【5G移動(dòng)通信網(wǎng)絡(luò)基站建設(shè)方案分析9000字（論文）】

G移動(dòng)通信網(wǎng)絡(luò)基站建設(shè)方案分析目錄29837摘要 I31447第1章緒論 1243291.1研究背景和研究目的 1231851.2國(guó)內(nèi)外研究進(jìn)展 1318851.2.1關(guān)于基站選址優(yōu)化的研究 1291951.2.2關(guān)于獅群算法的研究 2296101.3論文的結(jié)構(gòu)安排 211059第2章通信基站的技術(shù)和優(yōu)化算法 4264582.1移動(dòng)通信技術(shù) 47232.2智能優(yōu)化算法 46156第3章獅群算法及其優(yōu)化 6233353.1獅群算法的簡(jiǎn)介 672793.2獅群算法的具體求解方法 6163843.3對(duì)獅群算法的改進(jìn) 8188213.3.1基站分散法 843473.3.2具體的算法： 83188第4章基于獅群算法的基站選址 11273024.1關(guān)于數(shù)據(jù)的基本的說明 11193714.2算法的基本流程 11116474.3運(yùn)算的結(jié)果與分析： 12210704.4針對(duì)其他人口分布的測(cè)試： 14148944.5單純的基站分散 1682144.6PSO+基站分散： 1729815第5章結(jié)論 192300參考文獻(xiàn) 20第1章緒論1.1研究背景和研究目的移動(dòng)通信技術(shù)在當(dāng)今的生活中不可或缺。隨著科技的不斷進(jìn)步，接入網(wǎng)絡(luò)的設(shè)備數(shù)量不斷增多，對(duì)于網(wǎng)絡(luò)的要求也不斷提高?；疚恢貌渴鹬苯佑绊懢W(wǎng)絡(luò)的質(zhì)量。現(xiàn)實(shí)生活情況復(fù)雜，往往要同時(shí)考慮成本、覆蓋率、實(shí)際的地形等等情況。而需要部署的基站數(shù)量眾多，由人手工進(jìn)行一一規(guī)劃的話，往往過于復(fù)雜。在實(shí)驗(yàn)的準(zhǔn)備階段發(fā)現(xiàn)，獅群算法具有快速收斂、需要調(diào)整的參數(shù)少、不易陷入局部最優(yōu)解等特點(diǎn)。獅群算法通過記錄下歷史的最優(yōu)解，在不斷的學(xué)習(xí)中發(fā)現(xiàn)更加優(yōu)異的結(jié)果。這種不斷迭代尋求最優(yōu)解的想法，使得其與普通的隨機(jī)探索有了天與地的差別，隨著迭代次數(shù)不斷增加，獅群算法發(fā)現(xiàn)更優(yōu)解的可能性也越大。運(yùn)用獅群算法在解決基站選址這一問題上有著非常重要的應(yīng)用意義。本論文使用獅群算法來對(duì)基站選址這一課題進(jìn)行探究。針對(duì)研究中所發(fā)現(xiàn)的問題，本文對(duì)獅群算法提出了優(yōu)化的想法，提出“基站分散”的方法，縮短了程序的運(yùn)算時(shí)間，提升了基站選址的效果。對(duì)于后續(xù)進(jìn)行基站選址相關(guān)研究的研究人員來說，可能有一定參考作用。1.2國(guó)內(nèi)外研究進(jìn)展1.2.1關(guān)于基站選址優(yōu)化的研究基站的選址對(duì)于通信運(yùn)營(yíng)商來說，是相當(dāng)重要的課題?；具x址中所需要考慮的問題眾多，如人口分布、地形分布等等?，F(xiàn)在關(guān)于基站選址所進(jìn)行的研究眾多，研究的方向也各有差別。馬寶羅針對(duì)TD-LTE網(wǎng)絡(luò)的選址規(guī)劃問題，將免疫算法和粒子群算法進(jìn)行了結(jié)合，提出了新穎的免疫粒子群算法的求解方案[1]。