1.本发明涉及通信技术领域，尤其是涉及一种网络覆盖优化方法、装置、终端设备及计算机可读存储介质。
背景技术：2.自20世纪90年代第一代移动通信技术诞生至今，移动通信技术在三十多年里历经多次重大变革，极大地改变了人们的生活方式。自4g时代以来，移动数据流量呈现指数型快速增长趋势，全球移动数据流量在2016年至2021年间增长了7倍，同时，便携式手持无线设备也日益普及，因此传输速率更快、信号质量更高的第五代通信技术应运而生。随着虚拟现实、增强现实、车联网、超高清视频、智能家居等多样的新兴业务出现和海量终端设备的大规模联网，移动通信网络业务即将迎来爆发性增长，多样性的业务需求和庞大的终端设备接入量将对移动通信网络的覆盖率提出更高的要求。
3.目前，密集而复杂的基站部署导致网络覆盖优化问题的可调参数数量庞大，为了实现对网络覆盖率进行优化，现有技术通常由测试人员根据经验反复调整与网络覆盖优化问题相关的可调参数，该方法耗时长，且调整所得的参数值不一定是最优参数值，难以有效地实现网络覆盖优化。
技术实现要素：4.本发明提供一种网络覆盖优化方法、装置、设备及存储介质，以解决利用现有技术进行网络覆盖优化时存在耗时长和调整所得的参数值不一定是最优参数值的问题，能够利用改进近邻场优化算法求解获得待优化区域内每个基站所配备的天线的目标配置参数，从而根据该目标配置参数进行网络覆盖优化，无需由测试人员根据经验反复对配置参数进行调整，显著提高了网络覆盖优化的效率以及对配置参数进行调整的精确度。
5.为了解决上述技术问题，本发明实施例第一方面提供一种网络覆盖优化方法，包括如下步骤：
6.根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型；
7.基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，并将所述每个基站所配备的天线的配置参数设置为所述目标配置参数。
8.作为优选方案，所述方法通过如下步骤预先根据所述改进策略对所述近邻场优化算法进行改进，获得所述改进近邻场优化算法：
9.根据映射策略和反向学习策略对所述近邻场优化算法的种群初始化过程进行改进；
10.根据领域搜索机制、三角变异策略和黄金正弦策略，对改进种群初始化过程后的
近邻场优化算法的变异过程进行改进；
11.利用柯西分布函数和高斯函数对改进变异过程后的近邻场优化算法的交叉过程进行改进；
12.根据集成学习策略对改进交叉过程后的近邻场优化算法的算法参数更新过程进行改进，获得所述改进近邻场优化算法。
13.作为优选方案，所述基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，具体包括如下步骤：
14.通过如下公式将所述目标函数中的配置参数映射为所述改进近邻场优化算法的种群个体：
15.x
(α,τ)
＝cosαcosτk+sinαcosτl+sinτ
16.其中，α表示第一配置参数，τ表示第二配置参数，x
(α,τ)
表示当所述第一配置参数为α和所述第二配置参数为τ时的种群个体，k表示所述待优化区域内第k个基站，l表示所述第k个基站上的第l根天线；
17.在将所述目标函数中的配置参数进行种群个体映射后，根据预设的算法参数组合，采用所述集成学习策略对所述算法参数进行更新；
18.在对所述算法参数进行更新后，将预设的搜索空间中的种群个体映射至解空间，生成映射种群，所述映射种群包括若干个映射种群个体；
19.对所述映射种群进行反向学习，生成反向种群，所述反向种群包括若干个反向种群个体；
20.将所述目标函数作为所述改进近邻场优化算法的适应度函数，利用所述适应度函数分别获取每个映射种群个体的适应度和每个反向种群个体的适应度；
21.对所述若干个映射种群个体和所述若干个反向种群个体进行适应度排序，生成排序种群，并将所述排序种群中的最后n个种群个体组成初始种群，n表示预设的种群个体数量；
22.对所述初始种群进行定位操作，生成所述初始种群中每一个种群个体的优质邻居个体和劣质邻居个体；
23.基于所述优质邻居个体和所述劣质邻居个体，对所述初始种群中每一个种群个体进行变异操作，生成n个变异个体；
24.对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作，生成n个交叉个体，并利用所述适应度函数获取所述n个交叉个体的适应度；
25.根据所述初始种群中任一种群个体的适应度和所述任一种群个体所对应的交叉个体的适应度的比较结果，对所述初始种群中任一种群个体和所述任一种群个体所对应的交叉个体进行选择操作，确定n个备选个体，将所述n个备选个体中适应度最低的备选个体作为当前次迭代的目标个体；
26.判断当前次迭代所对应的迭代次数是否达到预设的最大迭代次数；若是，则根据当前次迭代的目标个体，获得所述每个基站所配备的天线的目标配置参数；若否，则将所述n个备选个体组成为下一次迭代的初始种群，并重新进行定位操作、变异操作、交叉操作和选择操作，获得下一次迭代的目标个体，直至当前次迭代所对应的迭代次数达到所述最大
迭代次数。
27.作为优选方案，所述基于所述优质邻居个体和所述劣质邻居个体，对所述初始种群中每一个种群个体进行变异操作，具体包括如下步骤：
28.基于所述优质邻居个体和所述劣质邻居个体，通过如下表达式对所述初始种群中每一个种群个体进行变异操作：
