专利名称：一种室内天线的布放方法及系统的制作方法
技术领域：
本发明涉及室内环境下的无线网络规划的优化领域，具体涉及一种室内天线的布放方法及布放系统。
背景技术：
室内无线信号覆盖中核心的问题是室内天线位置的定位和优化问题，现有技术中常用的有以下两种解决方案:
(I)通过人工调整不同天线位置，然后测试结果并选择最合适的天线位置。这种方案主要是设计人员通过实地勘察并根据个人经验和直觉选择天线的安装位置和配置。
(2)利用专用室内覆盖预测软件进行半自动化选择最优位置。这种方案主要是利用软件辅助设计人员验证已布放的天线位置是否能达到所要求的指标，减轻现场勘察、测试的工作量。现有的室内覆盖软件有:摩托罗拉(Motorola)公司的室内规划软件EnterprisePlanner、广州天越电子有限公司室内覆盖设计软件Visio版和得赛易室内覆盖设计系统等。
以上提到的室内覆盖软件都是支持手动设计各种网络的铺设及仿真，而室内天线的布放方案还是需要工程师根据经验进行设计。其缺点在于:
(I)天线布放数量与布放点位密切相关，人工经验设计无法遍历所有的布放方案，进而很难选择出覆盖效果与经济成本兼顾的最优方案。
(2)通过现有技术可以检验设计方案是否能够满足覆盖要求，但如果不满足覆盖要求则需要重新设计，耗费人力物力。
(3)通过现有技术检验，即便能满足覆盖要求，也无法保证所用的天线面数最少、最节约成本。发明内容
有鉴于此，本发明的目的是提供一种室内天线的布放方法及系统，用以降低室内天线布放的实现复杂度、改善覆盖效果并降低设备成本。
为解决上述技术问题，本发明提供方案如下:
一种室内天线的布放方法，包括:
确定天线数量的初始值；
利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；
调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。
优选地，上述方法中，所述确定天线数量的初始值包括:
根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积；
根据室内面积和所述有效覆盖面积，确定所述初始值。
优选地，上述方法中，所述无线信号室内传播模型为Keenan-Motley模型,所述有效覆盖面积是根据所述Keenan-Motley模型，在没有空间障碍阻挡无线信号传输的情况下求解得到的。
优选地，上述方法中，
所述有效覆盖面积为一圆形区域，所述确定所述初始值包括:
获得所述圆形区域的内切正方形的第一面积；
将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。
优选地，上述方法中，所述利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案，包括:
将室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标；
利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。
优选地，上述方法中，
所述利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，包括:
步骤A，按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数；
步骤B，执行一次迭代操作，包括:基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群；
步骤C，判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高:若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群，返回步骤B。
优选地，上述方法中，
所述基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群，包括:
从当前种群中删除不满足预设约束条件的个体；
针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度；
基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。
优选地，上述方法中，所述至少两个目标函数包括:
用于表征所述室内所有位置点处的天线功率的第一目标函数，和
用于使所述室内所有位置点处的信噪比最大化的第二目标函数。
优选地，上述方法中，所述预设约束条件包括:
所述室内的天线信号的覆盖率大于或等于预设的第一下限值；和/或
所述室内的天线信号的平均信号强度大于或等于预设的第二下限值。
优选地，上述方法中，所述调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，包括:
步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件:若满足，则进入步骤2 ;若不满足，则进入步骤4 ；
步骤2，将天线数量更新为int(N/2)，其中int (N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3 ；
