GSM网络优化算法分析

1、中国 科技论文在线 GSM 网络优化算法分析臧玉凤,牛凯 作者简介:臧玉凤, (1986-,女,北京邮电大学研究生,主要研究方向移动通信。通信联系人:牛凯,男,研究生导师,主要研究方向移动通信等 . E-mail: niukai(北京邮电大学信息与通信工程学院,北京 100876 摘要 :移动通信迅猛发展,越来越多的用户数量以及用户对通信质量越来越高的要求,使得全 5 国各大运营商不断提高对网络优化的重视度,并为之投入了大量的人力物力.本文从 GSM 网 络优化出发,介绍了优化的主要调整参数,功率优化的调整方式,蚁群优化,粒子群优化和模 拟退火三类算法各自的原理,并以覆盖率作为代价函数值进行了

2、大量仿真,通过结合各个优 化算法的仿真结果,分析得出不同算法的各自特点以及功率优化对于移动网络质量提高的作 用。10关键词 :移动通信;GSM 网络优化;蚁群算法;粒子群算法;模拟退火算法中图分类号 :TN92Analysis of GSM Network Optimization AlgorithmsZANG Yufeng, NIU Kai15 (School of Information and Communication Engineering,Beijing University of Posts andTelecommunications, Beijing 100876Abstrac

3、t: The development of mobile communication is very fast nowdays,so as the number of users and the high demand users proposed.For all the resons,the operators in China all put emphasis on network optimization,and put lots of resources in this area.This text starts with the 20 GSM network optimization

4、,and then describes the optimization parameters,power adjustment way,the principle of the 3 optimization algrithms,the cost function.In the end,combine with the simulated results,differences of the 3 algorithms and power optimizations effect on the GSM network.are derived.Keywords: mobile communicat

5、ion; GSM network optimization; ant-colony optimization(ACO; 25particle swarm optimization(PSO; simulated annealing(SA0 引言随着移动通信的高速发展, 通信网络正面临着严峻的挑战。 一方面由于移动用户数量的 快速上升, GSM 网络规模不断扩大,网络问题变得多样化和复杂化,按照原来的日常维护30 已经无法为用户提供较高质量的服务, 使得各大运营商不得不投入大量的资金和人员进行网 络优化; 而另一方面我国的通信行业主要由三大运营商占据, 如何提高通信质量, 提高网络 的平均服务水平

6、进而获得最大的市场成为各个网络运营商的首要任务。1 GSM 网络优化网络优化工作是指对正式投入运行的网络进行参数采集、 数据分析, 找出影响网络运行35 质量的原因并且通过参数调整和采取某些技术手段, 使网络达到最佳运行状态, 使现有网络 资源获得最佳效益,同时也对网络今后的维护及规划建设提出合理的建议 1。网络优化可以调整的内容主要有频率、邻区关系、小区覆盖范围、话务等。其中小区覆 盖范围是衡量移动通信网络服务质量的重要指标之一, 它主要包括调整基站的发射功率、 天 线高度、天线角度三方面,本文主要针对基站发射功率的调整,进行 GSM 网络优化分析。40中国 科技论文在线1.1 功率优化 所

7、谓功率优化就是根据基站导频功率的限制条件, 即基站导频功率占基站发射总功率的 10%20%,对优化区域的基站发射功率所占总发射功率的百分比进行调整,从而使系统的 覆盖率最优。这里,覆盖率是根据未被基站覆盖到的 bin 的百分比进行计算的。GSM 网络功率优化开始,基站发射导频功率所占百分比已知,且根据基站发射功率和45 路径损耗模型可以得出优化区域中各个 bin 格的接收功率和载干比 CIR ,根据设定好的门限 值, 判断各个 bin 的覆盖情况, 即:如果 bin 的接收功率和 CIR 均高于各自的门限, 则该 bin 处于覆盖状态,从而获得初始覆盖率;然后,利用下面提到的三种优化算法,进行

8、新的导频 功率百分比配置,按照上面提到的方法计算相应的代价值(即覆盖率,并与上面获得的代 价值进行比较,取得两者中最优的解;依次迭代获得最优解,即最优导频功率百分比,获得50 满足覆盖率最优的导频功率值。2 网络优化算法2.1 蚁群算法ACO (Ant colony optimization算法是一种仿生学非线性优化算法 2。该算法模仿蚂蚁 觅食时的行为,按照其方式思想,通过信息素的诱导作用,逐步收敛到问题的全局最优解。55 下面结合导频功率邻域解进行说明。可调导频功率百分比候选集为 ,1,2, , , , h h h h K C C C C =L , 对应的导频功率信息素向量为:,1,2,

9、, , , h h h h K P P P P =L 。 导 频 功 率 候 选 集 中 第 i 个 导 频 功 率 百 分 比 的 选 取 概 率 为 , , , 1/Kh i h i h m m P P =,在选取新的邻域解时,生成一个 0-1均匀分布的随机数 h r ,如果存在 k , 使得 1, , 11k kh m k h m m m r =,则选取 , h k C 为邻域解。 60 在第 i 次迭代过程中,信息素更新准则为:, , , , min ( /min (1, elseh k j j h k j j j j h k h k P Q BadBinPercent i BadBi

