劉禹佳，張福琦，周易欣，林海波，倪虹霞

(1.長(zhǎng)春工程學(xué)院電氣與信息工程學(xué)院，長(zhǎng)春 130012； 2.吉林大學(xué)通信工程學(xué)院，長(zhǎng)春 130012；3.長(zhǎng)春建筑學(xué)院電氣信息學(xué)院，長(zhǎng)春 130607)

0 引言

近年來(lái)，隨著高速鐵路技術(shù)的不斷發(fā)展與成熟，為了滿足用戶對(duì)高速率LTE網(wǎng)絡(luò)業(yè)務(wù)的需求，高速移動(dòng)車地通信技術(shù)得到蓬勃發(fā)展[1-2]。鐵路專用數(shù)字通信系統(tǒng)(GSM-R)覆蓋下的高鐵網(wǎng)絡(luò)質(zhì)量較差，存在帶寬小、傳輸速率低、無(wú)線覆蓋差和高速行駛下頻繁越區(qū)切換等缺點(diǎn)，嚴(yán)重影響了專網(wǎng)用戶的網(wǎng)絡(luò)業(yè)務(wù)感知，使高鐵沿線組網(wǎng)優(yōu)化成為提高列控系統(tǒng)穩(wěn)定性和可靠性的主要議題[3-4]。

近年來(lái)提出的鐵路專用寬帶移動(dòng)通信系統(tǒng)(LTE-R)，能夠提供高質(zhì)量網(wǎng)絡(luò)服務(wù)，優(yōu)化了基站切換算法，已被應(yīng)用到高鐵專網(wǎng)的規(guī)劃和建設(shè)當(dāng)中[5-6]。與傳統(tǒng)的GSM-R系統(tǒng)相比，LTE-R系統(tǒng)支持高鐵場(chǎng)景，同時(shí)具備扁平化的網(wǎng)絡(luò)結(jié)構(gòu)，并能獲得更短的通信時(shí)延。LTE-R以O(shè)FDM為基礎(chǔ)，能有效增加頻譜利用率，并降低網(wǎng)絡(luò)部署和維護(hù)的成本。然而，由于LTE系統(tǒng)中的越區(qū)切換算法大多基于A3事件，現(xiàn)行的切換方案不但無(wú)法有針對(duì)性地提升用戶感知，還受硬件設(shè)備限制[7]，這就對(duì)高速鐵路場(chǎng)景下網(wǎng)絡(luò)切換的成功率和切換時(shí)延提出了更高的要求。

綜合前述分析，本文提出一種基于改進(jìn)的人工蜂群算法(Improved Artificial Bee Colony Algorithm，IABC)和徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)的LTE-R高鐵專網(wǎng)切換優(yōu)化方法。通過改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)算法可以動(dòng)態(tài)預(yù)測(cè)切換觸發(fā)時(shí)延和切換遲滯門限，能夠有效解決列車運(yùn)行時(shí)的越區(qū)覆蓋問題，提升專網(wǎng)用戶的網(wǎng)絡(luò)業(yè)務(wù)感知。

1 基于LTE-R的切換工作原理

LTE-R的切換過程有5類，分別為eNodeB內(nèi)部切換、通過S1的eNodeB之間切換、通過X2的eNodeB之間切換、MME之間切換以及LTE-R與其他系統(tǒng)之間的切換。其切換過程主要由移動(dòng)用戶端UE(User Equipment)、基站eNodeB以及接入網(wǎng)AGW(Access Gateway)協(xié)作完成。圖1為高鐵場(chǎng)景越區(qū)切換的示意圖，其中X為切換過渡區(qū)，若在此期間目標(biāo)基站和當(dāng)前基站的RSPR差值達(dá)到切換門限，則A3事件觸發(fā)。而在距離為Y的切換區(qū)，列車會(huì)完成小區(qū)之間的切換。這種一維的LTE-R接入網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)點(diǎn)在于可以提高數(shù)據(jù)傳輸速度，強(qiáng)化無(wú)限資源控制，其簡(jiǎn)化的結(jié)構(gòu)同時(shí)也降低了系統(tǒng)搭建及維護(hù)成本。

當(dāng)A3事件觸發(fā)時(shí)，相關(guān)參數(shù)應(yīng)滿足的條件：

Mt-Hys>Ms，

(1)

式中：Mt為目標(biāo)小區(qū)信號(hào)強(qiáng)度；Hys為切換遲滯門限參數(shù)；Ms為服務(wù)小區(qū)的信號(hào)強(qiáng)度。且觸發(fā)時(shí)延TTT與切換遲滯參數(shù)Hys滿足圖2所示關(guān)系。

