【5G移动通信网络基站建设方案分析9000字（论文）】

G移动通信网络基站建设方案分析目录29837摘要 I31447第1章绪论 1243291.1研究背景和研究目的 1231851.2国内外研究进展 1318851.2.1关于基站选址优化的研究 1291951.2.2关于狮群算法的研究 2296101.3论文的结构安排 211059第2章通信基站的技术和优化算法 4264582.1移动通信技术 47232.2智能优化算法 46156第3章狮群算法及其优化 6233353.1狮群算法的简介 672793.2狮群算法的具体求解方法 6163843.3对狮群算法的改进 8188213.3.1基站分散法 843473.3.2具体的算法： 83188第4章基于狮群算法的基站选址 11273024.1关于数据的基本的说明 11193714.2算法的基本流程 11116474.3运算的结果与分析： 12210704.4针对其他人口分布的测试： 14148944.5单纯的基站分散 1682144.6PSO+基站分散： 1729815第5章结论 192300参考文献 20第1章绪论1.1研究背景和研究目的移动通信技术在当今的生活中不可或缺。随着科技的不断进步，接入网络的设备数量不断增多，对于网络的要求也不断提高。基站位置部署直接影响网络的质量。现实生活情况复杂，往往要同时考虑成本、覆盖率、实际的地形等等情况。而需要部署的基站数量众多，由人手工进行一一规划的话，往往过于复杂。在实验的准备阶段发现，狮群算法具有快速收敛、需要调整的参数少、不易陷入局部最优解等特点。狮群算法通过记录下历史的最优解，在不断的学习中发现更加优异的结果。这种不断迭代寻求最优解的想法，使得其与普通的随机探索有了天与地的差别，随着迭代次数不断增加，狮群算法发现更优解的可能性也越大。运用狮群算法在解决基站选址这一问题上有着非常重要的应用意义。本论文使用狮群算法来对基站选址这一课题进行探究。针对研究中所发现的问题，本文对狮群算法提出了优化的想法，提出“基站分散”的方法，缩短了程序的运算时间，提升了基站选址的效果。对于后续进行基站选址相关研究的研究人员来说，可能有一定参考作用。1.2国内外研究进展1.2.1关于基站选址优化的研究基站的选址对于通信运营商来说，是相当重要的课题。基站选址中所需要考虑的问题众多，如人口分布、地形分布等等。现在关于基站选址所进行的研究众多，研究的方向也各有差别。马宝罗针对TD-LTE网络的选址规划问题，将免疫算法和粒子群算法进行了结合，提出了新颖的免疫粒子群算法的求解方案[1]。朱思峰针对TD-SCDMA网络基站选址问题，利用免疫计算，提出了TD-SCDM的解决方案，并同时针对WCDMA、EEE802.16j等基站选址的问题展开了分析和讨论[2]。谢许凯结合了遗传算法和免疫算法来求解5G通信基站选址，并考虑到了基站建设成本、信号覆盖范围、网络容量等因素[3]。刘家欣设计了针对5G基站的优化模型，并提出了带权极小理想点法这一想法[4]。唐丽晴针对传统优化算法容易陷入局部最优，而且收敛速度不够满意等问题，提出了鲸鱼优化改进算法[5]。梁雪怡针对4G异构网络基站选址问题和车联网路侧单元选址问题，提出了分区域和局部搜索机制添加到传统算法的方案[6]。张凌志深入分析了网络覆盖的内在成因[7]。1.2.2关于狮群算法的研究狮群算法作为近几年提出的优化算法，受到了很多人的瞩目。关于狮群算法算进行的改进研究也相当众多。