专利名称：借助遗传编程的电信网络节点进化算法的制作方法
技术领域：
本发明涉及电信，具体地说，涉及电信网络。
背景技术：
电信网络日益结合了自配置、自组织以及自适应能力。随着电信网络的大小和复杂性的增加，存在以分散方式(即，每个节点可以仅使用本地信息个别地执行操作)实施这些所谓的“自X”特性的动力。相应地，日益需要开发自χ算法，S卩，用于网络节点自适应的必须在没有关于网络的全局信息也没有网络节点的协调中心控制的情况下工作的算法。无线网络中的自X算法的一些实例包括用于优化小区覆盖和容量的算法以及资源调度算法。有线网络领域中的一些实例是依赖于多种变量(如业务负荷级别、沿通信路径的节点间的跃点数，以及服务质量(Q0S)要求)工作的路由算法。一种公知的方式是由熟练的工程师基于关于网络的特定假设(可能不切实际)而设计自X算法，所以经常需要在网络中实现算法之后评估、修正和改进算法。这是缓慢而昂贵的过程。在此公知的方式中，设计算法的熟练工程师很难考虑到节点所部署的各种不同环境。算法的设计基于关于网络的特定假设，所述假设在实际中并不适用。在此公知的方式中，手动设计自χ算法，然后跨所有特定类型的网络节点(例如， 无线蜂窝网络中的所有基站)应用所述算法。由于节点的工作环境存在巨大的差异而将降低性能，因为通用优化算法的执行效果不如更专用于特定问题或工作环境的算法。附带地说，相反地，专用算法在应用于它们所针对的特定区域以外时，它们的执行效果也会降低。参考另一背景领域，遗传编程是一种用于生成算法的公知进化方法，例如，参见 Koza, J. R. , Genetic Programming :0n the Programming of Computers by Means of Natural Selection 1992 :MIT Press，840。为了便于读者理解，在此简要说明遗传编程。如图1所示，遗传编程(GP)涉及以下步骤(i)初始化算法的种群-种群是针对个体算法的集合使用的术语，至少在某种程度上随机地生成初始种群中的算法；(ii)计算种群中的每个算法的适应度-适应度是针对完成算法任务中的算法性能的测量使用的术语；(iii)根据算法的适应度选择成为“父代”的算法；(iv)通过应用遗传算子，如针对先前步骤中选择的父代的变异和交叉，产生新的算法；(ν)使用新产生的算法和从前一代种群选择的幸存者来产生算法的下一代种群。重复上述步骤(ii)至(V)，直到满足终止条件(例如，过程已经历设定的代数，或已产生的算法满足目标适应度级别)。
如图2所示，典型地在遗传编程(GP)中使用分析树(parse tree)表示以便将算法编码成可以在其上执行遗传编程运算的形式。分析树可用于表示诸如计算机程序的各种形式的算法。可以以例如通过状态转变图的其他形式表示算法。图3示出上述交叉和变异算子的示例性实例。交叉是混合来自两个父代算法的成分以产生下一代(即，子代)算法。变异是修改个体父代算法的一部分以产生下一代算法。在IEEE 2006，Lewis Τ.，Fanning N.以及 Clemo G.的标题为 “Enhancing IEEE 802.11 DCF using Genetic Programming”的论文中描述了使用遗传编程来生成算法以供在电信网络中使用。
发明内容
