基于人工蜂群算法的基站天線方位角與下傾角自優化方法

蔡佳祺，萬海斌，孫友明，覃團發

（1. 廣西大學計算機與電子信息學院，廣西 南寧 530004；2. 中國聯合網絡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絡技術重點實驗室，廣西 南寧 530004）

1 引言

為減少電信運營商在運維管理中產生的OPEX（operating expense，操作開銷），3GPP 引入了自組織網絡（self-organizing network，SON）概念，目的是減少人工干預，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，是指自動對新入網基站的初始參數進行配置，完成基站入網前需要的必要配置；第二，自優化功能，是指自動對現網基站參數進行優化，使網絡性能達到最佳狀態，主要包括覆蓋與容量優化、移動負載均衡、小區間干擾協調、隨機接入信道優化等；第三，自治愈功能，是指自動對網絡故障進行修復，減少由設備故障對網絡造成的影響。

在3GPP 提出的TR32.836 協議[2]中，對覆蓋自優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化問題，已有學者提出了一些方法。參考文獻[3]提出針對弱覆蓋小區和疊覆蓋小區，利用改進的模擬退火算法優化基站天線方位角，改善系統的吞吐量。參考文獻[4]提出利用粒子群優化算法優化基站天線下傾角，改善用戶平均頻譜效率。參考文獻[5]提出用戶設備到基站呈現高斯分布特性，利用該特性判別基站天線的最佳方位角，發現天線接反、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化基站電調天線下傾角，改善系統的吞吐量。參考文獻[7]提出利用梯度下降法優化基站天線下傾角，改善系統頻譜效率。

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

2 系統建模

實驗基站m與用戶設備n之間的位置關系示意圖如圖1 所示，設點O(a,b)為實驗基站m的位置，點C 為用戶設備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為用戶設備n的高度，dm,n為用戶設備n到實驗基站m的水平距離。射線AB 為實驗基站m第i扇區天線的下傾方向，Θi為該天線以正北方向為基準的水平方位角，Φi為該天線的垂直下傾角，θin為用戶設備n以正北方向為基準的水平方位角，φin為用戶設備n到實驗基站m第i扇區天線下傾方向的垂直下傾角。

實驗基站m連接用戶設備集合N，基站天線對于每個用戶設備n的水平增益角與垂直增益角均不相同。因此，αin為用戶設備n到實驗基站m第i扇區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備n的水平增益角。根據幾何關系可知：

其中，為實驗基站m第i扇區天線到用戶設備n的方向與其發射方向之間垂直偏角，即基站天線對用戶設備n的垂直增益角。根據幾何關系可知：

根據3GPP TR25.996 協議[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備n的水平增益與垂直增益。

實驗基站m第i扇區天線對用戶設備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扇區天線對用戶設備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扇區天線對用戶設備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扇區天線對用戶設備集合N的平均增益為：

其中，N為接入實驗基站m的用戶設備數量，Am為最大衰減，實驗中取Am=25 dB。

由于實際應用中，用戶對于信號強弱的感知取決于用戶設備接收的RSRP 值，且用戶設備分布具有一定聚集性規律，因此需要調整基站天線方位角與下傾角，使在用戶聚集范圍內基站天線對用戶設備的平均增益最大。該問題可抽象為：以實驗基站m第i扇區天線對用戶設備集合N的平均增益為目標函數，實驗基站m第i扇區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化問題。該最優化問題可表示為：

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方程，方程的最優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化方法

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

在傳統網絡優化工作中，網絡優化人員需要根據基站位置、用戶分布、參數配置等以及自身的專業知識與經驗，確定網絡優化的調整方案。然而，該方法存在一定的主觀性，可能會因網絡優化人員的技術水平而產生差異。因此，在實際網絡優化工作中，會出現因人工經驗判斷不準確而出現反復測試、分析與調整等問題。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）技術分析用戶設備集合N上報的MR 數據，當弱覆蓋比例高于閾值時，開始覆蓋自優化流程。

步驟2根據實驗基站m與用戶設備集合N的位置關系，利用式（6）構建實驗基站m第i扇區天線對周圍用戶設備集合N的平均增益模型，作為最優化問題的目標函數。

步驟 3對人工蜂群算法的蜂群規模ColonySize、最大循環次數maxCycle、最大限制搜索次數Limit 等參數進行初始化。設實驗基站m第i扇區天線方位角與下傾角構成的二維向量為天線方位角與下傾角最小值與最大值構成的二維向量分別為根據式（8），隨機生成蜂群規模ColonySize 個基站天線方位角與下傾角向量(X1,X2,… ,XColonySize)，并根據式（7），計算每個向量對應的基站天線對用戶設備集合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，根據式（9），在向量附近搜索，并根據式（7）計算平均增益。若新平均增益大于原平均增益，根據貪婪準則，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，根據式（10），依平均增益的大小等比例選擇一個向量Xi，根據式（9），在向量附近進行搜索，并根據式（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，根據貪婪準則，新搜索出的向量new_Xi代替原向量Xi。

步驟7當向量Xi的搜索次數超過最大限制搜索次數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，根據式（8），再隨機生成向量Xi。

步驟8記錄當前所有的平均增益，并返回步驟4 進行循環。當循環次數達到最大循環次數maxCycle 時，輸出當前最大平均增益對應的天線方位角與下傾角。

步驟9網絡優化人員根據調整方案對基站天線進行調整，并返回步驟1，實驗基站m繼續通過MDT 技術對網絡覆蓋進行實時監控。

4 仿真與效果分析

實驗網絡選取目前組網成熟的LTE 網絡，實驗場景選取5 km×5 km 的平原地區農村場景，實驗基站選用的廣泛使用的三扇區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°。重要參數設置表見表1。

表1 重要參數設置表

實驗基站與基站周邊用戶設備的位置關系如圖2 所示，圖2 中▲為實驗基站的位置，淺色扇形區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備的位置。在傳統網絡優化方法中，基站天線方位角與下傾角的設定取決于網絡優化人員的經驗，根據當前基站與周邊村落的位置關系，依靠人工經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備位置關系

MR 測量數據見表2，實驗基站通過MDT 技術，分析實驗基站周圍用戶設備上報的MR 數據，獲取周圍用戶設備接收的信號強度與用戶位置，確定待優化區域。

根據表1 所示實驗基站位置與表2 所示用戶設備位置，以實驗基站第一扇區為例，構建以基站第一扇區天線對周邊用戶設備平均增益為目標函數的優化模型，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。實驗基站第一小區優化模型立體圖如圖3 所示。實驗基站第一小區優化結果如圖4 所示。

圖3 實驗基站第一小區優化模型

表2 MR 測量數據

圖4 實驗基站第一小區優化結果

在人工蜂群算法的參數設置中，本文實驗設置蜂群規模ColonySize 為20，最大循環次數maxCycle 為50，最大限制搜索次數Limit 為5。算法參數在上述設置下，大約進行15 次迭代后，可分別計算得到3 個扇區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 種狀態的天線方位角與下傾角見表3。

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

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

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

表3 實驗基站3 種狀態的天線方位角與下傾角

5 結束語

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