文摘
通信基础设施规划是一个关键的设计任务,通常需要处理复杂的概念网络,旨在优化性能和资源,因此要求高工程师分析和解决问题的能力。减少这种差距,本文描述了一种优化算法在进化strategy-created作为决策的援助之前,无线局域网的实际部署。发达算法允许自动化设计过程中,传统的手工制作的网络技术人员,为了节省时间和成本,提高WLAN安排。为此,我们实现了一个多目标遗传算法(分公司)会议两个同步设计的目的与目标,也就是说,APs的数量降到最低,同时最大化覆盖信号在整个规划区域。这种方法提供了高效和可伸缩解决方案接近最好的网络设计,这样我们发达算法集成到一个工程工具的目标模拟无线局域网在ICT基础设施的行为。叫WiFiSim,它允许各种复杂问题的调查基于IEEE 802.11的无线局域网的设计,从而促进设计的研究,设计和优化部署无线局域网通过完整的造型软件。因此,我们相对评估三个目标应用程序考虑小,介质,和大型场景与前一个方法发达,monoobjective遗传算法。
1。介绍
用最好的利用资源而实现无线网络为用户提供最好的服务需要一个周密的计划。无线局域网的范围可以从相对简单的安装非常复杂的和复杂的设计这样一个证据充分的计划之前必须提出一个无线基础设施可以部署(1]。在实践中,网络技术人员必须调查WLAN对决定的空间安排,其过程包括衡量APs的位置,客户,和障碍。这是传统上减少达到最大wi - fi无线信号作为决策准则,这是诋毁成不同美联社配售基于信号强度的测量。然而,它不仅仅是画覆盖圈在飞机上和难度增加时需要整个问题的现实主义的观点2]。这实际上包括区域形态(即等几个因素。,verticality and horizontality of planes), number of clients populating the WLAN (i.e., distribution, density), type of IEEE 802.11 technology (i.e., modulation scheme and frame management), effective isotropic radiated power (EIRP), and physical distance and obstacle materials (i.e., water, glass, plastic, metal, wood, and concrete). The traditional deployment is consequently no effective for practitioners due to requirements in time and cost, which may drastically reduce the WLAN performance and usability due to operability problems concerning design (e.g., interferences and frame collisions due to home devices, hidden node problem) [3]。
有助于缩小这个差距,提出WiFiSim工程造型软件被开发作为一个正在进行的研究项目的一部分,研究和设计的无线局域网4- - - - - -6]。这个软件的目的是模拟通信网络行为和性能的基于IEEE 802.11标准。的兴趣在于现实主义WiFiSim模拟,提供高水平的交互和视觉信息易于解释结果通过一个可配置的和直观的GUI。在本文中,我们提出一个进一步发展超越无线局域网的研究和设计:优化部署问题的APs覆盖无线客户端在一个复杂的空间。这手稿目的三个重大贡献:提出一种新的智能建模方法WLAN部署基于多目标遗传算法;检查其适用性成小、中型和大型场景;和集成算法与以前的发展和决策提供一个完整的软件ICT技术人员。为了实现这一目标,我们提出一个基于nondominated排序遗传算法进化遗传策略二世(NSGA-II)优化方法应用到要求WLAN基础设施中。