朱思峰針對(duì)TD-SCDMA網(wǎng)絡(luò)基站選址問題，利用免疫計(jì)算，提出了TD-SCDM的解決方案，并同時(shí)針對(duì)WCDMA、EEE802.16j等基站選址的問題展開了分析和討論[2]。謝許凱結(jié)合了遺傳算法和免疫算法來求解5G通信基站選址，并考慮到了基站建設(shè)成本、信號(hào)覆蓋范圍、網(wǎng)絡(luò)容量等因素[3]。劉家欣設(shè)計(jì)了針對(duì)5G基站的優(yōu)化模型，并提出了帶權(quán)極小理想點(diǎn)法這一想法[4]。唐麗晴針對(duì)傳統(tǒng)優(yōu)化算法容易陷入局部最優(yōu)，而且收斂速度不夠滿意等問題，提出了鯨魚優(yōu)化改進(jìn)算法[5]。梁雪怡針對(duì)4G異構(gòu)網(wǎng)絡(luò)基站選址問題和車聯(lián)網(wǎng)路側(cè)單元選址問題，提出了分區(qū)域和局部搜索機(jī)制添加到傳統(tǒng)算法的方案[6]。張凌志深入分析了網(wǎng)絡(luò)覆蓋的內(nèi)在成因[7]。1.2.2關(guān)于獅群算法的研究獅群算法作為近幾年提出的優(yōu)化算法，受到了很多人的矚目。關(guān)于獅群算法算進(jìn)行的改進(jìn)研究也相當(dāng)眾多。李文陽探究了給予遺傳進(jìn)化過程的獅群進(jìn)化算法和基于捕獵合作機(jī)制的獅群優(yōu)化算法，提出了模糊聚類和差分獅群進(jìn)化算法[8]。戴子翔對(duì)獅群算法的更新策略進(jìn)行改進(jìn)，并將其應(yīng)用于金融市場(chǎng)的分析[9]。劉振針對(duì)獅群算法收斂，容易陷入局部最優(yōu)的缺點(diǎn)，提出了一種增強(qiáng)了局部搜索能力的獅群算法[10]。楊艷將獅群算法位置進(jìn)行離散化，提出了貪心二進(jìn)制獅群算法，以求解多維背包問題[11]。茍平章針對(duì)DV-Hop在三維空間中的定位誤差問題，利用獅群算法優(yōu)化了三維定位算法[12]。郭穎針對(duì)獅群算法已陷入局部最優(yōu)解的問題，提出了基于多Agent結(jié)構(gòu)的獅群算法，運(yùn)用不同的機(jī)制與方法改進(jìn)了獅群算法的局部搜索能力[13]。張瓊藝將人工免疫機(jī)制中的濃度選擇方法導(dǎo)入獅群算法中，形成改進(jìn)獅群算法，并將其應(yīng)用于配電網(wǎng)的綜合優(yōu)化[14]。劉東提出了雙目標(biāo)獅群算法，并將其用于水庫(kù)的長(zhǎng)期目標(biāo)優(yōu)化調(diào)度[15]。李曉東將遺傳算法的交叉、變異環(huán)節(jié)引入到獅群算法，增強(qiáng)了全局搜索能力[16]。1.3論文的結(jié)構(gòu)安排為了解決通信選址這一問題，本文采用獅群算法進(jìn)行了實(shí)驗(yàn)。在傳統(tǒng)的獅群算法的基礎(chǔ)上，本文提出了“基站分散”的想法，提高了探索的速度和效果。并考慮到人口密度的影響，以盡可能接近實(shí)際的工程問題，提供高效的解決方案。本文的章節(jié)安排如下：第一章緒論部分，首先介紹本文的研究背景，分析目前基站選址問題的研究進(jìn)展。第二章介紹了關(guān)于通信基站技術(shù)的進(jìn)步和相關(guān)的智能算法。第三章介紹了獅群算法的基本內(nèi)容。然后解釋了本文所提出的“基站分散”的想法。第四章使用獅群算法對(duì)基站選址進(jìn)行了優(yōu)化。對(duì)參數(shù)的最佳配置進(jìn)行了探究。并探究了不同人口分布下的基站選址的結(jié)果。將獅群算法+“基站分散”、獅群算法、單純的“基站分散”三者進(jìn)行了對(duì)比，探究算法的優(yōu)劣。