750 浏览基于计算智能的移动通信网络覆盖与容量优化研究
摘要：覆盖与容量优化是移动通信网络规划和运维中的重要任务之一。面向大规模超密集网络部署、地面及低空立体覆盖需求、信道与终端剩余能量动态变化的网络环境等场景中,覆盖与容量优化问题涉及大量网络参数变量的配置和调整,计算复杂度随变量规模的增加而指数增长,且通常属于非确定性多项式时间复杂度的组合优化难题。因此,针对移动通信网络覆盖与容量优化的典型场景,本文设计了一系列覆盖与容量优化相关的高效计算智能算法,尤其侧重于通过构造决策变量解空间结构减小欧式空间的搜索冗余,以提升算法效率,主要研究内容及创新点如下:（1）针对大规模超密集基站部署移动通信网络中的覆盖优化需求,揭示了基站天线方位角变量在变化过程中的最短弧度距离和同基站天线间的等价置换特性,建立了天线方位角变量解空间中的等价关系,构造了方位角变量的商空间结构,提出了适应此解空间结构的演化算法和粒子群算法。通过在理想场景和真实城区场景的仿真实验,数值结果表明所提出的适应于商空间结构的粒子群算法和演化算法与对应的经典算法相比,收敛速度和覆盖优化效果得到显著提升。（2）针对地面及低空立体覆盖优化需求,充分考虑决策变量中天线方位角和俯仰角间存在耦合关联,在四元数域空间考虑天线指向变量的旋转特性,并进一步考虑天线旋转的最短弧度距离和同基站天线间的等价置换特性,在四元数域乘积空间中构造了商空间结构。基于此解空间结构,适应性地提出了基于四元数域的粒子群算法优化移动通信网络的立体覆盖性能。针对四元数乘积所表示的旋转操作存在的非交换性问题,提出了调和四元数粒子群算法,实现了覆盖优化过程中天线指向变量顺序无关的调和旋转方式。同时,也提出了适应商空间结构的Nelder-Mead单纯形算法和遗传算法。理想场景和真实城区场景下的仿真实验表明所提出粒子群算法、Nelder-Mead算法和遗传算法在收敛速度上明显优于经典的计算智能算法,尤其是提出的调和四元数算法,具有快速、高效和避免局部最优解等优越性。计算复杂度分析表明,所提出的算法仅以有限的额外计算开销就能取得上述性能提升。（3）针对传输资源协同配置的容量优化问题,考虑动态时变的信道状态、能量受限的多基站和具有能量收集能力的多用户蜂窝网络场景。将传输资源协同配置问题建模成深度强化学习的策略优化问题,分析了传输资源协同配置优化问题的等价转换关系,提出了基于等价置换的数据增广离线训练策略,为确定性策略梯度算法和随机性策略梯度算法设计了两种不同的经验元组增广方式,有效提高了经验回放池中经验元组的多样性,降低了训练过程中的环境交互代价。针对不同深度增强学习算法、不同用户数量、不同数据增广策略的多组仿真实验表明,提出的基于置换的数据增广算法能够以较低的环境交互代价快速收敛,提升了算法在真实动态环境中的可用性,从而在兼顾系统上下行公平性的同时最大化地提高系统的总容量,有效应对动态网络环境的传输资源协同配置问题。综上所述,本文针对移动通信网络覆盖与容量优化问题,以揭示解空间特性和构造解空间的数学结构为主要切入点,以具有高度可扩展性和问题适应性的计算智能算法为主要解决手段,有效提升了现有计算智能方法的收敛速度和计算效率,为移动通信网络的规划和优化提供了关键技术支撑。
关键词：移动通信;覆盖与容量优化
致谢
摘要
Abstract
缩写和符号清单
1 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状与挑战
1.2.1 移动通信网络覆盖与容量性能主要影响因素
1.2.2 移动通信网络覆盖与容量优化研究现状
1.2.3 移动通信网络覆盖与容量优化面临的挑战
1.3 论文的研究内容与创新性
