一种物理层小区标识PCI优化的方法、设备和装置与流程

本发明涉及移动通信系统的网络优化技术，涉及一种物理层小区标识(physicalcellidentifier，pci)优化的方法、设备和装置，可以基于路测、测量报告(measurementreport，mr)、切换等多维数据构造邻区级干扰矩阵，通过遗传算法迭代输出最优的pci分配方案。

背景技术：

干扰优化是无线通信网络如长期演进(longtermevolution，lte)网络的重要环节，其对用户的通话质量、下载速率、切换等均有一定的影响，降低lte网络的干扰是提升网络性能的重要环节；同时在4g(4thgeneration)用户量快速增长与深度覆盖需求的双重驱动下，lte网络的新建站和扩容站大量增加，pci复用的问题日益的严重；4g基站的站间距相较2g(2ndgeneration)/3g(3rdgeneration)的站间距小很多，当4g站点规划、pci的设置不合理时极其容易导致同频同模干扰；同时pci干扰将导致接入、切换、服务质量问题，严重影响用户的感知，而pci取值范围又有限，所以必须通过合理的配置小区的pci来尽量降低pci的干扰。

现阶段网络中pci的规划和优化大多依托少量的测试数据、规划数据及地图信息，采用人工及辅助工具来完成，其优化和规划的结果严重依赖于优化工程师的优化经验以及工参准确性，同时优化结果大多只能解决局部问题，很难从全局的角度出发，综合考虑现网的切换数据、测试数据、mr数据等多维网优大数据，输出全局最优解；因而，不论是人工优化还是现存的辅助工具，方案输出的准确性难以把控，同时优化效率亟待提高。

另一方面，运营商设备厂家的自组织网络(selforganizationnetwork，son)的功能中并不包含对pci同模干扰进行优化的功能，业界目前缺少一种pci模干扰自动优化方案，能够在考虑保护带的基础上，结合现网数据快速给出pci优化方案的全局最优解。

技术实现要素：

为解决上述技术问题，本发明实施例期望提供pci优化的方法、设备和装置，能够结合现网中的小区运行参数，在考虑保护带的基础上，提出pci优化方案。

本发明的技术方案是这样实现的：

本发明实施例提供了一种pci优化的方法，所述方法包括：

获取无线通信网络的预设区域的小区运行参数，所述预设区域包括预先确定的待进行pci优化的优化区域和针对所述优化区域设置的保护带；

基于所述预设区域的小区运行参数，构建所述预设区域的小区间的干扰矩阵；

以干扰矩阵中各元素值之和减小的方向作为遗传进化方向，采用遗传算法对所述优化区域内各小区的pci或主同步信号(primarysynchronizationsignal，pss)进行优化，得出优化结果。

本发明实施例中，所述小区运行参数包括：mr数据、路测数据和小区切换数据。

本发明实施例中，所述基于所述预设区域的小区运行参数，构建所述预设区域的小区间的干扰矩阵，包括：

基于所述预设区域的mr数据，得出所述预设区域内各源小区对应的第一干扰值，基于所述预设区域的路测数据，得出所述预设区域内各源小区对应的第二干扰值，基于所述预设区域的小区切换数据，得出所述预设区域内各源小区对应的第三干扰值，所述第一干扰值、第二干扰值和第三干扰值用于表示对应源小区与目标小区之间的三种不同的干扰关系；

基于所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值；

得出所述预设区域的小区间的干扰矩阵，所述干扰矩阵的各元素为：所述预设区域内各源小区对应的总干扰值。

本发明实施例中，所述基于所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值，包括：

判断所述预设区域内每个源小区与目标小区之间是否存在同模干扰，基于判断结果、所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值。

本发明实施例中，所述基于判断结果、所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值，包括：

对所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值进行加权求和，得出加权求和结果；

基于所述加权求和结果和所述判断结果，得出所述预设区域内每个源小区对应的总干扰值。

本发明实施例中，所述同模干扰包括以下至少一种：pci冲突、pci混淆、模3干扰、模6干扰、模30干扰。

本发明实施例中，所述方法还包括：在采用遗传算法对所述优化区域内各小区的pci或pss进行优化时，在连续n代种群中最优个体的适应度函数的值的波动范围小于第一预设值时，改变所述遗传算法参数的取值；基于改变后的遗传算法的取值，继续采用遗传算法对所述优化区域内各小区的pci或pss进行优化，其中，n为设定的大于1的自然数。

本发明实施例中，所述改变后的遗传算法参数的取值大于改变前的遗传算法参数的取值。

本发明实施例中，所述采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果，包括：

交替采用启发式搜索算法和遗传算法所述优化区域内各小区的pci或pss进行优化，得出优化结果。

本发明实施例中，所述采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果，包括：

采用并行遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果。

本发明实施例中，所述采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果，包括：

确定初始种群和适应度函数，所述初始种群的每个个体表示所述优化区域内各小区的pci或pss的一种分配方案；

在不满足迭代终止条件时，采用精英保留策略对当前种群的各个个体进行交叉和变异运算，得出下一代种群；在满足迭代终止条件时，基于当前种群中适应度函数的值最小的个体，得出优化结果。

本发明实施例中，所述遗传算法的迭代终止条件为：所述遗传算法的迭代次数达到预设迭代门限，或者，连续m代种群中最优个体的适应度函数的值的波动范围小于第二预设值，m为设定的大于1的自然数。