为此,本文组织如下。部分2介绍了WLAN部署现有文献的工具和方法。部分3致力于描述进化遗传策略开发优化算法。部分4介绍了实验在三个代表进行案例研究。最后,本文提供了结果和未来的工作。
2。国家的艺术
通常,APs的位置在wi - fi网络手动估计从他们的电力传输。从这个参数,APs整个空间每隔一定距离便会有一个预定义的相邻APs之间的距离。然而,这种方法加以神化的信号覆盖,在现实中,常常发现复杂的环境和材料与各种各样的障碍。这意味着设计可能导致缺乏配置APs由于贫穷或过度的保险。当应用于大型场景,这种方法可能会带来显著的成本超支。为了解决这些不足,网站调查必须结合软件建模工具,帮助改善和简化人类的过程7]。然而,这些工具需要有一个高度的现实主义和仿真能力非常有帮助(例如,建模的物理空间和网络行为在OSI模型的第一层和第二层)。出于这个原因,选择造型软件研究和设计最佳的无线局域网可以成为努力由于大量的现有工具(8]。
2.1。WLAN造型软件部署
目前,有大量的应用程序设计和/或计划wi - fi网络。研究在科学文献中使用这些应用程序的示例包括NetStumbler®, survey-site工具促进了无线局域网使用IEEE 802.11协议的检测(9];wi - fi™分析工具,提供先进的软件信号强度图和分析wi - fi频道优化无线网络设置(10];仅仅DBx,射频频谱分析仪设计故障诊断与附近的wi - fi问题干扰设备在2.4和5 GHz乐队(11];本周的热图™,听觉工具和家用wi - fi现场调研软件(12];NetSpot,现场调研和分析工具,帮助改善无线信号强度,提高网络速度(13];丙烯酸®WiFi的热图,现场勘测和审计软件旨在产生可怕的wi - fi的热图和可编辑的射频频谱覆盖率报告14];狼WiFi箴®,wi - fi设备管理软件和预部署工具包为无线专业人士能够检测失败场景(15];Bat-Planner,基本规划套件基于IEEE 802.11的无线网络(16];TamoGraph®,现场调研工具收集、可视化、分析和报告无线数据(17];VisualRF计划,无线射频环境管理套件,有助于模型和底层连接拓扑可视化的方式(18];RF3D Wifiplanner2,造型工具升级无线局域网规划和基于射频信号的研究(19];AirMagnet调查®,准确和灵活的解决方案规划室内和室外无线局域网(20.];WiTuners™, wi - fi工具网站调查显示,自动部署和审计(21];和本周网站调查™,现场调研的专业软件工具包,频谱分析,和无线网络规划22],等等工具。
一般而言,上述所有工具例证wardriving设计和检验软件,现场调研、数据收集和规划。的缺点,这些应用程序(我)大多是商业软件使用率许可协议,(ii)往往只能在Windows平台上,(iii)并不总是包括造型、结构或材料障碍(iv)只允许multifloor设计到2 d地图,(v)不习惯算法最优WLAN集成部署,和(vi)支持在一个两步的过程(即他们的设计。、网站需求的定义和规划基于射频传播)。其中,AirMagnet调查,WiTuners,本周现场勘测显著异常。一方面,他们自动计划美联社位置和数量需要确保最小覆盖。另一方面,他们通过审计验证他们的设计与数据收集真实的环境。
作为一个主要缺点,这些工具使用专有算法基于射频无线局域网部署计划(即。,专利保护)。这意味着收取使用费,可以相当昂贵的(特别是开源软件相比),使主人过于依赖开发人员(可能不适应用户)的不断变化的需求,使算法的机制不透明观察(即。,没有测试的信息)(23]。利用进化方法的重要性,而不是提供一个单一的解决方案的RF-based算法,获得一组最优解为便于用户更广泛的决策。此外,上述工具缺乏一块造型协助工程师研究无线通信层2。两个功能的结合是至关重要的,当故障排除部署有效和有用的无线局域网无线通信问题。这种方式,设计过程改进循环的三个步骤,更加有创造力,基于替代方案的生成和分析和选择一个被认为是更合适的。
