3. Adaptív vezeték nélküli pont-többpont hálózatok 71
3.10. Számítógépes szimulációs eredmények
3.10.3. Az uplink adóteljesítmény egyidejű minimalizálása
3.6. táblázat. A különböző célfüggvények összehasonlítása
Célfüggvény N-A G-A P-A P2-A P3-A MinMax N-C G-C P-C P2-C P3-C
Elégedettfelh.ar.[%] min DL 95.44 71.11 72.03 85.07 97.22 69.24 97.22 97.44 95.33 97.33 98.44 UL 93.22 63.64 66.21 82.42 95.22 63.94 95.44 95.78 94.44 96.33 97.44
max DL 100.00 82.25 80.56 90.86 100.00 92.44 100.00 100.00 100.00 100.00 100.00 UL 99.33 78.84 76.78 88.67 99.86 89.67 100.00 100.00 99.51 100.00 100.00
átlag DL 98.79 78.52 76.86 88.29 99.35 81.28 99.81 99.55 98.90 99.72 99.93 UL 98.16 73.87 73.03 85.41 99.05 77.08 99.53 99.06 98.22 99.46 99.69
szórás DL 0.70 2.81 2.26 1.26 0.45 4.24 0.47 0.47 0.75 0.41 0.22
UL 1.06 2.86 2.57 1.35 0.70 4.92 0.83 0.64 0.78 0.55 0.48
UHR[%] min DL 53.89 10.59 11.58 19.15 49.11 37.27 48.33 22.15 20.50 25.29 49.11 UL 44.67 6.42 9.66 14.83 40.33 32.40 41.78 14.83 15.54 15.54 41.44
max DL 87.67 30.78 27.56 37.89 71.50 53.41 69.66 44.56 42.56 44.44 68.67 UL 78.17 20.11 21.10 29.78 57.00 44.83 59.83 35.00 34.11 35.56 55.80
átlag DL 81.49 17.09 18.83 25.34 64.20 47.32 65.07 27.24 26.43 30.34 62.59 UL 70.04 15.30 16.67 20.35 51.13 38.79 54.08 18.86 19.33 21.06 50.29
szórás DL 6.54 3.78 3.54 3.04 4.38 3.54 4.86 4.67 4.71 4.16 3.96
UL 7.64 3.65 3.08 2.90 3.82 3.13 4.65 3.70 3.33 3.52 3.41
n100 1627 2391 2026 2080 2299 2153 595 2740 2503 2768 3336
n90 836 794 711 777 266 477 293 1041 1151 921 367
µ[%] 1.11 1.78 2.79 1.2 0.23 14.61 1.26 5.41 6.64 4.22 1.57
nem lehet egymással összevetni. Aµátlagos javítás, adott TS elrendezés esetén inkább a cél-függvény jellemzője, megmutatja, hogy a BFWA hálózatban kialakult SINR viszonyok ismert mértékű megváltozása mekkora mértékben változtatja meg az adott célfüggvénnyel kiszámított fitnesz pontszámot.
0 2 4 6 8 10 12 14 16 18 0
2 4 6 8 10 12 14 16 18
[km]
[km]
3.19. ábra. A ’C’ TS elrendezés a szimulált BFWA hálózat által lefedett területen
3.7. táblázat.A ’C’ TS elrendezés különböző terminál állomásainak fontossági faktorai és alkalmazott modulációi
Darabszám w(DL) w(U L) downlink mod. uplink mod.
