UTRAN的性能和可实现容量最终取决于每个基站确定参数的设置，像天线类型、模式和高度，天线方位角和下倾角，同时还有不同信道的广播发射功率，特别是对CPICH和其他通用信道的设置。由于参考文献［HoTo02］，［LaWN02］所提到的CDMA网络特殊的性能，这些参数是强烈相互依存的，并且它们对于网络的影响是高度非线性的。因此UMTS的优化工作可以被列为一个非常大的搜索空间中的非线性规划问题。一种可以解决这个问题的算法类型尤其合适，这种算法为进化算法。它们创造了一个人工环境，这个环境为自然进化过程的模型。

在本书中，我们可以知道几种进化算法的方法。在COST 273中，两个最明显的代表，遗传算法和进化算法，已经用于解决UMTS的优化问题。遗传算法（GA）（见参考文献［Gold89］）在运行一组实验性解决方案中不同于其他传统技术，它又被同时叫做抽样总体。这个解决方案作为个体模型，通过染色体描述出来。此染色体被编码为一个个体形式（UMTS网络配置）。随机算子（选择、交叉和突变）用于寻找一个解决方案，该方案用于搜索优化方案领域。根据它们的状态，一些个体一代又一代地生存起来，同时其他的开始灭绝。一个个体的状态代表了与网络配置相关的UMTS网络容量的可实现性。突变算子通过引进新的染色体或丢失遗传物质从而被应用到了染色体方面。突变有助于远离局部优化。在参考文献［GeJT04］和［Gerd04］中提出了带有改进型遗传算子的遗传算法，并且考虑到网络质量，该算法还适用于UMTS容量的优化问题。此外，这个算法还结合了局部优化程序来提高算法的性能。

特别是对具有连续参数优化问题的系统来说，进化策略（Evolution Strategies，ES）（见参考文献［Schw81］）体现了良好的性能。相对于遗传算法来说，进化策略本身的参数编码通过具有真值的载体数量描述出来。用到两种不同的总体尺寸:较小的基本总体和较大的工作总体，前者是可以随机选择的并且以上两者都应用了算子。这个算子即所谓的高斯突变，此算子基于高斯分布来干扰参数载体。因此，小幅度修改的可能性大于大幅度修改;同时在自身的参数中还经常能发现一个原则。这个对UMTS优化的专业性问题的进化策略由参考文献［Jakl04］提出。除了高斯突变，研究人员也对野外突变算子进行了调查，此算子通过一个大的变化来随机挑选参数。各种重组算子补充了总体的演变。相对于大部分进化算法用简单的贪婪选择方案这类文章来说，参考文献［Jakl04］所提出的算法已经通过遗传算法中先进的选择算子来提高。在设计专业问题进化算法中的一个重要因素是寻找算法元参数的优化设置，这个问题极大的影响着它们的性能。在这种方法中，研究人员用到了几个关键参数如突变步长和算子精度的自适应机制。通过这种方法，不仅可以提供简捷的初始算法配置，此算法还能不断使自身适应当前优化过程的状态。一旦一个特殊控制机制来监控算法程序和自动终止优化方法，就不能预期更显著的增益。(www.daowen.com)

这些进化算法（遗传算法和进化策略）唯一的缺点是占用了相当大的执行时间:这取决于扇区的尺寸，一个单一的优化也许会运行数天。然而，这个不利因素不仅可以通过不断增加可用处理器的速度来缓解，还可通过高效的并行计算方法来缓解。就优化增益而言，本文所提及的算法明显超越各种简单的启发式算法，像基于规则的算法（见参考文献［GJCT04］，［GeJN03］）和分析策略（见参考文献［JGKT04］）。在典型扇区中可以看出容量增益可达到至少50％之多。不同网络扇区中详细的优化结果可从参考文献［Gerd04］和［Jakl04］中找到。