步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤I ;
步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件:若满足，则进入步骤5 ;若不满足，则进入步骤6 ；
步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；
步骤6,将天线数量更新为N+1后,返回步骤3。
本发明还提供了一种室内天线的布放系统，包括:
确定单元，用于确定天线数量的初始值；
算法处理单元，用于利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；
最优解获得单元，用于调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。
优选地，上述系统中，所述确定单元包括:
面积计算单元，用于根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积；
初始值确定单元，用于根据室内面积和所述有效覆盖面积，确定天线数量的初始值。
优选地，上述系统中，
所述有效覆盖面积为一圆形区域，所述初始值确定单元，具体用于:
获得所述圆形区域的内切正方形的第一面积；
将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。
优选地，上述系统中，所述算法处理单元包括:
栅格化单元，用于将所述室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标；
求解单元，用于利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。
优选地,上述系统中，所述求解单元包括:
初始种群产生单元，用于按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数；
迭代单元，用于执行一次迭代操作，包括:基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群;
第一判断单元，用于判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高:若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否贝U，将新的种群作为当前种群并触发所述迭代单元。
优选地,上述系统中，所述迭代单元包括:
删除单元，用于从当前种群中删除不满足预设约束条件的个体；
适应度计算单元，用于针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度；
进化单元，用于基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。
优选地，上述系统中，所述至少两个目标函数包括:
用于表征所述室内所有位置点处的天线功率的第一目标函数，和
用于使所述室内所有位置点处的信噪比最大化的第二目标函数。
优选地，上述系统中，所述预设约束条件包括:
所述室内的天线信号的覆盖率大于或等于预设的第一下限值；和/或
所述室内的天线信号的平均信号强度大于或等于预设的第二下限值。
优选地，上述系统中，所述最优解获得单元，具体用于执行以下步骤:
步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件:若满足，则进入步骤2 ;若不满足，则进入步骤4 ；
步骤2，将天线数量更新为int(N/2)，其中int (N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3 ；
步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤I ;
步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件:若满足，则进入步骤5 ;若不满足，则进入步骤6 ；
步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；
步骤6,将天线数量更新为N+1后,返回步骤3。
从以上所述可以看出，本发明提供的室内天线的布放方法及系统，能够根据预先设定的多个目标值(包括网络制式、覆盖率要求、个性化场所优先要求、成本要求等)，通过遗传算法运算海量天线布放方案，并从中“进化”出满足上述多目标值的最优方案，从而使得设计人员可以根据本发明计算的天线最优数量和位置对比实际情况进行调整，为降低天线布放设计难度、节省覆盖成本、提高覆盖效率提供科学高效的支撑手段。
图1为本发明实施例提供的一种室内天线的布放方法的流程示意图2为本发明实施例提供的一种室内天线的布放系统的结构示意图3为本发明实施例提供的室内天线的一种布放方法的总体流程图4为本发明实施例多目标进化算法中生成编码的流程示意图5为本发明实施例多目标进化算法中计算适应度的流程示意图6为本发明实施例多目标进化算法中进化算法操作的流程示意图7为本发明实施例利用二分法寻找满足覆盖约束条件的最少天线数的布放方案的流程示意图。
