JP5415615B2 - 遺伝的プログラミングによって遠隔通信ネットワークノードのためのアルゴリズムを進化させること - Google Patents

Description

本発明は遠隔通信に関し、詳細には遠隔通信ネットワークに関する。

遠隔通信ネットワークは、ますます自己構成能力（ｓｅｌｆ−ｃｏｎｆｉｇｕｒｅ）、自己組織化能力（ｓｅｌｆ−ｏｒｇａｎｉｓｅ）および自己適応能力（ｓｅｌｆ−ａｄａｐｔ）を包含するようになっている。遠隔通信ネットワークの規模および複雑性が増大するにつれて、分散的な方法で、すなわち、それぞれのノードがローカル情報のみを使用して個別に動作することができる場合に、これらのいわゆる「自己ｘ（ｓｅｌｆ−ｘ）」特性を実施しようとする取組みがある。

したがって、ネットワークに関するグローバルな情報もネットワークノードの調整された中央制御もなしで動作しなければならないｓｅｌｆ−ｘアルゴリズム、すなわち、ネットワークノードの自己適応化のためのアルゴリズムを開発する必要性が高まっている。ワイヤレスネットワークにおけるｓｅｌｆ−ｘアルゴリズムのいくつかの例として、セルのカバレッジおよび容量を最適化するためのアルゴリズム、およびリソーススケジューリングアルゴリズムが挙げられる。有線ネットワークの分野におけるいくつかの例は、トラフィック負荷レベル、通信経路に沿ったノード間のホップ数、およびサービス品質（ＱｏＳ）要件などの様々な変数に応じて動作するルーティングアルゴリズムである。

知られている手法は、現実的ではない場合があるネットワークに関する特定の仮定に基づいて熟練した技術者によって設計されるｓｅｌｆ−ｘアルゴリズムに関するものであり、このため、ネットワークにおいて実施された後にアルゴリズムを評価し、修正し、改良することがしばしば必要となる。これは、遅く高価なプロセスとなり得る。

この知られている手法では、アルゴリズムを設計する熟練した技術者にとって、ノードが展開される様々な異なる環境を考慮することは困難である。アルゴリズムは、現実の世界では当てはまらないネットワークに関する特定の仮定に基づいて設計される。

この知られている手法では、ｓｅｌｆ−ｘアルゴリズムが手動で設計され、次いで、その同じアルゴリズムが全ての特定のタイプのネットワークノード、例えば、ワイヤレスセルラネットワークにおける全ての基地局にわたって適用される。ノードの動作環境に大きな違いがある場合、一般的に適用可能な最適化アルゴリズムは特定の問題または動作環境に対してより特化されたアルゴリズムよりも動作が劣るので、パフォーマンスが低下する。ところが、それに反して、特化されたアルゴリズムは、アルゴリズムが特化される対象となる特定の領域の外で適用される場合、動作が劣る。

背景の別の領域を参照すると、遺伝的プログラミングは、アルゴリズムを生成するための知られている進化的な手法である。例えば、Ｋｏｚａ，Ｊ．Ｒ．、Ｇｅｎｅｔｉｃ Ｐｒｏｇｒａｍｍｉｎｇ：Ｏｎ ｔｈｅ Ｐｒｏｇｒａｍｍｉｎｇ ｏｆ Ｃｏｍｐｕｔｅｒｓ ｂｙ Ｍｅａｎｓ ｏｆ Ｎａｔｕｒａｌ Ｓｅｌｅｃｔｉｏｎ １９９２：ＭＩＴ Ｐｒｅｓｓ，８４０を参照されたい。

読者の理解を容易にするために、ここで遺伝的プログラミングについて簡単に説明する。

図１に示すように、遺伝的プログラミング（ＧＰ）は以下のステップ、すなわち、
（ｉ）アルゴリズムの母集団を初期化するステップ（母集団とは、個々のアルゴリズムの集合について使用される用語であり、初期母集団におけるアルゴリズムは、少なくともある程度無作為に生成される）、
（ｉｉ）その母集団におけるそれぞれのアルゴリズムの適応度を計算するステップ（適応度とは、アルゴリズムのタスクを達成する際のアルゴリズムのパフォーマンスの程度について使用される用語である）、
（ｉｉｉ）適応度に基づいて「親」となるべきアルゴリズムを選択するステップ、
（ｉｖ）突然変異および前のステップで選択された親との交差などの遺伝的オペレータを適用することによって新しいアルゴリズムを作成するステップ、
（ｖ）新しく作成されたアルゴリズムおよび前世代の母集団から選択された残存アルゴリズムを使用してアルゴリズムの次世代の母集団を作り出すステップ
を含む。