40 0.5 0.5 4-QAM 4-QAM
20 2/3 1/3 16-QAM 16-QAM
25 0.5 0.5 16-QAM 16-QAM
5 0 1 BPSK BPSK
110 0.5 0.5 64-QAM 64-QAM
értékek elkerülését – az uplink adóteljesítmények minimalizálása mellett – a célfüggvények 3.7. szakaszban leírt módosításával valósítottam meg. Meg kell azonban jegyeznem, hogy ha a célfüggvényt a 3.6.2. szakaszban leírtaknak megfelelően választom meg, így az egyfelől maximalizálja a BFWA rendszerben kialakult downlink és uplink SINR értékeket, másfelől minimalizálja az uplink adóteljesítményeket, akkor ez utóbbi miatt a rendszerben már elvileg nem alakulhat ki túl magas SINR érték. Azáltal, hogy az uplink adóteljesítmény minimali-zálva van, a túl magas uplink SINR értékek korlátozása már elvileg felesleges és valószínűleg elegendő lenne csak az uplink adóteljesítmények minimalizálásnak alkalmazása. Másrészről a kapott eredményeket a kétféle célfüggvénymódosítás egyidejű alkalmazása nem befolyásolja, a két hasonló hatást kifejtő módosítás egymás hatékonyságát csak javíthatja.
A szimuláció során az előző fejezeben a legjobb elégedettségi arányt és UHR-t produ-káló P3-A, P3-C és N-C célfüggvényeket felhasználó genetikus algoritmusokat hasonlítom össze a 3.6.1. szakaszban ismertetett uplink teljesítmény szabályozást alkalmazó Statikus és SD-SSC algoritmusokkal. Az ’C’ TS elrendezés esetén is a 3.5.4. szakaszban ismertetett
0 10 20 30 40 6
8 10 12 14 16
Esõesemény pozíció (q)
Átlagos uplink adóteljesítmény [dBm]
Statikus SD−SSC
GA−10s−200i, P3−A GA−10s, P3−A GA−200i, P3−A GA−f, P3−A
3.20. ábra. Átlagos uplink adóteljesítmény az esőesemény pozíció függvényében ’C’ TS elrendezés esetén Statikus, SD-SSC, valamint P3-A célfüggvényt alkalmazó különböző genetikus algoritmusokkal történő TS-BS összerendelés alkalmazásával
GAC algoritmust alkalmaztam, melynek paraméterei a következők: NI=40, NE=4, Cf=0.2, NM G=1, Pcompl=0.5, δS = 10−25, Kt=700 és a GA-f és GA-10s algoritmusoknál értelmezett nmax=15000. A GA-200i és a GA-10s-200i algoritmusoknál nmax=200.
A terminál állomások átlagos adóteljesítményét aqesőesemény pozíció függvényében a 3.20.
és a 3.21. ábrán ábrázoltam aStatikus, illetve SD-SSC TS-BS összerendelés, valamint a P3-A, P3-C és N-C célfüggvényeket alkalmazó genetikus algoritmusokkal történő TS-BS összerende-lés esetén. Vegyük észre, hogy szemben aStatikus és azSD-SSC algoritmusok által elért 11 – 12 dBm átlagos adóteljesítményekkel, a P3-A célfüggvényt alkalmazó GA valóban lecsökkenti a terminál állomások adóteljesítményét, átlagosan 8 – 10 dBm értékre. A terminál állomások energiafelhasználása így jelentősen lecsökkentető. Meg kell jegyeznem, hogy a Statikus és az SD-SSC algoritmusok esetén megfigyelhető, az első néhányq esőesemény pozícióban jelentke-ző TS adóteljesítmény csökkenést az okozza, hogy az ezeknél az algoritmusoknál alkalmazott, a 3.6.1. szakaszban ismertetett uplink teljesítmény szabályozás a kezdeti,Pinitial,target(rx) -hez tar-tozó adóteljesítmény értékeket rövid idő alatt leszabályozza.
