基于遗传算法的LTE系统网络覆盖优化方法
谷欣杏 韦再雪 李高斯 桑林
【摘 要】随着LTE全面商用的深入，部分区域网络覆盖质量问题随之凸显。提出一种基于遗传算法的LTE系统网络覆盖优化方法，该方法来源于遗传算法，并根据LTE系统实际天线情况对遗传算法进行改进。首先根据现网扫频数据和天线参数计算网络覆盖质量，其次调整天线参数，再次估计调整后的网络覆盖质量，之后比较覆盖质量，如此循环迭代直至产生多个更优方案，最后从更优方案中筛选出最佳优化方案。该方法可依据现网情况灵活设置优化模式以及参数调整优先级，从而快速、准确地得到不同种模式下基站天线参数优化方案，并且在算法实现过程中对其进一步优化，大大提高了寻优效率。
【关键词】天线参数；遗传算法；LTE系统；覆盖优化
Network Coverage Optimization Method Based on
Genetic Algorithm for LTE System
GU Xinxing， WEI Zaixue， LI Gaosi， SANG Lin
[Abstract] With the development of commercial LTE system， the part of network coverage quality is highlighted. A network coverage optimization method for LTE system based on genetic algorithm was proposed in the paper. The genetic algorithm was improved in the proposed method according to the actual antennas of LTE system. Firstly， the network coverage quality was estimated according to the sweep data in current network and antenna parameters. Secondly， the antenna parameters were adjusted， the adjusted network coverage quality was re-estimated， and the two estimated quality were compared. Then， the best optimization scheme from all the variation schemes was selected； the above steps were repeated until an optimization was generated. According to the proposed method， can the optimization mode and the parameter adjustment priority were flexibly set according to the current situation， the optimization scheme of the base station antenna parameters in different modes were obtained quickly and accurately， and the algorithm was further optimized in the process of algorithm implementation so as to greatly improve the optimization efficiency.
[Key words]antenna parameter； genetic algorithm； LTE system； coverage optimization
1 引言
自從LTE被3GPP组织制定为全球通用标准以来，LTE网络得到了快速的发展。截止到目前，LTE网络已经覆盖了国内外广大区域，成为移动通信网领域中至关重要的一部分。但是，随着LTE全面商用的深入，基站天线增多、基站周围环境变化以及前期规划布局不合理等原因，导致实际网络中存在覆盖质量较差的区域。对于这些网络覆盖质量较差的区域，传统上主要依据工程师的经验来调整基站天线参数来对其进行改善，但此种方案效率低、准确度差，难以满足现网基站天线优化的要求。因此，需要一种能够提供准确高效的寻找到天线参数优化的方案，实现最优网络结构的LTE天线参数优化方法。