最后將“基站分散”和粒子群算法PSO進(jìn)行了結(jié)合，探究“基站分散”在其他優(yōu)化算法上的適應(yīng)度。第五章結(jié)論?？偨Y(jié)全文，探究進(jìn)一步的研究方向。第2章通信基站的技術(shù)和優(yōu)化算法2.1移動(dòng)通信技術(shù)移動(dòng)通信技術(shù)近年來的發(fā)展可以說的上是日新月異。上世紀(jì)80年代開始，通信技術(shù)已經(jīng)迅速更新?lián)Q代，現(xiàn)在的5G已經(jīng)投入了商業(yè)應(yīng)用。下面對(duì)這幾代移動(dòng)通信技術(shù)進(jìn)行簡(jiǎn)單介紹。第一代通信技術(shù)（1G）誕生于二十世紀(jì)八十年代，主要采用模擬技術(shù)和頻分多址技術(shù)?，F(xiàn)在正被逐步淘汰。第二代通信技術(shù)（2G）GSM是最廣泛采用的移動(dòng)通信制式。以數(shù)字語音傳輸技術(shù)為核心，相比第一代，保密性能有不小改善。傳輸速度大概在10kbps,無法直接傳送電子郵件，軟件等。第三代通信技術(shù)（3G）采用智能信號(hào)處理技術(shù)?？梢蕴峁┱Z音和多媒體數(shù)據(jù)通信。用戶的通信速度更加快速。第四代通信技術(shù)（4G）將WLAN技術(shù)與3G進(jìn)行了融合，加快了圖像，數(shù)據(jù)，視頻的傳輸?shù)乃俣?，能達(dá)到100Mbps的下載速度，滿足絕大多數(shù)用戶對(duì)網(wǎng)絡(luò)的需求。第五代通信技術(shù)（5G）是最近提出來的通信技術(shù)，在通信速度上有著前面技術(shù)所不能比擬的優(yōu)勢(shì)。但是由于5G基站的覆蓋范圍比較小，為了普及5G，大量基站的建設(shè)將會(huì)是不可或缺的。2.2智能優(yōu)化算法智能優(yōu)化算法是現(xiàn)在開發(fā)出來的用于解決最優(yōu)化問題的比較新穎的算法?，F(xiàn)在關(guān)于智能優(yōu)化算法,有眾多研究。代表性的算法有梯度下降法，遺傳算法，PSO（粒子群算法），蟻群算法等。梯度下降法，也被稱為最陡下降法，在神經(jīng)網(wǎng)絡(luò)中有著廣泛的應(yīng)用。其想法是如果找到個(gè)局部最小值，那么函數(shù)上當(dāng)前點(diǎn)對(duì)應(yīng)梯度的反方向，進(jìn)行迭代探索。遺傳算法是一種模擬自然進(jìn)化的算法。它將問題的求解類比成生物進(jìn)化中的基因的交叉，變異?，F(xiàn)在已經(jīng)在組合優(yōu)化，人工生命等領(lǐng)域有著廣泛應(yīng)用。粒子群算法（PSO）模擬鳥群的捕食行為。算法記錄下每一個(gè)粒子的個(gè)體最優(yōu)解和整個(gè)粒子群的最優(yōu)解，通過個(gè)體最優(yōu)解、群體最優(yōu)解和個(gè)體的運(yùn)動(dòng)慣性來確定每一個(gè)粒子的下一步探索。蟻群算法的思想來自于自然界中螞蟻尋找路徑的方式。在所經(jīng)過的路徑，螞蟻會(huì)留下一種被稱為‘信息素’的物質(zhì)。而螞蟻會(huì)選擇‘信息素’濃度高的路徑。這樣的結(jié)果是，最短的路徑（最優(yōu)的解）所需時(shí)間短，通過的螞蟻數(shù)量多，而留下的信息素會(huì)吸引更多的螞蟻。通過這種正反饋，蟻群最后會(huì)全部沿著最短的路徑。第3章獅群算法及其優(yōu)化3.1獅群算法的簡(jiǎn)介根據(jù)觀察獅群協(xié)作捕獵的行為，抽象出了獅群算法。算法中定義了獅王，母獅，幼獅三種類型的獅子，每種獅子都有獨(dú)自的位置更新方式，并且遵循優(yōu)勝劣汰的自然界的法則。