Thèse 17112003

UNIVERS ITE D'ANGERS Année 2003
N° d'ordre 590
MODELES ET TECHNIQUES D'OPTIMISATION

DYNAMIQUE POUR LES RESEAUX RADIOMOBILES
TH ES E DE DOCTO RAT
Spécialité : Informati que
ECOLE DOCTORALE D'ANGERS
Présentée et soutenue publiquement
Le : 04/12/2003
A : Angers
Par : Hakim M ABED
Devant le jury ci-dessous :
Olivie r HUDRY (Rapporteur), Maître de Conférences, ENST de Paris

Xavie r LAGRANGE (Rapporteur), Professeur, ENST de Bretagne
Jacques CARLIER (président de jury), Professeur, UT C, Compiègne
Philippe CO LLARD (Examinateur), Professeur, Université de Nice - Sophia Antipolis
Dire cteur de thè se : Jin-Kao HAO, Professeur, Université d'Angers
Co-dire cteur : Alexandre CAMINADA, Professeur, UT BM, Belfort (Ex. France T élécom R&D)
Nom e t coordonnées du laboratoire : Laboratoire d'Etudes et de Recherche en Informatique
d'Angers
Résumé
Le design représente une étape incontournable du cycle de vie du réseau radio. Le rôle du
design est de définir de façon prévisionnelle les configurations matérielles et logicielles, si
possible optimales, répondant aux objectifs techniques et économiques fixés par les
engagements de licences. Cette étape fait appel à des données de toutes sortes, géographiques,
marketing, techniques, ainsi qu'à des données remontées du réseau existant. La croissance
continue de la demande en communications fait du design des réseaux radiomobiles une tâche
perpétuelle. Cette tâche est d'une grande complexité du fait du volume immense de données à
gérer ainsi que de l'emboîtement de plusieurs problèmes d'ingénierie séparables en apparence.
La nature dynamique de l'environnement du réseau rend difficile l'établissement et

l'évaluation des critères de performance. L'environnement change du fait même de la variation
du trafic, mais aussi en raison de l'introduction de nouveaux services et technologies ainsi que
des changements des tarifs. Or tout cela a un impact sur les performances du réseau. De ce fait
la qualité d'un réseau devrait être estimée à la lumière des changements s'opérant sur
l'environnement afin de parvenir à des solutions capables de résister aux changements ou
d'évoluer à moindre coût. Les notions de robustesse et d'évolutivité des réseaux s'inscrivent
alors comme des critères clés du design.
Au cours de cette thèse, le trafic est identifié comme principal facteur de variation dans les
réseaux radiomobiles. L'étude s'est portée alors sur la prise en compte de l'évolution du trafic
à différentes échelles de variation : court, moyen et long terme. La contribution de ce travail
se situe sur deux plans : modélisation et algorithmique. Sur le plan de la modélisation, trois
modèles sont présentés pour l'affectation de fréquences robuste, l'affectation de fréquences
multipériode et l'affectation de fréquences avec planification des capacités cellulaires. Pour
valider ces modèles en comparaison avec les modèles classiques ne faisant pas intervenir la
dynamique du trafic, plusieurs techniques d'optimisation dynamique sont étudiées. Des
techniques basées sur les algorithmes génétiques et la recherche tabou.
Mots clés : réseaux radiomobiles, optimisation dynamique, design, variation de trafic,

affectation de fréquences, planification des capacités cellulaires, algorithme génétique,
recherche tabou.
3
4
Abstract
Designing is a crucial step during life cycle of radio networks. The role of design is to define
in a provisional way the optimal software and hardware configurations coming up the
technical and economical objectives fixed by license agreements. For that end, the design step
uses different information related to geographical, marketing and technical data, as well as
data provided by the existing network. The increase in communication demand makes des ign
a continual task. This task is of great complexity due to the large volume of data to be
considered as well as the overlapping of several engineering problems seemingly
independent.
The dynamic nature of network environment makes difficult the establishment and the
evaluation of performance criteria. The environment changes in response of several events
occurring on the system such as traffic variation, introduction of new services and
technologies or pricing variation. Those changes impact on network performances and
therefore the quality of a network should be estimated according to the changes occurring on
the environment in order to produce solutions that resist to the changes or that evolve at
slightest cost. Notions of network robustness and upgradeability appear then as key criteria of
design.
In this thesis, traffic is identified as the main factor of the cellular network evolution. For that
reason, the study is carried out on effects of traffic variation on network design according to
different scales of variation: short, medium and long term variations. Contribution of this
work concerns two main points: models and algorithms. On the modelling level, three models
are presented for robust frequency assignment, multi-period frequency assignment and finally
cell capacity planning under interference constraint. To validate those models in comparison
with the classical ones, several dynamic optimisation techniques based on a hybridization of
genetic algorithms and tabu search are studied.
Key words: cellular networks, dynamic optimization, design, traffic variation, frequency
assignment, cell capacity planning, genetic algorithm, tabu search.
5
Remerciements
Je tiens tout d'abord à remercier le professeur Jin-Kao HAO pour m'avoir soutenu et orienté
pendant ces trois ans de thèse et pour les innombrables heures de discutions qu'on a eu au
téléphone à propos d'un article ou d'un algorithme.
M a profonde gratitude s'adresse à Alexandre CAM INADA, grâce à qui j'ai entré dans le
monde des réseaux cellulaires. Je tiens à lui témoigner de mon admiration quant à ses qualités
personnelles et professionnelles.
Toute ma gratitude s'adresse aux professeurs Olivier Hudry de EN ST de Paris et Xavier

Lagrange de EN ST Bretagne pour avoir bien accepté de s'acquitter de la délicate tâche de
rapporter cette thèse. M es sincères remerciements vont également aux professeurs Jacques
Carlier de UTC de Compiègne, et Philippe Collard de l'Université de Nice pour avoir
participé au jury.
Je remercie aussi tout les membres de l'équipe de M odélisation Informatique et Algorithmique

de France Télécom R&D, tout particulièrement : Denis Renaud, Pascal Chambreuil et Jean-
François Floc'h. Je remercie tout le personnel du laboratoire OIP de France Télécom R&D qui
m'ont procuré un cadre agréable pour la réalisation de cette thèse.
En fin j'adresse mes remerciements les plus chaleureux à ma famille et à mes parents qui
même étant loin physiquement, ont su m'inspirer courage et ténacité.
6
Table des matières
Introduction ______________________________________________________________ 18
Partie I Réseaux radiomobiles et ingénierie radio _____________________________ 23
Chapitre 1 Le s principaux conce pts en rése aux radiomobiles ____________________ 24

1.1 Historique ___________________________________________________________________ 25
1.2 Concepts cellulaires et systèmes radiomobiles_______________________________________ 25
1.2.1 Concept cellulaire __________________________________________________________ 27
1.2.2 Réutilisation des fréquences __________________________________________________ 28
1.2.3 Densi fication ______________________________________________________________ 28
1.2.4 Itinérance (roaming)_________________________________________________________ 29
1.2.5 Handover et macrodiversité ___________________________________________________ 29
1.2.6 Nature de la liaison radio_____________________________________________________ 30
1.2.7 Modes d'accès radio _________________________________________________________ 31
a Mode d'accès FDMA (Frequency Division Multiple Access) ______________________ 32
b Mode d'accès TDMA (Time Division Multiple Access) __________________________ 32
c Mode d'accès CDMA (Code Division Multiple Access) __________________________ 32
1.3 Architectu re générale des rés eaux radiomobiles _____________________________________ 33
1.3.1 Le sous-système radio (BSS) dans le GSM_______________________________________ 34
A L'interface radio ____________________________________________________________ 34
B Fonctions de la BTS (Base Transceiver Station)___________________________________ 34
C Fonctions du BSC (Base Station Controller)______________________________________ 34
1.3.2 Réseau d'accès UTRAN dans l'UMTS___________________________________________ 35
A Interface Radio_____________________________________________________________ 35
B Fonctions du Nœud B _______________________________________________________ 35
C Fonctions du RNC (Contrôleur du réseau radio) ___________________________________ 35
1.3.3 Le sous-système réseau (NSS)_________________________________________________ 35
A Fonctions du MSC__________________________________________________________ 35
B Fonctions du HLR __________________________________________________________ 35
C Fonctions du VLR __________________________________________________________ 36
1.4 Système de gestion de l'itinérance ________________________________________________ 37
1.4.1 Systèmes sans localisation____________________________________________________ 37
1.4.2 Systèmes à zones de localisation_______________________________________________ 37
1.5 Critères de perfo rmances d'un réseau radiomobile____________________________________ 38
1.5.1 Critères de coût ____________________________________________________________ 38
1.5.2 Critères de qualité de service __________________________________________________ 39
Chapitre 2 Le s principaux problèmes d'optimisation en ingénie rie radio ___________ 40
2.1 Cycle de vie d'un réseau radiomobile______________________________________________ 41
2.1.1 Gestation et dimensionnement_________________________________________________ 41
2.1.2 Conception ou design________________________________________________________ 41
2.1.3 Déploiement _______________________________________________________________ 41
2.1.4 Optimisation terrain_________________________________________________________ 42
2.1.5 Extension (aspect dynamique) _________________________________________________ 42
2.2 Problème de recherch e de sites___________________________________________________ 43
2.2.1 Approche par concentration progressive _________________________________________ 44
2.2.2 Approche par maillage adaptati f _______________________________________________ 45
2.2.3 Approche vectorielle ________________________________________________________ 46
7
2.3 Problème de positionnement et paramétrage d'antennes _______________________________ 47
2.3.1 Méthodes basées sur la théorie des graphes _______________________________________ 47
2.3.2 Méthodes par concentration ___________________________________________________ 49
A Approches par programmation entière___________________________________________ 50
B Approches heu ristiques ______________________________________________________ 51
a Contraintes du modèle ____________________________________________________ 54
b Objecti fs _______________________________________________________________ 55
2.3.3 Synthèse__________________________________________________________________ 57
2.4 Problème de planification des capacités cellulaires ___________________________________ 58
2.4.1 Approche cl assique basée sur le modèle Erlang B _________________________________ 58
2.4.2 Cas de canaux de garde ______________________________________________________ 58
2.4.3 Planification des capacités cellulaires et planification de fréquences ___________________ 59
2.5 Problème d'allocation de fréquences ______________________________________________ 59
2.5.1 Interférences _______________________________________________________________ 59
2.5.2 Ingénieri e de saut de fréquences _______________________________________________ 60
2.5.3 Schémas d'allocation de fréquen ces_____________________________________________ 62
2.5.4 Allocation de fréquences et coloriage de graphe ___________________________________ 62
A Coloriage de graphe _________________________________________________________ 63
B T-Coloriage de graphe et matrice de réutilisation __________________________________ 63
C Liste-T-Coloriage___________________________________________________________ 63
D Ensemble-Coloriage_________________________________________________________ 63
2.5.5 Objecti fs du problème d'allocation de fréquences __________________________________ 64
A Minimiser le nombre de fréquences utilisées______________________________________ 64
B Minimiser l'étendue du spectre de fréquences utilisé _______________________________ 65
C Minimiser les interférences ___________________________________________________ 65
2.5.6 Approches de résolution _____________________________________________________ 68
Partie II Optimisation dynamique __________________________________________ 73
Chapitre 3 Taxinomie des problèmes d'optimisation dynamique __________________ 74