目前，关于LTE天线参数优化的研究主要专注于天线某一参数，缺乏整体性。如史君黛等人提出了一种基于权值的TD-LTE天线覆盖优化方法，即应用权值偏移波瓣角度技术变相调整天线的方位角，优化LTE网络覆盖[1]；金勇等人针对LTE高站中产生的覆盖问题，提出了一种调整天线倾角的优化方案[2]；潘如君、夏永康等人通过调整天线倾角优化网络覆盖[3-4]；田野等人考虑LTE网络全局约束条件，介绍了一种LTE天线参数的规划与优化软件使用方法[5]。
本文提出一种基于遗传算法的LTE系统网络覆盖优化方法，该方法继承了遗传算法中的变异、选择过程，根据LTE网络优化目标计算区域网络覆盖质量，再依据实际天线参数调整限制条件。通过变异过程调整区域部分小区天线参数，之后由现网扫频数据、天线参数和天线增益图进行网络质量评估，进而筛选优化方案，如此反复循环计算，最后从众多优化方案中筛选出最佳优化方案。该方法能够快速计算出信号覆盖质量，准确高效地寻找天线参数优化方案，优化网络覆盖率、重叠覆盖率以及SINR，实现最优网络结构，从而解决了传统人工优化方式中效率低、准确度差的问题。同时，在方法实施过程中，对其做了进一步优化大大提高了计算效率和优化效果。
2 网络覆盖质量指标
LTE系统中网络覆盖质量[6]主要有3个指标：信号覆盖率、重叠覆盖率、信号干扰噪声比（SINR）。综合考虑计算复杂度和扫频数据频率类型等因素，本文利用现网扫频数据针对不同模式设计了覆盖率、重叠覆盖率、SINR以及综合覆盖质量这4个网络覆盖质量指标。其中，模式区分依据频率类型（D/F频段、DF混频、单频点）和栅格处理情况，可分为6种。
2.1 覆盖率
覆盖率c1表示如下：
c1=n1/N （1）
其中，n1为有效覆盖点数（若扫频点从其主小区接收到信号的参考信号电平值（RSRP）不小于阈值K1，则认为该扫频点为一个有效覆盖扫频点），N为优化区域中扫频点总数。
2.2 重叠覆盖率
重叠覆盖率c2表示为：
（2）
其中，N为优化区域中扫频点总数，pi（i=1， 2， …， n）为重叠覆盖度（若扫频点从其主小区接收到信号的RSRP值大于阈值K2，且该扫频点接收到非主小区信号的RSRP与主小区RSRP相差6 dBm之内的小区数大于等于3，则该扫频点的重叠覆盖度记为与主小区RSRP值相差在6 dBm内的小区个数），ki（i=1， 2， …， n）则为重叠覆盖度对应的权值。若为非栅格D/F頻段或单频点情况，则根据其特征筛选出相应数据再计算重叠覆盖度，若为DF混频情况，筛选出相应数据后需去掉重复的扫频点信息再计算重叠覆盖度；若需栅格处理，则需预先将全部数据按照栅格进行预先处理，再根据频率类型进行如上处理。
2.3 SINR
SINR表示为：
（3）
其中，sj（j=1， 2， …， m）为扫频点接收到主小区的信号，sj，i（i=1， 2， 3， …， k）扫频点接收到的非主小区的信号，m为优化区域中主小区的个数，A为归一化常数。
2.4 综合覆盖质量
综合覆盖质量Q表示为：
Q=αc1+βc2+γSINR （4）
其中，α（α>0）、β（β>0）、γ（γ>0）是覆盖率、重叠覆盖率、SINR的比例系数，通过调节α、β、γ改变最优方案中覆盖率、重叠覆盖率、SINR的比重。
3 基于遗传算法的LTE系统网络覆盖优
化方法
3.1 单小区天线参数调整方法
在介绍基于遗传算法的LTE系统网络覆盖优化方法之前，需了解单个小区天线参数调整方法，该方法主要包括以下5个步骤。
步骤1：计算扫频点相对于天线的方位角（以y轴负方向为正）和下倾角。
由扫频信息可知，小区天线经度x1、小区天线纬度y1、小区天线高度z1、天线方位角，扫频点经度x3、扫频点纬度y3、天线机械下倾角∠BAC。可建立如图1所示模型：
图1 天线、扫频点模型
其中，A为小区天线，B为天线在地面的投影，C为天线信号与地面的交点，D为扫频点，E为D向平面ABC做垂线的垂足。那么，扫频点相对于天线的方位角θ为：
（5）
令l=BD×cosθ，则∠BAE=arctan（z1/l）。下倾角φ为φ=∠BAC-∠BAE。
步骤2：编码、变异、解码天线的方位角、电子下倾角、机械下倾角和功率。
（1）编码
根据天线方位角、电子下倾角、机械下倾角和功率的取值范围，分别设置为7位2进制编码、4位2进制编码、5位2进制编码和8位2进制编码。
（2）变异
天线方位角、电子下倾角、机械下倾角和功率编码后，组成一个24位2进制码字。该码字的每一位都有一定的概率触发变异，从而得到变异后的新码字。由于实际网络覆盖情况整体良好，而交叉过程产生方案变动过大，所以省略交叉过程，利用变异较小幅度地调整。
（3）解码
将新码字还原成天线方位角、电子下倾角、机械下倾角和功率，并根据小区或者全部天线设置的调整范围以及调整步长，将所得变异后的天线方位角、电子下倾角、机械下倾角和功率分别进行再次修正，使之满足调整要求。
步骤3：计算调整后的扫频点相对于天线的方位角和下倾角。
变异后的方位角为机械下倾角为∠BAC，则方位角θˊ和下倾角φˊ为：
（6）
（7）
步骤4：根据天线方向图计算调整后的参考信号接收功率RSRPˊ。
