長(zhǎng)期演進(jìn)網(wǎng)絡(luò)中基于粒子群的天線下傾角自優(yōu)化方法

連曉燦，張彭園，譚國(guó)平，李岳衡

(河海大學(xué) 通信與信息系統(tǒng)研究所，南京 211100)

(*通信作者電子郵箱gptan@hhu.edu.cn)

長(zhǎng)期演進(jìn)網(wǎng)絡(luò)中基于粒子群的天線下傾角自優(yōu)化方法

連曉燦，張彭園，譚國(guó)平*，李岳衡

(河海大學(xué) 通信與信息系統(tǒng)研究所，南京 211100)

(*通信作者電子郵箱gptan@hhu.edu.cn)

針對(duì)第三代合作伙伴項(xiàng)目(3GPP)中自組織網(wǎng)絡(luò)(SON)的覆蓋與容量自優(yōu)化問(wèn)題，提出了一種基于粒子群優(yōu)化(PSO)算法的有源天線下傾角優(yōu)化方法。首先，確定基站(eNB)中傳輸數(shù)據(jù)的用戶設(shè)備(UE)數(shù)，用戶測(cè)量上報(bào)鄰小區(qū)參考信號(hào)接收功率(RSRP)信息和位置信息；然后，確定優(yōu)化目標(biāo)預(yù)設(shè)適應(yīng)度評(píng)價(jià)函數(shù)為頻譜效率(SE)；其次，將下傾角同時(shí)優(yōu)化問(wèn)題看作是多維優(yōu)化問(wèn)題，選擇天線下傾角為粒子集合，使用PSO算法求解得到天線下傾角的最優(yōu)值；最后，通過(guò)系統(tǒng)自主調(diào)整優(yōu)化下傾角，實(shí)現(xiàn)長(zhǎng)期演進(jìn)(LTE)網(wǎng)絡(luò)中容量及覆蓋的自優(yōu)化。通過(guò)建模及仿真結(jié)果分析，此算法在優(yōu)化目標(biāo)不同時(shí)可以取得不同的優(yōu)化效果：優(yōu)化目標(biāo)為用戶平均頻譜效率時(shí)，采用傳統(tǒng)黃金分割優(yōu)化算法頻譜效率較初始設(shè)定提升12.9%，采用PSO算法可提升22.5%；調(diào)整優(yōu)化目標(biāo)為用戶加權(quán)平均頻譜效率時(shí)，對(duì)邊緣用戶，傳統(tǒng)黃金分割優(yōu)化算法并無(wú)明顯提升，PSO算法取得了19.3%的優(yōu)化提升。實(shí)驗(yàn)結(jié)果表明，該方法可提升用戶吞吐量，改善系統(tǒng)性能。

長(zhǎng)期演進(jìn)；下傾角優(yōu)化；自組織網(wǎng)絡(luò)；容量與覆蓋優(yōu)化；粒子群優(yōu)化

0 引言

為了減少運(yùn)營(yíng)商蜂窩網(wǎng)絡(luò)部署與管理維護(hù)的成本，第三代合作伙伴項(xiàng)目(the 3rd Generation Partnership Project, 3GPP)引入了自組織網(wǎng)絡(luò)(Self-Organizing Network, SON)作為研究長(zhǎng)期演進(jìn)(Long Term Evolution, LTE)功能增強(qiáng)內(nèi)容的一部分。根據(jù)文獻(xiàn)[1]，蜂窩網(wǎng)絡(luò)的規(guī)劃安裝僅僅占據(jù)了無(wú)線經(jīng)費(fèi)的17%。SON有三項(xiàng)基本功能：第一，自配置功能。自配置可以使新基站能夠?qū)崿F(xiàn)參數(shù)的自我設(shè)定，完成新基站入網(wǎng)時(shí)的初始化操作。第二，自優(yōu)化功能。自優(yōu)化主要包含覆蓋和容量?jī)?yōu)化、小區(qū)間干擾協(xié)調(diào)和節(jié)能等關(guān)鍵技術(shù)，能實(shí)現(xiàn)網(wǎng)絡(luò)運(yùn)行過(guò)程中的自我優(yōu)化。第三，自治愈功能。自治愈負(fù)責(zé)網(wǎng)絡(luò)檢測(cè)、故障定位以及小區(qū)的中斷補(bǔ)償。