[0029][0030]
其中，vi表示第i个种群个体xi所对应的变异个体，x1、x2和x3分别表示在第i个种群个体xi邻域内随机选择的第一候选个体、第二候选个体和第三候选个体，ω1、ω2和ω3分别为第一预设参数、第二预设参数和第三预设参数，r1为(0，π)内的随机数，r2为(0，2π)内的随机数，a1、a2和a3分别为第一学习率、第二学习率和第三学习率，p为(0，1)内的随机数，c1和c2分别为第一预设黄金分割系数和第二预设黄金分割系数。
[0031]
作为优选方案，所述对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作，具体包括如下步骤：
[0032]
通过如下表达式对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作：
[0033][0034]
其中，ui表示第i个种群个体xi所对应的交叉个体，vi表示第i个种群个体xi所对应的变异个体，rand表示(0，1)内的随机数，d表示算法维度，cauchy(0,1)表示柯西分布函数，gauss(1,1)表示方差和均值均为1的高斯函数。
[0035]
作为优选方案，所述配置参数包括方位角和下倾角；
[0036]
则，所述根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型，具体包括如下步骤：
[0037]
通过如下表达式获取所述待优化区域中预设采样点处的信号干扰加上噪声比值：
[0038][0039]
其中，z(s)表示在采样点s处的信号干扰加上噪声比值，p
k,l
(s)表示第k个基站上的第l条天线发射信号至所述采样点s的功率，σ2表示加性高斯白噪声的方差；
[0040]
根据所述信号干扰加上噪声比值，通过如下表达式获取所述预设采样点的信号覆盖状态：
[0041][0042]
其中，c(s)表示在所述采样点s处的信号覆盖状态，λ表示预设的sinr阈值；
[0043]
根据所述信号覆盖状态，通过如下表达式构建所述网络覆盖优化模型：
[0044][0045]
其中，α表示方位角，τ表示下倾角，nb表示所述待优化区域内的基站总数，n表示所述每个基站所配备的天线总数，n
p
表示所述预设采样点的总数。
[0046]
作为优选方案，所述网络覆盖优化模型的目标函数具体为：
[0047][0048]
其中，α表示方位角，τ表示下倾角，nb表示所述待优化区域内的基站总数，n表示所述每个基站所配备的天线总数；
[0049]
所述目标函数的优化条件为：
[0050]-π《α
kl
《π
[0051]
l《τ
kl
《u
[0052]
k＝1,2,...,nb[0053]
l＝1,2,...,n
[0054]
其中，l表示预设的下倾角下限值，u表示预设的下倾角上限值。
[0055]
本发明实施例第二方面提供一种网络覆盖优化装置，包括：
[0056]
模型构建模块，用于根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型；
[0057]
配置参数优化模块，用于基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，并将所述每个基站所配备的天线的配置参数设置为所述目标配置参数。
[0058]
本发明实施例第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的网络覆盖优化方法。
[0059]
本发明实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一项所述的网络覆盖优化方法。
[0060]
相比于现有技术，本发明实施例的有益效果在于，根据待优化区域内每个基站所配备的天线的配置参数，构建待优化区域的网络覆盖优化模型，然后基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对网络覆盖优化模型的目标函数进行求解，获得每个基站所配备的天线的目标配置参数，并将每个基站所配备的天线的配置参数设置为目标配置参数。能够利用改进近邻场优化算法求解获得待优化区域内每个基站所配备的天线的目标配置参数，从而根据该目标配置参数进行网络覆盖优化，无需由测试人员根据经验反复对配置参数进行调整，显著提高了网络覆盖优化的效率以及对配置参数进行调整的精确度。
附图说明
[0061]
图1是本发明实施例提供的网络覆盖优化方法的流程示意图；
[0062]
图2是本发明实施例提供的网络覆盖优化装置的结构示意图。
具体实施方式
[0063]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
参见图1，本发明实施例第一方面提供一种网络覆盖优化方法，包括如下步骤s1至步骤s2：
[0065]
步骤s1，根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型；
[0066]
步骤s2，基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，并将所述每个基站所配备的天线的配置参数设置为所述目标配置参数。