終了条件が満たされる（例えば、プロセスが設定された回数の生成を遂行した、または作成されたアルゴリズムによって目標の適応度レベルが満たされる）まで、上記のステップ（ｉｉ）から（ｖ）が繰り返される。

図２に示すように、遺伝的プログラミング（ＧＰ）では通常、遺伝的プログラミング操作を実行することができる形態にアルゴリズムを符号化するために、解析木の表現が使用される。解析木を使用して、コンピュータプログラムなどの様々な形態のアルゴリズムを表すことができる。状態遷移図によってなど、他の形態でアルゴリズムを表すことができる。

図３は、上記の交差オペレータおよび突然変異オペレータの例示的な例を示す。交差とは、次世代の（すなわち、子）アルゴリズムを作り出すために２つの親アルゴリズムの構成要素を混合することである。突然変異とは、次世代のアルゴリズムを作り出すために個々の親アルゴリズムの一部を変更することである。

遠隔通信ネットワークにおいて使用するアルゴリズムを生成するための遺伝的プログラミングの使用については、「Ｅｎｈａｎｃｉｎｇ ＩＥＥＥ８０２．１１ ＤＣＦ ｕｓｉｎｇ Ｇｅｎｅｔｉｃ Ｐｒｏｇｒａｍｍｉｎｇ」、ＩＥＥＥ ２００６という表題のＬｅｗｉｓ Ｔ．、Ｆａｎｎｉｎｇ Ｎ．およびＣｌｅｍｏ Ｇ．による論文に記載されている。

Ｋｏｚａ，Ｊ．Ｒ．の「Ｇｅｎｅｔｉｃ Ｐｒｏｇｒａｍｍｉｎｇ：Ｏｎ ｔｈｅ Ｐｒｏｇｒａｍｍｉｎｇ ｏｆ Ｃｏｍｐｕｔｅｒｓ ｂｙ Ｍｅａｎｓ ｏｆ Ｎａｔｕｒａｌ Ｓｅｌｅｃｔｉｏｎ １９９２」（ＭＩＴ Ｐｒｅｓｓ，８４０） Ｌｅｗｉｓ Ｔ．、Ｆａｎｎｉｎｇ Ｎ．およびＣｌｅｍｏ Ｇ．の「Ｅｎｈａｎｃｉｎｇ ＩＥＥＥ８０２．１１ ＤＣＦ ｕｓｉｎｇ Ｇｅｎｅｔｉｃ Ｐｒｏｇｒａｍｍｉｎｇ」（ＩＥＥＥ ２００６）

読者は添付の独立請求項を参照されたい。従属請求項には、いくつかの好ましい特徴が説明されている。

本発明の一例は、ネットワークノードのモデルを更新することによって、また（ａ）アルゴリズムを生成するステップ、（ｂ）ネットワークノードのモデルに基づいてアルゴリズムの適応度レベルを判定するステップ、および（ｃ）所定の適応度レベルを満たすアルゴリズムを選択するステップによる遺伝的プログラミングによって、遠隔通信ネットワークノードにおけるネットワークノード制御のためのアルゴリズムを進化させる方法である。これらのステップ（ａ）、（ｂ）および（ｃ）が自動的に繰り返されて、ネットワークノードにおいて実施する可能性がある、ネットワークノードの変化するモデルに適応された一連のアルゴリズムをある期間にわたって提供する。

好ましい実施形態では、ネットワークノードの状態の情報は、例えばノードによって行われるローカルな測定から取得されるおよび／または隣接ノードからの情報として提供される。