圖1 LTE-R越區(qū)切換示意圖

圖2 A3事件觸發(fā)切換示意圖

2 高鐵LTE-R專網(wǎng)組網(wǎng)優(yōu)化設(shè)計(jì)

由于高速鐵路運(yùn)行時(shí)，移動(dòng)網(wǎng)絡(luò)中切換觸發(fā)時(shí)延TTT與切換遲滯參數(shù)Hys通常為預(yù)設(shè)定值，有時(shí)會(huì)導(dǎo)致連接失敗，產(chǎn)生乒乓效應(yīng)等現(xiàn)象，嚴(yán)重影響高鐵網(wǎng)絡(luò)質(zhì)量，本文通過設(shè)計(jì)IABC-RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，動(dòng)態(tài)調(diào)控并優(yōu)化TTT和Hys參數(shù)，有效提升專網(wǎng)用戶的網(wǎng)絡(luò)業(yè)務(wù)感知。

2.1 RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化及建立

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種具備單隱層的3層前向網(wǎng)絡(luò)，其3層結(jié)構(gòu)分別為：輸入層、隱含層和輸出層。RBF神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型表達(dá)式如式(2)：

(2)

式中：wi為輸入層權(quán)重；x為網(wǎng)絡(luò)輸入的n維向量；g(·)為RBF函數(shù)；ci為RBF神經(jīng)網(wǎng)絡(luò)函數(shù)中心參數(shù)；σi為基函數(shù)寬度；b為輸出層閾值；nc為隱含層神經(jīng)元個(gè)數(shù)；‖·‖為求范數(shù)運(yùn)算，用于獲得x與ci之間的距離。

本文選擇高斯徑向基函數(shù)作為隱含層神經(jīng)元激活函數(shù)，則該層神經(jīng)元的輸出為

(3)

改進(jìn)及建立RBF神經(jīng)網(wǎng)絡(luò)的核心任務(wù)在于解決隱含層中心參數(shù)、寬度參數(shù)以及連接權(quán)重的問題。由于在A3事件下，高鐵列車運(yùn)行中切換觸發(fā)時(shí)延(TTT)和切換遲滯門限(Hys)兩個(gè)參數(shù)通常預(yù)設(shè)為定值，導(dǎo)致列車在低速運(yùn)行及傳輸損耗變化較大時(shí)出現(xiàn)乒乓效應(yīng)，在高速運(yùn)行時(shí)出現(xiàn)無(wú)線鏈路連接失敗及傳輸損耗振蕩變化等問題。針對(duì)前述問題進(jìn)行高鐵專網(wǎng)組網(wǎng)優(yōu)化，主要內(nèi)容為利用IABC-RBF神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)優(yōu)化TTT和Hys兩個(gè)關(guān)鍵參數(shù)，建立3層RBF神經(jīng)網(wǎng)絡(luò)模型，如圖3所示。

圖3 改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1)輸入層：起始的信號(hào)源節(jié)點(diǎn)，輸入層神經(jīng)元數(shù)即為輸入層節(jié)點(diǎn)數(shù)，本算法中輸入的神經(jīng)元參數(shù)為列車速度v和傳輸損耗L，輸入節(jié)點(diǎn)為2個(gè)。

2)隱含層：隱含層神經(jīng)元的激活函數(shù)為高斯函數(shù)，用于對(duì)輸入層內(nèi)容進(jìn)行非線性變換；其節(jié)點(diǎn)數(shù)需要根據(jù)具體情況確定，過多的節(jié)點(diǎn)會(huì)增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度，過少的節(jié)點(diǎn)又會(huì)降低網(wǎng)絡(luò)的學(xué)習(xí)能力。

3)輸出層：輸出層用于響應(yīng)輸入信號(hào)，其激活函數(shù)為線性函數(shù)，能夠?qū)﹄[含層神經(jīng)元的輸出信息執(zhí)行線性加權(quán)，并作為系統(tǒng)最終的輸出結(jié)果。

