基于粒子群优化算法的5G波束权值寻优方法.pdf

研究与开发 基于粒子群优化算法的 5G 波束权值寻优方法 王建斌1,2，王恒钧2，吴松2，王贞凯2（1.浙江大学，浙江 杭州 310027；2.中国电信股份有限公司浙江分公司，浙江 杭州 310005）摘 要：为解决高层建筑物室内 5G 信号覆盖不足、优化难度大的问题，提出基于粒子群优化（particle swarm optimization，PSO）算法的 5G 波束权值寻优方法。通过采集终端数据将网络解耦成多个子网切片，对单小区权值库进行规划和仿真，构建多小区权值组变量以及适应度函数。最后，采用 PSO 算法求解多小区波束权值组局部最优值。测试结果表明，平均参考信号接收功率（reference signal receiving power，RSRP）提升 8.7%，平均信干噪比（signal to interference plus noise ratio，SINR）提升 17.5%，下行速率提升 27.3%。所提方法在5G 天线波束权值寻优上具有低成本、高效率、智能化的优势，可以改善高层室内用户的感知。关键词：高层建筑；网络解耦；粒子群优化算法；权值寻优 中图分类号：TN929.5 文献标志码：A doi:10.11959/j.issn.10000801.2023146 5G beamforming weight optimization method based on particle swarm optimization algorithm WANG Jianbin1,2,WANG Hengjun,2 WU Song2,WANG Zhenkai2 1.Zhejiang University,Hangzhou 310027,China 2.Zhejiang Branch of China Telecom Co.,Ltd.,Hangzhou 310005,China Abstract:In order to solve the problems of insufficient indoor 5G signal coverage and difficulty in optimization of high-rise buildings,the 5G beamforming weight optimization method based on particle swarm optimization(PSO)algorithm was proposed.Decoupling and reducing the network dimension into multiple subnet slices by collecting the data reported by the terminal,and the single cell weight database was planned and simulated to create the multi-cells weights group and fitness function.Finally,the PSO algorithm was adopted to obtain the local optimal weight group of the multi-cells.The test results show that the reference signal receiving power(RSRP)is improved by 8.7%,the signal to interference plus noise ratio(SINR)is improved by 17.5%,the downlink throughput is promoted by 27.3%together.The proposed method has the advantages of low cost,high efficiency and intelligence,and can significantly improve the user perception in high-rise buildings.Key words:high-rise building,network decoupling,particle swarm optimization algorithm,weight optimization 收稿日期：20230306；修回日期：20230706 通信作者：吴松， 基金项目：浙江省自然科学基金资助项目（No.LZ23D060003）Foundation Item:The Natural Science Foundation of Zhejiang Province(No.LZ23D060003)研究与开发 24 0 引言 随着移动通信网络的快速发展，用户对网络的业务需求无处不在，数据业务量急剧增长，促进了5G网络的发展和商业化进程1-2。