好ましい実施形態では、それぞれのネットワークノードは、遺伝的プログラミングを使用してそのネットワークノードが独自に使用するための新しいアルゴリズムを生成し、そのネットワークの情報を使用してネットワークノードの内部モデルを更新する。好ましくは、ノードは遺伝的プログラミング構築ブロックとともにそのモデルを使用して適応度レベルなどの目標基準を満たすアルゴリズムを作成する。好ましくは、そのようなアルゴリズムが提供されると、そのアルゴリズムが試験され、許容可能とみなされた場合、ネットワークノードにおいて実施される。

したがって、好ましい実施形態は、それぞれのネットワークノードがそのネットワークノード独自の別個のアルゴリズムを実行するネットワークであってもよい。この手法により、ノードはその挙動を柔軟に、独立して、かつインテリジェントに適応させることができる。

この手法は、様々なタイプのネットワークノード、例えば自己適応するネットワークノード、例えばフェムトセル基地局に適している。この手法は、それ自体でアルゴリズムを自己適応する、実施用のアルゴリズムを提供するのに適している。

好ましい実施形態は、セルラ無線基地局のネットワークに関する。他の好ましい実施形態は、他のタイプの遠隔通信ネットワークに関する。

好ましい実施形態は、分散した方法で、ネットワークノードに対してローカルに特化されたアルゴリズムの作成および適応化をもたらす。好ましい実施形態は、ネットワークのパフォーマンスを良好にするために、自立的で効率的な方法でアルゴリズムの関数形態を作成し、最適化する。

いくつかの好ましい実施形態では、アルゴリズムを提供するステップ、アルゴリズムを検証するステップおよびアルゴリズムを実施するステップは、時折、例えば周期的に繰り返される。いくつかの好ましい実施形態では、提供される一連のアルゴリズムは、ネットワークノード自己構成のための一連のアルゴリズムである。

次に、図面を参照しながら、本発明の実施形態を例として説明する。

遺伝的プログラミングのプロセス（従来技術）を概略的に示す図である。 解析木の形態で表されるコンピュータプログラム（従来技術）を示す図である。 遺伝的プログラミングにおいて、解析木として表されたプログラムの一部に適用された交差操作および突然変異操作（従来技術）を示す図である。 本発明の第１の実施形態による、ワイヤレス遠隔通信のためのネットワークを概略的に表す図である。 図４に示される基地局の１つ、さらにはその隣接基地局の１つをより詳細に示す図である。 図５に示される基地局の遺伝的プログラミングユニットの操作を示す流れ図である。 １つの基地局において検証され、実施されたアルゴリズムがどのように隣接基地局における候補アルゴリズムになるかを示す図である。 遺伝的プログラミングユニットによって提供される、無線セルカバレッジを最適化するために遺伝的に操作された例示的なプログラムを示す図である。

本発明者らは、知られているワイヤレスネットワークでは、ユーザが展開した多数の小型セルを使用すると高データレートが可能になり、高容量をもたらすことに気付いた。そのような小型セルは通常、数十メートルまたは数百メートルの範囲を有し、フェムトセルと呼ばれることが多い。しかし、本発明者らは、そのような多数の小型セルを使用することの副作用は、これらのセルを提供する基地局が体験する環境の多様性であることに気付いた。例えば、フェムトセル基地局のパフォーマンスは、建物内でフェムトセル基地局が設置される場所に応じて、大幅に変化し得る。これは、部分的には様々な建築材料の影響によるものである。例えば、ガラス壁は、コンクリート壁に比べて非常に低い伝搬損失を有する。また、これは、部分的にはトラフィック需要の変動性が高いことによるものである。例えば、混雑しているラウンジなどのトラフィック需要のホットスポットをカバーするフェムトセル基地局は、閑散とした、例えば２０メートル離れた場所をカバーする別のフェムトセル基地局とは非常に異なる需要を体験する。

また、本発明者らは、このタイプの小型セルでは、基地局を制御し最適化するために使用されるｓｅｌｆ−ｘアルゴリズムは、多様な環境において適切なパフォーマンスを提供しなければならず、その結果として、汎用アルゴリズムが適切でない場合があり、アルゴリズムは特定の環境に対して特化されているほうがよいことに気付いた。一例として、コンクリート製の建物を有する住宅地域で動作しているフェムトセルは、ガラス張りの建物を有する住宅地域で動作しているフェムトセルとは異なる形態の無線カバレッジ制御アルゴリズムを必要とする場合がある。しかし、本発明者らは、それぞれの異なるタイプの環境に対して新しいアルゴリズムを手動で設計する従来技術の手法は、それに伴う複雑性および費用のために実用的でないことに気付いた。