獅群算法收斂的速度快，擁有較為優(yōu)秀的全局尋優(yōu)性，準(zhǔn)確度較好，容易獲得較好的全局最優(yōu)解。獅王是獅群中最強(qiáng)壯的公獅,是根據(jù)優(yōu)勝劣汰所選擇出來的頭領(lǐng)，在保護(hù)自己的領(lǐng)土的同時(shí)不斷增強(qiáng)自己的實(shí)力。常還要不斷面對(duì)外來挑戰(zhàn)，例如狼群和流浪的雄獅。母獅通常需要捕獵，主要負(fù)責(zé)撫養(yǎng)幼獅。母獅按照從廣到密的搜索范圍進(jìn)行搜索。一開始先廣撒網(wǎng)，大范圍偵察，之后將縮小行動(dòng)范圍，對(duì)獵物周圍進(jìn)行細(xì)致地搜索。在此過程中，它們不斷交換位置和獵物信息以提高效率。幼獅主要追隨成年獅子。年幼的時(shí)候，幼獅將會(huì)在獅王附近活動(dòng)，或者接近母獅，學(xué)習(xí)生存技巧。而當(dāng)長(zhǎng)大后，幼獅則會(huì)離開獅群，獨(dú)自生存。成長(zhǎng)后的幼獅幼獅會(huì)返回獅群，向獅王發(fā)起挑戰(zhàn)。獅群優(yōu)化算法的主要思想如下所示:在待尋優(yōu)空間中，給包括一定數(shù)量獅子的獅群分配一個(gè)初始的位置。最優(yōu)秀的位置將會(huì)被分配給獅王。獅群中將會(huì)存在一定比例的成年獅，他們的任務(wù)是負(fù)責(zé)追捕獵物，獲取食物。獅王的位置將會(huì)在追捕獵物中不斷變化，一直占據(jù)著最為優(yōu)秀的位置。幼獅在年幼的時(shí)候，待在母獅或者獅王周圍生活,成年后將被從獅群中驅(qū)逐出去。為了生存,離開獅群的幼獅會(huì)靠近自己曾經(jīng)去過的最為優(yōu)秀的位置。獅群算法通過這樣的模擬自然的方法，依靠著獅群的互相影響與合作，最終尋找到最為優(yōu)秀的解。[17]3.2獅群算法的具體求解方法設(shè)定LSO參數(shù)中的問題維度為D，設(shè)定獅子數(shù)量為N，其中成年獅子的數(shù)量為nLeader，滿足：設(shè)定獅群中成年獅子（捕獵獅子）的數(shù)量為β，β是一個(gè)介于0和1之間的隨機(jī)數(shù)字。一般而言為了保證算法的收斂速度，β是要小于0.5的。由此成年獅子數(shù)量（nLeader）可以表示為：Nβ（1）母獅移動(dòng)范圍擾動(dòng)因子af幼獅移動(dòng)范圍擾動(dòng)因子ac算法開始，獅王將占有最優(yōu)秀的位置，此后獅王在最優(yōu)位置附近小范圍移動(dòng)，獅王的位置更新公式為：（2）其中，用Xi來代表是獅群中的第i個(gè)獅子。gk母獅在捕獵過程中和其他母獅相互協(xié)作，位置更新公式為：（3）其中，pc幼獅有三種行為模式，向獅王移動(dòng)，在獅王附近進(jìn)食；在母獅附近移動(dòng)跟母獅學(xué)習(xí)捕獵；被驅(qū)趕到遠(yuǎn)離獅王的位置，更新公式如下：（4）其中，pmk表示幼獅跟隨母獅個(gè)體的第k代歷史最優(yōu)位置。算法步驟：step1：初始化獅群，確定各種參數(shù)。step2：計(jì)算獅王和母獅的數(shù)量。確定個(gè)體最優(yōu)位置，將群體最有位置給獅王step3：更新獅王，母獅，幼獅位置。step4：計(jì)算獅群的適應(yīng)度，更新每個(gè)獅子的個(gè)體歷史最有位置，判斷是否滿足結(jié)束條件（一般為迭代次數(shù)），滿足轉(zhuǎn)step6，否則轉(zhuǎn)step5。step5：過大約10次迭代后，根據(jù)位置的優(yōu)劣重新進(jìn)行分配，對(duì)獅王，母獅，幼獅的位置進(jìn)行更新，轉(zhuǎn)step3．。step6：獅王占據(jù)著群體最優(yōu)秀的位置，其所代表的便是最優(yōu)的解法。