張英杰，孫先佑，毛賜平，王鎮(zhèn)道，許 偉，湯龍波，艾朝陽

（1．湖南大學 信息科學與工程學院，湖南 長沙 410082；2．湖南大學 通信節(jié)能研究所，湖南 長沙 410082）

隨著3G 網(wǎng)絡進入大規(guī)模商用階段，為保證3G通信網(wǎng)絡的通信質(zhì)量，興建了大量基站，同時也增加了基站周圍環(huán)境的電磁輻射影響．基站選址的好壞直接決定了3G 網(wǎng)絡的信號質(zhì)量和覆蓋范圍，且不合理的基站選址會導致嚴重的電磁輻射污染，同時基站的數(shù)量決定了基站的建站代價．因此面向低輻射的3G 基站選址具有較強的理論意義并能應用于實際工程［1－4］．

國內(nèi)外學者對3G基站的選址優(yōu)化已做了大量研究：文獻［1］基于遺傳算法研究了WCDMA基站選址問題；文獻［2］設(shè)計了一個基于網(wǎng)絡控制和成本效率的最大無線覆蓋網(wǎng)；文獻［3］研究了多業(yè)務CDMA網(wǎng)絡基站規(guī)劃模型與算法；文獻［4］研究了移動通信基站電磁輻射場強的建模與計算方法．這些優(yōu)化方案從不同角度為基站選址優(yōu)化工程提供了有益的思路，但3G網(wǎng)絡基站選址是一個多目標優(yōu)化問題，還須綜合考慮覆蓋率、電磁輻射污染與建站成本等要求．

1 3G 網(wǎng)絡基站選址優(yōu)化模型

3G 網(wǎng)絡規(guī)劃問題可以概括為在一定區(qū)域內(nèi)，根據(jù)業(yè)務需要設(shè)計一個最優(yōu)化的網(wǎng)絡，即確定小區(qū)的數(shù)量和半徑、每個基站的位置和參數(shù)，達到給定的業(yè)務目標和電磁輻射限值，并使建站成本最小化．3G基站選址問題是多目標優(yōu)化問題，主要影響基站選址的因素包括傳播環(huán)境、覆蓋要求、建站代價和業(yè)務分布等［5－8］．本文在考慮最大化網(wǎng)絡覆蓋率的同時考慮了基站電磁輻射污染代價．即在達到要求覆蓋率的同時如何保證良好的基站電磁輻射環(huán)境．鑒于此，本文運用免疫優(yōu)化知識和數(shù)學建模方法將其抽象為多目標優(yōu)化問題，以解決3G 網(wǎng)絡基站的選址優(yōu)化問題．

1．1 3G 網(wǎng)絡基站選址優(yōu)化的原則

基站站址選取合適與否對網(wǎng)絡性能和成本有很大影響，不合適的站址選擇不僅會導致某些地方出現(xiàn)覆蓋盲區(qū)，甚至會造成電磁輻射污染．因此，3G 網(wǎng)絡基站的選址，應遵循以下原則［9］．

1）基站規(guī)劃首先須考慮基站電磁輻射對公眾健康及周圍環(huán)境的影響．不同類型的基站天線，電磁輻射情況也不相同．通過計算基站天線電磁場值的大小和分布情況，從而確定站址是否符合輻射標準．

2）站址規(guī)劃應盡量保證3G 網(wǎng)絡的布點接近理想蜂窩網(wǎng)絡結(jié)構(gòu)．標準的蜂窩網(wǎng)絡能保證信號均勻分布在覆蓋區(qū)內(nèi)，減少電磁污染，并能避免頻繁的基帶切換和弱信號區(qū)．

3）基站選址要盡可能考慮站址分布和網(wǎng)絡業(yè)務量的要求，網(wǎng)絡業(yè)務與基站分布應基本相同，并優(yōu)先考慮熱點地區(qū)業(yè)務量要求．

