专利名称：基于人工蜂群算法的室内无线传播模型校准拟合方法
技术领域：
本发明涉及无线通信网络领域，特别涉及网络建设中，用于传播模型校准的连续波测试获得数据以及对于测试获得的数据的处理方法。
背景技术：
传播模型用于预测地形、障碍物及人为环境对电波传播中路径损耗的影响。传播模型校正的工作是要找到一种更符合当地场景的传播模型和模型中的参数。连续波测试进行传播模型的校正的原理是发射机保持恒定状态，接收机在发射机发射信号覆盖范围内移动，接收的信号强度随接收机位置发生变化，则传播过程中的路径损耗等于发射机发射功率减去接收机接收信号功率。
在无线传播模型校正中，传统做法是在室内进行大量的测试，然后基于穷举法对测试数据进行最小方差拟合。这种方法测试数据量很大，时间持续长。而且由于存在认识上的误区，多数人觉得采样点数目小才是问题，采样点数目多不是问题，但实际上采样点过多是资源和效率的严重浪费。而且在一些极端情况下，采样点数目过多对传播模型校正结果正确性影响十分严重。本发明采用一种基于人工蜂群算法的室内无线传播模型校准拟合方法。测试数据方法采用在预定场景平面图中按照地砖的边界线画好测试线路，参考地砖在预设线路上每隔O. 5m打一个点进行采样。采样之后，再把所有的结果进行筛选，滤除掉部分异常的数据，这种方法相对于传统方法更加准确快捷。人工蜂群算法是一种最新发展的模拟昆虫王国中蜜蜂群体寻找优良蜜源的仿生优化算法。它是建立在蜜蜂自组织模型和群体智能基础上的一种计算方法，它主要从蜜蜂实现采蜜的群体智能行动中得到启发。蜜蜂个体之间通过跳摇摆舞，交流彼此掌握的蜜源的距离等信息，通过蜜蜂角色的转变来进行采蜜以及寻找更优的蜜源。在自然界中，虽然各社会阶层的蜜蜂只能完成单一的任务，但是蜜蜂通过摇摆舞、气味等多种信息交流方式，使得整个蜂群可以协同完成如构建蜂巢。收获花粉等多种工作。蜜蜂沿直线爬行，然后再向左这样一种舞蹈，其动线呈8字型，并摇摆其腹部，舞蹈的中轴线与地心引力的夹角正好表示蜜源方向和太阳方向的夹角。此外，蜜蜂摇摆舞还可以传达更详细的距离和方位信息。蜜蜂跳舞时头向上，则表明找寻蜜源位置必须朝向着太阳的方向飞行，头向下，则必须朝背着太阳的方向飞。蜜蜂跳舞的快慢与蜂巢距离蜜源的远近同样也有关系，蜜源距离越远，蜜蜂摆尾的时间越长，并且在摆尾时发出的嗡嗡声也会越久。在蜂巢内的蜜蜂根据摇摆舞得到的信息，选择蜜源去采蜜或者在附近重新找寻新的蜜源。蜜蜂之间通过这种相互之间的信息交流、学习，使得整个蜂群总能找到比较优的蜜源进行采
虫ο人工蜂群算法最初被用于解决连续多峰值函数求极值问题。作为一种新兴的启发式智能优化算法，本发明考虑将其拓展到室内传播模型的拟合校准问题上，并取得了不错的成果。
发明内容
本发明的目的在于克服无线传播模型校准中，传统的穷举方法效率低、误差大等缺点，提供一种更加快捷准确的基于人工蜂群算法的室内无线传播模型校准拟合方法。为实现本发明目的，本发明所采用的技术方案如下步骤一数据的采样、收集在室内平面图中，在测试路线上每隔设定距离打一个点进行电场强采样，作为校准时使用的原始数据；
采样之后，把所有的结果进行筛选，滤除掉部分异常的数据。然后，以到发射机的距离为横坐标，各个点的场强值为纵坐标绘制距离一场强曲线。步骤二 控制参数的设置设定人工蜂群算法参数，蜂群的数量(NP)等于雇佣蜂和跟随蜂之和，食物源数量(FN)等于蜂群数量的一半,每个食物源的最大更新次数limit,循环次数maxCycle (算法停止的标准)。设当前迭代次数为cycle= I;每个食物源的当前更新次数trailfO。步骤三生成初始解X