Érdekes jelenséget tapasztalunk azonban az N-C és főleg a P3-C célfüggvények esetén: a szimuláció során az átlagos adóteljesítmény gyakorlatilag folyamatosan csökkent. Ez amiatt történhetett, hogy a GA magasabb pontszámot adott a TS-BS összerendelés halmaznak az egyre kisebb adóteljesítmények esetén dacára a közben egyre csökkenő elégedett felhasználók arányának. A magyarázat a fitnesz pontszám C célfüggvény osztály esetén alkalmazott kiszá-mítási módja (3.22), ahol a TS-BS összerendelés fitnesz pontszámába a kis si pontszámmal rendelkező TS-BS összerendelések nem szólnak bele.
A Statikus, az SD-SSC és a P3-A célfüggvényt alkalmazó különböző genetikus algorit-musokkal történő TS-BS összerendelés alkalmazásával elért elégedett felhasználók arányát az esőesemény pozíció függvényében a 3.22. ábra mutatja. Látható, hogy downlink irányban a GA-f algoritmus 98 – 100 % elégedettség arányt szolgáltatott, a GA-200i algoritmus alig rosszabb, 95 – 100 %-os arányt ért el. AGA-10s és aGA-10s-200i algoritmusok ehhez képest jóval rosszabb eredményt értek el, de még mindig körülbelül 4 – 5 %-al jobb elégedettségi arányt szolgáltattak, mint a Statikus, illetve az SD-SSC algoritmus. Uplink irányban viszont
0 10 20 30 40
−70
−60
−50
−40
−30
−20
−10 0 10
Esõesemény pozíció (q)
Átlagos uplink adóteljesítmény [dBm]
GA−10s−200i, P3−C GA−10s, P3−C GA−200i, P3−C GA−f, P3−C
(a) P3-C célfüggvény esetén
0 10 20 30 40
−10
−5 0 5 10
Esõesemény pozíció (q)
Átlagos uplink adóteljesítmény [dBm]
GA−10s−200i, N−C GA−10s, N−C GA−200i, N−C GA−f, N−C
(b) N-C célfüggvény esetén
3.21. ábra. Átlagos uplink adóteljesítmény az esőesemény pozíció függvényében ’C’ TS elrendezés esetén Statikus, SD-SSC, valamint P3-C (a) és N-C (b) célfüggvényeket alkalmazó különböző gene-tikus algoritmusokkal történő TS-BS összerendelés alkalmazásával
0 10 20 30 40
75 80 85 90 95 100
Esõesemény pozíció (q) Elégedett felhasználók aránya downlink irányban [%]
Statikus SD−SSC
GA−10s−200i, P3−A GA−10s, P3−A GA−200i, P3−A GA−f, P3−A
(a) Downlink irányban
0 10 20 30 40
50 60 70 80 90 100
Esõesemény pozíció (q) Elégedett felhasználók aránya uplink irányban [%]
Statikus SD−SSC
GA−10s−200i, P3−A GA−10s, P3−A GA−200i, P3−A GA−f, P3−A
(b) Uplink irányban
3.22. ábra. Elégedett felhasználók aránya az esőesemény pozíció függvényében a ’C’ TS elrendezés esetén Statikus, SD-SSC, valamint P3-A célfüggvényt alkalmazó különböző genetikus algoritmusokkal történő TS-BS összerendelés alkalmazásával
gyakorlatilag csak a GA-f algoritmus alkalmazásával volt elérhető 95 – 100 % elégedettség arány, ami viszont jóval kedvezőbb a Statikus és SD-SSC algoritmusokkal elért, jellemzően 90 % körüli értékeknél. Ezekhez képest a GA-200i 1 – 2 %-os javulást eredményezett. Ez jó eredménynek tekinthető, ha figyelembe vesszük, hogy most a terminál állomások adótel-jesítményét is egyidejűleg minimalizáljuk, ami a lehetséges B TS-BS összerendelés halmazok számának, tehát az optimalizálási feladat bonyolultságának jelentős növekedését eredményezi.
A GA-10s-200i algoritmus a∆κ=10 lépésenként végrehajtott optimalizálás miatt viszont már rosszabb eredményt ér el, mint a Statikus TS-BS összerendelés.
