[发明专利]密集宏微协同组网容量与覆盖联合优化方法、设备及基站

权利要求书

1.密集宏微协同组网容量与覆盖联合优化方法，其特征在于，包括以下步骤：

将智能控制体Agent设置在微基站中，所述智能控制体Agent获取实时的网络状态的变化；

将功率参数和期望优化的目标作为所述智能控制体Agent的输入值进行FQLC的优化学习处理，具体为：

S1、所述智能控制体Agent将输入参数根据约定的隶属度函数进行模糊化处理后，激活相应的模糊规则；

S2、利用Q学习控制模块中的Q值函数表，对每条模糊规则进行动作的选择，完成模糊推理的过程；

S3、根据约定的去模糊化方法输出调整动作值，将所述调整动作值作用于所述微基站，进行功率调整；

S4、比较功率调整前后的网络状态得到网络衡量指标，将所述网络衡量指标作为奖惩汇报值，用于所述Q学习模块的Q值表的更新；

S5、重复步骤S1。

2.根据权利要求1所述密集宏微协同组网容量与覆盖联合优化方法，其特征在于，所述网络状态通过向量s衡量：

s＝[Power SE_centerSE_edge]；

其中，Power为微基站功率，SE_center为网络平均频谱效率，SE_edge为边缘频谱效率。

3.根据权利要求2所述密集宏微协同组网容量与覆盖联合优化方法，其特征在于，所述步骤S2中利用Q学习控制模块中的Q值函数表，对每条规则进行动作的选择时，选择具有最大Q值的动作。

4.根据权利要求2所述密集宏微协同组网容量与覆盖联合优化方法，其特征在于，所述步骤S2中利用Q学习控制模块中的Q值函数表，对每条规则进行动作的选择时，以概率P选择可选的动作，以概率1-P进行已有知识的利用与学习，来选择具有最大Q值的动作；同时，当功率低于最低功率门限时，选择增加功率的动作，功率高于最高功率阈值时，选择降低功率的动作。

5.根据权利要求4所述密集宏微协同组网容量与覆盖联合优化方法，其特征在于，所述网络衡量指标SQ如下：

SQ＝SE_center+ωSE_edqe；

其中，ω为边缘频谱效率相比于平均频谱效率在网络状态质量中的权重因子。

6.根据权利要求5所述密集宏微协同组网容量与覆盖联合优化方法，其特征在于，权重因子ω的值为2。

7.根据权利要求4所述密集宏微协同组网容量与覆盖联合优化方法，其特征在于，所述网络衡量指标SQ_avg如下：

其中，N为每个微基站的相邻基站数量，SQ_i为第i个相邻基站的网络衡量指标，SQ_i如下：

SQ_i＝SE_center，i+ωSE_edge，i；

其中，ω为边缘频谱效率相比于平均频谱效率在网络状态质量中的权重因子，SE_center，i为第i个相邻基站的网络平均频谱效率，SE_edge，i为第i个相邻基站的边缘频谱效率。

8.根据权利要求4所述密集宏微协同组网容量与覆盖联合优化方法，其特征在于，所述利用Q学习控制模块中的Q值函数表，对每条规则进行动作的选择，完成模糊推理的过程，具体为：

获取每条模糊规则的真实度a_i(s)：

其中，为向量s的第j个变量对应到模糊规则i上时模糊标识变量的隶属度函数取值，s^j为输入向量的第j个变量，N’为输入向量的变量数量；

将加权和a作为模糊调整动作值，公式如下：

其中，a_i为模糊规则i在Q学习控制模块下进行的动作选择，N”为模糊规则数量。