具体实施方式
为帮助更好地理解本发明，首先对本发明实施例中涉及到的多目标进化算法进行介绍说明。
多目标进化算法是遗传算法的一个分支，这个算法与单目标优化算法最大的区别是，它有多个目标需要同时实现最优化。从内在机制来看，多目标进化算法采用了改进的选择机制，以便反映基于Pareto最优的选择特征，并且采用小生境技术来争取使得Pareto前端上解点呈现均匀分布。
多目标进化算法是从代表问题可能潜在的解集的一个种群(population)开始的，而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射，即编码工作。由于仿照基因编码的工作很复杂，可以进行简化，如二进制编码。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代(generation)演化 产生出越来越好的近似解,在每一代,根据问题域中个体的适应度(fitness)大小选择(selection)个体，并借助于自然遗传学的遗传算子(geneticoperators)进行组合交叉(crossover)和变异(mutation),产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。
小生境是在特定环境中的一种组织功能，在进化算法中，为了保持进化群体的多样性，模拟自然界生物的“物以类聚”现象，即是小生境技术。小生境技术将每一代个体划分为若干类，每个类中选出若干适应度较大的个体作为一个类的优秀代表组成一个群，再在群中，以及不同群中之间，杂交，变异产生新一代个体群，即新一代的种群。
如果个体χω和x(2)满足对于所有i = 1，2，…，N^fi(Xw)不劣于A (x(2))，且至少存在一个ie {1,2,…，NI^fi(Xd))优于fiU )，那么个体χω占优于χ(2)。在一组解P中，非劣解组(Non-dominated set)是指所有那些不被P中的任何个体占优的个体组成的一组解，当P是整个搜索空间时，所得的非劣组即为Pareto占优解。这里，A表示目标函数i，N表示目标函数的总个数，P表示解空间。
小生境遗传算法中的NPGA (Niche Pareto Genetic Algorithm)和 SGA (SimpleGenetic Algorithm)主要区别在于选择机制和适应度赋值方式不同。NPGA采用Pareto优胜关系进行锦标赛选择，并使用适应度共享机制。其中，适应度共享机制是指，通过反映个体之间的相似程度的共享函数来调节群体中各个个体的适应度，从而在这以后的群体进化过程中，算法能够依据这个调整后的新适应度来进行选择运算，以维持群体的多样性，创造出小生境的进化环境。适应度共享:若个体a，b e P (i)，且点a和点b之间的基因型距离D (a, b) ( osh_，则对个体解点a和b的适应度进行修正，使得Φ := CDi (a)-X⑶，Oi(b):= 03)4(0)，其中父是由点3和13的个体之间的距离0来确定，03一是小生境半径。小生境数目Iii是指在基因型空间或表现型空间中位于第i个小生境部分内的个体数目。基于小生境的选择算子:如果对于两个非劣个体a和b实施选择，设Iii (a)、ni (b)分别为个体a和b在第i个小生境部分内的个体数目，则从min Oii (a), Iii (b))中选择相应的个体为选中的具有最小小生境数目的个体。
多目标算法需要考虑几个关键:多目标的处理、多约束的处理、高维整数规划问题。对于多目标而言，需要借助多目标Pareto最优算法来求解；对于多约束而言，可以结合上面的基本遗传算法作为求解的启发式信息来改进多目标进化算法；对于高维整数规划问题而言，需要利用遗传算法来求解。因此本发明实施例采用多目标算法中的小生境Pareto遗传算法(Niche Pareto Genetic Algorithm)。和传统的单目标优化不同，多目标进化需要同时优化多个目标，必须同时处理多个适应度函数，上面的算法框架中的初始化来自之前获得的初始解集，然后采用Pareto占优以及采用小生境方式来获得Pareto前端上均匀分布的解点，一种伪码表示的流程如下:
t:= O
初始化P(O):= {a,(O),".，αμ(O)} gI"(0)
计算个体的适应度Fi (O)，i e N
根据个体的适应度进行基于Pareto非劣解降序排列，并记忆前m个，m < N
While ( Δ ({P (O),..., P (t)}) ^ true) DO
交叉P'(O:= (P(t))
变异P"⑴:=OW))
选择If Π
Then 尸O+ 1):= ) % (P "⑴)
Else Pit +1):= ,φ)(P"(OUΡ( )
End If
小生境处理:将上一步得到的N个个体和前面记忆的m个个体合并，计算N+m个个 f — \...N + τη — ^体间的海明距离:λΣ%-4)2，..’1/ I
当个体间的海明距离小于小生境距离时，适应度较低的个体将被惩罚，
多约束的处理:个体都满足约束，则目标占优者为优；
个体超出约束范围，则超出量小者占优，
处理完毕后再进行基于Pareto非劣解降序排列，并记忆前m个，
t: = t+1
End Do
以上流程中的算子及其符号:
1、I为个体空间中的一个非空集合；
