本发明涉及通信基站部署，尤其涉及到一种基于能效驱动的5g移动小蜂窝基站室内混合部署方法。
背景技术：
1、在第五代(5g)移动通信技术背景下，部署室内小蜂窝基站(sbs)为游客提供服务已变得司空见惯。然而，在室内部署sbs受到来自于服务容量、信号传播和建筑物内部结构等方面的挑战。大型建筑内的商家经常举办各种活动来吸引游客，此时室内人流量与人群的聚集现象会明显的增加。在此情况下部署sbs提供服务就面临着能源消耗大、通信质量受损、无法为所有访客提供服务等问题。商家希望所部署的sbs能够有效降低能源消耗成本的同时满足游客需求。然而，由于客流量多的情况是间歇性的，部署更多的固定sbs来解决此问题在经济上并不可行。
2、移动基站的部署一直是一个备受关注的研究课题。当前，使用群体智能算法计算移动基站参数并根据目标函数部署它们已成为最为流行的解决方案之一。为了减少为地面终端提供无线覆盖所需的移动基站数量，确保每个终端至少在一个移动基站的通信范围内：
3、lyu等人提出了一种放置移动基站的多项式时间算法，称其为螺旋算法(smbsp)，该算法使移动基站沿着未覆盖终端区域的周长螺旋朝向中心顺序放置，直到所有终端都被覆盖，他们通过实验表明，该算法在解决他们所提出的问题时具有相较于其他算法更加优秀的结果。
4、singhal等人为了解决在缺乏蜂窝基础设施的不可访问区域内，部署基站进行视频监控的问题，他们使用移动基站覆盖不可访问区域，并提出了一种拓扑算法，计算覆盖不可访问区域所需的最少无人机数量，用于监视该区域。之后创建了支持此结构的无线网络，解决了将视频数据路由到地面站的挑战。他们使用相机焦距，传感器维度和无人机飞行高度对无人机所处的位置进行计算。但在他们的部署研究中，缺乏对能源效率的考虑。
5、kumar等人为了保证基站在时延和覆盖概率方面的服务质量，提出了一种新的无人机的基站部署框架，在他们的模型中，基站的负载受到覆盖、回程和信息的传输时延影响，他们将其视为一个优化问题，并提出了回程和延迟感知定位算法(badpu)，以最小化时延为目标，获得了移动基站的最优部署高度。在仿真实验中，他们对城郊环境进行了仿真，并且考虑了基站通信的阴影损失。他们利用badpu算法首先找出满足各自约束条件的不同的可行高度集，之后根据这些可行高度集的交点利用黄金分割方法找到最终区域，他们的模型充分发挥了无人机基站的机动力，通过改变部署基站的高度来保证基站的服务质量。
6、sachan等人以二维环境为背景进行移动基站的部署，为了解决基站密集部署导致的高功耗问题，他们提出基于网络规划的优化问题。网络规划问题的目的是为用户提供特定质量的服务，同时减少基站的能耗。他们提出了一种改进的人工蜂群(mabc)算法来解决该模型问题，mabc算法的算子编码方式使用了二维坐标和基站的功率。他们的实验结果表明，mabc算法在解决该模型问题方面优于其他算法。本文认为以优化基站的能源效率作为主要目标，更适合解决向用户提供优质服务的同时最大限度地减少能源消耗的挑战。
7、yaliniz等人解决了3d背景下的基站部署问题，他们利用移动基站来帮助固定基站最大化用户覆盖。他们将问题表述为最大化网络效益的3d布局问题。他们提出了一种有效的无人机三维蜂窝部署算法，称为等分搜索算法，他们使用该算法确定最佳移动基站覆盖范围和位置。hu等人利用几何因子(gdop)值与定位精度的反比关系，优化了复杂地形下的移动基站定位。他们利用mayfly优化算法(moa)来提高特定区域内的平均gdop，以实现精确的移动基站定位。他们将moa算法与遗传算法(ga)、粒子群算法(pso)和人工蜂群算法(abc)进行比较分析，结果表明moa算法更适合求解他们所提出的模型问题。然而，他们的研究没有考虑基站之间的干扰以及能耗问题，这些方面在本文提出的模型中得到了解决。
8、sun等人利用以移动基站辅助固定基站的方式来应对人流量增加方面的问题。他们研究的重点是以二维空间为背景的基站部署以及节能问题。该混合模型将固定基站和移动基站结合在一起，采用动态睡眠机制，将ee作为目标函数，从而够更好地衡量基站的服务与能耗情况。他们通过将各基站的二维坐标、运行状态和发射功率编码为算子，利用他们改进的差分进化算法(mide)求解模型问题，确定基站的最优位置、状态和功率。最终他们将mide算法与传统的差分进化算法和最新的差分进化算法进行了比较分析，结果表明mide算法在解决他们的模型问题时具有优越的性能。该研究通过将移动基站整合到的模型中，协助固定基站为客户提供服务，解决了高峰时段客流激增的问题。然而，本文认为，固定sbs面临的运营挑战不仅来自客流量增加，还来自人群聚集，他们的模型也仅限于二维环境。本文提出的模型最初包括预定数量的msbs，因为仅在高峰时段纳入msbs可能会忽略最优解决方案。本文的模型增强到在三维背景下运行，包括大型建筑物的内部结构和通过室内通信地板和墙壁的信号穿透损失，本文还模拟了每层楼的人群聚集区域，全面再现了现实世界的环境。