李文阳探究了给予遗传进化过程的狮群进化算法和基于捕猎合作机制的狮群优化算法，提出了模糊聚类和差分狮群进化算法[8]。戴子翔对狮群算法的更新策略进行改进，并将其应用于金融市场的分析[9]。刘振针对狮群算法收敛，容易陷入局部最优的缺点，提出了一种增强了局部搜索能力的狮群算法[10]。杨艳将狮群算法位置进行离散化，提出了贪心二进制狮群算法，以求解多维背包问题[11]。苟平章针对DV-Hop在三维空间中的定位误差问题，利用狮群算法优化了三维定位算法[12]。郭颖针对狮群算法已陷入局部最优解的问题，提出了基于多Agent结构的狮群算法，运用不同的机制与方法改进了狮群算法的局部搜索能力[13]。张琼艺将人工免疫机制中的浓度选择方法导入狮群算法中，形成改进狮群算法，并将其应用于配电网的综合优化[14]。刘东提出了双目标狮群算法，并将其用于水库的长期目标优化调度[15]。李晓东将遗传算法的交叉、变异环节引入到狮群算法，增强了全局搜索能力[16]。1.3论文的结构安排为了解决通信选址这一问题，本文采用狮群算法进行了实验。在传统的狮群算法的基础上，本文提出了“基站分散”的想法，提高了探索的速度和效果。并考虑到人口密度的影响，以尽可能接近实际的工程问题，提供高效的解决方案。本文的章节安排如下：第一章绪论部分，首先介绍本文的研究背景，分析目前基站选址问题的研究进展。第二章介绍了关于通信基站技术的进步和相关的智能算法。第三章介绍了狮群算法的基本内容。然后解释了本文所提出的“基站分散”的想法。第四章使用狮群算法对基站选址进行了优化。对参数的最佳配置进行了探究。并探究了不同人口分布下的基站选址的结果。将狮群算法+“基站分散”、狮群算法、单纯的“基站分散”三者进行了对比，探究算法的优劣。最后将“基站分散”和粒子群算法PSO进行了结合，探究“基站分散”在其他优化算法上的适应度。第五章结论。总结全文，探究进一步的研究方向。第2章通信基站的技术和优化算法2.1移动通信技术移动通信技术近年来的发展可以说的上是日新月异。上世纪80年代开始，通信技术已经迅速更新换代，现在的5G已经投入了商业应用。下面对这几代移动通信技术进行简单介绍。第一代通信技术（1G）诞生于二十世纪八十年代，主要采用模拟技术和频分多址技术。现在正被逐步淘汰。第二代通信技术（2G）GSM是最广泛采用的移动通信制式。以数字语音传输技术为核心，相比第一代，保密性能有不小改善。传输速度大概在10kbps,无法直接传送电子邮件，软件等。第三代通信技术（3G）采用智能信号处理技术。可以提供语音和多媒体数据通信。用户的通信速度更加快速。第四代通信技术（4G）将WLAN技术与3G进行了融合，加快了图像，数据，视频的传输的速度，能达到100Mbps的下载速度，满足绝大多数用户对网络的需求。第五代通信技术（5G）是最近提出来的通信技术，在通信速度上有着前面技术所不能比拟的优势。但是由于5G基站的覆盖范围比较小，为了普及5G，大量基站的建设将会是不可或缺的。2.2智能优化算法智能优化算法是现在开发出来的用于解决最优化问题的比较新颖的算法。现在关于智能优化算法,有众多研究。代表性的算法有梯度下降法，遗传算法，PSO（粒子群算法），蚁群算法等。梯度下降法，也被称为最陡下降法，在神经网络中有着广泛的应用。其想法是如果找到个局部最小值，那么函数上当前点对应梯度的反方向，进行迭代探索。遗传算法是一种模拟自然进化的算法。它将问题的求解类比成生物进化中的基因的交叉，变异。现在已经在组合优化，人工生命等领域有着广泛应用。粒子群算法（PSO）模拟鸟群的捕食行为。