邢呈勇，劉 耘

（新疆大學(xué) 建筑工程學(xué)院，新疆 烏魯木齊 830017）

0 引 言

隨著通信技術(shù)的不斷發(fā)展和進步，移動通信完成了由20世紀(jì)80年代1G模擬通信，向90年代2G語音和GPRS的更替，再邁向后期的3G語音數(shù)據(jù)業(yè)務(wù)的擴展，以及2010年開始的LTE數(shù)據(jù)業(yè)務(wù)+Volte技術(shù)。網(wǎng)絡(luò)規(guī)模和覆蓋不斷得到提升和滿足，為人民的生活提供了更多的便利性?，F(xiàn)如今，5G新基建重要地位的確立，5G通信的應(yīng)用和普及已經(jīng)到來，使得5G網(wǎng)絡(luò)建設(shè)和應(yīng)用進入了快車道，使萬物互聯(lián)成為可能。對于網(wǎng)絡(luò)建設(shè)初期階段主要從無線網(wǎng)絡(luò)的規(guī)劃結(jié)合城市發(fā)展的角度，對通信設(shè)備進行安排部署。然而，隨著城市化進程的發(fā)展，加之現(xiàn)階段通信運營商多種網(wǎng)絡(luò)制式共存，通信設(shè)備的能耗將持續(xù)增加，也成為各通信運營商關(guān)注的重點?；竟闹饕ㄖ髟O(shè)備功耗、空調(diào)等配套設(shè)施功耗以及配電和其他能耗等?，F(xiàn)網(wǎng)中運行的2G、3G以及4G主設(shè)備大部分均采用BBU+RRU模式，主設(shè)備能耗也成為關(guān)注的重點。根據(jù)綠色和平、賽寶計量檢測中心的相關(guān)研究分析，5G基站耗能主設(shè)備能耗（BBU和AAU）和空調(diào)能耗均占比46%，如圖1所示。對于運營商而言，解決空調(diào)能耗及主設(shè)備相關(guān)的能耗問題成為了研究的重點。國內(nèi)外對通信節(jié)能的研究均得到了長足的發(fā)展，各專家學(xué)者分別從規(guī)劃站點數(shù)量、負(fù)荷分擔(dān)、通信設(shè)備機房配套設(shè)備設(shè)施及智能關(guān)斷算法等進行了相關(guān)研究。然而對于通信運營中設(shè)備的有效利用和合理調(diào)度的研究很少。本文擬從資源調(diào)度的角度，利用有限的現(xiàn)網(wǎng)資源，將空閑的運營設(shè)備調(diào)度至較忙站點，合理調(diào)度通信設(shè)備資源，既能提高設(shè)備資源的利用率，又能達(dá)到節(jié)能減排的目的。