10、nPercent i if C P P +=被选为当前解 ,其中, BadBinPercent 为未被覆盖的 bin 的百分比,可调常数 为信息素蒸发速率,可 调参数 Q 可调整信息素分泌的强度。同时,为了避免算法过快陷入局部最优解,算法限定了信息素的变化范围:65 max , max, min , min , , , h k h k h k h k P if P P P P if P P P else=其中, max P 和 min P 是信息素变化范围的最大值和最小值。2.2 粒子群算法PSO (particle swarm optimization粒子群优化算法 3是一种基于群体协作的随

11、机搜索算 法。70 PSO 初始化为一群随机粒子,每个粒子表示对应优化区域基站的一组导频功率百分比, 且值是在导频功率百分比变化范围内随机取得的, 然后通过迭代找到最优解, 在每一次迭代 中国 科技论文在线 中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解 叫做本地最优 l p ,另一个极值是整个种群目前找到的最优解,这个极值是全局最优 g p 。 粒子的运动方式如下:75 1112211( ( k k l k g k k k k v wv c p x c p x x x v +=+=+ (2-1 其中, k 为迭代次数; x 为粒子的位置坐标; v 为粒子的速

12、度; 1和 2为 0-1均匀分布 的随机数; 1c 和 2c 为权重因子; w 为惯性权重项,与前一个速度有关,合理的选择 w 可以 使全局和局部搜索达到平衡。通常情况下, w 按如下设置: 80 max min max w w w w k K=(2-2 K 为最大允许的迭代次数。 PSO 利用(2-1式进行迭代计算,当达到最大迭代次数,或速度变化接近 0或获得的 解已满足用户定义的标准,则停止计算。2.3 模拟退火算法85 SA (Simulated annealing模拟退火算法 4处理大规模组合优化问题的有效算法之一。 影响 SA 算法的主要因素有:初始解、邻区结构、适应度函数(fitn

13、ess function和冷却策略 (cooling strategy,其中冷却策略取决于初始温度和冷却速率。模拟退火算法满足的 Metropolis 准则:假设在状态 old x 时,系统受到某种扰动而使其状态变为 new x 。与此相对应, 系统的能量90 也从 (old E x 变成 (new E x 系统由状态 old x 变为状态 new x 的接受概率 p 为:( ( , 1, ( ( ( ( new old new old E x E x T new old i x if E x E x p ef E E x = (2-3算法流程:1 随机产生一个初始解 0x ,令 0best

14、x x =,并计算目标函数值 0 (E x ;2 设置初始温度 0(0T T =,迭代次数 1i =;95 3 当 min ( T i T =时, 作如下循环:对于当前的最优解 best x 按照某一邻域函数产生一个 新 的 解 new x , 并 计 算 目 标 函 数 值 (new E x 和 目 标 函 数 值 增 量(new best E E x E x =;如果 0E ,则 best new x x =,否则记 Ep e=,判断 (0, 1 之间的随机数 c 与 p 的大小,如果 c p ,则 best new x x =,其他情况最优解不变;100 4 输出最优解。 这里的解对应各

15、个基站的导频功率百分比, 之所以随机生成初始解, 是为了防止陷入局 部最优。 中国 科技论文在线3仿真分析3.1仿真结果105下面给出 GSM 网络中功率优化前后 CIR 的变化对比图, 其中横纵坐标分别表示经纬度信息,不同颜色表示不同的 CIR 值,单位 dB 。 102030405060708090图 1 功率优化前 CIRFig. 1 CIR before power optimization110中国 科技论文在线10 2030405060708090图 2 ACO优化后 CIRFig. 2CIR after ACO10 2030405060708090115 图 3 PSO优化后 C

16、IRFig. 3 CIR after PSO中国科技论文在线 10 15 20 30 10 40 50 60 70 80 90 20 40 60 80 100 120 140 -5 0 5 120 表1 图 4 SA 优化后 CIR Fig. 4 CIR after SA 功率优化前后覆盖率对比 功率优化后覆盖率 78.4% 87.1% 78.4% 89.9% 78.4% 90% 算法 ACO PSO SA 功率优化前覆盖率 时间/s 241.312 170.797 172.688 从覆盖率提升上面来看，ACO 是三种算法中性能最差的，其次是 PSO，最优为 SA；而 125 从所用时间上来看，PSO 最优，SA 次之，ACO 仍未最差。因此，针对本文所提的功率优化 情形， PSO 和 SA 更为适用， 二者均可实现覆盖率 10%以上的提升， 且时间上也具有可行性。 4 结论 本文给出了三种优化算法在 GSM 网络功率优化中的仿真分析，根据分析结果得出，三 种算法均可获得覆盖率性能 10%左右的提升，且时间耗费也能够在允许的范围内。而在所 130 提的功率优化情形下，粒子群算法 PSO 和模拟退火算法 SA 性能相似，且均优于蚁群算法 ACO。 参考文献 (References 135 1 韩斌杰.GSM 原理及