针对LTE网络中常用的单极化天线和交叉极化天线[7]，有如下2种计算方法：
（1）单极化天线
（8）
其中，rp为天线原发射功率，gθ为原水平方向增益，gφ为原垂直平方向增益，rpˊ、gθˊ、gφˊ分别为其调整后的参数。
（2）交叉极化天线
（9）
其中，rp为天线原发射功率，gθ+、gθ-为原水平方向±45°增益，gφ+、gφ-为原垂直平方向±45°增益，rpˊ、gθˊ+、gθˊ-、gφˊ+、gφˊ-分别为其调整后参数。
步骤5：将原RSRP替换成RSRPˊ。
3.2 基于遗传算法的LTE系统网络覆盖优化方法
基于遗传算法的LTE系统网络覆盖优化方法又可以称之为多小区天线参数优化方法，其步骤示意图如图2所示：
图2 区域网络覆盖优化方法
步骤1：根据LTE网络优化目标，计算区域网络覆盖质量指标。其中优化目标信息包括优化信号频率类型（D频段、F频段、DF混频还是单频点）、优化量级（采样点还是栅格）、覆盖率、重叠覆盖率和SINR的权重。计算区域网络覆盖质量指标方法已在第2节中详细描述，这里不再赘述。
步骤2：依据实际天线参数调整限制条件，调整区域部分小区天线参数。其中，实际天线参数调整限制条件包括各参数是否可调、各参数调整概率、各参数调整步长以及各参数调整范围。调整区域部分小区天线参数过程与3.1节步骤2方法相类似，仅把调整范围由单小区天线拓展为多小区天线。
步骤3：估计区域调整后的网络覆盖质量指标。其具体计算方法与3.1节步骤3、步骤4、步骤5类似，同样地，仅把调整范围由单小区拓展为多小区，之后根据调整后的天线参数重新估计区域网络覆盖质量指标，方法与3.2章节的步骤1相同。
步骤4：与初始质量指标进行比较，若其覆盖质量指标提高则将其记为一个更优方案。选择覆盖率、重叠覆盖率和SINR均提高的方案作为更优方案。
步骤5：通过多次重复步骤2～步骤4，从更优方案中筛选出网络覆盖质量指标最佳的优化方案。对于多个更优方案，以其综合覆盖质量作为选择依据，从中筛选出最佳优化方案。
该方法来源于遗传算法，沿用了遗传算法的变异、选择过程[8-10]。同时，由于更优方案的苛刻要求容易陷入局部最优解的问题，在迭代过程中，只与初始质量指标进行比较，从中选出更优方案，从而保证了优化方案的多样性。之后，依据综合覆盖质量从更优方案中筛选得到最佳优化方案。
4 方法實现及结果分析
4.1 方法实现及测试结果
为了评价基于遗传算法的LTE系统网络覆盖优化方法的性能情况，将其实现并应用到实际网络中进行测试。图3为实施效果数据统计对比图。
4.2 结果分析
图3中的图（a）、图（b）、图（c）更是用数据准确地显示出优化效果。从中可以看到，D频段RSRP大于-105信号占比由85.90%提升为87.52%，改善幅度达到1.62%，其中大于等于-75强信号占比由17.86%提升为19.77%，改善幅度达到1.91%。D频段SINR大于等于3占比由64.62%提升为65.43%，改善幅度达到0.81%。D频段重叠覆盖等于1占比由23.72升为28.2，改善率达到4.48%。
4.3 性能优化
在能够顺利完成网络覆盖优化目标之后，对方法的实施过程做了进一步的优化，包括增添数据预处理模块，多线程并行处理，增添优选小区模块。其中，数据预处理是指将扫频数据根据其频率类型归类统计其主小区和对应的非主小区，这样大大降低了网络覆盖质量指标的计算复杂度，提高了循环计算过程的计算效率。多线程并行处理不仅提高了计算效率，还丰富了优化方案的多样性，在实施过程中将循环迭代计算过程进行多线程处理。优选小区，即优先调整天线参数的小区，设置优选小区能够锁定调整范围，对网络覆盖质量较差的地区着重优化。在此之后，进行了多次测试，其优化前后性能对比如图4、图5、图6、图7和图8所示。
图4为优化前后单个更优方案用时对比图，即为方案优化前后各13次测试中每次测试产生一个更优方案的平均用时对比，其中优化后方案有单线程和双线程两种。从图4可看出优化后得到更优方案平均用时降低。图5、图6、图7及图8为优化前后网络覆盖质量指标对比图，由图可知，优化后网络覆盖质量明显提高。
5 结束语
传统的基站天线优化难以适应当前的LTE时代，需要一种能够提供准确高效的寻找到天线参数优化的方案，实现最优网络结构的LTE天线参数优化方法。本文利用实测扫频数据和天线参数估计网络覆盖质量，沿用遗传算法的变异、选择过程，准确高效地获得能够使得LTE网路覆盖率、重叠覆盖率和SINR联合优化的天线参数方案。同时，在算法实现过程中为了进一步提高工作效率，采用了数据预处理、多线程和优选小区等方法，使系统更加高效。
从测试结果可以看出，该系统能够根据所设参数以及所提供数据，在较短时间内提出多种可靠的优化方案，大大提高了网络优化效率，同时降低了优化成本。
参考文献：
[1] 史君黛，彭树铁，胡晓丹，等. 一种基于权值的TD-LTE天线覆盖优化方法[J]. 信息通信， 2017（1）： 197-198.