圖1 5G基站能耗分布（來源于網(wǎng)絡(luò)）

1 調(diào)度問題相關(guān)的研究

基于調(diào)度路徑問題的研究，文獻(xiàn)[6]首先提出了如何解決配送路線優(yōu)化的問題。相關(guān)行業(yè)的從業(yè)者和研究人員對提出的這個問題給予了極大的重視，很快成為組合優(yōu)化、計算機應(yīng)用技術(shù)、調(diào)度等復(fù)合學(xué)科研究的方向。許多專家不斷發(fā)現(xiàn)新的配送路線選擇問題并進行了大量的模擬仿真推理實驗，各種解決方法和方案層出不窮。文獻(xiàn)[7]對此問題進行了綜述研究。文獻(xiàn)[8]為了避免同一輛車配送不同產(chǎn)品混合的情況，提出了一種車輛車廂分割配送的遺傳算法。文獻(xiàn)[9]對LRP進行了詳細(xì)的分類，提出物品流向、供/需特征、設(shè)施數(shù)量、運輸車輛數(shù)量、車輛裝載能力、設(shè)施容量、設(shè)施分級、計劃期間、時間限制、目標(biāo)數(shù)、模型數(shù)據(jù)類型。我國相應(yīng)的概念雖然在20世紀(jì)90年代早期才逐漸出現(xiàn)，在配送路徑優(yōu)化研究領(lǐng)域有些落后，然而，在優(yōu)化車輛運送路線方面已經(jīng)取得了一些成果。各位專家學(xué)者應(yīng)用禁忌搜索，粒子群優(yōu)化和遺傳算法等國際先進方法，解決了實際配送調(diào)度路徑優(yōu)化問題，在提高配送路徑優(yōu)化問題的便利性和結(jié)合性等方面并不遜色。文獻(xiàn)[10]對具有多次訪問的非配對接送車輛路徑問題進行了相關(guān)的研究，為企業(yè)帶來更大的降本增效空間。文獻(xiàn)[11]運用改進蟻群算法，以車輛行駛里程最短和碳排放量最少為目標(biāo)進行了相關(guān)研究。文獻(xiàn)[12]運用改進遺傳算法對時尚行業(yè)零售網(wǎng)點多品類取送貨車輛整合拆分理論進行了研究。文獻(xiàn)[13]基于顧客時間滿意度的車輛路徑問題，允許多次經(jīng)過同一需求點的情況發(fā)生，而需求點只能被同一輛車服務(wù)一次的限制，驗證了模型的有效性。文獻(xiàn)[14]通過綜述前人研究的VRPSPD（Vehicle Routing Problem with Simultaneous Pickup and Delivery）研究成果及方向，提出了同時最小化運輸成本與最小化各路徑間最大長度差的雙目標(biāo)模型對VRPSPD進行了相關(guān)研究。本文結(jié)合通信運營設(shè)備資源的特征，通過對國際國內(nèi)資源調(diào)度的研究進行相關(guān)研學(xué)，將不同類型及不同廠家的通信運營設(shè)備的施工時間及運輸時間綜合考慮以適應(yīng)客戶滿意度，制定適用于通信運營設(shè)備拆分的調(diào)度模型，同時運用計算機技術(shù)，應(yīng)用蟻群算法進行尋優(yōu)操作，對其綜合調(diào)度進行研究。

2 問題描述和假設(shè)

2.1 問題的描述

對于現(xiàn)網(wǎng)運營的基站站點，其載頻數(shù)量過大而處于閑置狀態(tài)時，耗電量不會實質(zhì)性降低，而會增加電能的資源消耗。如果能夠合理地調(diào)度通信設(shè)備資源，將閑置通信運營設(shè)備應(yīng)用于業(yè)務(wù)量需求大的站點，既能使其資源得到充分利用又節(jié)約其采購成本。基于此，提出對通信設(shè)備資源的調(diào)度以達(dá)到降本增效的目的。通信節(jié)能減排的調(diào)度問題，主要關(guān)注的是基站站點較長時段的業(yè)務(wù)量情況以及增長減少趨勢分析。通過后臺指標(biāo)監(jiān)控獲取數(shù)據(jù)分析各個站點及其扇區(qū)業(yè)務(wù)量的增長情況，得出各站點對通信運營設(shè)備的需求量。對于通信設(shè)備站點的調(diào)度如圖2所示。

圖2 站點設(shè)備調(diào)度圖示例

2.2 問題的假設(shè)

在考慮通信設(shè)備資源調(diào)度問題中，通信運營商網(wǎng)絡(luò)維護人員擁有一定數(shù)量的相同車輛，假設(shè)車輛勻速行駛。車輛從公司駐地出發(fā)在一定行程的工作時間內(nèi)完成各站點之間的設(shè)備調(diào)度。每個站點的拆裝設(shè)備可由不同的車輛維護人員分批次完成，但同一站點的同類設(shè)備的需求不可拆分。在車輛最大工作時間內(nèi)滿足所有站點設(shè)備資源需求的情況下，實現(xiàn)車輛數(shù)量和行駛距離之和最小化。

假設(shè)站點區(qū)域內(nèi)共用={0，1，2，…，}個頂點，其中0表示調(diào)度中心，其余頂點為各需求和提供設(shè)備站點。={1，2，…，}為設(shè)備類集合，={1，2，…，}為配送車輛集合。頂點與頂點之間的車輛行駛距離為D，配送車輛的最大載重量為Capacity，配送車輛的最大行程時間為。

此問題為考慮多目標(biāo)的車輛調(diào)度問題，為便于模型的建立和求解，結(jié)合項目實地調(diào)研，將車輛數(shù)量和行駛距離以及施工人員作業(yè)轉(zhuǎn)換為成本去求解。通過實地調(diào)研，通信設(shè)備運營調(diào)度數(shù)據(jù)如表1所示。

表1 通信運營設(shè)備調(diào)研數(shù)據(jù)