9、因此，当前缺少综合性研究的室内基站部署相关的研究现状。导致当前易出现室内基站的服务情况不能满足人流波动变化带来的挑战，要么部署了太多基站导致基站之间相互干扰而且造成大量的能耗损失，要么基站过少不能满足用户的需要。
技术实现思路
1、本发明的主要目的在于提供一种基于能效驱动的5g移动小蜂窝基站室内混合部署方法，旨在解决上述提出的问题。
2、为实现上述目的，本发明提供一种基于能效驱动的5g移动小蜂窝基站室内混合部署方法，包括以下步骤：
3、s1：构建室内环境模型；其中，所述室内环境模型包括建筑物结构信息、人流易聚集区域、m个固定sbs、k个移动sbs和j个移动设备；
4、s2：根据室内环境模型，构建m个固定sbs和k个移动sbs的功耗模型；其中，所述功耗模型包括每个sbs设备的功耗和负载；
5、s3：基于功耗模型中每个sbs设备和每个移动设备的位置信息，确定m个固定sbs和k个移动sbs的数据传输总速率和数据传输总能耗；
6、s4：构建sbs设备室内混合部署模型，将数据传输总速率和数据传输总能耗的比值作为所述sbs设备室内混合部署模型的评价指标，生成以若干个预设约束条件求解最小评价指标的目标函数；
7、s5：利用所述目标函数对所述sbs设备室内混合部署模型进行求解，获得m个固定sbs和k个移动sbs的部署策略。
8、可选的，所述构建室内环境模型中，所述m个固定sbs、所述k个移动sbs和j个移动设备的表达式，具体为：
9、sbs＝(sbs1，...，sbsi，...，sbsm，...，sbsm+k)；
10、sbsi＝(bcoi，bfloori，bpoweri，bstatei，bloadi，blinki)；
11、ue＝{ue1，...，uej，...，uej)；
12、uej＝(ucoj，ufloorj)；
13、其中，bcoi＝(xi，yi，zi)表示sbsi的坐标，bfloori表示sbsi的楼层，bpoweri和bstatei分别表示sbsi的传输功率和当前的运行状态，bloadi和blinki分别表示sbsi当前的负载及其当前连接用户的数量，uej表示第j个移动设备，ucoj和ufloorj表示uej当前的坐标和所在楼层。
14、可选的，每个sbs设备的功耗和负载的表达式，具体为：
15、
16、
17、其中，pi表示的sbsi的功耗，δp为功耗斜率表示各种sbs主要单元功耗对sbs功耗的影响，p0为sbs传输最小非零功率时的功耗，psleep表示固定sbs在睡眠模式下的功耗；
18、其中，bloadi表示sbsi的负载，pmax为sbs的最大发射功率，bloadi＝1和bloadi＝0分别代表当前sbsi负载满载和负载空闲状态，当处于负载空闲状态时，固定sbs会自动进入休眠状态；对于固定sbs，bstatei＝1，i∈{1...m}和bstatei＝0分别表示sbsi处于活动状态和休眠状态；对于移动sbs，bstatei＝0，i∈{m+1...m+k}表示该移动sbs处于退出状态。
19、可选的，步骤s3：基于功耗模型中每个sbs设备和每个移动设备的位置信息，确定m个固定sbs和k个移动sbs的数据传输总速率和数据传输总能耗，具体包括：
20、s31：将sbsi和移动设备uej的坐标分别设定为bcoi(x)，bcoi(y)，bcoi(z)和pcoj(x)，pcoj(y)，pcoj(z)；
21、s32：将两者之间的距离使用欧氏距离dis(j，i)进行表示，以此确定uej从sbsi接收到的功率prj，i；其中，功率prj，i的表达式，具体为：
22、
23、其中，fl和w分别为信号在传播过程中穿过天花板和墙壁的穿透损耗，bfloori和pfloorj分别表示sbsi和uej所在的楼层，bfloori-pfloorj表示信号传播过程中所经过的楼层数，|m|表示信号穿过的墙的数量，β0表示呈指数分布的瑞利衰落参数，均值为1/μ，1/μ为sbs的最小发射功率pmin和最大发射功率pmax所计算出的平均发射功率。