读者可参考所附的独立权利要求。在从属权利要求中提出了某些优选特征。本发明的一个实例是一种通过更新网络节点的模型以及遗传编程用于进化(或演进)电信网络节点中的网络节点控制算法的方法，包括(a)生成算法，(b)根据所述网络节点的模型确定所述算法的适应度级别，以及(c)选择满足预定适应度级别的算法。自动重复步骤(a)、(b)以及(c)以提供随着时间的过去而适应所述网络节点的变化模型的一系列算法，用于所述网络节点中的可能实施。在优选实施例中，例如从节点做出的本地测量获得网络节点的状态信息，和/或作为来自相邻节点的信息提供网络节点的状态信息。在优选实施例中，每个网络节点使用遗传编程来生成新的算法以便供其自己使用，并且网络的信息用于更新所述网络节点的内部模型。优选地，所述节点使用该模型连同遗传编程构建块来产生满足诸如适应度级别之类的目标准则的算法。优选地，一旦提供了此类算法，就测试该算法，并且如果算法被视为可接受，则在所述网络节点中实现该算法。因此，一个优选实施例可以是其中每个网络节点均运行自己的独特算法的网络。 该方法允许节点灵活、独立以及智能地改变其行为。该方法适合于各种类型的网络节点，例如自适应的网络节点，如毫微微蜂窝基站。 该方法适合于为自身是自适应算法的实现提供算法。优选实施例涉及蜂窝无线基站的网络。其他优选实施例涉及其他类型的电信网优选实施例提供了以分布方式本地专用于网络节点的算法的产生和自适应。各优选实施例以自主和高效的方式产生和优化算法的功能形式以实现良好的网络性能。在某些优选实施例中，时常(例如，周期性地)重复提供、检验和实施算法的步骤。 在某些优选实施例中，所提供的一系列算法是一系列用于网络节点自配置的算法。
现在将通过实例的方式并参考附图描述本发明的各实施例，这些附图是图1是示意性地示出遗传编程过程的示意图(现有技术)；图2是示出以分析树形式表示的计算机程序的示意图(现有技术)；图3是示出在遗传编程中应用于表示为分析树的程序部分的交叉和变异运算的示意图(现有技术)；
图4是根据本发明的第一实施例的无线电信的网络的示意表示；图5是更详细地示出图4中所示的基站之一加上其相邻基站之一的示意图；图6是示出图5所示的基站中的遗传编程单元的操作的流程图；图7是示出在一个基站中检验和实现的算法如何成为相邻基站中的候选算法的示意图；以及图8是用于优化由遗传编程单元提供的无线电小区覆盖的实例遗传工程程序。
具体实施例方式发明人认识到，在公知的无线网络中，大量用户部署的小型小区的使用将允许较高的数据速率并提供较高容量。此类小型小区的典型范围为数十或数百米并经常被称为毫微微小区。但是，发明人认识到，使用此类大量小型小区的副作用是提供这些小区的基站将经历的环境的多样性。例如，取决于毫微微蜂窝基站在建筑物内放置的位置，毫微微蜂窝基站的性能将显著改变。这部分地是由于各种建筑物材料的影响。例如，与水泥墙相比，玻璃墙具有非常低的传播损耗。这也部分地是由于业务需求的高度变化性。例如，覆盖诸如繁忙休息室的业务需求热点的毫微微蜂窝基站所经历的需求将极大地不同于覆盖安静区域 (比如说，二十米之外)的另一毫微微蜂窝基站。发明人还认识到，在此类小型小区中，用于控制和优化基站的自χ算法必须在多种环境中提供适合的性能，这样通用算法可能不能胜任并且算法最好专用于特定环境。作为一个实例，在具有水泥构成的建筑物的居住区域中工作的毫微微小区可能需要的无线覆盖控制算法的形式不同于在具有正面是玻璃的建筑物的居住区域中工作的毫微微小区。但是，发明人认识到，由于涉及的复杂性和成本，针对每种不同类型的环境手动设计新算法的现有技术方法是不切实际的。在专注于实例遗传编程单元及其工作之前，现在将描述实例网络和网络节点。在此实例中，网络节点是毫微微小区基站。此后，将描述如何将检验后的算法分发到其他节点，然后给出此类算法的特定实例。之后将描述某些变型和备选方式。在本说明书中，使用术语“算法”来表示用于解决问题或完成任务的一组规则或方法。可以以具有技术应用的数学公式、计算机程序、诸如状态转变图或流程图的系统行为表示的形式指定算法。电信网络节点中的算法的实例是一种自动调整无线小区的覆盖区域的方法以及一种通过网络路由器节点路由业务的方法。