1．2 基站電磁輻射環(huán)境估算模式

影響電磁輻射污染代價的主要因素有兩個：一是信號接收點電磁輻射功率，二是基站的電磁輻射頻率．只有當這兩個因素超過允許限值時，才會對環(huán)境造成電磁污染的影響．根據(jù)電磁輻射標準和規(guī)定，移動通信基站頻率為30～3 000 MHz，該頻段對應功率密度導出限值為0．4 W／m2（40μW／cm2），即公 眾 照 射導出限值為40μW／cm2．以單個基站管理目標值選取功率密度的1／5 作為標準，即以80 μW／cm2作為公眾照射導出限值［4，10］．

根據(jù)電磁輻射環(huán)境影響評價方法與標準［4］，可知遠場軸向功率密度公式為：

式中：ρ為遠場軸向功率密度（單位：μW／cm2）；P為發(fā)射機凈功率（單位：W）；G為天線增益（單位：倍數(shù)），G＝10G／10；r為測試點與天線軸向的直線距離（單位：m）．

發(fā)射天線的凈功率為：

式中：Pr為發(fā)射機的發(fā)射功率（單位：W）；Lr為饋線損耗；Lc為系統(tǒng)組合損耗．

為便于比較，選取一般情況下的3G 網(wǎng)絡基站運行參數(shù)，發(fā)射功率為20 W，饋線損耗為3dB，實際發(fā)射天線增益15dB，系統(tǒng)組合器損耗4dB，由遠場軸向功率密度公式，可計算得到不同r值對應的遠場軸向功率密度如表1所示．

由表1可知，當遠場軸向距離為28m 時，功率已到0．08W／m2，低于電磁輻射對人體影響的限值．

表1 不同r值對應測試點功率密度Tab．1 The different r values of power density

1．3 基站選址優(yōu)化的數(shù)學模型

3G 基站的優(yōu)化選址是在滿足約束條件情況下選擇最優(yōu)化結(jié)果，是一個多目標組合優(yōu)化問題．在基站規(guī)劃階段，由于無法實際測量網(wǎng)絡覆蓋率和電磁輻射率，可以通過計算測試點與基站之間的鏈路損耗來衡量覆蓋率，通過計算測試點軸向功率密度計算電磁輻射率的污染情況，并通過計算選用基站的個數(shù)來計算建站成本．

在本文實驗中，設(shè)定候選基站個數(shù)集為B＝｛1，2，…，n｝，n表示候選站點個數(shù)；模擬測試點集為T＝｛1，2，…，m｝，m表示測試點個數(shù)．根據(jù)3G網(wǎng)絡選址的特點，計算覆蓋率、電磁輻射污染率以及建站成本的函數(shù)如下．

1）基站選址中覆蓋率的目標函數(shù)，即基站覆蓋測試點的個數(shù)／測試點總數(shù)目．假設(shè)測試點s（s∈T）從候選基站k（k∈B）接收的信號強度大于閾值Q，則可認為測試點s被基站k覆蓋．測試點s被基站覆蓋的情況表示為：

式中：P為基站的發(fā)射功率；ε為功率損耗系數(shù)；dsk為測試點s與候選基站k之間的距離．則測試點覆蓋率函數(shù)為：

2）為便于計算，把電磁輻射污染率轉(zhuǎn)化為求沒有受到電磁輻射污染的測試點比例．即沒有受電磁輻射污染的測試點個數(shù)／測試點總數(shù)目．若測試點接收到的軸向功率ρ＜0．08 W／m2，即認為該測試點沒有受電磁輻射污染．設(shè)測試點s的電磁輻射情況為：

式中：ρ為遠場軸向功率密度．測試點沒有受電磁輻射污染的函數(shù)為：

3）基站的建站成本用選用基站的數(shù)目表示，且設(shè)定單個基站的建站成本相同．為使建站成本函數(shù)與覆蓋率、電磁輻射率一致，將其轉(zhuǎn)為求最大值，因此建站成本函數(shù)可表示為：