3.1 Introduction__________________________________________________________________ 75
3.2 Optimisation dynamique sans prévisions ___________________________________________ 75
3.2.1 Optimisation en temps réel avec ajustement total de la solution_______________________ 75
A Approche par réaction aux changements _________________________________________ 76
B Approche par maintient d'une diversité de solutions________________________________ 76
C Approches par utilisation d'historique___________________________________________ 76
3.2.2 Optimisation en temps réel avec ajustement partiel de la solution _____________________ 76
A Approches par analyse de la structure des solutions ________________________________ 77
B Approche av eugle __________________________________________________________ 78
C Approche par étude du pire cas ________________________________________________ 78
3.2.3 Optimisation multipériodique pas à pas__________________________________________ 78
3.3 Optimisation dynamique avec prévisions___________________________________________ 79
3.3.1 Optimisation temps réel avec prévisions probabilistes ______________________________ 79
3.3.2 Optimisation périodique avec prévisions probabilistes______________________________ 79
3.3.3 Optimisation périodique avec prévisions statistiques _______________________________ 80
3.4 Synthèse ____________________________________________________________________ 80
3.4.1 Classification des problèmes d'optimisation dynamique_____________________________ 80
3.4.2 Prévisions et incertitudes_____________________________________________________ 81
Chapitre 4 O ptimisation dynamique pour le design des ré seaux radiomobile s________ 83
4.1 Introduction__________________________________________________________________ 84
4.2 Aspects dynamiques dans les réseaux cellulaires_____________________________________ 85
4.2.1 Evolution des données du design : environnement _________________________________ 85
4.2.2 Evolution des variables du design : expansion ____________________________________ 86
4.2.3 Evolution des objectifs du design : stratégie ______________________________________ 86
4.3 Ingénieri e du trafi c et design des réseaux radiomobiles ________________________________ 86
4.3.1 Variation temporelle du trafic _________________________________________________ 86
8
4.3.2 Variation spatiale du trafic____________________________________________________ 87
4.3.3 Analyse du trafic au niveau cellulaire ___________________________________________ 88
4.3.4 Analyse du trafic au niveau utilisateur___________________________________________ 89
4.4 Optimisation dynamique dans le design des réseaux radiomobiles _______________________ 90
4.4.1 Optimisation à vision locale (anticipation) _______________________________________ 90
A Cas du problème d'extension de réseau cellulaire __________________________________ 90
a Prévision à court terme du trafic _____________________________________________ 91
b Prévision à long terme du trafic _____________________________________________ 91
B Cas du problème d'affectation de fréqu ences _____________________________________ 92
4.4.2 Optimisation à vision globale (Planification) _____________________________________ 93
A Approche indirecte (par décomposition) _________________________________________ 94
a Approche pas à pas _______________________________________________________ 94
b Approche par mesure de l'influen ce des stations ________________________________ 94
c Approche par retour inverse ________________________________________________ 95
B Approche directe ___________________________________________________________ 95
4.5 Synthèse ____________________________________________________________________ 96
Partie III Techniques d'optimisation dynamique pour la planification des fréquences et
des capacités cellulaires _____________________________________________________ 97
Chapitre 5 Echelle de variation rapide du trafic : planification robuste des fré quences_ 98
5.1 Introduction__________________________________________________________________ 99
5.2 Présentation du problème ______________________________________________________ 100
5.3 Formulation du problème ______________________________________________________ 101
5.3.1 Graphe de contraintes ______________________________________________________ 102
5.3.2 Critères d'évaluation _______________________________________________________ 103
A Qualité d'un plan de fréquen ces pend ant une période ______________________________ 103
B Qualité d'un plan de fréquen ces sur un ensemble de périodes________________________ 104
a Cumul dans le temps des interféren ces enregistrées sur le réseau __________________ 104
b Robustesse spatiale du plan de fréquen ces ____________________________________ 104
c Robustesse temporelle du plan de fréquen ces__________________________________ 104
d Cumul des niveaux d'interféren ces maximaux entre les paires de stations____________ 105
e Robustesse spatiale et temporelle du plan de fréquen ce __________________________ 105
5.4 Algorithme Génétique Hybride pour l'ARF ________________________________________ 106
5.4.1 Codage est fonction objecti f _________________________________________________ 106
5.4.2 Fonctionnement général de l'algorithme génétique hybride _________________________ 106
5.4.3 Opérat eur de sélection et de remplacement ______________________________________ 107
5.4.4 Opérat eur de croisem ent ____________________________________________________ 108
5.4.5 Mutation basée sur la recherche tabou __________________________________________ 109
5.4.6 Synergie entre les opérat eurs de rech erche tabou et de croisement____________________ 111
5.5 Expérimentations ____________________________________________________________ 112
5.5.1 Jeux de test_______________________________________________________________ 112
A Jeux de tests fictifs _________________________________________________________ 112
a Montée et baisse général e du trafi c de façon simultanée et proportionnelle __________ 112
b Montée du trafi c sur une partie du réseau accompagnée d'une baisse de trafic sur une autre
partie ______________________________________________________________________ 113
B Jeux de test réel ___________________________________________________________ 113
5.5.2 Objecti f I : Etude des perform ances de l'algorithme génétique hybride ________________ 114
A Recherche tabou pour l'ARF _________________________________________________ 114
a Solution initiale_________________________________________________________ 114
b Voisinage _____________________________________________________________ 114
B Algorithme génétique hybride sans liste tabou ___________________________________ 115
C Comparaison entre les différentes méthodes de recherche __________________________ 116
5.5.3 Objecti f II : Etude des perfo rmances du modèle d'affect ation robuste de fréquen ces______ 117
A Pertinence individuelle des critères d'optimisation dans le modèle ARF _______________ 117
a Pertinence individuelle du critère de robustesse spatiale du plan de fréquences _______ 117
b Pertinence individuelle du critère de robustesse temporelle _______________________ 118
9
B Comparaison entre l'Affectation Robuste des Fréquences et l'Affectation Fixe des Fréquences
________________________________________________________________________ 119
5.6 Conclusion _________________________________________________________________ 120
Chapitre 6 Echelle de variation moyenne du trafic : planification multipé riode de s
fré quences __________________________________________________________ 122
6.1 Introduction_________________________________________________________________ 123
6.2 Problème d'affectation multipériode de fréquences AMF _____________________________ 123
6.2.1 Notation de base___________________________________________________________ 124
6.2.2 Formulation du problème____________________________________________________ 125
6.3 Algorithme génétique hybride pour l'affect ation multipériode de fréqu ences ______________ 125
6.3.1 Optimisation directe________________________________________________________ 125
A Fonction objectif __________________________________________________________ 126
B Population initiale _________________________________________________________ 126
C Opérat eur de croisem ent ____________________________________________________ 127
D Opérat eur de mutation ______________________________________________________ 127
6.3.2 Optimisation indirecte ______________________________________________________ 129
A Optimisation pas à pas ______________________________________________________ 129
B Optimisation séquentielle____________________________________________________ 129
C Optimisation parallèle ______________________________________________________ 130
6.4 Tests expérimentaux__________________________________________________________ 133
6.4.1 Performan ces des techniques d'affect ation multipériode de fréquences ________________ 133
6.4.2 Comparaison entre affect ation fixe de fréquen ces et affectation multipériode de fréquen ces 134
6.4.3 Comparaison entre les modèles AFF et AMF pour des données de trafic sur une moyenne
échelle (probl ème BM_120)_________________________________________________________ 135
6.5 Conclusion _________________________________________________________________ 137
Chapitre 7 Echelle de variation lente du trafic : planification de s capacités cellulaire s 138
7.1 Introduction_________________________________________________________________ 139
7.2 Phénomène de blocage ________________________________________________________ 139
7.2.1 Modélisation temporelle du trafic _____________________________________________ 140
7.2.2 Calcul du taux de blocage ___________________________________________________ 140
7.3 Phénomène de rappel après blocage ______________________________________________ 141
7.4 Phénomène d'interférence______________________________________________________ 143
7.4.1 Plan de fréqu ences entier ____________________________________________________ 143
7.4.2 Planification de fréquen ces et capacité des cellules _______________________________ 143
7.5 Planification des capacités cellulaires sous contrainte d'interférence_____________________ 145
7.6 Extraction des données de trafic offert ____________________________________________ 146
7.7 Technique d'optimisation -contrainte pour la planification des capacités cellulaires sous
contrainte d'interférence ______________________________________________________________ 146
7.8 Modèle bi-critère pour la planification des capacités cellulaires ________________________ 148
7.9 Algorithme génétique multicritère pour la planification des capacités cellulaires ___________ 149
7.9.1 Schéma général de l'AGMO _________________________________________________ 150
7.9.2 Codage de la solution_______________________________________________________ 151
7.9.3 Opérat eurs de croisement et de mutation________________________________________ 152
7.9.4 Archivag e des solutions Pareto _______________________________________________ 153
7.10 Résultats expérimentaux_______________________________________________________ 155
7.10.1 Validation du module d'extraction du trafi c offert ______________________________ 155
7.10.2 Validation de l'algorithme -contrainte pour la planification des capacités cellulaires __ 156
7.10.3 Validation de l'algorithme génétique multicritère pour la planification des capacités
cellulaires ______________________________________________________________________ 158
7.11 Conclusions et perspectives ____________________________________________________ 159
Conclusion ______________________________________________________________ 161
Partie I V Annexes_______________________________________________________ 166
10
Anne xe A Mé ta-heuristique s e t problèmes d'optimisation combinatoire ____________ 167
A.1 Principes communs des méta-heuristiques _________________________________________ 167
A.1.1 Maintien de la balance intensifi cation/diversi fication ______________________________ 168
A.1.2 Utilisation de mémoires _____________________________________________________ 168
A.1.3 Risque de tomber dans un optimum local _______________________________________ 168
A.2 Les algorithmes évolutionnistes _________________________________________________ 169
A.2.1 Les fond ements des AG_____________________________________________________ 169
A.2.2 Algorithmes Génétiques en action_____________________________________________ 170
A L'évaluation ______________________________________________________________ 170
B La sélection ______________________________________________________________ 170
C La reprodu ction avec mutation et croisement ____________________________________ 172
A.2.3 Analyse des points forts des AG ______________________________________________ 172
A.2.4 Elitisme _________________________________________________________________ 173
A.3 La Recherche Tabou__________________________________________________________ 173
A.3.1 Fondements de la Recherche Tabou ___________________________________________ 173
A.3.2 La Recherche Tabou en action________________________________________________ 174
A La génération de voisinage __________________________________________________ 174
a Mémoire attributive (liste tabou) ___________________________________________ 174
a Mémoire Explicite_______________________________________________________ 175
b Critère d'aspiration ______________________________________________________ 175
B Sélection de la solution suivante ______________________________________________ 175
C Condition d'arrêt __________________________________________________________ 175
A.3.3 Analyse des points forts de la Recherche Tabou__________________________________ 176
Anne xe B Outils d'ingénie rie pour le design des réseaux radiomobile s______________ 179
B.1 PARCELL__________________________________________________________________ 179
B.2 AGORA ___________________________________________________________________ 182
Anne xe C Acronymes ___________________________________________________ 184
11
Liste des tableaux
T AB. I-1 Les différentes générations des réseaux radiomobiles ............................................... 25
T AB. I-2 Comparaison entre les différents modes d'accès multiple ......................................... 33
T AB. I-3 Capacité d'une BTS par rapport au nombre de TRX.................................................. 53
T AB. I-4 Seuils de protection pour différentes distances inter-canal définis par la norme G SM .
.......................................................................................................................................... 60
T AB. III-1 Evolution du trafic dans le problème B_63_1....................................................... 113
T AB. III-2 Evolution du trafic dans le problème B_63_2....................................................... 113
T AB. III-3 Comparaison des meilleures solutions obtenues par l'AGH, par AGHSLT et par la
RT pour les trois instances de problème. Chaque algorithme est exécuté 10 fois pour
chaque instance............................................................................................................... 116
T AB. III-4 Comparaison entre la solution trouvée par l'optimisation de la fonction F1 et celle
produite par l'optimisation de la fonction F1+F2 pour le problème B_36_2. ................ 117
T AB. III-5 Comparaison entre la solution trouvée par l'optimisation de la fonction F1 et celle
produite par l'optimisation de la fonction F1+F3 pour le problème B_36_2. ................ 118
T AB. III-6 Comparaison en terme de perte en trafic entre un plan de fréquences généré par le
modèle d'ARF et un autre généré par le modèle classique d'AFF. Le test est réalisé sur le
problème D_639............................................................................................................. 120
T AB. III-7 Comparaison entre les différents algorithmes d'affectation multipériode de