介绍发达造型软件,WiFiSim的主要特性和属性与上述工具表1。总之,WiFiSim的优点是(我)为了方便工程师WLAN的部署提供了一组最优解更接近最好的网络设计和(2)研究无线局域网在第一层和第二层,以避免一些沟通问题PHY和MAC层(如吞吐量、信道利用率、碰撞帧,帧延迟,队列长度和延迟,介质访问延迟和抖动和隐藏节点问题)。据我们所知,这些是主要的差异化功能对于其他工具,其建模过程允许从业者提高复杂网络设计。因此,WiFiSim已经被专业人士利用ICT和大学的学生和老师到时来提高学习和教学的计算机网络度(即过去七年。,10个专业人员、110名学生和4教师自2011/12学年)。
2.2。WLAN的方法优化
早期方法基于计算机模型包括详尽的搜索强大的限制下的AP的位置,从而防止在更一般的情况下是有用的(24]。传统形式的基础设施规划,用于移动蜂窝网络,产生可接受的结果,但通常被认为是过于昂贵的无线网络(25]。在这个领域,优化技术从希尔攀登,随机漫步(RW),模拟退火(SA)和禁忌搜索(TS)遗传算法(GA)。希尔攀登,数学优化技术在本地搜索方法,也应用在metaheuristic邻域搜索算法(例如,SA或TS)防止陷入局部最优。然而,数学规划技术通常不如metaheuristic首选方法由于困难适应数学表达式通用的案例研究。此外,TS和遗传算法被证明是技术与更好的性能比其他本地搜索方法如RW或SA。然而,TS遭受可伸缩性和进化遗传策略很大程度上取决于应用程序调优参数(26]。issues-scalability和参数tuning-were有效地通过一个基于主体的优化解决方法(27)和修剪和邻域搜索算法(28),分别。
初步调查对天然气导致部署一个美联社通过一个简单的实现(29日]。后续工作都集中在WLAN场景建模通过增加APs的数量(30.]。气体然后进化包括新的因素,如不同障碍覆盖性能的影响(31日]。一般来说,monoobjective策略集中在优化一个目标函数更受欢迎,因为灵活性、健壮性和易于实现,但可能不够现实当几个设计目标是为了满足(例如,数量的APs,整体的信噪比,或者吞吐量)。出于这个原因,大多数的实际优化问题在本质上是多目标的,通常有两个或多个目标函数,同时必须满足甚至相互冲突。这导致有一组最优解(即。,Pareto solutions) instead of having a single outcome. On the other hand, monoobjective algorithms may require being run every time to obtain multiple solutions. These drawbacks were addressed in this field thanks to a multiobjective genetic algorithm (MOGA) approach. Such is the case of an improved adaptive genetic algorithm (IAGA) for WLAN deployment based on attaining the AP quantity and signal route wastage as minimum as possible [32]。类似地,提出了一种多目标的策略来获得各种最优位置配置不同数量的APs基于信噪比区域(33]。虽然接近工作被提出,作为主要缺点,这些算法没有作为造型软件的完整研究WLAN在第一层和第二层(即。,而不是互动和详尽的)。
