基于混合免疫算法的TD-LTE网络基站选址研究

李道国，李连杰

(1.杭州电子科技大学信息工程学院，浙江 杭州 310018；2.杭州电子科技大学管理学院，浙江 杭州 310018)



基于混合免疫算法的TD-LTE网络基站选址研究

李道国1，李连杰2

(1.杭州电子科技大学信息工程学院，浙江 杭州 310018；2.杭州电子科技大学管理学院，浙江 杭州 310018)

TD-LTE网络基站选址优化是提高移动通信服务质量，降低建站成本的重要手段.首先概述了TD-LTE网络基站选址应该遵循的原则、目标和主要的方法以及所面临的困难，进而剖析了TD-LTE网络基站选址经典模型存在的一些不足，通过融合协同进化算法和人工免疫算法的优点，提出了一种新颖的TD-LTE基站选址优化协同进化免疫算法LCIA.仿真结果表明，与经典的协同算法和人工免疫算法相比，建站成本更低、网络覆盖率和网络容量更高，且具有更好的收敛性.

TD-LTE网络基站；协同进化算法；人工免疫算法；混合免疫算法

0　引　言

近年来，4G网络的技术研究正在紧锣密鼓地进行[1].2013年12月，工信部向中国移动、中国电信以及中国联通发放了TD-LTE牌照，正式开启了我国的4G时代.由于在2G与3G时代，已经建立了非常多的基站，通信业务量不断增加，人们对服务质量的要求也越来越高，从而导致基站站址资源变得越来越稀缺.因此TD-LTE基站的选址优化问题成为国内外研究者以及运营商共同关注并且亟待解决的问题.

采用人工免疫算法求解基站选址问题时，虽然具有模型简单、收敛速度快等优点，但也存在收敛精度比较低、在解决大规模问题时易陷入局部最优从而导致早熟收敛等缺点[2-3].为了避免算法出现过早收敛的情况，本文将协同进化算法与免疫算法进行混和，提出了分层协同进化免疫算法(Layered Coevolution Immune Algorithm ，LCIA)，能够加快求解时间，避免算法陷入早熟.在实际工程应用中，为基站的选址提供了一种相对科学的方案.

1　TD-LTE基站选址优化的数学模型

根据TD-LTE网络基站的选址原则可知，选择的站址要尽量满足理想的蜂窝结构，优先考虑业务量大的地区，即热点区域.为方便构建模型，本文设定了4个假设：1)基站的选址区域不包括特殊的敏感区域，并且都是理想的无干扰平坦地形；2)在Matlab仿真条件下，设待选基站站址的集合为S={1,2,…,N}，测试点集合为Stest={1,2,…,M}；3)如果某个测试点被覆盖，就表示热点地区被覆盖；4)对于TD-LTE网络的容量，功率控制和码资源十分充足.

在满足以上4个假设的前提下，本文将多目标的TD-LTE基站的选址问题分解为3个子目标.即在满足覆盖率尽可能高，容量尽可能大的前提下，成本尽可能低廉.假设成本函数为f1(x)，覆盖函数为f2(x)，容量函数为f3(x).数学模型如下：

s.t.fi(x)≥Ni(i=1,2,3)，

(1)

式中，Ni表示对应函数取值的下限.此问题的求解是寻找x={x1,x2,x3}，使得f(x)在满足约束的同时达到最优.

第1个目标函数是基站建设总代价.为降低建站成本，优先考虑可以与已有的2G/3G站点共站的情况.已知候选基站集为S={1,2,…,N}.基站i的建站代价为di(i∈D).已有基站为E={1,2,…,W}.已有基站j被选用共址的代价为ej(j∈E).测试点集为Stest={1,2,…,M}.候选基站i被选中的情况为xi∈{0,1}(i∈D).已有基站j被共址的情况为yj∈{0,1}(j∈D).建站成本目标函数如下：包括新建基站的代价和2G/3G共址的代价：

(2)

第2个目标函数是测试点的覆盖率[4].若测试点k从基站i接到的信号强度大于某个阈值δ，则认为该测试点k被基站i覆盖.设每个基站的发射功率均为θ.基站i到测试点k的距离为lik.在传播路径上消耗的功率为λlik.测试点k被覆盖情况为gk(k∈G)，即：

(3)

覆盖率目标函数为：

(4)

其中，m为测试点总的个数.

第3个目标函数是网络容量，可表示为测试点可以容纳的用户数.采用文献[5]的方法进行计算：

(5)

式中，R为信息速率.W为码片速率.Eb/Io=比特能力/噪声功率密度.s为接收信号功率.η为热噪音.f=小区内干扰/小区外干扰.Gv为话音活动增益，Gs为扇区增益.

2　TD-LTE网络基站选址模型的算法流程

2.1种群的初始化和编码方案

对于本文给出的TD-LTE网络基站选址模型，待选基站站址只有被选和未选两种情况.因此本文采用二进制编码.抗体编码Ab表示为：Ab=(b1,b2,…,bN).N是待选基站的个数，bi(i∈N)表示第i个基站的被选情况，即：

(6)

2.2抗体亲和度评价函数

本文给出的TD-LTE基站选址模型是一个多目标优化模型.为了方便求解，采用权重法.为每一个子目标设置一个权重值，将其转换为单目标问题求解.即抗体亲和度评价函数为：

f(Ab)=φ1f1+φ2f2+φ3f3，

(7)

式中，φ1+φ2+φ3=1，φ1，φ2，φ3是各子目标函数的权重系数.f(Ab)∈[0,1].抗体亲和度的值越大，基站选址的方案越好.