fréquences ....................................................................................................................... 134
T AB. III-8 Comparaison entre AFF et AMF en terme de fonctions de coût. Tests effectués sur
le problème D_639. Les solutions reportées consistent en la meilleure solution obtenue à
partir de 5 exécutions. .................................................................................................... 135
T AB. III-9 Comparaison entre les solutions AFF et AMF présentée dans T AB. III-8 en terme
de perte en trafic............................................................................................................. 135
T AB. III-10 Comparaison entre les modèles AFF et AMF en terme de fonction de coût. Les
tests sont effectués sur le problème BM _120................................................................. 137
T AB. III-11 Perte en trafic enregistrée pour les solutions obtenues à partir des modèles AFF et
AM F............................................................................................................................... 137
12
T AB. III-12 Correspondance entre le nombre de TRX et nombre de canaux de trafic........... 140
T AB. III-13 Comparaison des résultats du simulateur et ceux du modèle analytique............ 155
T AB. III-14 Caractéristiques des différentes configurations de capacités cellulaires trouvées

par la technique d'optimisation -contrainte pour le problème B_381........................... 157
T AB. III-15 Caractéristiques des configurations obtenues par la technique -contrainte pour le
réseau BM _120............................................................................................................... 157
13
Liste des figures
FIG. I-1 Utilisation de plusieurs antennes à faible puissance au lieu d'une antenne puissante. 26
FIG. I-2 Les deux schémas de configuration d'un site : (a) site muni d'une seule antenne
omnidirectionnelle, (b) site muni de trois antennes sectorielles. ..................................... 26
FIG. I-3 Concept cellulaire : (a) pavage régulier, (b) couverture réelle.................................... 27
FIG. I-4 Exemple de densification : (a) cellule d'origine, (b) densification par sectorisation, (c)
ajout de site, (d) couverture multicouche. ........................................................................ 29
FIG. I-5 Zone de handover entre deux cellules......................................................................... 29
FIG. I-6 Propagation du signal radio par trajets multiples........................................................ 31
FIG. I-7 Schémas d'accès FDM A, TDMA et CDMA............................................................... 32
FIG. I-8 Architecture du réseau GSM ....................................................................................... 36
FIG. I-9 Architecture de référence du réseau UM TS................................................................ 37
FIG. I-10 Relation entre les phases de design et de dimensionnement. Le design détermine les
schémas de réseau capables de répondre aux objectifs fixés par le dimensionnement.... 42
FIG. I-11 Validation des sites théoriques.................................................................................. 43
FIG. I-12 Découpage itératif ..................................................................................................... 44
FIG. I-13 Approche par maillage adaptatif pour la recherche de sites. (a) un terrain vierge; (b)
matrice de demande en trafic; (c) pavage hexagonal du terrain....................................... 45
FIG. I-14 Positionnement de 4 BTS .......................................................................................... 47
FIG. I-15 Graphe bi-partie sites-points ..................................................................................... 48
FIG. I-16 Représentation par graphe dans le modèle de Chamaret et al.. ................................ 49
FIG. I-17 M aillage d'un réseau.................................................................................................. 50
FIG. I-18 Relation d'inclusion entre RTP, STP, TTP ............................................................... 52
FIG. I-19 Diagramme horizontal des trois types d'antennes ..................................................... 53
FIG. I-20 Couverture d'une cellule............................................................................................ 55
14
FIG. I-21 Classification des approches de résolution du PPA.................................................. 58
FIG. I-22 Ingénierie de saut de fréquences ............................................................................... 61
FIG. I-23 Histogramme de brouillage d'une cellule sur une autre ............................................ 68
FIG. II-1 Evolution des solutions optimales lors du changement de l'environnement ............. 76
FIG. II-2 Les deux ordonnancements ont le même temps de terminaison, cependant
l'ordonnancement (b) est meilleur car les périodes creuses sont regroupées plus à la fin.
.......................................................................................................................................... 77
FIG. II-3 Différentes échelles de prise de décision ................................................................... 80
FIG. II-4 Classification des problèmes d'optimisation dynamique........................................... 81
FIG. II-5 Perte en trafic due au blocage des communications .................................................. 85
FIG. II-6 Diagramme des variations de trafic d'une cellule pour une journée .......................... 87
FIG. II-7 Correspondance entre densité d'utilisateurs et densité de trafic. Des zones à forte
densité d'utilisateurs présentent néanmoins une faible demande en trafic. ...................... 89
FIG. II-8 Prévision court et long terme du trafic....................................................................... 92
FIG. II-9 Technique d'affectation de fréquences multipériode de Murray et Pesch................. 93
FIG. II-10 Evolution de l'environnement d'un réseau cellulaire ............................................... 93
FIG. II-11 Approche d'OD de Reininger et Caminada.............................................................. 95
FIG. III-1 Evolution du trafic sur deux cellules. La deuxième heure la plus chargée n'est pas la
même. ............................................................................................................................. 101
FIG. III-2 M odèle d'affectation robuste de fréquences : à partir des données d'évolution du
trafic sur NP périodes, NP graphes de contraintes sont construits. Les graphes de
contraintes sont utilisés pour concevoir un seul plan de fréquences. ............................. 103
FIG. III-3 Schéma de fonctionnement de l'algorithme génétique hybride.............................. 107
FIG. III-4 Opérateur de croisement géographique : deux plans de fréquences sont générés .. 108
ère
FIG. III-5 Sur la station 2, la 1 fréquence passe de la valeur 8 à 5. Les triplets (2,1,8) et
(2,1,5) sont alors considérés tabou................................................................................. 110
FIG. III-6 Répartition spatiale de la perte en trafic sur les 63 stations du réseau B_63_2 pour
les deux solutions trouvées respectivement par optimisation des fonctions F1 et F1+ F2.
........................................................................................................................................ 118
FIG. III-7 Comparaison de la répartition dans le temps de la perte en trafic sur le réseau entre
les plans de fréquences générés par optimisation des fonctions F1 et F1+F3................. 119
15
FIG. III-8 Opérateur de croisement géographique adapté à l'affectation de fréquences
multipériode.................................................................................................................... 127
FIG. III-9 Techniques d'optimisation multipériode pour l'affectation de fréquences. (a)

optimisation directe; (b) optimisation pas à pas; (c) optimisation séquentielle; (d)
optimisation parallèle. .................................................................................................... 132
FIG. III-10 Evolution des niveaux de trafic sur le réseau BM _120........................................ 136
FIG. III-11 M odèle d'évolution d'un appel (Onur et al..)........................................................ 142
FIG. III-12 Technique d'optimisation -contrainte pour le problème de planification des