在这篇文章中,我们专门用NSGA-II,车用汽油最具代表性的方法之一,由于其能够找到多个帕累托的解决方案在一个简单的执行34]。作为一个主要的优势,该方法允许轻松地处理凹和不连续帕累托边界,加上拥挤运营商允许获得更大比其他气体的最优解集的第一和第二代外帕累托遗传算法(NPGA) [35),nondominated排序遗传算法(NSGA) [36),强度帕累托进化算法(说)37),帕累托存档进化策略(PAES) [38),帕累托envelope-based选择算法(PESA) [39(Micro-GA) [], microgenetic算法40),外帕累托改善遗传算法(NPGA2) [41),改善envelope-based选择算法(PESA-II) [42),或提高强度帕累托进化算法(SPEA2) [43),等等。
3所示。建模系统
第一个实现无线保真的WiFiSim-acronym Simulator-consisted智能建模软件开发的Java™与Eclipse框架。WiFiSim允许模型中的各种参数PHY和MAC层OSI模型的支持IEEE 802.11 a / b / g / n标准,包括独立配置的APs和无线客户端(如interbeacon帧,速度和灵敏度,笛卡尔坐标系,传动功率,数据包大小、RTS阈值,和包负载分布),支持自定义库的材料,和介质访问控制(即。、CSMA / CA机制、RTS / CTS机制,退下算法)。模型的验证在WiFiSim以类似的方式完成AirMagnet调查,WiTuners,和本周网站调查但使用辅助工具,例如,无线网络分析仪。这个应用程序允许我们手动进行真正的WLAN测试,如测量信号敏感,天线的目标,或APs探测44]。因此,一旦被添加到一个无线节点和障碍的情况下,我们可以模拟网络模型与高度的现实主义和研究信号相关的问题。进一步的细节描述(4,5]。
为了方便图形部署无线局域网,WiFiSim首先扩展了稳态遗传算法(SSGA)。这允许用户动态地工作在3 d地图和指定是否APs必须自动安排建筑内的任何地方或固定在墙上根据常见的ICT安装要求。使用道富环球的主要优势在于可以获得多个最优位置的解决方案相同的配置APs(即。美联社从1到8 APs)。这提供了更多的选择比自动网络设计师RF-based算法。此外,道富环球能够自动计划APs(即两空的空间。,当节点不知道先验)和密集的环境(即。事先,当节点是固定的)。因此,道富环球寻求优化覆盖设计空时飞机或最大化客户地点根据用户需求。简要解释道,道富环球包括以下步骤:一开始的选择(即候选解决方案。对于一个特定数量的APs),职位,评估解决方案根据最大覆盖率为目标,发展这些解决方案通过使用父母的选择、交叉、变异,和替换与后续代改进只要最好的解决方案不会改变,和向用户提供最佳的解决方案。更多细节可以在[6]。
3.1。多目标遗传算法
道富环球作为互补策略,莫卡模块被集成到WiFiSim。的主要改进使用分公司与道富环球组成的多个最优位置配置不同数量的APs可同时获得从一个运行。这样,WiFiSim被扩展的功能不仅与道富环球选择8 APs还收集32同步解决方案/ WLAN与NSGA-II设计。它让用户更大范围的优化和实验如图1。
使用jMetal造型技术开发,Java框架开发metaheuristic算法(45]。NSGA-II基本上由亲本种群和后裔的人口 ,这两个尺寸 ,组合成一个新的人口 的大小 。而随机创建一个初始化方法的基础上,生成的使用比赛、交叉和变异的过程。然后分为帕累托方面吗据nondominated订购流程和适应度函数,这样 。而不是随机选择帕累托方面形成下一代的大小 ,NSGA-II需要最好的解决方案方面和丢弃最糟糕的方面。这是有效地通过计算拥挤距离他们的解决方案,这意味着搜索空间的价值在一个解决方案,不是人群中被另一种解决方案: 在哪里代表每个目标函数的和意味着解决方案从帕累托的前面 和 邻近的解决方案。结果,NSGA-II确保最好的和更多样化的结果自解相互远离人口收敛到最优排列前几代后周期。问题制定和遗传算子的使用将在以下部分中讨论。
3.2。地图结构和目标