次に、例示的な遺伝的プログラミングユニットおよびその操作に注目する前に、例示的なネットワークおよびネットワークノードについて説明する。この例では、ネットワークノードはフェムトセル基地局である。

その後、アルゴリズムのタイプの特定の例を提示する前に、検証されたアルゴリズムがどのように他のノードに配布されるかについて説明する。この後に、いくつかの変形形態および代替形態の説明を続ける。

本明細書では、一連の規則または問題を解決するかタスクを実行するために使用される方法を意味するために、アルゴリズムという用語を使用した。アルゴリズムは、技術用途を有する数式、コンピュータプログラム、状態遷移図または流れ図などのシステムの挙動を表すものの形態で指定され得る。遠隔通信ネットワークノードにおけるアルゴリズムの例は、無線セルのカバレッジエリアを自動的に調整する方法、およびネットワークルータノードを介してトラフィックをルーティングする方法である。

ネットワーク
図４に示すように、遠隔通信ネットワーク２は、いくつかの相互接続されたセルラ基地局２１、２２、２３、２４を含む無線アクセスネットワーク４を含む。基地局２１、２２、２３、２４は全て、それぞれのアルゴリズムを実行して所定のタスクを実行する。

図５に示すように、それぞれの基地局は、以下により詳細に説明されるように、遺伝的プログラミングを使用した、新しい改善されたバージョンのアルゴリズムを提供するために使用されるそれぞれの遺伝的プログラミングユニット１０を含む。それぞれの基地局は、その隣接基地局と通信し、隣接基地局を検知するように動作可能である。例えば、第１の基地局２１は、その隣接基地局２２、２３、２４と通信し、隣接基地局２２、２３、２４を検知するように動作可能である。

混同を避けるため、考慮される特定の基地局を「ローカル」基地局９と呼ぶこととし、「ローカル」基地局９は、隣接基地局のグループ（２５で示される）を有する。どの基地局がグループ２５に属するかは、ローカル基地局９がどのようにその隣接基地局を発見したかに依存する。この例では、ローカル基地局９は、どの基地局がその隣接基地局のグループ２５内にあるかを特定するために、他の基地局から受信したパイロット信号の測定を実行する。代替実施形態では、ローカル基地局は、隣接基地局を特定するために、バックホールネットワーク全体にわたって問合せ応答の手順を実行する。

隣接基地局のグループ２５における基地局は、ローカル基地局に重大な影響を及ぼす基地局であり、その逆も同様である。例えば、グループ２５における基地局の送信電力が増大すると、ローカル基地局１０への干渉が増大する。

以下により詳細に説明されるように、ネットワーク２０における基地局２１、２２、２３、２４、９、２５はそれぞれ独自のアルゴリズムを実行して、その無線カバレッジの規模を調整するなどの特定のタスクを実行する。また、基地局はそれぞれ、基地局が実行するアルゴリズムの正確な関数形態を定期的に更新し改良するために、遺伝的プログラミングを使用したアルゴリズム適応化プロセスを実行する。それぞれの基地局はそのアルゴリズムをローカルに改良するので、その最終的な効果は、それぞれの基地局が、その基地局独自のローカルな環境に適合するように最適化され、そのため固有のものである可能性が高い、その基地局独自のそれぞれのアルゴリズムを実行するということである。

遺伝的プログラミングユニット
図５に示すように、遺伝的プログラミングを使用して基地局において使用されるアルゴリズムを作成する遺伝的プログラミングユニット１０は、遺伝的プロセッサ１１、アルゴリズム実行段階１２およびローカル情報収集段階１３を含む。

遺伝的プロセッサは、進化プロセッサ１５への入力としての関数および端末のセット１１１、遺伝的オペレータ１１２および適応度関数１１３を含む。関数および端末のセット１１１は、アルゴリズムの構築ブロックである。遺伝的オペレータ１１２は、既存のアルゴリズムを操作して新しいアルゴリズムを作成する操作であり、突然変異および交差などの操作を含む。適応度関数１１３は、適応度、言い換えれば、アルゴリズムのパフォーマンスを計算するために使用される関数である。適応度関数１１３は、例えばネットワークオペレータの要件に基づいて、前もって決定される。