相较于2G/3G/4G网络，5G 网络具有更高的数据速率、更短的响应时间、更低的时延和更高的信道容量3，所能提供的业务应用能力将更加丰富，可以满足不同场景的差异化需求4-5。3GPP 5G规范自Release15（Rel-15）开始引入大规模天线阵列和多输入多输出（massive multiple-input multiple-output，mMIMO）标准6-9，用户波束动态成形，增益提升。对于同步信号等控制信息，与 4G 的宽波束发送不同，5G基站可采用同步信息块参考信号（synchronization signal block-reference signal，SSB-RS）窄波束，按序轮流发射，有效提升了覆盖增益。5G 波束权值通常指 SSB 或信道状态信息（channel state in-formation，CSI）波束在天线每个阵元中的幅度和相位参数，主要包括四元组参数方位角（azimuth）、下倾角（downtilt）、水平波宽（horizontal beam width，BeamWidthH）和垂直波宽（vertical beam width，BeanWidthV），用于控制天线的波形图，实现波束成形。3GPP 在 TR 38.804 协议中引入了波束管理技术10，5G 波束权值优化主要调整上述四元组参数中的一个或多个，从而改变单个或多个 5G 天线的辐射方向、增益和覆盖范围。目前，在 5G 波束权值优化上，现网常用的方法有基于路测模式的波束权值优化11-12，该方法通过路测采集测试终端的数据，对前台终端数据进行解码处理和覆盖分析，制定相关小区的波束权值配置优化方案，然后根据方案在后台进行参数修改，实现优化。该方法基于实测数据，可以较准确地反映实际网络情况，有一定的可靠性，RSRP 通常可提升 35 dB，SINR 通常可提升 23 dB。缺点是需要大规模测试，数据采集和处理周期长、成本高，主要为道路区域局部优化和性能提升，难以实现对室内的深度覆盖进行测试评估，在新建网络或网络快速变化的场景应用中有明显局限性。现网常用的方法还有基于大数据平台测量报告（measure report，MR）数据采集分析的波束权值优化13-15，该方法使用数据采集平台在 5G 基站侧周期性采集用户设备（user equip-ment，UE）的 MR 指标数据，进行数据处理和覆盖分析，然后制定波束权值优化方案并实施。相对于基于路测模式的方法，该方法具有更全面、更快速和更准确的优点，但也存在平台成本高，数据预处理和清洗、数据采集和分析需要针对不同场景进行功能定制和算法开发，很难实现平台化智能调整等局限性。在理论研究方面，文献16介绍了一种波束优化方法，即根据用户到达方向（direction of arrival，DOA）分布统计来确定用户集中方向，然后采用现场天馈机械角调整或后台波束权值优化，使天线对准用户集中位置，以适应不同场景对水平/垂直覆盖的要求，提升用户感知。该文献所述的 DOA 数据的采集，通常需要基站采集 UE 的 MR 数据以及解析探测参考信号（sounding reference signal，SRS）17-18，获取 UE的 CSI（信道状态信息），从而获取 DOA 等数据。该文献在网络优化上只简单介绍了现场天馈调整或后台波束权值修改两种方式，没有给出判定用户 DOA 主要集中方向的方法以及如何实现邻区波束权值协同优化，也没有给出用户感知提升的量化指标。文献19介绍了一种基于 5G SSB 1+X（X=3）波束技术的优化方案，通过 5G 波束扫描和空域维度的技术原理，以及灵活配置波束个数和宽度，实现了覆盖、干扰、资源开销和设备能耗的平衡，验证了和现有 7 波束覆盖效果的差异，实验表明“1+X”波束可以提升垂直覆盖率 30%。不足的是，文献19只探讨了“1+X”波束技术的应用，没有提及 SSB 波束权值的规划配置以及与其他技术的协同优化。