capacités cellulaires sous contrainte d'interférence. ....................................................... 147
FIG. III-13 Schéma de fonctionnement de la planification des capacités cellulaires ............. 148
FIG. III-14 Schéma de fonctionnement de l'AGM O dans l'espace objectif du problème PCC.
........................................................................................................................................ 151
FIG. III-15 Comparaison entre le trafic simulé et le trafic estimé par le modèle analytique.. 156
FIG. III-16 Représentation graphique des coûts de blocage et d'interférence des configurations
obtenues.......................................................................................................................... 158
FIG. III-17 Comparaison entre les fronts Pareto produits par l'AGMO et la technique -
contrainte pour le problème B_193................................................................................ 159
FIG. III-18 Comparaison entre les fronts Pareto produits par l'AGMO et la technique -
contrainte pour le problème BM _120............................................................................ 159
FIG. IV-1 Opérateurs de mutation et de croisement classiques .............................................. 170
FIG. IV-2 La sélection se comporte comme une roue de loterie biaisée. Chaque individu dans
la population possède son propre secteur dont les dimensions sont proportionnelles au
degré de son adéquation. ................................................................................................ 171
FIG. IV-3 Exemple de fonctionnement de la liste tabou......................................................... 174
FIG. IV-4 Fonctionnement d'une itération de la Recherche Tabou ........................................ 176
FIG. IV-5 Stratégie d'intensification ....................................................................................... 177
FIG. IV-6 Stratégie de diversification..................................................................................... 177
FIG. IV-7 Exemple de l'interface PARCELL : carte générale de France ............................... 179
FIG. IV-8 Calcul de la puissance d'un champ émis par une station sur un point.................... 180
FIG. IV-9 Calque de couverture.............................................................................................. 181
FIG. IV-10 Calque de cellules................................................................................................. 181
16
FIG. IV-11 Calque de niveau de trafic .................................................................................... 181
FIG. IV-12 Déroulement de la recherche d'un plan de fréquences dans AGORA.................. 182
FIG. IV-13 Evaluation en FER de la qualité d'un plan de fréquences. ................................... 183
17
Introduction
Introduction
L'histoire des réseaux radiomobiles s'est bâtie sur différentes générations de systèmes radio.
Après les systèmes analogiques, des systèmes numériques dits de deuxième génération ont vu
le jour dont les réseaux de norme GSM (Global System for M obile Communications). Les
réseaux GSM constituent à ce jour l'essentiel des réseaux radiomobiles européens et
mondiaux avec un taux de pénétration dépassant dans beaucoup de pays les 70%. Les besoins
de débits de communication plus élevés notamment pour l'accès à Internet et de compatibilité
des systèmes à l'échelle mondiale, ont poussé à l'élaboration de nouvelles normes de systèmes
ème
radiomobiles dits de 3 génération parmi lesquelles la norme UM TS (Universal M obile
Telecommunication System) en Europe.
L'essor formidable des réseaux radiomobiles au cours des dix dernières années est dû en
grande partie aux possibilités de communication offertes par ces systèmes en situation de
mobilité et d'itinérance. Pour l'accès aux réseaux, les systèmes radiomobiles utilisent une
liaison radio entre le téléphone mobile et un ensemble de stations de base réparties sur le
territoire. Si l'itinérance est un résultat de l'effort de normalisation, la mobilité est un effet
direct de la couverture et de la qualité des réseaux. Pour satisfaire les besoins en
communication de leurs clients en situation de mobilité, les opérateurs doivent porter une
attention toute particulière à la phase de conception, ou de design, du réseau radio :
localisation des émetteurs et paramétrages de leurs ressources.
Le design représente une étape incontournable du cycle de vie du réseau radio. Le rôle du
design est de définir de façon prévisionnelle, sur papier ou avec l'aide de logiciels, les
configurations matérielles et logicielles, si possibles optimales, répondant aux objectifs
techniques et économiques fixés par les engagements de licences. Cette étape fait appel à des
données de toutes sortes, géographiques, marketing, techniques, ainsi qu'à des données
remontées du réseau éventuellement existant. La croissance continue de la demande en
communications fait du design des réseaux radiomobiles une tâche perpétuelle. Cette tâche est
d'une grande complexité du fait du volume immense de données à gérer ainsi que de
l'emboîtement de plusieurs problèmes d'ingénierie séparables en apparence.
Les problèmes de design des réseaux radiomobiles se caractérisent par une multitude de
critères de jugement se rapportant à des notions de qualité technique et de coût économique
de natures différentes. Si les critères sont nombreux et rendent difficiles les choix de solutions
de réseaux, deux points essentiels sont à souligner. Ces points différencient fortement le
design des réseaux radiomobiles des réseaux filaires. Premièrement, les données à la base de
leur calcul sont de faible fiabilité; on peut citer à ce propos la description numérique de
l'environnement rarement à jour, et les calculs de propagation d'ondes radioélectriques trop
complexes pour être complets. Ces éléments font que la recherche de solution optimale aux
problèmes n'est pas un objectif discriminant dans le choix des méthodes de design. En
deuxième point, la nature dynamique de l'environnement du réseau rend difficile
l'établissement et la mesure des critères de performance. L'environnement change du fait
même de l'introduction de la variation du trafic, mais aussi de l'introduction de nouveaux
services, systèmes ou tarifs par exemple. Or tout cela a un impact sur les performances du
réseau. De ce fait la qualité d'un réseau devrait être estimée à la lumière des changements
s'opérant sur l'environnement afin de parvenir à des solutions capables de résister aux
changements ou d'évoluer à moindre coût. Il s'agit là par contre d'un facteur essentiel. Les
notions de robustesse et d'évolutivité des réseaux s'inscrivent alors comme des critères clés du
design. Aucune forme de réseaux de télécommunications n'a eu jusqu'alors à faire face à
19
Introduction
autant de changements sur des délais si courts comme c'est le cas des systèmes radiomobiles.
Cela a forcément un impact majeur sur les méthodes mises en œuvre dans le déploiement et
l'optimisation de ces réseaux, c'est ce que nous nous efforçons d'étudier dans cette thèse.
Les variations subies par le réseau sont à différentes échelles. Souvent, l'ajustement du réseau
à ces variations est compliqué, voire impossible. Les techniques de design actuelles, ont
recours à l'agrégation des données d'évolution. On retrouve cette façon de procéder dans
l'utilisation de la notion d'Erlang pour la mesure de la charge en trafic ou encore l'utilisation
du trafic à la deuxième heure la plus chargée. De cette agrégation naît une estimation
imprécise du comportement et de la robustesse du réseau face à l'évolution de
l'environnement. Sur le plan de l'évolution moyen et long terme des données, souvent les
techniques de design procèdent pas à pas. A chaque période d'ajustement ou d'extension du
réseau, les paramètres du système sont optimisés afin d'offrir les meilleures performances à la
période courante. L'optimisation, dans ce cas, fait abstraction des évolutions futures des
données. La raison en est soit l'absence de ces données tout simplement, soit la complexité
combinatoire induite par un traitement du problème sur plusieurs périodes.
Parmi la gamme des problèmes d'ingénierie que l'on peut rencontrer durant le design des
réseaux radiomobiles, nous nous sommes intéressés tout particulièrement aux problèmes
d'affectation de fréquences et de planification des capacités cellulaires dans les réseaux G SM .
Notre choix s'est porté sur ces problèmes du fait de la volumineuse littérature sur des modèles
qui vont nous permettre de comparer nos approches. Le problème d'affectation de fréquences
se rapporte au concept de partage de ressources radio. Chaque station de base requiert un
ensemble de fréquences pour assurer les communications sur son aire de service. Il s'agit alors
de répartir l'ensemble des fréquences disponibles sur les stations de manière à réduire les
interférences sur la zone. Le problème de planification des capacités cellulaires intervient
suite à l'augmentation du trafic sur les stations au point d'altérer les performances du réseau et
d'augmenter le taux de blocage des communications. La solution est alors d'accroître la
capacité des stations en installant des TRX (transmetteurs) supplémentaires. Le problème de
planification des capacités cellulaires consiste à déterminer le nombre de TRX à installer sur
chaque station pour un certain niveau de blocage.
L'objectif du travail de cette thèse est de proposer des modèles et des algorithmes
d'optimisation pour traiter des aspects dynamiques des problèmes d'ingénierie dans le des ign
de la partie radio des réseaux radiomobiles, et de montrer leurs mises en œuvre sur un
échantillon de problèmes connus en GSM . La contribution de ce travail se situera donc sur
deux plans : modélisation et algorithmique d'optimisation. Sur le plan de la modélisation,
nous étudierons les concepts et critères à introduire afin de tenir compte de la variabilité de
l'environnement d'un réseau. Sur le plan algorithmique, notre objectif premier sera de
présenter les outils permettant de maîtriser, d'une part la complexité combinatoire induite par
le caractère dynamique des données, et d'autre part l'apparition de nouveaux critères de qualité
lié à la robustesse et à l'évolutivité des solutions.
La thèse est composée de trois parties principales, chacune étant séparée en deux ou trois
chapitres.
La première partie de la thèse permet d'exposer les problèmes de design dans les réseaux
radiomobiles. Pour cela, nous commençons tout d'abord par rappeler succinctement les
principaux concepts liés à la téléphonie mobile dans le premier chapitre. Dans le deuxième
20
Introduction
chapitre nous présentons les principaux problèmes liés au design du réseau radio c'est-à-dire
la recherche des sites, le positionnement et le paramétrage des antennes, la planification des
capacités cellulaires et finalement l'affectation de fréquences. Nous nous attarderons tout
particulièrement sur le problème d'affectation de fréquences qui constitue le cadre principal
des études effectuées dans le contexte de l'optimisation dynamique.
Dans la deuxième partie de cette thèse, nous abordons les bases de l'optimisation dynamique.
Le chapitre 3 est consacré à l'étude des problèmes d'optimisation dynamique dans leur cadre
général. Nous proposons une classification de ces problèmes selon trois critères : la
prévisibilité des variations futures, le caractère temps réel ou périodique des ajustements à
effectuer, et finalement le caractère réversible ou pas des solutions antérieures. Dans le
chapitre 4 nous étudions les techniques d'optimisation dynamique dans le cadre plus restreint
du design des réseaux radiomobiles. Le trafic est identifié comme étant l'un des facteurs clé de
l'évolution des réseaux. Les fondements de l'ingénierie de trafic sont donnés, suivis par une
description de quelques travaux portant sur le design dynamique des réseaux radiomobiles.
Dans la troisième et dernière partie, nous proposons des modèles et des algorithmes comme
solutions à des problèmes de design dynamique. Les problèmes d'affectation de fréquences et
de planification des capacités cellulaires sont pris comme base de ces études. Cette partie
présente donc les travaux originaux menés au cours de la thèse. L'objectif est d'analyser des
modèles et des outils algorithmiques utilisables à travers trois situations différentes
d'optimisation dynamique. La variation du trafic à différentes échelles et l'impact de ces
variations sur les performances des solutions sont considérés comme éléments principaux de
ces études.
Le premier cas aborde une situation de variation du trafic à court terme (de l'ordre de l'heure).
Dans le cadre du problème d'affectation de fréquences, la rapidité des changements empêche
l'ajustement en temps réel et systématique de la solution. La notion de robustesse se présente
dans ce cas comme l'objectif principal de l'optimisation. Le but du problème est alors de
s'assurer de la qualité globale et locale du plan de fréquences. La qualité globale du réseau se
réfère à sa performance au long de toute la période d'étude. La qualité locale, quant à elle,
concerne la performance du réseau en chaque instant et en chaque point du réseau.
Le deuxième cas d'étude se rapporte à l'évolution du trafic à moyen terme. Dans ce cas,
l'ajustement périodique de la solution est possible. La principale difficulté consiste alors à
maîtriser la complexité combinatoire induite par le caractère multipériodique de
l'optimisation. En effet, l'objectif de l'optimisation dans ce cas n'est plus de trouver une
solution unique au problème, mais une séquence de solutions qui épousent l'évolution des
données de l'environnement et qui réduisent les coûts de transition. La maîtrise des coûts de
transition fait alors partie intégrante de la mesure de performance de la solution.
Dans le dernier chapitre de cette partie, nous étudions le cas d'une évolution du trafic à long
terme. Dans ce cas le caractère non prévisible de l'évolution nous entraîne à adopter une
procédure d'optimisation pas à pas. Le problème de planification des capacités cellulaires sous
contraintes d'interférence est pris comme cas d'étude. Nous proposons ainsi une modélisation
multicritère du problème prenant en compte simultanément les performances en terme de
blocage des communications et de réduction des interférences.
21
Introduction
Nous terminons par une conclusion générale résumant les principaux résultats obtenus au
cours de cette thèse sur les plans des modèles et algorithmes. Puis nous présentons une vue
sur les extensions possibles de ce travail.
22
Partie I Réseaux radiomobiles et ingénierie
radio
Chapitre 1 Les principaux concepts en réseaux radiomobiles
Résumé. Ces dernières années ont confirmé le formidable essor de la téléphonie mobile. Le
nombre d'abonnés est passé de 10 millions en 1991 à 210 millions fin 1997 et plus d'un
milliard fin 2002. Au même moment, le taux de pénétration a dépassé les 70% dans beaucoup
de pays. Dans ce premier chapitre, nous nous proposons de décrire les principaux concepts
des réseaux radiomobiles, tout particulièrement la partie assurant la mobilité à savoir
ème
l'interface radio. Nous porterons plus spécialement notre attention sur les réseaux dits de 2
ème
et 3 génération, tels que le GSM (Global System for Mobile communications), qui
représentent à ce jour l'essentiel des réseaux radiomobiles dans le monde, et l'UMTS
(Universal Mobile Telecommunication System) qui représente la norme européenne pour les
ème
réseaux de 3 génération.
Table des matières

1.1 Historique...........................................................................................................................25
1.2 Concepts cellulaires et systèmes radiomobiles ..................................................................25
1.2.1 Concept cellulaire ..................................................................................................27
1.2.2 Réutilisation des fréquences ...................................................................................28
1.2.3 Densification ..........................................................................................................28
1.2.4 Itinérance (roaming) ..............................................................................................29
1.2.5 Handover et macrodiversité...................................................................................29
1.2.6 Nature de la liaison radio ......................................................................................30
1.2.7Modes d'accès radio.................................................................................................31
1.3 Architecture générale des réseaux radiomobiles ................................................................33
1.3.1 Le sous-système radio (BSS) dans le GSM.............................................................34
1.3.2 Réseau d'accès UTRAN dans l'UMTS....................................................................35
1.3.3 Le sous-système réseau (NSS)................................................................................35
1.4 Système de gestion de l'itinérance......................................................................................37
1.4.1 Systèmes sans localisation......................................................................................37
1.4.2 Systèmes à zones de localisation ............................................................................37
1.5 Critères de performances d'un réseau radiomobile.............................................................38
1.5.1 Critères de coût ......................................................................................................38
1.5.2 Critères de qualité de service .................................................................................39
24
Partie I. Réseaux radiomobiles et ingénierie radio
1.1 Historique
Les premiers travaux sur la téléphonie mobile ont été entrepris pour des raisons militaires.
Détroit a été la première ville à bénéficier d’un système d’appels groupés, servant aux
voitures de police pour la transmission d’instructions en 1921. A la suite et pendant les années
30, les avancées de la modulation de fréquence aidèrent à l’amélioration de la qualité des
conversations notamment pour les véhicules en mouvement. En 1946, AT&T sortit sur le
marché le premier radio téléphone mobile à St Louis. Cependant, le manque de canaux de
communication limitait sérieusement la qualité du service.
Les années 70 ont vu émerger de nombreux réseaux de radiotéléphonie analogique désignés