网络如图4所示，电信网络2包括无线接入网络4，无线接入网络4包括一些互连的蜂窝基站21、22、23、24。基站21、22、23、M均运行各自的算法以执行预定任务。如图5所示，每个基站包括各自的遗传编程单元10，遗传编程单元10用于使用遗传编程提供新的改进版本的算法，如以下更详细说明的。每个基站均可操作以与其相邻基站通信并感测其相邻基站。例如，第一基站21可操作以与其相邻基站22、23、对通信并感测其相邻基站22、23、对。为避免混淆，将所考虑的特定基站称为“本地”基站9，“本地”基站9具有一组(以 25表示)相邻基站。哪些基站属于组25取决于本地基站9如何发现其邻居。在此实例中，本地基站9执行从其他基站接收的导频信号的测量，以便确定哪些基站在其邻居组25中。 在一个备选实施例中，本地基站在回程网络上执行查询和响应过程以便确定邻居。邻居组25中的基站是那些对本地基站具有显著影响的基站，并且反之亦然。例如，增大组25中的基站的发射功率将增大对本地基站10的干扰。如以下将更详细说明的，网络20中的基站21、22、23、24、9、25均运行它们自己的算法以完成特定任务，如调整它们的无线覆盖的大小。所述基站还均使用遗传编程运行算法自适应过程，以便周期性地更新和改进它们运行的算法的确切功能形式。每个基站本地地改进其算法，所以末端效应是每个基站运行它们自己的相应被优化为适合它们自己的本地环境并因此可能是独特的算法。遗传编稈单元如图5所示，使用遗传编程产生在基站中使用的算法的遗传编程单元10包括遗传处理器11、算法实现平台12以及本地信息收集平台13。遗传处理器包括函数和终端集合(terminal set) 111、遗传算子112以及适应度函数113作为对进化处理器15的输入。函数和终端集合111是算法的构建块。遗传算子 112是操纵现有算法以产生新算法的运算并包括诸如变异和交叉之类的运算。适应度函数 113是用于计算适应度(换言之，算法的性能)的函数。例如，根据网络运营商的要求预先确定适应度函数113。在使用中，进化处理器15用于使用网络节点的模型14的信息运行网络节点的仿真，并且所生成的各种不同算法和性能结果与适应度函数13—起用于计算与每个算法关联的适应度。在这些仿真中使用网络节点的最新模型14。如以下将更详细说明的，在自动的基础上生成要在基站中使用的新的和改进后的算法。图6中示出了此自动过程中执行的主要步骤的流程图。如图6所示，在遗传编程单元10中，生成并评估(步骤A)关于适应度级别的下一代算法。判定(步骤B)所生成的算法是否满足预定适应度级别。在满足预定适应度级别时，该算法被视为足够良好以便可执行算法检验过程。如上所述，算法检验处理器17预先测试(步骤C)该算法以检查部署在网络2中的适合性。然后判定(步骤D)测试是失败还是通过。如果测试失败，则丢弃(步骤E)该算法并返回生成和适应度评估(步骤A)。另一方面，如果测试通过，则在网络节点中实现算法(步骤F)。图6中的步骤A和B在图5所示的进化处理器15中发生。图6中的步骤C、D和 E在图5所示的算法检验处理器17中发生。这在下面更详细地说明。现在将更详细地说明遗传编程单元10的各个组件和方面。具体地说，现在将说明进化处理器、模型构建处理器、算法检验处理器以及算法实现平台。进化处理器函数和终端集合111、遗传算子112、适应度函数113以及来自模型(仿真器)14 的仿真结果是到进化处理器15的输入。进化处理器15执行遗传编程。如前所述，遗传编程(GP)涉及以下步骤(i)初始化算法的种群-种群是针对个体算法的集合使用的术语，至少在某种程度上随机地生成初始种群中的算法；(ii)计算种群中的每个算法的适应度-适应度是针对完成算法任务中的算法性能的测量使用的术语；(iii)根据算法的适应度选择成为“父代”的算法；(iv)通过应用诸如针对先前步骤中选择的父代的变异和交叉的遗传算子产生新的算法；(ν)使用新产生的算法和从前一代种群选择的幸存者来产生算法的下一代种群。