此外，文献19简单提到利用 AI 训练权值确保 SSB 自动权值优化取得稳定25 电信科学 2023 年第 7 期 增益，但没有说明训练样本的获取过程，是否采取基于 MR 的数据采集等方式，在 SSB 和 CSI 波束仿真映射上，只简单提到采用蚁群优化算法，没有更多细节描述。文献20主要探讨将蚁群优化算法应用在天线波束权值优化上，采用了一种基于蚁群优化算法的天线权值优化模型，通过设置适当的目标函数和约束条件，实现了天线波束权值的优化，在实验中得到一定的效果提升，可以提高无线通信系统的性能和覆盖范围。然而，文献20主要规划了 16 种覆盖模型，没有提及单小区权值库规划与仿真，以及多小区如何协同优化等内容。其次，蚁群优化算法参数设置比较复杂，参数配置依赖于工程师的经验和多次试错，设置不当会造成算法能力减弱，迭代收敛速度比较慢，容易陷入局部最优或停滞状态，对于高维或非线性问题，搜索效率比较低，不利于发挥算法的探索能力21-22。基于以上分析，目前多种方法存在成本高、算法复杂、效率低等局限性，亟须找到一种新的基于 MR 大数据分析的波束权值智能优化算法，以提高优化质量和效率。在群体决策智能优化算法中，粒子群优化算法23-24最早由 Kennedy 和Eberhart 在 1995 年提出，并通过实验证明了其在优化问题上的有效性。Clerc 等25在 2002 年进一步探讨了粒子群优化算法的收敛性和稳定性，并提出了一些改进措施。Bratton 等26在 2007 年提出了粒子群优化算法的标准化实现，使得该算法在工程实践中更易于使用，该算法已经得到了广泛应用27-28。相对于蚁群优化算法，粒子群优化算法具有收敛速度快、算法简单、鲁棒性强、适用范围广和可并行计算等优点29-31。因此粒子群优化算法在 5G 大规模波束权值迭代寻优中具有潜在优势。因此，本文提出将粒子群优化算法运用到 5G 波束权值寻优中：首先，通过用户 MR数据采集和分析，对用户分布画像二维建模后，将网络解耦成多个独立并行的子网切片（小区域块）。再对单个小区波束权值库进行规划和覆盖仿真，得到权值增益表（用于权值寻优）。然后，针对并行的任意一个子网切片的多小区波束权值库进行组合，构建多个目标优化函数。根据权值增益表和粒子群优化算法对 SSB 波束权值训练，得到多个小区波束权值组合的局部最优解。最后，通过覆盖仿真，将 CSI 和 SSB 波束的权值进行联动优化。实验表明，使用粒子群优化算法优化 5G 波束权值，可以显著提升高层室内用户的业务感知。1 实施过程 本节首先介绍了 MR 数据采集与处理，将复杂网络解耦成多个独立分布的子网切片；其次，对单小区波束权值库进行规划以及权值增益仿真，得到权值增益表，通过单小区权值库构建多小区权值组；然后，构建多个目标优化函数；接着，运用粒子群优化算法进行寻优，获得 SSB 权值组合局部最优解；最后，通过覆盖仿真，将 CSI和 SSB 波束的权值进行联动优化。1.1 数据采集与处理 梳理目标待优化区域一定范围内的 5G 小区清单，配置周期性测试任务和 MR 数据采集，得到服务小区和邻区的小区识别码 CellID、RSRP以及 DOA 等信息。某建筑物内 MR 数据采集示意图如图 1 所示，其中，一个 MR 数据样本点包含一个服务小区和多个邻区的 DOA 信息。图 1 某建筑物内 MR 数据采集示意图 研究与开发 26 预置 3 个门限条件，保证 MR 数据样本点中的服务小区的 RSRP（用 RSRPSrv表示）值大于服务小区覆盖 RSRP 门限（110 dBm），邻区的 RSRP（用 RSRPNbr表示）值大于邻区重叠覆盖 RSRP 门限（110 dBm），同时，服务小区（用 CellSrv表示）与邻区（用 CellNbr表示）的绝对值 Abs|RSRPSrv RSRPNbr|小于或等于 RSRP 差值门限（6 dB）。MR数据样本见表 1，数据过滤后样本点共有 T 个。根据表 1 中的数据计算出服务小区与邻区的粘合度值，例如，A 小区相对于 B 小区的粘合度为 RBA，B 小区相对于 A 小区的粘合度为 RAB，AB 小区的均值粘合度为(RBA+RAB)/2，邻区粘合度的计算方法如下：3RSRP同时满足 个门限条件的样本点数粘合度满足服务小区覆盖门限的样本点数 （1）通过邻区熔断门限剔除粘合度低的邻区对以实现解耦，将网络解耦成多个独立的子网切片，每个子网切片被视为一个独立的网络，波束调整互不影响。