ère
par la suite par le terme de systèmes de 1 génération. L’incompatibilité subsistante entre ces
différents réseaux, principalement liée aux différences de normes (NMT 450, NMT 900,
TACS, C450, Radiocom 2000, RTMS…) et de bandes de fréquences, a rendu impossible la
création de réseaux à vocation internationale. Pour ces raisons, des démarches ont été
entreprises vers l’établissement d’une norme unique pour les communications avec les
mobiles. En 1982, la CEPT (Conférence Européenne des Postes et Télécommunications) fixa
des bandes de fréquences communes à toute l’Europe dans la bande des 900 M Hz. Un groupe
de normalisation, GSM, fut installé la même année, dont la tâche était d’établir un système de
communication mobile numérique. En 1990, une nouvelle norme, DCS 1800, représentant
une adaptation de la norme GSM, fut établie pour supporter les réseaux de
télécommunications dans la bande des 1800 M Hz. Les systèmes numériques : GSM,
ème
DCS1800 (Europe) ou encore IS-95 (USA) et PDC (Japon) représentent les systèmes de 2
génération.
De nouvelles normes sont actuellement en étude désignées par le terme de systèmes

ème
radiomobiles de 3 génération. Le principal objectif de tels systèmes est d'offrir des services
de communication à hauts débits (services multimédias) avec de plus grandes facilités de
mobilité (itinérance internationale). Le label IMT-2000 fait référence à l'ensemble des travaux
de normalisation accomplis par l'UIT (Union International des Télécommunication) à l'échelle
mondiale. L'UM TS désigne quant à lui la partie de cette recherche conduite en Europe.
T AB. I-1 Les différentes générations des réseaux radiomobiles
Génération Caractéristiques générales
Systèmes de première Se basent sur la transmission analogique. Généralement, ce sont
génération des réseaux nationaux ne permettant pas l'itinérance.
Systèmes de deuxième Utilisent la transmission numérique. Ce sont des systèmes qui
génération (GSM, DCS, supportent l'itinérance internationale mais leurs faibles débits
IS-95, GPRS…) restreignent leurs utilisations à la communication vocale.
Systèmes de troisième Fournissent des services de communications hauts débits (jusqu'à
génération (UMTS, 2 M bit/s), ouvrant ainsi la porte à la transmission des données et
CDMA2000…) aux services multimédia.
1.2 Concepts cellulaires et systèmes radiomobiles

L'objectif d'un système de radiotéléphonie est de permettre l'accès au réseau téléphonique à
partir d'un terminal portatif sur une zone géographique plus ou moins vaste. Cet accès est
réalisé grâce à une liaison radioélectrique entre le terminal et le réseau. Pour que la qualité des
25
Chapitre 1. Les principaux concepts en réseaux radiomobiles
communications soit satisfaisante, la puissance de réception dans les sens montant et

descendant doit être assez élevée, rendant nécessaire la bonne distribution d'un ensemble de
stations de base sur le territoire à couvrir (FIG. I-1). Une station de base, BTS ou Nœud B
1
selon la terminologie UMTS gère les fonctions d'émission et de réception avec plusieurs
équipements mobiles en parallèle. Chaque station de base couvre une partie du territoire
appelée cellule. La subdivision du réseau en cellules doit rester transparente pour le client qui
n'a pas à connaître la station de base à laquelle il est rattaché à un moment donné.
FIG. I-1 Utilisation de plusieurs antennes à faible puissance au lieu d'une antenne puissante
(a) (b)
FIG. I-2 Les deux schémas de configuration d'un site : (a) site muni d'une seule antenne
omnidirectionnelle, (b) site muni de trois antennes sectorielles.
Les stations de base composant le réseau sont regroupées en emplacements géographiques

appelés sites. Selon le type d'antennes utilisées, un site peut contenir une à plusieurs BTS. Plus
précisément, une seule antenne omnidirectionnelle, ou plusieurs antennes sectorielles. La
figure FIG. I-2 représente les deux schémas de configuration de site possibles. Le schéma (a)
représente un site muni d'une seule antenne omnidirectionnelle, le schéma (b) montre un site à
trois antennes sectorielles. Dans les réseaux GSM il est usuel de limiter le nombre d'antennes
sectorielles sur un site à trois.
1
Nous utiliserons par la suite le terme "station" pour référencer une station de bas e ou un Nœud B
indifféremment.
26
1.2.1 Concept cellulaire

Une cellule représente l'ensemble des points du territoire couvert par une même BTS et où le
signal émis par cette BTS est le plus fort. On parle alors de BTS "meilleure serveuse". Le
concept cellulaire constitue le fondement de base des réseaux radiomobiles. Premièrement,
l'utilisation du concept cellulaire permet l'ajustement des ressources radio à la demande en
trafic. Cet ajustement est réalisé en densifiant les zones à forte demande en communications.
Le principe de densification se traduit par des zones urbaines à forte concentration de BTS
couvrant de petites cellules et des zones rurales à faible concentration de BTS couvrant des
cellules de grande taille.
La réutilisation des ressources radio (fréquences) dans les réseaux GSM constitue le deuxième
intérêt du concept cellulaire. En effet l'opérateur téléphonique est restreint à un nombre limité
de fréquences pour couvrir l'ensemble du réseau, ce qui rend nécessaire la réutilisation du
spectre radio mainte fois de façon à prévenir les situations d'interférences entre les ondes
radio. En conséquence de la réutilisation des fréquences, le réseau est capable d'écouler un
nombre de communications beaucoup plus grand que le nombre de fréquences disponibles.
La forme hexagonale a été universellement adoptée comme représentation théorique du

design cellulaire [M ac Donald 79]. En effet l'hexagone désigne la forme géométrique la plus
proche du cercle (propagation des ondes radio dans un espace sans obstacles) qui permet un
pavage régulier du plan (FIG. I-3) en utilisant le moins de cellules. De plus il garantit une
uniformité des distances entre les émetteurs, la régularité des schémas d'antennes et de la
propagation des ondes radio en espace libre. La réalité, cependant, s'écarte de cette vue
théorique. La non régularité des reliefs géographiques (montagnes, plateaux…) et
architecturaux (bâtiments, maisons…) fait que la propagation des ondes ne s'effectue pas de la
même façon dans toutes les directions. De ce fait, des prolongements, des rétractions voir
même des discontinuités importantes apparaissent dans la couverture des cellules.
FIG. I-3 Concept cellulaire : (a) pavage régulier, (b) couverture réelle
27
1.2.2 Réutilisation des fréquences

Le principe de réutilisation des fréquences est un concept propre aux schémas d'accès radio
FDM A (Frequency Division M ultiple Access) et TDM A (Time Division M ultiple Access)
basés sur la subdivision du spectre radio (cf. 1.3.1A). Il consiste en l'allocation de canaux
physiques de même fréquence à des cellules qui sont suffisamment éloignées pour ne pas
générer d'interférences co-canal [M ac Donald 79]. Grâce à ce principe, le réseau parvient à
gérer un nombre de communications simultanées beaucoup plus grand que le nombre de
fréquences disponibles.
Le principe de réutilisation des fréquences a donné lieu à plusieurs stratégies d'allocation. On

distingue principalement deux techniques de gestion des ressources radio. La première
nommée allocation fixe de fréquences (Fixed Channel Assignment) consiste à allouer un
ensemble de fréquences nominales à chaque station d'une manière permanente. Dans la
technique d'allocation dynamique des fréquences (Dynamic Channel Assignment) aucune
affectation des fréquences aux stations n'est opérée a priori. Les fréquences sont attribuées
aux communications à leurs arrivées. Des techniques intermédiaires ont aussi été proposées
telles que : l'allocation hybride des fréquences (Hybrid Channel Assignment) et l'allocation
par empreint (Channel Borrowing). Nous reviendrons sur les techniques d'affectation de
fréquences dans une section ultérieure.
1.2.3 Densification
La densification désigne le mécanisme par lequel, la capacité du réseau est accrue en
multipliant le nombre de sites ou de stations déployés sur une zone. Cette adaptabilité est
réalisée grâce à l'un des trois procédés suivants :
Eclatement de cellules (sectorisation) : quand le volume de trafic sur une cellule

donnée dépasse la capacité de la station, la cellule est alors subdivisée en cellules plus
petites. Pour ce faire on remplace l'antenne omnidirectionnelle par plusieurs antennes
sectorielles. Ce qui induit une révision locale du plan de fréquences ainsi qu'un
réaménagement des paramètres des antennes sur le site.
Ajout de nouveaux sites : quand le nombre maximal de stations pouvant être installé
sur un site est atteint, il est alors inévitable de recourir à l'installation de nouveaux
sites, ce qui conduit à la réduction des tailles des cellules.
Couverture multicouche : dans ce cas, les frontières de la cellule originale sont

préservées. L'idée est d'insérer de petites cellules (microcellules) dans la cellule
initiale afin d'alléger sa charge. Les appels ne pouvant pas être gérés par la
microcellule sont redirigés vers la macro cellule.
Les trois mécanismes de densification décrits ci-dessus sont repris schématiquement dans la
figure FIG. I-4.
28
(a) (b) (c) (d)
FIG. I-4 Exemple de densification : (a) cellule d'origine, (b) densification par sectorisation, (c) ajout de
site, (d) couverture multicouche.
1.2.4 Itinérance (roaming)

Contrairement aux réseaux téléphoniques fixes où la position d'un abonné est invariante et
correspond généralement à sa maison ou à son lieu de travail, cette position subit des
modifications continuelles dans les réseaux radiomobiles. L'itinérance désigne la faculté du
système à joindre un abonné quelle que soit sa position. Ce qui sous-entend que le système
doit être en mesure de déterminer la localisation d'un abonné dans le réseau à n'importe quel
instant et d'assurer une bonne qualité de communication à cet endroit. D'autre part, l'abonné
doit pouvoir utiliser son terminal qu'elle que soit l'endroit où il se trouve. Nous reviendrons
dans la section 1.4 sur les techniques de localisation des abonnés.
Zone de handover
Zone de couverture Zone de couverture

de la station 1 de la station 2
FIG. I-5 Zone de handover entre deux cellules
1.2.5 Handover et macrodi versité

Lors d'une communication, la station mobile peut être en mouvement (FIG. I-5). Il est alors
important de garantir la continuité de la communication en dehors de la cellule où la
conversation a débuté. En effet, lorsque la station à laquelle le mobile est rattaché n'arrive
plus à assurer une bonne qualité de service, il devient alors nécessaire de changer de station de
base. Ce transfert doit se faire de façon transparente et sans causer d'interruption. Le principe
29
de handover implique donc l'existence de zones de recouvrement, où plusieurs signaux de

bonne qualité et provenant de BTS différentes coexistent.
Dans les réseaux G SM , la procédure de handover nécessite généralement le changement des

fréquences porteuses utilisées par le terminal mobile pour l'émission et la réception. On parle
alors de hard-handover, car le terminal doit momentanément interrompre sa liaison avec la
station courante pour basculer vers la nouvelle fréquence qui lui est allouée. Dans un réseau
UM TS, des cellules adjacentes partagent l'utilisation de la même fréquence (la distinction
entre les différentes communications se fait par le biais d'un code d'étalement du spectre).
Ceci offre la possibilité à un terminal d'entretenir plusieurs liaisons simultanées avec des
stations différentes améliorant du coup la qualité globale de la communication. La possibilité
qu'a un terminal de communiquer avec plusieurs nœuds B en parallèle constitue la base du
principe de macrodiversité.
Le soft-handover fait référence à l'utilisation du concept de macrodiversité pour effectuer le

handover. Dans ce cas, le mobile établit une liaison avec le nœud B destination sans rompre la
liaison qui le lie au nœud initial. Cette liaison est libérée quand la procédure de handover
s'achève.
1.2.6 Nature de l a liaison radio

