本文版权为《邮电设计技术》所有,如需转载请联系《邮电设计技术》编辑部
摘 要:天馈系统参数设置直接影响了无线移动网络的性能和质量,因此天馈系统的优化至关重要。基站数量近年呈指数增长趋势,网络优化的复杂度也急剧增大。以改进的粒子群算法作为天馈自调优系统的智能自动寻优算法,基于基站工参、数字地图、天线增益文件、MR/MDT等数据源,针对综合覆盖率等指标,通过迭代寻优,达到目标区域的最佳覆盖,并给出最优调节方案。
关键词:覆盖分析;智能优化;MR栅格;粒子群算法
doi:10.12045/j.issn.1007-3043.2019.11.002
引言
随着移动互联网业务的普及,人们对无线移动网络质量的要求越来越高。天馈系统的性能直接影响了无线移动网络的性能和质量,因此对天馈系统的优化至关重要。传统的天馈优化依赖优化人员经验,存在资源投入大、数据参数不准确、优化效率低等问题。近年来,为了解决传统天馈优化诸多局限性问题,提出了一些天馈智能优化方法,比如基于最小化路测的天馈智能优化方法和基于MEC和K-means聚类的优化方法。其中,基于MDT的天馈智能优化方法需要支持MDT的移动终端上报包含经纬度的测量报告信息,但是移动终端并非全部支持MDT功能;而基于MEC和K-means聚类的优化方法在大规模数据集上收敛较慢,容易陷入局部最小值。文献利用MDT与MR采集用户无线质量数据及经纬度信息,然后使用基于密度的聚类方法和自适应聚类算法,对采集的无线覆盖指标和经纬度等数据进行聚类分析。ACP(AutomaticCellPlanning)是利用智能自动寻优技术,基于工参、电子地图、天线方向图、负载、MR或MDT等数据源,针对重叠覆盖度和下行速率等目标,通过迭代寻优,解决网络覆盖、容量和质量等问题,达到网络总体性能最优。随着基站数量急剧增长,如何高效保质完成天馈智能优化成为亟待解决的问题。
本文设计了天馈自调优系统,对天线簇中的各个天线输出优化调整方案。由于解空间随着天线数目的增加呈指数增长,因此穷举寻优方法无法满足工程应用需求。本文使用群智能算法来提高寻优效率。群体智能优化算法主要模拟了昆虫、兽群、鸟群和鱼群的群集行为,群体中的每个成员通过学习自身和其他成员的经验来不断地改变搜索的方向,利用了种群的群体智慧进行协同搜索,从而在解空间内找到最优解。常见的群智能算法有蚁群算法、粒子群算法、菌群优化算法、蛙跳算法、人工蜂群算法等,其中粒子群算法简单易于实现,是目前应用最为广泛的群智能优化算法之一。本文基于标准的粒子群算法进行改进,解决了标准粒子群算法在大规模数据集情况下频繁超出寻优空间的问题,利用改进的粒子群优化算法对天线参数寻优,并通过应用实例验证自寻优系统的性能。