[2] 金勇，方志林. LTE高站越区覆盖优化方案研究[J]. 移动通信， 2016，40（2）： 9-13.
[3] 潘如君，蒋慧琳，裴氏莺，等. LTE网络覆盖优化中一种基于改进粒子群的天线倾角调整的算法[J]. 东南大学学报：英文版， 2015（4）： 443-449.
[4] 夏永康，梁晓雯. LTE网络天线下倾角自优化算法[J]. 无线电工程， 2014（3）： 11-14.
[5] 田野，宋永胜，何明. 基于全局约束的现网站址共享下LTE天线参数规划与优化[J]. 移动通信， 2013，37（24）： 22-25.
[6] 钱小康. 4G LTE网络覆盖质量评估[J]. 上海信息化， 2014（5）： 58-60.
[7] 李彦芳. TD-LTE室内多天线模式探讨[J]. 通讯世界， 2016（3）： 36-37.
[8] 吉根林. 遗传算法研究综述[J]. 计算机应用与软件， 2004，21（2）： 69-73.
[9] Grefenstette J J. Proceedings of the First International Conference on Genetic Algorithms and their Applications[M]. New York： Psychology Press， 1985.
[10] 陈红梅，朱若寒. 遗传算法研究现状与应用[J]. 科技信息， 2011（18）： 260.
【摘 要】随着LTE全面商用的深入，部分区域网络覆盖质量问题随之凸显。提出一种基于遗传算法的LTE系统网络覆盖优化方法，该方法来源于遗传算法，并根据LTE系统实际天线情况对遗传算法进行改进。首先根据现网扫频数据和天线参数计算网络覆盖质量，其次调整天线参数，再次估计调整后的网络覆盖质量，之后比较覆盖质量，如此循环迭代直至产生多个更优方案，最后从更优方案中筛选出最佳优化方案。该方法可依据现网情况灵活设置优化模式以及参数调整优先级，从而快速、准确地得到不同种模式下基站天线参数优化方案，并且在算法实现过程中对其进一步优化，大大提高了寻优效率。
【关键词】天线参数；遗传算法；LTE系统；覆盖优化
Network Coverage Optimization Method Based on
Genetic Algorithm for LTE System
GU Xinxing， WEI Zaixue， LI Gaosi， SANG Lin
[Abstract] With the development of commercial LTE system， the part of network coverage quality is highlighted. A network coverage optimization method for LTE system based on genetic algorithm was proposed in the paper. The genetic algorithm was improved in the proposed method according to the actual antennas of LTE system. Firstly， the network coverage quality was estimated according to the sweep data in current network and antenna parameters. Secondly， the antenna parameters were adjusted， the adjusted network coverage quality was re-estimated， and the two estimated quality were compared. Then， the best optimization scheme from all the variation schemes was selected； the above steps were repeated until an optimization was generated. According to the proposed method， can the optimization mode and the parameter adjustment priority were flexibly set according to the current situation， the optimization scheme of the base station antenna parameters in different modes were obtained quickly and accurately， and the algorithm was further optimized in the process of algorithm implementation so as to greatly improve the optimization efficiency.