Une grande partie des problèmes de la radiotéléphonie mobile est liée à la nature même de la
liaison radio. Les ondes radio sont sujettes à des phénomènes d'affaiblissement causés par les
conditions climatiques (neige, pluie…) ou géographique (montagnes, maisons…). Par
ailleurs, il est souvent impossible d'assurer la visibilité directe d'un abonné depuis la station de
base étant donnée la nature de l'environnement (suburbain, urbain, intérieur des bâtiments,
montagnes…).
Lors d'une émission, le signal subit une multitude de transformations plus ou moins
importantes avant d'arriver à destination. Ces transformations peuvent être classifiées selon
leurs échelles de variation [Guisnet 98] en :
Variations à grande échelle : elles ne font intervenir que le facteur distance entre
l'émetteur et le récepteur. On parle alors d'affaiblissement. Plusieurs modèles
d'affaiblissement existent dans la littérature. Dans le modèle d'espace libre,
l'affaiblissement d'un signal est égal à [ Lagrange 00] :
AF  32.4  20  log10  f   20  log10  d  (I.1)
Où f désigne la fréquence du signal émis et d la distance séparant l'émetteur du

récepteur.
Variations à moyenne échelle : ces variations sont dues aux reliefs séparant l'émetteur
du récepteur. On parle alors d'effet de masque. En effet une onde radio subit différents
phénomènes de réflexion, de diffraction et de diffusion avant d'atteindre la station
mobile. Ces transformations sont la conséquences des effets de relief (géographique +
sursol) et des différents obstacles (bâtiments, maisons…) et ont pour effet d'atténuer le
signal reçu par le mobile.
30
Variation à petite échelle : pour atteindre sa destination, le signal émis emprunte des
trajets de longueurs différentes formés par les phénomènes de propagation. On se
trouve alors face à plusieurs signaux portés par une même fréquence présentant des
déphasages constructifs ou destructifs du signal original. L'évanouissement (fading)
d'un signal se produit quand les ondes issues des trajets multiples s'annulent donnant
lieu à un signal de très faible puissance.
Diffraction
Réfl exion
Diffusion
FIG. I-6 Propagation du signal radio par trajets multiples
Les modèles de propagation [Kurner et al. 93] sont utilisés afin de prédire les variations à
grande et moyenne échelle du signal radio. Principalement ces modèles sont classés selon la
nature de l'environnement dont le quel ils sont spécialisés : montagneux [Driessen 90], urbain
[Feistel et Baier 95], rural [Hviid et al. 95], indoor [Tan et Tan 97]. Un modèle de propagation
est donc une modélisation mathématique et informatique des phénomènes de propagation des
ondes radio. L'objectif est de prédire la puissance des signaux reçus sur un point donné à
partir des données géographiques. Les modèles de propagation sont des outils indispensables
pour la conception des interfaces radio et lors du design et du déploiement des réseaux
radiomobiles. Leur implémentation dans les outils d'ingénierie permet de simuler l'impact des
choix effectués sur la qualité du réseau (couverture, interférence…) avant son déploiement sur
le terrain.
1.2.7 Modes d'accès radio

Ils existent différentes méthodes d'exploitation du spectre radio, qui se traduisent par une
efficacité spectrale variable (nombre d'erlang par km2 et par M Hz). Chaque mode définit la
manière dont le spectre radio est réparti sur les différents utilisateurs du système. On dénote
principalement trois modes d'accès :
31
a Mode d'accès FDMA (Frequency Division Multiple Access)

Dans ce type de système, le spectre disponible est divisé en bandes de fréquences de largeurs
égales, chacune supportant un seul canal physique. Un canal libre est attribué à chaque
utilisateur qui souhaite établir une communication. Le nombre de communications que peut
écouler une cellule est donc égal au nombre de fréquences allouées à cette cellule. On utilise
le terme "porteuse" pour désigner une fréquence.
b Mode d'accès TDMA (Time Division Multiple Access)

De la même façon que pour la technique FDMA, le mode TDMA procède par division du
spectre en plusieurs fréquences. De plus, chaque fréquence est subdivisée dans le temps en
intervalles appelés slots. Un canal de communication correspond alors à la répétition régulière
d'un même slot sur une fréquence donnée. La technique TDM A est largement utilisée dans les
réseaux radiomobiles de deuxième génération (GSM, DECT…).
c Mode d'accès CDMA (Code Division Multiple Access)

La technique CDM A a été utilisée en premier par les militaires Anglais durant la deuxième
guerre mondiale. Le mode d'accès CDM A est fondé sur les techniques d'étalement du spectre
radio. Contrairement au mode TDMA, la technologie CDM A n'alloue pas de fréquence mais
des codes spécifiques à chaque utilisateur. De ce fait, chaque canal de communication dispose
de la totalité du spectre disponible.
FDMA t
f1 f2 f
T DMA t
f1 f2 f
CDMA t
f1 f2 f
FIG . I-7 Schémas d'accès FDMA, T DMA et CDMA
32
L'avantage principal du modèle CDM A est l'utilisation par l'ensemble des utilisateurs du
spectre tout entier. Ceci a pour conséquence de :
1. Augmenter la capacité du système : Dans les systèmes CDM A, les cellules adjacentes
utilisent la même partie du spectre, alors que dans les systèmes FDMA et TDM A, le
nombre de fréquences alloué par cellule est limité par un facteur de réutilisation, L. Ce
facteur désigne le nombre maximum de cellules qu'il faut pour l'utilisation de la totalité
des fréquences du spectre une et une seule fois.
2. Eliminer le besoin d'affectation de fréquences : Au niveau de la réception, les différents

signaux arrivent sur la même fréquence. Ils sont alors filtrés et identifiés à l'aide de codes
orthogonaux distincts. A chaque communication est associé un code différent dont
l'affectation est plus simple que la gestion des fréquences [Dinan et al. 02].
3. Simplicité de la procédure de handover : Contrairement aux systèmes FDMA et TDM A

où le handover s'effectue par un changement de canal physique pendant la connexion
(hard handover), dans les systèmes CDMA, les différentes cellules utilisent le même
spectre de fréquences, donc aucune commutation de canal n'est nécessaire (soft handover)
[Glisic et Vucetic 97].
T AB. I-2 Comparaison entre les différents modes d'accès multiple

Mode Système Inconvénients Avantages
FDM A Analogiques - Sensible aux évanouissements Simple
er
(1 génération) - Rigide
TDMA GSM , IS-54, Synchronisation - Plus souple
PDC - Capacité par rapport à FDMA
CDM A IS-95, UMTS Traitement complexe du signal - Pas d'évanouissement
- Capacité théorique plus grande
- Pas de planification de
fréquences
1.3 Architecture générale des réseaux radiomobiles

Le but d'un réseau de téléphonie mobile est d'assurer un ensemble de services de
télécommunications aux utilisateurs quels que soient leurs déplacements à l'intérieur d'un
territoire. A cette fin l'abonné mobile utilise deux éléments distincts :
Un équipement mobile, ou terminal, qui fournit les capacités radio et logicielles
nécessaires au dialogue avec le réseau.
Une carte amovible SIM (Subscriber Identity Module) ou USIM (Universal Subscriber
Identity Module) dans la norme UMTS, qui stocke les caractéristiques de l'abonné et
ses droits, en particulier son identité internationale, l'IMSI.
Le mobile est rattaché au réseau par voie radio. La partie du réseau en charge de gérer la
liaison avec la station mobile est appelée interface radio. Cette dernière fait elle même partie
du sous-système radio (Base Station Subsystem - BSS) qui avec le sous-système fixe (Network
33
and Switching Subsystem - NSS) constituent les deux composants principaux des réseaux
GSM (FIG. I-8).
L'architecture des réseaux UM TS a été développée avec pour consigne la conservation d'un
maximum de compatibilité avec l'infrastructure des réseaux G SM [Sanchez et Thioune 01].
De ce fait, une structure proche du sous-système fixe, N SS, se retrouve dans les deux normes.
La principale différence porte sur le système d'accès radio UTRAN (Universal Terrestrial
Radio Access Network) dans l'UMTS. L'architecture simplifiée du réseau UM TS est donnée
dans FIG. I-9.
Dans ce qui suit, nous donnons une description succincte des différents composants des
réseaux GSM et UMTS. Le lecteur trouvera dans [Walke 02] une description détaillée de
l'architecture d'autres systèmes radio tels que DECT, IS-95…
1.3.1 Le sous-système radio (BSS) dans le GS M
A L'interface radio
L'interface radio est l'interface entre la station mobile et le réseau. Pour assurer cette liaison,
un système radio a besoin d'une bande de fréquences. Les réseaux G SM utilisent les bandes
de fréquences comprises entre 890-915 MHz pour le canal montant et 935-960 M Hz pour le
canal descendant.
La technique FD/TDMA est adoptée par la norme GSM comme mode d'accès radio. Le
spectre est divisé en des porteuses espacées de 200 KHz. Chaque porteuse est fractionnée en 8
slots de durée 15/26 ms. Une trame TDM A correspond alors à un signal composé de 8 slots.
Un canal de communication simplex est formé par la répétition périodique d'un même slot sur
chaque trame.
B Fonctions de la BTS (Base Transceiver S tation)

Une BTS est composée de plusieurs émetteurs/récepteurs appelés TRX. Sa capacité maximale
est de 8 porteuses lui permettant de gérer une cinquantaine de communications en parallèle.
La BTS s'occupe des aspects physiques de la transmission : la modulation et démodulation des
signaux, le codage correcteur d'erreurs, le chiffrement, le multiplexage TDMA [Lagrange et al.
99]. Elle réalise aussi un ensemble de mesures radio permettant le contrôle de la qualité d'une
communication en cours. Ces informations sont directement envoyées au BSC.
C Fonctions du BS C (Base Station Controller)

Un BSC contrôle une ou plusieurs BTS. Il est chargé de la gestion de la ressource radio :
allocation des canaux, procédure de handover. Il exploite les mesures fournies par les BTS
afin de régler les puissances d'émission des BTS et des mobiles. Il constitue de plus le lien
entre le sous système radio BSS (BTS + BSC) et le sous système d'acheminement ou réseau
fixe, NSS (Network Sub-System).
34
1.3.2 Réseau d'accès UTRAN dans l'UMTS
A Interface Radio
Contrairement au GSM qui fait appel au mode d'accès TDM A, le réseau d'accès de l'UM TS,
UTRAN, s'appuie sur le mode d'accès CDM A large bande [Holma et Toskala 01]. L'interface
radio des réseaux UM TS repose sur une bande de fréquence de largeur 5M Hz permettant
d'atteindre des débits théoriques de 2M bps.
B Fonctions du Nœud B
Le rôle d'un nœud B est d'assurer la connexion entre les terminaux mobiles et le réseau
d'accès UTRAN. Le nœud B s'occupe ainsi des tâches liées à l'entrelacement, le codage et
décodage, la correction d'erreur, etc.
L'une des tâches principales d'un nœud B est le contrôle de puissance. A intervalle de temps
régulier, le nœud B calcule le rapport d'interférence C/I (Carrier to Interferer Ratio) du signal
reçu à partir du terminal. Le rapport C/I représente le rapport de puissance entre le signal
serveur ou utile et les signaux interférents. En fonction de cette mesure, la station transmet
une information au terminal lui commandant d'accroître ou de réduire sa puissance
d'émission. De la même façon, le terminal mobile informe le nœud serveur des lacunes
observées sur le signal reçu.
C Fonctions du RNC (Contrôleur du réseau radio)