3 模型的建立

3.1 數(shù)據(jù)的初步處理

以往對于路徑距離的研究都是考慮運用勾股定理計算任意2個節(jié)點距離的方法，但實際中應(yīng)該運用實際駕駛距離計算更切合實際，因此，本文提出通過Python結(jié)合高德地圖API獲取道路的實際駕駛路線進行駕駛距離的選取。通過該改進，不僅可以提高運行速度，而且提高了系統(tǒng)的計算精度（高德地圖API返回的數(shù)據(jù)精度達(dá)到米的級別）。

主要涉及到高德地圖API的使用，該接口可以通過各站點的經(jīng)緯度信息獲取實際道路的駕駛距離，該接口的服務(wù)地址為：http://restapi.amap.com/v3/distance，接口請求包括origins（起點）、destination（終點）、out_lng（初始點經(jīng)度），out_lat（初始點緯度），des_lng（目的站點經(jīng)度），des_lat（目的站點緯度），用json讀取Excel里各站點經(jīng)緯度信息，返回駕駛距離新建Excel中，這里得到的任意兩節(jié)點間的距離d是實際道路的駕駛距離，更有一定的實用性。表2為站點數(shù)據(jù)的輸入信息，表3為獲取到的路徑數(shù)據(jù)信息。

表2 通信站點位置經(jīng)緯度信息

表3 輸出站點駕駛距離信息

3.2 模型的建立

根據(jù)上述對通信運營設(shè)備調(diào)度問題的描述及分析，運用站點間的實際駕駛距離進行通信設(shè)備調(diào)度優(yōu)化，考慮不同通信運營設(shè)備的情形，建立了調(diào)用變量的通信運營設(shè)備調(diào)度問題模型。

目標(biāo)函數(shù)：

約束條件：

其中:為公司駐地/調(diào)配中心；為站點集合；為設(shè)備型號集合；為車輛集合；，，，為索引；D為站點到站點的距離，∈?,∈?；Demand為需求站點對設(shè)備類型的需求或供給量，∈,∈；

為單車使用固定成本；為車輛單公里變動成本；Max為單車輛最大服務(wù)時間；為施工時間；Capacity為車輛最大裝載量（經(jīng)過調(diào)研已知信息）；為車輛行駛速度。

決策變量：

E=E+X*demand*w為車輛離開站點時的載重量，∈,∈；

式（1）考慮了車輛綜合成本、運輸路徑油耗及磨損成本的總配送成本最小目標(biāo)，隱含了使用調(diào)度車輛數(shù)最小、各站點間駕駛距離最短的兩個子目標(biāo)；式（2）約束了車輛必須被使用則必須服務(wù)需求站點；式（3）約束了每個需求站點的單個類型設(shè)備最多只能被同一車輛服務(wù)一次；式（4）約束了每輛調(diào)度車輛的行駛總時間的限制；式（5）約束了每輛調(diào)度車輛的載重設(shè)備數(shù)小于最大載重數(shù)；式（6）約束了每個站點只能被同一輛車服務(wù)一次；式（7）約束了運用于通信運營設(shè)備的調(diào)度，即各站點對于設(shè)備需求量可以被滿足。

4 模型的求解

4.1 蟻群算法

蟻群算法（Ant Colony Optimization，ACO）是一種用來在圖中尋找優(yōu)化路徑的機率型算法，也稱“螞蟻算法”。最早用于解決著名的旅行商問題（Traveling Salesman Problem，TSP）。蟻群優(yōu)化算法已應(yīng)用于許多組合優(yōu)化問題，解決產(chǎn)生貨郎擔(dān)問題的擬最優(yōu)解問題。同時，它在圖表動態(tài)變化的情況下解決相似問題時，蟻群算法可以連續(xù)運行并適應(yīng)實時變化，相比模擬退火和遺傳算法方法有優(yōu)勢。在網(wǎng)絡(luò)路由和城市交通系統(tǒng)中具有顯著的優(yōu)勢。蟻群算法強調(diào)的是從始發(fā)點到回到始發(fā)點的路徑最優(yōu)問題，與通信節(jié)能減排中的通信運營設(shè)備調(diào)度起始站點和終止點具有相似和關(guān)聯(lián)性。

4.2 解空間的構(gòu)建

蟻群算法的特征是選擇模型構(gòu)造完全圖=(,)。其中為頂點集合即為各站點或配送調(diào)度中心，為邊集合即為各站點及配送調(diào)度中心之間距離的集合。在圖中，螞蟻通過隨機選取一個頂點進行遍歷搜索，通過輪盤賭概率算法進行尋優(yōu)，通過各路徑上的信息素濃度進行路徑的選擇。

