基于人工蜂群算法的基站天線方位角與下傾角自優(yōu)化方法

蔡佳祺，萬海斌，孫友明，覃團發(fā)

（1. 廣西大學(xué)計算機與電子信息學(xué)院，廣西 南寧 530004；2. 中國聯(lián)合網(wǎng)絡(luò)通信有限公司漯河市分公司，河南 漯河 462000；3. 廣西多媒體通信與網(wǎng)絡(luò)技術(shù)重點實驗室，廣西 南寧 530004）

1 引言

為減少電信運營商在運維管理中產(chǎn)生的OPEX（operating expense，操作開銷），3GPP 引入了自組織網(wǎng)絡(luò)（self-organizing network，SON）概念，目的是減少人工干預(yù)，降低運維成本，提升工作效率[1]。SON 主要包含3 部分功能：第一，自配置功能，是指自動對新入網(wǎng)基站的初始參數(shù)進行配置，完成基站入網(wǎng)前需要的必要配置；第二，自優(yōu)化功能，是指自動對現(xiàn)網(wǎng)基站參數(shù)進行優(yōu)化，使網(wǎng)絡(luò)性能達到最佳狀態(tài)，主要包括覆蓋與容量優(yōu)化、移動負(fù)載均衡、小區(qū)間干擾協(xié)調(diào)、隨機接入信道優(yōu)化等；第三，自治愈功能，是指自動對網(wǎng)絡(luò)故障進行修復(fù)，減少由設(shè)備故障對網(wǎng)絡(luò)造成的影響。

在3GPP 提出的TR32.836 協(xié)議[2]中，對覆蓋自優(yōu)化的用例進行了定義，但未給出具體的解決方案。目前，針對基站天線方位角或下傾角的自優(yōu)化問題，已有學(xué)者提出了一些方法。參考文獻[3]提出針對弱覆蓋小區(qū)和疊覆蓋小區(qū)，利用改進的模擬退火算法優(yōu)化基站天線方位角，改善系統(tǒng)的吞吐量。參考文獻[4]提出利用粒子群優(yōu)化算法優(yōu)化基站天線下傾角，改善用戶平均頻譜效率。參考文獻[5]提出用戶設(shè)備到基站呈現(xiàn)高斯分布特性，利用該特性判別基站天線的最佳方位角，發(fā)現(xiàn)天線接反、天線方向不合理等問題。參考文獻[6]提出利用螢火蟲算法優(yōu)化基站電調(diào)天線下傾角，改善系統(tǒng)的吞吐量。參考文獻[7]提出利用梯度下降法優(yōu)化基站天線下傾角，改善系統(tǒng)頻譜效率。

綜合上述參考文獻，現(xiàn)有方法局限于針對基站天線方位角或下傾角單獨進行優(yōu)化，鮮有針對基站天線方位角與下傾角同時優(yōu)化的方法；現(xiàn)有方法主要針對系統(tǒng)吞吐量、用戶平均頻譜效率、頻帶利用率等作為優(yōu)化目標(biāo)的情況，鮮有針對基站天線對用戶設(shè)備的增益作為優(yōu)化目標(biāo)的研究。本文將以基站天線對待優(yōu)化區(qū)域平均增益為目標(biāo)函數(shù)，利用MATLAB 平臺對系統(tǒng)進行仿真建模，通過人工蜂群算法對目標(biāo)函數(shù)最優(yōu)解進行計算，得到基站天線方位角與下傾角的最優(yōu)解，并選取平原地區(qū)農(nóng)村場景進行外場實驗。實驗結(jié)果表明，該方法與依靠人工經(jīng)驗的傳統(tǒng)網(wǎng)絡(luò)優(yōu)化方法相比，基站天線方位角與下傾角的調(diào)整方案能夠更精確、及時，基站周邊用戶接收的RSRP 得到明顯提升。

2 系統(tǒng)建模

實驗基站m與用戶設(shè)備n之間的位置關(guān)系示意圖如圖1 所示，設(shè)點O(a,b)為實驗基站m的位置，點C 為用戶設(shè)備n的位置，點C'(x,y)為點C在水平面上的投影，hm為實驗基站m的高度，hn為用戶設(shè)備n的高度，dm,n為用戶設(shè)備n到實驗基站m的水平距離。射線AB 為實驗基站m第i扇區(qū)天線的下傾方向，Θi為該天線以正北方向為基準(zhǔn)的水平方位角，Φi為該天線的垂直下傾角，θin為用戶設(shè)備n以正北方向為基準(zhǔn)的水平方位角，φin為用戶設(shè)備n到實驗基站m第i扇區(qū)天線下傾方向的垂直下傾角。

