蟻群算法在天線權值優化中的應用研究

馬傳項

中郵建技術有限公司

0 引言

根據GSA（Global Mobile Suppliers Association，全球移動供應商協會）統計，截至2021年4月中旬，全球已部署5G商用網絡達到162張。截至2021年3月底，我國建成5G基站81.9萬個，占全球70%以上，已建成全球規模最大的5G獨立組網網絡。2020年第四季度，全球5G訂閱用戶達到4.01億，占全球移動市場4.19%。根據2021年一季度國內三大運營商公布的數據，中國5G用戶數已經超過3.9億戶，或已占到全球市場80%左右。

目前大型城市主城區5G網絡已經可以連續覆蓋，為提升覆蓋性能，現網逐步推廣SSB（Synchronization Signal Block，同步信號塊）8波束配置。但8波束天線權值配置共涉及32個參數，參數組合很多，天線權值參數優化復雜度非常高，且對優化工程師的無線環境鑒別能力要求提高，因此天線權值調整是當前外場進行覆蓋結構優化中的難點。

1 Massive MIMO介紹

根據香農公式（公式1），提升信噪比可以提升信道容量。但是隨著信噪比繼續增大，信道容量增長速度變緩，提升空間變得有限。

B是信道帶寬（赫茲），S是信道內所傳信號的平均功率（瓦），N是信道內部的高斯噪聲功率（瓦），C是信息傳送速率（bps）。

MIMO（Multiple Input Multiple Output，多輸入多輸出）技術通過多天線突破了香農極限，可以成倍提升系統容量，天線數越多增益越大。相對于LTE系統，NR系統面臨更大容量需求及高頻引入后的覆蓋短板。Massive MIMO基于大規模天線，通過空分復用、波束賦形等多天線技術可以很好地解決容量和覆蓋問題。Massive MIMO可以獲得陣列、分集、波束賦形和空分復用四個方面增益，提升系統覆蓋、系統容量和峰值速率。

（1）上行接收分集：gNodeB側通過多個天線接收來自多個信道的信號，對各天線上的信號進行加權合并運算，從而提高接收信號的信噪比和穩定性。信號是相關的，白噪聲是不相關的，所以合并能夠提高信道的信噪比，并且增益隨天線數量增加而增大，天線數量每增加一倍，覆蓋率提升3db。

（2）下行波束賦形：gNodeB側發射信號經過加權后，形成帶有方向性的窄波束。波束越窄，覆蓋越遠，可以彌補高頻傳播帶來的額外路損。天線數越多，通過調整權值可以更靈活地控制波束方向，64T64R可以達到垂直方向4層波束覆蓋。天線數越多，波束越窄，可以有效減少波束間的干擾。

（3）空分復用：基于大規模天線進行波束賦形，降低數據流間的干擾，讓同一個時頻資源在不同空間內得到重復利用，有效提升系統容量。天線數越多，容量增益越大。

綜合以上闡述，5G天線具有以下新特性：（1）天線數量增加，波束更窄，增益更大；（2）提高波束賦型準確性；（3）顯著降低干擾，提升信噪比；（4）更多流MU-MIMO，提升頻譜效率。

AAU主流配置是128/192陣子，每個陣子可認為是一副天線。每個SSB波束可配置的參數維度包括：方向角、電子下傾角、水平半功率角與垂直半功率角，8個波束就是32個參數，每個參數可配置多個值，整體組合非常龐大。如僅用其中一些典型場景配置參數無法最大化適配無線環境，通過人工方式來設置也不現實，必須結合人工智能進行配置優化。

本次參考日常優化經驗，僅使用系統自帶17種典型組合進行配置優化。

2 蟻群算法

蟻群算法是Marco Dorigo于1992年提出的，其靈感來源于螞蟻在尋找食物過程中發現路徑的行為，如圖1所示。這種算法具有分布計算、信息正反饋和啟發式搜索的特征，本質上是進化算法中的一種啟發式全局優化算法。通過模擬自然界螞蟻搜索食物路徑的行為，提出一種新型模擬進化算法——蟻群算法，是群智能理論研究領域的一種主要算法。用該方法求解TSP問題、分配問題、job-shop調度問題，取得了較好的實驗結果。蟻群算法在求解復雜優化問題方面有一定優勢，是一種有發展前景的算法。

圖1 螞蟻尋找食物路徑示意圖

蟻群算法被用于解決大多數優化問題或者能夠轉化為優化求解的問題，其應用領域已經擴展到多目標優化、數據分類、數據聚類、模式識別、電信QoS管理、生物系統建模、流程規劃和系統辨識等方面。