式中：n為總的基站個數(shù)；n0為選用基站個數(shù)．

2 基于免疫計算的3G 基站選址算法

2．1 抗體編碼及種群初始化

在免疫優(yōu)化算法（IOA）中［11］，將待解問題作為抗原，問題的解作為抗體．在基站選址規(guī)劃中，候選基站只有選中與沒被選中2種情況，因此本文采用二進制的編碼方式，每個抗體對應一種基站選址的解，基因座的值為對應候選站址的選擇情況．抗體編碼記為A＝（a1，a2，…，an），其中ak為 對應第k（k∈B）個站址被選擇的情況，B為候選站址數(shù)集，即

免疫算法初次運行須生成一個初始種群，一般用隨機方法生產(chǎn)初始種群．但這種方法生成的初始種群解不穩(wěn)定、隨機性大，不能保證種群的多樣性，也不能有效利用解空間信息，從而會限制算法的求解效率和尋優(yōu)空間．因此本文采用如下方式產(chǎn)生初始種群：第1次運行算法時，采用隨機的方法產(chǎn)生抗體種群；再次運行算法時，采用從上次產(chǎn)生的抗體中抽取已有的優(yōu)秀解作為潛在的較好解，補充30%到初始種群中，余下的70%用隨機方式產(chǎn)生．這樣，既保證種群多樣性，又能提高算法收斂速度．

2．2 抗體親和度評價函數(shù)

為同時考慮電磁輻射污染代價、測試點覆蓋率和建站成本對基站選址的影響，本文采用權(quán)重法把3個目標的問題轉(zhuǎn)化為單目標問題，抗體親和度評價函數(shù)為：

式中：α為測試點覆蓋率的權(quán)重系數(shù)；β為基站電磁污染代價權(quán)重系數(shù)；γ為基站建站成本的權(quán)重系數(shù)；且α＋β＋γ＝1．該評價函數(shù)的值f（A）∈［0，1］，f（A）的值越大，表明該選址方案越好．

2．3 抗體濃度

由于本文采用二進制編碼方案，抗體編碼表示候選基站是否被選中，兩個抗體的差異性表示2種方案站址選擇情況的差異，因此本文把抗體編碼中解的差異值表示為抗體的距離，其計算公式為：

當抗體距離D（A（x），A（y））小于閾值θ時，為相鄰抗體，如式（11）所示：

抗體A（x）的濃度指抗體種群中的相鄰數(shù)目與種群數(shù)量大小的比值，其計算公式為：

其中n為抗體種群規(guī)模大小．

2．4 算子設(shè)計

本文算法采用抗體濃度抑制、克隆變異和精英交叉3個算子：

抗體濃度抑制：計算每代抗體及克隆副本的濃度．選取濃度較低的l個抗體和隨機產(chǎn)生的n－l個抗體共同組成下一代種群，抗體濃度抑制能較好地防止種群早熟收斂．

克隆變異：克隆記憶庫種群中的抗體，其規(guī)模為E，并以概率pr變異每個克隆副本，規(guī)模E的計算公式為：

式中：λ為克隆系數(shù)；抗體A的濃度為Density（A）；抗體A的親和度函數(shù)值為為克隆母體種群的抗體親和度值之和；CM為克隆母體的種群規(guī)模；round（·）表示取整函數(shù)．

精英交叉：用種群中的每個抗體與精英個體以給定的概率pe進行交叉，以提高收斂速度，并改善種群結(jié)構(gòu)［12］．

2．5 算法基本框架

本文設(shè)計的算法基本框架如下．

步驟1 輸入抗體種群規(guī)模P，記憶庫種群規(guī)模S，克隆母體種群規(guī)模T；

步驟2 初始化抗體種群．若首次運行本文算法，則隨機產(chǎn)生P個抗體組成抗體種群A（0）；否則，若第t次運行，則把上次記憶庫中的l個優(yōu)秀抗體和隨機產(chǎn)生的（P－l）個抗體組成新的抗體種群A（t）；