24、可选的，步骤s3：基于功耗模型中每个sbs设备和每个移动设备的位置信息，确定m个固定sbs和k个移动sbs的数据传输总速率和数据传输总能耗，具体包括：
25、s33：根据uej从sbsi接收到的功率prj，i，确定m个固定sbs和k个移动sbs的数据传输总速率rsum和数据传输总能耗psum；其中，数据传输总速率rsum和数据传输总能耗psum的表达式，具体为：
26、
27、
28、
29、rj，i＝b·log2(1+γj，i)；
30、
31、其中，表示sbsi在l％负载时的功率，其中l∈{10，30，50，100，sleep}，为sbsi在不同负载条件下的传输速率，其中n∈{10，30，50，100}，∈、ζ、η、θ、λ分别对应不同的测量点的权值，∈+ζ+η+θ+λ＝1，b为有效带宽，lj，i＝1和lj，i＝0分别表示uej和sbsi之间已建立连接和未建立连接，σ2为噪声功率，γj，i表示sbsi和uej之间的信噪比，rj，i表示sbsi和uej之间的传输速率。
32、可选的，步骤s4：构建sbs设备室内混合部署模型，将数据传输总速率和数据传输总能耗的比值作为所述sbs设备室内混合部署模型的评价指标，生成以若干个预设约束条件求解最小评价指标的目标函数中；
33、其中，所述目标函数的表达式，具体为：
34、f＝eetotal；
35、
36、其中，常数c用于将评价指标调整到适当的范围内；
37、其中，所述以若干个预设约束条件求解最小评价指标的表达式，具体为：
38、minimize f
39、subject to：
40、
41、其中，约束c1限制了sbsi的服务连接数必须小于linkmax，约束c2保证了sbsi的传输功率在pmin和pmax的范围内，约束c3限制了sbsi的bloadi在[0，1]范围内，约束c4表示uej和sbsi之间的连接关系在连接矩阵中为二进制值(0或1)，约束c5要求uej有且仅有一个sbs为其服务，约束c6和c7表示sbsi的坐标不能超过指定的区域，约束c8、c9和c10确保了sbsi不在墙壁和地板内。
42、可选的，步骤s5：利用所述目标函数对所述sbs设备室内混合部署模型进行求解，获得m个固定sbs和k个移动sbs的部署策略，具体包括：
43、s51：在利用所述目标函数对所述sbs设备室内混合部署模型进行求解时，将等式约束转化为不等式约束，求取最终适应度值ffinall；
44、s52：基于最终适应度值ffinall，采用自适应排序变异算法进行算子选择，并利用乱序替换策略与jafr算法，求解获得m个固定sbs和k个移动sbs的部署策略。
45、可选的，步骤s51：在利用所述目标函数对所述sbs设备室内混合部署模型进行求解时，将等式约束转化为不等式约束，求取最终适应度值中ffinall，所述最终适应度值ffinall的表达式，具体为：
46、
47、
48、
49、
50、
51、其中，q和m-q分别表示不等式约束的数量和等式约束的数量，δ为容差值，为解个体，为解个体的规约化的违背约束程度值，fmin和fmax分别对应当前种群中观测到的最小和最大适应度值。
52、可选的，步骤s52：基于最终适应度值ffinall，采用自适应排序变异算法进行算子选择，并利用乱序替换策略与jafr算法，求解获得m个固定sbs和k个移动sbs的部署策略；
53、其中，采用自适应排序变异算法进行算子选择，具体包括：
54、s521：按照种群的不同情况对种群进行排序，并根据标准ri求取选择算子的概率；其中，标准ri的表达式，具体为：
55、ri＝np-i+1，i∈{1，2，...，np}；
56、s522：当当前种群全由可行解个体组成时，为全可行状态，此时种群中的解个体根据适应度函数按升序排序，具体为：
57、f(x1)≤f(x2)≤...≤f(xnp)；
58、选择算子的概率为：
59、
60、s523：当当前种群同时包含可行解个体和不可行解个体时，为半可行状态，根据每个解个体的ffinall按升序进行排序。
61、ffinall(x1)≤ffinall(x2)≤...≤ffinall(xnp)；
62、此时选择算子的概率为：
63、
64、s524：如果当前种群只包含不可行解个体，：为不可行状态，此时则根据约束违反度按升序排序种群中的所有解个体。
65、g(x1)≤g(x2)≤...≤g(xnp)