實驗基站m連接用戶設(shè)備集合N，基站天線對于每個用戶設(shè)備n的水平增益角與垂直增益角均不相同。因此，αin為用戶設(shè)備n到實驗基站m第i扇區(qū)天線下傾方向在地面投影的水平偏角，即基站天線對用戶設(shè)備n的水平增益角。根據(jù)幾何關(guān)系可知：

其中，為實驗基站m第i扇區(qū)天線到用戶設(shè)備n的方向與其發(fā)射方向之間垂直偏角，即基站天線對用戶設(shè)備n的垂直增益角。根據(jù)幾何關(guān)系可知：

根據(jù)3GPP TR25.996 協(xié)議[8]，由式（1）與式（2）中所求的水平偏角與垂直偏角，可分別求得基站天線對于用戶設(shè)備n的水平增益與垂直增益。

實驗基站m第i扇區(qū)天線對用戶設(shè)備n的水平增益為：

其中，θ3dB為水平半功率波束寬度，Am為最大衰減，實驗中取θ3dB=65°，Am=25 dB。

實驗基站m第i扇區(qū)天線對用戶設(shè)備n的垂直增益為：

其中，δ3dB為垂直半功率波束寬度，SLAV為旁瓣的最大衰減，實驗中取δ3dB=15°，SLAV=20 dB。

實驗基站m第i扇區(qū)天線對用戶設(shè)備n的總增益為：

其中，Am為最大衰減，實驗中取Am=25 dB。

實驗基站m第i扇區(qū)天線對用戶設(shè)備集合N的平均增益為：

其中，N為接入實驗基站m的用戶設(shè)備數(shù)量，Am為最大衰減，實驗中取Am=25 dB。

由于實際應(yīng)用中，用戶對于信號強弱的感知取決于用戶設(shè)備接收的RSRP 值，且用戶設(shè)備分布具有一定聚集性規(guī)律，因此需要調(diào)整基站天線方位角與下傾角，使在用戶聚集范圍內(nèi)基站天線對用戶設(shè)備的平均增益最大。該問題可抽象為：以實驗基站m第i扇區(qū)天線對用戶設(shè)備集合N的平均增益為目標(biāo)函數(shù)，實驗基站m第i扇區(qū)天線方位角與下傾角為二維變量，天線方位角與下傾角取值范圍為變量約束域的最優(yōu)化問題。該最優(yōu)化問題可表示為：

其中，θ3dB為水平半功率波束寬度，δ3dB為垂直半功率波束寬度，Am與SLAV分別為最大衰減與旁瓣的最大衰減，實驗中取θ3dB=65°，δ3dB=15°，Am=25 dB，SLAV=20 dB。

為了解決此問題，本文選取人工蜂群算法求解該最優(yōu)方程，方程的最優(yōu)解即基站天線最佳方位角與下傾角。

3 基于人工蜂群算法的基站天線方位角與下傾角自優(yōu)化方法

人工蜂群算法是土耳其學(xué)者 Karaboga 在2005 年提出的一種新型群體智能優(yōu)化算法，該算法通過模擬蜂群個體之間相互轉(zhuǎn)化協(xié)作的采蜜行為，并對蜜源不斷探索進行仿真，計算待優(yōu)化問題的最優(yōu)解，解決函數(shù)最優(yōu)化問題[9]。

在傳統(tǒng)網(wǎng)絡(luò)優(yōu)化工作中，網(wǎng)絡(luò)優(yōu)化人員需要根據(jù)基站位置、用戶分布、參數(shù)配置等以及自身的專業(yè)知識與經(jīng)驗，確定網(wǎng)絡(luò)優(yōu)化的調(diào)整方案。然而，該方法存在一定的主觀性，可能會因網(wǎng)絡(luò)優(yōu)化人員的技術(shù)水平而產(chǎn)生差異。因此，在實際網(wǎng)絡(luò)優(yōu)化工作中，會出現(xiàn)因人工經(jīng)驗判斷不準(zhǔn)確而出現(xiàn)反復(fù)測試、分析與調(diào)整等問題。為解決該問題，本文提出一種基于人工蜂群算法的基站覆蓋自優(yōu)化方法。