步驟3 從初始化種群A（0）中選取親和度較優(yōu)的前T個抗體組成克隆母體種群A（T），并以概率pr對克隆母體種群按克隆變異進行操作，得到克隆種群A（C）；

步驟4 將精英個體E與種群A（T）∪A（C）按照概率pe進行交叉操作，得到新的種群A（S）；

步驟5 將種群A（S）中抗體的親和度值以降序排列，用親和度高的抗體替換記憶庫種群A（l）中的部分抗體；

步驟6 對種群A（T）∪A（C）實施抗體濃度抑制操作，生成下一代種群；

步驟7 若結(jié)果滿足終止條件，則輸出種群中親和度最優(yōu)的抗體，算法結(jié)束；否則轉(zhuǎn)到步驟3．

3 仿真實驗與結(jié)果分析

3．1 免疫優(yōu)化算法性能測試

為驗證本文改進算法的穩(wěn)定性和有效性，本文選用文獻［13］中列出的16個典型函數(shù)對算法進行檢驗．并與文獻［13］中的云遺傳算法（CGA）和文獻［14］中的混沌云克隆算法（CCCSA）結(jié)果進行比較．

實驗參數(shù)按文獻［13］和文獻［14］設(shè)置如下：種群大小均為100，最大迭代次數(shù)均為1 000次，測試函數(shù)均獨立運行30次．其中，CGA數(shù)據(jù)來自文獻［13］，CCCSA數(shù)據(jù)來自文獻［14］．實驗結(jié)果如表2所示．

表2 CGA，CCCSA＆IOA優(yōu)化結(jié)果比較Tab．2 The comparison of CGA，CCCSA＆IOA on function test

表2中，參考值為函數(shù)的理論最小值，平均代數(shù)為參考適應度值與最佳適應度值差的絕對值小于10－3時，函數(shù)多次獨立實驗的平均值，‘—’表示其在1 000次迭代后部分最優(yōu)值和參考值的絕對差值大于10－3，所以未把其平均代數(shù)進行比較．

IOA 利用了基于克隆變異的種群進化機制，能較好地繼承父代優(yōu)秀抗體．抗體濃度抑制防止了種群的早熟收斂，從而有效防止了算法陷入局部最優(yōu)值；精英交叉策略提高了算法的收斂速度，改善了群體結(jié)構(gòu)．由表2可知，除F11和F16這樣的高維、變量范圍比較大的函數(shù)外，IOA 對其余函數(shù)的最優(yōu)值、平均值和平均代數(shù)均優(yōu)于CGA；綜合算法精度和收斂速度，IOA 的整體性能優(yōu)于CCCSA．

為進一步驗證算法的有效性，本文選取2個典型多峰值函數(shù)進行測試，并給出了算法親和度變化圖．

實驗參數(shù)設(shè)置如下：初始種群規(guī)模N＝100，有效判定閾值C＝round（c／4），最大進化代數(shù)G＝100，誤差控制E＝0．082．圖1為Multi函數(shù)進化代數(shù)與算法親和度之間的變化曲線；圖2為Schaffer函數(shù)進化代數(shù)與算法親和度之間的變化曲線．由圖1和圖2可知，兩個函數(shù)的最優(yōu)親和度值都等于或近于1，說明本算法具有較強的全局搜素能力．

Multi函數(shù)為：

3．2 基站選址仿真實驗與分析

基站選址仿真實驗在Windows7（32 位）系統(tǒng)，Pentium（R 處理器），2．7GHz主頻，2GB 存儲器，仿真軟件Matlab R2011a的機器上運行20次．

圖1 Multi函數(shù)進化代數(shù)隨算法親和度的變化Fig．1 Multi function evolutionary relationship between algebra and affinity

圖2 Schaffer函數(shù)進化代數(shù)隨算法親和度的變化Fig．2 Schaffer function evolutionary relationship between algebra and affinity

實驗選擇與文獻［1］相同的數(shù)據(jù)和環(huán)境：選取一個20km×20km 平坦的實驗區(qū)域，設(shè)該區(qū)域的基站候選站址集為B＝｛1，2，…，60｝，信號測試點集為T＝｛1，2，…，128｝，并假定每個基站的發(fā)射功率相同且為定值，每個測試點沒被基站覆蓋所產(chǎn)生的損失相同，每個候選站址的建站代價相同，建站目標為：最小化的電磁污染率，最大化網(wǎng)絡覆蓋率，最小建站成本；測試點分布及基站候選站址如圖3所示．

