随着3G网络的推出，无线网络规划也越来越复杂。网络的覆盖面积和容量也紧密结合在一起并作为一个整体来对待。此外，新型的更加复杂化的RRM算法和WCDMA系统的应用意味着无线网络规划将会产生更大的变化。

其中最重要的参数是BS参数，此参数表明了对网络容量的重大影响，例如:天线的物理设置（高度、倾角、方位角和天线模式）、每个网站的扇区数量、天线类型（常规或矩阵）、公共控制信道的分配功率和SHO政策。这些参数是可以配置的并且有助于控制操作系统。不幸地是，它们在非线性方式中是与系统高度相互依存和作用的。因此，它们的优化调整不是一件很容易的事。由于高效的网络规划是至关重要的，因此研究人员提出了不同的方法来实现高效或准高效的网络性能。

作者在参考文献［GRHO04］中解决了UTRA-FDD系统框架中天线下倾角的调整问题。这些方法在网络容量和RRM参数方面的作用通过一个静态方式系统级别的仿真器来评估。

由于天线下倾角的增加，UL负载因子（η_UL）和UE发射功率（P_TX-UL）可以减少到最低限度。在η_UL情况下，这个下降趋势可以用一个更好的区间干扰隔离来解释。所需功率也会下降，但是它的最小位置将取决于两种作用的结合:与主瓣辐射方向有关的用户位置和自身的η_UL值。因此，对于个人用户优化下倾角与整个小区的优化值不一样。最小位置将会和高度负载小区相一致。

图9.7 呼叫失败概率:影响ADD/DROP的阈值（所有分贝值）

如果我们提出最小P_TX-UL，则用户将会存在于一个临时最佳情况中的不稳定点上。系统的细微变化意味着所需功率的急剧变化并且最佳情况也将消失。越接近η_UL的最小值，P_TX-UL变化得越少。系统显示一个更加稳定的性能，但是就另一方面来说，UE必须拥有更大的发射功率，如图9.8所示。因此，固定下倾角将会导致系统性能的快速下降。自适应和远程电子下倾角产生了一个有趣的选项。这将会导致容量增加或者用户需要更高的QoS服务。

图9.8 UL负载因子的评估以及UL平均发射功率与下倾角的关系图

对于导频功率的调整，参考文献［GaRO03］提出了一种基于模拟退火全球最佳网络性能的技术。导频信号的修改可以平衡通信业务。UE专注于将功率发射到小区中，此小区需要较小的功率，因此容量会增加。

为了解决这个问题，它被定义为一种资源分配。也就是说一系列可能的导频功率已经被分配到BS中以便优化路由（训练）函数。由于所有BS的η_UL在共同的减少，作者提出将全部UL功率和的最小值作为一种适应较低计算需求的路由函数。作者也提出了关于可能的导频功率范围和最大用户比的不同限制不能到达E_b/N₀目标。该算法评估了不同导频功率组合下的网络性能同时当提高当前路由值时此算法也能接受一个新的解决方案。不像简单的本地搜索那样，该算法探讨了没有直接陷入局部最小化空间的解决方案，因此朝着更坏解决方案发展的运动会拥有一个确定的概率。

该仿真通过一个现实的UTRA-FDD系统级别的仿真器来实现，该仿真器基于GSM网络中真实的衰减测量。结果表明该算法能够找到导频功率集合包，集合包能够体现系统中所有小区的负载因子（平均差和标准差）的下降。另一方面，从运行时间来看也能看出它的主要缺点。然而，在通信模式在一天内和一周中不同星期内是重复的这一基础上，系统在那些尤其是不同时期中是被监控的。

前面章节的工作将重点分别放在导频功率和下倾角上。另一方面，参考文献［GeJN03］，［GJCT03］，［GJCT04］提出并比较了调整参数的两个算法。

同样，一个训练函数可被定义为代表优化目标，此目标为在这种情况下的接收服务的用户数量。此外，也引出了一个确定目标的服务等级（Grade of Service，GoS）值，并且当这个值明显超出范围时系统将增加新的用户。GoS定义为接收服务的用户数量除以现有用户数量的值。