使用時には、進化プロセッサ１５は、ネットワークノードのモデル１４の情報および生成された様々な異なるアルゴリズムを使用して、ネットワークノードのシミュレーションを実行するように動作し、パフォーマンス結果を適応度関数１３とともに使用してそれぞれのアルゴリズムに関連付けられた適応度を計算する。ネットワークノードの最新のモデル１４は、これらのシミュレーションにおいて使用される。

以下により詳細に説明されるように、基地局において使用される新しい改善されたアルゴリズムは、自動的に生成される。この自動化されたプロセスにおいて取られる主なステップの流れ図を図６に示す。

図６に示すように、遺伝的プログラミングユニット１０において、次世代のアルゴリズムが生成され、適応度レベルについて評価される（ステップＡ）。生成されたアルゴリズムが所定の適応度レベルを満たすかどうかについての判定が行われる（ステップＢ）。所定の適応度レベルが満たされていると、そのアルゴリズムは行われるべきアルゴリズム検証プロセスに対して十分に優れているものとみなされる。上記に説明したように、アルゴリズム検証プロセッサ１７は、アルゴリズムを事前に試験してネットワーク２における展開の適合性を確認する（ステップＣ）。次いで、試験に失敗したか合格したかについての判定が行われる（ステップＤ）。試験に失敗した場合、アルゴリズムは破棄され（ステップＥ）、生成および適応度評価（ステップＡ）に戻る。一方、試験に合格した場合、アルゴリズムはネットワークノードにおいて実施される（ステップＦ）。

図６におけるステップＡおよびＢは、図５に示される進化プロセッサ１５において行われる。図６におけるステップＣ、ＤおよびＥは、図５に示されるアルゴリズム検証プロセッサ１７において行われる。これについて以下により詳細に説明する。

次に、遺伝的プログラミングユニット１０の様々な構成要素および態様についてより詳細に説明する。特に、進化プロセッサ、モデル構築プロセッサ、アルゴリズム検証プロセッサおよびアルゴリズム実施段階について次に説明する。

進化プロセッサ
関数および端末のセット１１１、遺伝的オペレータ１１２、適応度関数１１３およびモデルからのシミュレーション結果（シミュレータ）１４は、進化プロセッサ１５への入力である。進化プロセッサ１５は、遺伝的プログラミングを行う。

以前に説明したように、遺伝的プログラミング（ＧＰ）は以下のステップ、すなわち、
（ｉ）アルゴリズムの母集団を初期化するステップ（母集団とは、個々のアルゴリズムの集合について使用される用語であり、初期母集団におけるアルゴリズムは、少なくともある程度無作為に生成される）、
（ｉｉ）その母集団におけるそれぞれのアルゴリズムの適応度を計算するステップ（適応度とは、アルゴリズムのタスクを達成する際のアルゴリズムのパフォーマンスの程度について使用される用語である）、
（ｉｉｉ）適応度に基づいて「親」となるべきアルゴリズムを選択するステップ、
（ｉｖ）突然変異および前のステップで選択された親との交差などの遺伝的オペレータを適用することによって新しいアルゴリズムを作成するステップ、
（ｖ）新しく作成されたアルゴリズムおよび前世代の母集団から選択された残存アルゴリズムを使用してアルゴリズムの次世代の母集団を作り出すステップ
を含む。

終了条件が満たされる（例えば、作成されたアルゴリズムによって目標の適応度レベルが満たされる）まで、上記のステップ（ｉｉ）から（ｖ）が繰り返される。

進化プロセッサ１５からのアルゴリズム出力は、進化プロセスによって選択されたアルゴリズム出力であるとみなすことができる。このアルゴリズムは、進化プロセッサ１５からアルゴリズム検証プロセッサ１７へ出力される。

モデル構築プロセス
遺伝的プログラミングユニット１０には、モデル構築プロセッサ１６があり、モデル構築プロセッサ１６は、ネットワークノードのモデル１４上で動作して、隣接ノード２５が現在どのアルゴリズムを使用しているか、さらには負荷、呼のタイプなどの隣接ノード２５が体験しているトラフィック条件などの隣接ノード２５の状態に関する情報、また、ローカル基地局９自体に関するローカル情報を利用することによってモデル１４を最新の状態に保つ。

