盛莉莉，張 進（中國聯(lián)通江蘇分公司，江蘇南京 210019）

1 概述

隨著移動互聯(lián)網(wǎng)業(yè)務的普及，人們對無線移動網(wǎng)絡質量的要求越來越高。天饋系統(tǒng)的性能直接影響了無線移動網(wǎng)絡的性能和質量，因此對天饋系統(tǒng)的優(yōu)化至關重要。傳統(tǒng)的天饋優(yōu)化依賴優(yōu)化人員經(jīng)驗，存在資源投入大、數(shù)據(jù)參數(shù)不準確、優(yōu)化效率低等問題。近年來，為了解決傳統(tǒng)天饋優(yōu)化諸多局限性問題，提出了一些天饋智能優(yōu)化方法，比如基于最小化路測的天饋智能優(yōu)化方法［1］和基于MEC 和K-means 聚類的優(yōu)化方法［2］。其中，基于MDT 的天饋智能優(yōu)化方法需要支持MDT 的移動終端上報包含經(jīng)緯度的測量報告信息，但是移動終端并非全部支持MDT 功能；而基于MEC 和K-means 聚類的優(yōu)化方法在大規(guī)模數(shù)據(jù)集上收斂較慢，容易陷入局部最小值。文獻［3］利用MDT與MR 采集用戶無線質量數(shù)據(jù)及經(jīng)緯度信息，然后使用基于密度的聚類方法和自適應聚類算法，對采集的無線覆蓋指標和經(jīng)緯度等數(shù)據(jù)進行聚類分析。ACP（Automatic Cell Planning）是利用智能自動尋優(yōu)技術，基于工參、電子地圖、天線方向圖、負載、MR 或MDT等數(shù)據(jù)源，針對重疊覆蓋度和下行速率等目標，通過迭代尋優(yōu)，解決網(wǎng)絡覆蓋、容量和質量等問題，達到網(wǎng)絡總體性能最優(yōu)［4］。隨著基站數(shù)量急劇增長，如何高效保質完成天饋智能優(yōu)化成為亟待解決的問題。

本文設計了天饋自調優(yōu)系統(tǒng)，對天線簇中的各個天線輸出優(yōu)化調整方案。由于解空間隨著天線數(shù)目的增加呈指數(shù)增長，因此窮舉尋優(yōu)方法無法滿足工程應用需求。本文使用群智能算法來提高尋優(yōu)效率。群體智能優(yōu)化算法主要模擬了昆蟲、獸群、鳥群和魚群的群集行為，群體中的每個成員通過學習自身和其他成員的經(jīng)驗來不斷地改變搜索的方向，利用了種群的群體智慧進行協(xié)同搜索，從而在解空間內找到最優(yōu)解。常見的群智能算法有蟻群算法、粒子群算法、菌群優(yōu)化算法、蛙跳算法、人工蜂群算法等，其中粒子群算法簡單易于實現(xiàn)，是目前應用最為廣泛的群智能優(yōu)化算法之一。本文基于標準的粒子群算法［5］進行改進，解決了標準粒子群算法在大規(guī)模數(shù)據(jù)集情況下頻繁超出尋優(yōu)空間的問題，利用改進的粒子群優(yōu)化算法對天線參數(shù)尋優(yōu)，并通過應用實例驗證自尋優(yōu)系統(tǒng)的性能。

2 基于PSO算法的天饋自調優(yōu)系統(tǒng)設計

天饋調優(yōu)主要是針對天線簇的優(yōu)化調整，從一片區(qū)域的多個基站的視角出發(fā)，利用仿真API 模擬各種工參組合，用智能算法尋求區(qū)域最佳天線覆蓋效果。

2.1 天饋自調優(yōu)系統(tǒng)的基本原理及設計思路

某個待優(yōu)化目標區(qū)域由多個基站覆蓋，將目標區(qū)域按照地理經(jīng)緯度信息域劃分為簡單方形柵格，通過天線的增益文件和仿真地圖建立傳播模型，可得到每根天線在該區(qū)域的信號場強分布。由于無線信號的路徑損耗，部分柵格會存在弱覆蓋；由于天線之間的重疊，會有重疊覆蓋的柵格。

本文所述天饋自調優(yōu)系統(tǒng)的目標是通過智能算法優(yōu)化每個基站天線的高度、下傾角、方向角，使得待優(yōu)化區(qū)域的弱覆蓋和過覆蓋（重疊覆蓋）的柵格數(shù)目達到最小，系統(tǒng)尋優(yōu)流程如圖1 所示。根據(jù)選定的調優(yōu)區(qū)域，設定優(yōu)化參數(shù)的尋優(yōu)范圍，結合天線參數(shù)和MR/MDT 數(shù)據(jù)，折算調整后的柵格電平值，根據(jù)PSO算法尋找最優(yōu)天線參數(shù)，并輸出優(yōu)化方案。