天線下傾角優(yōu)化作為天線調(diào)整的重要參數(shù)，對(duì)網(wǎng)絡(luò)的覆蓋與容量有著極大的影響。3GPP已將有源天線下傾角優(yōu)化列入自組織網(wǎng)絡(luò)容量與覆蓋優(yōu)化的課題中。目前，針對(duì)蜂窩網(wǎng)絡(luò)的天線下傾角方面的自優(yōu)化問(wèn)題，已經(jīng)有學(xué)者提出了一些方法。文獻(xiàn)[2]提出的方法通過(guò)調(diào)整天線下傾角優(yōu)化網(wǎng)絡(luò)能效，基本思想是利用了天線下傾角與網(wǎng)絡(luò)能效之間單峰函數(shù)特性，采用了黃金分割搜索法找到能效最優(yōu)的天線下傾角。文獻(xiàn)[3]通過(guò)調(diào)整天線下傾角，來(lái)優(yōu)化系統(tǒng)的頻譜效率(Spectral Efficiency, SE)，采用的是梯度下降算法。文獻(xiàn)[4]討論了密集部署場(chǎng)景下，調(diào)整天線下傾角對(duì)系統(tǒng)覆蓋及容量的重大影響，但是并沒(méi)有給出如何獲取最優(yōu)下傾角的方法。文獻(xiàn)[5]提出了一種LTE蜂窩網(wǎng)絡(luò)中的動(dòng)態(tài)優(yōu)化方法。其從半功率波束頻寬(Half-Power Beam Width, HPBW)與天線下傾角兩個(gè)方向考慮優(yōu)化系統(tǒng)容量。但是其調(diào)整參數(shù)時(shí)，過(guò)于依賴經(jīng)驗(yàn)且沒(méi)有考慮邊緣用戶問(wèn)題。文獻(xiàn)[6]給出了基于自主調(diào)節(jié)天線下傾角優(yōu)化系統(tǒng)覆蓋及容量的方法的重要性，并且給出了一個(gè)可供參考的仿真模型，但是并沒(méi)有給出具體的優(yōu)化方法。文獻(xiàn)[7-10]給出了一種模糊Q-learning人工智能學(xué)習(xí)法自優(yōu)化LTE網(wǎng)絡(luò)中的覆蓋及容量問(wèn)題，但是這種方法收斂速度較慢。

本文研究主要針對(duì)LTE網(wǎng)絡(luò)中天線下傾角的優(yōu)化問(wèn)題，提出了一種基于粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法的天線下傾角優(yōu)化方法，針對(duì)用戶頻譜最優(yōu)化問(wèn)題進(jìn)行建模分析，使用Matlab仿真工具搭建平臺(tái)對(duì)算法進(jìn)行仿真。在文獻(xiàn)[11]中同樣采用粒子群算法進(jìn)行天線下傾角的優(yōu)化，但針對(duì)的優(yōu)化目標(biāo)是達(dá)到門限值的用戶數(shù)量的最大化優(yōu)化問(wèn)題，并對(duì)此問(wèn)題建模分析。兩個(gè)問(wèn)題分析后都可建模成關(guān)于天線下傾角集的多維優(yōu)化問(wèn)題。粒子群算法使用范圍廣，收斂速度快，通過(guò)仿真驗(yàn)證，該算法具有良好的優(yōu)化效果。

1 系統(tǒng)建模

本文根據(jù)LTE蜂窩網(wǎng)系統(tǒng)進(jìn)行系統(tǒng)建模，建模方法參考文獻(xiàn)[12]。設(shè)系統(tǒng)有mB個(gè)基站(小區(qū))，mB個(gè)基站組成的集合記為M。系統(tǒng)內(nèi)有N個(gè)用戶設(shè)備(User Equipment, UE)，UE的集合記為U。

