[发明专利]通过遗传规划在电信网络中用于网络节点控制的进化算法

说明书

技术领域

本发明涉及电信，特别涉及电信网络。

背景技术

电信网络日益结合实现自我配置、自我组织和自我适应的能力。随着电信网络的规模和复杂度增加，在分散的方式中具有执行这些所谓“自我x”属性的动力，也就是其中每个节点仅使用本地信息能够各自进行动作。

因此，存在增长的需要来开发不需要网络的全局信息或网络节点的协同中央控制进行工作的自我x算法，也就是，用于网络节点自我适应的算法。无线网络中自我x算法的一些示例包括用于优化小区覆盖范围和容量的算法以及资源调度算法。在有线网络领域中的一些实例为根据多个变量进行操作的路由算法，例如业务负载水平、沿着通信路径在节点之间的跳数、和服务质量(QoS)要求。

由本领域技术人员设计已知的用于自我x算法的方法。基于可能不现实的网络的具体假设，当它们在网络中执行后，通常需要评估、修正和改进算法。这可能是缓慢和昂贵的过程。

遗传规划(genetic programming)是一种已知的产生算法的进化(evolutionary)方法，例如参见Koza，J.R.，遗传规划：借助于自然选择的计算机编程1992，MIT出版社，840。

这里简单描述遗传规划以便于读者理解。

如图1所示，遗传规划(GP)包括下列步骤：

(i)初始化算法种群(population)-种群是用作个体算法集合的术语，在初始化种群中的算法至少是部分随机生成的；

(ii)计算种群中每个算法的适合度(fitness)-适合度是用作测量算法实现算法任务性能的术语；

(iii)根据它们的适合度选择算法以成为“父辈”；

(iv)通过应用遗传算子创建新算法，例如对在上述步骤中选择的父辈进行突变或交叉(crossover)；

(v)使用最新创建的算法以及从之前产生的种群中选择的幸存者产生算法的下一代种群。

重复上述步骤(ii)至(v)直到满足终止条件为止(例如该过程通过设定数量的代，或者通过已经创建的算法满足目标适合度水平)。

如图2所示，分析树表示典型地用于遗传规划(GP)，以将算法编码为可执行遗传规划操作的形式。分析树可用于表示算法的各种形式，例如计算机程序。算法可用其它形式表示，例如通过状态转换图表示。

图3描述了上述交叉和突变算子的实施例。交叉是混合来自两个父辈算法的成分以产生下一代(例如子辈)算法。突变是个体父辈算法的修改部分以产生下一代算法。

在Lewis T.，Fanning N.和Clemo G.的标题为“使用遗传规划增强IEEE802.11 DCF”，IEEE 2006的论文中描述使用遗传规划以产生用于电信网络的算法。

发明内容

读者参考所附的独立权利要求。一些优选的特征出现在从属权利要求中。

本发明的一个实施例是一种通过遗传规划在电信网络中用于网络节点控制的进化算法的方法，包括(a)产生算法；(b)根据电信网络的模型确定算法的适合度水平；和(c)选择满足预定的适合度水平或进化的代的数量的算法。更新模型并自动重复执行步骤(a)、(b)和(c)以提供在网络中可以实现的随着时间适于改变网络模型的系列算法。

可通过操作网络周期性地执行该过程，从而在网络中执行的算法适于变化的网络。

在优选的实施方式中，中央网络节点使用遗传规划以产生由网络节点使用的新算法，将网络信息用于更新网络的内部模型。例如，可从由网络进行的测量结果或工程师的输入来获得信息。优选地，节点与遗传规划建立块一起使用模型以创建满足诸如适合度水平或进化的代的数量的目标准则的算法。优选地一旦提供这样的算法，检测在网络节点中执行是否可以视为接受。

该方法特别适用于变化的网络，例如包括毫微微小区基站的自我配置网络，并适于提供用于执行它们自身的自适应算法的算法。

附图说明

现在通过实施例并参照附图来描述本发明的实施方式，其中：

图1是示例性地描述遗传规划过程的示意图(现有技术)，

图2是描述以分析树的形式表示的计算机程序的示意图(现有技术)，

图3是将遗传规划应用于表示为分析树的程序部分的交叉和变异操作的示意图(现有技术)，

图4是表示根据包括网络遗传规划服务器的本发明的第一实施方式的用于无线电信的网络的示意图，

图5是描述图4所示的网络遗传规划服务器的示意图，

图6是描述网络遗传规划服务器操作的流程图，以及