Le RNC joue le rôle du BSC dans un réseau G SM . Il assure, entre autres, la gestion des
ressources radio et les procédures d'admission et d'établissement des communications.
Comme il gère les procédures de handover et de contrôle de puissance.
1.3.3 Le sous-système réseau (NSS)

Il prend en charge les tâches d'établissement des communications et de gestion de la mobilité
(localisation). Dans les réseaux GSM et UM TS, le sous système NSS contient un centre de
commutation MSC (Mobile-services Switching Center) ainsi que des bases de données : VLR
pour Visitor Location Register et HLR pour Home Location Register.
A Fonctions du MS C
Il effectue toutes les fonctions nécessaires à la gestion des appels de provenance ou à
destination des abonnés localisés dans sa zone. Il gère aussi les informations liées à la
mobilité des clients, utilisant pour cela les enregistreurs de données VLR et HLR.
B Fonctions du HLR
La base de donnée HLR contient des informations concernant le profil des abonnés. A chaque
abonné est associé une et une seule entrée dans le HLR désignant la description de ses droits
ainsi que son numéro international IMSI et son numéro d'abonné mobile MSISDN. En plus il
35
tient à jour une information qui pointe sur un VLR, lequel indique la zone de localisation où se
trouve l'abonné actuellement.
C Fonctions du VLR
Dans la base de données d'une VLR on ne retrouve que les informations nécessaires à
l'établissement des appels en provenance ou à destination d'abonnés se trouvant sur son aire.
Ces informations consistent en l'identité internationale de l'abonné, IMSI, l'identité temporaire
TMSI et la zone de localisation où l'abonné s'est manifestée pour la dernière fois.
FIG. I-8 Architecture du réseau GSM
36
FIG . I-9 Architecture de référence du réseau UMT S
1.4 Système de gestion de l'itinérance

La gestion de l'itinérance est la tâche par laquelle le système arrive à connaître la position de
ses abonnés. Ceci permet à un abonné d'être joignable à tout moment quelle que soit sa
position. La gestion de l'itinérance fait intervenir deux mécanismes de base [Lagrange et al.
99] :
La localisation : c'est le mécanisme qui sert à mettre à jour les informations de
localisation des abonnés. Le degré de précision de ces informations dépend de la
fréquence d'appel de cette procédure mais induit inévitablement un coût plus élevé.
La recherche : la position fournie par le système de localisation peut ne pas être assez
récente. Un avis de recherche est alors lancé dans les cellules où le système a
précédemment localisé l'abonné ainsi que dans les cellules voisines.
1.4.1 Systèmes sans localisation

Les systèmes sans localisation sont dédiés aux réseaux d'aire de couverture restreinte ou à
taux d'appels faible. Dans ce cas, aucun système de gestion de l'itinérance n'est implémenté.
Quand un abonné est appelé, le système lance un avis de recherche sur tout le territoire
couvert.
1.4.2 Systèmes à zones de localisation

La zone de couverture est subdivisée en des zones de localisation, chacune comportant
plusieurs cellules. Le système maintient pour chaque abonné une information indiquant la
zone de localisation où il se trouve. Lorsqu'un appel à destination d'un abonné est enregistré,
37
le système localise puis lance un avis de recherche dans les cellules appartenant à la zone de
localisation de l'abonné. Plusieurs techniques de mise à jour de la localisation existent :
Mise à jour manuelle : Dans ce cas, il appartient aux utilisateurs de signaler

manuellement leurs positions actuelles au système. Ce type de méthode est,
particulièrement, adapté aux réseaux à cellules discontinues.
Mise à jour périodique : Le terminal mobile émet périodiquement des signaux

permettant au système de le localiser, ce qui entraîne une surcharge inutile du système.
Mise à jour sur changement de zone de localisation : Dans ce cas chaque station de
base émet sur une voie balise un signal indiquant le numéro de la zone de localisation
à laquelle elle appartient. Le terminal mobile vérifie régulièrement si la zone de
localisation où il se trouve, correspond à la zone stockée. Dans le cas contraire, il
signale sa nouvelle position au système. Pour maintenir un certain compromis entre le
coût de mise à jour des localisations et le coût de recherche, la spécification des zones
de localisation doit être optimisée en fonction du taux d'appels entrants, de la vitesse
moyenne des mobiles et de la taille des cellules [Gondim 96].
1.5 Critères de performances d'un réseau radiomobile

Les critères qui rentrent dans l'estimation de la qualité d'un réseau sont nombreux.
Néanmoins, ces critères peuvent globalement être classés en deux grandes catégories selon le
point de vue adopté : opérateur ou utilisateur [Chambreuil 00]. La première classe fait
référence au coût consenti par l'opérateur pour déployer le réseau, pour assurer son évolution
et finalement pour maintenir son fonctionnement. Deuxièmement, les critères de qualité de
service qui mesurent la performance du réseau telle qu'elle est perçue par les utilisateurs
(disponibilité, qualité vocale…). Le design d'un réseau radiomobile revient alors à gérer le
compromis posé par ces deux tendances.
1.5.1 Critères de coût

Il s'agit des coûts nécessaires au déploiement, au fonctionnement ou à l'évolution du réseau.
Coût de déploiement : ce coût représente les frais d'installation initiale du réseau. Il

fait, principalement, intervenir les droits d'utilisation des sites retenus pour la
construction du réseau plus le coût d'installation des équipements. L'opérateur est
amené à engager des négociations avec les propriétaires des terrains afin de s'enquérir
des droits d'exploitation.
Coût d'évolution : l'objectif initial d'un opérateur est de couvrir une certaine zone
géographique avec une certaine estimation du nombre d'abonnés. Au fur et à mesure
de l'évolution du trafic, l'opérateur aspire à étendre sa zone de couverture et à
améliorer les capacités de son système. Pour répondre à ces besoins, l'opérateur est
amené à accroître son patrimoine de sites, à installer de nouvelles antennes, à changer
le paramétrage des équipements…
38
Coût de fonctionnement : ce sont des coûts induits par les techniques et algorithmes
adoptés par le système tels que les procédures de localisation et de handover. Ces
algorithmes engendrent un trafic de signalisation supplémentaire non facturé.
1.5.2 Critères de qualité de service

Ces critères sont directement à mettre en rapport avec les attentes des abonnés. Ces attentes
sont liées à la :
Disponibilité du réseau (probabilité d'obtention d'un nouvel appel).
M aintien des communications (la probabilité de coupure d'une communication).
Qualité auditive de la communication (puissance du signal, brouillage…).
Ces aspects sont étroitement dépendants des mécanismes de fonctionnement du réseau tels
que : la couverture, la capacité du réseau face à la demande, les interférences, les taux
d'erreurs, le design des cellules, la fréquence des handovers…
39
Chapitre 2 Les principaux problèmes d'optimisation en
ingénierie radio
Résumé. L'ingénierie des réseaux radiomobiles présente une panoplie de problèmes

d'optimisation combinatoire. Ces problèmes apparaissent à différents stades de la conception,
du déploiement et de la maturation du réseau. La quantité ainsi que l'imprécision des données
à prendre en compte rendent impossible le traitement de ces différents problèmes d'une
manière globale. Par ailleurs chaque problème se caractérise par des objectifs et critères
différents principalement liés aux notions de coût et de qualité de service.
Ce chapitre présente une vue d'ensemble du cycle de vie des réseaux radiomobiles et recense
les principaux problèmes d'optimisation liés à leur ingénierie. Pour chaque problème, nous
présentons quelques modèles et méthodes de résolution qui lui ont été appliqués. Notre
attention se portera tout particulièrement vers le problème d'allocation de fréquences en
GSM qui constitue le cadre de nos investigations futures.
Table des matières

2.1 Cycle de vie d'un réseau radiomobile.................................................................................41
2.1.1 Gestation et dimensionnement................................................................................41
2.1.2 Conception ou design .............................................................................................41
2.1.3 Déploiement............................................................................................................41
2.1.4 Optimisation terrain ...............................................................................................42
2.1.5 Extension (aspect dynamique)................................................................................42
2.2 Problème de recherche de sites ..........................................................................................43
2.2.1 Approche par concentration progressive...............................................................44
2.2.2 Approche par maillage adaptatif ...........................................................................45
2.2.3 Approche vectorielle...............................................................................................46
2.3 Problème de positionnement et paramétrage d'antennes ....................................................47
2.3.1 Méthodes basées sur la théorie des graphes ..........................................................47
2.3.2 Méthodes par concentration...................................................................................49
2.3.3 Synthèse ..................................................................................................................57
2.4 Problème de planification des capacités cellulaires ...........................................................58
2.4.1 Approche classique basée sur le modèle Erlang B ................................................58
2.4.2 Cas de canaux de garde .........................................................................................58
2.4.3 Planification des capacités cellulaires et planification de fréquences ..................59
2.5 Problème d'allocation de fréquences ..................................................................................59
2.5.1 Interférences ...........................................................................................................59
2.5.2 Ingénierie de saut de fréquences ............................................................................60
2.5.3 Schémas d'allocation de fréquences .......................................................................62
2.5.4 Allocation de fréquences et coloriage de graphe ...................................................62
2.5.5 Objectifs du problème d'allocation de fréquences .................................................64
2.5.6 Approches de résolution .........................................................................................68
40
2.1 Cycle de vie d'un réseau radiomobile

Au cours de sa durée de vie, un réseau radiomobile passe par plusieurs étapes. A chacune de
ces étapes correspond une phase d'ingénierie différente. Ce cycle d'évolution peut être résumé
dans les cinq phases suivantes [Lagrange 00] [Reininger 00] :
2.1.1 Gestation et di mensionnement

Dans cette phase, l'opérateur analyse l'éventualité du déploiement d'un nouveau réseau. Pour
cela, il se fixe un certain nombre d'objectifs commerciaux : nombre d'abonnés, zone à couvrir,
services à proposés, etc. Ces objectifs sont alors traduits en données précises sur la structure
globale du réseau et son dimensionnement. Le dimensionnement permet une estimation a
priori des coûts (matériels et humains) et des délais de déploiement et de fonctionnement du
réseau. Finalement le dimensionnement spécifie la localisation, la nature et la qualité des
services à fournir. Des objectifs à long terme peuvent être spécifiés tels que les augmentations
prévues du nombre d'abonnées ou l'élargissement de la zone à couvrir.
2.1.2 Conception ou design

Lors de cette phase l'opérateur s'efforce de rassembler le plus grand volume d'informations
utile à la préparation du réseau. Ces informations se rapportent aux bases de données
géographiques et aux données de trafic. Des mesures sont effectuées afin de valider la bande
de fréquence allouée à l'opérateur et calibrer le modèle de propagation.
La phase de design s'occupe des différents problèmes de conception du réseau tels que le
positionnement et le paramétrage des antennes, l'affectation de fréquences, la spécification
des zones de localisation, le branchement BTS/BSC, etc.
Les phases de dimensionnement et de design constituent les deux étapes de la conception

théorique d'un réseau radiomobile. Le design apparaît alors comme une phase de réponse aux
objectifs posés par le dimensionnement en terme de qualité et de coût. La figure FIG. I-10
résume les différents rapports entre ces deux phases.
2.1.3 Dépl oiement