圖1 天饋自調優(yōu)系統(tǒng)尋優(yōu)流程

圖1 所示系統(tǒng)流程中，天線的調整指標包括站高h、方向角a、下傾角d，這些指標同時影響目標區(qū)域的網(wǎng)絡覆蓋質量，工程上難以對上述參數(shù)進行連續(xù)的精確優(yōu)化，本系統(tǒng)按照固定步長對其進行優(yōu)化，這些參數(shù)的取值集合定義為：。針對此離散優(yōu)化問題，建立如下優(yōu)化模型。

其中，w1、w2分別表示弱覆蓋率和重疊覆蓋率的加權系數(shù)，w1+w2=1。式（1）的弱覆蓋率和重疊覆蓋率根據(jù)不同天線參數(shù)組合及工參組合仿真得到。

針對待優(yōu)化的問題區(qū)域，綜合考慮覆蓋這片區(qū)域的N個基站，每個小區(qū)有3 種不同的工參組合，通過仿真或者折算的方式預測場強。因此，根據(jù)不同天線參數(shù)組合，可以得到不同的覆蓋預測值矩陣。

如圖2 所示，通過輸入配置文件、基站工參、數(shù)字地圖、天線文件、MR/MDT 等數(shù)據(jù)實現(xiàn)對每個柵格的覆蓋電平值的仿真預測。根據(jù)覆蓋電平矩陣，在天線不同參數(shù)的離散空間中，通過PSO 算法尋找最優(yōu)的參數(shù)組合，實現(xiàn)系統(tǒng)的自動調優(yōu)。概括起來，系統(tǒng)設計的主要技術思路如圖3所示。

2.2 柵格電平矩陣預測

MR 數(shù)據(jù)由于不具備地理化位置信息，因此無法直接做柵格化處理，需要利用MDT 數(shù)據(jù)上報的經(jīng)緯度位置信息、鄰區(qū)特征、各小區(qū)電平特征以及工參數(shù)據(jù)，實現(xiàn)對MR數(shù)據(jù)的定位，并將定位后的MR數(shù)據(jù)填充到地理化柵格中。然后以“小區(qū)天線位置經(jīng)緯度”所在柵格為中心，按“平均覆蓋半徑”劃出一個（2×8+1）2的正方形區(qū)域作為一個映射結果記錄單位，即17×17 的柵格矩陣。由于需要取MDT數(shù)據(jù)對MR數(shù)據(jù)進行輔助定位，因此MDT柵格占比要求達到評估區(qū)域的25%以上才能有較好的效果。獲取柵格電平矩陣后，對每個柵格進行傳播模型矯正，并利用仿真獲得參數(shù)調整后的每個柵格的電平覆蓋預測值，或者基于天線文件結合算法對天線參數(shù)調整后每個柵格內的覆蓋電平進行折算，從而獲得預測值。

圖2 參數(shù)優(yōu)化的柵格模型示意圖

圖3 系統(tǒng)設計技術思路

對于該區(qū)域內已有的MDT 數(shù)據(jù)柵格，取MDT 平均電平值直接做填充，其余柵格的電平值按照MR 與MDT 折算后MR 的平均電平值做填充。由于需要取MDT 數(shù)據(jù)做折算、校準，因此MDT 柵格占比要求達到評估區(qū)域25%以上才能有較好的折算效果。

圖4中左圖是一種天線工參組合下的區(qū)域覆蓋場強，按圖4 右圖的映射關系，存為整型2 進制文件，文件名為：小區(qū)ECI 號_參數(shù)組合號.bil。這樣一個小區(qū)ECI 不同的參數(shù)組合，會對應不同的bil 文件，以供算法優(yōu)選。

2.3 基于改進的PSO算法的天饋優(yōu)化

粒子群算法的基本思想是利用群體中的個體對信息的共享使得整個群體的運動在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得問題的最優(yōu)解。針對式（1）的優(yōu)化問題，為克服標準粒子群算法在大規(guī)模數(shù)據(jù)集下收斂速度較慢的問題，本系統(tǒng)基于粒子群算法的優(yōu)化方法，在標準粒子群算法基礎之上，對算法初始化過程及尋優(yōu)迭代過程進行改進，采用改進的PSO 算法對天線參數(shù)優(yōu)化，輸出最優(yōu)參數(shù)配置與優(yōu)化方案，改進的PSO算法流程如圖5所示。

圖4 柵格電平矩陣存儲結果

圖5 改進的PSO算法流程圖

a）初始化：首先隨機初始化一組粒子組成粒子群，計算每個粒子的適應值，然后每次隨機產(chǎn)生一個粒子A，當A 的適應值大于原來種群中擁有最差適應值的粒子B 時，用B 替換掉A。經(jīng)過一定次數(shù)的替換后，會得到一個每個粒子都有較優(yōu)適應值的基礎群。因為每個粒子是隨機初始化產(chǎn)生的，所以相互之間在搜索空間中都相隔一定距離，為后續(xù)優(yōu)化提供了空間，從而避免了陷入局部最優(yōu)。

b）全局調節(jié)：每次參數(shù)調整范圍涉及尋優(yōu)區(qū)域內所有小區(qū)，每個小區(qū)的參數(shù)組合列表是按照高度、下傾角、方向角分別在可行范圍內掃描得到的參數(shù)序列組合。如表1所示，對需要尋優(yōu)的小區(qū)，按照尋優(yōu)范圍和步幅，預設參數(shù)序列組合，并按序映射成不同的groupid。高度尋優(yōu)范圍：±10 m 波動，步長5 m；角度尋優(yōu)范圍：±40°波動，步長5°；傾角尋優(yōu)范圍：±10°波動，步長2°。