算法记录下每一个粒子的个体最优解和整个粒子群的最优解，通过个体最优解、群体最优解和个体的运动惯性来确定每一个粒子的下一步探索。蚁群算法的思想来自于自然界中蚂蚁寻找路径的方式。在所经过的路径，蚂蚁会留下一种被称为‘信息素’的物质。而蚂蚁会选择‘信息素’浓度高的路径。这样的结果是，最短的路径（最优的解）所需时间短，通过的蚂蚁数量多，而留下的信息素会吸引更多的蚂蚁。通过这种正反馈，蚁群最后会全部沿着最短的路径。第3章狮群算法及其优化3.1狮群算法的简介根据观察狮群协作捕猎的行为，抽象出了狮群算法。算法中定义了狮王，母狮，幼狮三种类型的狮子，每种狮子都有独自的位置更新方式，并且遵循优胜劣汰的自然界的法则。狮群算法收敛的速度快，拥有较为优秀的全局寻优性，准确度较好，容易获得较好的全局最优解。狮王是狮群中最强壮的公狮,是根据优胜劣汰所选择出来的头领，在保护自己的领土的同时不断增强自己的实力。常还要不断面对外来挑战，例如狼群和流浪的雄狮。母狮通常需要捕猎，主要负责抚养幼狮。母狮按照从广到密的搜索范围进行搜索。一开始先广撒网，大范围侦察，之后将缩小行动范围，对猎物周围进行细致地搜索。在此过程中，它们不断交换位置和猎物信息以提高效率。幼狮主要追随成年狮子。年幼的时候，幼狮将会在狮王附近活动，或者接近母狮，学习生存技巧。而当长大后，幼狮则会离开狮群，独自生存。成长后的幼狮幼狮会返回狮群，向狮王发起挑战。狮群优化算法的主要思想如下所示:在待寻优空间中，给包括一定数量狮子的狮群分配一个初始的位置。最优秀的位置将会被分配给狮王。狮群中将会存在一定比例的成年狮，他们的任务是负责追捕猎物，获取食物。狮王的位置将会在追捕猎物中不断变化，一直占据着最为优秀的位置。幼狮在年幼的时候，待在母狮或者狮王周围生活,成年后将被从狮群中驱逐出去。为了生存,离开狮群的幼狮会靠近自己曾经去过的最为优秀的位置。狮群算法通过这样的模拟自然的方法，依靠着狮群的互相影响与合作，最终寻找到最为优秀的解。[17]3.2狮群算法的具体求解方法设定LSO参数中的问题维度为D，设定狮子数量为N，其中成年狮子的数量为nLeader，满足：设定狮群中成年狮子（捕猎狮子）的数量为β，β是一个介于0和1之间的随机数字。一般而言为了保证算法的收敛速度，β是要小于0.5的。由此成年狮子数量（nLeader）可以表示为：Nβ（1）母狮移动范围扰动因子af幼狮移动范围扰动因子ac算法开始，狮王将占有最优秀的位置，此后狮王在最优位置附近小范围移动，狮王的位置更新公式为：（2）其中，用Xi来代表是狮群中的第i个狮子。gk母狮在捕猎过程中和其他母狮相互协作，位置更新公式为：（3）其中，pc幼狮有三种行为模式，向狮王移动，在狮王附近进食；在母狮附近移动跟母狮学习捕猎；被驱赶到远离狮王的位置，更新公式如下：（4）其中，pmk表示幼狮跟随母狮个体的第k代历史最优位置。算法步骤：step1：初始化狮群，确定各种参数。step2：计算狮王和母狮的数量。确定个体最优位置，将群体最有位置给狮王step3：更新狮王，母狮，幼狮位置。step4：计算狮群的适应度，更新每个狮子的个体历史最有位置，判断是否满足结束条件（一般为迭代次数），满足转step6，否则转step5。step5：过大约10次迭代后，根据位置的优劣重新进行分配，对狮王，母狮，幼狮的位置进行更新，转step3．。step6：狮王占据着群体最优秀的位置，其所代表的便是最优的解法。算法结束。3.3对狮群算法的改进3.3.1基站分散法根据实验发现，狮群算法虽然能够结合历史最优解进行探索，但是探索仍然还是具有一定的盲目性的。