ローカルノード９自体に関するローカル情報は、ユーザ端末によって送信される測定レポートおよび内蔵の無線受信機（図示せず）によって行われる測定などのローカル無線環境に関する情報を取得するための様々なツールを使用するローカル情報収集プロセッサ１３によって収集される。また、このプロセッサ１３は、ローカル基地局のトラフィック負荷に関する統計値などの利用可能な内部情報を収集する。また、このプロセッサ１３は、アクティブユーザの数に対する送信電力および平均負荷などの、ローカル基地局９に関する関連情報をその隣接基地局２０に配布する。

したがって、モデル構築プロセッサ１６は、無線環境において生じる著しい変化を包含し、そのため、基地局に適用される条件はアルゴリズム進化プロセスに影響を及ぼす場合があり、また、モデル１４の精度を改善するためにモデル１４を改良するように動作する。したがって、モデルは、時折、例えば周期的に更新されることによって変化する。モデル構築プロセッサ１６は、ネットワークノード自体、さらにはその隣接ノードから取得されたネットワークノードに関する情報を使用する。

アルゴリズム検証
アルゴリズム検証プロセッサ１７は、選択されたアルゴリズムを事前に試験して基地局における展開の適合性を確認する。試験は展開前に行われ、アルゴリズムが正常に動作し、ネットワークにおいて望ましくない挙動の発生をもたらさないことを保証することが意図される。望ましくない予想外の挙動が生じる場合があるので、この試験はネットワークノードの分散型制御のためのｓｅｌｆ−ｘアルゴリズム（すなわち、自己構成、自己組織化など）について特に重要である。そのような望ましくない挙動はネットワークの非効率な動作をもたらす可能性があり、極端な場合には、ネットワーク全体にわたる縦続接続障害をもたらす可能性がある。悪影響はアルゴリズム全般に生じる可能性があり、遺伝的プログラミングによって生成される特定の副作用ではないことに留意されたい。

アルゴリズム検証プロセッサ１７は、自動化された検証プロセスを実行する。進化プロセッサ１５からの選択されたアルゴリズムは、そのローカル環境において、シミュレートされたシナリオおよび基地局の最新のモデル１４を使用して開発されたが、このアルゴリズムは他のシナリオにおいて望ましくない結果をもたらす欠陥を有する場合がある。検出が容易なそのような欠陥の一例は、ゼロ除算の計算である。したがって、この事前試験が行われる。

アルゴリズムが事前に試験され、適しているとみなされると、そのアルゴリズムはネットワークノードにおいて実施される。

アルゴリズムの実施
今では適しているとみなされたアルゴリズムは、アルゴリズム実施段階１２によってネットワークノードにおいて実施される。このアルゴリズム実施段階１２は、アルゴリズムをその解析木の形態で取り込み、そのアルゴリズムを、以前の使用されたアルゴリズムと置き換えるソフトウェア命令に変換する。この例では、アルゴリズム実施段階１２は、アルゴリズムをその解析木の形態から直接変換し実行するアルゴリズム読取り装置（図示せず）を含む。類似の実施形態（図示せず）では、解析木はソフトウェアコード（Ｃ＋＋、Ｊａｖａ）に変換されてからコンパイルされる。

他のノードへのアルゴリズム配布
図７に示すように、検証されたアルゴリズムはまた、進化プロセスに含めるために、アルゴリズム実施段階１２によって隣接基地局２５（簡潔にするために、２１で示した隣接基地局２５の１つを示す）に送られる。隣接基地局の観点から見ると、基地局２１がその隣接基地局の１つからこのアルゴリズムを受け取ると、基地局２１は、進化プロセスにおけるアルゴリズムの現在の母集団における固体として、そのアルゴリズムを挿入する。

このようにして隣接アルゴリズムに配布されたアルゴリズムは、隣接基地局によって直ちに使用されず、さらに進化する次世代のアルゴリズムの母集団に含まれるに過ぎない。これを図７に示すが、ローカル基地局９の観点から見ると、隣接基地局２１はローカル基地局９の新しいアルゴリズムを受け取る。この受け取られたアルゴリズムが期せずして基地局２１の母集団の中で最良のアルゴリズムであった場合、遺伝的プロセッサ１５は、その通常の動作の一部として、進化の次のサイクルにおいてそのアルゴリズムの使用を開始する。