做全局調節(jié)時是對尋優(yōu)范圍內所有的小區(qū)，在每個小區(qū)當前參數(shù)組合方案歸屬的groupid 附近選擇下一輪的參數(shù)組合方案，即在當前groupid 基礎上+1 或者-1 的范圍內去探索適應度更好的參數(shù)組合，這一點直接模仿了優(yōu)化工作中的天線微調動作。假設表1中小區(qū)86201385 當前為第3 號方案，則下一次選擇時隨機選取2 號或者4 號方案。這樣可以在較短時間內找出較為滿意的種群，即期望值較高的多組解。

表1 參數(shù)組合示例

c）局部調節(jié)：全局調節(jié)是對尋優(yōu)區(qū)域所有小區(qū)的參數(shù)組合按照一定規(guī)則同時修改，嘗試獲取大的動態(tài)范圍下的最優(yōu)參數(shù)結果。后期階段，是在上一步最優(yōu)解的基礎上，按照指定尋優(yōu)次數(shù)，隨機選取某個小區(qū)，對單個小區(qū)的參數(shù)組合方案做修改，每次迭代時只對單個天線的參數(shù)組合做出調整，如果變好則更新，如果變差則選擇該天線的下一組參數(shù)組合，這一點直接模仿了優(yōu)化工作中的單個小區(qū)的天線微調動作。迭代過程中如果達到期望值門限，也可終止局部調節(jié)。

3 系統(tǒng)應用實例與系統(tǒng)測試

本文通過一片包含10個宏站（含30個小區(qū)）的區(qū)域進行仿真和尋優(yōu)測試，步驟如下。

a）設定一個尋優(yōu)的范圍（圖6 中的藍色區(qū)域），可以根據(jù)GIS上畫定的范圍，整理成一個多邊形（更簡單的話可以是一個矩形）。

b）設置參與調優(yōu)的小區(qū)（圖6中的紅色區(qū)域）。

c）對藍色小區(qū)（buffer 區(qū)域）做標記，設置屬性F_RETUNE=0，當F_RETUNE 設置為0 時，其他參數(shù)如天線高度、方向角、下傾角取值范圍參數(shù)無效。

d）對紅色小區(qū)（調優(yōu)區(qū)域）做標記，設置屬性F_RETUNE=1。

e）對紅色小區(qū)的參數(shù)設置尋優(yōu)范圍，包括天線高度、下傾角、方向角。尋優(yōu)區(qū)域設定后，選擇參與計算的小區(qū)，對需要尋優(yōu)的小區(qū)，預設參數(shù)為高度±10 m 波動，步長為5 m；下傾角±10°波動，步長為2°；方向角±40°波動，步長為5°。

f）生成需要送給MDT折算的CSV文件。

g）根據(jù)2.3節(jié)改進PSO算法步驟，優(yōu)化天線參數(shù)。

圖6 區(qū)域選擇示意圖

h）尋優(yōu)過程的控制和監(jiān)督，如圖7 所示，其中數(shù)字A-B 表示第A 步的第B 次迭代下的適應度值，適應度值=1-區(qū)域內標記為覆蓋正常的柵格數(shù)/區(qū)域內所有柵格數(shù)。

i）從PSO.log里可以得到最終尋優(yōu)方案，粒子群算法的算法開銷如圖8 所示，測試區(qū)域內的不正常柵格（弱覆蓋或者重疊覆蓋高的柵格）占比由原來的34.9%降低到最優(yōu)的24.8%，本應用實例下，輸出的最優(yōu)調節(jié)方案如圖9所示。

4 結論

智能天饋自調優(yōu)系統(tǒng)基于基站工參、數(shù)字地圖、天線文件、MR/MDT MR 等數(shù)據(jù)源，針對綜合覆蓋率等指標，通過改進的粒子群算法迭代尋優(yōu)，達到目標區(qū)域的最佳覆蓋。本文給出了自調優(yōu)系統(tǒng)的設計流程及關鍵算法，并通過應用實例對系統(tǒng)進行了驗證分析，結果表明測試區(qū)域內的不正常柵格（弱覆蓋或者重疊覆蓋高的柵格）占比，由原來的34.9%降低到最優(yōu)的24.8%，網(wǎng)絡覆蓋性能有效提升。

圖7 尋優(yōu)過程示例

圖8 粒子群算法開銷

圖9 最佳方案輸出