而且狮群算法最后是对所有基站的布局，进行的总体评价，却不能保证每一个基站的位置都一定能是最佳。其结果就是，基站的信号具有一定的重复率，无法取得最优的解法。本文对狮群算法的探索部分进行了改进，基站的位置将不仅仅由狮王（历史最优解）和母狮来决定，每一次迭代之后，本文会随机抽取一个基站，如果发现和它重复率比较高的基站的话，就将这几个基站分开。然后好比小球之间的不断撞动一样，被分开的基站会继续撞开其他基站，然后依次类推，直到最后所有基站都不会有太大的信号重复。3.3.2具体的算法：文的基站分散法有点类似于广度优先探索，设置了一个队列A，和一个数组B。A用来记录将要被分散的基站，B记录已经被分散的基站。具体的步骤：步骤1：随机选取一个基站，放入队列A中。步骤2：从队列A中取出一个基站X步骤2：生成一个小于等于两倍半径的随机数字rand，计算其他基站Y和步骤一中基站X的距离，一旦距离小于随机数字，而且基站Y不属于数组B（未曾被分散过）且不属于队列A（未将被分散），那么将基站Y加入到A中。步骤3：将基站Y进行位置移动，移动公式如下所示。distance=vector=XY这样的话，堆在一起的基站将会被分散，相互之间的距离是rand（小于等于2倍半径）。步骤4：将分散结束的基站X放入数组B中，判断A是否为空，如果为空的话，算法结束。否则转步骤2.值得一提的是步骤2的随机生成一个小于等于二倍半径的随机数字。实验中尝试过将选择一个固定的数字，比方说2倍半径，或者1.5倍半径。但是根据实验发现，结合狮群算法的情况下，固定的数字缺乏一定的灵活性。有的时候在人口密集的区域，即使牺牲一定的信号覆盖，也要确保人口的全部覆盖。相反在人口稀疏的地方，基站则应该尽可能避免信号的重复。本次实验发现，配合狮群算法，随机数字的生成可以灵活地探求基站之间的分散距离，提高探索的效率。越界情况的处理：在基站分散的情况下，有的时候会将大量的基站撞到边界之外去。实验发现如果将越界的基站随机放回到界内的话，基站的重复率会比较高。本文的处理方法是，如果有基站越界，那么基站将会从相反的方向重新回到区域内。具体而言的话，是将基站越界时候的点A，关于界的中心进行对称，得到点B。越界的基站在超过边界的时候，会保留原有的运动方向，从B开始回到界内。实验发现，这样可以避免基站堆在一个角落的情况，可以比较高效地分散基站。关于算法的补充：如同上文所述，本分散算法类似于广度优先搜索算法，最多的情况下，也不过遍历所有的基站后便结束。实验中也尝试过让基站不断地碰撞，以寻求最优的分散结果。但是那样一则容易进入无限循环，二则的话效果不佳。因而不予采用。第4章基于狮群算法的基站选址4.1关于数据的基本的说明论文设置了一个长44千米，宽44千米的正方形，设置基站可覆盖地区的半径为8千米。以下是所采用的参数的列表表4.1参数列表长44km宽44km半径8km重复次数T2000狮群数量N20维度D（基站数量）10成年时所占比例0.2采样点数量44*44采样点距离1km4.2算法的基本流程生成基站初始位置由于维度D（基站数量）为10，所以将一次性生成10个基站，随机分布在地图中间。这将作为一种可能的分布。由于狮群数量N为20，所以意味着将会有20种可能的分布被生成。执行“基站分散”。将高度重复的基站分开。对狮群（20种可能的分布）进行适应值的分析本文根据人口的覆盖率来对狮子（解）来进行评价。在区域内，每隔1km就设一个取样点。根据勾股定理，计算基站和取样的距离，如果小于半径，则视该取样点已经被覆盖。记录下最优解。