Page 31 - 网络电信2019年9月刊上
P. 31
（1）天线自动布点功能应满足对于覆盖率的要求。由于 到。重复这一步骤，生成10组个体组成初始种群，计算适应
设计人员设计的图纸需要送审，所以本功能严格根据室内覆盖 度，也就是当前Pico RRU分布下的覆盖率，如果满足覆盖率要
审核标准设计，对于一般场景和重点区域的覆盖率要求进行划 求，就使用当前点位，反之，就送入遗传算法开始迭代。设定
分。以整体楼宇为单位进行覆盖仿真时候，一般场景下RSRP≥- 迭代次数为50次。
105dBm的概率需大于95％的面积，重点区域下RSRP≥-95dBm的 为了防止当前群体的最优个体在下一代发生丢失，保证遗
概率需大于95％的面积。 传算法的收敛性，使用精英选择策略，对于每一代的个体，保
（2）根据不同的建筑底图，在保证覆盖率的要求下使用尽 留适应度最高的个体，将其余个体进行选择、交叉和变异等操
可能少的器件，减少施工成本。 作，然后将适应度最高的个体直接用来替换本代种群中经过交
（3）考虑器件差损、馈线百米损耗、建筑穿损等因素。 叉和变异后所产生的适应度最低的个体。
本算法综合了室分设计软件AIDP中的插入图块、预设电 本文中“选择”采用轮盘赌的方法。轮盘赌是比较常用
平和覆盖预测等模块的主要功能，对于每个功能的算法进行适 的随机选择方法，将每个个体的适应度按比例转换为被选择的
当的修改。同时，引入遗传算法，根据使用建筑底图的不同， 概率，按个体所占的比率在一圆盘上进行划分，每次转动圆盘
设计了可变长度的编码方式，动态的确定需要使用的天线的个 后待圆盘停止后指针停靠扇区对应的个体就是选中的个体。因
数，大大降低了时间复杂度和空间复杂度。 此，每个个体概率越大，在圆盘中所占的面积越大，被选中的
遗传算法是计算数学中用来解决最佳化的搜索算法，是进 机会也就越多。设群体大小为N，个体xi的适应度为f(xi)，则
化算法的一种，具有内在的隐并行性和更好的全局寻优能力。 个体xi的选择概率为：
能自动获取和指导优化的搜索空间，自适应地调整搜索方向，
不需要提前设定搜索的规则。因此，适用于此功能。 （2）
2、遗传算法简介
遗传算法是利用种群搜索技术将种群转化成对应的问题 “交叉”是利用单点交叉的方法，对每一对相互配对的个
解，用适当的编码来表示，通过对种群施加类似生物对于环境 体，根据设定的交叉概率选择交叉点。在交叉点处相互交换两
的适应情况对种群进行选择、交叉和变异等一系列的遗传操 个个体的部分染色体，从而产生两个新的个体，每次只改变染
作，进而产生新一代的种群，使种群不断优化，最终完成优胜 色体的一个基因位。
劣汰的进化过程。 “变异”是设定变异率rate_mutation=0.01的概率，同时
3、总体算法实现 设定一个0～1的随机数，如果设定的随机数小于变异率，则随
本文主要研究是Pico RRU的智能布放问题，也就是Pico 机选择基因位进行变异。
RRU位置的最优化问题，因此可以采用二进制编码来表示Pico 每执行一次遗传算法，就计算一次新种群的适应度，如
RRU所在的位置。但是室分图纸建筑底图的大小不一致，我们 果在迭代50次之后还没有得到符合要求的覆盖率，就增加一
需要在保证准确性的前提下尽可能提高效率，因此本功能根据 个PicoRRU，重新编码后放入遗传算法继续进行迭代。直到得
需要仿真的区域的面积大小，动态的对仿真区域进行二进制编 到符合要求的PicoRRU位置，跳出循环，并在图纸中自动插入
码。 PicoRRU。
同时由于遗传算法中的各个基因之间不一定相互独立， 总体算法流程如图1所示。
如果只是进行交叉，很可能把比较好的组合破坏掉，这样就不 图1 总体算法流程图
能达到累积较好基因的目的，反而破坏了原本适应度更高的基
因。因此本文引入了精英保留策略，避免最优个体不会因为杂
交操作而被破坏。该策略的思想是，把群体在进化过程中迄今
出现的最好个体（称为精英个体）不进行交叉和变异，而是直
接用来替换本代种群中经过交叉、变异后所产生的适应度最低
的个体。本功能首先根据使用场景的不同以及建筑底图确定最
少需要使用的Pico RRU个数，并将需要仿真的区域划分为相同
大小的N个网格，按着从上到下，从左到右的顺序进行编号。设
定整数i=0，通过循环不断增加整数i的大小，如果满足下述公
式，则跳出循环：
（1）
此时，i就是所确定单个Pico RRU对应的染色体长度。再将
单个PicoRRU的染色体长度i乘以需要使用的最少Pico RRU数量
min_rru_numeber，就是所采用的最短染色体长度。
从可以放置天线的栅格中随机选择Ｎ个栅格，生成一组
个体，其中每组个体是由所在栅格的位置转换为二进制编码得
网络电信 二零一九年九月 47