X = [X X1,...,Xm\Xl={kn^^)KD (/' = 1,2,... \)其中，ku表示第I纽解中的第j个值，对应的是拟合模型中的一个参数，ku的初始解可以通过式(3)产生。
k . 二 Ib + rand {O ("/) - lb)J(3)
(/' = 1,2,...,/'Af; /' = 1,2)(rand(O, I)表示产生[O, I]之间随机数)。与此同时，利用式(4)计算所有解Xi(i=l，2，- ,FN)对应的适应度值。
——-——/'(X )>0JiriXi) = Il^fXXl)(4)
、i+|/.(i,)| /从)<o其中，A(Xi)表示目标函数值，此处表示拟合数据与原始数据之间的方差，SP
SamSumX|r^0 (s)-m/,i(s)|
/:. (Xi) = MVirssin i, rssi ) = ^-
z V JyV on 7nt,γ η
SamSumrssi /;, (s) = kn + kr log(c/s)MV (rssiori, rssifit)表示的是原始数据rssiOTi和拟合数据rssifit之间的最小均方差，SamSum指的是采样点的个数，ds表示第s个采样点到发射机的距离。步骤四雇主蜂阶段雇主蜂利用式(5)对食物源Xi做邻域搜索产生新解X丨i；并根据式(4)计算其适应度，t
r-Iki: = k +— k )/r-\1 3 1 1(5)
(/,/ ; == I 2)其中，参数j和一组解Xm=(kml，km2)都是随机产生的，而τ代表一个[-1，I]的随机值。如果新解X丨,的适应度优于原先解Xi,那么雇主蜂在对应的位置记录新解X丨i代替原先解Xi，否则保持不变。步骤五观察蜂阶段
首先，根据公式(6)计算每个食物源Xi被选择的概率Pi ;
P- filMA⑻
「0033!1 m
_ Σ.順)
.仁I其次，在第j个观察蜂选择食物源的过程中，随机产生一个
之间的小数rand,如果rand小于Pi,那么该观察蜂将选择该食物源Xi,同时j=j+l。最后，根据公式(5)在食物源Xi的邻域内计算新解X' i，如果新解)T i的适应度优于原先解Xi,那么雇主蜂在对应的位置记录新解i代替原先解Xi，且traili置零。否则解Xi保持不变，且traiIi=^raili+1。以上更新过程直到所有的观察蜂被分配到食物源上结束。此时，食物源中的最优解被记录。步骤六侦查蜂阶段如果traili的值超过了预设值“limit”时，解Xi的适应度值仍没有改进，解Xi将被放弃。与此同时，雇主蜂将变成侦察蜂。这只侦察蜂利用公式(3)随机产生新解，并把解Xi对应的试验计数器traili清0，此时这只侦察蜂又重新变为雇主蜂。步骤七迭代次数cycle增加1，跳转到步骤四继续执行，直到cycle的值达到最大值max Cycle,则整个寻优过程结束,并输出最优解Xbest= [kbestl, kbest2],即为本发明要求的拟合结果。相对于传统方法，本发明具有如下优点(I)基于人工蜂群算法的数据拟合方法相对于传统的穷举式的最小方差拟合，更加快捷和准确，前者的运行效率是后者的两倍；(2)传统的穷举方法中，模型中两个参数值的是离散变化的，这个间隔通常是根据经验确定的，带有很大的不确定性。而本发明提出的拟合方法中这两个参数值近似连续，可以避免传统方法中离散变化的间隔所引入的误差问题和运行时间过长的问题。(3)相对于其他诸如遗传算法、粒子群算法，人工蜂群算法最大的优点是它每次迭代都进行局部搜索，因此找到更优参数的概率也大大增加。