[Key words]antenna parameter； genetic algorithm； LTE system； coverage optimization
1 引言
自從LTE被3GPP组织制定为全球通用标准以来，LTE网络得到了快速的发展。截止到目前，LTE网络已经覆盖了国内外广大区域，成为移动通信网领域中至关重要的一部分。但是，随着LTE全面商用的深入，基站天线增多、基站周围环境变化以及前期规划布局不合理等原因，导致实际网络中存在覆盖质量较差的区域。对于这些网络覆盖质量较差的区域，传统上主要依据工程师的经验来调整基站天线参数来对其进行改善，但此种方案效率低、准确度差，难以满足现网基站天线优化的要求。因此，需要一种能够提供准确高效的寻找到天线参数优化的方案，实现最优网络结构的LTE天线参数优化方法。
目前，关于LTE天线参数优化的研究主要专注于天线某一参数，缺乏整体性。如史君黛等人提出了一种基于权值的TD-LTE天线覆盖优化方法，即应用权值偏移波瓣角度技术变相调整天线的方位角，优化LTE网络覆盖[1]；金勇等人针对LTE高站中产生的覆盖问题，提出了一种调整天线倾角的优化方案[2]；潘如君、夏永康等人通过调整天线倾角优化网络覆盖[3-4]；田野等人考虑LTE网络全局约束条件，介绍了一种LTE天线参数的规划与优化软件使用方法[5]。
本文提出一种基于遗传算法的LTE系统网络覆盖优化方法，该方法继承了遗传算法中的变异、选择过程，根据LTE网络优化目标计算区域网络覆盖质量，再依据实际天线参数调整限制条件。通过变异过程调整区域部分小区天线参数，之后由现网扫频数据、天线参数和天线增益图进行网络质量评估，进而筛选优化方案，如此反复循环计算，最后从众多优化方案中筛选出最佳优化方案。该方法能够快速计算出信号覆盖质量，准确高效地寻找天线参数优化方案，优化网络覆盖率、重叠覆盖率以及SINR，实现最优网络结构，从而解决了传统人工优化方式中效率低、准确度差的问题。同时，在方法实施过程中，对其做了进一步优化大大提高了计算效率和优化效果。
2 网络覆盖质量指标
LTE系统中网络覆盖质量[6]主要有3个指标：信号覆盖率、重叠覆盖率、信号干扰噪声比（SINR）。综合考虑计算复杂度和扫频数据频率类型等因素，本文利用现网扫频数据针对不同模式设计了覆盖率、重叠覆盖率、SINR以及综合覆盖质量这4个网络覆盖质量指标。其中，模式区分依据频率类型（D/F频段、DF混频、单频点）和栅格处理情况，可分为6种。
2.1 覆盖率
覆盖率c1表示如下：
c1=n1/N （1）
其中，n1为有效覆盖点数（若扫频点从其主小区接收到信号的参考信号电平值（RSRP）不小于阈值K1，则认为该扫频点为一个有效覆盖扫频点），N为优化区域中扫频点总数。
2.2 重叠覆盖率
重叠覆盖率c2表示为：
（2）
其中，N为优化区域中扫频点总数，pi（i=1， 2， …， n）为重叠覆盖度（若扫频点从其主小区接收到信号的RSRP值大于阈值K2，且该扫频点接收到非主小区信号的RSRP与主小区RSRP相差6 dBm之内的小区数大于等于3，则该扫频点的重叠覆盖度记为与主小区RSRP值相差在6 dBm内的小区个数），ki（i=1， 2， …， n）则为重叠覆盖度对应的权值。若为非栅格D/F頻段或单频点情况，则根据其特征筛选出相应数据再计算重叠覆盖度，若为DF混频情况，筛选出相应数据后需去掉重复的扫频点信息再计算重叠覆盖度；若需栅格处理，则需预先将全部数据按照栅格进行预先处理，再根据频率类型进行如上处理。
2.3 SINR
SINR表示为：
（3）
其中，sj（j=1， 2， …， m）为扫频点接收到主小区的信号，sj，i（i=1， 2， 3， …， k）扫频点接收到的非主小区的信号，m为优化区域中主小区的个数，A为归一化常数。
2.4 综合覆盖质量
综合覆盖质量Q表示为：
Q=αc1+βc2+γSINR （4）
其中，α（α>0）、β（β>0）、γ（γ>0）是覆盖率、重叠覆盖率、SINR的比例系数，通过调节α、β、γ改变最优方案中覆盖率、重叠覆盖率、SINR的比重。
3 基于遗传算法的LTE系统网络覆盖优