蟻群算法具有以下優點：（1）通用性較強，能夠解決很多可以轉換為連通圖結構的路徑優化問題；（2）同時具有正負反饋的特點，通過正反饋特點利用局部解構造全局解，通過負反饋特點也就是信息素的揮發來避免算法陷入局部最優；（3）有間接通訊和自組織的特點，螞蟻之間并沒有直接聯系，而是通過路徑上的信息素來進行間接的信息傳遞，自組織性使得能夠利用群體的力量解決問題。

但是，基本蟻群算法也存在一些缺點：（1）從蟻群算法的復雜度來看，該算法與其他算法相比，所需要的搜索時間較長；（2）該算法在搜索進行到一定程度以后，容易出現所有螞蟻所發現的解完全一致這種“停滯現象”，使得搜索空間受到限制。

城市遍歷是蟻群算法的典型應用之一，如構造50個城市，計算最短路徑，測試算法的可行性。50個城市的信息如下：

通過290次迭代計算后，距離之和的最優解穩定在4104，如圖2所示。

圖2 城市遍歷分析結果

經過測試，該算法可行。在該算法基礎上改進，使其與Massive MIMO結合，尋找天線權值最優解配置方案。

3 算法實現

本研究通過“AI+規劃+優化”的方式，為天線權值配置尋優提供了切實有效的解決方案。通過建立專用測量，提取路測用戶測試數據作為數據源。數據清洗后數據格式如表1所示。

表1 數據清洗后格式

每個采樣點可以接收到多個小區信號，每個小區信號可以認為是一條路徑，每個采樣最優路徑的RSRP要遠優于其他路徑，即接收到的RSRP高于其他小區，并對所有的路徑尋優，確保整體RSRP平均值最大。

將蟻群算法應用于解決優化問題的基本思路為：用螞蟻的行走路徑表示待優化問題的可行解，整個螞蟻群體的所有路徑構成待優化問題的解空間。RSRP高的路徑即是短的路徑，也即最優解。路徑較短的螞蟻釋放信息素量較多，隨著時間推進，較短路徑上累積的信息素濃度逐漸增高，選擇該路徑的螞蟻個數也愈來愈多。最終，整個螞蟻會在正反饋的作用下集中到最佳路徑上，此時對應的便是待優化問題的最優解。

如遍歷所有天線權值設置，測試數據量將會很龐大，時間周期長、成本高。本次我們根據日常優化經驗，僅使用其中17種典型配置組合進行優化，也即只需測試17次即可。同時為確保數據準確性，需確保測試路線一致、測試方向一致、測試終端一致、測試車輛一致。

前述17種天線權值配置組合如表2所示。

表2 17種天線權值組合適用場景

本研究使用蟻群算法來求小區間整體最優解，通過分布式計算、啟發式搜索、信息正反饋等算法，能大幅降低搜索時間，比如一個小區可配置17種權值，20個小區的權值組合為2017，尋找20個小區的最優權值配置，按照試錯性搜索需要2年6個月，使用蟻群搜索算法，能夠將時間縮短至40分鐘，見圖3。

圖3 遍歷搜索算法與AI搜索算法效率對比

算法處理流程如圖4所示。

圖4 數據分析處理流程

以服務小區為核心，建立三維坐標系，如圖5所示，分別對每個小區的數據進行處理。

圖5 三維坐標系

本次選擇測試范圍共涉及51個小區，經過蟻群算法優化后的天線權值設置如表3所示。

表3 優化后適配場景

適用范圍最廣的是“DEFAULT”，也即缺省場景，達到36個小區，占比為70.59%，占比最高。其他場景占比較零散，占比為29.41%。

整體增益情況如表4所示。

表4 天線權值優化前后對比

各項指標均有明顯改善，說明個性化設置權值參數與無線環境更匹配，可提升網絡質量。

目前僅使用17種天線權值配置方案，試驗區域內涉及51個小區，只分析道路測試數據，數據清洗后有效數據12萬條，處理時間3小時42分鐘。

目前數據量相對比較小，處理時間還比較短。如采集MR全量數據，數據量是海量的，用現在的分析方法基本不可能實現，還需對算法進行優化，加入其他更好的算法輔助處理，提高分析效率。

4 結束語

本文基于現場用戶級信息進行天線權值參數尋優，實現天線覆蓋波形適配用戶位置縫補效果。從研究價值來看，有益于日常射頻優化、網絡結構問題處理、工程階段站點優化等，可在工程優化、道路優化、測試保障中發揮重大作用。通過MR采集，可以降低測試成本；通過與AI結合，可以節約大量數據分析成本，降低網絡優化運維成本。

隨著蟻群算法在工程實踐中應用的深入和系統復雜性增加，需要處理的數據量也會越來越大，使得單純一到兩種智能方法往往不能很好地解決問題。目前，蟻群算法研究大多集中在算法、模型更新，以及軟件開發上。未來將會結合多種算法，根據用戶行為動態設置天線權值參數，使網絡覆蓋性能發展到極致，實現真正的智能優化。