輪盤賭算法是一種比例選擇法，用以選擇到站點的概率，個體被選中的概率與其適應(yīng)度大小成正比產(chǎn)生一個隨機數(shù)。

假設(shè)種群大小即螞蟻數(shù)量為，首先螞蟻從配送中心出發(fā)，在約束條件下，到可供站點取某類型通信設(shè)備，再對需求站點進行配送調(diào)度，出發(fā)點和之間的距離為d。在調(diào)度過程中，從出發(fā)站點到目的站點，會留下一定的信息，以供第二次或者其他螞蟻尋求到信息，沿著信息素的路線尋找最優(yōu)路徑，此過程記為τ()，表示時刻螞蟻由始發(fā)點到目的點的信息素濃度。螞蟻在構(gòu)建路徑的每一步中，用輪盤賭法選擇下一個要到達(dá)的城市。第只螞蟻根據(jù)各站點信息素的濃度在滿足約束條件下選擇下一個站站點，假設(shè)P()表示螞蟻在時刻從始發(fā)點行駛到目的點的概率，則計算公式為：

式中：，分別代表始發(fā)站點和目的站點；為信息素因子，反映了螞蟻在運動過程中路徑上積累的信息素的量，為指數(shù)函數(shù)因子指導(dǎo)蟻群搜索中相對重要程度；為啟發(fā)函數(shù)因子，反映了啟發(fā)式信息在指導(dǎo)蟻群搜索中的相對重要程度，蟻群尋優(yōu)過程中先驗性、確定性等因素的作用強度；η()=1 d是兩站點，實際駕駛路徑距離的倒數(shù)，表示螞蟻從到的能見度；τ()為時刻由到的信息素濃度；兩地距離越短，信息素濃度越大的路徑被選擇的概率越大；allowed為尚未訪問過的站點集合。

信息素的更新規(guī)則為：

式中：為信息素常量，用以防止蟻群算法過早收斂陷入局部最優(yōu)解的參數(shù)；為信息素?fù)]發(fā)因子，反映了信息素消失的水平，相反的1-反映了信息素保持的水平；L為第只螞蟻經(jīng)過的路徑長度；τ(+1)表示第+1次循環(huán)后始發(fā)點到目的點上的信息素含量的水平；τ()*(1-)表示保留的信息素濃度；Δτ為第只螞蟻在本次循環(huán)中路徑（,）上留下信息素的量；Δτ表示新增信息素量的和，即為只螞蟻在始發(fā)點到目的點路徑上留下的信息素總和。

4.3 算法步驟

如圖3所示，首先初始化各參數(shù)（如螞蟻數(shù)量、信息素因子、啟發(fā)函數(shù)因子、信息素?fù)]發(fā)因子、信息素常數(shù)、最大迭代次數(shù)itermax等），以保證隨機放置只螞蟻到各個站點。其次，對于每一只螞蟻，需要在滿足約束條件的前提下，根據(jù)概率轉(zhuǎn)換公式，運用輪盤賭法選擇下一個待訪問站點，并更新循環(huán)次數(shù)，判斷運營商設(shè)備是否均已調(diào)度，如果在約束條件下沒有調(diào)度完成，繼續(xù)進行選擇調(diào)度，直到所有螞蟻訪問完所有站點滿足取送要求，同時更新各站點間的信息素濃度。最后，判斷是否達(dá)到最大迭代次數(shù)，如果未達(dá)到最大迭代次數(shù)，則迭代次數(shù)加1并清空螞蟻經(jīng)過路徑的記錄表，繼續(xù)返回尋優(yōu)；否則，輸出最優(yōu)路徑做出各次迭代的可視化結(jié)果及配送方案。

圖3 蟻群算法步驟

4.4 參數(shù)的分析

蟻群算法的主要參數(shù)有蟻群的大小、信息素啟發(fā)因子指數(shù)、距離啟發(fā)函數(shù)因子指數(shù)、信息素?fù)]發(fā)系數(shù)、信息素增量強度常數(shù)。蟻群算法作為一種適應(yīng)性很高的智能算法，參數(shù)設(shè)置沒有固定的數(shù)值，一般是根據(jù)實際問題的要求實時設(shè)置，因此往往需要經(jīng)過大量的模擬實驗來確定參數(shù)的取值。就螞蟻遍歷模型而言，參數(shù)設(shè)置取值范圍一般為：取值1～5之間；取值1～5之間；取值一般為0～1之間；取值一般在100～1 000之間。