本发明实施例中，所述遗传算法的初始种群的确定方法包括：根据初始干扰矩阵，得出多个随机解，每个随机解用于表示优化区域内各小区的pci或pss；

采用启发式搜索算法在所述多个随机解中进行搜索，得出初始种群。

本发明实施例还提供了一种pci优化的设备，所述设备包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，

所述处理器用于运行所述计算机程序时，执行以下步骤：

获取无线通信网络的预设区域的小区运行参数，所述预设区域包括预先确定的待进行pci优化的优化区域和针对所述优化区域设置的保护带；

基于所述预设区域的小区运行参数，构建所述预设区域的小区间的干扰矩阵；

以干扰矩阵中各元素值之和减小的方向作为遗传进化方向，采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果。

本发明实施例中，所述小区运行参数包括：mr数据、路测数据和小区切换数据。

本发明实施例中，所述处理器用于运行所述计算机程序时，具体执行以下步骤：

基于所述预设区域的mr数据，得出所述预设区域内各源小区对应的第一干扰值，基于所述预设区域的路测数据，得出所述预设区域内各源小区对应的第二干扰值，基于所述预设区域的小区切换数据，得出所述预设区域内各源小区对应的第三干扰值，所述第一干扰值、第二干扰值和第三干扰值用于表示对应源小区与目标小区之间的三种不同的干扰关系；

基于所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值；

得出所述预设区域的小区间的干扰矩阵，所述干扰矩阵的各元素为：所述预设区域内各源小区对应的总干扰值。

本发明实施例中，所述处理器用于运行所述计算机程序时，具体执行以下步骤：

判断所述预设区域内每个源小区与目标小区之间是否存在同模干扰，基于判断结果、所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值。

本发明实施例中，所述处理器用于运行所述计算机程序时，具体执行以下步骤：

对所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值进行加权求和，得出加权求和结果；

基于所述加权求和结果和所述判断结果，得出所述预设区域内每个源小区对应的总干扰值。

本发明实施例中，所述同模干扰包括以下至少一种：pci冲突、pci混淆、模3干扰、模6干扰、模30干扰。

本发明实施例中，所述处理器，还用于运行所述计算机程序时，执行以下步骤：

在采用遗传算法对所述优化区域内各小区的pci或pss进行优化时，在连续n代种群中最优个体的适应度函数的值的波动范围小于第一预设值时，改变所述遗传算法参数的取值；基于改变后的遗传算法参数的取值，继续采用遗传算法对所述优化区域内各小区的pci或pss进行优化，其中，n为设定的大于1的自然数。

本发明实施中，所述处理器，用于运行所述计算机程序时，具体执行以下步骤：

具体用于交替采用启发式搜索算法和遗传算法所述优化区域内各小区的pci或pss进行优化，得出优化结果。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一种pci优化的方法的步骤。

本发明实施例还提供了一种pci优化的装置，所述装置包括：获取模块、构建模块和优化模块，其中，

获取模块，用于获取无线通信网络的预设区域的小区运行参数，所述预设区域包括预先确定的待进行pci优化的优化区域和针对所述优化区域设置的保护带；

构建模块，用于基于所述预设区域的小区运行参数，构建所述预设区域的小区间的干扰矩阵；

优化模块，用于以所述干扰矩阵中各元素值之和减小的方向作为遗传进化方向，采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果。

本发明实施例中，首先，获取无线通信网络的预设区域的小区运行参数，所述预设区域包括预先确定的待进行pci优化的优化区域和针对所述优化区域设置的保护带；然后，基于所述预设区域的小区运行参数，构建所述预设区域的小区间的干扰矩阵；最后，以所述干扰矩阵中各元素值之和减小的方向作为遗传进化方向，采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果；可以看出，本发明实施例能够结合现网中的小区运行参数，在考虑保护带的基础上，提出pci优化方案。

附图说明

图1为本发明实施例的pci优化的方法的一个流程图；

图2为本发明实施例的pci优化的方法的另一个流程图；

图3为本发明实施例的工参数据的一个示例图；

图4为本发明实施例的mr数据的一个示例图；

图5为本发明实施例的路测数据的一个示例图；

图6为本发明实施例的小区切换数据的一个示例图；

图7为本发明实施例的pci优化装置的一个示例图；

图8为发明实施例的pci优化的设备的结构示意图；

图9为本发明实施例的pci优化装置的另一个示例图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明实施例能够针对无线通信网络的小区pci或主同步信号(primarysynchronizationsignal，pss)进行优化，这里，无线通信网络可以是lte网络等等；在lte网络中，终端以此区分不同小区的无线信号，lte网络提供504个pci，在进行小区的pci配置时，可以为小区配置0-503之间的一个号码，pci直接决定每个小区使用的主同步信号以及参考信号的位置，是终端开机或初始接入小区时识别的第一个网络侧信息。

从物理层来看，pci是由pss与辅同步信号(secondarysynchronizationsignal，sss)组成,可以通过简单运算获得，例如，pci＝pss+3*sss；也就是说，pss是确定pci的一个重要因素，这里，对pss的优化可以代表对pci的优化。

基于上述记载的终端、无线通信网络、pci和pss，提出以下各具体实施例。

第一实施例

本发明第一实施例中提出了一种pci优化的方法，可以应用于无线通信系统中，能够对小区进行pci优化。

图1为本发明实施例的pci优化的方法的一个流程图，如图1所示，该流程可以包括：

步骤101：获取无线通信网络的预设区域的小区运行参数，所述预设区域包括预先确定的待进行pci优化的优化区域和针对所述优化区域设置的保护带。

这里，优化区域和保护带均包括至少一个小区，优先区域可以是根据实际需求预先设置的；小区运行参数可以是工参数据、mr数据、路测(drivetest，dt)数据、小区切换数据，其中，小区切换数据用于表示小区之间的切换参数，例如，切换参数可以是一定时间内小区间的切换次数。