化方法
3.1 单小区天线参数调整方法
在介绍基于遗传算法的LTE系统网络覆盖优化方法之前，需了解单个小区天线参数调整方法，该方法主要包括以下5个步骤。
步骤1：计算扫频点相对于天线的方位角（以y轴负方向为正）和下倾角。
由扫频信息可知，小区天线经度x1、小区天线纬度y1、小区天线高度z1、天线方位角，扫频点经度x3、扫频点纬度y3、天线机械下倾角∠BAC。可建立如图1所示模型：
图1 天线、扫频点模型
其中，A为小区天线，B为天线在地面的投影，C为天线信号与地面的交点，D为扫频点，E为D向平面ABC做垂线的垂足。那么，扫频点相对于天线的方位角θ为：
（5）
令l=BD×cosθ，则∠BAE=arctan（z1/l）。下倾角φ为φ=∠BAC-∠BAE。
步骤2：编码、变异、解码天线的方位角、电子下倾角、机械下倾角和功率。
（1）编码
根据天线方位角、电子下倾角、机械下倾角和功率的取值范围，分别设置为7位2进制编码、4位2进制编码、5位2进制编码和8位2进制编码。
（2）变异
天线方位角、电子下倾角、机械下倾角和功率编码后，组成一个24位2进制码字。该码字的每一位都有一定的概率触发变异，从而得到变异后的新码字。由于实际网络覆盖情况整体良好，而交叉过程产生方案变动过大，所以省略交叉过程，利用变异较小幅度地调整。
（3）解码
将新码字还原成天线方位角、电子下倾角、机械下倾角和功率，并根据小区或者全部天线设置的调整范围以及调整步长，将所得变异后的天线方位角、电子下倾角、机械下倾角和功率分别进行再次修正，使之满足调整要求。
步骤3：计算调整后的扫频点相对于天线的方位角和下倾角。
变异后的方位角为机械下倾角为∠BAC，则方位角θˊ和下倾角φˊ为：
（6）
（7）
步骤4：根据天线方向图计算调整后的参考信号接收功率RSRPˊ。
针对LTE网络中常用的单极化天线和交叉极化天线[7]，有如下2种计算方法：
（1）单极化天线
（8）
其中，rp为天线原发射功率，gθ为原水平方向增益，gφ为原垂直平方向增益，rpˊ、gθˊ、gφˊ分别为其调整后的参数。
（2）交叉极化天线
（9）
其中，rp为天线原发射功率，gθ+、gθ-为原水平方向±45°增益，gφ+、gφ-为原垂直平方向±45°增益，rpˊ、gθˊ+、gθˊ-、gφˊ+、gφˊ-分别为其调整后参数。
步骤5：将原RSRP替换成RSRPˊ。
3.2 基于遗传算法的LTE系统网络覆盖优化方法
基于遗传算法的LTE系统网络覆盖优化方法又可以称之为多小区天线参数优化方法，其步骤示意图如图2所示：
图2 区域网络覆盖优化方法
步骤1：根据LTE网络优化目标，计算区域网络覆盖质量指标。其中优化目标信息包括优化信号频率类型（D频段、F频段、DF混频还是单频点）、优化量级（采样点还是栅格）、覆盖率、重叠覆盖率和SINR的权重。计算区域网络覆盖质量指标方法已在第2节中详细描述，这里不再赘述。
步骤2：依据实际天线参数调整限制条件，调整区域部分小区天线参数。其中，实际天线参数调整限制条件包括各参数是否可调、各参数调整概率、各参数调整步长以及各参数调整范围。调整区域部分小区天线参数过程与3.1节步骤2方法相类似，仅把调整范围由单小区天线拓展为多小区天线。
步骤3：估计区域调整后的网络覆盖质量指标。其具体计算方法与3.1节步骤3、步骤4、步骤5类似，同样地，仅把调整范围由单小区拓展为多小区，之后根据调整后的天线参数重新估计区域网络覆盖质量指标，方法与3.2章节的步骤1相同。
步骤4：与初始质量指标进行比较，若其覆盖质量指标提高则将其记为一个更优方案。选择覆盖率、重叠覆盖率和SINR均提高的方案作为更优方案。
步骤5：通过多次重复步骤2～步骤4，从更优方案中筛选出网络覆盖质量指标最佳的优化方案。对于多个更优方案，以其综合覆盖质量作为选择依据，从中筛选出最佳优化方案。
该方法来源于遗传算法，沿用了遗传算法的变异、选择过程[8-10]。同时，由于更优方案的苛刻要求容易陷入局部最优解的问题，在迭代过程中，只与初始质量指标进行比较，从中选出更优方案，从而保证了优化方案的多样性。之后，依据综合覆盖质量从更优方案中筛选得到最佳优化方案。
