冀云剛 霍永華

摘要：針對戰(zhàn)場機動通信網(wǎng)絡快速規(guī)劃需求，提出了一種基于貝葉斯網(wǎng)絡的組網(wǎng)參數(shù)自動規(guī)劃方法。通過對傳統(tǒng)二進制粒子群優(yōu)化算法在粒子群初始化和算法搜索空間等方面進行改進，實現(xiàn)了組網(wǎng)參數(shù)貝葉斯網(wǎng)絡結(jié)構的快速學習，利用貝葉斯網(wǎng)絡實現(xiàn)組網(wǎng)參數(shù)的自動規(guī)劃，以超短波電臺網(wǎng)絡為仿真模型，對算法進行了仿真驗證。結(jié)果表明，該算法在超短波組網(wǎng)參數(shù)規(guī)劃中具有較高的準確率，能夠滿足戰(zhàn)場機動通信網(wǎng)絡快速規(guī)劃需求。

關鍵詞：網(wǎng)絡規(guī)劃；貝葉斯網(wǎng)絡；粒子群優(yōu)化

中圖分類號：TP393文獻標志碼：A文章編號：1008-1739（2022）13-43-5

0引言

戰(zhàn)場機動通信網(wǎng)絡具有通信手段種類多、組織應用靈活等特點，這就導致需要規(guī)劃大量的網(wǎng)絡開通參數(shù)。以某典型機動通信網(wǎng)絡為例，需要規(guī)劃的各類參數(shù)多達20多萬條。雖然采用了自動規(guī)劃相關技術，但仍有大量參數(shù)需規(guī)劃人員根據(jù)自身經(jīng)驗進行人工規(guī)劃，難度大、效率低，影響網(wǎng)絡快速開通。

近年來，隨著數(shù)據(jù)挖掘和機器學習等技術的快速發(fā)展，在網(wǎng)絡規(guī)劃領域也逐步推廣應用。文獻[1]中將決策樹算法和關聯(lián)規(guī)則算法應用到電信網(wǎng)規(guī)劃中，進行數(shù)據(jù)的分類整理和后期檢測。文獻[2]針對傳統(tǒng)網(wǎng)絡規(guī)劃問題，提出建立基于多維數(shù)據(jù)的網(wǎng)絡質(zhì)量評估模型，提升網(wǎng)絡規(guī)劃效率和精細程度。文獻[3]通過對現(xiàn)網(wǎng)數(shù)據(jù)的挖掘分析，構建價值評估、干擾評估和覆蓋評估等多維度的評估體系，指導網(wǎng)絡規(guī)劃，提升網(wǎng)絡質(zhì)量。文獻[4]通過基于三角幾何的方式采用外接圓自動規(guī)劃算法，實現(xiàn)站址的自動規(guī)劃。文獻[5]在站址優(yōu)化選擇中采用一種改進的粒子群算法，取得了較好的效果。但上述研究成果一般針對固定網(wǎng)絡，主要側(cè)重站址選擇、頻率分配和網(wǎng)絡評估分析等，針對戰(zhàn)場復雜環(huán)境下的機動通信網(wǎng)絡規(guī)劃方面涉及較少。本文從戰(zhàn)場機動通信網(wǎng)絡快速規(guī)劃開通需求出發(fā)，提出了一種基于貝葉斯網(wǎng)絡（Bayesian Network，BN）的規(guī)劃參數(shù)自動規(guī)劃模型，通過對典型規(guī)劃方案數(shù)據(jù)的挖掘分析，識別不同規(guī)劃因素間潛在的關聯(lián)關系，構建機動通信網(wǎng)絡規(guī)劃因素的貝葉斯網(wǎng)絡模型，實現(xiàn)組網(wǎng)參數(shù)自動規(guī)劃，從而提升規(guī)劃效率，降低規(guī)劃難度。

1貝葉斯網(wǎng)絡

1.1貝葉斯網(wǎng)絡

③適應度計算

在基于貝葉斯網(wǎng)絡的粒子更新算法中，粒子適應度的計算對應貝葉斯網(wǎng)絡中的評分函數(shù)。貝葉斯網(wǎng)絡常見的評分函數(shù)包括BIC，BDE和MDL等。在本文中采用BIC評分來計算粒子適應度。

另外，針對算法學習到的自循環(huán)、雙向箭頭和內(nèi)循環(huán)非法結(jié)果，可分別采用直接刪除循環(huán)弧線和隨機刪除其中一條弧線進行處理。

2組網(wǎng)參數(shù)自動規(guī)劃算法

針對機動通信網(wǎng)絡中存在的大量超短波子網(wǎng)規(guī)劃需求，本文采用基于貝葉斯網(wǎng)絡的自動規(guī)劃算法，流程如圖3所示。

①規(guī)劃數(shù)據(jù)整理：目前已有的規(guī)劃數(shù)據(jù)中只包含了設備具體參數(shù)部分，沒有體現(xiàn)影響組網(wǎng)參數(shù)的輸入性內(nèi)容，如節(jié)點類型和節(jié)點位置等，需針對任務輸入內(nèi)容進行歸一化整理，形成格式化輸入數(shù)據(jù)。

②貝葉斯網(wǎng)絡結(jié)構學習：基于整理后的格式化數(shù)據(jù)，采用改進的粒子群算法學習超短波組網(wǎng)參數(shù)的貝葉斯網(wǎng)絡結(jié)構。

③規(guī)劃超短波組網(wǎng)參數(shù)：利用學得的貝葉斯網(wǎng)絡進行超短波組網(wǎng)參數(shù)自動規(guī)劃，生成超短波組網(wǎng)參數(shù)。

④網(wǎng)絡開通驗證：利用生成的超短波網(wǎng)絡組網(wǎng)參數(shù)開通超短波網(wǎng)絡，驗證規(guī)劃參數(shù)的正確性和可用性。

3實驗及結(jié)果分析

3.1實驗數(shù)據(jù)

本文選擇了12個不同典型任務場景下的704個超短波子網(wǎng)組網(wǎng)參數(shù)規(guī)劃結(jié)果，進行數(shù)據(jù)梳理，最終形成數(shù)據(jù)完整的680個超短波子網(wǎng)組網(wǎng)參數(shù)規(guī)劃結(jié)果數(shù)據(jù)作為本文的訓練樣本。

3.2貝葉斯網(wǎng)絡結(jié)構學習

（1）算法參數(shù)選擇

在二進制粒子群算法中的不同參數(shù)的選擇對算法性能影響較大，學者們的研究結(jié)果表明，一般取值為0.4～0.9。在本文算法中=0.7，1= 2=2，其他參數(shù)設置如表1所示。

（2）粒子初始化

選擇影響超短波組網(wǎng)的典型參數(shù)，包括節(jié)點類型、節(jié)點位置、成員類型、業(yè)務類型、成員數(shù)量、工作模式以及時隙數(shù)，分別計算互信息，結(jié)果如下：