[0067]
需要说明的是，根据预设的改进策略对近邻场优化算法进行改进的目的是减少近邻场优化算法的算法参数，并提高其局部寻优性能，从而能够提高对网络覆盖优化模型的目标函数进行求解的速度和精度，进而能够提高对网络覆盖率进行优化的效率和有效性。
[0068]
本发明实施例提供的一种网络覆盖优化方法，根据待优化区域内每个基站所配备的天线的配置参数，构建待优化区域的网络覆盖优化模型，然后基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对网络覆盖优化模型的目标函数进行求解，获得每个基站所配备的天线的目标配置参数，并将每个基站所配备的天线的配置参数设置为目标配置参数。能够利用改进近邻场优化算法求解获得待优化区域内每个基站所配备的天线的目标配置参数，从而根据该目标配置参数进行网络覆盖优化，无需由测试人员根据经验反复对配置参数进行调整，显著提高了网络覆盖优化的效率以及对配置参数进行调整的精确度。
[0069]
作为优选方案，所述方法通过如下步骤预先根据所述改进策略对所述近邻场优化算法进行改进，获得所述改进近邻场优化算法：
[0070]
根据映射策略和反向学习策略对所述近邻场优化算法的种群初始化过程进行改进；
[0071]
根据领域搜索机制、三角变异策略和黄金正弦策略，对改进种群初始化过程后的近邻场优化算法的变异过程进行改进；
[0072]
利用柯西分布函数和高斯函数对改进变异过程后的近邻场优化算法的交叉过程进行改进；
[0073]
根据集成学习策略对改进交叉过程后的近邻场优化算法的算法参数更新过程进行改进，获得所述改进近邻场优化算法。
[0074]
需要说明的是，根据映射策略和反向学习策略对近邻场优化算法的种群初始化过程进行改进，具体是先通过映射产生多样性较好的映射种群，然后再进行反向学习产生反向种群，能够有效解决近邻场优化算法多样性较差的问题。
[0075]
为了提高近邻场优化算法在对网络覆盖优化模型的目标函数进行求解时的效率，本发明实施例根据领域搜索机制、三角变异策略和黄金正弦策略，对改进种群初始化过程后的近邻场优化算法的变异过程进行改进。
[0076]
为了避免近邻场优化算法在对网络覆盖优化模型的目标函数进行求解时容易陷入局部最优解的问题，本发明实施例利用柯西分布函数和高斯函数对改进变异过程后的近邻场优化算法的交叉过程进行改进。
[0077]
为了避免近邻场优化算法的算法参数发生取值变化时容易导致算法的搜索步长过大而引起早熟收敛的问题，本发明实施例根据集成学习策略对改进交叉过程后的近邻场优化算法的算法参数更新过程进行改进。
[0078]
作为优选方案，所述基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，具体包括如下步骤：
[0079]
通过如下公式将所述目标函数中的配置参数映射为所述改进近邻场优化算法的种群个体：
[0080]
x
(α,τ)
＝cosαcosτk+sinαcosτl+sinτ
[0081]
其中，α表示第一配置参数，τ表示第二配置参数，x
(α,τ)
表示当所述第一配置参数为α和所述第二配置参数为τ时的种群个体，k表示所述待优化区域内第k个基站，l表示所述第k个基站上的第l根天线；
[0082]
在将所述目标函数中的配置参数进行种群个体映射后，根据预设的算法参数组合，采用所述集成学习策略对所述算法参数进行更新；
[0083]
在对所述算法参数进行更新后，将预设的搜索空间中的种群个体映射至解空间，生成映射种群，所述映射种群包括若干个映射种群个体；
[0084]
对所述映射种群进行反向学习，生成反向种群，所述反向种群包括若干个反向种群个体；
[0085]
将所述目标函数作为所述改进近邻场优化算法的适应度函数，利用所述适应度函数分别获取每个映射种群个体的适应度和每个反向种群个体的适应度；
[0086]
对所述若干个映射种群个体和所述若干个反向种群个体进行适应度排序，生成排序种群，并将所述排序种群中的最后n个种群个体组成初始种群，n表示预设的种群个体数量；
[0087]
对所述初始种群进行定位操作，生成所述初始种群中每一个种群个体的优质邻居个体和劣质邻居个体；
[0088]
基于所述优质邻居个体和所述劣质邻居个体，对所述初始种群中每一个种群个体进行变异操作，生成n个变异个体；
[0089]
对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作，生成n个交叉个体，并利用所述适应度函数获取所述n个交叉个体的适应度；
[0090]
根据所述初始种群中任一种群个体的适应度和所述任一种群个体所对应的交叉个体的适应度的比较结果，对所述初始种群中任一种群个体和所述任一种群个体所对应的交叉个体进行选择操作，确定n个备选个体，将所述n个备选个体中适应度最低的备选个体作为当前次迭代的目标个体；
[0091]
判断当前次迭代所对应的迭代次数是否达到预设的最大迭代次数；若是，则根据当前次迭代的目标个体，获得所述每个基站所配备的天线的目标配置参数；若否，则将所述n个备选个体组成为下一次迭代的初始种群，并重新进行定位操作、变异操作、交叉操作和选择操作，获得下一次迭代的目标个体，直至当前次迭代所对应的迭代次数达到所述最大迭代次数。
[0092]