示例性地，优化区域内包含q个站点(也就是基站)，优化区域内的所有站点可以用集合o表示，即，定义o＝{a1，a2，……，aq}，其中，a1至aq分别表示优化区域内的第1个站点至第q个站点，q为大于或等于1的自然数；在实际实施时，可以在预先获取的无线通信网络的工参数据中，选择优化区域内的工参数据，从而确定优化区域；也可以通过地图圈定的方式选择优化区域。

本发明实施例中并不对保护带的设置方式进行限定；示例性地，可以将无线通信网络中全网的站点结合记为u，则可以通过以下两种方式实现保护带的设置。

第一种方式：以优化区域内任一站点为圆心，以r为半径得出圆形区域，将该圆形区域作为该站点的保护带，这里，r可以根据实际应用需求进行设置；之后，根据优化区域的各个站点的保护带得出针对整个优化区域设置的保护带，针对整个优化区域设置的保护带可以记为cuo∩(p1∪p2∪…∪pq)；其中，cuo表示无线通信网中优化区域外的区域，p1至pq分别表示优化区域内第1个站点至第q个站点的保护带，也就是说，针对整个优化区域设置的保护带表示优化区域站点所有保护带站点的并集并且剔除优化区域。

第二种方式：以优化区域内任一站点为基准，其k层邻区均设为该站点的保护带，这里，k为大于或等于1的自然数；一个站点的k层邻区包括站点的第1层邻区至第k层邻区，当k大于1且小于或等于k时，站点的第k层邻区与站点的第k-1层邻区相邻；在实际实施时，可以根据具体应用场景，将k设置为2、3或其他。

根据优化区域的各个站点的保护带得出针对整个优化区域设置的保护带，针对整个优化区域设置的保护带可以记为cuo∩(p1∪p2∪…∪pq)；其中，cuo表示无线通信网中优化区域外的区域，p1至pq分别表示优化区域内第1个站点至第q个站点的保护带，也就是说，针对整个优化区域设置的保护带表示优化区域站点所有保护带站点的并集并且剔除优化区域。

本步骤中，保护带的设定是为了避免优化区域边界处站点pci更改，使得优化区域内部pci综合干扰降为最低，但优化区域边界的pci综合干扰严重恶化的情况，符合一线实际优化操作需要。

步骤102：基于所述预设区域的小区运行参数，构建所述预设区域的小区间的干扰矩阵。

这里，由于小区运行参数可以是工参数据、测量报告mr数据、路测数据和小区切换数据，那么可以在综合考虑以上多种小区运行参数的基础上，构建干扰矩阵。

示例性地，本步骤可以包括：

步骤102a：基于所述预设区域的mr数据，得出所述预设区域内各源小区对应的第一干扰值，基于所述预设区域的路测数据，得出所述预设区域内各源小区对应的第二干扰值，基于所述预设区域的小区切换数据，得出所述预设区域内各源小区对应的第三干扰值，所述第一干扰值、第二干扰值和第三干扰值用于表示对应源小区与目标小区之间的三种不同的干扰关系；

这里，源小区可以是位于预设区域内的任一个小区，第一干扰值可以用于表示mr数据中对应源小区与目标小区之间的相关系数，例如，第一干扰值用于表示以下至少一项：设定时间段内mr数据中对应源小区与目标小区之间的各采样点的参考信号接收功率(referencesignalreceivingpower，rsrp)平均值的绝对值的均值、设定时间段内mr数据中对应源小区的测量到邻区的采样点数量。

第二干扰值可以用于表示路测数据中对应源小区与目标小区之间的相关系数，例如，第二干扰值用于表示以下至少一项：设定时间段内路测数据中对应源小区与目标小区之间的各采样点的rsrp平均值的绝对值的均值、设定时间段内路测数据中对应源小区的测量到邻区的采样点数量。

第三干扰值可以用于表示设定时间段内小区切换数据中对应源小区与目标小区之间的切换请求次数。

这里，以上三种干扰值的设定时间段相同，例如，可以设置为截止到当前时刻的三天等。

步骤102b：基于所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值。

可选的，首先判断所述预设区域内每个源小区与目标小区之间是否存在同模干扰，基于判断结果、所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值。

也就是说，在得出第一干扰值、第二干扰值和第三干扰值之后，根据不同的判断结果，会得出不同的总干扰值。

在实际实施时，同模干扰包括但不限于：pci冲突、pci混淆、模3干扰、模6干扰、模30干扰等。

这里，pci冲突表示覆盖有重叠的相邻小区具有相同的pci，可能导致终端难以解调导频信道；pci混淆表示一个小区的两个邻区具有相同的pci，可以导致终端切换时会混淆目标邻小区；模3干扰表示组内id相同的pci分配在相对或相邻的小区上，pci值与3相除的余数的值(pci的模3值)就是组内id，也就是说，pci的模3值相同的两个pci分配在相邻或相对的两个小区时，会造成主同步信号的干扰；模6干扰表示对于pci值与6相除取余数的值(pci的模6值)相同的两个pci，分配在相邻或相对的两个小区时，会造成下行参考信号(referencesignal，rs)的干扰；模30干扰表示pci的模30值相同的两个pci，分配在相邻或相对的两个小区时，会造成上行参考信号rs的干扰。

在一个可选的实施例中，对所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值进行加权求和，得出加权求和结果；基于所述加权求和结果和所述判断结果，得出所述预设区域内每个源小区对应的总干扰值。

这里，可以根据一线优化人员的优化需求、优化导向、优化区域的场景信息，灵活设置第一干扰值、第二干扰值和第三干扰值的权重，进而给出不同的pci优化策略。

步骤102c：得出所述预设区域的小区间的干扰矩阵，所述干扰矩阵的各元素为：所述预设区域内各源小区对应的总干扰值。

这里，干扰矩阵的各元素的值通常与优化区域内各小区的pci或pss有关，在优化区域内各小区的pci或pss发生变化时，干扰矩阵的各元素的值发生变化，从而干扰矩阵发生变化。