圖1所示的是基站m和用戶設(shè)備u的位置關(guān)系和角度。其中：hm是基站m的天線高度；hu是用戶設(shè)備u的高度；dm,u是用戶設(shè)備u到基站m的水平距離；θm,u是用戶設(shè)備u與基站m之間的夾角，則：

θm,u=arctan((hm-hu)/dm,u)

設(shè)用戶u從基站m接收到的信號(hào)強(qiáng)度為Sm,u(θm)，有：

Sm,u(θm)=Gm,u(θm)ρm,uPm

用戶u受到的干擾Iu(Θ)為：

由Sm,u(θm)，可計(jì)算用戶u的信號(hào)干擾噪聲比(Signal to Interference plus Noise Ratio, SINR)記為γu(Θ)，有：

將Gm,u(θm)代入Sm,u(θm)，得到γu(Θ)為基站下傾角Θ的函數(shù)。

則用戶u的吞吐量為：

ru(Θ)=wulg(1+γu(Θ))

其中，wu是用戶u使用的帶寬。

優(yōu)化目標(biāo)以單個(gè)用戶的吞吐量或其他考核指標(biāo)為基礎(chǔ)，可將優(yōu)化目標(biāo)表示為f(θm)。

圖1 系統(tǒng)模型

優(yōu)化目標(biāo)在應(yīng)用時(shí)，應(yīng)當(dāng)根據(jù)實(shí)際系統(tǒng)需求進(jìn)行選擇，譬如：

1)當(dāng)優(yōu)化目標(biāo)是系統(tǒng)的總體吞吐量時(shí)，有：

2)當(dāng)優(yōu)化目標(biāo)是系統(tǒng)的平均頻譜效率時(shí)，有：

3)當(dāng)優(yōu)化目標(biāo)是系統(tǒng)的加權(quán)吞吐量時(shí)，有：

其中，αu是用戶u的吞吐量的加權(quán)因子。例如，對(duì)小區(qū)中心用戶和邊緣用戶采用不同的加權(quán)因子，可以達(dá)到平衡中心用戶和邊緣用戶的吞吐量的效果。具體地，邊緣用戶可以采用比中心用戶相比較大的加權(quán)因子αu，以改善邊緣用戶的吞吐量。

4)優(yōu)化目標(biāo)是系統(tǒng)的加權(quán)平均頻譜效率：

其中，αu是用戶u的頻譜效率的加權(quán)因子。同理，為邊緣用戶采用比中心用戶相比較大的加權(quán)因子αu，可以改善邊緣用戶的頻譜效率。

確定了優(yōu)化目標(biāo)，就可以求解使得優(yōu)化目標(biāo)最大化的天線下傾角，即求解Θ*，使得f(θ*)的值最大：

約束于θmin≤θm≤θmax。

對(duì)于具有S個(gè)扇區(qū)的LTE網(wǎng)絡(luò)來(lái)說(shuō)，下傾角優(yōu)化問(wèn)題將擴(kuò)展為S維優(yōu)化問(wèn)題。此時(shí)可以考慮采用分布式思想優(yōu)化。在分布式方法中，每個(gè)基站都獨(dú)立地根據(jù)所獲得的信息來(lái)優(yōu)化調(diào)整自己的天線下傾角，并將自己調(diào)整后的天線下傾角通過(guò)信令等方式告訴周邊的鄰基站。也可以考慮采用集中式思想。在集中式方法中每個(gè)基站將信息傳遞給管理中心，由管理中心優(yōu)化調(diào)整天線下傾角。分布式算法所需傳輸信息量與集中式算法相比較少，相應(yīng)的其實(shí)現(xiàn)算法較為復(fù)雜。

2 粒子群算法

本文提出一種優(yōu)化基站下傾角的方法，其基本思想是：待求解問(wèn)題是多個(gè)天線下傾角同時(shí)優(yōu)化問(wèn)題，可將該問(wèn)題看作是一個(gè)多維優(yōu)化問(wèn)題，采用粒子群優(yōu)化算法優(yōu)化。