A P3-C és az N-C célfüggvényeket alkalmazó különböző genetikus algoritmusokkal történő TS-BS összerendelés alkalmazásával elértelégedett felhasználók arányát az esőesemény pozíció
0 10 20 30 40 80
85 90 95 100
Esõesemény pozíció (q) Elégedett felhasználók aránya downlink irányban [%]
GA−10s−200i, P3−C GA−10s, P3−C GA−200i, P3−C GA−f, P3−C
(a) Downlink irányban
0 10 20 30 40
50 60 70 80 90 100
Esõesemény pozíció (q) Elégedett felhasználók aránya uplink irányban [%]
GA−10s−200i, P3−C GA−10s, P3−C GA−200i, P3−C GA−f, P3−C
(b) Uplink irányban
3.23. ábra. Elégedett felhasználók aránya az esőesemény pozíció függvényében a ’C’ TS elrendezés esetén P3-C célfüggvényt alkalmazó különböző genetikus algoritmusokkal történő TS-BS összeren-delés alkalmazásával
0 10 20 30 40
80 85 90 95 100
Esõesemény pozíció (q) Elégedett felhasználók aránya downlink irányban [%]
GA−10s−200i, N−C GA−10s, N−C GA−200i, N−C GA−f, N−C
(a) Downlink irányban
0 10 20 30 40
40 50 60 70 80 90 100
Esõesemény pozíció (q) Elégedett felhasználók aránya uplink irányban [%]
GA−10s−200i, N−C GA−10s, N−C GA−200i, N−C GA−f, N−C
(b) Uplink irányban
3.24. ábra. Elégedett felhasználók aránya az esőesemény pozíció függvényében a ’C’ TS elrendezés esetén N-C célfüggvényt alkalmazó különböző genetikus algoritmusokkal történő TS-BS összerendelés alkalmazásával
függvényében a 3.23. és a 3.24. ábra mutatja. Downlink irányban hasonló a helyzet, mint a P3-A célfüggvény esetében, uplink irányban azonban a GA optimalizálás következtében fellépő folyamatos adóteljesítmény csökkenésből eredően azelégedett felhasználók aránya a szimuláció során gyakorlatilag esőcella pozícióról esőcella pozícióra folyamatosan csökkent még a GA-f algoritmus alkalmazása esetén is.
Atúl magas SINR-rel rendelkező terminál állomások arányát mutatják a 3.25 – 3.27. ábrák a q esőcella pozíció függvényében a Statikus, az SD-SSC algoritmusok, valamint a P3-A, a P3-C és az N-C célfüggvényeket alkalmazó GA alapú TS-BS összerendelő algoritmusok esetén downlink és uplink esetre. Megfigyelhető, hogy az uplink teljesítmény szabályozásnak köszön-hetően uplink irányban már aStatikus és az SD-SSC TS-BS összerendelő algoritmusok esetén is 2 – 5 % körül alakult az UHR. A 3.7. szakaszban ismertetett UHR csökkentő eljárásnak
0 10 20 30 40 50
60 70 80 90
Esõesemény pozíció (q)
UHR downlink irányban [%]
Statikus SD−SSC
GA−10s−200i, P3−A GA−10s, P3−A GA−200i, P3−A GA−f, P3−A
(a) Downlink irányban
0 10 20 30 40
0 5 10 15 20 25 30 35
Esõesemény pozíció (q)
UHR uplink irányban [%]
Statikus SD−SSC
GA−10s−200i, P3−A GA−10s, P3−A GA−200i, P3−A GA−f, P3−A
(b) Uplink irányban
3.25. ábra. UHR az esőesemény pozíció függvényében a ’C’ TS elrendezés esetén Statikus, SD-SSC, valamint P3-A célfüggvényt alkalmazó különböző genetikus algoritmusokkal történő TS-BS összerendelés alkalmazásával
0 10 20 30 40
50 55 60 65 70 75 80 85
Esõ esemény pozíció (q)