步骤103：以干扰矩阵中各元素值之和减小的方向作为遗传进化方向，采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果。

可选的，适应度函数为干扰矩阵的各元素之和；可以理解的是，在采用遗传算法对所述优化区域内各小区的pci或pss进行优化时，优化区域内各小区的pci或pss会发生改变，而预设区域的小区间的干扰矩阵与优化区域内各小区的pci或pss有关，因而，在采用遗传算法对所述优化区域内各小区的pci或pss进行优化的过程中，预设区域的小区间的干扰矩阵会发生改变；如此，能够以干扰矩阵中各元素值之和减小的方向作为遗传进化方向。

优选地，在采用遗传算法对所述优化区域内各小区的pci或pss进行优化时，在连续n代种群中最优个体的适应度函数的值的波动范围小于第一预设值时，改变所述遗传算法的参数的取值；基于改变后的遗传算法的参数的取值，继续采用遗传算法对所述优化区域内各小区的pci或pss进行优化，其中，n为设定的大于1的自然数；例如，遗传算法参数的取值可以是交尾率、变异率或步长等。

这里，n的值可以根据实际应用需求确定，例如n等于5；在连续n代种群中最优个体的适应度函数的值的波动范围小于第一预设值时，通过改变遗传算法参数的取值，自适应的加大搜索空间与提升搜索效率。

可选的，所述改变后的遗传算法参数的取值大于改变前的遗传算法参数的取值；这样，通过增加遗传算法参数的取值，可以加快遗传算法的收敛速度。一种可选的实施方式为：改变后的遗传算法参数的取值保持不变，直至连续n代种群中最优个体的适应度函数的值的波动范围小于第一预设值；另一种可选的实施方式为：在每次优化时(遗传算法每次迭代运算时)按照设置的增量步长增加，直至达到预设的步长上限，例如，遗传算法参数，如变异率的取值从0.4按照0.2步长递增，到0.8时截止。

优选地，所述采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果，包括：

交替采用启发式搜索算法和遗传算法所述优化区域内各小区的pci或pss进行优化，得出优化结果。

也就是说，本发明实施例中，可以在遗传算法和启发式算法之间进行切换，例如初始种群以启发式搜索算法计算结果作为初始因子，而后通过遗传算法进行s次迭代运算后，根据实际计算结果切换为启发式搜索算法，之后再交替更新。通过这种方式既确保了寻找最优结论的准确性，同时也显著提升了计算的效率。优选地，s一般取5至10。

优选地，这里的遗传算法可以是并行遗传算法，具体地，可以针对遗传算法中每一代内的迭代更新部分运用分布式计算方式，如此可以提升运算效率。

优选地，本步骤的一种实现方式可以是：确定初始种群和适应度函数，所述初始种群的每个个体表示所述优化区域内各小区的pci的一种分配方案；在不满足迭代终止条件时，采用精英保留策略对当前种群的各个个体进行交叉和变异运算，得出下一代种群；在满足迭代终止条件时，基于当前种群中适应度函数的值最小的个体，得出优化后的pci分配方案。

也就是说，基于精英算法，选定每一代的精英遗传因子，通过特定的交叉和变异规则生成下一代遗传因子，以精英保留策略确保每一代遗传因子的质量。

这里，遗传算法的初始种群的确定方法可以包括：根据初始干扰矩阵，得出多个随机解，每个随机解用于表示优化区域内各小区的pci或pss；

采用启发式搜索算法在所述多个随机解中进行搜索，得出初始种群。

也就是说，可根据已有的干扰矩阵，并通过启发式搜索算法进行搜索，在多个随机解中搜索适应度函数最小的多个解，作为初始种群。

对于迭代终止条件的设定，在一种可选的实例中，遗传算法的迭代终止条件为：所述遗传算法的迭代次数达到预设迭代门限，或者，连续m代种群中最优个体的适应度函数的值的波动范围小于第二预设值，m为设定的大于1的自然数；

可选的，在种群的个体数量不变时，迭代门限可以根据种群的个体数量(染色体数量确定)。

可以看出，迭代终止条件与收敛策略对应，通过设置以上收敛策略，可以提高上述遗传算法的收敛速度，提升pci优化效率。

pci优化的方法主要包括以下几种：

1)一种利用关系矩阵构建干扰值实现pci智能优化的系统和方法，针对现在lte系统中小区间的覆盖关系、切换关系以及干扰关系无法准确量化分析的问题，以及现在pci优化方法的智能化和自动化程度不高的问题，系统根据一定时间段内的mr数据，按照一定的计算规则构建(cellinteractingmatrix，cim)关系矩阵表，关系矩阵表从第一列开始分别表示源小区与其他邻区的pci冲突总次数、pci混淆总次数、模三干扰总次数、模六干扰总次数、模三十干扰总次数；之后，反复从每个小区的pci候选清单中每个小区选择pci的优化设置值，每次优化后都需要按照cim更新规则更新cim关系矩阵表，最终使得cim关系矩阵中五个干扰总次数的数值分别达到最小。可以看出，智能优化系统的优化系统，每次仅对cim矩阵中的一列进行优化，每次筛选出该列中干扰总次数最大的源小区，对该源小区的pci值在取值范围之内进行反复优化。

该方法描述的pci优化系统基于mr测量数据，利用关系矩阵分别统计各小区的pci冲突、混淆以及同模干扰的值，然后针对关系矩阵每一列分别优化该列干扰值最大的小区，对其在pci值的取值范围之内进行反复优化。由于pci的取值范围较大，所以该方案运算效率较低，并且该方案并非从全局干扰值最小为出发点，而是针对每一个top小区进行逐级优化，其最终得到的并非全局最优解。