执行狮群算法根据狮群算法，不断迭代狮子的位置。同时每次对狮子的位置进行更新后，都进行基站分散，消除对于重复的基站这一情况的探索。基站分散后，对狮群进行适应值的分析，记录下最优解。判断是否结束本文设定设定执行重复次数T为2000，执行步骤（3）2000遍后，结束探索。4.3运算的结果与分析：本文采取运行十次后，计算所得人口覆盖率的平均值。所采用的地图如下所示，颜色深处代表人口密度高，颜色浅的地方，则代表人口密度低。论文以上下两个蓝色区域代表繁华区，中间的蓝色区域代表城市中的相对繁华地带，四边代表人口稀疏地带。运算后的结果如下图所示：图4.1信号覆盖的结果可以看得出来，狮群算法+基站分散法可以覆盖住人口密度大的区域，同时将基站进行比较均匀的分布。基站分散法在避免基站的高度重叠的基础上，也允许基站有小规模的重叠，以保证对于关键区域的信号覆盖。为了进一步探究本算法的性质，下表是对算法中的参数进行改变的结果。本文将进行基站分散的狮群算法和未进行基站分散的狮群算法进行了对比。表4.2算法对比算法迭代次数T狮群数量人口覆盖率狮群算法+基站分散1002091.5%50093.8%100094.3%200094.9%500095.2%1000095.1%1200095.2%10003094.1%6094.7%10094.2%20094.4%1000020095.6%狮群算法1002086.8%50088.6%100088.9%200089.4%500090.6%1000090.8%1200091.4%10003089.7%6090.4%10091.6%20091.7%1000020092.2%可以看得出来随着迭代次数的增加，覆盖率有了不小的提高。这不难理解，毕竟迭代次数代表着基站分布的不断尝试。随着尝试次数的增加，得到好结果的可能性也就越大。随着狮群数量的增加，狮群算法的结果得到了提升。狮群数量意味着平行进行的探索尝试的数量，狮群数量的增加带来覆盖率的提高也不难理解。综合结果来看，对于狮群算法+基站分散而言，重复次数为2000，狮群数量是20的话，可以取得比较优秀的结果。论文分析是基站分散将重复的基站直接分开，取得了局部的最优解。但是单纯分散基站并不意味着全局的最优，而通过狮群算法对于全局最优解的不断探索，狮群算法+基站分散能取得一个比较好的结果。不过值得一提的是，狮群算法+基站分散并没有得到狮群数量增加带来的恩惠。论文认为这是因为基站分散法已经大大降低了需要探索的位置（不需要探索基站高度重叠的状态），同时进行的平行探索效果不是很大。对于狮群算法+基站分散而言，重要的是在原先探索基础所进行的的迭代。同时在比较双方的极限状态（重复次数10000次+狮群数量200），基站分散+狮群算法的效果仍然比单纯的狮群算法要有提高。可以看见，基站分散这一方法不仅加快了基站选址的过程，对最终的结果也有所提高。图4.2狮群算法有无“基站分散”的结果对比由上图表可以看到，狮群算法+基站选址可以缩小需要探索的空间，加快探索的速度，在更短的迭代次数中得到更好的结果。进行了2000次迭代之后狮群算法+基站分散已经接近收敛，可以得到比较优秀的解。相反狮群算法在5000次之后结构仍然没有收敛，还有待提高。4.4针对其他人口分布的测试：考虑到现实生活中，人口分布情况复杂，本文设计了其他可能的人口分布，并对其进行了测试。由于狮群算法+基站分散在重复次数2000，狮群数量20的时候，已经比较接近收敛的取值。综合考虑运行时间和结果的情况下，重复次数2000，和狮群数量20的基础上，进行以下的测试。