66、选择算子的概率为：
67、
68、可选的，步骤s52：基于最终适应度值ffinall，采用自适应排序变异算法进行算子选择，并利用乱序替换策略与jafr算法，求解获得m个固定sbs和k个移动sbs的部署策略；
69、其中，乱序替换策略，具体为：
70、s525：在算法的每次迭代中，对外部存档a和父代种群p进行随机排序，并将他们分别划分为s个不同的子集a1，...，...，as和p1，....，ps，....，ps；
71、s526：使用as中违反约束程度最低、适应度较低的解个体替换ps中违反约束程度较高、适应度较高的解个体；如果替换成功，则该替换的解个体将从as中删除。
72、本发明的有益技术效果是：提出了一种基于能效驱动的5g移动小蜂窝基站室内混合部署方法，采用具有动态睡眠机制的室内sbs模型，并提出乱序融合自适应差分进化算法(jafr)来应对在客流量波动期间保持sbs服务质量的同时减少其能耗的挑战。首先，模拟了一个具有内部结构的三维建筑以及随着时间变化而变化的人流量模型，在这个模型中，利用移动小蜂窝基站(msbs)的灵活性使其自由出入服务区域，对固定的sbs进行辅助，根据扩展空闲能源效率(ee)计算sbs和msbs的传输功率、运行状态和部署位置，结合它们各自的优势来应对这个挑战，采用这种方法可以有效的保证sbs的通信质量并减少其能耗。为了得到最优的混合部署策略，对具有可选外部归档的自适应差分进化算法(jade)进行了改进，以jade算法为基础，结合了最终适应度公式、自适应排序变异算子和乱序替换策略，最终提出了jafr算法。
1.一种基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，所述构建室内环境模型中，所述m个固定sbs、所述k个移动sbs和j个移动设备的表达式，具体为：
3.如权利要求2所述的基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，每个sbs设备的功耗和负载的表达式，具体为：
4.如权利要求3所述的基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，步骤s3：基于功耗模型中每个sbs设备和每个移动设备的位置信息，确定m个固定sbs和k个移动sbs的数据传输总速率和数据传输总能耗，具体包括：
5.如权利要求4所述的基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，步骤s3：基于功耗模型中每个sbs设备和每个移动设备的位置信息，确定m个固定sbs和k个移动sbs的数据传输总速率和数据传输总能耗，具体包括：
6.如权利要求5所述的基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，步骤s4：构建sbs设备室内混合部署模型，将数据传输总速率和数据传输总能耗的比值作为所述sbs设备室内混合部署模型的评价指标，生成以若干个预设约束条件求解最小评价指标的目标函数；
7.如权利要求6所述的基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，步骤s5：利用所述目标函数对所述sbs设备室内混合部署模型进行求解，获得m个固定sbs和k个移动sbs的部署策略，具体包括：
8.如权利要求7所述的基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，步骤s51：在利用所述目标函数对所述sbs设备室内混合部署模型进行求解时，将等式约束转化为不等式约束，求取最终适应度值中ffinall，所述最终适应度值ffinall的表达式，具体为：
9.如权利要求8所述的基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，步骤s52：基于最终适应度值ffinall，采用自适应排序变异算法进行算子选择，并利用乱序替换策略与jafr算法，求解获得m个固定sbs和k个移动sbs的部署策略；
10.如权利要求9所述的基于能效驱动的5g移动小蜂窝基站室内混合部署方法，其特征在于，步骤s52：基于最终适应度值ffinall，采用自适应排序变异算法进行算子选择，并利用乱序替换策略与jafr算法，求解获得m个固定sbs和k个移动sbs的部署策略；