このステップによって、１つの基地局において進化し検証された優れたアルゴリズムが他の基地局に分散される。このことにより、検索が個別にではなく基地局のグループによって実行されている場合に並列計算の形態として見ることができる、ネットワークを介したアルゴリズム適応化プロセスのコンバージェンス率を改善することができる。アルゴリズムの分散は、基地局が体験する多様な環境により制限され得る。例えば、密集都市の環境における基地局のための優れたアルゴリズムは、郊外または地方の環境において必ずしも正常に動作しない。

上記のようなアルゴリズムの配布は、基地局へおよび基地局からの両方で生じ、例えば、基地局は優れたアルゴリズムをその隣接基地局に送り、また、その隣接基地局から優れたアルゴリズムを受け取る。

アルゴリズムのタイプの例：無線カバレッジの最適化
上記に説明したような遺伝的プログラミングおよび選択の対象となるアルゴリズムのタイプの一例は、ワイヤレスネットワークにおけるセルの無線カバレッジを最適化するためのもの、言い換えれば、基地局の環境においてネットワーク内で行われた測定に基づいて基地局の無線カバレッジエリアを自動的に調整するためのものである。このタイプのアルゴリズムの一例は、解析木の形態でおよび方程式として図８に表されている。この方程式は、

であり、ここで、Ｄ_ｔはタイムスロットｔの間にドロップされた呼の数を表し、Ｒ_ｔはタイムスロットｔの間のセル半径を表し、Ｎ_ｉは実行された増分の合計回数を表す。

この例における進化プロセッサへの入力として使用される例示的な関数および端末のセットは、以下の通りである。
関数のセットＦ＝｛＋，−，＊，／｝は、基本的な数学演算からなる。
端末のセットＴ＝｛Ｄｔ，Ｒｔ，Ｃｔ，Ｎｉ，１｝は、測定値、ノード状態、および以下の定数からなる。
Ｄ_ｔ−タイムスロットｔの間にドロップされた呼の数。
Ｒ_ｔ−タイムスロットｔの間のセル半径。
Ｃ−カバレッジの重複。
Ｎ_ｔ−実行された増分の合計回数。

いくつかの変形形態
ワイヤレスセルラネットワークにおけるネットワークノードについて上記に言及してきたが、この手法は他のタイプのネットワークノードおよびネットワークにおいて適用可能である。例えば、特定のノードおよびその特定のローカル環境に対して特化されたアルゴリズムもインターネットプロトコルネットワークにおいて有益であり、例えば、インターネットプロトコルネットワークでは、携帯電話ユーザのための基本的にシームレスな移動性およびサービス品質（ＱｏＳ）を維持するために、再ルーティングおよびリソースの再割当てをサポートすることが有益である。例として、デジタル加入者線（ＤＳＬ）回線および住宅用ゲートウェイなどの有線アクセスネットワークノードが挙げられる。

上記の手法では、ｓｅｌｆ−ｘ、すなわち、自己構成アルゴリズム、自己適応アルゴリズムを生成するための遺伝的プログラミングの使用に注目してきた。いくつかの他の実施形態では、この手法を使用してｓｅｌｆ−ｘアルゴリズムではない実施用のアルゴリズムを提供する。

本発明は、その本質的な特徴から逸脱することなく、他の特定の形態で具体化され得る。記載された実施形態は、全ての点において例示的であって限定的でないものとしてのみ、みなされるべきである。したがって、本発明の範囲は、前述の説明によってではなく、添付の特許請求の範囲によって示される。特許請求の範囲と等価の意味および範囲内に入る全ての変更は、その範囲内に包含されるものとする。