2)一种lte网络中物理层小区标识pci优化方法及系统，采用遗传算法对pci分配方案进行优化，相比传统的优化算法来讲，遗传算法其搜索范围更宽，更有利于搜索得到全局最优解，使得pci信号优化分析更加精准合理，实现对无线网络信号进行更加准确、合理的规划和调整，从根本上改善和提高lte无线网络的整体性能。在实际实施时，以同模干扰概率总量减小的方向作为遗传进化的方向，在计算干扰概率时需兼顾各小区的话务量、切换权值、邻区权值以及该项干扰的权值，而在计算任意两个小区之间的干扰概率时则是分栅格计算最后进行汇总计算；最终结合pci分配的约束条件，对所述的多个候选组进行交叉和变异运算，生成下一代的pci分配方案，得到全网最优的pci分配方案。

该方法利用遗传算法求解使得全局的同模和同频干扰达到最小，但该方法在计算干扰概率时是按照栅格级进行计算，然后再按照全量的进行汇聚，利用扫频和测试数据较容易定位出测试样本点所在的位置，但针对全量的mr数据则较难准备给出每个采样点所在的栅格位置。因此该方案在目标函数计算上设定相对较为麻烦，同时该方案未结合实际的一线工作需求考虑加入保护带机制，边界区域优化方案输出不合理，而利用传统的遗传算法进行大范围的pci优化运算速度有待提升。

上述两种pci优化方法及现有的pci优化方法存在以下明显的缺点：只考虑路测数据或mr数据，未综合考虑站点的话务量、切换关系等信息；未能对多维数据大数据进行有效的整合，甚至基于存在潜在切换关系的建立简便可优化的pci干扰矩阵；现有的pci自动优化工具，性能不佳，难以满足网络优化人员一线工作需求；同时业界现有的pci优化方法大多是基于传统的遍历轮训的方式难以寻找到全局最优解，或者基于传统遗传算法收敛速度较慢，相比传统人工优化手段不能真正实现优化效率的提升。

具体地说，在现网lte移动通信系统中，pci的干扰关系分析方法大多是人工基于测试数据或者运营支撑系统(theofficeofstrategicservices，oss)统计数据来进行分析，根据优化工程师的经验来进行优化；对于基于路测数据的pci优化，只能避免道路测试区域内相邻小区出现的模3、模6以及模30的干扰，但是lte的业务大多发生在室内，传统的路测的方式若想摸清楚密集的市区、乡村这样场景的覆盖、切换以及模3干扰的情况，成本高，基本无法实现。同时基本路测数据的和oss统计数据进行现网模3干扰分析，大多是根据测试路段相关测试指标或者某小区的关键绩效指标(keyperformanceindicator，kpi)指标进行详细的分析后，发现该小区与周边的邻区存在模3干扰或者是pci冲突混淆的问题，才会结合一线优化工程师的优化经验进行优化。这种传统的pci优化方案只能注意到问题较为严重，明显影响用户感知和网络运营质量的小区，而很难发现轻度kpi波动背后隐藏的潜在问题。

综合上述分析，现网中所使用的pci分析和优化的方法，优化的质量严重依赖于工程师的优化经验，并且难以全面发现并分析网络中pci的配置问题。

针对上述pci优化方法的问题和缺陷，本发明实施例基于路测数据、扫频数据以及全量的mr数据构造综合性的邻区级的干扰矩阵，并结合实际一线优化操作需求，调整不同数据源的权重关系，本发明实施例通过设定保护带的方式，使得优化区域边界的小区的同模干扰不会受影响。同时通过使用智能化遗传算法迭代计算最优的主同步信号(primarysynchronizationsignal，pss)分配，而本发明实施对经典的遗传算法进行了改进，在搜索中交替使用启发式搜索方法以及遗传算法策略，其能够根据适应度函数选定较优的初始遗传因子，通过交叉和变异生成下一代遗传因子，使得该方案的综合干扰值降至最低。同时本发明专利支持自学习机制，能够通过自主调整算法的关键参数设置，实现算法的快速收敛，大幅提高本系统的运算速度，满足一线工作的需求。

本发明实施例的目的是针对现在技术的缺陷，提供一种基于智能型遗传算法的pci优化算法及装置；首先本发明基于lte现网中海量的资源工参数据、路测数据、mr数据和网管的小区切换数据等多维数据，构建出一个综合的邻区级的干扰矩阵，构建干扰矩阵的方法更加的简便同时切实考虑到全网优化相关的数据，能够及时发现网络中潜在的pci干扰及时优化；同时，本发明实施例可以根据不同的优化策略及场景，调整mr数据、测试数据、切换数据三者的权重值，根据一线优化工作人员的优化目标不同可平衡道路和室内等的权重。相比前期的发明专利，本发明创造性地提出了基于智能遗传算法的pci智能优化技术，并支持以并行计算方式高效输出pci自动优化方案，有效降低系统内的pci干扰。本发明实施例所提出的pci优化方法支持机器学习机制，能够通过自主调整算法的关键参数设置，大大提升系统的运算效率，便于实际推广应用。

通过以上分析，可以看出本发明实施例的技术优点包括：

1)基于lte现网中海量的mr数据、路测数据、资源工参数据、小区切换数据等多维网优数据，充分考虑小区的话务量，具有潜在切换关系的小区对之间的电平差值、测量采样点数，合理整合现网多维大数据，构建pci干扰矩阵。