具体地，由于改进近邻场优化算法的处理对象为种群个体，因此本发明实施例通过如下表达式(1)将目标函数中的配置参数(即目标函数的解)映射为所述改进近邻场优化算法的种群个体。
[0093]
x
(α,τ)
＝cosαcosτk+sinαcosτl+sinτ(1)
[0094]
其中，α表示第一配置参数，τ表示第二配置参数，x
(α,τ)
表示当所述第一配置参数为α和所述第二配置参数为τ时的种群个体，k表示所述待优化区域内第k个基站，l表示所述第k个基站上的第l根天线。
[0095]
进一步地，本发明实施例在将目标函数中的配置参数进行种群个体映射后，根据预设的算法参数组合，采用集成学习策略对算法参数进行更新。
[0096]
作为其中一种可选的实施例，本发明实施例预先设置了三个算法参数组合，具体如下表1所示：
[0097]
表1算法参数组合
[0098]
组合学习率突变概率p10.70.1p21.50.2p31.70.7
[0099]
通过如下表达式(2)采用集成学习策略对算法参数进行更新。
[0100][0101]
其中，h≠g。表达式(2)的含义为：设改进近邻场优化算法的算法参数为算法参数组合中的任意一组pg，若第t+1次迭代时的种群个体适应度小于第t次迭代时的种群个体适应度，则算法参数保持不变，否则，将当前的算法参数pg替换为另一组算法参数ph。
[0102]
进一步地，本发明实施例在对算法参数进行更新后，将预设的搜索空间中的种群个体映射至解空间，生成映射种群，所述映射种群包括若干个映射种群个体。
[0103]
通过如下表达式(3)将预设的搜索空间中的种群个体映射至解空间。
[0104][0105]
其中，xn表示取值为(-1，1)的序列，n表示预设的种群个体数量。将序列映射至解空间中，能够得到映射种群x＝{xi,i＝1,2,...,n}，xj＝{x
i,j
,j＝1,2,...,d}，d表示算法维度，映射种群个体表示为
[0106]
进一步地，本发明实施例对映射种群进行反向学习，生成反向种群，所述反向种群包括若干个反向种群个体。
[0107]
映射种群的反向种群为x
′
＝{xi′
,i＝1,2,...,n}，xj′
＝{x
i,j
′
,j＝1,2,...,d}，反向种群个体表示为x
i,j
′
＝x
minj
+x
maxj-x
i,j
，[x
minj
，x
maxj
]为搜索空间的动态边界。
[0108]
进一步地，本发明实施例将目标函数作为改进近邻场优化算法的适应度函数，利用适应度函数分别获取每个映射种群个体的适应度和每个反向种群个体的适应度。
[0109]
对若干个映射种群个体和若干个反向种群个体进行适应度排序，生成排序种群，并将排序种群中的最后n个种群个体组成初始种群，n表示预设的种群个体数量。可以理解的是，将排序种群中的最后n个种群个体组成初始种群，即将后n个适应度较低的种群个体组成初始种群。
[0110]
进一步地，本发明实施例对初始种群进行定位操作，生成初始种群中每一个种群个体的优质邻居个体和劣质邻居个体。
[0111]
通过如下表达式(4)生成初始种群中每一个种群个体的优质邻居个体和劣质邻居个体。
[0112][0113]
其中，xci表示第i个种群个体xi的优质邻居个体，xwi表示第i个种群个体xi的劣质邻居个体，xe表示满足适应度函数关系f(xe)《f(xi)或f(xe)》f(xi)的个体集合，||x
e-xi||表示两个个体的欧式距离。
[0114]
进一步地，本发明实施例基于优质邻居个体和劣质邻居个体，对初始种群中每一个种群个体进行变异操作，生成n个变异个体，然后对n个变异个体和初始种群每一个种群个体进行交叉操作，生成n个交叉个体，并利用适应度函数获取n个交叉个体的适应度；
[0115]
进一步地，根据初始种群中任一种群个体的适应度和任一种群个体所对应的交叉个体的适应度的比较结果，对初始种群中任一种群个体和所述任一种群个体所对应的交叉个体进行选择操作，确定n个备选个体，将n个备选个体中适应度最低的备选个体作为当前次迭代的目标个体。
[0116]
通过如下表达式(5)对初始种群中任一种群个体和任一种群个体所对应的交叉个体进行选择操作。
[0117][0118]
其中，表示第t+1次迭代时的第i个种群个体，表示第t次迭代时的第i个种群个体所对应的交叉个体，表示第t次迭代时的第i个种群个体，表示的适应度，表示的适应度。
[0119]
最后，判断当前次迭代所对应的迭代次数是否达到预设的最大迭代次数；若是，则根据当前次迭代的目标个体，获得每个基站所配备的天线的目标配置参数；若否，则将n个备选个体组成为下一次迭代的初始种群，并重新进行定位操作，生成初始种群中每一个种
群个体的优质邻居个体和劣质邻居个体，然后对初始种群中每一个种群个体进行变异操作，生成n个变异个体，接着对n个变异个体和初始种群每一个种群个体进行交叉操作，生成n个交叉个体，并利用适应度函数获取n个交叉个体的适应度，根据初始种群中任一种群个体的适应度和任一种群个体所对应的交叉个体的适应度的比较结果，对初始种群中任一种群个体和任一种群个体所对应的交叉个体进行选择操作，确定n个备选个体，将n个备选个体中适应度最低的备选个体作为目标个体，直至当前次迭代所对应的迭代次数达到最大迭代次数。
[0120]
作为优选方案，所述基于所述优质邻居个体和所述劣质邻居个体，对所述初始种群中每一个种群个体进行变异操作，具体包括如下步骤：