2、{μω}, i e N为父代群体大小，l>gen(i)}，i e N为子代群体大小，N为个体数量；
3、P为父代群体之解，P'为交叉后的解，P"为变异后的解；
4、Φ:1 — Rk为k个适应度函数的映射，个体的适应度为Fi, i e N；
5、Δ: U:=1 (/勹(0 — {ture, /α/從}为进化终止判断准则；
6,Tie {ture，false}为布尔逻辑判断符；
7、r为交叉操作算子、m为变异操作算子和s为选择操作算子；
8、Θ eJTf为交叉参数、Θ= 为变异参数和旧eJTf)为选择参数。
本发明将多目标进化算法应用于室内天线布放领域，通过首先确定天线数量的初始值；然后，利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；继而，调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，最终寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
请参照图1，本发明实施例提供了一种室内天线的布放方法，可以实现多制式室内分布系统智能布放。如图1所示，该方法包括以下步骤:
步骤11，根据预先确定的无线信号室内传播模型，计算一面天线的有效覆盖面积。
这里，无线信 号室内传播模型可以采用Keenan-Motley模型,所述有效覆盖面积可以根据对不同制式天线信号强度的要求以及无线信号在空间传输过程中的衰减计算获得，通常可以在没有空间障碍阻挡无线信号传输的情况下计算得到。
步骤12，根据室内面积和所述有效覆盖面积，确定天线数量的初始值。
这里，预先求解出一个可能会满足基本覆盖要求的天线数量的初始值。具体的初始值的求解方法可以有多种，在获得初始值之后，本发明实施例进一步判断在该初始值下天线是否满足预定要求，进而对天线数量进行相应增减，以寻找到最为合适的天线数量。因此本发明实施例的实施并不受限于初始值的求解方式，在天线的有效覆盖面积为一圆形区域，可以采用的一种求解方式为:获得所述圆形区域的内切正方形的第一面积；将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。
步骤13，将所述室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有经纬度坐标。
这里，由于连续的室内空间平面上包括无数个点，本发明实施例为了简化处理，通过栅格化处理，将平面转换为多个栅格，每个栅格具有预定的形状和面积，从而将每个栅格作为一个位置点，该位置点的具体坐标可以采用栅格中心点的位置坐标。天线布放的位置点(经纬度坐标)是多目标进化算法要求的解。
以上步骤11和步骤12获得了天线数量的初始值，步骤13则是将室内面积转换为便于算法求解的栅格，步骤11、12与步骤13之间并无必然的先后顺序关系，可以先执行步骤11、12，后执行步骤13 ;也可以先执行步骤13，后执行步骤11、12。
步骤14，利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。
这里，布放指标具有可以包括无线信号的覆盖率、无线信号的覆盖强度、信噪比等指标。在工程应用中，通常会给出具体的指标需求，本发明实施例可以依据这些指标需要，设计出对应的目标函数，来考察这些指标。例如，设置用于表征所述室内所有位置点处的天线功率的第一目标函数，和用于使所述室内所有位置点处的信噪比最大化的第二目标函数。
本发明实施例根据对室内天线布放指标的需求，设置两个以上的目标函数，然后，利用多目标进化算法，可以从天线数量的初始值开始，计算在当前天线数量的天线情况下，满足预定约束条件的天线最优布放位置点方案。
步骤15，调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出满足预设约束条件且具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。
这里，通过调整天线数量，并求解得到在不同天线数量的情况下天线的最优布放位置点方案，进而选择出满足预设约束条件且具有最少天线数量的所述最优布放位置点方案。具体的约束条件可以是无线信号覆盖率大于或等于某个预设第一下限值、无线信号的平均信号强度大于或等于某个预设第二下限值等等。对于某个天线数量下天线的最优布放位置点方案的计算，可以采用步骤14中相同的计算方式。
通过以上步骤，本发明实施例能够根据预先设定的目标函数，通过遗传算法运算海量天线布放方案，并从中“进化”出满足上述多目标值(如网络制式、覆盖率要求、个性化场所优先要求、成本要求等)的最优方案，从而使得设计人员可以根据计算的天线最优数量和布放位置点进行天线布放或对实际天线布放情况进行调整，从而为降低天线布放设计难度、节省覆盖成本、提高覆盖效率提供了科学高效的支撑手段。
本发明实施例在上述步骤14中，计算当前天线数量下天线的最优布放位置点方案，可以包括以下步骤:
步骤A，按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数。
