基于贝叶斯网络的组网参数自动规划方法

来源:用户上传      作者:冀云刚 霍永华

　　摘要：针对战场机动通信网络快速规划需求，提出了一种基于贝叶斯网络的组网参数自动规划方法。通过对传统二进制粒子群优化算法在粒子群初始化和算法搜索空间等方面进行改进，实现了组网参数贝叶斯网络结构的快速学习，利用贝叶斯网络实现组网参数的自动规划，以超短波电台网络为仿真模型，对算法进行了仿真验证。结果表明，该算法在超短波组网参数规划中具有较高的准确率，能够满足战场机动通信网络快速规划需求。
　　关键词：网络规划；贝叶斯网络；粒子群优化
　　中图分类号：TP393文献标志码：A文章编号：1008-1739（2022）13-43-5
　　战场机动通信网络具有通信手段种类多、组织应用灵活等特点，这就导致需要规划大量的网络开通参数。以某典型机动通信网络为例，需要规划的各类参数多达20多万条。虽然采用了自动规划相关技术，但仍有大量参数需规划人员根据自身经验进行人工规划，难度大、效率低，影响网络快速开通。
　　近年来，随着数据挖掘和机器学习等技术的快速发展，在网络规划领域也逐步推广应用。文献[1]中将决策树算法和关联规则算法应用到电信网规划中，进行数据的分类整理和后期检测。文献[2]针对传统网络规划问题，提出建立基于多维数据的网络质量评估模型，提升网络规划效率和精细程度。文献[3]通过对现网数据的挖掘分析，构建价值评估、干扰评估和覆盖评估等多维度的评估体系，指导网络规划，提升网络质量。文献[4]通过基于三角几何的方式采用外接圆自动规划算法，实现站址的自动规划。文献[5]在站址优化选择中采用一种改进的粒子群算法，取得了较好的效果。但上述研究成果一般针对固定网络，主要侧重站址选择、频率分配和网络评估分析等，针对战场复杂环境下的机动通信网络规划方面涉及较少。本文从战场机动通信网络快速规划开通需求出发，提出了一种基于贝叶斯网络（Bayesian Network，BN）的规划参数自动规划模型，通过对典型规划方案数据的挖掘分析，识别不同规划因素间潜在的关联关系，构建机动通信网络规划因素的贝叶斯网络模型，实现组网参数自动规划，从而提升规划效率，降低规划难度。
　　1.1贝叶斯网络
　　③适应度计算
　　在基于贝叶斯网络的粒子更新算法中，粒子适应度的计算对应贝叶斯网络中的评分函数。贝叶斯网络常见的评分函数包括BIC，BDE和MDL等。在本文中采用BIC评分来计算粒子适应度。
　　另外，针对算法学习到的自循环、双向箭头和内循环非法结果，可分别采用直接删除循环弧线和随机删除其中一条弧线进行处理。
　　针对机动通信网络中存在的大量超短波子网规划需求，本文采用基于贝叶斯网络的自动规划算法，流程如图3所示。
　　①规划数据整理：目前已有的规划数据中只包含了设备具体参数部分，没有体现影响组网参数的输入性内容，如节点类型和节点位置等，需针对任务输入内容进行归一化整理，形成格式化输入数据。
　　②贝叶斯网络结构学习：基于整理后的格式化数据，采用改进的粒子群算法学习超短波组网参数的贝叶斯网络结构。
　　③规划超短波组网参数：利用学得的贝叶斯网络进行超短波组网参数自动规划，生成超短波组网参数。
　　④网络开通验证：利用生成的超短波网络组网参数开通超短波网络，验证规划参数的正确性和可用性。
　　3.1实验数据
　　本文选择了12个不同典型任务场景下的704个超短波子网组网参数规划结果，进行数据梳理，最终形成数据完整的680个超短波子网组网参数规划结果数据作为本文的训练样本。
　　3.2贝叶斯网络结构学习
　　（1）算法参数选择
　　在二进制粒子群算法中的不同参数的选择对算法性能影响较大，学者们的研究结果表明，一般取值为0.4～0.9。在本文算法中=0.7，1= 2=2，其他参数设置如表1所示。
　　（2）粒子初始化
　　x择影响超短波组网的典型参数，包括节点类型、节点位置、成员类型、业务类型、成员数量、工作模式以及时隙数，分别计算互信息，结果如下：

转载注明来源:https://www.xzbu.com/1/view-15437500.htm