2)可灵活配置mr数据、路测数据、小区切换数据的权重，如道路优化、居民区优先等等；同时，通过设定保护带的方式，使得优化区域内部的pss最优分配不会影响周边小区。

3)基于智能型遗传算法的pci优化方法可以提高pci优化效率，在实际实施时，具体通过以下手段提高pci优化效率：

(1)结合优化适应度函数，智能选定遗传算法初始迭代因子；这里，初始迭代因子指初始种群。

(2)基于精英保留策略，选定每一代的精英遗传因子，通过特定的交叉和变异规则生成下一代遗传因子，以精英保留策略确保每一代遗传因子的质量；

(3)针对遗传算法中每一代内的迭代更新部分运用分布式计算方式，提升运算效率；

(4)支持自学习机制，能够通过自主调整算法的关键参数步长，智能调节迭代收敛条件，提高算法的收敛速度。

第二实施例

为了能够更加体现本发明的目的，在本发明第一实施例的基础上，进行进一步的举例说明。

图2为本发明实施例的pci优化的方法的另一个流程图，如图2所示，该流程可以包括：

步骤201：优化区域选择及保护带设定。

本步骤的实现方式已经在步骤101中作出说明，这里不再赘述。

步骤202：优化区域及保护带内的数据采集。

这里，优化区域及保护带内的数据包括资源工参数据、mr数据、路测数据和小区切换数据，其中，mr数据包括但不限于mro(mroriginal)数据、mrs(mrstatistics)数据、mre(mrevent)数据。

可选的，在确定优化区域和保护待后，可以提取工参数据，一个示例性工参数据如图3所示。

图3中所示的工参数据可以存储在工参文件表中，图3中，按照优化区域小区在前，保护带小区在后的循序排列，虚线框内的部分表示保护带内小区的工参数据，其余部分表示优化区域小区的工参数据。

为了确定优化区域内各小区的切换情况、邻区关系、话务量等情况，还可以引入mr数据、路测数据和网管的小区切换数据。

对于mr数据，在一个示例中，可以准备优化区域及保护带三天的mr数据(具体天数可根据一线优化工作需求来设定)；图4为本发明实施例的mr数据的一个示例图，如图4所示，mr数据中需要给出源小区的全球小区识别码(cellglobalidentifier，cgi)、目标小区的cgi、mr中邻区对的rsrp差值绝对值的均值(即图4中的相关系数1)以及mr中测量到邻区采样点数量(即图4中的相关系数2)。

对于mr数据，源小区i和目标小区j的采样点数量记为crij，mr数据中源小区i与目标小区j的相关系数1为源小区i与目标小区j的差值绝对值的均值，其计算方式如下：

其中，rsrpiⁿ表示mr数据中源小区i在第n个采样点中的rsrp值，rsrpjⁿ表示mr数据中源小区j在第n个采样点中的rsrp值。

对于路测数据，在一个示例中，可以准备优化区域及保护带三天的路测数据(具体天数可根据一线优化工作需求来设定)；图5为本发明实施例的路测数据的一个示例图，如图5所示，路测数据中需要给出源小区的cgi、目标小区的cgi、相关系数1和相关系数2；图5中，相关系数2表示在源小区为主服小区时，测量到目标小区信号的采样点数据；相关系数1表示在源小区为主服小区并测量到目标小区的采样点中，两者rsrp差值的绝对值求和之和除以相关系数2。

对于路测数据，源小区i和目标小区j的采样点数量记为cdij，路测数据中源小区i与目标小区j的相关系数1为源小区i与目标小区j的差值绝对值的均值，其计算方式如下：

其中，drsrpiⁿ表示路测数据中源小区i在第n个采样点中的rsrp值，表示路测数据中源小区j在第n个采样点中的rsrp值。

对于小区切换数据，在一个示例中，可以准备优化区域及保护带三天的小区切换数据(具体天数可根据一线优化工作需求来设定)；图6为本发明实施例的小区切换数据的一个示例图，如图6所示，小区切换数据中需要给出源小区的cgi、目标小区的cgi、相关系数；图6中的相关系数表示源小区i与目标小区j之间邻区对切换请求次数csij。

步骤203：对采集的数据进行处理，生成邻区级干扰矩阵。

示例性地，考虑到小区间的信号强度、两小区间的切换关系，我们综合考虑步骤202中的mr数据、路测数据、小区切换数据中的相关系数。针对某一源小区ai及其目标小区aj，两个小区的干扰值等于pwij·pmodij，其中，

其中，w1表示为mr数据设置的权重，w2为路测数据设置的权重，w3表示为小区切换数据设置的权重；crmax表示mr数据中所有相关系数2的最大值，cravg表示mr数据中所有相关系数2的均值；cdmax表示路测数据中所有相关系数2的最大值，cdavg表示路测数据中所有相关系数2的均值；csmax表示小区切换数据中相关系数的最大值(切换次数的最大值)，csavg表示小区切换数据中所有相关系数的均值(切换次数的均值)；pmodij用于表示小区i和小区j之间的同模干扰，这里的同模干扰可以是pci冲突、pci混淆、模3干扰、模6干扰、模30干扰等。

这里，将优化区域及保护带内的小区个数记为n，那么整个优化区域加保护带的干扰矩阵i则可表示为：

在构建干扰矩阵后，为了便于执行后续的遗传算法，还可以预先设置遗传算法的适应度函数；适应度函数的设置原则是使得优化区域和保护带整体的干扰值之和最小，优化变量为优化区域内小区的pss的值或优化区域内小区的pci的值，其中，整体的适应度函数可表示为：