地板地图将在NSGA-II通过细胞分裂的方法。在道富环球的情况下,地图divided-depending在地板上装入广场细胞形状和障碍,矩形细胞,和mini-cells决议 米2(即。,32× 32 pixels by default). The NSGA-II approach was improved, treating the cells closer to reality by using not only standard cells but also triangular and polymorphic shapes. This resulted in a more efficient cell division method since it completely covers the whole useful space (Figure2)。
(一)
(b)
(c)
(d)
(e)
(f)
在这个问题上有两个优化目标:最小化APs的数量和细胞的数量最大化覆盖整个规划区域。这些目标在冲突因为减少APs的数量不可避免地意味着减少平均信号,反之亦然。第一个决策标准是减少APs的数量尽可能降低基础设施成本。作为第二个决策准则,NSGA-II计算信号衰减距离和障碍在每个单元(即每个AP配置。,从1到32 APs)。自由空间路径损耗(FSPL)计算距离和频率的函数,其数量的信号丢失在分贝 在哪里是发射机的距离(公里)和是频率(MHz)。障碍是然后减去(信号的损失2)和总功率在每个单元建模如下: 在哪里是收到了每一个美联社,在每一个细胞是每个AP的功率发射,是信号损失由于障碍的存在。一旦计算功率信号在每个地图细胞,两个特定用户评估算法选项中定义的约束。这些是最大带宽和无线协议。自率和调制方案中使用的无线局域网设置媒体敏感性(即。,rate in Mbps versus power in dBm), this serves to filter out the solution calculated by the algorithm in (3),满足设计约束。因此,美联社位置的规划起着关键作用的最大化WLAN覆盖和通信传输的吞吐量。
3.3。染色体编码方案和选择
APs的数量和他们的位置连接形成染色体(图3)。我们修改jMetal NSGA-II使用双染色体结构组成的二进制部分和整数部分,将两个决策变量。第一个代表5位的等价的十进制值代表APs的数量计算的整数部分染色体。第二部分包含32个值,确定定位APs的细胞数量。细胞的数量将取决于地图大小,形状地板,和障碍。
染色体的选择是基于适应度函数和随机抽样选择通用,每个单独的人口是价值nondominated帕累托排名选择过程后,成为下一代的染色体的一部分等级较低的值(46]。在相同的排名个人的价值的情况下,运营商基于拥挤(1)是用于区分个体。聚集操作符的值越低,更大的解决方案,一个染色体的多样性。
3.4。变异和交叉操作符
突变过程应用独立的二进制和整数部分染色体根据概率值最初选择非常低(例如,3%)。具体来说,我们使用整数翻转整数部分变异方法,将随机的染色体的位置改变他们的价值观。产生的染色体与多个AP位于相同的单元中位置,该算法会考虑他们是相同的美联社和过滤掉这个解决方案支持其他提供相同数量的APs但细胞在不同的地图。结果,算法之前丢弃这些染色体异常传递给下一代。关于二进制的部分中,我们使用一个位翻转方法与整数翻转技术突变相似但考虑范围 。
交叉过程也适用于各自整数和二进制部分。特别是,一个统一的交叉方案(UX)应用到两个染色体的值的整数部分分别比较和交换一个固定的概率,通常0.5。关于二进制的部分中,我们使用一个单点交叉算子,所有染色体的值从一个点与相应的值互换其他染色体相比。交叉算子都是在jMetal完全编程这个项目。
3.5。模型的改进