粒子群優(yōu)化算法是求解多維函數(shù)的一種經(jīng)典算法。其核心思想是隨機(jī)初始化一定數(shù)量在多維空間中運(yùn)動(dòng)的粒子，并將每個(gè)粒子作為優(yōu)化問(wèn)題的一個(gè)可行解。根據(jù)優(yōu)化目標(biāo)來(lái)預(yù)設(shè)適應(yīng)度評(píng)價(jià)函數(shù)從而對(duì)粒子進(jìn)行取舍。每一個(gè)粒子不斷改變自己的位置，使自己位置不斷優(yōu)化。最終，整個(gè)粒子種群不斷進(jìn)化，直到尋找到最優(yōu)解。在本文中，可以將要調(diào)整的扇區(qū)的數(shù)量看作維數(shù)，一般來(lái)說(shuō)，一個(gè)可行解代表著所有扇區(qū)角度的集合；粒子運(yùn)動(dòng)的速度可以理解為每個(gè)扇區(qū)角度不同進(jìn)化步長(zhǎng)的集合。

下面詳細(xì)介紹標(biāo)準(zhǔn)粒子群算法的原理及流程。

假設(shè)一個(gè)由Q個(gè)粒子組成的群體在D維的搜索空間以一定的速度飛行。粒子i在t時(shí)刻其位置及速度表述如下。

則粒子在t+1時(shí)刻的位置通過(guò)下式更新獲得：

(1)

(2)

ω=ωstart-(ωstart-ωend)/tmax×t；

式中,ω為慣性權(quán)重；r1,r2隨機(jī)分布在(0,1)區(qū)間；c1,c2稱為粒子向自身及群體最優(yōu)值的學(xué)習(xí)因子，一般情況下，取c1=c2=2。

標(biāo)準(zhǔn)粒子群算法具體流程可以分為以下幾步。

第1步 對(duì)粒子起始值進(jìn)行設(shè)定。對(duì)參數(shù)進(jìn)行配置：學(xué)習(xí)因子c1,c2，算法的最大迭代次數(shù)Tmax或收斂精度ξ，慣性權(quán)重范圍[Wend,Wstart]，粒子速度范圍[Vmin,Vmax]，搜索空間的上下限Ud和Ld，初始化粒子位置Xi以及粒子運(yùn)動(dòng)速度Vi。記錄粒子當(dāng)前位置為粒子個(gè)體最優(yōu)位置pi。比較粒子個(gè)體最優(yōu)值找出種群最優(yōu)值，記錄該粒子位置為全局最優(yōu)位置pg。

第2步 對(duì)粒子的適應(yīng)度進(jìn)行評(píng)價(jià)，并對(duì)粒子的極值和全局的極值進(jìn)行更新。如果本次粒子適應(yīng)度好于該粒子當(dāng)前的個(gè)體最優(yōu)值，則將粒子最優(yōu)位置pi設(shè)置為該粒子的位置，且更新粒子的最優(yōu)值。如果當(dāng)前所有粒子的最優(yōu)值存在一個(gè)最優(yōu)值好于當(dāng)前的全局最優(yōu)值，則將全局最優(yōu)位置pg設(shè)置為該粒子的位置，更新全局最優(yōu)值。

第3步 更新粒子狀態(tài)。根據(jù)式(1)和式(2)對(duì)每一個(gè)粒子的速度和位置進(jìn)行更新。如果Vi≥Vmax將其設(shè)置為Vmax，如果Vi

第4步 預(yù)設(shè)終止條件判斷。如果當(dāng)前的迭代次數(shù)達(dá)到了事先設(shè)定的迭代最大值Tmax，或者，如果最終結(jié)果小于預(yù)定的收斂精度ξ要求，則停止迭代，輸出最優(yōu)解，否則轉(zhuǎn)到步驟2)。

圖2是基站調(diào)整天線下傾角的總體流程。

圖2 基站天線調(diào)整流程

步驟1 測(cè)量。

2)根據(jù)Um中所有用戶上報(bào)的鄰小區(qū)測(cè)量報(bào)告的情況，確定基站m的鄰小區(qū)集合，記為Mm；

步驟2 初步計(jì)算。

1)對(duì)每個(gè)用戶u，根據(jù)測(cè)量上報(bào)的鄰小區(qū)參考信號(hào)接收功率(Reference Signal Received Power, RSRP)信息，基站側(cè)估算用戶u的干擾信號(hào)強(qiáng)度；