这里，将若干数量的天线均匀分布在室内，可能只有一种均匀分布的个体；而将若干数量的天线随机分布在室内，则可能有很多种布放的个体。因此，在按比例混合时，例如按3: 5的比例混合，此时需要将均匀分布的个体复制3份，然后与5份随机布放的个体混合，得到包括有8份个体的初始种群。
步骤B，执行一次迭代操作，包括:基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群。
步骤C，判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高:若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群，返回步骤B。
其中，上述步骤B中的一次迭代操作又具体可以包括以下步骤:
步骤BI，从当前种群中删除不满足预设约束条件的个体。
步骤B2，针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度。
步骤B3，基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。
本发明实施例在上述步骤15中，可以有多种方式调整天线数量，进而求解在不同天线数量下天线的最优布放位置点方案。例如，如果当前数量的天线满足预设约束条件，则可以减小天线数量(例如天线数量减I)后，再次求解该天线数量下天线的最优布放位置点方案，直至找到在某个数量的天线下的最优布放位置点方案不能满足预设约束条件，则最少天线数量为当前天线数量加1，且最少天线数量的所述最优布放位置点方案为上一次的布放方案。
为了加快算法的收敛过程，本发明实施例在上述步骤15中，采用二分法的方式寻找最少天线数量。此时，上述步骤15具体可以包括:
步骤151，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件:若满足，则进入步骤152 ;若不满足，则进入步骤154 ；
步骤152,将天线数量更新为int (N/2),其中int表示向上取整，N表示天线数量的当前值，进入步骤153 ；
步骤153，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤151 ；
步骤154，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件:若满足，则进入步骤155 ;若不满足，则进入步骤156 ；
步骤155，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；
步骤156，将天线数量更新为N+1后，返回步骤153。
以上结合图1说明了本发明实施例的天线布放方法。从以上所述可以看出，本发明实施例的天线布放方法，可以概括为以下步骤:
I)根据室内覆盖传播模型，得到一面天线的覆盖面积；
2)根据室内面积和一面天线的覆盖面积，得到初始天线数量；
3)根据初始天线数量，利用多目标优化算法，得到初始天线数量下的最优布放位置点方案；
4)用二分法寻找最少的所需天线数量:如果初始天线数量下的最优布放位置点方案满足指定的约束条件(例如覆盖率大于或等于某个下限值、平均信号强度大于或等于某个下限值)，则将初始天线数量折半，否则，将初始天线数量加I ;
5)将步骤3)和步骤4)中的初始天线数量替换为折半后的天线数量或增加后的天线数量，重复执行步骤3)和步骤4)，直至得到能够满足多目标要求的最少天线数量时的最优布放位置点方案为止。
其中，上述步骤3)又可以概述为如下所示:
3.1.将室内面积栅格化为位置点，每个位置点有其经纬度坐标等属性，天线布放的位置点(经纬度坐标)是多目标进化算法要求的解；
3.2.编码:将天线布放的位置点转化为二进制编码，便于进行多目标进化算法的遗传、交叉、变异等操作；
3.3.产生初始种群:产生指定数量的初始天线均匀布放及随机布放位置点方案，每个方案是一个初始个体，按指定比例混合这些个体，即产生初始种群；
3.4.计算适应度:根据天线覆盖区域最大化、信号强度平均化、整个区域的平均信号强度最大化等准则，设计多目标进化算法的目标函数及约束条件，并计算步骤3.3初始种群中的每个个体方案的适应度；
3.5.多目标进化操作:采用Pareto占优以及小生境技术选取适应度较高的个体方案，并进行遗传算法的交叉和变异操作产生新的个体，这些个体混合在一起产生新一代种群；
3.6.将步骤3.4,3.5中的初始种群替换为新一代种群，并重复执行步骤3.4,3.5，随着迭代次数的增多，新一代种群中个体的适应度将不断提高，直到达到指定的迭代次数，或适应度已无改善空间为止；
3.7.选取最后一次迭代的种群中，适应度最高的个体作为最优解，即一定天线数量(第一次计算时是指初始天线数量)下的最优布放位置点方案。
本发明实施例还提供了一种室内天线的布放系统，如图2所示，包括:
确定单元，用于确定天线数量的初始值；
算法处理单元，用于利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；
最优解获得单元，用于调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。
其中，所述确定单元包括:
面积计算单元，用于根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积；