除了进化的遗传算法,NSGA-II是利用其全部功能作为一个智能建模软件。为此,NSGA-II被集成到WiFiSim买得起的参数配置多目标算法。首先,由于一代,突变,路口,和选择的人口由NGSA-II过程循环进行,我们结束算法执行通过设置一个最大数量的评估。这个值、固定5000默认情况下如图1,可以通过用户自定义试验不同的结果。算法完成后,进入排名的解决方案的过程中,过滤掉那些异常,并且根据APs的数量进行分类组合。因此,用户可以通过将有序地从一个解决方案的光标到研究的安排32接入点。相反,在道富环球,当存在更换一次迭代后,该算法要重新计算人口来决定是否改善。剩余的困在500次迭代,道富环球结束。
其次,NSGA-II允许搜索最优解基于WLAN要求允许的最小百分比覆盖率基础设施根据无线网络带宽和技术(例如,1、6、11日,54岁,108,130,150,或300 Mbps的IEEE 802.11 n)。这样,NSGA-II模型传输速率之间的关系(Mbps)和能力(−dBm)为每个AP技术(即。对环境的敏感性)。这代表一个额外的改进给用户更大的优化和实验成绩相比其他WLAN计划工具或分公司的方法。
此外,我们已经修改NSGA-II开发多线程版本在处理算法的并行化的努力目标。从这个意义上说,我们经历了更高的处理要求是在信号强度的评估每个地图位置为每个AP配置。复杂性比例增加而导致细胞的数量,因为数量的建筑楼层、地图比例尺,包括和障碍。为此,WiFiSim程序使用了8线程同步(默认设置为4)。
4所示。实验
本节显示了一个比较研究的性能和可伸缩性道富环球和NSGA-II方法。为此,三个目标应用程序被认为是:小,中,大场景。尝试大型环境有严重担忧而中小场景。大地区倾向于含有更多的起居室和障碍形成更复杂的形态,从而导致更高的地图的细胞分裂。这意味着更高的搜索空间和重大影响的不确定性和计算执行时间。为了评估测试,总结了两种算法的参数设置表2和3。
4.1。无线局域网设计在小场景
这个案例研究包括两个无线客户端固定在小对称情况1和2 APs被部署在地图上的任何地方。1:地图是一个规模每像素65米,相当于29.28米2。这个案例研究演示了NSGA-II和道富环球管理最佳解决方案部署无线局域网。我们观察到一个解决方案与一个美联社没有覆盖整个地图(74%在图4(一)和82%在图4 (c))而解决方案考虑两个APs覆盖完整的场景(数字4 (b)和4 (d))。然而,该算法成功地发现了类似的解决方案最佳到达两个无线客户端在他们的位置。
(一)
(b)
(c)
(d)
4.2。无线局域网设计中场景
对于这个测试,我们使用一个真正的地图的房子有两间卧室,两个浴室,一个餐厅,一个客厅,和两个梯田层237.91米2(图5)。规模的地图是1:32米/像素。场景建模是使用一个特殊contour-type材料形成建筑的轮廓与−95分贝(黑色粗线),混凝土墙为薄内墙壁与−18分贝(绿线),施工梁内部墙壁(黑色细线与−10 dB),一个特殊的“没有可评价的”材料等领域壁橱(黑线−80分贝),和访问露台的门玻璃材料与−2 dB(蓝线)。
案例研究包括在部署一个美联社报道一个客户端,两个APs覆盖两个客户,和两个APs覆盖三个客户。为此,我们把无线客户端在客厅(节点0),卧室(节点1),还有一个平台(节点2)。尽管道富环球和NSGA-II实现类似的覆盖率地图上的三个例子(64%至91%),我们观察到道富环球提供一个分布比NSGA-II集中在节点的节点数量时高于APs。相反,NSGA-II试图提供一个更加全球化和多样化的覆盖在地图上(即。更加平衡的)。
4.3。无线局域网设计在大场景
下面的实验是在一个典型的办公环境组成的73×40米2建筑的房间、走廊和开放空间的规模1:10米/像素对应于2920米2(图6)。由于这种结构,我们创建了一个禁区周围景观庭院建筑的中心使用“不是可评价的“特殊障碍。目的是为了防止算法包括APs在无趣的地区和只考虑工作区域寻找最优解决方案。此外,环境建模使用建筑的轮廓线周长与−95分贝(黑线),砖墙单独的办公室房间与−3 dB(蓝线),和一个“屋顶”障碍7分贝衰减分离两个楼层。