例如，通过将邻区熔断门限设置成 0.2，一个由24个小区组成的网络被解耦成两个独立的子网切片，5G 网络解耦示意图如图 2 所示。图 2 5G 网络解耦示意图 1.2 单小区权值库规划与仿真 以 64 发 64 收（64T64R）有源天线单元（active antenna unit，AAU）为例，其支持的方位角有效范围为50,50，通常调整步长为 5，有21 种；下倾角有效范围为9,15，调整步长最小为 1，有 25 种；水平波宽有效范围为10,65，常规配置有 10、30、45、65这 4 种；为避免垂直波束间干扰，垂直波宽通常固定为6，有 1 种。按照上述规则，每个子波束权值数有 212541=2 100 个。以中国电信的 2.5 ms双周期 7 个下行 3 个上行（7 downlink 3 uplink，7D3U）帧结构为例，最大可配置 7 波束，单个小区波束权值数S=1.80110232 1007个。对于多小区，权值组随小区个数呈指数级增加，这是一个极大的组合数量。现有机器学习硬件很难在短时间完成收敛，因此，需要对单小区权值库进行优化。基于高层垂直场景，对单小区 SSB 广播波束设计“L+H”（low+high）双层网络覆盖模式，其中，“L”代表第一层网络中有L个子波束，各子波束间下倾角大小规划一致，主要覆盖底层建筑物和道路区域，为保证原有覆盖持平，可以根据“L”层波束减少比例，增强功率为 36 dB；“H”代表第二层网络中有H个子波束，方位角大小规划一致，叠在一起，主要覆盖中高层区域，由于建筑物宽度通常较窄且固定“H”层网络波束的水平波宽统一规划为 30。为避免子波束间重叠覆盖和干扰，垂直波束间下倾角间隔不低于 6。7 波束场景可规划“4+3”的双层网络覆盖模式，SSB“4+3”垂直覆盖模型如图 3 所示。表 1 MR 数据样本 样本点 CellSrv RSRPSrv/dB 服务小区/邻区 DOAHDOA,VDOA CellNbr RSRPNbr/dB 1 SrvA 84.3(10,8)、(3,4)、(20.13)NbrB,C 87.6、89.4 2 SrvA 86.4(9,24)、(14,6)、(4,2)NbrC,D 88.7、91.4 3 SrvB 91.1(6,23)、(3,13)、(5,9)NbrD,E 95.8、96.5 T SrvT 104.8(33,12)、(53,6)、(21,3)NbrV,S 108.1、109.3 27 电信科学 2023 年第 7 期 图 3 SSB“4+3”垂直覆盖模型 图 3 中，x、y、z轴分别代表多个波束叠加后垂直于天线法向位置的覆盖距离、水平波束宽度以及垂直波束宽度。单小区权值库规划原则见表 2，“L”层由子波束 0、1、2、3 组成，为保持和水平7 波束覆盖持平，“L 层”波束发射功率增强 3 dB，“H”层则由波束4、5、6 组成，发射功率不变。通过计算机程序进行遍历，该模式下单小区波束权值库数S从初始的1.8011023个降低至4.048107个，权值库数有极大的优化。单小区波束权值库见表 3，规划后的单小区波束权值信息，波束权值包含四维数组：方位角、下倾角、水平波宽和垂直波宽。单小区波束权值用变量Ws表示。按照基站常规 3 扇区规划原则，单个小区的水平波束覆盖宽度在 120 以内，由于天线最大下倾角通常低于 15，如果垂直波宽为 6（半个垂直波宽为 3），垂直波束在上/下边缘的宽度通常低于 40。因此，在 5G 天线面板法线方向水平60（水平方向总宽度 120）、垂直30（垂直方向总宽 度 60）范 围 内，根 据 空 间 粒 度 11（HDOAVDOA），将立体空间划分成M=7 200 个表 2 单小区权值库规划原则 对比项 方位角 下倾角 水平波宽 垂直波宽 子波束 0/1/2/3 50,50 9,15 10,30,45 6 子波束 4/5/6 50,50 9,15 30 6 调整步长 5 1 10、30、45 6 权值库数 S 64 260 210 3 1 表 3 单小区波束权值库 SSB 权值库 方位角、下倾角、水平波宽、垂直波宽 WInit(30,20,10,0,10,20,30)、(3,3,3,3,3,3,3)、(16,10,10,10,10,10,16)、(6,6,6,6,6,6,6)W1(0,10,20,30,0,0,0)、(3,3,9,15)、(10,10,10,10,30,30,30)、(6,6,6,6,6,6,6)W2(0,10,20,35,0,0,0)、(3,3,9,15)、(10,10,10,10,30,30,30)、(6,6,6,6,6,6,6)W3(0,10,20,40,0,0,0)、(3,3,9,15)、(10,10,10,10,30,30,30)、(6,6,6,6,6,6,6)WS(50,5,5,50,50,50,50)、(9,3,3,9)、(45,45,45,45,30,30,30)、(6,6,6,6,6,6,6)研究与开发 28 更细粒度的全局栅格。