算法結(jié)束。3.3對(duì)獅群算法的改進(jìn)3.3.1基站分散法根據(jù)實(shí)驗(yàn)發(fā)現(xiàn)，獅群算法雖然能夠結(jié)合歷史最優(yōu)解進(jìn)行探索，但是探索仍然還是具有一定的盲目性的。而且獅群算法最后是對(duì)所有基站的布局，進(jìn)行的總體評(píng)價(jià)，卻不能保證每一個(gè)基站的位置都一定能是最佳。其結(jié)果就是，基站的信號(hào)具有一定的重復(fù)率，無法取得最優(yōu)的解法。本文對(duì)獅群算法的探索部分進(jìn)行了改進(jìn)，基站的位置將不僅僅由獅王（歷史最優(yōu)解）和母獅來決定，每一次迭代之后，本文會(huì)隨機(jī)抽取一個(gè)基站，如果發(fā)現(xiàn)和它重復(fù)率比較高的基站的話，就將這幾個(gè)基站分開。然后好比小球之間的不斷撞動(dòng)一樣，被分開的基站會(huì)繼續(xù)撞開其他基站，然后依次類推，直到最后所有基站都不會(huì)有太大的信號(hào)重復(fù)。3.3.2具體的算法：文的基站分散法有點(diǎn)類似于廣度優(yōu)先探索，設(shè)置了一個(gè)隊(duì)列A，和一個(gè)數(shù)組B。A用來記錄將要被分散的基站，B記錄已經(jīng)被分散的基站。具體的步驟：步驟1：隨機(jī)選取一個(gè)基站，放入隊(duì)列A中。步驟2：從隊(duì)列A中取出一個(gè)基站X步驟2：生成一個(gè)小于等于兩倍半徑的隨機(jī)數(shù)字rand，計(jì)算其他基站Y和步驟一中基站X的距離，一旦距離小于隨機(jī)數(shù)字，而且基站Y不屬于數(shù)組B（未曾被分散過）且不屬于隊(duì)列A（未將被分散），那么將基站Y加入到A中。步驟3：將基站Y進(jìn)行位置移動(dòng)，移動(dòng)公式如下所示。distance=vector=XY這樣的話，堆在一起的基站將會(huì)被分散，相互之間的距離是rand（小于等于2倍半徑）。步驟4：將分散結(jié)束的基站X放入數(shù)組B中，判斷A是否為空，如果為空的話，算法結(jié)束。否則轉(zhuǎn)步驟2.值得一提的是步驟2的隨機(jī)生成一個(gè)小于等于二倍半徑的隨機(jī)數(shù)字。實(shí)驗(yàn)中嘗試過將選擇一個(gè)固定的數(shù)字，比方說2倍半徑，或者1.5倍半徑。但是根據(jù)實(shí)驗(yàn)發(fā)現(xiàn)，結(jié)合獅群算法的情況下，固定的數(shù)字缺乏一定的靈活性。有的時(shí)候在人口密集的區(qū)域，即使?fàn)奚欢ǖ男盘?hào)覆蓋，也要確保人口的全部覆蓋。相反在人口稀疏的地方，基站則應(yīng)該盡可能避免信號(hào)的重復(fù)。本次實(shí)驗(yàn)發(fā)現(xiàn)，配合獅群算法，隨機(jī)數(shù)字的生成可以靈活地探求基站之間的分散距離，提高探索的效率。越界情況的處理：在基站分散的情況下，有的時(shí)候會(huì)將大量的基站撞到邊界之外去。實(shí)驗(yàn)發(fā)現(xiàn)如果將越界的基站隨機(jī)放回到界內(nèi)的話，基站的重復(fù)率會(huì)比較高。本文的處理方法是，如果有基站越界，那么基站將會(huì)從相反的方向重新回到區(qū)域內(nèi)。具體而言的話，是將基站越界時(shí)候的點(diǎn)A，關(guān)于界的中心進(jìn)行對(duì)稱，得到點(diǎn)B。越界的基站在超過邊界的時(shí)候，會(huì)保留原有的運(yùn)動(dòng)方向，從B開始回到界內(nèi)。實(shí)驗(yàn)發(fā)現(xiàn)，這樣可以避免基站堆在一個(gè)角落的情況，可以比較高效地分散基站。