当業者であれば、上記の様々な方法のステップをプログラムされたコンピュータによって実行することができることを容易に理解されよう。いくつかの実施形態は、プログラム記憶デバイス、例えば、機械読取り可能またはコンピュータ読取り可能であり、機械で実行可能なまたはコンピュータで実行可能な命令のプログラムを符号化するデジタルデータ記憶媒体に関し、前記命令は上述の前記方法のステップのいくつかまたは全てを実行する。プログラム記憶デバイスは、例えば、デジタルメモリ、磁気ディスクおよび磁気テープなどの磁気記憶媒体、ハードドライブ、または光学的に読取り可能なデジタルデータ記憶媒体であってもよい。いくつかの実施形態は、上記の方法の前記ステップを実行するようにプログラムされたコンピュータを含む。

Claims (11)

1. 周期的に通信ネットワークノードのモデルを更新することによって、また（ａ）アルゴリズムを生成するステップ、（ｂ）前記ネットワークノードの前記モデルに基づいて前記アルゴリズムの適応度レベルを判定するステップ、および（ｃ）所定の適応度レベルを満たす前記アルゴリズムを選択するステップによる遺伝的プログラミングによって、前記通信ネットワークノードにおけるネットワークノード制御のためのアルゴリズムを進化させる方法であって、
   前記ステップ（ａ）、（ｂ）および（ｃ）が自動的に繰り返されて、前記ネットワークノードにおいて実施する可能性がある、前記ネットワークノードの前記変化するモデルに適応された一連のアルゴリズムをある期間にわたって提供し、
   ある期間にわたって提供される前記一連のアルゴリズムがそれぞれ、前記ネットワークノードにおいて実施するための前記それぞれのアルゴリズムの適合性を確認するために検証プロセスの対象となり、
   適しているとみなされたそれぞれのアルゴリズムが前記ネットワークノードに隣接するノードに送られ、遺伝的プログラミングで前記隣接ノードの少なくとも１つにおいて使用される、方法。
2. 前記モデルが前記ネットワークノードにローカルに固有の無線条件およびトラフィック条件の少なくとも１つについての情報を用いて更新される、請求項１に記載の方法。
3. 前記ネットワークノードに隣接する少なくとも１つのノードからの情報が前記モデルを更新するために使用される、請求項１または請求項２に記載の方法。
4. 前記情報が前記それぞれの隣接ノードによって体験されたトラフィック条件および無線条件の少なくとも１つに関するものである、請求項３に記載の方法。
5. 前記ネットワークノードがワイヤレス通信基地局である、または前記ネットワークノード及び前記少なくとも１つの隣接ノードのそれぞれがワイヤレス通信基地局である、請求項１乃至４のいずれか１項に記載の方法。
6. 前記基地局が、または前記基地局及び前記少なくとも１つの隣接基地局のそれぞれがフェムトセル基地局である、請求項５に記載の方法。
7. 前記アルゴリズムが基地局無線カバレッジの規模を調整するためのものである、請求項５または請求項６に記載の方法。
8. 適しているとみなされたそれぞれのアルゴリズムが前記ネットワークノードにおいて実施される、請求項１乃至７のいずれか１項に記載の方法。
9. 前記隣接ノードにおいて、前記適しているとみなされたそれぞれのアルゴリズムが考慮されて、前記隣接ノードのモデルに基づいて適応度レベルが判定され、前記適しているとみなされたアルゴリズムが所定の適応度レベルを満たすと、前記隣接ノードにおいて実施する可能性があるアルゴリズムとして選択される、請求項１乃至８のいずれか１項に記載の方法。
10. アルゴリズムを生成して通信ネットワークにおけるネットワークノードを制御し、所定の適応度関数を満たす前記アルゴリズムを出力用に選択するように構成された進化プロセッサと、前記アルゴリズムが前記進化プロセッサにおいて適応される前記ネットワークノードのモデルとを備える遺伝的プログラミング装置であって、前記モデルが周期的に更新され、前記進化プロセッサが前記ネットワークノードにおいて実施する可能性がある、前記ネットワークノードの前記変化するモデルに適応された一連のアルゴリズムをある期間にわたって提供し、
    前記ネットワークノードにおいて実施するための前記それぞれのアルゴリズムの適合性を確認するように構成されたアルゴリズム検証プロセッサをさらに備え、
    使用時に、適切であるとみなされたアルゴリズムが隣接ネットワークノードによって受け取られ、前記アルゴリズムの提供時に前記進化プロセッサによって使用される、装置。
11. 請求項１０に記載の遺伝的プログラミング装置を備える、通信ネットワークノード。

Images