然后，根据射线追踪传播模型对单小区波束权值库逐个进行 RSRP 覆盖仿真32-33，共仿真出S+1（“1”代表初始权值WInit）个权值分别在M=7 200 个空间栅格粒度（11）上的RSRP值。在7 200个更细粒度的空间栅格上，以初始权值WInit仿真出的M个栅格上的 RSRP 值为基准，将其他S个权值仿真出来的 RSRP 值分别和 RSRP 基准值逐栅格做差，得到S个权值分别在M个栅格上的权值增益（单位为 dB），不同权值在同一栅格上可能会表现为正增益或负增益，基准值相对自身的增益为零。单小区权值仿真增益的计算方法可以被推广到其他同类型天线，在空间传播损耗基本稳定的前提下，不同站高、下倾角以及方位角的天线在同一个栅格方向的 RSRP 仿真值虽然不同，但是同一个栅格位置的权值增益是相同的。每个权值增益分别对应 60 行、120 列数据，共 7 200 个栅格，某个权值的仿真增益见表 4。1.3 多目标适应度函数 针对一个子网切片区域内有n个小区，多小区权值组使用变量 Wgj表示。s1s2s3s4s5sWg(,)jnW WWWWW（2）其中，变量 Wgj代表n个小区组成的波束权值组，j为多小区权值组变量，jSn，S是单小区权值库数，Sn为n个小区的波束权值组数；Wsn代表第n个小区的全部权值组。将目标优化区域内的小区波束权值进行初始化，针对任意一个子网切片的平均Init_WgRSRP值，以及平均Init_WgSINR线性值，基于解耦后的多个目标子网切片创建多目标适应度函数。Init_WgSINR需要采用拟合计算，即用 RSRPSrv除以所有 RSRPNbr与白噪声 Noise 的和，再对N 个数据样本点累加后求平均，相关表达式如下：Init_WgSrv11RSRP(RSRP)NiiN（3）InitSrv_WgNum1NbrNbr 1RSRP1SINRRSRPNoiseNiiN（4）其中，RSRPSrv和RSRPNbr表示多小区权值组为基准默认值WgInit时样本点i中服务小区和邻区的RSRP，Num代表邻区个数，Noise是白噪声，N为该子网切片中n个小区采集的MR数据样本数（NT）。根据3GPP TS38.214协议34，SINR值需要做范围限制，即设置一个最大值和最小值，保证SINR20,40；Noise功率为174+10 lg(301 000)=129 dBm，考虑UE接收机噪声系数，设置白噪声功率为125 dBm35。当权值组变量从初始值WgInit迭代到Wgj时，网络覆盖模型将会发生变化，因此，单个样本点中服务小区和邻区对应的DOA所映射栅格的RSRP也要变化。对于一个MR数据样本点，UE会在服务小区和邻表 4 某个权值的仿真增益 RSRP 权值增益/dB 水平60 水平59 水平58 水平 58 水平 59 水平 60 垂直30 13.35 11.23 8.82 2.51 2.73 2.95 垂直29 13.29 10.17 14.87 2.52 2.74 2.95 垂直28 8.24 4.29 13.19 2.79 3.01 3.23 垂直27 6.95 5.04 3.47 3.35 3.57 3.79 垂直 27 62.83 56.04 55.59 55.51 55.73 55.94 垂直 28 41.13 39.78 45.41 37.99 38.21 38.43 垂直 29 42.33 40.08 40.82 34.14 34.36 34.58 垂直 30 43.02 42.16 43.85 34.52 34.74 34.96 29 电信科学 2023 年第 7 期 区的DOA中选择RSRP最大的栅格位置作为新的服务小区，每个DOA对应栅格更新后的RSRP由初始权值对应RSRP基准值加上对应权值的增益。