[0121]
基于所述优质邻居个体和所述劣质邻居个体，通过如下表达式对所述初始种群中每一个种群个体进行变异操作：
[0122][0123]
其中，vi表示第i个种群个体xi所对应的变异个体，x1、x2和x3分别表示在第i个种群个体xi邻域内随机选择的第一候选个体、第二候选个体和第三候选个体，ω1、ω2和ω3分别为第一预设参数、第二预设参数和第三预设参数，r1为(0，π)内的随机数，r2为(0，2π)内的随机数，a1、a2和a3分别为第一学习率、第二学习率和第三学习率，p为(0，1)内的随机数，c1和c2分别为第一预设黄金分割系数和第二预设黄金分割系数。
[0124]
作为优选方案，所述对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作，具体包括如下步骤：
[0125]
通过如下表达式对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作：
[0126][0127]
其中，ui表示第i个种群个体xi所对应的交叉个体，vi表示第i个种群个体xi所对应的变异个体，rand表示(0，1)内的随机数，d表示算法维度，cauchy(0,1)表示柯西分布函数，gauss(1,1)表示方差和均值均为1的高斯函数。
[0128]
作为优选方案，所述配置参数包括方位角和下倾角；
[0129]
则，所述根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型，具体包括如下步骤：
[0130]
通过如下表达式获取所述待优化区域中预设采样点处的信号干扰加上噪声比值：
[0131][0132]
其中，z(s)表示在采样点s处的信号干扰加上噪声比值，p
k,l
(s)表示第k个基站上的第l条天线发射信号至所述采样点s的功率，σ2表示加性高斯白噪声的方差；
[0133]
根据所述信号干扰加上噪声比值，通过如下表达式获取所述预设采样点的信号覆
盖状态：
[0134][0135]
其中，c(s)表示在所述采样点s处的信号覆盖状态，λ表示预设的sinr阈值；
[0136]
根据所述信号覆盖状态，通过如下表达式构建所述网络覆盖优化模型：
[0137][0138]
其中，α表示方位角，τ表示下倾角，nb表示所述待优化区域内的基站总数，n表示所述每个基站所配备的天线总数，n
p
表示所述预设采样点的总数。
[0139]
需要说明的是，在待优化区域内，设基站集合为{1,2,
…
,nb}，其中第k个基站表示为bk，设每个基站都配有n根天线，a
kl
表示bk上的第l根天线。所有天线的方位角参数和下倾角参数构成的序列表示为待优化区域中预设采样点的集合表示为γ＝{1,2,
…
,n
p
}。因此，待优化区域中预设采样点处的信号干扰加上噪声比值如下式(6)所示：
[0140][0141]
其中，p
kl
(s)通过下式(7)计算获得。
[0142][0143]
其中，p
tx
表示天线的发射功率，g
kl,s
为a
kl
到采样点s的天线增益，gr为接收端的天线增益，t
kl,s
为a
kl
到采样点s的路径损耗，o
sf
为阴影衰落余量。
[0144]
进一步地，在任一预设采样点处的覆盖状态由sinr值决定，因此本发明实施例根据信号干扰加上噪声比值，通过如下表达式(8)获取预设采样点的信号覆盖状态：
[0145][0146]
其中，c(s)表示在所述采样点s处的信号覆盖状态，λ表示预设的sinr阈值，即当采样点s处的sinr值大于给定阈值时，该位置才会被移动通信网络所覆盖。
[0147]
最后，对待优化区域的覆盖率应表示为信号质量超过给定的sinr阈值的面积与总面积的比值，因此通过如下表达式(9)构建网络覆盖优化模型：
[0148][0149]
作为优选方案，所述网络覆盖优化模型的目标函数具体为：
[0150]
[0151]
其中，α表示方位角，τ表示下倾角，nb表示所述待优化区域内的基站总数，n表示所述每个基站所配备的天线总数；
[0152]
所述目标函数的优化条件为：
[0153]-π《α
kl
《π
[0154]
l《τ
kl
《u
[0155]
k＝1,2,...,nb[0156]
l＝1,2,...,n
[0157]
其中，l表示预设的下倾角下限值，u表示预设的下倾角上限值。
[0158]
参见图2，本发明实施例第二方面提供一种网络覆盖优化装置，包括：
[0159]
模型构建模块201，用于根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型；
[0160]
配置参数优化模块202，用于基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，并将所述每个基站所配备的天线的配置参数设置为所述目标配置参数。
[0161]
作为优选方案，所述装置还包括算法改进模块，用于根据所述改进策略对所述近邻场优化算法进行改进，获得所述改进近邻场优化算法，具体包括：
[0162]
根据映射策略和反向学习策略对所述近邻场优化算法的种群初始化过程进行改进；
[0163]
根据领域搜索机制、三角变异策略和黄金正弦策略，对改进种群初始化过程后的近邻场优化算法的变异过程进行改进；
[0164]
