy，1998.

[4]J.Harmatos，A.Juttner，A.Szentesi：Cost-based UTMSTransport Network Topology Optimization(基于成本的UTMS传输网络拓扑最佳化)，International Conference on ComputerCommunications `99，Tokyo，1999.

[5]A.Jain，R.Dubes：Algorithms for Clustering data(用于集结数据的算法)，Prentice-Hall，Englewoods Cliffs，New Jersey，1988.

[6]Z.Drezner(ed.)：Facility Location.A Survey ofApplications and Methods(设施定位.一个应用和方法的调查).Springer-Verlag，New York，1995.

[7]M.S.Daskin：Network and Discrete Location(网络和离散定位).Wiley，New York，1995.

[8]E.H.L.Aarts，J.Korst：Simulated Annealing and BoltzmannMachines：A Stochastik Approach to Combinatorial Optimizationand Neural Computing(模拟退火和Boltzmann机：组合最佳化和神经计算的随机方法).Wiley，Chicester，1989.

[9]E.H.L.Aarts，P.J.M.van Laarhoven：Simulated Annealing：Theory and Applications(模拟退火：理论和应用).Kluwer AcedemicPublishers，1987.

[10]C.R.Reeves(ed.)：Modern Heuristic Techniques forCombinatorial Problems(用于组合问题的现代试探技术).McGraw-Hill，1995

[11]M.S.Garey，D.S.Johnson：Computers and Intractability：A Guide to the Theory of NP-Completeness(计算机和难以对付性：NP-完全理论导引).W.H.Freeman，New York，1979.

[12]V.Verter，M.C.Dincer：Facility location and capacityacquisition：an integrated approach(设施定位和容量获取：一种综合方法).Naval Res.Log.Quart.42，1995.

[13]Y.Eitan，S.C.Narula，J.M.Tien：A generalized approachto modeling the hierarchical location-allocation problem(分级结构定位-分配问题建模的通用方法).IEEE Trans.Systems ManCybernet.21，1991.

[14]G.Anandalingam，T.L.Friesz(ed.)：Hierarchucaloptimization(分级结构最佳化).Ann.Oper.Res.34，1992.

[15]G.R.Mateus，F.R.B.Cruz，H.P.L.Luna：Analgorithm forhierarchical network design(用于分级网络设计的算法).LocationScience，2，1994.

[16]P.B.Michandani：Generalized hierarchical facilitylocation(通用分级结构设施定位).Transportation Science，21，1984.

[17]G.Moore，C.ReVelle：The hierarchical servicelocationproblem(分级结构服务定位问题).Management Science，28，1982.

[18]S.C.Narula：Minisum hierarchical location-allocationproblems on a network：A survey(网络的最小和值分级结构定位-分配问题：调查).Annals of Operations Research，6，1986.

[19]D.Serra de la Figuera，C.S.ReVelle：The pq-medianproblem：Location and districting of hierarchical facilities(pq中值问题：分级结构设施的定位和区域划分).Location Science，1，1993 and 2.1994.

[20]Weaver，J.R.and Church，R.L.(1991)The nestedhierarchjcal media facility location model(嵌套的分级结构中值设施定位模型).INFOR，29，100-115.

[21]A.Balakrishnan，K.Altinkemer：Using a hop-constrainedmodel to generate alternative communication network design(使用跳跃约束的模型生成可选的通信网络设计).INFORMS J.Comput.4，1992.

[22]B.Gavish：Topological design of telecommunicatinnetworks-local access design methods(电信网络的拓扑设计-本地接入设计方法).Ann.Oper.Res.33，1991.

[23]B.Gavish：Topological design of telecommunicatinnetworks-the overall design problem(电信网络的拓扑设计-总体设计问题).Eur.J.Oper.Res.58，1992.

Claims

1.一种用于分级网络的配置最佳化的方法，该网络具有m个分级级别，其中m至少是3，包括第一分级级别(LEVEL(j-1))，紧接在该第一分级级别下面的第二分级级别(LEVEL(j))，和紧接在该第二分级级别下面的第三分级级别(LEVEL(j+1))，每个分级级别包括节点(RNC，HUB，RBS)，在不同于最低级别(例如LEVEL(j+1))的分级级别(例如LEVEL(j-1)，LEVEL(j))中每个节点接收来自紧接在下面的分级级别(例如LEVEL(j)，LEVEL(j+1))的节点集群(HUB，RBS)的业务量，