案例研究包括观察算法部署一个美联社为两个节点,两个APs两个节点,和两个APs在两层位于建筑物的墙壁。从结果中,我们获得了三个例子类似的无线覆盖(67%、89%和99%,分别地。)。此外,我们注意到,道富环球和NSGA-II发现类似的美联社分布略有差异。这表明该算法解决方案的准确性和可重复性,从而提供高稳定的战略选择。
4.4。时间分析
为了评估道富环球和NSGA-II策略的复杂性,我们延长上述案例研究与额外的配置和时间成本上进行了全面的分析。中包括的方法计算的平均时间和标准偏差的一系列算法解决方案10记录/设置。为此,我们抓住了调用Java方法的道富环球和NSGA-II VisualVM就开始。地图建模有8个,36岁,和120年的建筑结构小,介质,和大型场景,分别在一个面积800×600像素的分辨率。,进行了实验与Intel®™核心i7 (2.6 GHz, 16 gb RAM)。
从结果中,我们发现一般道富环球处决了;映射分辨率越高,越高的地板障碍和更高的目标节点或APs搜索(表4,6,8)。此外,我们发现没有证据表明APs在地图上的位置影响了执行时间(即。在墙壁上或任何)解决方案的数量计算。这些争论也有效NSGA-II除了执行时间在中型和大型环境改善更多更多的节点部署在地图(表5,7,9)。这表明,不确定性降低更多的客户覆盖在地图上。换句话说,覆盖单个节点需要更多的APs的可能的解决方案(即计算。,处理时间)超过几个客户在同一时间(即。更合适的解决方案)。
在场景的大小有关,我们遇到了执行时间存在显著差异。在这个意义上,我们找到了一个更好的性能NSGA-II与道富环球相比更显著的媒介场景。此外,它应该还提到,尽管道富环球需要一个运行/最优解搜索(美联社,两个APs等等),NSGA-II计算一组32位的最优解在一个单一的执行。这使得NSGA-II方法比道富环球战略在全球更有效。
对地图的决议,我们获得乘以从0.54±0.06,2.25±0.14年代的小场景,从27.76±2.87,40.06±5.95年代对于媒介场景,从11.98±1.59分钟17.15±1.78分钟的大场景。这意味着算法映射分辨率非常敏感,处理时间是更适合中小型场景但是可伸缩的大型环境中由于更高的搜索空间来计算。尽管如此,这些是按照乘以通常通过实现基于遗传算法通过描述(47- - - - - -49]。作为一个解决方案,我们扩大了工作区WiFiSim降低分辨率模拟大型场景。地图与这一目标,决议从1:10米800×600像素的像素在一个工作区1:20米1600×1200像素的像素在一个工作区。考虑到大型场景和最坏执行时间从表8和9,我们得到了从39.08分钟减少到15.65分钟道富环球和NSGA-II从16.37分钟6.93分钟。这允许降低处理成本更容易管理的时期,因此导致提高40.05%和42.34%,分别。这个测试结果,表明更大的工作空间必须利用模拟较大的环境中,除了更合适当画小细节在大场景由于大图。
5。结论和未来的工作
无线局域网设计和规划是一项复杂的任务,要求工程师分析和故障排除能力提供最好的网络性能和使用。虽然传统手动方法不有效的从业者由于成本和时间,计算机辅助系统必须提供一个高度的现实主义和造型能力是有用的。为这个领域,本文提出了一种工程工具,称为WiFiSim-developed促进复杂的环境的自动无线局域网规划和实际部署之前协助决策。这个工具,提供完整的wi - fi网络行为建模层1和2的OSI模型改进了一种基于进化遗传优化算法。目标是获得一组次优的解决方案非常接近最好的美联社定位问题考虑的最大覆盖面积和最大强度信号作为决策标准。
与以前的方法基于这个目的monoobjective遗传算法(即。道富环球)与多目标遗传算法(即延长。NSGA-II)。因此,除了获得几个美联社位置长达8种不同的可选配置,使用NSGA-II的主要优势是能够达到32立刻解决方案与几个APs的同步配置。这种方法也是为了满足用户设计限制传输速率和wi - fi技术用于WLAN。