利用柯西分布函数和高斯函数对改进变异过程后的近邻场优化算法的交叉过程进行改进；
[0165]
根据集成学习策略对改进交叉过程后的近邻场优化算法的算法参数更新过程进行改进，获得所述改进近邻场优化算法。
[0166]
作为优选方案，所述配置参数优化模块202用于基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，具体包括：
[0167]
通过如下公式将所述目标函数中的配置参数映射为所述改进近邻场优化算法的种群个体：
[0168]
x
(α,τ)
＝cosαcosτk+sinαcosτl+sinτ
[0169]
其中，α表示第一配置参数，τ表示第二配置参数，x
(α,τ)
表示当所述第一配置参数为α和所述第二配置参数为τ时的种群个体，k表示所述待优化区域内第k个基站，l表示所述第k个基站上的第l根天线；
[0170]
在将所述目标函数中的配置参数进行种群个体映射后，根据预设的算法参数组合，采用所述集成学习策略对所述算法参数进行更新；
[0171]
在对所述算法参数进行更新后，将预设的搜索空间中的种群个体映射至解空间，生成映射种群，所述映射种群包括若干个映射种群个体；
[0172]
对所述映射种群进行反向学习，生成反向种群，所述反向种群包括若干个反向种
群个体；
[0173]
将所述目标函数作为所述改进近邻场优化算法的适应度函数，利用所述适应度函数分别获取每个映射种群个体的适应度和每个反向种群个体的适应度；
[0174]
对所述若干个映射种群个体和所述若干个反向种群个体进行适应度排序，生成排序种群，并将所述排序种群中的最后n个种群个体组成初始种群，n表示预设的种群个体数量；
[0175]
对所述初始种群进行定位操作，生成所述初始种群中每一个种群个体的优质邻居个体和劣质邻居个体；
[0176]
基于所述优质邻居个体和所述劣质邻居个体，对所述初始种群中每一个种群个体进行变异操作，生成n个变异个体；
[0177]
对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作，生成n个交叉个体，并利用所述适应度函数获取所述n个交叉个体的适应度；
[0178]
根据所述初始种群中任一种群个体的适应度和所述任一种群个体所对应的交叉个体的适应度的比较结果，对所述初始种群中任一种群个体和所述任一种群个体所对应的交叉个体进行选择操作，确定n个备选个体，将所述n个备选个体中适应度最低的备选个体作为当前次迭代的目标个体；
[0179]
判断当前次迭代所对应的迭代次数是否达到预设的最大迭代次数；若是，则根据当前次迭代的目标个体，获得所述每个基站所配备的天线的目标配置参数；若否，则将所述n个备选个体组成为下一次迭代的初始种群，并重新进行定位操作、变异操作、交叉操作和选择操作，获得下一次迭代的目标个体，直至当前次迭代所对应的迭代次数达到所述最大迭代次数。
[0180]
作为优选方案，所述配置参数优化模块202用于基于所述优质邻居个体和所述劣质邻居个体，对所述初始种群中每一个种群个体进行变异操作，具体包括：
[0181]
基于所述优质邻居个体和所述劣质邻居个体，通过如下表达式对所述初始种群中每一个种群个体进行变异操作：
[0182][0183]
其中，vi表示第i个种群个体xi所对应的变异个体，x1、x2和x3分别表示在第i个种群个体xi邻域内随机选择的第一候选个体、第二候选个体和第三候选个体，ω1、ω2和ω3分别为第一预设参数、第二预设参数和第三预设参数，r1为(0，π)内的随机数，r2为(0，2π)内的随机数，a1、a2和a3分别为第一学习率、第二学习率和第三学习率，p为(0，1)内的随机数，c1和c2分别为第一预设黄金分割系数和第二预设黄金分割系数。
[0184]
作为优选方案，所述配置参数优化模块202用于对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作，具体包括如下步骤：
[0185]
通过如下表达式对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作：
[0186]
[0187]
其中，ui表示第i个种群个体xi所对应的交叉个体，vi表示第i个种群个体xi所对应的变异个体，rand表示(0，1)内的随机数，d表示算法维度，cauchy(0,1)表示柯西分布函数，gauss(1,1)表示方差和均值均为1的高斯函数。
[0188]
作为优选方案，所述配置参数包括方位角和下倾角；
[0189]
则，所述模型构建模块201用于根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型，具体包括：
[0190]
通过如下表达式获取所述待优化区域中预设采样点处的信号干扰加上噪声比值：
[0191][0192]
其中，z(s)表示在采样点s处的信号干扰加上噪声比值，p
k,l
(s)表示第k个基站上的第l条天线发射信号至所述采样点s的功率，σ2表示加性高斯白噪声的方差；
[0193]
根据所述信号干扰加上噪声比值，通过如下表达式获取所述预设采样点的信号覆盖状态：
[0194][0195]
其中，c(s)表示在所述采样点s处的信号覆盖状态，λ表示预设的sinr阈值；
[0196]