参考文献［GeJN03］中提到最初基于规则的机构被发展起来。不同的规则在自我优化之前就被定义了，有些得出导频功率的减少量，有些则得出下倾角的增加量。这些调整是合理的，因为它们意在使导频污染和区间干扰最小化。下限也必须定义出来以保证覆盖面积。

一旦这些工作完成，优化过程将从确定的初始网络配置开始运行。所有不同移动服务业务的小区是按顺序进行评估的，并且它们的导频功率和倾角是可以交替修改的。每个规则反复运行，并且可以在任意时间接收较坏的结果。然而，当推进到下一个规则时，最好的结果也常常被采纳。随后，这种方法通过对模拟退火的修改逐渐演变出来。具体而言，新的算法在一个确定的概率下可以接受更坏的解决方案。

结果通过有25个站点（每个站点有3个扇区）的欧洲城市扇区来获得，站点中有9个被优化。这两种方法都意味着容量的增益;不过，数字结果表明了引入模拟退火改造的便捷性。在这种情况下，通过单纯以规则为基础的方法可实现从52.2％～56.3％的提高。相反，第二种方法大约消耗20％以上的时间。

参考文献［GJCT03］，［GJCT04］提出的第三项方案也是对基于规则的方法的进一步发展。主要区别之一是导频功率和下倾角被优化过程联合调整。这意味着这个规则包括对导频功率进行设定的同时也对天线倾角进行设定。

此外，此算法能够检查一个确定小区是负载过重还是正常反应。这个结果由反映UL和DL小区负载条件的性能指标得出。因此，一个高度负载的小区将会减小导频功率和天线倾角。另一方面，这个方法还可以使那些低用户密度小区的功率和天线倾角增加。因此，这意味着与有关先前能够使负载平衡的算法的一个更大的不同正被研究人员努力研究。

结果表明此方法与以往的方法相比有一个更高的增益。小区中接受服务用户的平均数量在优化之前等于511而在优化50次快照后为831。这导致容量增加到62.6％。另一方面，关于用户分配的优化网络是不太稳定的。接受服务的用户数量标准差已经从1.48％增加到3.7％。关于这些结果的更进一步研究可以在参考文献［Gerd04］中找到。

至此，所描述的方法可以借助优化算法这一手段来解决问题。然而，作者在参考文献［JGKT04］，［GJKT04］中给出更多重要的仿真时间和当前的快速策略以获取合理的初始设置。然后，一旦网络预先优化，这些方法就应该决定是否需要更精细的调整。如果是这样，网络可以借助先前的一个那些需要进一步改善的小区中的算法来进行调整。

第一个机制被提出用来处理天线方位角的调整。它们对于正六边形布局的天线定位是有益的。这个机制被定义为两个阶段，第一个阶段调整BS的用户电话设备以便覆盖关键地点，这些点被定义为与邻近BS平均距离以上的区域的中心。第二个阶段围绕剩下的站点（同时包含3个扇区）以便使网络干扰降到最低。此结果通过分析已经被调整的BS位置所得出。这一修改后的阶段独立地围绕着每个扇区。此外，标准也被修改并且引出了一个基于引力的模型。具体来说，如果一个特定区域已经被一个扇区所覆盖，那么它将会产生一个排斥力以减少其他扇区也指向它的概率。(www.daowen.com)

关于天线的下倾角和导频功率，我们也会提供能够降低计算复杂度的机制。当一个最好的服务器分析了小区的优化之后，它就会计算覆盖像素和天线之间的平均估计角。这个平均值根据天线类型被适度分割，由此产生的密码运用在下倾角中。最后，导频功率一个接一个地增加以保证覆盖面积。这些策略可工作在一个像素方式中或直接用于用户分布。

参考文献［GJCT03］所描述的模拟器平台被再次使用并且结果由一个欧洲城市扇区和一个规划工具参考扇区所得出。表9.1表明了通过算法得出的容量增益。尽管它们没有达到最佳设置，但是它们快速得到了合理的默认设置。

表9.1 由参考文献［GJCT03］提出的算法得到容量增益

沿着这一部分，导频信道中的功率已经应用于不同的算法中，并且它已经变成了一个关键参数。然而，用于功率管理DL通信信道的策略也将对网络的运行产生一个重要的影响。不同的作者通常根据其他以功率控制为主题的论文解决这个问题。有关建议以及它们各自的性能将会在下文进行讨论。