文獻(xiàn)[15]對超市配送運用蟻群算法進行了相關(guān)參數(shù)的分析。由于以往研究沒有對通信設(shè)備調(diào)度的相關(guān)研究的算例數(shù)據(jù)，本文采取某市通信設(shè)備調(diào)度的10站點與50站點的算例數(shù)據(jù)進行參數(shù)的分析。

根據(jù)以往經(jīng)驗結(jié)合模型的實際驗證，螞蟻數(shù)量設(shè)置為目標(biāo)數(shù)的1.5倍較為理想。因此，本算例中取值為站點數(shù)的1.5倍。由于與之間的關(guān)系比較緊密，因此在其他參數(shù)不變的情況下對與進行模擬實驗，設(shè)置迭代次數(shù)為100次，觀察其目標(biāo)值。通過模擬實驗分析，結(jié)合以往的經(jīng)驗，在取值為3，取值為1時，穩(wěn)定性較好，能夠取得較優(yōu)解。因此，本文設(shè)置=3，=1。由于通信設(shè)備的調(diào)度主要考慮設(shè)備類型的匹配度，且各站點距離相對于用車綜合成本較低，故應(yīng)在保證設(shè)備類型匹配的情況下進行路徑的選優(yōu)，所以值不宜設(shè)置過高，本文選取配送路徑優(yōu)化模型的值為0.2。根據(jù)蟻群算法以往經(jīng)驗來設(shè)置參數(shù)，避免過早收斂，出現(xiàn)局部最優(yōu)解，因此設(shè)置=100。

5 算例驗證及結(jié)果分析

為驗證模型及算法的尋優(yōu)性能，選取20個站點進行尋優(yōu)測試。算法采用Matlab 2018a編程語音實現(xiàn)，微機運行環(huán)境為：IntelCorei5-8265U CPU@1.60 GHz 1.80 GHz，內(nèi)存8 GB的個人電腦上運行。

5.1 算例驗證

通過實地調(diào)研分析，各站點對各類型設(shè)備需求及供給如表4所示。為了驗證本模型的有效性，本文通過實地調(diào)研選取20個站點，對通信設(shè)備進行調(diào)度處理。首先將調(diào)研站點的數(shù)據(jù)進行初步處理，運用Python結(jié)合高德地圖API獲取到實際駕車距離，如表5所示。

表4 20個站點供需信息

表5 調(diào)度中心及20個站點之間實際駕駛距離 km

通過運行程序得到配送車輛為3輛，路線如下：

1）車輛1：0—2—1—12—3—15—8—6—17—14—0

描述如下：車輛1由公司駐地（調(diào)配中心）出發(fā)依次到達(dá)2號站點取走4類設(shè)備1臺，然后到達(dá)1號站點取走1類設(shè)備2臺，再到12號站點卸載并安裝1類設(shè)備1臺，再到3號站點卸載并安裝1類設(shè)備1臺并同時取走3類設(shè)備1臺，然后再到15號站點取走3類設(shè)備1臺，再到8號站點卸載并安裝3類設(shè)備2臺，再到6號站點取走2類設(shè)備1臺，然后再到17號站點卸載并安裝2類設(shè)備1臺，再到14號站點卸載并安裝4類設(shè)備1臺，然后空載回到公司駐地（調(diào)配中心），用時482 min，滿足約束條件。

2）車輛2：0—14—11—5—4—16—20—10—19—0

描述如下：車輛2由公司駐地（調(diào)配中心）出發(fā)依次到達(dá)14號站點取走2類設(shè)備2臺，然后到達(dá)11號站點卸載并安裝2類設(shè)備1臺，再到達(dá)5號站點卸載并安裝2類設(shè)備1臺，再到4號站點取走1類設(shè)備1臺，再到16號站點卸載并安裝1類設(shè)備1臺，再到20號站點取走4類設(shè)備1臺，再到10號站點卸載并安裝4類設(shè)備1臺同時取走3類設(shè)備2臺，然后到19號站點卸載并安裝3類設(shè)備2臺，然后空載回到公司駐地（調(diào)配中心），用時475 min，滿足約束條件。