根据所述信号覆盖状态，通过如下表达式构建所述网络覆盖优化模型：
[0197][0198]
其中，α表示方位角，τ表示下倾角，nb表示所述待优化区域内的基站总数，n表示所述每个基站所配备的天线总数，n
p
表示所述预设采样点的总数。
[0199]
作为优选方案，所述网络覆盖优化模型的目标函数具体为：
[0200][0201]
其中，α表示方位角，τ表示下倾角，nb表示所述待优化区域内的基站总数，n表示所述每个基站所配备的天线总数；
[0202]
所述目标函数的优化条件为：
[0203]-π《α
kl
《π
[0204]
l《τ
kl
《u
[0205]
k＝1,2,...,nb[0206]
l＝1,2,...,n
[0207]
其中，l表示预设的下倾角下限值，u表示预设的下倾角上限值。
[0208]
需要说明的是，本发明实施例所提供的一种网络覆盖优化装置，能够实现上述任一实施例所述的网络覆盖优化方法的所有流程，装置中的各个模块的作用以及实现的技术效果分别与上述实施例所述的网络覆盖优化方法的作用以及实现的技术效果对应相同，这里不再赘述。
[0209]
本发明实施例第三方面提供一种终端设备，包括存储器、处理器以及存储在所述
存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一实施例所述的网络覆盖优化方法。
[0210]
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0211]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-prog rammable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
[0212]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0213]
本发明实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一实施例所述的网络覆盖优化方法。
[0214]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/r am、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0215]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
技术特征：1.一种网络覆盖优化方法，其特征在于，包括如下步骤：根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型；基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，并将所述每个基站所配备的天线的配置参数设置为所述目标配置参数。2.如权利要求1所述的网络覆盖优化方法，其特征在于，所述方法通过如下步骤预先根据所述改进策略对所述近邻场优化算法进行改进，获得所述改进近邻场优化算法：根据映射策略和反向学习策略对所述近邻场优化算法的种群初始化过程进行改进；根据领域搜索机制、三角变异策略和黄金正弦策略，对改进种群初始化过程后的近邻场优化算法的变异过程进行改进；利用柯西分布函数和高斯函数对改进变异过程后的近邻场优化算法的交叉过程进行改进；根据集成学习策略对改进交叉过程后的近邻场优化算法的算法参数更新过程进行改进，获得所述改进近邻场优化算法。3.如权利要求2所述的网络覆盖优化方法，其特征在于，所述基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，具体包括如下步骤：通过如下公式将所述目标函数中的配置参数映射为所述改进近邻场优化算法的种群个体：x
(α,τ)
＝cosαcosτk+sinαcosτl+sinτ其中，α表示第一配置参数，τ表示第二配置参数，x
(α,τ)
表示当所述第一配置参数为α和所述第二配置参数为τ时的种群个体，k表示所述待优化区域内第k个基站，l表示所述第k个基站上的第l根天线；在将所述目标函数中的配置参数进行种群个体映射后，根据预设的算法参数组合，采用所述集成学习策略对所述算法参数进行更新；在对所述算法参数进行更新后，将预设的搜索空间中的种群个体映射至解空间，生成映射种群，所述映射种群包括若干个映射种群个体；对所述映射种群进行反向学习，生成反向种群，所述反向种群包括若干个反向种群个体；将所述目标函数作为所述改进近邻场优化算法的适应度函数，利用所述适应度函数分别获取每个映射种群个体的适应度和每个反向种群个体的适应度；对所述若干个映射种群个体和所述若干个反向种群个体进行适应度排序，生成排序种群，并将所述排序种群中的最后n个种群个体组成初始种群，n表示预设的种群个体数量；对所述初始种群进行定位操作，生成所述初始种群中每一个种群个体的优质邻居个体和劣质邻居个体；基于所述优质邻居个体和所述劣质邻居个体，对所述初始种群中每一个种群个体进行变异操作，生成n个变异个体；