Srv_WgNew11RSRP(RSRP)jNiiN（5）SrvNbrNbrNew_WgNum1NewNew1RSRP1SINRRSRPNoisejNiiN（6）其中，RSRPNewSrv和RSRPNewNbr为多小区权值组更新为Wgj时样本点i中服务小区和邻区的RSRP，_WgSINRj计算方法和式（4）类似。1.4 粒子群优化算法权值寻优 粒子群优化算法参数初始化，假设种群粒子有m个，粒子p在第d次迭代的权值组位置变量记为Wg djp，粒子p在第d次迭代的移动速度变量记为dpV。11 1pbest2 2pbestWgWg(WgWg ddddpppjpddjpVUVc rc r（7）其中，1dpUV为第d1次迭代的速度惯性；1 1pbestWgWg ddpjpc r为粒子个体认知部分；2 2gbestWgWg ddjpc r为粒子的社会认知部分；Wg djp为粒子p在第d次迭代后所对应的权值组位置。粒子p在第d+1次迭代后的权值组位置1Wg djp为：1Wg Wg dddjpjppVt（8）其中，t为迭代时间，一般取1。粒子p在第1次迭代时权值组位置变量为初始基准值1InitWgp，样本对应的覆盖函数为1Wg jpf；第d次迭代时权值组位置变量更新为Wg djp时，样本对应的覆盖函数为Wg djpf，这是一个包含RSRP、SINR的二维函数，是个绝对量化值，无法直接评估优劣。结合式（5）式（6），覆盖函数Wg djpf为：Wg Wg Wg RSRP,SINRddjpjpdjpf（9）权值寻优时如果只考虑RSRP覆盖维度增益最大，会导致重叠覆盖恶化，从而造成SINR恶化，在波束权值寻优时需要同时考虑RSRP和SINR（加入正则化项）保证总体向正增益方向搜索。如果将粒子p第d次迭代相对于第1次的覆盖 函 数 增 益 率 定 义 为 目 标 适 应 度 函 数Wg djpf，由于RSRP和SINR的度量不一致，需要将覆盖函数中的RSRP和SINR分别和初始值做差后，再和初始值相除（归一化处理），最后将RSRP和SINR的增益率相加，构建目标适应度优化函数Wg djpf。1Init1Init1Init1InitWg Wg1WgWg Wg2WgRSRPRSRPWg RSRPSINRSINRSINRdjpppdjpppdjpfll（10）其中，l1、l2为学习因子，用于调节粒子群权值组寻优中RSRP和SINR的学习权重。对于个体用户来说，RSRP代表SSB波束的覆盖强度，是决定用户能否接入网络的前提；SINR体现了信道质量，在一定程度上反映了重叠覆盖程度。因此，RSRP和SINR在对用户速率的影响上都至关重要，为了全面深入研究RSRP和SINR不同权重对用户速率的影响，RSRP的学习权重l1取值从0.9到0.1等梯度遍历（梯度为0.1），SINR学习权重l2则取反，取值从0.1到0.9等梯度遍历，找到最佳权重组合进行对比（本实验l1取0.6、l2取0.4效果最好），粒子群优化算法各参数含义见表5。粒子群优化算法在多小区波束权值组的寻优包括如下几个步骤。步骤 1 粒子群初始化。初始化种群粒子数，随机化波束权值组位置和移动速度。步骤 2 适应值评估。根据适应度函数评价 研究与开发 30 每个粒子的适应值。步骤 3 确定个体最优权值组的位置。对于每个粒子，将其当前权值组位置对应的适应值和其个体历史最优权值组位置对应的适应值进行比较，如果当前的适应值更高，则将当前权值组位置更新为个体最优权值组位置。步骤 4 确定全局最优权值组的位置。对于每个粒子，将其当前适应值与全局最优权值组位置对应的适应值进行比较，如果当前的适应值更高，则将当前粒子的权值组位置更新为全局最优权值组位置。步骤 5 更新粒子速度。根据式（7）式（8），更新每个粒子的移动速度与波束权值组位置。步骤 6 迭代。如未满足结束条件，则返回步骤2，通常算法达到最大迭代次数或者最佳适应值的增量小于某个给定的阈值时算法结束。1.5 CSI 波束联动优化 粒子群优化算法波束权值组寻优主要基于5G SSB波束进行优化，CSI波束权值并没有联动优化。因此，需要通过仿真，建立SSB与CSI波束的映射表，进行SSB波束权值优化时联动调整CSI波束，以实现SSB和CSI波束的覆盖范围一致性，SSB和CSI波束仿真映射关系见表6。