重复上述步骤(ii)至(V)，直到满足终止条件(例如，已产生的算法满足目标适应度级别)。可以将从进化处理器15输出的算法视为已由进化过程选择的算法。此算法被从进化处理器15输出到算法检验处理器17。樽型构津过稈在遗传编程单元10中具有模型构建处理器16，模型构建处理器16作用于网络节点的模型14以使模型14保持最新，方式为利用关于相邻节点25的状态的信息，例如，它们当前正在使用何种算法，加上它们正在经历的业务状况，如负荷、呼叫类型等，以及利用关于本地基站9自身的本地信息。由本地信息收集处理器13收集关于本地基站9自身的本地信息，本地信息收集处理器13使用各种工具来获得关于本地无线环境的信息，如用户终端发送的测量报告以及内置无线发送器(未示出)进行的测量。此处理器13还收集可用的内部信息，例如关于本地基站的业务负荷的统计信息。此处理器13还将诸如发射功率和以活动用户数表示的平均负荷的关于本地基站9的相关信息传播到本地基站9的邻居20。相应地，模型构建处理器16引入了应用于基站的无线环境和状况中发生的显著变化(所以可能对算法进化过程具有影响)，并且还用于改进模型14以便提高模型14的效率。相应地，通过时常(例如，周期性)更新来改变模型。模型构建处理器16使用从网络节点自身加上从网络节点的邻居获得的关于网络节点的信息。算法检验算法检验处理器17预先测试所选择的算法以检查在基站中部署的适合性。测试在部署之前执行并旨在确保算法的行为良好并且不会导致在网络中发生不希望的行为。由于可能出现不希望的和未预期的行为，所以此测试对用于网络节点的分散控制的自X算法 (例如，自配置、自组织等)尤为重要。此类不希望的行为可导致网络运行效率低下，并且在极端情况下可导致整个网络出现级联故障。应指出的是，负面影响可总体上在算法中出现， 并且不是遗传编程产生的特定副作用。算法检验处理器17执行自动检验过程。尽管使用仿真的方案和基站在其本地环境中的最新模型14来开发来自进化处理器15的选定算法，但是该算法可能具有在其他方案下导致不希望的结果的缺陷。此类缺陷的一个易于检测的实例是除零计算。相应地，执行此预先测试。—旦对算法执行了预先测试并且算法被视为是适合的，就会在网络节点中实现该算法。算法实现通过算法实现平台12在网络节点中实现现在被视为适合的算法。此算法实现平台12获取分析树形式的算法并将算法转换成取代先前使用的算法的软件指令。在此实例中，算法实现平台12包括算法读取器(未示出)，算法读取器直接从分析树形式转换并运行算法。在一个类似的实施例(未示出)中，将分析树转换成软件代码(C++，Java)，然后编译所述软件代码。将算法分发到其他节点如图7所示，检验后的算法还由算法实现平台12发送到相邻基站25(为了简洁， 示出了表示为21的一个此类基站)，以便包括在它们的进化过程中。从相邻基站的角度，当基站21从其邻居之一接收到此算法时，基站21在进化过程中插入此算法作为当前算法种群中的个体。以此方式分发到邻居算法的算法并不为邻居立即使用，而是只是被包括在下一代算法的种群中以便进一步进化。这在图7中示出，其中从本地基站9的角度，相邻基站21 接收到本地基站9的新的算法。如果此接收到的算法恰好是基站21的种群中的最佳算法， 则遗传处理器15将作为其正常操作的一部分而在后续进化周期中开始使用该算法。通过此步骤，在一个基站中进化和检验的良好算法被传播到其他基站。这可改进算法自适应过程通过网络的收敛速率，这可以被视为一种形式的并行计算，其中由一组基站而不是个别基站执行搜索。