对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作，生成n个交叉个体，并利用所述适应度函数获取所述n个交叉个体的适应度；根据所述初始种群中任一种群个体的适应度和所述任一种群个体所对应的交叉个体的适应度的比较结果，对所述初始种群中任一种群个体和所述任一种群个体所对应的交叉个体进行选择操作，确定n个备选个体，将所述n个备选个体中适应度最低的备选个体作为当前次迭代的目标个体；判断当前次迭代所对应的迭代次数是否达到预设的最大迭代次数；若是，则根据当前次迭代的目标个体，获得所述每个基站所配备的天线的目标配置参数；若否，则将所述n个备选个体组成为下一次迭代的初始种群，并重新进行定位操作、变异操作、交叉操作和选择操作，获得下一次迭代的目标个体，直至当前次迭代所对应的迭代次数达到所述最大迭代次数。4.如权利要求3所述的网络覆盖优化方法，其特征在于，所述基于所述优质邻居个体和所述劣质邻居个体，对所述初始种群中每一个种群个体进行变异操作，具体包括如下步骤：基于所述优质邻居个体和所述劣质邻居个体，通过如下表达式对所述初始种群中每一个种群个体进行变异操作：其中，v
i
表示第i个种群个体x
i
所对应的变异个体，x1、x2和x3分别表示在第i个种群个体x
i
邻域内随机选择的第一候选个体、第二候选个体和第三候选个体，ω1、ω2和ω3分别为第一预设参数、第二预设参数和第三预设参数，r1为(0，π)内的随机数，r2为(0，2π)内的随机数，a1、a2和a3分别为第一学习率、第二学习率和第三学习率，p为(0，1)内的随机数，c1和c2分别为第一预设黄金分割系数和第二预设黄金分割系数。5.如权利要求4所述的网络覆盖优化方法，其特征在于，所述对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作，具体包括如下步骤：通过如下表达式对所述n个变异个体和所述初始种群每一个种群个体进行交叉操作：其中，u
i
表示第i个种群个体x
i
所对应的交叉个体，v
i
表示第i个种群个体x
i
所对应的变异个体，rand表示(0，1)内的随机数，d表示算法维度，cauchy(0,1)表示柯西分布函数，gauss(1,1)表示方差和均值均为1的高斯函数。6.如权利要求5所述的网络覆盖优化方法，其特征在于，所述配置参数包括方位角和下倾角；则，所述根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型，具体包括如下步骤：通过如下表达式获取所述待优化区域中预设采样点处的信号干扰加上噪声比值：
其中，z(s)表示在采样点s处的信号干扰加上噪声比值，p
k,l
(s)表示第k个基站上的第l条天线发射信号至所述采样点s的功率，σ2表示加性高斯白噪声的方差；根据所述信号干扰加上噪声比值，通过如下表达式获取所述预设采样点的信号覆盖状态：其中，c(s)表示在所述采样点s处的信号覆盖状态，λ表示预设的sinr阈值；根据所述信号覆盖状态，通过如下表达式构建所述网络覆盖优化模型：其中，α表示方位角，τ表示下倾角，n
b
表示所述待优化区域内的基站总数，n表示所述每个基站所配备的天线总数，n
p
表示所述预设采样点的总数。7.如权利要求6所述的网络覆盖优化方法，其特征在于，所述网络覆盖优化模型的目标函数具体为：其中，α表示方位角，τ表示下倾角，n
b
表示所述待优化区域内的基站总数，n表示所述每个基站所配备的天线总数；所述目标函数的优化条件为：-π<α
kl
<πl<τ
kl
<uk＝1,2,...,n
b
l＝1,2,...,n其中，l表示预设的下倾角下限值，u表示预设的下倾角上限值。8.一种网络覆盖优化装置，其特征在于，包括：模型构建模块，用于根据待优化区域内每个基站所配备的天线的配置参数，构建所述待优化区域的网络覆盖优化模型；配置参数优化模块，用于基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对所述网络覆盖优化模型的目标函数进行求解，获得所述每个基站所配备的天线的目标配置参数，并将所述每个基站所配备的天线的配置参数设置为所述目标配置参数。9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的网络覆盖优化方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算
机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7任一项所述的网络覆盖优化方法。
技术总结本发明公开一种网络覆盖优化方法、装置、设备及存储介质，该方法包括：根据待优化区域内每个基站所配备的天线的配置参数，构建待优化区域的网络覆盖优化模型；基于预先根据预设的改进策略对近邻场优化算法进行改进所获得的改进近邻场优化算法，对网络覆盖优化模型的目标函数进行求解，获得每个基站所配备的天线的目标配置参数，并将每个基站所配备的天线的配置参数设置为目标配置参数。本发明能够利用改进近邻场优化算法求解获得待优化区域内每个基站所配备的天线的目标配置参数，从而根据该目标配置参数进行网络覆盖优化，无需由测试人员根据经验反复对配置参数进行调整，显著提高了网络覆盖优化的效率以及对配置参数进行调整的精确度。调整的精确度。调整的精确度。
技术研发人员：林凡 郭淑林 林志远
受保护的技术使用者：广州杰赛科技股份有限公司
技术研发日：2022.04.29
技术公布日：2022/7/4