初始值确定单元，用于根据室内面积和所述有效覆盖面积，确定天线数量的初始值。
这里，所述有效覆盖面积可以为一圆形区域，此时所述初始值确定单元，具体用于:获得所述圆形区域的内切正方形的第一面积；将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。
本实施例中，所述算法处理单元可以包括:
栅格化单元，用于将所述室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标；
求解单元，用于利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。
其中，所述求解单元又可以包括:
初始种群产生单元，用于按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数；
迭代单元，用于执行一次迭代操作，包括:基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群;
第一判断单元，用于判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高:若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体，作为当前天线数量下天线的最优布放位置点方案；否贝U，将新的种群作为当前种群并触发所述迭代单元。
其中，上述迭代单元又可以包括:
删除单元，用于从当前种群中删除不满足预设约束条件的个体；
适应度计算单元，用于针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度；
进化单元，用于基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。
本实施例中，所述至少两个目标函数包括:
用于表征所述室内所有位置点处的天线功率的第一目标函数，和
用于使所述室内所有位置点处的信噪比最大化的第二目标函数。
所述预设约束条件包括:
所述室内的天线信号的覆盖率大于或等于预设的第一下限值；和/或
所述室内的天线信号的平均信号强度大于或等于预设的第二下限值。
本实施例中，所述最优解获得单元可以通过二分法快速地寻找到最优解，此时，所述最优解获得单元，具体用于执行以下步骤:
步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件:若满足，则进入步骤2 ;若不满足，则进入步骤4 ；
步骤2，将天线数量更新为int(N/2)，其中int (N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3 ;
步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤I ;
步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件:若满足，则进入步骤5 ;若不满足，则进入步骤6 ；
步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案；
步骤6,将天线数量更新为N+1后,返回步骤3。
为了更好地理解本发明上述实施例，以下通过更为细致的描述，对本发明实施例作进一步的说明。
本发明实施例通过建立解决室内分布系统布放最优化问题的数学模型，对该模型进行求解，获得最少天线数量下的天线最有布放位置点方案。
其中，室内覆盖系统数学模型包含三个基本因素:变量、约束和目标函数:
(I)变量是优化求解过程中所选定的基本参数，在室内覆盖系统中就是天线的位置。由于空间是连续的，天线的位置具有无限的可能性，这将使得该数学模型是一个NP-Hard问题。因此本算法对其进行了简化，将空间划分成离散化的网格，以网格为单位用作天线的布点位置，这样就使得该模型具有有限的变量，每个变量的取值只能是O或I (O代表对应网格不布置天线，I表示对应网格布置天线)。
(2)约束是指在优化过程中对变量取值所给予的限制条件。本模型最主要的约束是天线的布放方案必须满足覆盖的需求。本模型的约束条件例如可以包括以下两者之一或全部:
约束条件一:无线信号的有效覆盖率大于或等于预设的第一下限值(例如90%)，有效覆盖是指覆盖信号强度大于某个预设门限；
约束条件二:室内无线信号的平均信号强度大于或等于预设的第二下限值(例如-70dBm)。
约束条件一是使室内各空间中，平均信号强度大于或等于某个下限值的空间占总室内空间的比例不应低于特定的下限；
在一般的室内条件下，噪声信号的强度通常服从固定的高斯分布，其平均强度可以认为不变，因此约束条件二中的平均信号强度可以转化为信噪比。
这两个约束条件是现实工程中的硬性指标，本发明实施例希望在工程的基础上更进一步的找到最优解，所以设定了两个新的目标函数。信号强度约束条件为提供的是一个变量的下限值，而信噪比最大化目标函数指明了一个优化的方向，因此两者并不冲突。
(3)目标函数是对满足约束的可行解的一个衡量标准函数。根据工程实践，本模型的主要目标是
A、天线有效覆盖的区域最大化；
B、覆盖范围内的信号强度平均化；
C、使整个区域的平均信号覆盖强度最大化。
其数学表达将在后续的算法流程步骤中详述。