评估两种方法并突出第二种算法的优点,几个场景小,介质,和大面积被用来模拟典型的无线环境体现办公室,房子,和一个校园。各种测试的目的是评估的一致性算法和他们如何计算最优方案以及不同的场景和分辨率的关系映射到结构复杂性和搜索空间。从结果中,我们遇到了算法执行持续;地图的分辨率越高,更高的障碍和地图的数量(即目标。节点或APs)。此外,我们发现无显著差异在执行时间由于APs在地图上的位置(即。在墙壁上或任何)。关于地图的大小,算法实现非常负担得起的处理时间对于中小场景,不那么可伸缩的大型环境中由于更高的搜索空间。虽然时间按照典型的遗传实现的要求,可以减少执行成本更容易管理的倍(40.05%和42.34%)使用更大的工作空间模型更大的环境中(例如,从一个地图的分辨率1:10米800×600像素的像素在一个工作区1:20米的像素在一个工作区1600×1200像素)。因此,我们得出这样的结论:NSGA-II方法实现更高的性能相比,一般条款与道富环球策略。
对于现在,我们也正在联系WiFiSim电子学习工具编程,研究,基于无线协议的机构分布网络库。此外,未来的发展重点是改善WiFiSim的几个功能和技术能力。从这个意义上讲,我们正在努力扩展PHY和MAC层的特性来提高软件的现实主义。关于PHY层,这包括新信号测量给定的误码率,附近,和RSSI天线建模,支持IEEE 802.11 ac /广告,更大的wi - fi供应商库,和由此产生的基础设施的成本。至于MAC层,这包括提供完整的IEEE 802.11帧格式,包括新的帧rif,型,PS-Poll帧,该协会新连接程序,重新组合,认证,和deauthentication和保护模式混合场景DSSS和OFDM,蒂姆和DTIM以及电源管理的机制。
最后,一组选定的视频和建模仿真软件提供免费使用与评估http://www.uhu.es/tomas.mateo/wifisim。
缩写
| 记者: | 访问点 |
| 数量: | 误比特率 |
| CA: | 避碰 |
| CSMA: | 载波监听多路访问 |
| CTS: | 清除发送 |
| DSSS: | 直接序列扩频 |
| DTIM: | 交付交通指示图 |
| 型: | 扩展帧间空间 |
| 附近: | 有效各向同性辐射功率 |
| FSPL: | 自由空间路径损耗 |
| 遗传算法: | 遗传算法 |
| GUI: | 图形用户界面 |
| IEEE: | 电气与电子工程师学会 |
| IAGA: | 改进的自适应遗传算法 |
| 信息通信技术: | 信息和通信技术 |
| 兰: | 局域网 |
| 麦克: | 媒体访问控制 |
| MICRO-GA: | Microgenetic算法 |
| 分公司: | 多目标遗传算法 |
| NPGA: | 外帕累托遗传算法 |
| NPGA2: | 外帕累托改善遗传算法 |
| NSGA-II: | Nondominated排序遗传算法 |
| OFDM: | 正交频分复用 |
| OSI: | 开放系统互连 |
| 苯二甲酸: | 帕累托存档进化策略 |
| PESA: | 帕累托envelope-based选择算法 |
| 体育: | 物理 |
| PS-POLL: | 省电调查 |
| 射频: | 无线电频率 |
| rif: | 降低了帧间空间 |
| RSSI: | 接收信号强度指示器 |
| RTS: | 请求发送 |
| RW: | 随机漫步 |
| 山: | 模拟退火 |
| 信噪比: | 信号噪声比 |
| 说: | 强度帕累托进化算法 |
| 道富环球: | 稳态遗传算法 |
| 蒂姆: | 交通指示图 |
| TS: | 禁忌搜索 |
| 无线网络: | 无线保真度 |
| WIFISIM: | 无线保真模拟器 |
| WLAN: | 无线区域网络。 |
的利益冲突
作者宣称没有利益冲突。
确认
作者想表达他们很大的升值f·a·马尔克斯埃尔南德斯d·奥尔蒂斯Fuentes b . Morina Arias, m·e·佩德拉泽Escudero为他们的有价值的和建设性的工作,帮助改善这一研究。