马传项

中邮建技术有限公司

0 引言

根据GSA（Global Mobile Suppliers Association，全球移动供应商协会）统计，截至2021年4月中旬，全球已部署5G商用网络达到162张。截至2021年3月底，我国建成5G基站81.9万个，占全球70%以上，已建成全球规模最大的5G独立组网网络。2020年第四季度，全球5G订阅用户达到4.01亿，占全球移动市场4.19%。根据2021年一季度国内三大运营商公布的数据，中国5G用户数已经超过3.9亿户，或已占到全球市场80%左右。

目前大型城市主城区5G网络已经可以连续覆盖，为提升覆盖性能，现网逐步推广SSB（Synchronization Signal Block，同步信号块）8波束配置。但8波束天线权值配置共涉及32个参数，参数组合很多，天线权值参数优化复杂度非常高，且对优化工程师的无线环境鉴别能力要求提高，因此天线权值调整是当前外场进行覆盖结构优化中的难点。

1 Massive MIMO介绍

根据香农公式（公式1），提升信噪比可以提升信道容量。但是随着信噪比继续增大，信道容量增长速度变缓，提升空间变得有限。

B是信道带宽（赫兹），S是信道内所传信号的平均功率（瓦），N是信道内部的高斯噪声功率（瓦），C是信息传送速率（bps）。

MIMO（Multiple Input Multiple Output，多输入多输出）技术通过多天线突破了香农极限，可以成倍提升系统容量，天线数越多增益越大。相对于LTE系统，NR系统面临更大容量需求及高频引入后的覆盖短板。Massive MIMO基于大规模天线，通过空分复用、波束赋形等多天线技术可以很好地解决容量和覆盖问题。Massive MIMO可以获得阵列、分集、波束赋形和空分复用四个方面增益，提升系统覆盖、系统容量和峰值速率。

（1）上行接收分集：gNodeB侧通过多个天线接收来自多个信道的信号，对各天线上的信号进行加权合并运算，从而提高接收信号的信噪比和稳定性。信号是相关的，白噪声是不相关的，所以合并能够提高信道的信噪比，并且增益随天线数量增加而增大，天线数量每增加一倍，覆盖率提升3db。

（2）下行波束赋形：gNodeB侧发射信号经过加权后，形成带有方向性的窄波束。波束越窄，覆盖越远，可以弥补高频传播带来的额外路损。天线数越多，通过调整权值可以更灵活地控制波束方向，64T64R可以达到垂直方向4层波束覆盖。天线数越多，波束越窄，可以有效减少波束间的干扰。

（3）空分复用：基于大规模天线进行波束赋形，降低数据流间的干扰，让同一个时频资源在不同空间内得到重复利用，有效提升系统容量。天线数越多，容量增益越大。

综合以上阐述，5G天线具有以下新特性：（1）天线数量增加，波束更窄，增益更大；（2）提高波束赋型准确性；（3）显著降低干扰，提升信噪比；（4）更多流MU-MIMO，提升频谱效率。

AAU主流配置是128/192阵子，每个阵子可认为是一副天线。每个SSB波束可配置的参数维度包括：方向角、电子下倾角、水平半功率角与垂直半功率角，8个波束就是32个参数，每个参数可配置多个值，整体组合非常庞大。如仅用其中一些典型场景配置参数无法最大化适配无线环境，通过人工方式来设置也不现实，必须结合人工智能进行配置优化。

本次参考日常优化经验，仅使用系统自带17种典型组合进行配置优化。

2 蚁群算法

蚁群算法是Marco Dorigo于1992年提出的，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为，如图1所示。这种算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。通过模拟自然界蚂蚁搜索食物路径的行为，提出一种新型模拟进化算法——蚁群算法，是群智能理论研究领域的一种主要算法。用该方法求解TSP问题、分配问题、job-shop调度问题，取得了较好的实验结果。蚁群算法在求解复杂优化问题方面有一定优势，是一种有发展前景的算法。

图1 蚂蚁寻找食物路径示意图

蚁群算法被用于解决大多数优化问题或者能够转化为优化求解的问题，其应用领域已经扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划和系统辨识等方面。

