[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

说明书

本发明涉及密集宏微协同组网容量与覆盖联合优化方法、设备及基站，方法包括以下步骤：将Agent设置在微基站中，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Agent的输入值进行FQLC的优化学习处理，重复此步骤，不断对微基站网络状态进行优化，并更新Q学习模块的Q值表。该方法利用模糊逻辑Q学习理论，综合考虑网络平均业务性能、边缘业务性能和各个Agent之间的相互影响，通过与环境的不断交互以多Agent合作的联合奖赏方式来自适应调整微基站发射功率，达到容量与覆盖自优化的目的。

技术领域

本发明涉及一种密集宏微协同组网容量与覆盖联合优化方法、设备及基站，属于移动与无线通信技术领域。

背景技术

电力无线专网密集宏微协同组网网络的部署是在宏蜂窝保证基本覆盖的基础上，针对网络热点地区进行网络扩容的微基站部署或者网络覆盖盲区进行网络补盲的一种密集网络架构。这种网络部署中宏基站的部署一般是经过精确网络规划和站址选择的，而微基站的部署一般具有随机性和灵活性。由于这种网络拓扑结构灵活多变，无线网络环境具有不确定性，使用统一的网络初始参数会在随机部署的微蜂窝之间形成不良覆盖和干扰，这就需要网络具备自组织功能，在网络规划时和网络运行过程中动态的智能的调节网络参数以在保证网络基本覆盖的基础上为业务提供可靠的有效的数据传输，提高系统吞吐量，进行容量与覆盖的自优化。

发明内容

为了克服上述问题，本发明提供一种密集宏微协同组网容量与覆盖联合优化方法、设备及基站，该方法利用模糊逻辑Q学习理论，综合考虑网络平均业务性能、边缘业务性能和各个Agent之间的相互影响，通过与环境的不断交互以多Agent合作的联合奖赏方式来自适应调整微基站发射功率，达到容量与覆盖自优化的目的。

本发明的技术方案如下：

第一方面

密集宏微协同组网容量与覆盖联合优化方法，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。

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。

进一步的，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。

进一步的，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。