步驟1實驗基站m通過MDT（minimization of drive-test，最小化路測）技術(shù)分析用戶設(shè)備集合N上報的MR 數(shù)據(jù)，當(dāng)弱覆蓋比例高于閾值時，開始覆蓋自優(yōu)化流程。

步驟2根據(jù)實驗基站m與用戶設(shè)備集合N的位置關(guān)系，利用式（6）構(gòu)建實驗基站m第i扇區(qū)天線對周圍用戶設(shè)備集合N的平均增益模型，作為最優(yōu)化問題的目標(biāo)函數(shù)。

步驟 3對人工蜂群算法的蜂群規(guī)模ColonySize、最大循環(huán)次數(shù)maxCycle、最大限制搜索次數(shù)Limit 等參數(shù)進行初始化。設(shè)實驗基站m第i扇區(qū)天線方位角與下傾角構(gòu)成的二維向量為天線方位角與下傾角最小值與最大值構(gòu)成的二維向量分別為根據(jù)式（8），隨機生成蜂群規(guī)模ColonySize 個基站天線方位角與下傾角向量(X1,X2,… ,XColonySize)，并根據(jù)式（7），計算每個向量對應(yīng)的基站天線對用戶設(shè)備集合N的平均增益。

步驟4將步驟3 計算得到的ColonySize 個平均增益按從小到大進行排序，并將向量Xi分為兩部分。

步驟5對于平均增益較大的一半向量Xi，根據(jù)式（9），在向量附近搜索，并根據(jù)式（7）計算平均增益。若新平均增益大于原平均增益，根據(jù)貪婪準(zhǔn)則，新搜索出的向量new_Xi代替原向量Xi。

步驟6對于平均增益較小的一半向量Xi，根據(jù)式（10），依平均增益的大小等比例選擇一個向量Xi，根據(jù)式（9），在向量附近進行搜索，并根據(jù)式（7）計算平均增益。與步驟5 相同，若新平均增益大于原平均增益，根據(jù)貪婪準(zhǔn)則，新搜索出的向量new_Xi代替原向量Xi。

步驟7當(dāng)向量Xi的搜索次數(shù)超過最大限制搜索次數(shù)Limit，而仍未搜索得到更大的平均增益時，則放棄該向量Xi。與步驟3 相同，根據(jù)式（8），再隨機生成向量Xi。

步驟8記錄當(dāng)前所有的平均增益，并返回步驟4 進行循環(huán)。當(dāng)循環(huán)次數(shù)達到最大循環(huán)次數(shù)maxCycle 時，輸出當(dāng)前最大平均增益對應(yīng)的天線方位角與下傾角。

步驟9網(wǎng)絡(luò)優(yōu)化人員根據(jù)調(diào)整方案對基站天線進行調(diào)整，并返回步驟1，實驗基站m繼續(xù)通過MDT 技術(shù)對網(wǎng)絡(luò)覆蓋進行實時監(jiān)控。

4 仿真與效果分析

實驗網(wǎng)絡(luò)選取目前組網(wǎng)成熟的LTE 網(wǎng)絡(luò)，實驗場景選取5 km×5 km 的平原地區(qū)農(nóng)村場景，實驗基站選用的廣泛使用的三扇區(qū)基站基站天線初始方位角分別為0°、120°和240°，初始下傾角均為4°。重要參數(shù)設(shè)置表見表1。

表1 重要參數(shù)設(shè)置表

實驗基站與基站周邊用戶設(shè)備的位置關(guān)系如圖2 所示，圖2 中▲為實驗基站的位置，淺色扇形區(qū)域為實驗基站三面天線的覆蓋方向，■為實驗基站周邊用戶設(shè)備的位置。在傳統(tǒng)網(wǎng)絡(luò)優(yōu)化方法中，基站天線方位角與下傾角的設(shè)定取決于網(wǎng)絡(luò)優(yōu)化人員的經(jīng)驗，根據(jù)當(dāng)前基站與周邊村落的位置關(guān)系，依靠人工經(jīng)驗判別的基站天線方位角分別為320°、140°和220°，基站天線下傾角分別為3°、3°和2°。