蚁群算法具有以下优点：（1）通用性较强，能够解决很多可以转换为连通图结构的路径优化问题；（2）同时具有正负反馈的特点，通过正反馈特点利用局部解构造全局解，通过负反馈特点也就是信息素的挥发来避免算法陷入局部最优；（3）有间接通讯和自组织的特点，蚂蚁之间并没有直接联系，而是通过路径上的信息素来进行间接的信息传递，自组织性使得能够利用群体的力量解决问题。

但是，基本蚁群算法也存在一些缺点：（1）从蚁群算法的复杂度来看，该算法与其他算法相比，所需要的搜索时间较长；（2）该算法在搜索进行到一定程度以后，容易出现所有蚂蚁所发现的解完全一致这种“停滞现象”，使得搜索空间受到限制。

城市遍历是蚁群算法的典型应用之一，如构造50个城市，计算最短路径，测试算法的可行性。50个城市的信息如下：

通过290次迭代计算后，距离之和的最优解稳定在4104，如图2所示。

图2 城市遍历分析结果

经过测试，该算法可行。在该算法基础上改进，使其与Massive MIMO结合，寻找天线权值最优解配置方案。

3 算法实现

本研究通过“AI+规划+优化”的方式，为天线权值配置寻优提供了切实有效的解决方案。通过建立专用测量，提取路测用户测试数据作为数据源。数据清洗后数据格式如表1所示。

表1 数据清洗后格式

每个采样点可以接收到多个小区信号，每个小区信号可以认为是一条路径，每个采样最优路径的RSRP要远优于其他路径，即接收到的RSRP高于其他小区，并对所有的路径寻优，确保整体RSRP平均值最大。

将蚁群算法应用于解决优化问题的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。RSRP高的路径即是短的路径，也即最优解。路径较短的蚂蚁释放信息素量较多，随着时间推进，较短路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳路径上，此时对应的便是待优化问题的最优解。

如遍历所有天线权值设置，测试数据量将会很庞大，时间周期长、成本高。本次我们根据日常优化经验，仅使用其中17种典型配置组合进行优化，也即只需测试17次即可。同时为确保数据准确性，需确保测试路线一致、测试方向一致、测试终端一致、测试车辆一致。

前述17种天线权值配置组合如表2所示。

表2 17种天线权值组合适用场景

本研究使用蚁群算法来求小区间整体最优解，通过分布式计算、启发式搜索、信息正反馈等算法，能大幅降低搜索时间，比如一个小区可配置17种权值，20个小区的权值组合为2017，寻找20个小区的最优权值配置，按照试错性搜索需要2年6个月，使用蚁群搜索算法，能够将时间缩短至40分钟，见图3。

图3 遍历搜索算法与AI搜索算法效率对比

算法处理流程如图4所示。

图4 数据分析处理流程

以服务小区为核心，建立三维坐标系，如图5所示，分别对每个小区的数据进行处理。

图5 三维坐标系

本次选择测试范围共涉及51个小区，经过蚁群算法优化后的天线权值设置如表3所示。

表3 优化后适配场景

适用范围最广的是“DEFAULT”，也即缺省场景，达到36个小区，占比为70.59%，占比最高。其他场景占比较零散，占比为29.41%。

整体增益情况如表4所示。

表4 天线权值优化前后对比

各项指标均有明显改善，说明个性化设置权值参数与无线环境更匹配，可提升网络质量。

目前仅使用17种天线权值配置方案，试验区域内涉及51个小区，只分析道路测试数据，数据清洗后有效数据12万条，处理时间3小时42分钟。

目前数据量相对比较小，处理时间还比较短。如采集MR全量数据，数据量是海量的，用现在的分析方法基本不可能实现，还需对算法进行优化，加入其他更好的算法辅助处理，提高分析效率。

4 结束语

本文基于现场用户级信息进行天线权值参数寻优，实现天线覆盖波形适配用户位置缝补效果。从研究价值来看，有益于日常射频优化、网络结构问题处理、工程阶段站点优化等，可在工程优化、道路优化、测试保障中发挥重大作用。通过MR采集，可以降低测试成本；通过与AI结合，可以节约大量数据分析成本，降低网络优化运维成本。

随着蚁群算法在工程实践中应用的深入和系统复杂性增加，需要处理的数据量也会越来越大，使得单纯一到两种智能方法往往不能很好地解决问题。目前，蚁群算法研究大多集中在算法、模型更新，以及软件开发上。未来将会结合多种算法，根据用户行为动态设置天线权值参数，使网络覆盖性能发展到极致，实现真正的智能优化。