同时，对网络运营商来说，在满足覆盖约束条件的前提下，希望网络建设投资最少，即天线面数最少，因此，当计算出当前天线面数的条件下符合目标函数的最优解后，本发明实施例还进一步引入二分法，搜索更优的天线面数，直到找到满足覆盖约束的最少天线数的布放方案为止。
需要说明的是，本发明实施例涉及基于多制式技术的室内覆盖技术，对于例如GSM+TD-SCDMA+WLAN三种制式下的室内分布系统，本发明实施例可以综合考虑三种制式的网络协同覆盖需要(例如通过不同制式网络的发射功率来决定传播模型的参数选择，从而获取相应的覆盖范围)，通过计算室内传播模型下各制式信号强度衰减情况，确定室内覆盖系统中所需放置的天线数量及其位置。
为实现上述的技术方案，本发明实施例提出了如下的具体算法流程:
步骤一、确定覆盖天线数量的初始值。
室内无线信道有两个方面不同于传统的移动无线信道一覆盖距离更小，环境的变动更大。建筑物内传播会受到诸如建筑物的布置、材料结构和建筑物类型等因素的强烈影响。
在室内的传播模型中被广泛采用的是Keenan-Motley模型，Keenan-Motley模型的计算公式为:
权利要求
1.一种室内天线的布放方法，其特征在于，包括: 确定天线数量的初始值； 利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案； 调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。
2.如权利要求1所述的方法，其特征在于，所述确定天线数量的初始值包括: 根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积； 根据室内面积和所述有效覆盖面积，确定所述初始值。
3.如权利要求2所述的方法，其特征在于，所述无线信号室内传播模型为Keenan-Motley模型,所述有效覆盖面积是根据所述Keenan-Motley模型,在没有空间障碍阻挡无线信号传输的情况下求解得到的。
4.如权利要求2所述的方法，其特征在于， 所述有效覆盖面积为一圆形区域，所述确定所述初始值包括: 获得所述圆形区域的内切正方形的第一面积； 将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。
5.如权利要求1所述的方法，其特征在于，所述利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案，包括: 将室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标； 利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。
6.如权利要求5所述的方法，其特征在于， 所述利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，包括: 步骤A，按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数； 步骤B，执行一次迭代操作，包括:基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群； 步骤C，判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高:若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体， 作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群，返回步骤B。
7.如权利要求6所述的方法，其特征在于， 所述基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群，包括:从当前种群中删除不满足预设约束条件的个体； 针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度； 基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。
8.如权利要求7所述的方法，其特征在于，所述至少两个目标函数包括: 用于表征所述室内所有位置点处的天线功率的第一目标函数，和 用于使所述室内所有位置点处的信噪比最大化的第二目标函数。
9.如权利要求7所述的方法，其特征在于，所述预设约束条件包括: 所述室内的无线信号的有效覆盖率大于或等于预设的第一下限值；和/或 所述室内的无线信号的平均信号强度大于或等于预设的第二下限值。
10.如权利要求1所述的方法，其特征在于，所述调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，包括: 步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件:若满足，则进入步骤2 ;若不满足，则进入步骤4 ； 步骤2，将天线数量更新为int(N/2)，其中int(N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3; 步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤I ; 步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件:若满足，则进入步骤5 ;若不满足，则进入步骤6 ； 步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案； 步骤6，将天线数量更新为N+1后，返回步骤3。