2 效果评估 为验证粒子群优化算法的5G波束权值智能表 6 SSB 和 CSI 波束仿真映射关系 SSB 权值库 CSI 波束 0 CSI 波束 1 CSI 波束 2 CSI 波束 3(方位角,下倾角,水平波宽,垂直波宽)(方位角,下倾角,水平波宽,垂直波宽)(方位角,下倾角,水平波宽,垂直波宽)(方位角,下倾角,水平波宽,垂直波宽)WInit(25,0,50,6)(25,0,50,6)(25,6,50,6)(25,6,50,6)W1(0,9,50,6)(0,5,50,6)(0,1,50,6)(10,6,50,6)W2(0,9,50,6)(0,5,50,6)(0,1,50,6)(15,6,50,6)W3(0,9,50,6)(0,5,50,6)(0,1,50,6)(20,6,50,6)WS(30,-5,50,6)(10,2,50,6)(10,0,50,6)(30,3,50,6)表 5 粒子群优化算法各参数含义 参数 描述 m 粒子群个数，1.5 倍权值库数 c1 粒子个体学习因子（加速因子），通常为 2 c2(0,1)的随机数 r1 粒子的社会学习因子（加速因子），通常为 2 r2(0,1)的随机数 U 速度的惯性权重，一般取 0.9（取 0.91.2 比较合适）l1RSRP 的学习权重，l1取值范围为 0.10.9，等梯度 0.1 遍历（l1+l2=1）l2SINR 的学习权重，l2取值范围为 0.10.9，等梯度 0.1 遍历（l1+l2=1）dpV 第 d 次迭代时粒子 p 的移动速度 Wg djp 第 d 次迭代时粒子 p 所在的权值组位置 f Wg djp 第 d 次迭代时粒子 p 的适应度函数值 pbestWgdp 第 d 次迭代时粒子 p 经过的最好权值组位置 gbestWgd 第 d 次迭代时所有粒子经过的最好权值组位置 31 电信科学 2023 年第 7 期 寻优效果，选取某典型高层建筑物场景，搭建外场实验环境，将目标区域内的所有小区的天馈权值默认配置作为实验对照组（初始默认权值对应表3中的WInit），该权值是新开站点的默认配置，因此，将所有小区的初始默认权值配置作为对照组。然后，分别采取第一种单终端的呼叫质量测试（call quality test，CQT）MR测试数据，以及第二种推广至多终端MR数据采集模式权值寻优后，分别和对照组进行纵向效果评估。2.1 环境配置 实验场景搭建如图4所示，某城区建筑物高209 m，共37层，最多可容纳2万人居住，具有典型立体高层楼宇特征，满足本文算法的场景需求，因此，被选择为本实验验证环境。该建筑物的1 km范围内有5G站点17个、小区44个，频点为3.5 GHz，带宽为100 MHz，平均站高约为50 m。图4 实验场景搭建 2.2 测试验证 第一种单终端CQT模式可以基于单用户感知评估，可呈现的维度更多。该方法需要工程师手持测试终端在建筑物的不同楼层的固定位置定点测试，每2层测试一组数据，每组保持10 min，最后基于粒子群优化算法进行波束权值训练和寻优，寻优后进行复测和前后效果对比。第二种采用多终端测试模式，采集建筑物内所有在网的5G终端的MR数据信息，粒度为24 h（1天），基于粒子群优化算法迭代寻优，波束寻优调整后，再次采集相同粒度的MR数据，并进行前后效果对比。2.2.1 单终端测试与分析 下发针对44个小区的周期性测量任务，只采集测试终端的MR数据信息。终端在建筑物每层的相对位置固定不变，只是逐楼层变更。CQT点位位于建筑物南侧电梯走廊口，UE只占用一个服务小区4932191-1以及两个邻区4932190-3、4932192-2信号，期间未发生服务小区的切换，该子网切片有3个小区。对照组共采集到有效样本点4 843个，寻优后采集的有效样本点为4 876个，由于单终端样本点较少，寻优前后样本点总数基本持平。此外，相比对照组，终端侧的总体指标改善明显，平均RSRP提升8.2 dB，平均SINR提升2.1 dB，平均下行感知速率提升49.6 Mbit/s（25.8%）；分楼层来看，绝大部分楼层获得较好的增益，符合算法寻优原理，确保全量样本平均效果有正增益，CQT寻优前后覆盖增益对比如图5所示。图5 CQT寻优前后覆盖增益对比 单终端CQT模式的优势在于：可具体到特定终端的感知指标，效果评估更全面、更精细，可量化用户速率的提升，直观反映出个体用户真实感受。不足的是，需要投入资源继续进行测试，工作量大。2.2.2 多终端测试与分析 为进一步验证商用复杂环境下的粒子群优化 研究与开发 32 算法在多小区权值中的寻优效果，采用多终端测试模式进行验证和分析。采集全部在网终端的MR数据信息，通过网络解耦算法（预设熔断门限为0.2），多终端测试网络解耦实例如图6所示，该区域内网络解耦成5个独立的子网切片，子网切片间优化方法相同。