2)用戶測(cè)量位置信息，并上報(bào)給基站；

3)基站根據(jù)用戶上報(bào)的位置信息，估算用戶與基站間的垂直角度θm,u。

步驟3 優(yōu)化。

1)確定OAM(Operation Administration and Maintenance)設(shè)置的優(yōu)化目標(biāo)及參數(shù)。

2)OAM側(cè)使用粒子群優(yōu)化，尋找基站的最優(yōu)下傾角。求解得到最優(yōu)下傾角集合。

步驟4 調(diào)整。

1)將基站的下傾角調(diào)整為優(yōu)化后的角度。

2)等待預(yù)定的時(shí)間段之后，或滿足預(yù)定義的事件觸發(fā)條件，返回步驟1，再次進(jìn)入調(diào)整循環(huán)。

3 仿真與性能分析

為了驗(yàn)證本文所提出的方法的效果，這里采用了3GPP中LTE網(wǎng)絡(luò)的系統(tǒng)模型，并在其基礎(chǔ)上對(duì)算法進(jìn)行了仿真。LTE網(wǎng)絡(luò)部署采用蜂窩網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)。該蜂窩網(wǎng)絡(luò)模型由7個(gè)六邊形基站組成，每個(gè)基站布置3個(gè)扇區(qū)。扇區(qū)主方向夾角為120°，系統(tǒng)模型示意圖如圖3所示。

圖3 系統(tǒng)框架

仿真中，所有小區(qū)采用環(huán)繞式部署結(jié)構(gòu)。這種結(jié)構(gòu)可以保證仿真區(qū)域中的任何移動(dòng)臺(tái)所受的干擾鄰區(qū)數(shù)量一致。本文所討論的情況主要考慮的是在較長(zhǎng)時(shí)間尺度上對(duì)系統(tǒng)進(jìn)行優(yōu)化，所以將快衰落的影響忽略，主要考慮的路徑損耗由移動(dòng)臺(tái)的天線增益、基站的天線增益、基站與用戶間的路徑損耗組成。主要仿真參數(shù)由表1給出。

表1 主要仿真參數(shù)

3.1 設(shè)定優(yōu)化目標(biāo)為用戶平均頻譜效率

當(dāng)設(shè)定優(yōu)化目標(biāo)為用戶平均頻譜效率時(shí)，對(duì)7基站用戶隨機(jī)均勻分布的情形進(jìn)行仿真。仿真時(shí)，采用了初始優(yōu)化角度(未優(yōu)化)、傳統(tǒng)黃金分割優(yōu)化算法[2](以下簡(jiǎn)稱傳統(tǒng)黃金優(yōu)化算法)以及粒子群優(yōu)化算法。圖4是三種情況下的用戶頻譜效率(SpectralEfficiency,SE)的累積分布(CumulativeDistributionFunction,CDF)對(duì)比，而圖5是采用三種優(yōu)化方法后的用戶信干噪比(SINR)累積分布的對(duì)比。

圖4 用戶頻譜效率累積分布

由圖4與圖5用戶的信干噪比及頻譜效率累積分布圖可以看出，傳統(tǒng)黃金優(yōu)化算法以及粒子群優(yōu)化算法與基站初始設(shè)置值相比較，其用戶的SINR及SE都有了極大的提升，其中粒子群優(yōu)化算法的優(yōu)化性能要優(yōu)于傳統(tǒng)黃金優(yōu)化算法。圖6展示了對(duì)算法優(yōu)化效果的定量分析。

由圖6(a)可以看到，當(dāng)優(yōu)化目標(biāo)選取為優(yōu)化系統(tǒng)的頻譜效率時(shí)，優(yōu)化重點(diǎn)突出在小區(qū)扇區(qū)的中心用戶，由圖6(b)則看出邊緣用戶的平均頻譜效率并沒(méi)有明顯的提升。由圖6(a)的系統(tǒng)平均頻譜效率圖可以看出，相較于初始設(shè)置值，頻譜效率有了明顯的提升，傳統(tǒng)黃金優(yōu)化算法取得了12.9%的提升，而PSO算法取得了22.5%的提升。