關(guān)于算法的補(bǔ)充：如同上文所述，本分散算法類似于廣度優(yōu)先搜索算法，最多的情況下，也不過遍歷所有的基站后便結(jié)束。實(shí)驗(yàn)中也嘗試過讓基站不斷地碰撞，以尋求最優(yōu)的分散結(jié)果。但是那樣一則容易進(jìn)入無限循環(huán)，二則的話效果不佳。因而不予采用。第4章基于獅群算法的基站選址4.1關(guān)于數(shù)據(jù)的基本的說明論文設(shè)置了一個(gè)長(zhǎng)44千米，寬44千米的正方形，設(shè)置基站可覆蓋地區(qū)的半徑為8千米。以下是所采用的參數(shù)的列表表4.1參數(shù)列表長(zhǎng)44km寬44km半徑8km重復(fù)次數(shù)T2000獅群數(shù)量N20維度D（基站數(shù)量）10成年時(shí)所占比例0.2采樣點(diǎn)數(shù)量44*44采樣點(diǎn)距離1km4.2算法的基本流程生成基站初始位置由于維度D（基站數(shù)量）為10，所以將一次性生成10個(gè)基站，隨機(jī)分布在地圖中間。這將作為一種可能的分布。由于獅群數(shù)量N為20，所以意味著將會(huì)有20種可能的分布被生成。執(zhí)行“基站分散”。將高度重復(fù)的基站分開。對(duì)獅群（20種可能的分布）進(jìn)行適應(yīng)值的分析本文根據(jù)人口的覆蓋率來對(duì)獅子（解）來進(jìn)行評(píng)價(jià)。在區(qū)域內(nèi)，每隔1km就設(shè)一個(gè)取樣點(diǎn)。根據(jù)勾股定理，計(jì)算基站和取樣的距離，如果小于半徑，則視該取樣點(diǎn)已經(jīng)被覆蓋。記錄下最優(yōu)解。執(zhí)行獅群算法根據(jù)獅群算法，不斷迭代獅子的位置。同時(shí)每次對(duì)獅子的位置進(jìn)行更新后，都進(jìn)行基站分散，消除對(duì)于重復(fù)的基站這一情況的探索。基站分散后，對(duì)獅群進(jìn)行適應(yīng)值的分析，記錄下最優(yōu)解。判斷是否結(jié)束本文設(shè)定設(shè)定執(zhí)行重復(fù)次數(shù)T為2000，執(zhí)行步驟（3）2000遍后，結(jié)束探索。4.3運(yùn)算的結(jié)果與分析：本文采取運(yùn)行十次后，計(jì)算所得人口覆蓋率的平均值。所采用的地圖如下所示，顏色深處代表人口密度高，顏色淺的地方，則代表人口密度低。論文以上下兩個(gè)藍(lán)色區(qū)域代表繁華區(qū)，中間的藍(lán)色區(qū)域代表城市中的相對(duì)繁華地帶，四邊代表人口稀疏地帶。運(yùn)算后的結(jié)果如下圖所示：圖4.1信號(hào)覆蓋的結(jié)果可以看得出來，獅群算法+基站分散法可以覆蓋住人口密度大的區(qū)域，同時(shí)將基站進(jìn)行比較均勻的分布?；痉稚⒎ㄔ诒苊饣镜母叨戎丿B的基礎(chǔ)上，也允許基站有小規(guī)模的重疊，以保證對(duì)于關(guān)鍵區(qū)域的信號(hào)覆蓋。為了進(jìn)一步探究本算法的性質(zhì)，下表是對(duì)算法中的參數(shù)進(jìn)行改變的結(jié)果。本文將進(jìn)行基站分散的獅群算法和未進(jìn)行基站分散的獅群算法進(jìn)行了對(duì)比。表4.2算法對(duì)比算法迭代次數(shù)T獅群數(shù)量人口覆蓋率獅群算法+基站分散1002091.5%50093.8%100094.3%200094.9%500095.2%1000095.1%1200095.2%10003094.1%6094.7%10094.2%20094.4%1000020095.6%獅群算法1002086.8%50088.6%100088.9%200089.4%500090.6%1000090.8%1200091.4%10003089.7%6090.4%10091.6%20091.7%1000020092.2%可以看得出來隨著迭代次數(shù)的增加，覆蓋率有了不小的提高。