图I是基于人工蜂群算法的室内无线传播模型校准拟合方法的程序流程方框示意图2是实例的运行结果。
具体实施例方式下面通过一个具体实施例来验证本发明所提出的基于人工蜂群算法的室内无线传播模型校准拟合方法的性能，但本发明要求保护的范围并不局限于下例表述的范围。为了更好地对室内无线传播模型进行校准拟合，本实例使用下面的KM校准模型
式中kfm——kfm表示第f组解中的第m个值，当前情况下表示穿透第m类地板的个数；k wn——km表示第w组解中的第η个值，当前情况下表示穿透第η类墙壁的个数；L fm-----第m类地板的穿透损耗；L m-----第η类墙壁的穿透损耗；M-----地板的种类数；N-----墙壁的种类数；X0——X0表示第σ组解，当前情况下表示标准方差下的衰落余量而使用基于人工蜂群算法的室内无线传播模型校准拟合方法的目的是为了更加快捷准确地拟合出P1和P2的值，具体步骤如下。步骤一数据的采样、收集在预定场景平面图中，按照地砖的边界线画好测试线路，参考地砖在预设线路上每隔O. 5m打一个点进行采样(采样点的个数可以根据实际情况确定，不是本发明的改进之处)。采样之后，把所有的结果进行筛选，滤除掉部分在O. 5倍平均值到I. 5倍平均值范围之外的异常的数据。然后，以到发射机的距离为横坐标，各个点的场强值为纵坐标绘制距离一场强曲线。步骤二 控制参数的设置设定人工蜂群算法参数，蜂群的数量(NP=IO)等于雇佣蜂和跟随蜂之和，食物源数量(FN=5)等于蜂群数量的一半,最大更新次数Iimit=IO,循环次数maxCycle=35 (算法停止的标准)。设当前迭代次数为cycle= I;每个食物源的当前更新次数trailfO。步骤三生成初始解集X UJ (/ = 1,2，···，,Λ,)其中，ku表示第i组解中的第j个值，对应的是拟合模型中的一个参数，ku的初始解可以通过式(3)产生。k - Ib + randI) * (//Λ - lb)(3)
(/ = l,2,...,/'Af;./·= 1,2)(rand(0, I)表示产生
之间随机数,本例中取Ib=IO ub=60)。与此同时，利用式(4)计算所有解Xi(i=l，2，- ,FN)对应的适应度值。
~1——/(Xi) > OJHi(Xi) = ^fl(Xl)(4)
.1+1/.(1,)1 Z(^i) < ο 其中，A(Xi)表示目标函数值，此处表示拟合数据与原始数据之间的方差，SP
SamSum
Γ0071]2hO)-M (s)|
./； (-() = MVirssinn, /·.、..、./+,,) = ~—-
SumSnm!'SSijh (s) = kn + kr log(t/s)MV (rssiori, rssifit)表示的是原始数据rssiOTi和拟合数据rssifit之间的最小均方差，SamSum指的是采样点的个数，ds表示第s个采样点到发射机的距离。步骤四雇主蜂阶段雇主蜂利用式(5)对食物源Xi做邻域搜索产生新解并根据式(4)计算其适应度，
/
rIJiii = k + T(k/Γ-\3 v 1 1(5)
(/+，m = 1,2,..., /々V; j = 1,2)其中，参数j和一组解Xm=(kml，km2)都是随机产生的，而τ代表一个[-1，I]的随机值。如果新解X丨,的适应度优于原先解Xi,那么雇主蜂在对应的位置记录新解X丨i代替原先解Xi，否则保持不变。步骤五观察蜂阶段首先，根据公式(6)计算每个食物源Xi被选择的概率Pi ;
,,A(A)&、