1.4 论文的组织结构
2 面向大规模超密集场景的移动通信网络覆盖优化方法
2.1 导言
2.2 系统模型与问题描述
2.3 解空间分析与构造
2.3.1 天线方位角变量的欧式空间结构
2.3.2 天线方位角变量的等价关系与商空间结构
2.4 适应解空间结构的覆盖优化方法
2.4.1 欧式空间的覆盖优化算法
2.4.2 适应于变量伪距结构和商空间的覆盖优化算法
2.5 仿真实验与讨论
2.5.1 仿真实验设置
2.5.2 理想蜂窝场景仿真与讨论
2.5.3 真实城区场景仿真与讨论
2.5.4 算法复杂度分析
2.6 小结
3 面向地面及低空覆盖的移动通信网络优化方法
3.1 导言
3.2 系统模型与问题描述
3.3 解空间分析与构造
3.3.1 单个天线指向变量的四元数域空间
3.3.2 多个天线指向变量乘积空间的度量构造
3.3.3 多个天线指向变量乘积空间的商空间构造
3.4 适应解空间结构的覆盖优化方法
3.4.1 粒子群类覆盖优化算法
3.4.2 Nelder-Mead单纯形算法
3.4.3 遗传算法
3.5 仿真实验与讨论
3.5.1 仿真场景和参数设置
3.5.2 粒子群类算法仿真与讨论
3.5.3 适应于决策变量商空间的算法仿真与讨论
3.6 算法复杂度分析
3.7 小结
4 基于深度强化学习的移动通信网络容量优化方法
4.1 导言
4.2 系统模型和问题描述
4.3 传输资源协同分配设计
4.3.1 系统状态空间
4.3.2 系统动作空间
4.3.3 收益函数
4.4 优化问题的等价转换与数据增广
4.4.1 优化问题的等价转换分析
4.4.2 基于置换的数据增广方式
4.5 基于深度强化学习的容量优化算法
4.5.1 算法背景
基于大数据挖掘的LTE网络弱覆盖分析及覆盖优化研究[J]. 邓扬鑫,赵夙,朱晓荣. 南京邮电大学学报(自然科学版). 2021(02)
[2]从5G到6G的思考:需求、挑战与技术发展趋势[J]. 易芝玲,王森,韩双锋,崔春风,王亚峰. 北京邮电大学学报. 2020(02)
[3]基于物联网的天线工参感知及创新应用研究[J]. 李艳芬,朱雪田. 物联网学报. 2019(04)
[4]无人机辅助的物联网通信技术及其应用[J]. 刘亚林,戴弘宁,王曲北剑. 物联网学报. 2019(04)
[5]分布式无人机网络覆盖优化算法[J]. 向庭立,王红军,杨刚,孟祥豪. 空军工程大学学报(自然科学版). 2019(04)
[6]5G/后5G部署对互联网主干影响的分析与建模[J]. 杨芫,徐明伟,陈浩. 通信学报. 2019(08)
[7]基于计算图的移动通信网络物联网业务覆盖优化算法及实现[J]. 王浩彬,皇甫伟,刘娅汐,刘玮. 物联网学报. 2019(02)
[8]B5G:泛在融合信息网络[J]. 张平. 中兴通讯技术. 2019(01)
[9]6G移动通信技术展望[J]. 张平,牛凯,田辉,聂高峰,秦晓琦,戚琦,张娇. 通信学报. 2019(01)
[10]基于机器学习的基站覆盖范围仿真[J]. 王旺. 电脑与电信. 2018(11)
4.5.2 基于DDPG的容量优化算法
4.5.3 基于TD3的容量优化算法
4.5.4 基于SAC的容量优化算法
4.5.5 基于数据增广的离线训练策略
4.5.6 算法收敛性分析
4.6 仿真实验与讨论
4.6.1 仿真参数设置
4.6.2 深度强化学习算法仿真与讨论
4.6.3 基于置换的数据增广算法仿真与讨论
4.6.4 不同用户数下的仿真与讨论
4.7 智能体与环境交互代价分析
4.8 小结
5 总结与展望
5.1 总结
5.2 研究展望
参考文献