這不難理解，畢竟迭代次數(shù)代表著基站分布的不斷嘗試。隨著嘗試次數(shù)的增加，得到好結(jié)果的可能性也就越大。隨著獅群數(shù)量的增加，獅群算法的結(jié)果得到了提升。獅群數(shù)量意味著平行進(jìn)行的探索嘗試的數(shù)量，獅群數(shù)量的增加帶來覆蓋率的提高也不難理解。綜合結(jié)果來看，對(duì)于獅群算法+基站分散而言，重復(fù)次數(shù)為2000，獅群數(shù)量是20的話，可以取得比較優(yōu)秀的結(jié)果。論文分析是基站分散將重復(fù)的基站直接分開，取得了局部的最優(yōu)解。但是單純分散基站并不意味著全局的最優(yōu)，而通過獅群算法對(duì)于全局最優(yōu)解的不斷探索，獅群算法+基站分散能取得一個(gè)比較好的結(jié)果。不過值得一提的是，獅群算法+基站分散并沒有得到獅群數(shù)量增加帶來的恩惠。論文認(rèn)為這是因?yàn)榛痉稚⒎ㄒ呀?jīng)大大降低了需要探索的位置（不需要探索基站高度重疊的狀態(tài)），同時(shí)進(jìn)行的平行探索效果不是很大。對(duì)于獅群算法+基站分散而言，重要的是在原先探索基礎(chǔ)所進(jìn)行的的迭代。同時(shí)在比較雙方的極限狀態(tài)（重復(fù)次數(shù)10000次+獅群數(shù)量200），基站分散+獅群算法的效果仍然比單純的獅群算法要有提高。可以看見，基站分散這一方法不僅加快了基站選址的過程，對(duì)最終的結(jié)果也有所提高。圖4.2獅群算法有無“基站分散”的結(jié)果對(duì)比由上圖表可以看到，獅群算法+基站選址可以縮小需要探索的空間，加快探索的速度，在更短的迭代次數(shù)中得到更好的結(jié)果。進(jìn)行了2000次迭代之后獅群算法+基站分散已經(jīng)接近收斂，可以得到比較優(yōu)秀的解。相反獅群算法在5000次之后結(jié)構(gòu)仍然沒有收斂，還有待提高。4.4針對(duì)其他人口分布的測(cè)試：考慮到現(xiàn)實(shí)生活中，人口分布情況復(fù)雜，本文設(shè)計(jì)了其他可能的人口分布，并對(duì)其進(jìn)行了測(cè)試。由于獅群算法+基站分散在重復(fù)次數(shù)2000，獅群數(shù)量20的時(shí)候，已經(jīng)比較接近收斂的取值。綜合考慮運(yùn)行時(shí)間和結(jié)果的情況下，重復(fù)次數(shù)2000，和獅群數(shù)量20的基礎(chǔ)上，進(jìn)行以下的測(cè)試。(a)(b)(c)(d)(e)(f)使用獅群算法+基站分散進(jìn)行測(cè)試。測(cè)試之后的結(jié)果如下所示。(a)(b)(c)(d)(e)(f)人口分布abcdef人口覆蓋率90.1%94.1%92.2%94.1%93.8%93.5%可以看見，隨著人口分布的不同，基站的分布也隨之發(fā)生變化，但是無論哪種人口分布，基站都重點(diǎn)覆蓋住人口密集的區(qū)域。而在人口稀疏的區(qū)域則相對(duì)均勻的分布，以達(dá)到盡可能大的覆蓋面積。從最終的結(jié)果來看，雖然覆蓋率有高有低，但是整體的分布比較均勻，對(duì)人口都實(shí)現(xiàn)了一個(gè)可以滿足的分布。獅群算法+基站分散的效果還是可以肯定的。4.5單純的基站分散本文還對(duì)沒有獅群算法的基站分散法進(jìn)行了測(cè)試，以進(jìn)一步探究獅群算法的效能。單純的基站分散的想法比較簡(jiǎn)單。將基站隨機(jī)分布在地圖上，然后進(jìn)行“基站分散”分散開高度重疊的基站。