3）車輛3：0—9—19—7—18—13—0

描述如下：車輛3由公司駐地（調(diào)配中心）出發(fā)依次到達(dá)9號站點取走1類設(shè)備2臺，然后到19號站點卸載并安裝1類設(shè)備1臺，再到7號站點取走4類設(shè)備2臺和3類設(shè)備1臺并卸載并安裝1類設(shè)備1臺，到18號站點卸載并安裝4類設(shè)備2臺，再到13號站點卸載并安裝3類設(shè)備1臺，然后空載回到公司駐地（調(diào)配中心），用時390 min，滿足約束條件。

通過運行20站點算例數(shù)據(jù)，目標(biāo)函數(shù)及程序迭代次數(shù)圖如圖4所示，收斂明顯。通信設(shè)備具體調(diào)度路線如圖5所示，其中黑色代表取設(shè)備，灰色代表配送需求，虛線代表返回公司駐地（配送中心）。通過對復(fù)雜的不同運行中的通信設(shè)備進行合理調(diào)度，其成本呈現(xiàn)下降趨勢，需求車輛數(shù)為3輛，其調(diào)度總成本為742.6元。

圖4 迭代圖

圖5 配送調(diào)度圖

5.2 結(jié)果分析

通過對實地施工人員的調(diào)研，其調(diào)度采用先由近及遠(yuǎn)取設(shè)備再返回配送中心，再安排車輛進行通信設(shè)備的調(diào)度。由于需要取回設(shè)備17臺超出車輛最大載量限制，選配2輛車進行取貨操作，然后再安排車輛進行配送。

結(jié)合調(diào)度問題，通過實地調(diào)研及實際駕駛距離，某M市施工人員施工安排調(diào)度配送如下：

取設(shè)備車輛：

車輛1：0—2—7—14—20—10—3—0

車輛2：0—1—15—4—9—6—0

配送設(shè)備車輛：

車輛3：0—11—7—18—14—16—12—3—13—5—0

車輛4：0—8—10—17—19—0

根據(jù)調(diào)研數(shù)據(jù)及獲取道路實際駕車距離，計算所花費時間及實際費用如下：

車輛1花費時間及費用：

車輛2花費時間及費用：

車輛3花費時間及費用：

車輛4花費時間及費用：

與模型算例總成本742.6元相比，調(diào)度成本節(jié)約148.3元。對于現(xiàn)階段施工先取后送會增加調(diào)配中心的處理成本，造成資源的浪費和效率的降低。應(yīng)用該模型及算法進行尋優(yōu)操作，不僅不需要配送中心的處理成本，而且對各站點配送方案進行優(yōu)化，現(xiàn)取現(xiàn)送，也很大程度上減少了設(shè)備型號配送錯誤導(dǎo)致的返工。對資產(chǎn)管理系統(tǒng)中資產(chǎn)的調(diào)配在施工之前就能夠確定，減少了后期調(diào)整變更的工作量。因此，該模型可為通信運營設(shè)備調(diào)度提供理論指導(dǎo)，提高管理效率。

6 結(jié) 語

本文通過對當(dāng)前通信發(fā)展的趨勢分析，多網(wǎng)融合發(fā)展作為今后的發(fā)展趨勢，初步分析了通信設(shè)備能耗的占比，從而引出通信運營設(shè)備調(diào)度管理的研究問題。多網(wǎng)融合共存的情況下，多類型通信運營設(shè)備的調(diào)度處理成為了今后管理研究的主要方向。結(jié)合通信設(shè)備的特點及調(diào)研數(shù)據(jù)進行分析，建立了通信運營設(shè)備的調(diào)度模型，并運用計算機技術(shù)進行算例的模擬求解。通過模型求解與現(xiàn)階段施工人員所調(diào)度的方案進行對比分析，證明了模型的有效性。不僅節(jié)約了成本，也優(yōu)化了資產(chǎn)調(diào)整的工作量。運用該模型用定量分析法輸出調(diào)度路徑，同時結(jié)合施工人員的施工經(jīng)驗確定路徑，能夠更好地為通信運營設(shè)備的調(diào)度進行指導(dǎo)。對現(xiàn)網(wǎng)運行設(shè)備能夠充分利用，降低耗能，同時也減少了新設(shè)備的采購成本，實現(xiàn)降本增效的目的。由于通信運營設(shè)備調(diào)度，涉及到取送結(jié)合，復(fù)雜度較高。今后研究可以將其他因素考慮進來，如可以加入考慮路徑擁堵時間窗的研究等。