所述方法包括以下步骤：

在每个分级级别(例如LEVEL(j-1)，LEVEL(j)，LEVEL(j+1))中设置和/或生成节点(RNC，HUB，RBS)的初始安排，以及在不同于最高级别(例如LEVEL(j-1))的每个分级级别中，把该级别的各个初始的节点(HUB，RBS)集群分配给紧接的更高的分级级别(LEVEL(j-1)，LEVEL(j))的节点(RNC，HUB)，

迭代地重复进行以下步骤(a)和(b)：

(a)对于第一分级级别(LEVEL(j-1))的每个节点(RNC)，识别第二分级级别(LEVEL(j))的节点(HUB)的最佳化的数目和部署，对于第三分级级别(LEVEL(j+1))的那些节点(RBS)，它们紧邻在步骤(a)的这个迭代之前被分配给第二分级级别(LEVEL(j))的节点(HUB)，而该第二分级级别的节点被分配给与该第一分级级别(LEVEL(j-1))有关的节点(RNC)，以及

对于第一分级级别(LEVEL(j-1))的每个节点(RNC)，把第三分级级别(LEVEL(j+1))的所述那些节点(RBS)重新分配给在步骤(a)的这个迭代中识别的第二分级级别(LEVEL(j))的节点(HUB)，

(b)对于在步骤(a)中识别的第二分级级别(LEVEL(j))的节点(HUB)，识别第一分级级别(LEVEL(j-1))的节点(RNC)的最佳化的数目和部署，以及

把在步骤(a)中识别的第二分级级别(LEVEL(j))的节点(HUB)重新分配给在步骤(b)的这个迭代中确定的第一分级级别(LEVEL(j-1))的节点(RNC)，

直至

在步骤(a)和(b)的预定数目的迭代后那些步骤没有导致节点(RNC，HUB，RBS)的数目、部署和分配的改变为止。

2.如权利要求1中要求的方法，包括：作为步骤(a)的结论，对于第一分级级别(LEVEL(j-1))的每个节点(RNC)，还通过应用一个提供进一步最佳化分配的本地最佳化，而把第三分级级别(LEVEL(j+1))的节点(RBS)重新分配到属于与第一分级级别(LEVEL(j-1))有关的节点(RNC)的第二分级级别(LEVEL(j))的节点(HUB)。

3.如权利要求1要求的方法，包括：作为步骤(b)的结论，还通过应用一个提供进一步最佳化分配的本地最佳化，而把第二分级级别(LEVEL(j))的节点(HUB)重新分配到第一分级级别(LEVEL(j-1))的节点(RNC)。

4.如权利要求1中要求的方法，包括：在步骤(a)后，还通过应用一个提供进一步最佳化分配的本地最佳化，而把第三分级级别(LEVEL(j+1))的节点(RBS)重新分配到第二分级级别(LEVEL(j))的任何节点(HUB)。

5.如权利要求1中要求的方法，包括：在步骤(b)后，还通过应用一个提供进一步最佳化分配的本地最佳化，而把第三分级级别(LEVEL(j+1))的节点(RBS)重新分配到第二分级级别(LEVEL(j))的任何节点(HUB)。

6.如权利要求1中要求的方法，其中节点的最佳化数目和部署的识别是根据综合成本函数的客观评价被实施的，它考虑节点设备的综合成本和在节点之间载送业务量的链路的综合成本，被提供作为对于该方法的输入。

7.如权利要求6中要求的方法，其中为识别第一(LEVEL(j-1))或第二(LEVEL(j))分级级别的节点的最佳化的数目和部署，在最佳化之前被分配给要被最佳化的节点的、紧接在下面的分级级别的节点通过使用以下的程序过程被重新集结：

初始地，设置k＝1以及把综合成本函数的总的最佳值设置为无穷大，然后

(a)从由紧接在下面的分级级别的所述节点规定的点集P中随机地选择k个集群中心；把对于k的当前值的综合成本函数的最佳值设置为无穷大；

(b)按照预定的集结法则把点集P的点分配给选择的集群中心；对于点集的元素进行迭代；在每个迭代步骤中，当把点p分配到某个集群中心时，对于可能的集群中心执行另一次迭代；把点p分配到那个集群中心q，其中在所有可能的集群中心q中间，在该集群中心处进行点p的分配后该综合成本函数的数值中的改变D_q(p)是最小的；

(b1)计算当前配置的综合成本函数的数值；如果当前配置的综合成本函数的数值小于对k的当前值找到的综合成本函数的先前的最佳值，则更新该综合成本函数的所述最佳值，以及存储该当前配置作为对于k个集群找到的最佳配置；

(b2)如果当前配置等同于在先前的重新计算阶段后的配置，则转到(c)，否则

(b3)重新计算由集群的点形成的各个集群内的每个集群中心的最佳化位置，以及用该点作为集群中心来检验该配置的综合成本函数的数值；在所有的集群中顺序地执行这个集群中心重新计算；