UHR downlink irányban [%]
GA−10s−200i, P3−C GA−10s, P3−C GA−200i, P3−C GA−f, P3−C
(a) Downlink irányban
0 10 20 30 40
0 0.2 0.4 0.6 0.8
Esõesemény pozíció (q)
UHR uplink irányban [%]
GA−10s−200i, P3−C GA−10s, P3−C GA−200i, P3−C GA−f, P3−C
(b) Uplink irányban
3.26. ábra. UHR az esőesemény pozíció függvényében a ’C’ TS elrendezés esetén P3-C célfüggvényt alkalmazó különböző genetikus algoritmusokkal történő TS-BS összerendelés alkalmazásával
és az uplink adóteljesítmény együttes optimalizálásának köszönhetően a P3-A célfüggvénnyel a GA-10s-200i algoritmus az UHR-t 0 %-ra csökkentette. Igaz, hogy downlink esetben GA optimalizálással adódott 65 – 85 % körüli UHR jelentősen nagyobb, mint a Statikus, illetve az SD-SSC eljárások esetén kapott 55 – 65 % körüli érték, de downlink irányban nem is célom a túl nagy SINR korlátozása a bázis állomás fix adóteljesítménye miatt.
A P3-C és az N-C célfüggvények esetén a downlink UHR hasonlóan magas volt, 55 – 75 % körül alakult, uplink esetben pedig gyakorlatilag ebben az esetben is 0 %-ra csökkent. Ez utóbbi eredmény természetesen a P3-C és az N-C célfüggvények esetén a szimuláció során folyamatosan csökkenő uplink adóteljesítményeknek (3.21. ábra) és az ebből eredő nagyon kis uplink SINR értékeknek tudható be.
Az eredmények tükrében a TS adóteljesítmények és a TS-BS összerendelések együttes op-timalizálási feladat megoldásához a genetikus algoritmushoz a 3.6.2. és a 3.7. szakaszokban
0 10 20 30 40 50
55 60 65 70 75 80
Esõesemény pozíció (q)
UHR downlink irányban [%]
GA−10s−200i, N−C GA−10s, N−C GA−200i, N−C GA−f, N−C
(a) Downlink irányban
0 10 20 30 40
0 0.2 0.4 0.6 0.8
Esõesemény pozíció (q)
UHR uplink irányban [%]
GA−10s−200i, N−C GA−10s, N−C GA−200i, N−C GA−f, N−C
(b) Uplink irányban
3.27. ábra. UHR az esőesemény pozíció függvényében a ’C’ TS elrendezés esetén N-C célfüggvényt alkalmazó különböző genetikus algoritmusokkal történő TS-BS összerendelés alkalmazásával
leírtaknak megfelelően módosított P3-A célfüggvényt javaslom, mert ez a célfüggvény eredmé-nyezi az elégedett felhasználók legmagasabb arányát, miközben a TS adóteljesítmények és az UHR értékek is minimalizálódnak.
Végül egy példaként a 3.28. ábra mutatja be a P3-A célfüggvényt alkalmazó GA-f al-goritmus által a 10. esőesemény pozícióban megtalált kvázi-optimális TS-BS összerendelés halmazt. A terminál állomások és a bázis állomások közötti szaggatott és folytonos vonalak jelzik a TS-BS kapcsolatokat abban az esetben ha a TS a szomszédos illetve, ha a saját cellá-jának bázis állomásával tart fenn kapcsolatot. A kontúr vonalak jelzik a BFWA hálózat felett kialakult esőesemény intenzitás szintjeit mm/h-ban. Most is elmondható a 3.10.1. fejetben levont következtetés, miszerint nemcsak azok a terminálok kapcsoltak át szomszédos bázis állomáshoz, amelyek az esőcella környékén helyezkednek el, hanem attól távolabbi terminál állomások is.