2.2 改進(jìn)的人工蜂群算法

本文引入改進(jìn)的人工蜂群算法，進(jìn)一步優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的模型參數(shù)。人工蜂群算法是一種基于蜜蜂行為的仿生學(xué)優(yōu)化算法。通過單個(gè)工蜂的局部尋優(yōu)行為，選擇組群中的全局最優(yōu)值。該算法中有3種類型的蜜蜂算法單元，即引領(lǐng)蜂、跟隨蜂和偵查蜂。蜂群中引領(lǐng)蜂的數(shù)量代表解的數(shù)量，蜂蜜源的位置代表對(duì)該問題的最優(yōu)解，蜂蜜源花粉的質(zhì)量代表解的適應(yīng)度，且每個(gè)蜂蜜源一次只能由1只引領(lǐng)蜂采蜜。帶領(lǐng)蜂找到蜂蜜源后，他們將以搖擺舞的形式與其他蜜蜂分享蜜源的收益率，搖擺舞的持續(xù)時(shí)間還反映了蜂蜜來(lái)源的收益情況。最后，跟隨蜂根據(jù)獲利能力選擇收集哪種蜂蜜。在收集蜂蜜的過程中，使用引領(lǐng)蜂來(lái)維持解決方案的優(yōu)越性，使用跟隨蜂來(lái)提高算法的收斂速度，使用偵查蜂來(lái)進(jìn)行監(jiān)督，以避免算法陷入局部最優(yōu)狀態(tài)。

人工分群算法的優(yōu)勢(shì)在于通過較少的控制參數(shù)就可以使迭代進(jìn)行全局遍歷和局部搜索，較其他方法具有更快的收斂速度和更高的穩(wěn)定性。

對(duì)于改進(jìn)的人工蜂群算法，其模型建立主要分為3個(gè)階段，分別為蜜源初始化、蜜源更新和高斯變異。

2.2.1 蜜源初始化

根據(jù)RBF神經(jīng)網(wǎng)絡(luò)對(duì)改進(jìn)的人工蜂群算法進(jìn)行參數(shù)初始化，其中蜜源的個(gè)數(shù)代表解的個(gè)數(shù)NS，蜜源的隨機(jī)產(chǎn)生方式如式(4)：

xid=Unifrnd(Md，Nd，[1，D])，

(4)

式中：xid為第i個(gè)蜜源的第d個(gè)維度；Unifrnd(·)函數(shù)用于表示產(chǎn)生在第d個(gè)維度上，上限Md和下限Nd=中均勻分布的隨機(jī)數(shù)組1×D。均勻分布的初始蜜源位置能夠有效規(guī)避局部最優(yōu)，同時(shí)加快算法的收斂速度。

2.2.2 蜜源更新

在初始階段，引領(lǐng)蜂通過如式(5)的方式尋找新蜜源：

vid=xid+φ(xid-xjd)，

(5)

式中：vi為新蜜源；xi與xj表示兩個(gè)不同的蜜源；φ(·)為[-1，1]之間的隨機(jī)數(shù)。通過貪婪算法，若新蜜源vi的適應(yīng)度優(yōu)于老蜜源xi，則使用新蜜源vi代替老蜜源xi，否則，保留老蜜源xi。

在尋找到蜜源之后，引領(lǐng)蜂通過搖擺舞發(fā)送蜜源信息，跟隨蜂通過輪盤賭的方式計(jì)算概率并進(jìn)行跟隨：

(6)

式中：Pi為蜜源被開采的概率；f(xi)為第i個(gè)蜜源的適應(yīng)度：

(7)

式中JMSEi為第i個(gè)解的均方誤差。同時(shí)，若同一蜜源經(jīng)過持續(xù)開采而未被更新，則會(huì)判斷循環(huán)次數(shù)是否達(dá)到閾值，若達(dá)到閾值，蜜源被棄用，引領(lǐng)蜂轉(zhuǎn)換為偵查蜂，通過式(5)繼續(xù)尋找新的蜜源。

2.2.3 高斯變異

高斯變異是在變異操作期間，將高斯分布的隨機(jī)向量應(yīng)用于原始狀態(tài)，從而增加系統(tǒng)的多樣性和穩(wěn)定性，并避免其陷入局部最優(yōu)狀態(tài)。通過高斯突變擾動(dòng)蜂蜜源的位置為

xid=xid·[1+kN(0，1)]，

(8)

式中N(0，1)為均值為0、方差為1的高斯分布。在訓(xùn)練過程中，如果新的蜂蜜源更具適應(yīng)性，則可以用來(lái)替代舊的蜜源。

2.3 建立模型

選擇最優(yōu)的蜜源輸出，作為RBF神經(jīng)網(wǎng)絡(luò)的模型參數(shù)，并初始化RBF神經(jīng)網(wǎng)絡(luò)，建立蜜源位置與RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度、寬度參數(shù)σi和最大神經(jīng)元數(shù)目Nc之間的映射，訓(xùn)練過程如圖4所示。