「nPi = ^--(6)^其次，在第j个观察蜂选择食物源的过程中，随机产生一个
之间的小数rand,如果rand小于Pi,那么该观察蜂将选择该食物源Xi,同时j=j+l。最后，根据公式(5)在食物源Xi的邻域内计算新解X' i，如果新解)T i的适应度优于原先解Xi,那么雇主蜂在对应的位置记录新解i代替原先解Xi，且traili置零。否则解Xi保持不变，且traiIi=^raili+1。以上更新过程直到所有的观察蜂被分配到食物源上结束。此时，食物源中的最优解被记录。
步骤六侦查蜂阶段如果traili的值超过了预设值“limit”时，解Xi的适应度值仍没有改进，解Xi将被放弃。与此同时，雇主蜂将变成侦察蜂。这只侦察蜂利用公式(3)随机产生新解，并把解Xi对应的试验计数器traili清0，此时这只侦察蜂又重新变为雇主蜂。步骤七迭代次数cycle增加1，跳转到步骤四继续执行，直到cycle的值达到最大值max Cycle,则整个寻优过程结束,并输出最优解Xbest= [ktestl, kbest2],即为本发明要求的拟合结果。同时本发明也用传统的穷举法沿着同样的路线进行了一次室内无线传播模型校准拟合，并将结果和基于人工蜂群算法的室内无线传播模型校准拟合结果进行对比。图2即为实例运行结果，可见该方法为室内无线传播模型校准拟合提供了一条相对快捷且准确的方法途径。
·
以上所述仅为本发明的较佳实例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
权利要求
1.基于人工蜂群算法的室内无线传播模型校准拟合方法，其特征在于包括如下步骤 步骤一数据的采样、收集 在室内平面图中，在测试线路上每隔设定距离打一个点进行电场强采样，作为校准时使用的原始数据； 采样之后，把所有的结果进行筛选，滤除掉部分不在设定场强范围内的数据；然后，以到发射机的距离为横坐标，各个点的场强值为纵坐标绘制距离一场强曲线； 步骤二 控制参数的设置 设定人工蜂群算法参数，蜂群的数量NP等于雇佣蜂和跟随蜂之和，食物源数量FN等于蜂群数量的一半，最大更新次数limit，最大循环次数maxCycle，设当前迭代次数为cycle= I;每个食物源的当前更新次数trailfO ; 步骤三生成待校准无线传播模型参数的初始解集X :
2.根据权利要求I所述的基于人工蜂群算法的室内无线传播模型校准拟合方法，其特征在于步骤一所述不在设定场强范围内的数据是指O. 5倍平均值到I. 5倍平均值范围之外的异常场强数据。
3.根据权利要求I所述的基于人工蜂群算法的室内无线传播模型校准拟合方法，其特征在于所述每隔设定距离为每隔O. 5m。
全文摘要
本发明公开一种基于人工蜂群算法的室内无线传播模型校准拟合方法，其实施步骤为步骤一数据的采样、收集；步骤二控制参数的设置；步骤三生成初始解；步骤四雇主蜂阶段；步骤五观察蜂阶段；步骤六侦查蜂阶段；步骤七一轮循环结束，食物源中的最优解被记录，迭代次数增加1，跳转到步骤四继续执行，直到的值达到最大值，则整个寻优过程结束，并输出最优解，即为本发明要求的拟合结果。该方法相对于传统的穷举式最小方差拟合法，不仅更加快捷和准确，运行效率是传统方法的两倍，而且可以避免传统方法中离散变化的间隔所引入的误差问题和运行时间过长的问题。
文档编号H04B17/00GK102917373SQ20121040911
公开日2013年2月6日 申请日期2012年10月23日 优先权日2012年10月23日
发明者章秀银, 曹云飞, 余枫林, 胡斌杰, 田娜 申请人:华南理工大学