在关于WCDMA中SHO用户的DL功率管理方面，参考文献［Pate03a］比较了3GPP中现有的两种算法:

1）常规发射功率控制（Conventional Transmit Power Control，CTPC），目的是通过提供多于一个活动链接的服务来应用宏分集技术。特别是在这项工作中，将会在所有BS的AS中分配相同水平的功率。

2）SSDT，它意在减少DL干扰使得最好的服务器链接每次都是活动的。

这个比较结果通过现实的微型蜂窝电话扇区的动态仿真得出。考虑到DL的E_b/N₀可以分别固定在7.2dB和6.9dB，用户的会话和流媒体仿真已经可以独立运行。关于SHO，根据导频信号的接收功率仿真器决定了UE中AS扇区。最多可包括4个BS，并且将幅度设置为3dB，也可增加到4dB，同时也可单独释放一个扇区。将时间触发器设置为0因为拐角效应表明了模拟环境中的一个特定的关联。

图9.9 对DL平均比不满意的数据流和会话期对用户速率

从图9.9我们可以看出用户DL质量的降低，两种情况下的速度。这种影响产生的原因是因为功率控制命令不是即时的，并且由于用户调节拐角的QoS的突然下降而恶化。CTPC对于这一影响可以清楚地反映出比SSDT要好。在会话服务案例中这种差异甚至更加显著。这是因为连续传输的干扰峰值增大了，而不是因为目前的业务流。此外，所考虑的接纳控制算法导致系统在会话业务下形成了一个负载过重的情况。因此得到了更坏的性能。

从相同的研究路线来看，参考文献［PiVe02］调查了另一个DL功率容量分配策略的影响。在这种情况下，每条链路的最大传输功率部分是被限制的。这种方法被引入到半解析模式中，这种模式表明了小区容量可以作为小区半径和基站AS的函数。随后，在计算机程序中引入了一个方程并且。在每个小区（扇区）中可以找到最大容量。

研究人员已经做出了一些主要的假设来获得结果值:用户根据几何标准被分配到小区或者SHO区域中，SHO中所有的UE总是被连接到BS中，我们将SHO增益考虑成3dB，同时最后只考虑语音用户。

图9.10 UE部分中断和每个小区接受服务的用户数量（m=1和2（AS尺寸））关系图

图9.10中纵坐标为部分移动用户的中断，横坐标为在不同的最大许可功率下的小区（扇区）中用户的总数。AS尺寸选为2因为这样可以发现仿真条件下的最优值。从结果中我们可以得出结论，资源的减少使得用户需要更大的功率这意味着更大一部分的区域是可以利用的。作为结果，接受服务的用户数量（例如容量），是可以增加的。

作者提出了另一种DL功率分配算法，也在参考文献［RuGO02］提出了对UL功率分配算法。该文介绍了一个完整的方案来解决UTRA-FDD功率分配。该模型采用了一个宏观的方法，只需要解决一个线性方程式系统，这个线性方程式系统有许多未知的变量和像系统中与BS有关的等式。这种方法被推广到包括SHO用户，而SHO用户是通过添加额外的虚拟连接的。此外，因为这意味着系统负载中一个虚假的增加，虚拟连接一旦被淘汰，就必须引入一个良好的调节系统。由此产生的程序可以通过帧对帧的基础中同样地解决。

很遗憾，在一些负载小区中，当增加额外的连接时，产生的干扰会如此之高，以至于宏观算法已经不能解决方程系统。除此之外，关于UE或者小区的冲突，公式并没有给出任何指示。为了解决这个问题，研究人员提出了将宏观算法和迭代算法相结合。解决的速度保证了更多的时间。

该模型以一种简单的方式获得了一套参数。所以，它很快就可以为UL和DL计算出负荷和干扰因素。因此，该算法能够提供不同的认可和拥塞控制协议。

最后，一些数值结果已通过仿真手段得出。不同的情况和UE的数量，都已得到了不同的UL和DL的负荷因素，干扰因素和传输功率。在分析RRM算法和UMTS容量时，数值凸显了现实的室内通信量的重要性。