[发明专利]一种基于多目标粒子群的LTE混合组网自规划方法

权利要求书

1.一种基于多目标粒子群的LTE混合组网自规划方法，其特征在于，包括以下步骤：

步骤一：获取目标区域用户的业务信息，得到目标区域的业务分布；

步骤二：结合LTE混合组网理想回传的特点，即FDD作为宏基站，主要提供广覆盖，TDD作为小基站部署，主要吸收容量的特点，重新构建最大化覆盖率、最大网络能效比、最大网络负载及最小成本在内的目标优化函数；

步骤三：利用改进Pareto解集中拥挤距离排序的离散多目标粒子群算法，从Pareto解集中模糊折衷选取较优解来优化模型，最终得到LTE混合组网的基站选址坐标；

所述步骤一：获取目标区域用户的业务信息，得到目标区域的业务分布，具体包括：

首先，把目标网络P网格化成个N个像素点，根据业务需求预测，将N个测试点又分为普通测试点N₁个和热点区域测试点N₂个，P上的任意一个点都可以以笛卡尔坐标在网格中标定，任意一个点表示为r_i，坐标为(x_i，y_i)；

所述步骤二结合LTE混合组网理想回传的特点，重构多目标优化模型，具体包括：

首先在M个候选子集上部署k层网络，总共有2层网络，分别是TDD网络和FDD网络，k等于2表示总共的网络层数，其中每个基站都有两种选择，a_km表示第k层m位置基站部署情况，“1”表示m位置上建设k层基站，“0”表示m位置上不建设k层基站，K×M表示选址矩阵空间大小，可得到混合组网的基站选址矩阵：

基于LTE混合组网双连接的特点，即测试点可以同时连接TDD和FDD基站，只考虑是否满足测试点的业务速率，得到基站接入指示函数和信噪比分别为；和R_k,n,m＝B_k,n×log(1+SINR_k,n,m)

其中Δ_k,n,m表示第k层m位置覆盖测试点n的情况，R_k,n,m表示测试点n接收k层m位置处基站所能达到的业务速率，且热点测点的业务速率比普通测试点要求高，R_min,n表示满足测试点n接入需求的最小速率，“1”表示测试点n被k层m位置覆盖，此时R_k,n,m≥R_min,n，“0”表示m位置上不建设k层基站，此时R_k,n,m≤R_min,n，B_k,n是测试点n连接k层基站的带宽；

根据上述基站选址矩阵和测试点接入指示函数得到测试点最终接入基站选址矩阵H为：

其中b_nm表示测试点n被m位置基站覆盖情况，m位置上有可能建有TDD基站或FDD基站，或者未建基站，测试点n被任何一个基站覆盖，则表示测试点n被覆盖；

最后LTE混合组网的四个规划目标分别为：

1)最大化覆盖率其中N₁表示普通测试点个数，N₂热点测试点个数；

2)最大网络能效比其中P_k,m表示为k层m基站的发射功率；

3)最大网络负载其中P_th,m表示为基站m部署时应达到的负载阻塞门限，用于限制基站接入测试点接入数量，Ψ_k,n,m表示基站m中的负载量占基站需求负载的百分比，实际工程中当此值超过门限P_th,m时，可以用负载限制因素exp(P_th,m-Ψ_k,n,m)来调节降低接入基站m的负载量；

4)最小成本其中C_k为第k层基站的成本单价；

所述步骤三中的利用改进的离散多目标粒子群算法，从Pareto解集中模糊折衷选取较优解来优化该模型，最终得到LTE混合组网的基站选址坐标，包括：首先，改进动态拥挤距离J为自规划目标总数，f_j(i+1)和f_j(i-1)为粒子i的前后粒子的第j个目标值；f_jmax和f_jmin为外部文档中所有粒子的第j个目标函数的最大值和最小值；

计算个体与外部档案中相邻个体的拥挤程度，然后跟新拥挤距离排序后去除密集距离最小的解，再计算剩余的Pareto解的密集距离，循环计算，直至剩余Pareto解的个数为预期设定的外部容量S；最后根据式子计算粒子i的标准隶属度函数，其中u_ij表示标准隶属度函数；

离散粒子群的迭代公式中，速度和位置的迭代公式分别为：

和分别表示粒子i在t+1代的第d维空间的速度和位置；和分别是粒子i在t代的个体极值和全局极值；r₁和r₂是一个0与1之间的随机数；c₁与c₁是学习因子，通常同时取2；ω是惯性权重，采用自适应变换的惯性权重，ω表示为：t为当前迭代的次数，t_max是最大的迭代次数，ω_max和ω_min分别是ω最大和最小的惯性权重，通常取ω_max＝0.9，ω_min＝0.4；

所述步骤三中，改进的离散多目标粒子群算法具体计算步骤包括：

步骤1、输入数据，输入候选基站数目、测试点信息以及接入速率、函数边界、维度；

步骤2、初始化粒子种群：设置种群数以及最大迭代次数，根据约束关系随机生成0时刻的初始位置和0时刻的初始速度计算每一个粒子的目标函数，粒子的局部最优化位置初始化为外部档案为空，设置边界最大拥挤距离为d；

步骤3、初始化外部档案：将一次加入其中并保留支配解，表示为外部档案中的初始解；

步骤4、迭代开始，t＝1；根据上述式子计算外部档案中所有个体的拥挤度，并采用轮盘赌的方法，从中选择一个个体作为全局最优解

步骤5、根据前面介绍的粒子群迭代公式，更新粒子的位置x和速度v，并重新计算个体的适应度；

步骤6、更新外部档案：将进行位置更新后的粒子依次加入外部档案并根据拥挤距离判断支配关系，若新加入的个体支配外部档案中的个体，则加入该新个体并删除支配个体；若新个体不支配外部档案中的个体，则不加入；若无法比较，则比较当前外部容量S'和预期设定的外部容量S，若S'≤S，则新个体加入外部档案，S加1，当外部档案中的解大于规定值，使用循环删除方法进行非劣解集更新；

步骤7、更新粒子的P_best；若满足最大迭代次数，则停止搜索，根据外部精英解集输出Pareto最优前沿，使用模糊决策方法找到折衷解，否则t＝t+1，转步骤4；

所述步骤4中轮盘赌方法具体包括：各个个体被选中的概率与其适应度函数值大小成正比，设群体大小为N，个体x_i的适应度为f(x_i)，则个体x_i的选择的概率为：且P(x₁)+P(x₂)+…+P(x_N)＝1,则累计分布概率为：具体操作步骤：按照上式计算各个个体的选择概率和累计分布概率，用rand()产生一个[0,1]之间的随机数r，若r≤q₁，则个体x₁被选中；若q_k-1＜r＜q_k(2≤k≤N),则个体x_k被选中。