上式中，iij表示干扰矩阵中第i行第j列的元素。

步骤204：利用遗传算法得出pci优化方案。

可选的，本步骤的实现方法可以包括：

s1：初始种群确定。

优选地，可以通过启发式搜索算法(线性搜索)首先确定遗传算法中人口矩阵的第一行(即确定初始种群)，

这里，人口矩阵就是遗传算法选定的矩阵(用于表示当前一代的种群)；人口矩阵的列数为待计算小区数(为优化区域小区数与保护带内小区数之和)，人口矩阵的每一行表示一个个体，可以将第一行作为当前一代种群的最优个体(即适应度函数最小的个体)；在实际实施时，人口矩阵的行数可以根据实际情况确定，例如，人口矩阵的行数为列数的2倍。

s2：利用精英保留策略筛选最优的解

在遗传算法中每一代人口矩阵中都保留最优秀的染色体(即最优秀的前几行，行数可以进行自定义)

s3：进行交叉和变异。

在遗传算法中最关键的两个步骤就是交叉和变异，交叉方式可以采用整形全量交叉，即待选的父母染色体的每一个基因都进行充分的信息交互产生子染色体的对位基因，并且交叉概率可以进行调整设置。

变异概率决定了可以适度调整搜索空间，避免搜索过程滞留在局部空间。变异概率过小难以确保跳出局部搜索空间寻找最优解，而变异概率过大可能导致过度的随机搜索，浪费效率，因此一般经验值设置为10％-20％。这里，可以通过机器学习的方式，评估代价函数(即适应度函数)，一旦代价函数滞留在局部空间，通过调整变异概率的方式适度增加搜索空间，提升搜索效率，寻找全局最优解。

s4：启发式搜索

由于一般pci的优化区域较大，基于现网构架的pci干扰矩阵也较大，除邻区对外，小区间相隔距离较远，对于稀疏矩阵的搜索，遗传算法容易耗费大量的时间，而且搜索效果不佳。因此在遗传算法进行的过程中，适当引入启发式的搜索方法，可以加快搜索效率，提升搜索精度。同时可以根据实际情况，自适应调整启发式搜索以及遗传算法的步长，使得两种搜索方法智能的融合，加速搜索全局最优解。

s5：收敛。

本算法可采取两种收敛策略，一种设置迭代门限，迭代门限终止，搜索结束，一般迭代门限设置为搜索矩阵的染色体数量的1/10。另一种迭代收敛可根据搜索性能自适应终止，一旦长时间代价函数保持一致，则认为寻找到全局最优解，搜索过程停止。

优选地，可以采用并行遗传算法提升搜索效率；并行遗传算法实现的性能依托软件的设计以及硬件支撑，对于搜索过程中固定人口矩阵计算可以采取并行计算法的方式进一步提升计算处理效率；通过实际java软件在单机多核的环境进行仿真，可以进一步将搜索效率提升14.3％。

在一个可选的示例中，采用本发明实施例的pci优化方法和现有的pci优化方法分别对现网中1000小区进行pci优化，本发明实施例的优化方法从输入数据到输出pci优化方案需要15分钟左右，而业界现有的pci优化工具则需要6个小时，可以看出，相比于现有技术，本发明实施例的pci优化方法大大提高了pci优化效率。

步骤205：输出pci优化方案。

这里，pci优化方案表示一种配置策略，并且还可以输出优化区域和保护带内的综合干扰值的变化趋势，以便于一线优化工作人员直观评估方案的合理性及提升pci优化效果。

在实际实施时，本发明第二实施例的pci优化的方法可以通过pci优化装置实现，图7为本发明实施例的pci优化装置的一个示例图，如图7所示，该装置可以包括：采集模块701、优化区域选定模块702、数据预处理模块703、计算模块704、进度查询模块705和结果返回模块705；其中，

采集模块701用于实现优化区域选择及保护带内的数据采集；优化区域选定模块702，用于实现优化区域选择及保护带设定；数据预处理模块703，用于对采集的数据进行处理，生成邻区级干扰矩阵；计算模块704，用于利用遗传算法得出pci优化方案；进度查询模块705，用于根据查询请求，查找对应的pci优化方案；结果返回模块705，用于输出相应的pci优化方案。

在实际应用中，所述采集模块701、优化区域选定模块702、数据预处理模块703、计算模块704、进度查询模块705和结果返回模块705均可由位于终端中的中央处理器(centralprocessingunit，cpu)、微处理器(microprocessorunit，mpu)、数字信号处理器(digitalsignalprocessor，dsp)、或现场可编程门阵列(fieldprogrammablegatearray，fpga)等实现。

第三实施例

为了能够更加体现本发明的目的，在本发明第一实施例和第二实施例的基础上，进行进一步的举例说明。

本发明第三实施例提出了一种pci优化的设备，图8为本发明实施例的pci优化的设备的结构示意图，如图8所示，该设备包括处理器801和用于存储能够在处理器上运行的计算机程序的存储器802，

处理器801用于运行所述计算机程序时，执行以下步骤：

获取无线通信网络的预设区域的小区运行参数，所述预设区域包括预先确定的待进行pci优化的优化区域和针对所述优化区域设置的保护带；

基于所述预设区域的小区运行参数，构建所述预设区域的小区间的干扰矩阵；

以干扰矩阵中各元素值之和减小的方向作为遗传进化方向，采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果。

示例性地，所述小区运行参数包括：测量报告mr数据、路测数据和小区切换数据。

示例性地，处理器801用于运行所述计算机程序时，具体执行以下步骤：

基于所述预设区域的mr数据，得出所述预设区域内各源小区对应的第一干扰值，基于所述预设区域的路测数据，得出所述预设区域内各源小区对应的第二干扰值，基于所述预设区域的小区切换数据，得出所述预设区域内各源小区对应的第三干扰值，所述第一干扰值、第二干扰值和第三干扰值用于表示对应源小区与目标小区之间的三种不同的干扰关系；