在訓(xùn)練的過程中，人工蜂群的種群大小設(shè)置為P= 25，最大循環(huán)次數(shù)設(shè)置為Cmax=50，閾值limit與種群大小和解的維度直接相關(guān)，設(shè)置為limit=P×Cmax×0.7。

圖4 改進(jìn)的人工蜂群算法示意圖

3 建立仿真模型與分析實(shí)驗(yàn)結(jié)果

3.1 數(shù)據(jù)來(lái)源

考慮到列車運(yùn)行時(shí)環(huán)境因素的影響，實(shí)驗(yàn)中采用長(zhǎng)吉高鐵沿線參數(shù)進(jìn)行仿真，且長(zhǎng)吉沿線的多山地環(huán)境使列車在運(yùn)行時(shí)存在大尺度的傳輸損耗，從而使訓(xùn)練達(dá)到更好的效果。具體仿真參數(shù)配置見表1。

表1 仿真參數(shù)配置

3.2 系統(tǒng)仿真結(jié)果

在相同的測(cè)試環(huán)境下，本文對(duì)比了A3事件算法、RBF神經(jīng)網(wǎng)絡(luò)切換算法和IABC-RBF神經(jīng)網(wǎng)絡(luò)切換算法的效果，并考查了這些算法對(duì)于切換成功率、無(wú)線掉線率和乒乓切換等過程的穩(wěn)定性。

圖5為本文算法與傳統(tǒng)方法的切換成功率的比較結(jié)果示意圖。目前，我國(guó)無(wú)線通信系統(tǒng)的服務(wù)質(zhì)量(QoalityofService，QoS)要求越區(qū)切換成功率需達(dá)到99.5%以上。但是隨著運(yùn)行速度v的增加，A3事件算法的切換成功率大大降低。列車運(yùn)行速度超過120km/h后，交接成功率已無(wú)法達(dá)到99.5%。而本文基于IABC-RBF的切換方法可以根據(jù)運(yùn)行速度v觸發(fā)時(shí)延和遲滯門限，有效提高目標(biāo)小區(qū)的可預(yù)測(cè)能力，從而保證較高的穩(wěn)定性和切換成功率，滿足高鐵專網(wǎng)用戶的感知需求。

圖5 切換成功率對(duì)比

同時(shí)將本文算法的無(wú)線丟包率與傳統(tǒng)的切換方法進(jìn)行比較，實(shí)驗(yàn)結(jié)果如圖6所示。由圖6可見，當(dāng)行駛速度v<120km/h時(shí)，3種算法均保持了良好的穩(wěn)定性，無(wú)線掉線率<0.5%。隨著運(yùn)行速度的提高，基于A3事件算法的無(wú)線丟包率嚴(yán)重劣化。與A3事件算法和RBF算法相比，本文算法具有更高的穩(wěn)定性和可靠性。

最后，圖7給出了相同測(cè)試條件下3種算法乒乓率的實(shí)驗(yàn)結(jié)果，可以看出，在不同運(yùn)行速度條件下，基于IABC-RBF神經(jīng)網(wǎng)絡(luò)的切換算法的乒乓率顯著低于另外兩種算法。

圖6 無(wú)線掉線率對(duì)比

圖7 乒乓率對(duì)比

4 結(jié)語(yǔ)

切換算法是影響高鐵網(wǎng)絡(luò)業(yè)務(wù)連續(xù)性和穩(wěn)定性的關(guān)鍵因素，在LTE-R專網(wǎng)的優(yōu)化中起著至關(guān)重要的作用。本文基于改進(jìn)的人工蜂群算法和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，提出了一種用于LTE-R高速專用網(wǎng)的切換優(yōu)化方法?；诟哞F列車的運(yùn)行速度和傳輸損耗，設(shè)計(jì)了IABC-RBF神經(jīng)網(wǎng)絡(luò)模型，動(dòng)態(tài)優(yōu)化切換觸發(fā)時(shí)延和切換遲滯門限，在獲得最優(yōu)解的同時(shí)，具備更快的收斂速度。實(shí)驗(yàn)結(jié)果表明，本文算法在高速行駛的情況下具備較高的可靠性和穩(wěn)定性，能夠滿足高速鐵路場(chǎng)景下的切換需求，為神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)優(yōu)化中的應(yīng)用提供了一定的參考。