2.3抗体浓度调节

根据初始种群的编码方式，将2个抗体的差异性，用抗体间的距离表示.本文采用了海明距离来计算抗体之间的距离[5].其计算公式如下：

(8)

如果抗体之间的距离D(Abp,Abq)<δ，Ne则表示两个抗体相邻.其公式如下：

(9)

抗体Abp=相邻抗体数目/种群规模.其浓度Den的表达式如下：

(10)

其中，Psize为种群的规模.

2.4算子设计

为了提高算法的性能，克服早熟收敛等缺陷，本文对以下算子进行了改进：克隆扩增、克隆变异、免疫选择、最优保存和种群更新操作等算子.下面简要说明主要的算子设计.

1)克隆扩增算子qi

(11)

2)变异算子

就TD-LTE网络基站选址优化问题而言，本论文采用了Inver_over变异算子.文献[3]的结论已经证明了该方法较之传统方法更具优越性，比如：OX，PMX，CX等.

(12)

4)最优保存算子

为了避免算法陷入早熟收敛，需要进行最优抗体保留.即对之前进行了一系列操作的抗体，将其最优的抗体进行保留.

3　仿真实验与结果分析

3.1仿真实验参数设置

仿真实验环境设置：在一个区域内，存在N=12个候选基站，候选基站集合S={1,2,…,12}；存在M=25个测试点，测试点集合Stest={1,2,…,25}.基站和测试点分布如图1所示.其中绿色圆圈代表测试点.蓝色正方形的小方块代表候选基站.

实验参数设置：种群规模为Psize=100.最大进化代数为Gm=100.抗体编码长度为D=30.抗体初始化概率为0.6.变异概率都为Pm=0.6.交叉概率都为Pc=0.6.抗体之间距离的阈值δ=30.记忆库种群规模CM=30.克隆母体种群规模CL=60.克隆系数a=10.

3.2结果分析

采用本文中提出的LCIA算法，进行TD-LTE网络基站的选址仿真，最终得到基站站址方案如图1所示.从图1中可以看出，在12个候选基站中，选出了6个TD-LTE网络基站，这6个基站的分布非常合理.

为了清楚地显示改进算法的优越性，首先对算法的收敛性进行对比.收敛性用算法的平均亲和度来表示.将改进后的算法和文献[5]算法各自独立运行100次，收敛曲线如图2所示.

图1　基站站址分布图

图2　算法亲和度函数值比较

从图2可知，改进的LCIA算法的平均亲和度函数值高于文献[5]算法.算法收敛速度更快.说明改进后的算法在解决TD-LTE基站选址问题上面更加具有优越性.

对于覆盖率选用与文献[6]算法进行比较.根据TD-LTE基站的选址的子目标，即在高覆盖率的前提下成本最小，因此对成本与覆盖率之间的关系进行了比较，如图3所示.

这里用选择的基站个数作为基站的成本.从图3中可以看出，在成本一定的条件下，改进后的算法可以得到更高的覆盖率.

本文用接入TD-LTE网络基站的人数来评估容量函数.对于容量函数，同样用与文献[6]算法进行对比实验.得到结果如图4所示.

从图4中可以看出，在覆盖率一定的条件下，改进后的算法能够接入更多的用户.说明本文算法比文献[6]算法更优.

图3　覆盖率与基站个数的关系

图4　覆盖率与容量关系示意图

4　结束语

本文通过构建符合实际情况的TD-LTE网络基站选址数学模型，对协同进化算法与人工免疫算法进行了混合研究.但本文仅仅考虑了成本、容量以及覆盖面积三个方面的参数，没有考虑其他参数对基站选址的影响.在后续的研究中，将更多的影响因素考虑在内，使基站选址方案更加合理.

[1]张海军,李欣.4G通信技术的研究与应用[J].产业与科技论坛,2014(3):74-75.

[2]吴建辉.混合免疫优化理论与算法及其应用研究[D].长沙:湖南大学,2013.

[3]牟晓晔.改进的并行遗传算法在基站选址中的应用[J].电脑知识与技术,2010,6(33):9529-9532.

[4]朱思峰.基于免疫计算的无线通信网络资源优化[D].西安:西安电子科技大学,2012.

[5]朱思峰,刘芳,柴争义.基于免疫计算的TD-SCDMA网络基站选址优化[J].通信学报,2011,32(1):106-110.

[6]周玉光.改进粒子群算法及其在基站优化选址中的应用研究[D].广州：广东工业大学,2014.

A Study on Optimizing TD-LTE Base Station Location Based on Hybrid Immune Algorithm

LI Daoguo1, LI Lianjie2

(1.SchoolofInformationEngineering,HangzhouDianziUniversity,HangzhouZhejiang310018,China;2.SchoolofManagement,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

To improve the services-quality of mobile communication and reduce the cost of establishing stations, the location optimization of the TD-LTE network base station is an important means. Firstly, the principles, objectives, the main methods and difficulties of TD-LTE network base station location selection are summarized in this paper, and then some disadvantages of TD-LTE network base station location models are analyzed. By combining the advantages of co-evolution algorithm and artificial immune algorithm, a new TD-LTE network base station location optimization co-evolutionary immune algorithm LCIA is proposed. Simulation results show that proposed algorithm has not only brought lower station-building cost and higher network coverage and capacity than the classical co-evolution algorithm and artificial immune algorithm, but it also has better convergence.

TD-LTE network stations; co-evolutionary algorithm; artificial immune algorithm; hybrid immune algorithm

10.13954/j.cnki.hdu.2016.05.011

2016-03-14

浙江省自然基金资助项目(LY12G01002)

李道国(1965-)，男，浙江杭州人，教授，电子商务.

TP301.6

A

1001-9146(2016)05-0057-05