將這一步驟重復(fù)執(zhí)行，從中選取最優(yōu)秀的結(jié)果。本次實(shí)驗(yàn)“基站分散”會(huì)將重疊的基站分散至2個(gè)半徑（沒有重疊）。圖4.3單純的基站分散的結(jié)果圖4.3是只用基站分散的結(jié)果圖?？梢钥吹贸鰜恚驮O(shè)定相符，重復(fù)的基站被分散至了2個(gè)半徑?；菊w分布雖然比較均勻，人口密集的地方也進(jìn)行了重點(diǎn)的覆蓋，但是基站和基站的夾角之間的覆蓋效果，不是非常理想。圖4.4獅群算法+基站分散和基站分散的結(jié)果對(duì)比圖4.4是有無獅群算法對(duì)于基站分散的影響?？梢钥吹贸鰜砘痉稚⒖梢匀〉靡欢ǖ男Ч?。雖然每次迭代只是隨機(jī)生成初始位置，然后分散基站，但是隨著隨機(jī)嘗試的增加，效果還是得到提升。不過由于缺乏記憶進(jìn)化功能，在得到一個(gè)優(yōu)秀結(jié)果后，無法在其基礎(chǔ)上進(jìn)一步發(fā)展。而且由于采取了分散固定長(zhǎng)度的做法，無法靈活地覆蓋住基站與基站地邊角位置。最佳效果上是比不過獅群算法+基站分散的聯(lián)合算法。4.6PSO+基站分散：為了進(jìn)一步驗(yàn)證本文所提出的“基站分散”的適用性，本文選取了與獅群算法同為智能算法的粒子群算法（PSO），在其基礎(chǔ)上增加了“基站分散”，并將其與單純的PSO進(jìn)行對(duì)比。本文的PSO的粒子群數(shù)量為60，兩個(gè)學(xué)習(xí)因子均為2，慣性為0.8和0.4。如果發(fā)現(xiàn)重疊的基站，基站分散將重疊的基站分散1.8半徑。經(jīng)過發(fā)現(xiàn)，與獅群算法中采用的隨機(jī)數(shù)字不同，PSO采用分散固定長(zhǎng)度的結(jié)果比較好圖4.5為PSO+基站分散的結(jié)果圖。圖4.5PSO+基站分散的結(jié)果圖4.6PSO+基站分散和PSO的對(duì)比圖圖4.6是基站分散對(duì)于PSO的結(jié)果改善的圖。可以看得出來對(duì)于PSO，“基站分散”也同樣可以加快探索的速度，縮短收束的時(shí)間，取得更加優(yōu)秀的效果。第5章結(jié)論在通信技術(shù)飛速發(fā)展，5G改變?nèi)藗兩畹臅r(shí)代，基站的建設(shè)要求也越來越大。對(duì)于網(wǎng)絡(luò)與運(yùn)營(yíng)商而言，通信基站的建設(shè)將會(huì)涉及大量的金錢投入，如果能夠更為高效地建設(shè)基站，無疑將會(huì)對(duì)網(wǎng)絡(luò)的建設(shè)效果起到巨大的貢獻(xiàn)。在使用獅群算法的時(shí)候，發(fā)現(xiàn)獅群算法在未經(jīng)充分迭代的情況下，非常容易出現(xiàn)基站重疊的問題。為了取得對(duì)人口的充分覆蓋，本文采取了“基站分散法”，改善了獅群算法在探索時(shí)候的盲目探索，顯著縮短了迭代次數(shù)，并且提升了最后的效果。在參考其他文獻(xiàn)的時(shí)候，雖然眾多文獻(xiàn)都對(duì)算法提出了不少優(yōu)秀的改進(jìn)方法，但是這些改進(jìn)大都是從算法的角度上進(jìn)行改善，很少有文獻(xiàn)從實(shí)際問題的性質(zhì)上著手，思考改善方案。本文通過“基站分散法”，從一開始就排除了對(duì)于基站信號(hào)重復(fù)這一可能性的探索，大大提高了探索的效率。之后，本文還可以從以下方面進(jìn)行改進(jìn)：（1）本文并未對(duì)于地形進(jìn)行過多的考慮。未來可以考慮障礙物，或者說基站布置的高度對(duì)基站覆蓋范圍的影響。通識(shí)本文主要考慮的是人口密度的覆蓋，并沒有重視地區(qū)的信號(hào)覆蓋率。未來