由于基站所经历的多种环境，算法的传播可能是有限的。例如，用于密集城市环境中的基站的良好算法不一定在郊区或乡村环境中运行良好。如上所述的算法分发在基站之间发生，例如，基站向其邻居发送良好算法并且也接收来自邻居的良好算法。-.mt^Mm^一种类型的将经历如上所述的遗传编程和选择的算法的实例是一种优化无线网络中的小区的无线覆盖的算法，换言之，根据在基站环境中的网络内执行的测量自动调整该基站的无线覆盖。图8中以分析树和等式两种形式表示了此类算法的一个实例。等式如下
权利要求
1.一种在电信网络节点中通过时常更新网络节点的模型以及遗传编程进化网络节点控制算法的方法，包括(a)生成算法，(b)根据所述网络节点的模型确定所述算法的适应度级别，以及(c)选择满足预定适应度级别的算法，自动重复步骤(a)、(b)以及(c)以提供随着时间的过去而适应所述网络节点的变化模型的一系列算法，用于所述网络节点中的可能实施。
2.根据权利要求1的方法，其中使用与所述网络节点本地特定的无线电状况和业务状况中的至少一个有关的信息更新所述模型。
3.根据权利要求1或2的方法，其中使用来自与所述网络节点相邻的至少一个节点的信息更新所述模型。
4.根据权利要求3的方法，其中所述信息与相应相邻节点经历的业务状况和无线电状况中的至少一个有关。
5.根据任一先前权利要求的方法，其中所述网络节点或每个网络节点是无线电信基站。
6.根据权利要求5的方法，其中所述基站或每个基站是毫微微蜂窝基站。
7.根据权利要求5或6的方法，其中所述算法用于调整基站无线电覆盖的大小。
8.根据任一先前权利要求的方法，其中随着时间的过去提供的一系列算法均经历检验过程以便检查相应算法在所述网络节点中实现的适合性。
9.根据权利要求8的方法，其中在所述网络节点中实现被视为适合的每个算法。
10.根据权利要求8或9的方法，其中，在传编程中，被视为适合的每个算法被发送到与所述网络节点相邻的节点并在至少一个相邻节点中使用。
11.根据权利要求10的方法，其中在所述相邻节点中，通过根据该相邻节点的模型确定适应度级别而考虑所述算法，并且在该算法满足预定适应度级别时，选择该算法用于该相邻节点中的可能实施。
12.—种遗传编程装置，所述装置包括进化处理器，配置为生成控制电信网络中的网络节点的算法并选择满足预定适应度函数的算法以便输出；以及所述网络节点的模型，在所述进化处理器内针对该模型改变所述算法，其中时常更新所述模型，并且所述进化处理器自动提供随着时间的过去而适应所述网络节点的变化模型的一系列算法，用于所述网络节点中的可能实施。
13.根据权利要求12的遗传编程装置，还包括配置为检查相应算法在所述网络节点中实现的适合性的算法检验处理器。
14.根据权利要求12或13的遗传编程装置，其中在使用中，邻居网络节点接收被视为适合的算法并由所述进化处理器在提供所述算法中使用。
15.一种包括根据权利要求12至14中的任一权利要求的遗传编程装置的电信网络节点ο
全文摘要
本发明提供了一种电信网络节点中通过更新网络节点的模型以及遗传编程进化网络节点的控制算法的方法，所述遗传编程包括(a)生成算法，(b)根据所述网络节点的模型确定所述算法的适应度级别，以及(c)选择满足预定适应度级别的算法，自动重复步骤(a)、(b)以及(c)以提供随着时间的过去而适应所述网络节点的变化模型的一系列算法，用于所述网络节点中的可能实施。
文档编号G06N3/12GK102576424SQ201080034665
公开日2012年7月11日 申请日期2010年6月4日 优先权日2009年6月11日
发明者H·克劳森, I·阿什拉夫, L·G·塞缪尔, L·T·W·霍 申请人:阿尔卡特朗讯公司