圖5 用戶信干噪比累積分布

圖6 平均頻譜效率對(duì)比

3.2 設(shè)定優(yōu)化目標(biāo)為加權(quán)平均頻譜效率

改變優(yōu)化目標(biāo)，將優(yōu)化目標(biāo)設(shè)定為加權(quán)平均頻譜效率。這種情況下，優(yōu)化目標(biāo)函數(shù)中給予邊緣用戶更大的評(píng)價(jià)比重，提升系統(tǒng)優(yōu)化時(shí)的公平性。這里同樣采用7基站，在用戶隨機(jī)均勻分布的情形下進(jìn)行仿真，圖7～8展示了采用初始設(shè)定、傳統(tǒng)黃金優(yōu)化算法以及粒子群算法優(yōu)化后的用戶信干噪比的累積分布圖與用戶平均頻譜效率累積分布。

由圖7和圖8可知，當(dāng)設(shè)定優(yōu)化目標(biāo)為用戶加權(quán)平均頻譜效率時(shí)，無(wú)論是采用傳統(tǒng)黃金優(yōu)化算法，還是采用粒子群優(yōu)化算法，用戶的信干噪比及頻譜效率都有了不錯(cuò)的提升，效果相當(dāng)。而在對(duì)邊緣用戶的優(yōu)化上，粒子群優(yōu)化算法調(diào)整后的效果要優(yōu)于傳統(tǒng)黃金優(yōu)化算法。下面由圖9進(jìn)行定量分析。

由圖9(a)可以看出，在設(shè)定優(yōu)化目標(biāo)為加權(quán)頻譜效率的情況下，PSO算法與傳統(tǒng)黃金優(yōu)化算法對(duì)系統(tǒng)整體的平均頻譜效率優(yōu)化效果相同，均取得了9.6%的優(yōu)化提升。同時(shí)由圖9(b)可以看出，傳統(tǒng)黃金優(yōu)化算法在邊緣用戶的優(yōu)化上有明顯的不足，邊緣用戶頻譜效率并沒(méi)有明顯的提升；粒子群優(yōu)化算法在對(duì)邊緣用戶的優(yōu)化上相較于傳統(tǒng)黃金優(yōu)化算法來(lái)說(shuō)，效果明顯，取得了19.3%的優(yōu)化提升。

圖7 加權(quán)條件下頻譜效率累積分布

圖8 加權(quán)條件下信干噪比累積分布

圖10給出了某次優(yōu)化時(shí)的PSO算法的迭代次數(shù)與最終適應(yīng)度的關(guān)系。從圖10中可以看出PSO算法在快速收斂，在100次左右時(shí)，適應(yīng)度趨于穩(wěn)定，算法收斂。

當(dāng)確定優(yōu)化目標(biāo)不同時(shí)，PSO算法表現(xiàn)也不盡相同。當(dāng)優(yōu)化目標(biāo)為整體系統(tǒng)的平均頻譜效率時(shí)，PSO算法相較于傳統(tǒng)黃金優(yōu)化算法取得了較好的優(yōu)化效果，特別是針對(duì)扇區(qū)中心用戶的優(yōu)化效果。當(dāng)優(yōu)化目標(biāo)為加權(quán)頻譜效率時(shí)，PSO算法相較于傳統(tǒng)黃金優(yōu)化算法，在整體上優(yōu)化效果相同，但是在邊緣用戶的優(yōu)化上，其效果優(yōu)于傳統(tǒng)黃金優(yōu)化算法。同時(shí)，PSO算法具有較好的收斂性，可以快速地收斂，取得最終結(jié)果。

4 結(jié)語(yǔ)

