本节阐述了自动UMTS无线网络规划的原理和方法。重点锁定在节点B位置的预操作规划和节点B的天线配置（假设大多固定扇区数量）。此外本节还将讲述网络调整操作。更多有关对UTRAN性能的评估将在9.4节介绍。

1.上行链路干扰估计

UMTS网络中的上行链路干扰通常用所谓的“频率复用因子”F表示。这一因子被定义为单个小区所产生的干扰同整个干扰之比（小区内部和小区之间的干扰和）。考虑到业务分布，一个良好的F估计是必需的，因为它可以取代传统意义上小区间干扰仅为小区内部干扰一小部分（见参考文献［HoTo02］）这类小区尺寸的假设。Heideck，Draegert和Kürner（见参考文献［HeDK02］）从估算一个（全方位角）小区上行链路干扰耦合值推导出两个公式，并且它的头两个邻近阶层位于一个六边形网络中（报告指出，较高阶层对中心小区没有明显干扰）。该公式通过对各种业务使用蒙特卡洛仿真方法得出。式（9.1）通过假设业务均匀分布在每一阶层得出，但是不同阶层之间可能会有所不同:

参数T₀、T₁和T₂分别代表中心小区（T₀）业务、第一阶层（T₂）内的小区（T₁）业务，和个别第二阶层小区业务。大量仿真表明，最大估计误差低于5％。式（9.2）通过引入由基于分段耦合个别第一阶层和第二阶层的系数函数得到的_μ和ν，表明了干扰大多是由于移动手机靠近中央小区的边缘而引起的:

式（9.2）的预测精确度为6％。

2.上行链路中单次快照模型的比较

Amaldi、Capone和Malucelli（见参考文献［AmCM01］）提出了可以优选节点B位置的离散优化模型。该模型将SIR看作质量指标并且他们所考虑的特定功率控制机制的详细程度不同。这些模型通过假定一个固定干扰电平来对功率控制进行建模，从而改进了研究人员的前期工作。最简单的模型规定所有用户都分配一个节点B。节点B可以服务到的用户数量是明确限制的（每个用户必须接收一个预定义接收功率，并且小区内部和小区之间的干扰率是固定的）。该模型的目的是最大程度地减少节点B的安装费用以及用户与为其服务的节点B之间的距离。在第二个模型中，小区内部和小区之间的干扰率不再假定为固定不变，而是随用户位置的变化而不断变化。在第三个模型中，基于SIR限制的小区的实际负荷是被监测的。节点B所需的接收功率取决于干扰量。研究人员为节点B位置的优化选择描述了贪心和禁忌搜索（Taboo Search，TS）算法。不同的模型和算法通过结合“现实”规划的例子来进行比较。TS所得到的结果可以与通过一个遵循短TS的贪心方法所得到的结果进行比较，但是TS仅需要较少的运行时间。第一个优化模型变得过于简单化。第三个模型（基于SIR）得到最便宜的解决方案，但是需要比其他模型付出更多的努力。

3.上行链路和下行链路的单次快照模型

Amaldi等人（见参考文献［ACMS03］）为了能够得到最大化的覆盖面积和最少的费用提出了一种能够定位和配置节点B的数学规划模型。所有的节点B可被认为能够对3个120°扇形区域进行服务，加在一起就可得到一个全方位的辐射模式。扇区方向通过优化方法所支配，不同的天线倾角则不予考虑。上行链路和下行链路的优化模型可形成通信链路并且导频信道也要考虑。非均匀业务分布通过不同的服务需求测试点（举个例子，一次通信快照）被模拟出来。从而研究人员提出了用于解决优化问题的贪婪随机自适应搜索程序（Greedy Randomised Adaptive Search Procedure，GRASP）算法和TS算法。计算结果通过结合了“现实”多服务扇区而被报导出来。研究人员介绍了应用于两个阶段的TS的模型从而大幅度的减少整体计算时间（需要考虑50％的因素）。第一个阶段中，上行链路的简化模式用于决定第二个阶段的开始方案。最后一个阶段则基于完整的模型。(www.daowen.com)

4.上行链路和下行链路的多次快照

Eisenblätter等人（见参考文献［EKMA02］）介绍了能够优化定位配置节点B的模型，同时也包括区域选取、天线安装高度、类型、方位角、电子机械角。该文包括了对技术背景的详细讨论，并且解释了竞争规划目标和网络性能仿真的普遍方法。这项工作的主要任务是提交一份详细的混合整数规划模型，该模型能够允许获取异构多服务业务中的网络覆盖面积和容量。该模型用于上行链路和下行链路的通信链接、导频信道、有限的下行链路代码预算、上行链路中有限的最大化干扰、减少软交换条件下的SIR需求、节点B和用户所需求的容量等。多次快照用于测试可实现覆盖面积和容量目标的网络设计。没有特定目标函数的定义，但定义了可选目标和应用模式。该文所提出的模型很难解决先进的数学编程技术中所出现的问题，但在简单模型和专业技术的解决方案中可被定义为一个参考点。

5.数学规划中现实的网络规划

基于先前段落对模型的描述，Eisenblätter等人（见参考文献［EFGJ04］）得出两个成果。数学规划中的这两个案例被描述为用于解决综合性数学模型问题，数学模型用在小的并且/或者被简化的规划任务中。小任务的解决方案结合在一起从而得出整体优化结果。在另一个研究路线中，本地的搜索程序用于获得全面模型的启发式解决方案（参考文献［EFFG03］会进行详细阐述）。数学规划以及启发式程序的应用运用于海牙（见参考文献［EGKT04］）和柏林商业区的实际规划扇区中。混合整数规划问题的解决方案需要更多的站点和小区但会得到更好的网络覆盖面积和质量。

6.基于平均业务负荷调节真实网络

基于快照的网络优化有一个重大缺陷。即使拥有真实的异构多服务业务网络性能统计数据，也需要进行大量的蒙特卡洛仿真。需要网络设计可靠优化的快照数量甚至更大。上文提到的全面优化模型的有效解决方法也最多只允许10个快照。Eisenblätter（见参考文献［EiGe04］）和Geerdes（见参考文献［EiGe05］）提出了一种新型的优化模型而不基于通信快照。最新的由线性方程系统得出的网络上行链路和下行链路小区负荷特性被平均业务分布的快照所扩展出来。以平均为基础的性能评估作为多快照分析网络的代理，明显加快局部搜索方法。此外，一种数学优化模型（称为矩阵设计）被描述为可以设计一类网络，例如该网络可以获得良好的小区耦合矩阵（线性方程系统的核心）。计算结果通过3个动量区域海牙、柏林和里斯本给出，见网址http://momen-tum.zib.de。我们的任务是优化给定网络中所有天线的倾斜角（电子和机械）。从本地搜索和从解决矩阵设计模型中得出的结果在解决方案的质量上可进行比较。这些结果明显胜过从基于快照的优化方法中得出的结果。

7.自动重构一个运行网络

Sharma和Nix（见参考文献［ShNi02］）描述了“状况认知”功能并且解释了如何在节点B中纳入情报才能完成无线网络规划。这个功能通过自动重规划过程可以允许维持一段时间的最初网络设计。无线资源通过优化网络设计可以被更加高效地使用。因此，变化的传播环境或业务强度可以触发对覆盖面积的重新配置。这种监测基于节点B和移动测量。研究人员建议这种理念的实际执行要适应经过（中央）遗传算法的天线波束方向和导频功率。这几个例子证明了该方法的实用性，例如在扇区配置（自恢复）失败后重新配置或部署新的节点B。为此我们在上行链路和下行链路性能方面对重配置的作用进行了讨论。