因此，本次优化算法主要在图6中圆形区域的子网切片实施，并进行效果展现。图6 多终端测试网络解耦实例 寻优前后的小区级性能指标效果对比见表7，多终端模式纵向测试结果表明：对照组共采集到有效样本点118 630个，寻优后采集的有效样本点为146 720个，样本点增长28 090个（23.7%），说明吸收了较多话务。此外，寻优后平均RSRP提升了8.5 dB，平均SINR提升了1.8 dB，平均下行感知速率提升了64.7 Mbit/s（27.3%），下行调制编码方案（modulation and coding scheme，MCS）提升了3.3（26.1%）。本文使用粒子群优化算法求解多小区权值组局部最优解，粒子群和蚁群优化算法效果对比如图7所示，和蚁群优化算法相比20，粒子群优化算法寻优后，平均RSRP增益为4.2 dB，SINR增益为0.6 dB，下行感知速率提升了19.1%。针对相同权值组合数，例如，本文单小区权值库为4.048107个，9个小区的权值组合数为4.0481063个，搜索9 个小区的局部最优权值组合，使用蚁群优化算法需要26.5 h，而粒子群优化算法将缩短至3.6 h，效率提升736.1%。实验表明，波束权值规划越精细，越有利于精准调优，粒子群优化算法在波束权值组数量极大时，采取粒子群优化算法效果更明显。图7 粒子群和蚁群优化算法效果对比 多终端测试模式的优势在于：无须投入资源进行人工测试，采集上述小区下的所有在网5G终端的MR数据即可。后续基于后台关键绩效指标（key performance indicator，KPI）的统计结果，进行指标评估和分析，虽然呈现的信息维度较少，但在工程应用上更强，符合商用复杂环境。3 结束语 相对于普通道路的开放性，立体高层建筑物、中央商务办公区等高层室内场景具有隐私性强、环境复杂、用户动态分布等特点，导致测试难度大、深度覆盖难以评估，用户投诉也主要集中室内。因此，提出一种基于粒子群优化算法的5G波束权值寻优方法。采用粒子群优化算法迭代寻优，获得多小区权值组局部最优解，并将其下发到对应小区天线权值中。最后，完成CSI和SSB波束联动优化。相对于蚁群优化算法，粒子群优化算法具有收敛速度快、算法简单、鲁棒性强、适用范围广和可并行计算等优点，在大规模波束权值表 7 寻优前后的小区级性能指标效果对比 方案 样本点数/个 平均RSRP/dBm 平均SINR/dB 下行感知速率/(Mbits1)下行MCS 对照组 118 630 98.1 10.3 237.1 12.6 寻优后 146 720 89.6 12.1 301.8 15.9 增益 28 090 8.5 1.8 64.7 3.3 33 电信科学 2023 年第 7 期 迭代寻优中有明显优势，可以快速落地实施，因此，提出将粒子群优化算法运用到5G波束权值寻优中，提升室内用户的感知。参考文献：1 陈山枝.发展5G的分析与建议J.电信科学,2016,32(7):1-10.CHEN S Z.Analysis and suggestion of future 5G directionsJ.Telecommunications Science,2016,32(7):1-10.2 胡铮,袁浩,朱新宁,等.面向5G需求的人群流量预测模型研究J.通信学报,2019,40(2):1-10.HU Z,YUAN H,ZHU X N,et al.Research on crowd flows prediction model for 5G demandJ.Journal on Communica-tions,2019,40(2):1-10.3 ZHAO A P,REN Z Y.Wideband MIMO antenna systems based on coupled-loop antenna for 5G N77/N78/N79 applications in mobile terminalsJ.IEEE Access,2019(7):93761-93771.4 张平,陶运铮,张治.5G若干关键技术评述J.通信学报,2016,37(7):15-29.ZHANG P,TAO Y Z,ZHANG Z.Survey of several key tech-nologies for 5GJ.Journal on Communications,2016