本文針對(duì)LTE系統(tǒng)有源天線下傾角優(yōu)化問(wèn)題，采用粒子群算法進(jìn)行優(yōu)化，并對(duì)此算法進(jìn)行了仿真。仿真結(jié)果顯示，當(dāng)以平均頻譜效率為優(yōu)化目標(biāo)時(shí)，PSO算法與傳統(tǒng)黃金優(yōu)化算法相比，在不降低邊緣用戶頻譜效率的情況下，系統(tǒng)平均頻譜效率提升明顯；當(dāng)以加權(quán)平均頻譜效率為優(yōu)化目標(biāo)時(shí)，在不降低系統(tǒng)平均頻譜效率的前提下，邊緣用戶平均頻譜效率獲得較大的提升。

圖9 加權(quán)條件下平均頻譜效率對(duì)比

圖10 PSO收斂性

)

[1]CELENTANOJM.Carriercapitalexpenditures[J].IEEECommunicationsMagazine, 2008, 46(7): 82-88.

[2] 夏永康,梁曉雯.LTE網(wǎng)絡(luò)天線下傾角自優(yōu)化算法[J].無(wú)線電工程,2014,44(3):11-14.(XIAYK,LIANGXW.Analgorithmofantennatiltself-optimizationinLTEnetworks[J].RadioEngineeringofChina, 2014, 44(3): 11-14.)

[3]ECKHARDTH,KLEINS,GRUBERM.VerticalantennatiltoptimizationforLTEbasestations[C]//VTC2011:Proceedingsofthe73rdIEEEVehicularTechnologyConference.Piscataway,NJ:IEEE, 2011: 1-5.

[4]GANDHIAD.Significantgainsincoverageanddownlinkcapacityfromoptimalantennadowntiltforclosely-spacedcellsinwirelessnetworks[C]//WOCC2014:Proceedingsofthe23rdWirelessandOpticalCommunicationConference.Piscataway,NJ:IEEE, 2014: 1-6.

[5]KASEMF,HASKOUA,DAWYZ.OnantennaparametersselfoptimizationinLTEcellularnetworks[C]//ICCIT2013:ProceedingsoftheThirdInternationalConferenceonCommunicationsandInformationTechnology.Piscataway,NJ:IEEE, 2013: 44-48.

[6]LUKETICI,SIMUNICD,BLAJICT.Optimizationofcoverageandcapacityofself-organizingnetworkinLTE[C]//MIPRO2011:Proceedingsofthe34thInternationalConvention.Piscataway,NJ:IEEE, 2011: 612-617.

[7]RAZAVIR,KLEINS,CLAUSSENH.Self-optimizationofcapacityandcoverageinLTEnetworksusingafuzzyreinforcementlearningapproach[C]//PIMRC2010:ProceedingsofIEEE21stInternationalSymposiumonPersonalIndoorandMobileRadioCommunications.Piscataway,NJ:IEEE, 2010: 1865-1870.

[8]MITSCHELE-THIELA.CooperativefuzzyQ-learningforself-organizedcoverageandcapacityoptimization[C]//PIMRC2012:ProceedingsofIEEE23rdInternationalSymposiumonPersonalIndoorandMobileRadioCommunications.Piscataway,NJ:IEEE, 2012: 1406-1411.

[9]LIJ,ZENGJ,SUX,etal.Self-optimizationofcoverageandcapacityinLTEnetworksbasedoncentralcontrolanddecentralizedfuzzyQ-learning[J].InternationalJournalofDistributedSensorNetworks, 2012, 2012: 1018-1020.

[10]ISLAMMNU,MITSCHELE-THIELA.Reinforcementlearningstrategiesforself-organizedcoverageandcapacityoptimization[C]//WCNC2012:Proceedingsofthe2012IEEEWirelessCommunicationsandNetworkingConference.Piscataway,NJ:IEEE, 2012: 2818-2823.

[11]PANRJ,JIANGHL,PEISY.Modifiedparticleswarmoptimization-basedantennatiltangleadjustingschemeforLTEcoverageoptimization[J].JournalofSoutheastUniversity(EnglishEdition), 2015(4): 443-449.

[12] 3GPP.TR25.996V12.0.0, 3rdgenerationpartnershipproject;technicalspecificationgroupradioaccessnetwork;spatialchannelmodelforMultipleInputMultipleOutput(MIMO)simulations[EB/OL].[2016-04-25].http://www.qtc.jp/3GPP/Specs/25996-900.pdf.