基于所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值；

得出所述预设区域的小区间的干扰矩阵，所述干扰矩阵的各元素为：所述预设区域内各源小区对应的总干扰值。

示例性地，处理器801用于运行所述计算机程序时，具体执行以下步骤：

判断所述预设区域内每个源小区与目标小区之间是否存在同模干扰，基于判断结果、所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值。

示例性地，处理器801用于运行所述计算机程序时，具体执行以下步骤：

对所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值进行加权求和，得出加权求和结果；

基于所述加权求和结果和所述判断结果，得出所述预设区域内每个源小区对应的总干扰值。

示例性地，同模干扰包括以下至少一种：pci冲突、pci混淆、模3干扰、模6干扰、模30干扰。

示例性地，所述处理器801，还用于运行所述计算机程序时，执行以下步骤：

在采用遗传算法对所述优化区域内各小区的pci或pss进行优化时，在连续n代种群中最优个体的适应度函数的值的波动范围小于第一预设值时，改变所述遗传算法参数的取值；基于改变后的遗传算法参数的取值，继续采用遗传算法对所述优化区域内各小区的pci或pss进行优化，其中，n为设定的大于1的自然数。

示例性地，所述处理器801，用于运行所述计算机程序时，具体执行以下步骤：

具体用于交替采用启发式搜索算法和遗传算法所述优化区域内各小区的pci或pss进行优化，得出优化结果。

示例性地，处理器801用于运行所述计算机程序时，具体执行以下步骤：

采用并行遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果。

示例性地，处理器801用于运行所述计算机程序时，具体执行以下步骤：

确定初始种群和适应度函数，所述初始种群的每个个体表示所述优化区域内各小区的pci或pss的一种分配方案；

在不满足迭代终止条件时，采用精英保留策略对当前种群的各个个体进行交叉和变异运算，得出下一代种群；在满足迭代终止条件时，基于当前种群中适应度函数的值最小的个体，得出优化结果。

示例性地，迭代终止条件为：所述遗传算法的迭代次数达到预设迭代门限，或者，连续m代种群中最优个体的适应度函数的值的波动范围小于第二预设值，m为设定的大于1的自然数。

第四实施例

为了能够更加体现本发明的目的，在本发明第一实施例和第二实施例的基础上，进行进一步的举例说明。

本发明第四实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一实施例和第二实施例中任意一种pci优化的方法的步骤。

第五实施例

为了能够更加体现本发明的目的，在本发明第一实施例和第二实施例的基础上，进行进一步的举例说明。

图9为本发明实施例的pci优化装置的另一个示例图，如图9所示，该装置包括获取模块901、构建模块902和优化模块903，其中，

获取模块901，用于获取无线通信网络的预设区域的小区运行参数，所述预设区域包括预先确定的待进行pci优化的优化区域和针对所述优化区域设置的保护带；

构建模块902，用于基于所述预设区域的小区运行参数，构建所述预设区域的小区间的干扰矩阵；

优化模块903，用于以干扰矩阵中各元素值之和减小的方向作为遗传进化方向，采用遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果。

可选的，小区运行参数包括：测量报告mr数据、路测数据和小区切换数据。

可选的，构建模块902，具体用于基于所述预设区域的mr数据，得出所述预设区域内各源小区对应的第一干扰值，基于所述预设区域的路测数据，得出所述预设区域内各源小区对应的第二干扰值，基于所述预设区域的小区切换数据，得出所述预设区域内各源小区对应的第三干扰值，所述第一干扰值、第二干扰值和第三干扰值用于表示对应源小区与目标小区之间的三种不同的干扰关系；基于所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值；得出所述预设区域的小区间的干扰矩阵，所述干扰矩阵的各元素为：所述预设区域内各源小区对应的总干扰值。

可选的，构建模块902，具体用于判断所述预设区域内每个源小区与目标小区之间是否存在同模干扰，基于判断结果、所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值，得出所述预设区域内每个源小区对应的总干扰值。

可选的，构建模块902，具体用于对所述预设区域内每个源小区对应的第一干扰值、第二干扰值和第三干扰值进行加权求和，得出加权求和结果；基于所述加权求和结果和所述判断结果，得出所述预设区域内每个源小区对应的总干扰值。

可选的，同模干扰包括以下至少一种：pci冲突、pci混淆、模3干扰、模6干扰、模30干扰。

可选的，所述优化模块903，还用于在采用遗传算法对所述优化区域内各小区的pci或pss进行优化时，在连续n代种群中最优个体的适应度函数的值的波动范围小于第一预设值时，改变所述遗传算法参数的取值；基于改变后的遗传算法参数的取值，继续采用遗传算法对所述优化区域内各小区的pci或pss进行优化，其中，n为设定的大于1的自然数。

可选的，所述改变后的遗传算法参数的取值大于改变前的遗传算法参数的取值。

可选的，优化模块903，具体用于采用并行遗传算法对所述优化区域内各小区的pci或pss进行优化，得出优化结果。

可选的，优化模块903，具体用于确定初始种群和适应度函数，所述初始种群的每个个体表示所述优化区域内各小区的pci或pss的一种分配方案；

在不满足迭代终止条件时，采用精英保留策略对当前种群的各个个体进行交叉和变异运算，得出下一代种群；在满足迭代终止条件时，基于当前种群中适应度函数的值最小的个体，得出优化结果。

可选的，遗传算法的迭代终止条件为：所述遗传算法的迭代次数达到预设迭代门限，或者，连续m代种群中最优个体的适应度函数的值的波动范围小于第二预设值，m为设定的大于1的自然数。

在实际应用中，获取模块901、构建模块902和优化模块903均可由位于终端中的cpu、mpu、dsp、或fpga等实现。

本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

在本发明所提供的几个实施例中，应该理解到，所揭露的方法和智能设备，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个第二处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。