圖2 實驗基站與基站周邊用戶設(shè)備位置關(guān)系

MR 測量數(shù)據(jù)見表2，實驗基站通過MDT 技術(shù)，分析實驗基站周圍用戶設(shè)備上報的MR 數(shù)據(jù)，獲取周圍用戶設(shè)備接收的信號強度與用戶位置，確定待優(yōu)化區(qū)域。

根據(jù)表1 所示實驗基站位置與表2 所示用戶設(shè)備位置，以實驗基站第一扇區(qū)為例，構(gòu)建以基站第一扇區(qū)天線對周邊用戶設(shè)備平均增益為目標(biāo)函數(shù)的優(yōu)化模型，利用MATLAB 平臺仿真人工蜂群算法，計算得到基站天線最佳方位角與下傾角。實驗基站第一小區(qū)優(yōu)化模型立體圖如圖3 所示。實驗基站第一小區(qū)優(yōu)化結(jié)果如圖4 所示。

圖3 實驗基站第一小區(qū)優(yōu)化模型

表2 MR 測量數(shù)據(jù)

圖4 實驗基站第一小區(qū)優(yōu)化結(jié)果

在人工蜂群算法的參數(shù)設(shè)置中，本文實驗設(shè)置蜂群規(guī)模ColonySize 為20，最大循環(huán)次數(shù)maxCycle 為50，最大限制搜索次數(shù)Limit 為5。算法參數(shù)在上述設(shè)置下，大約進行15 次迭代后，可分別計算得到3 個扇區(qū)天線的最佳方位角與下傾角。利用人工蜂群算法計算得到的基站天線最佳方位角分別為300.468°、118.903°和224.753°，基站天線最佳下傾角分別為7.392 29°、4.550 1°和5.639 16°。實驗基站3 種狀態(tài)的天線方位角與下傾角見表3。

為驗證3 種天線狀態(tài)的覆蓋性能，實驗按照表3 分別將基站天線調(diào)整至初始參數(shù)、人工經(jīng)驗判別、人工蜂群算法計算3 種狀態(tài)，并分別對基站周圍區(qū)域進行驅(qū)車測試，分析基站周圍的覆蓋效果。

3 種實驗基站天線狀態(tài)的周邊區(qū)域RSRP 累積分布函數(shù)如圖5 所示，利用人工蜂群算法優(yōu)化后基站周圍RSRP 值大于?95 dBm 的概率為84.69%，依靠人工經(jīng)驗判別優(yōu)化后基站周圍RSRP值大于?95 dBm 的概率為68.57%，未優(yōu)化的初始狀態(tài)基站周圍RSRP 值大于?95 dBm 的概率為59.37%。利用人工蜂群算法優(yōu)化后較未優(yōu)化的初始狀態(tài)基站周圍RSRP 值大于?95 dBm 的概率提升了25.32%，較依靠人工經(jīng)驗判別優(yōu)化后基站周圍RSRP 值大于?95 dBm 的概率提升了16.12%。

圖5 3 種實驗基站天線狀態(tài)的周邊區(qū)域RSRP 累積分布函數(shù)

利用人工蜂群算法優(yōu)化后基站周圍平均RSRP 值為?86.98 dBm，依靠人工經(jīng)驗判別優(yōu)化后基站周圍平均RSRP 值為?91.33 dBm，未優(yōu)化的初始狀態(tài)基站周圍平均RSRP 值為?93.79 dBm。利用人工蜂群算法優(yōu)化后較未優(yōu)化的初始狀態(tài)基站周圍平均RSRP 值提升了6.81 dB，較依靠人工經(jīng)驗判別優(yōu)化后基站周圍平均RSRP 值提升了4.35 dB。

表3 實驗基站3 種狀態(tài)的天線方位角與下傾角

5 結(jié)束語

本文針對覆蓋自優(yōu)化中基站天線方位角與下傾角同時優(yōu)化的問題，利用人工蜂群算法進行優(yōu)化，并對此方法進行仿真計算與外場實驗。實驗結(jié)果表明，當(dāng)以基站天線對周圍用戶設(shè)備的平均增益為優(yōu)化目標(biāo)時，利用人工蜂群算法與依靠人工經(jīng)驗判別的優(yōu)化方法相比，基站周邊用戶接收的RSRP 值得到明顯提升。