11.一种室内天线的布放系统，其特征在于，包括: 确定单元，用于确定天线数量的初始值； 算法处理单元，用于利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案； 最优解获得单元，用于调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。
12.如权利要求11所述的系统，其特征在于，所述确定单元包括: 面积计算单元，用于根据预先确定的无线信号室内传播模型，确定一面天线的有效覆盖面积； 初始值确定单元，用于根据室内面积和所述有效覆盖面积，确定天线数量的初始值。
13.如权利要求12所述的系统，其特征在于， 所述有效覆盖面积为一圆形区域，所 述初始值确定单元，具体用于:获得所述圆形区域的内切正方形的第一面积； 将所述室内面积除以所述第一面积，得到一商值，对所述商值向上取整，得到所述天线数量的初始值。
14.如权利要求11所述的系统，其特征在于，所述算法处理单元包括: 栅格化单元，用于将所述室内面积进行栅格化，得到多个栅格，其中每个栅格作为一个位置点，每个位置点具有对应的坐标； 求解单元，用于利用多目标进化算法对预先设置的两个以上的目标函数进行求解，获得在当前天线数量下天线的最优布放位置点方案，其中所述目标函数是根据对室内天线布放指标的需求预先设置的，所述最优布放位置点方案包括布放天线的数量及各个天线布放的位置点的坐标。
15.如权利要求14所述的系统，其特征在于，所述求解单元包括: 初始种群产生单元，用于按照预定比例，将所述当前天线数量的天线在所述室内均匀分布的个体和在所述室内随机分布的个体混合，产生初始种群，其中每个个体是将室内所有天线布放的位置点的坐标转换为二进制编码后，再按照预定规则排列得到的二进制数；迭代单元，用于执行一次迭代操作，包括:基于预先设置的至少两个目标函数，计算初始种群中个体的适应度，以及基于适应度进行遗传算法的交叉和变异操作产生新的种群；第一判断单元，用于判断是否达到预定迭代次数或新的种群中个体适应度是否已不能再得到提高:若已达到预定迭代次数或新的种群中个体适应度已不能再得到提高，则选取当前种群中适应度最高的个体， 作为当前天线数量下天线的最优布放位置点方案；否则，将新的种群作为当前种群并触发所述迭代单元。
16.如权利要求15所述的系统，其特征在于，所述迭代单元包括: 删除单元，用于从当前种群中删除不满足预设约束条件的个体； 适应度计算单元，用于针对当前种群中的每个剩余个体，利用预先设置的至少两个目标函数，计算得到所述剩余个体的适应度； 进化单元，用于基于Pareto占优以及小生境技术，对所述剩余个体进行分类，并按照适应度的高低顺序，从每个类中选择出预定数量的个体作为该类的群，再在所有类的群内部以及群之间进行遗传算法的交叉和变异操作产生新的个体群，得到新的种群。
17.如权利要求16所述的系统，其特征在于，所述至少两个目标函数包括: 用于表征所述室内所有位置点处的天线功率的第一目标函数，和 用于使所述室内所有位置点处的信噪比最大化的第二目标函数。
18.如权利要求16所述的系统，其特征在于，所述预设约束条件包括: 所述室内的无线信号的有效覆盖率大于或等于预设的第一下限值；和/或 所述室内的无线信号的平均信号强度大于或等于预设的第二下限值。
19.如权利要求11所述的系统，其特征在于，所述最优解获得单元，具体用于执行以下步骤: 步骤1，判断当前天线数量下天线的最优布放位置点方案是否满足预设约束条件:若满足，则进入步骤2 ;若不满足，则进入步骤4 ； 步骤2，将天线数量更新为int(N/2)，其中int(N/2)表示对N/2向上取整，N表示天线数量的当前值，进入步骤3;步骤3，利用多目标进化算法，得到在当前天线数量下天线的最优布放位置点方案，返回步骤I ; 步骤4，判断上一次求解得到的最优布放位置点方案是否满足所述约束条件:若满足，则进入步骤5 ;若不满足，则进入步骤6 ； 步骤5，将上一次求解得到的最优布放位置点方案，作为所述在满足预设约束条件且具有最少天线数量的所述最优布放位置点方案； 步骤6，将天线数 量更新为N+1后，返回步骤3。
全文摘要
本发明提供了一种室内天线的布放方法及系统。其中，所述方法包括确定天线数量的初始值；利用多目标进化算法，获得在当前天线数量下天线的最优布放位置点方案；调整天线数量，获得在不同天线数量下天线的最优布放位置点方案，进而寻找出具有最少天线数量的所述最优布放位置点方案，得到室内天线的最终布放方案。本发明能够降低室内天线布放的实现复杂度、改善覆盖效果并降低设备成本。
文档编号H04W16/20GK103188695SQ20111045995
公开日2013年7月3日 申请日期2011年12月30日 优先权日2011年12月30日
发明者杨建辉, 程文兵, 秦洁 申请人:中国移动通信集团广东有限公司