兩種算法的種群規(guī)模P＝100，抗體都采用二進制編碼，最大進化代數(shù)均為Gm＝200，編碼長度D＝60，抗體初始化概率均為0．8，交叉概率均為0．6，變異概率pr＝0．6，抗體間的距離閾值θ＝30，記憶庫種群規(guī)模S＝30，克隆母體種群規(guī)模T＝60，克隆系數(shù)a＝10．基于實際建站經(jīng)驗值，目標函數(shù)f1的權(quán)重系數(shù)α＝0．4，目標函數(shù)f2的權(quán)重系數(shù)β＝0．4，目標函數(shù)f3的權(quán)重系數(shù)γ＝0．2．

圖3 測試點即候選站址分布Fig．3 Candidate sites and test points of distribution

圖4為本文算法與文獻［1］算法親和度函數(shù)值的比較．從圖4可以看出，隨著進化代數(shù)增加，算法的平均親和度值也逐漸增加，且本文算法平均親和度值優(yōu)于文獻［1］算法．

圖4 兩種算法親和度隨進化代數(shù)的比較Fig．4 Affinity compare the two algorithms

反映選址優(yōu)化方案性價比的另一個指標是測試點覆蓋率與基站數(shù)目的比，比值越大，說明選址優(yōu)化方案的性價比越高．兩種算法的測試點覆蓋率和基站數(shù)目的比值如圖5所示．

圖5 兩種算法測試點覆蓋率與基站數(shù)目比值Fig．5 Test point coverage ratio and the number of base stations

圖6表示基站個數(shù)隨進化代數(shù)的變化，從圖6可以看出，本文選址方案的平均建站數(shù)目明顯少于文獻［1］，表明本文算法的建站代價較?。@主要因為本文算法采用的精英交叉策略擴大了算法的尋優(yōu)空間以及種群的多樣性．

從圖7可以看出，隨著進化代數(shù)的增加，本文的測試點電磁輻射率小于極值的比例隨著進化代數(shù)的增加而變大，說明本文算法具有較強的尋優(yōu)能力，可以用較少的基站和較低的電磁污染率獲得較高的信號覆蓋率，減少基站電磁輻射污染．

圖6 基站個數(shù)隨進化代數(shù)的變化Fig．6 Number of base changes in Algebra

圖7 本文算法電磁輻射率隨進化代數(shù)的變化Fig．7 Algorithm electromagnetic radiation increaseswith evolutionary changes Algebra

4 結(jié)束語

3G 網(wǎng)絡規(guī)劃的重點和難點是怎樣降低建站成本、電磁輻射率和保證覆蓋率．本文分析了3G 網(wǎng)絡基站選址的主要目標及基站選址優(yōu)化的數(shù)學模型等問題，為下一步低能耗、環(huán)保型基站的建設(shè)提供參考．在仿真實驗環(huán)境下，與文獻［1］的算法進行了對比，結(jié)果表明，本文算法優(yōu)于文獻［1］中算法，能夠提供科學合理的綠色網(wǎng)絡基站規(guī)劃方案，降低了3G 網(wǎng)絡的建站成本和電磁輻射率．

［1］MUNYANEZA J，KURIEN A．Optimization of antenna placement in 3G networks using genetic placement algorithms［J］．Communication ＆Information Technology，2009，36（3）：70－80．

［2］KILINC D，OZGER M，AKAN O B．On the maximum coverage area of wireless networked control systems with maximum cost－efficiency under convergence constraint［J］．Automatic Control，2014，77（10）：1－6．

［3］施永貴，王洪峰，唐加福，等．多業(yè)務CDMA 網(wǎng)絡基站規(guī)劃模型與算法研究［J］．系統(tǒng)仿真學報，2013，25（6）：1410－1414．