[13]HARD,WATSONAM,CHADNEYAG.Commentondiffractionlossofrooftop-to-streetinCOST231-Walfisch-Ikegamimodel[J].IEEETransactionsonVehicularTechnology, 1999, 48(5): 1451-1452.

ThisworkispartiallysupportedbytheKeyLaboratoryofWirelessSensorNetwork&Communication,ShanghaiInstituteofMicrosystemandInformationTechnology,ChineseAcademyofSciences(2016001),theFundamentalResearchFundsfortheCentralUniversities(2015B18914).

LIAN Xiaocan, born in 1992, M.S.candidate.Her research interests include mobile Ad Hoc network.

ZHANG Pengyuan, born in 1991, M.S.His research interests include LTE active antenna technology.

TAN Guoping, born in 1975, Ph.D., associate professor.His research interests include mobile Ad Hoc network, wireless multimedia communication, stochastic network optimization and control, network information theory.

LI Yueheng, born in 1971, Ph.D., professor.His research interests include mobile communication theory and multi-antenna transmission technology, modern wireless sensor networks cooperative information acquisition and processing.

Antenna down-tilt angle self-optimization method based on particle swarm in long term evolution network

LIAN Xiaocan, ZHANG Pengyuan, TAN Guoping*, LI Yueheng

(CommunicationandInformationSystemsInstitute,HohaiUniversity,NanjingJiangsu211100,China)

To solve the coverage and capacity optimization problem of Self-Organizing Network (SON) in the 3rd Generation Partnership Project (3GPP), an active antenna down-tilt angle optimization method based on Particle Swarm Optimization (PSO) algorithm was proposed.First, the number of User Equipments (UE) served by evolved Node B (eNB) was determined, and the Reference Signal Received Power (RSRP) and position measured from the UE were obtained.Second, the Spectral Efficiency (SE) was regarded as the fitness function which defined by optimization goals.Then, down-tilt angle optimization was regarded as multidimensional optimization problem, and antenna down-tilt angle was regarded as the set of particles to resolve the optimal value by the PSO algorithm.Finally, the capacity and coverage self-optimization of Long Term Evolution (LTE) networks was achieved by adjusting down-tilt angle independently.By simulations, different objective functions made different optimization results.When the average spectrum efficiency was set as the optimization goal, the spectral efficiency of traditional golden section algorithm increased by 12.9% than primary settings, the spectral efficiency of PSO was increased by 22.5%.When the weighted average spectral efficiency was set as the optimization goal, the spectral efficiency of golden section algorithm was not significantly improved but that of PSO was increased by 19.3% for edge users.The experimental results show that the proposed method improves cell throughput and system performance.

Long Term Evolution (LTE); down-tilt angle optimization; Self-Organizing Network (SON); coverage and capacity optimization; Particle Swarm Optimization (PSO)

2016-08-21;

2016-09-11。 基金項(xiàng)目:中國(guó)科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所無(wú)線傳感網(wǎng)與通信重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題資助項(xiàng)目(2016001)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2015B18914)。

連曉燦(1992—)，女，福建泉州人，碩士研究生，主要研究方向：移動(dòng)自組網(wǎng)； 張彭園(1991—)，男，江蘇徐州人，碩士，主要研究方向：LTE有源天線技術(shù)； 譚國(guó)平(1975—)，男，湖南澧縣人，副教授，博士，CCF會(huì)員，主要研究方向：移動(dòng)自組網(wǎng)、無(wú)線多媒體通信、隨機(jī)網(wǎng)絡(luò)優(yōu)化與控制、網(wǎng)絡(luò)信息論; 李岳衡(1971—),男，湖南永興人，教授，博士，主要研究方向：移動(dòng)通信中的多天線傳輸理論與技術(shù)、現(xiàn)代無(wú)線傳感網(wǎng)絡(luò)協(xié)同信息獲取與處理。

1001-9081(2017)01-0097-06

10.11772/j.issn.1001-9081.2017.01.0097

TP393.01; TP391.97

A