(a)(b)(c)(d)(e)(f)使用狮群算法+基站分散进行测试。测试之后的结果如下所示。(a)(b)(c)(d)(e)(f)人口分布abcdef人口覆盖率90.1%94.1%92.2%94.1%93.8%93.5%可以看见，随着人口分布的不同，基站的分布也随之发生变化，但是无论哪种人口分布，基站都重点覆盖住人口密集的区域。而在人口稀疏的区域则相对均匀的分布，以达到尽可能大的覆盖面积。从最终的结果来看，虽然覆盖率有高有低，但是整体的分布比较均匀，对人口都实现了一个可以满足的分布。狮群算法+基站分散的效果还是可以肯定的。4.5单纯的基站分散本文还对没有狮群算法的基站分散法进行了测试，以进一步探究狮群算法的效能。单纯的基站分散的想法比较简单。将基站随机分布在地图上，然后进行“基站分散”分散开高度重叠的基站。将这一步骤重复执行，从中选取最优秀的结果。本次实验“基站分散”会将重叠的基站分散至2个半径（没有重叠）。图4.3单纯的基站分散的结果图4.3是只用基站分散的结果图。可以看得出来，和设定相符，重复的基站被分散至了2个半径。基站整体分布虽然比较均匀，人口密集的地方也进行了重点的覆盖，但是基站和基站的夹角之间的覆盖效果，不是非常理想。图4.4狮群算法+基站分散和基站分散的结果对比图4.4是有无狮群算法对于基站分散的影响。可以看得出来基站分散可以取得一定的效果。虽然每次迭代只是随机生成初始位置，然后分散基站，但是随着随机尝试的增加，效果还是得到提升。不过由于缺乏记忆进化功能，在得到一个优秀结果后，无法在其基础上进一步发展。而且由于采取了分散固定长度的做法，无法灵活地覆盖住基站与基站地边角位置。最佳效果上是比不过狮群算法+基站分散的联合算法。4.6PSO+基站分散：为了进一步验证本文所提出的“基站分散”的适用性，本文选取了与狮群算法同为智能算法的粒子群算法（PSO），在其基础上增加了“基站分散”，并将其与单纯的PSO进行对比。本文的PSO的粒子群数量为60，两个学习因子均为2，惯性为0.8和0.4。如果发现重叠的基站，基站分散将重叠的基站分散1.8半径。经过发现，与狮群算法中采用的随机数字不同，PSO采用分散固定长度的结果比较好图4.5为PSO+基站分散的结果图。图4.5PSO+基站分散的结果图4.6PSO+基站分散和PSO的对比图图4.6是基站分散对于PSO的结果改善的图。可以看得出来对于PSO，“基站分散”也同样可以加快探索的速度，缩短收束的时间，取得更加优秀的效果。第5章结论在通信技术飞速发展，5G改变人们生活的时代，基站的建设要求也越来越大。对于网络与运营商而言，通信基站的建设将会涉及大量的金钱投入，如果能够更为高效地建设基站，无疑将会对网络的建设效果起到巨大的贡献。在使用狮群算法的时候，发现狮群算法在未经充分迭代的情况下，非常容易出现基站重叠的问题。为了取得对人口的充分覆盖，本文采取了“基站分散法”，改善了狮群算法在探索时候的盲目探索，显著缩短了迭代次数，并且提升了最后的效果。在参考其他文献的时候，虽然众多文献都对算法提出了不少优秀的改进方法，但是这些改进大都是从算法的角度上进行改善，很少有文献从实际问题的性质上着手，思考改善方案。本文通过“基站分散法”，从一开始就排除了对于基站信号重复这一可能性的探索，大大提高了探索的效率。之后，本文还可以从以下方面进行改进：（1）本文并未对于地形进行过多的考虑。未来可以考虑障碍物，或者说基站布置的高度对基站覆盖范围的影响。通识本文主要考虑的是人口密度的覆盖，并没有重视地区的信号覆盖率。未来