SHI Yong－gui，WANG Hong－feng，TANG Jia－fu，etal．Research on model and algorithm for multi－service CDMA network base station planning［J］．Journal of System Simulation，2013，25（6）：1410－1414．（In Chinese）

［4］陳習權(quán)，孫杰．通信基站電磁輻射場強的系統(tǒng)建模與數(shù)值仿真［J］．電波科學學報，2013，28（1）：183－188．

CHEN Xi－quan，SUN Jie．Systemic modeling and numerical simulation of electromagnetic radiation field intensity around mobile communication base stations［J］．Journal of Radio Science，2013，28（1）：183－188．（In Chinese）

［5］LAKSHMINARASIMMAN N．Base station placement for dynamic traffic load using evolutionary algorithms［J］．Wireless Personal Communications，2013，72（1）：225－231．

［6］朱思峰，劉芳，柴爭義．基于免疫計算的WCDMA 網(wǎng)絡基站選址優(yōu)化［J］．電子與信息學報，2011，33（6）：1492－1495．

ZHU Si－feng，LIU Fang，CHAI Zheng－yi．A novel immune algorithm for WCDMA base station locations optimization［J］．Journal of Electronics ＆ Information Technology，2011，33（6）：1492－1495．（In Chinese）

［7］唐朝偉，李小龍，邵艷清，等．基于分層多目標優(yōu)化算法的無線網(wǎng)絡規(guī)劃［J］．計算機工程，2010，36（9）：7－9．

TANG Chao－wei，LI Xiao－long，SHAO Yan－qing，etal．Wireless network planning based on hierarchical multi－objective optimization algorithm［J］．Computer Engineering，2010，36（9）：7－9．（In Chinese）

［8］張英杰，毛賜平，俎云霄，等．基于免疫算法的TD－SCDMA 網(wǎng)絡基站選址優(yōu)化［J］．通信學報，2014，35（5）：44－48．

ZHANG Ying－jie，MAO Ci－ping，ZU Yun－xiao，etal．Immune algorithm－based base station location optimization in the TDSCDMA network［J］．Journal on Communications，2014，35（5）：44－48．（In Chinese）

［9］GONZáLEZ－BREVIS P，GONDZIO J，F(xiàn)AN Y，etal．Base station location optimization for minimal energy consumption in wireless networks［C］／／Vehicular Technology Conference（VTC Spring），2011IEEE 73rd．IEEE，2011：1－5．

［10］LIU J，TING S W，SARKAR T K．Base－station antenna modeling for full－wave electromagnetic simulation［C］／／Antennas and Propagation Society International Symposium（APSURSI）．IEEE，2014：2106－2107．

［11］ALONSO F R，OLIVEIRA D Q，ZAMBRONIDESOUZA A C．Artificial immune systems optimization approach for multiobjective distribution system reconfiguration［J］．IEEE Transactions on Power Systems，2015，30（2）：840－847．

［12］慕彩紅，焦李成，劉逸．M－精英協(xié)同進化數(shù)值優(yōu)化算法［J］．軟件學報，2009，20（11）：2925－2938．

MU Cai－h(huán)ong，JIAO Li－cheng，LIU Yi．M－elite coevolutionary algorithm for numerical optimization［J］．Journal of Software，2009，20（11）：2925－2938．（In Chinese）

［13］戴朝華，朱云芳，陳維榮，等．云遺傳算法及其應用［J］．電子學報，2007，35（7）：1419－1424．

DAI Chao－h(huán)ua，ZHU Yun－fang，CHEN Wei－rong，etal．Cloud model based genetic algorithm and its applications［J］．Acta Electronica Sinica，2007，35（7）：1419－1424．（In Chinese）

［14］張英杰，趙芳芳．混沌云克隆選擇算法及其應用［J］．湖南大學學報：自然科學版，2014，41（3）：101－106．

ZHANG Ying－jie，ZHAO Fang－fang．Chaos cloud clonal selection algorithm and its application［J］．Journal of Hunan University：Natural Sciences，2014，41（3）：101－106．（In Chinese）