(b4)计算综合成本函数的数值；如果当前配置的综合成本函数的数值小于对k的当前值找到的综合成本函数的先前最佳值，则更新该综合成本函数的那个最佳值，以及存储该当前配置作为对于k个集群找到的最佳配置；

(b5)从步骤(b)进行迭代，直至预定数目的迭代无法产生对于k的当前值的综合成本函数的减小的最佳值为止；

(c)如果对于k个集群的当前最后配置的综合成本函数的数值小于对于任何k的、至今为止找到的总的最佳配置的综合成本函数的总的最佳值，则更新该综合成本函数的那个总的最佳值，以及按照当前的配置修正找到的总的最佳配置；

(d)令k＝k+1，以及从步骤(a)进行迭代，直至预定数目的迭代无法产生该综合成本函数的减小的总的最佳值为止。

8.如权利要求6中要求的方法，其中为识别第一(LEVEL(j-1))或第二(LEVEL(j))分级级别的节点的最佳化的数目和部署，在最佳化之前被分配给要被最佳化的节点的、紧接在下面的分级级别的节点，通过使用以下的程序过程被重新集结：

初始地，设置k＝1，然后

(a)对于由紧接在下面的分级级别的所述节点规定的点集P，找到对于k个集群的集群中心，以及令至今为止找到的、对于总的最佳配置的综合成本函数的总的最佳值为用k个集群得到的配置的数值，

(b)选择该实际配置的最大集群C，

(c)把集群C的点如下地分割成两个新的集群C1和C2：

(c1)令P1和P2是从C中选择的两个不同的随机点；

(c2)从C中迭代地随机选择点Q多次；在每个迭代中，检验用

Q交换P1或P2是否在P1与P2之间产生更大的几何距离；如果是的话，用Q交换P1或P2；

(c3)令C1只包含P1，以及C2只包含P2；从C中删除P1和P2；令对于两个集群C1和C2的几何中心S1和S2分别为P1和P2；

(c4)当C1和C2的并集不包含C的所有元素时，进行：

(c5)初始地，令最大的绝对距离＝0，然后迭代进行以下的步骤

(c5.1)到(c5.3)预定的次数；

(c5.1)从C中随机地选择点Q；

(c5.2)计算在Q到两个几何中心S1与S2的几何距离之间的绝对差值；

(c5.3)如果所述绝对差值大于对于任何点Q的先前的最大绝对距离，则更新该最大绝对距离和具有该最大绝对距离的点；

(c6)把具有该最大绝对距离的点加到其几何中心更接近于该点的集群(C1或C2)；根据该点的包含，而更新所选择的集群的几何集群中心(S1或S2)；从点集C中删除该点；

(c7)令k：＝k+1；从实际的配置中删除原先的集群C以及把两个新的集群C1和C2加到实际的配置中；

(d)通过对于两个集群分开地测试作为集群中心的候选者的所有点以及选择具有该综合成本函数的最小数值的配置，来找到这两个新集群C1和C2内的最佳集群中心；

(e)如果对于当前配置该综合成本函数的数值小于该综合成本函数的先前的最佳值，则按照该当前配置更新该综合成本函数的总的最佳值和找到的总的最佳配置，以及转到步骤(b)；否则停止迭代。

9.如权利要求2到5的任一项中要求的方法，其中，为了应用本地最佳化而执行一个邻居搜索，其中迭代地执行涉及到在集群之间两个节点的交换和/或将一个节点从一个集群移动到另一个集群的重新组织，直至不产生进一步的最佳化为止。

10.如权利要求9中要求的方法，其中从该邻居搜索中省略某些移动或交换，所述移动或者交换是：使节点分配到新的集群将导致，与现有的集群相比较，该节点离紧接在上面的分级级别的、该新集群向其发送业务量的节点极远，以及其中无论何时找到节点的进一步最佳化的配置时，都立即停止邻居搜索和实施更新，然后对于该进一步最佳化的配置重新开始邻居搜索，以及其中当没有一个所得到的配置比当前的配置更优化时，停止本地最佳化处理过程。

11.如权利要求1-8的任一项中要求的方法，其中所述节点的初始安排通过输入和/或识别该第一分级级别(LEVEL(j-1))的节点(RNC)的数目和部署，以及把第二分级级别(LEVEL(j))的节点分配到第一分级级别(LEVEL(j-1))的节点(RNC)，而被设置和/或生成的，该第二分级级别的节点也是以数目和部署来输入和/或识别的。