4 方法實现及结果分析
4.1 方法实现及测试结果
为了评价基于遗传算法的LTE系统网络覆盖优化方法的性能情况，将其实现并应用到实际网络中进行测试。图3为实施效果数据统计对比图。
4.2 结果分析
图3中的图（a）、图（b）、图（c）更是用数据准确地显示出优化效果。从中可以看到，D频段RSRP大于-105信号占比由85.90%提升为87.52%，改善幅度达到1.62%，其中大于等于-75强信号占比由17.86%提升为19.77%，改善幅度达到1.91%。D频段SINR大于等于3占比由64.62%提升为65.43%，改善幅度达到0.81%。D频段重叠覆盖等于1占比由23.72升为28.2，改善率达到4.48%。
4.3 性能优化
在能够顺利完成网络覆盖优化目标之后，对方法的实施过程做了进一步的优化，包括增添数据预处理模块，多线程并行处理，增添优选小区模块。其中，数据预处理是指将扫频数据根据其频率类型归类统计其主小区和对应的非主小区，这样大大降低了网络覆盖质量指标的计算复杂度，提高了循环计算过程的计算效率。多线程并行处理不仅提高了计算效率，还丰富了优化方案的多样性，在实施过程中将循环迭代计算过程进行多线程处理。优选小区，即优先调整天线参数的小区，设置优选小区能够锁定调整范围，对网络覆盖质量较差的地区着重优化。在此之后，进行了多次测试，其优化前后性能对比如图4、图5、图6、图7和图8所示。
图4为优化前后单个更优方案用时对比图，即为方案优化前后各13次测试中每次测试产生一个更优方案的平均用时对比，其中优化后方案有单线程和双线程两种。从图4可看出优化后得到更优方案平均用时降低。图5、图6、图7及图8为优化前后网络覆盖质量指标对比图，由图可知，优化后网络覆盖质量明显提高。
5 结束语
传统的基站天线优化难以适应当前的LTE时代，需要一种能够提供准确高效的寻找到天线参数优化的方案，实现最优网络结构的LTE天线参数优化方法。本文利用实测扫频数据和天线参数估计网络覆盖质量，沿用遗传算法的变异、选择过程，准确高效地获得能够使得LTE网路覆盖率、重叠覆盖率和SINR联合优化的天线参数方案。同时，在算法实现过程中为了进一步提高工作效率，采用了数据预处理、多线程和优选小区等方法，使系统更加高效。
从测试结果可以看出，该系统能够根据所设参数以及所提供数据，在较短时间内提出多种可靠的优化方案，大大提高了网络优化效率，同时降低了优化成本。
参考文献：
[1] 史君黛，彭树铁，胡晓丹，等. 一种基于权值的TD-LTE天线覆盖优化方法[J]. 信息通信， 2017（1）： 197-198.
[2] 金勇，方志林. LTE高站越区覆盖优化方案研究[J]. 移动通信， 2016，40（2）： 9-13.
[3] 潘如君，蒋慧琳，裴氏莺，等. LTE网络覆盖优化中一种基于改进粒子群的天线倾角调整的算法[J]. 东南大学学报：英文版， 2015（4）： 443-449.
[4] 夏永康，梁晓雯. LTE网络天线下倾角自优化算法[J]. 无线电工程， 2014（3）： 11-14.
[5] 田野，宋永胜，何明. 基于全局约束的现网站址共享下LTE天线参数规划与优化[J]. 移动通信， 2013，37（24）： 22-25.
[6] 钱小康. 4G LTE网络覆盖质量评估[J]. 上海信息化， 2014（5）： 58-60.
[7] 李彦芳. TD-LTE室内多天线模式探讨[J]. 通讯世界， 2016（3）： 36-37.
[8] 吉根林. 遗传算法研究综述[J]. 计算机应用与软件， 2004，21（2）： 69-73.
[9] Grefenstette J J. Proceedings of the First International Conference on Genetic Algorithms and their Applications[M]. New York： Psychology Press， 1985.
[10] 陈红梅，朱若寒. 遗传算法研究现状与应用[J]. 科技信息， 2011（18）： 260.