Contrairement aux phases de dimensionnement et de design qui font appel à des processus
d'étude et d'optimisation, le déploiement est une phase purement opérationnelle. Lors de cette
phase, des antennes sont déployées sur les sites retenus par le design. Une installation qui peut
subir des retards suite aux négociations sur les sites qui peuvent survenir. Ces problèmes
peuvent entraîner la remise en cause d'une partie du design réseau.
41
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
Objectifs du dimensionnement
Qualité Coût
Zone à Nombre Qualité et nature Infrastructure Equipement Main d'œuvre

couvrir d'abonnés de service spécialisée
Recherche Positionnement et Affectation de Spéci fication des Raccord ement

de site paramét rage d'antennes fréquences zones de localisation BTS/BSC
Problèmes de design
Données Données de Mesures Modèle de Modèle de

géographiques Trafic terrains propagation trafic
Données M odèles
FIG . I-10 Relation entre les phases de design et de dimensionnement. Le design détermine les schémas
de réseau capables de répondre aux objectifs fixés par le dimensionnement.
2.1.4 Optimisation terrain

Des lacunes peuvent apparaître après le déploiement effectif du réseau. Ces lacunes
correspondent, généralement, à des zones non couvertes par le réseau et à des qualités de
service faibles (taux de perte d'appels élevés, niveaux d'interférence non négligeables...). Des
imperfections qui sont souvent dues à l'imprécision des données utilisées en phase de design
(géographique, trafic, modèle de propagation). Ces déficiences sont corrigées en reconfigurant
les BTS, en modifiant le plan de fréquences ou en ajustant les puissances d'émission. Ces
solutions peuvent même s'avérer relativement radicales comme revoir le nombre de BTS par
site ou déplacer un site.
2.1.5 Extension (aspect dynami que)

Une fois le réseau ouvert, une analyse suivie du fonctionnement du réseau est effectuée afin
de détecter, prévoir et faire face aux nouveaux besoins [Lagrange 00]. Ces besoins sont liés à
l'augmentation du trafic général (nombre d'abonnés) ou local occasionnant une saturation du
réseau. Comme ils peuvent survenir suite à l'élargissement de la zone de couverture ou à
l'introduction de nouveaux services ou de nouvelles fonctions du système. Pour réaliser ce
contrôle, trois tâches doivent être mises en œuvre :
Analyse des performances du système : le rôle de cette procédure est de mettre en

place les mécanismes permettant l'évaluation des performances actuelles du réseau.
42
Planification à court terme : il s'agit de fournir les moyens permettant une réponse
rapide et à moindre coût aux problèmes et dégradations de performances survenant
dans le réseau. Cette réponse peut consister à un ajustement local des paramètres du
réseau (puissance et direction des antennes…). Cependant, ces changements ne
peuvent s'étendre à l'insertion de nouveaux sites.
Planification à long terme : il s'agit dans ce cas de répondre aux objectifs de service à
long terme de l'opérateur en terme de : qualité de serv ice, nature des services, nombre
d'abonnés, zone de couverture... La satisfaction de ces nouvelles exigences peut
nécessiter l'ajout de nouveaux sites.
2.2 Problème de recherche de sites

La recherche de sites constitue la première phase du design. Elle précède donc les phases de
positionnement des antennes et de planification de fréquences. C'est notamment la phase la
moins automatisée du processus de design à l'heure actuelle [Reininger 00]. Sur la base des
données géographiques et marketing, du modèle de propagation et des estimations des coûts
d'installation et de raccordement, un ensemble de sites théoriques préliminaires est choisi. Ces
sites correspondent aux emplacements idéaux issus du dimensionnement pour la construction
du réseau. Des positions réelles sont recherchées à proximité des sites théoriques (cf. FIG.
I-11). Pour cela, on utilise des bases de données constituées de sites conventionnés et
d'emplacements repérés sur le terrain. Les sites potentiels ainsi obtenus sont soumis à une
phase de validation, consistant en un ensemble de mesures terrain pour confirmer leur intérêt.
Les sites retenus après validation, sont alors portés candidats à la construction du réseau. Ils
peuvent faire l'objet de négociations avec les propriétaires.
La phase de recherche et de validation des sites est un processus long. Souvent les sites sont
introduits par lots de façon à accroître dynamiquement et progressivement la capacité et la
couverture du réseau pendant son évolution. Une difficulté qui rend nécessaire l'élaboration
de modèles et d'algorithmes permettant le recensement automatique des sites candidats à
partir des prévisions marketing du trafic et de l'analyse du sol et du sursol.
Site théorique
Site réel
Eau
FIG. I-11 Validation des sites théoriques
43
2.2.1 Approche par concentration progressive

Ibbetson et Lopes [Ibbetson et Lopes 97] proposèrent une approche de recherche et de
positionnement d'antennes à base de subdivisions consécutives du terrain à couvrir. Dans cette
approche l'objectif n'est pas seulement de repérer un ensemble de sites candidats pour le
déploiement futur du réseau, mais de valider puis positionner les stations sur ces sites.
Autrement dit, les sites trouvés correspondront aux positions optimales des stations qui
garantissent un coût minimal (nombre de sites réduit) et qui satisfont la demande en trafic.
Pour cela le terrain est découpé de façon itérative en des rectangles de plus en plus petits. Les
stations sont caractérisées par une valeur maximale de trafic quelles peuvent écouler.
L'algorithme se présente alors comme suit :
1. Un premier découpage est réalisé, on recherche alors les régions où la demande en

trafic est supérieure à un seuil minimum. Les régions ne satisfaisant pas à cette
condition sont considérées comme inintéressantes et aucune station ne leur est affectée.
2. Si l'intérêt de la région est confirmé, la possibilité physique de placement d'une station

est envisagée. La base de données géographique est consultée afin de vérifier si la zone
n'est pas inutilisable (eau).
3. Une fois les conditions d'utilisation et d'intérêt réunies, une station est installée au
centre de l'aire de couverture (les antennes sont considérées omnidirectionnelles). Le
trafic situé sur cette région est alors considéré comme satisfait et il est soustrait du
trafic global.
4. Cependant, si la demande en trafic de la région est supérieure à la capacité maximale

de la station, le trafic restant est alors redistribué sur la zone traitée.
5. Quand l'ensemble des régions est parcouru, la proportion du trafic écoulé par rapport au
trafic total est calculée. Si ce taux est satisfaisant l'algorithme est arrêté. Sinon un
découpage plus fin est réalisé et le processus est relancé.
Urbain
Rural
Urbain dense
FIG. I-12 Découpage itératif
44
Plusieurs limitations caractérisent cette approche, la principale étant la non considération des
données géographiques du terrain (propagation des ondes). De plus, les différentes stations à
installées sont considérées omnidirectionnelles et à capacité en trafic identique. Finalement,
signalons que les aspects liés aux recouvrements et au handover sont ignorés.
2.2.2 Approche par maillage adaptatif

L'approche par maillage adaptatif proposée dans [Lissajoux 02] [Olivier 99] est une
modélisation intéressante de la problématique de recherche de sites. Les sites théoriques sont
repérés en pavant le terrain par une grille hexagonale non régulière. Pour ce faire, on dispose
d'une matrice de ressources indiquant la répartition du trafic prévisionnel. On tente alors de
trouver un pavage hexagonal du terrain qui assure une répartition équitable de la charge en
trafic sur les hexagones tout en maintenant une certaine régularité et souplesse dans les
formes. Le nombre d'hexagones à utiliser est une donnée du problème issue du
dimensionnement. Le problème est alors modélisé sous forme d'un problème d'optimisation
où il s'agit de minimiser la fonction F représentée ici :
F     wk  w *    Geo(mk )  (I.2)
k
wk : charge de trafic assurée par l'hexagone mk

w* : charge idéale par hexagone
Geo : mesure la qualité géométrique d'un hexagone
 ,  : coefficients de pondération
La charge idéale en trafic pour un hexagone est tout simplement pré-calculée à partir du
rapport entre la quantité totale de trafic prévue et le nombre de sites à placer. La charge
globale en trafic sur le réseau est quant à elle calculée en sommant les éléments de la matrice
de trafic.
1 3 3 5 5 5 5 5 5 3 1 2 1
1 1 5 5 3 1 5 7 1 1 3 1 1
1 1 4 4 2 1 5 5 1 1 2 1 1
1 1 1 1 1 1 5 5 1 1 2 2 1
1 1 2 3 3 1 7 3 1 1 1 1 1
1 1 2 1 1 1 6 4 1 1 1 3 1
1 1 1 1 1 1 5 3 1 1 1 1 1
1 1 1 1 1 1 5 5 1 1 1 1 1
1 4 4 2 2 1 5 5 2 2 2 4 1
1 1 1 3 1 1 5 5 2 3 2 1 1
1 1 4 3 1 1 5 3 1 1 1 2 1
1 2 2 3 1 1 5 3 1 1 1 2 1
1 5 1 5 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1
(a) (b) (c)

FIG. I-13 Approche par maillage adaptatif pour la recherche de sites. (a) un terrain vierge; (b) matrice
de demande en trafic; (c) pavage hexagonal du terrain
A la fin de l'optimisation, des sites théoriques sont associés aux sommets des hexagones dans
les régions denses pour permettre le placement d'antennes sectorielles et aux centres des
45
hexagones dans les régions moins denses pour permettre l'installation d'antennes
omnidirectionnelles.
2.2.3 Approche vectorielle

Dans ce type d'approche, les coordonnées des sites candidats à la construction du réseau sont
recherchées par le biais d'algorithme d'optimisation. Pour cela, le terrain à couvrir est
considéré en tant qu'espace euclidien à deux dimensions. L'objectif de l'optimisation est de
déterminer les coordonnées des sites où placer les stations afin de répondre au mieux aux
contraintes et critères pris en compte. La recherche est réalisée par une série de déplacements
locaux d'un ou plusieurs sites.
Anderson et Mcgeehan [Anderson et M cgeehan 94] proposent un algorithme de recuit simulé

pour le problème de positionnement des antennes dans les réseaux micro-cellulaires. Une
configuration initiale est générée, consistant en l sites situés au centre de la zone à couvrir.
Notons que le nombre de sites à utiliser demeure un paramètre difficile à estimer. A chaque
itération de l'algorithme d'optimisation, la recherche fait passer la configuration actuelle d'un
état vers un autre afin de maximiser la couverture totale des stations. Ces transitions se font
via le changement des coordonnées x et y des sites (FIG. I-14).
Une autre approche vectorielle a été proposée par Sherali et al. [Sherali et al. 96]. Il s'agit de
déterminer les localisations optimales de N stations de base afin de réduire la perte en signal
entre l'émetteur et le récepteur. Le premier intérêt du modèle consiste en la distinction faite
entre les différentes régions à couvrir. Chaque point pi (xi, yi) est caractérisé par un poids wi
représentant le niveau de priorité de cet emplacement (généralement cette valeur exprime la
densité de population à cet endroit). En plus, à chaque point de service pi est associé un seuil,
si, de qualité de couverture, qui correspond à l'affaiblissement maximal toléré entre la station
meilleure serveuse bi0 et le point pi. Le système d'équation est représenté ci-dessous. M
désigne le nombre de points de service STP (Service Test Point). i représente la valeur de
pénalité associée à la violation du seuil de couverture si. Q désigne la partie de terrain où
l'installation des stations est possible. Les variables xi 0 , yi 0 et zi 0 représentent les
coordonnées de la station meilleure serveuse sur le point pi.
 
1 (I.3)
minimiser
M

p STP
wi  AFFbi 0 ( xi 0 , yi 0 , zi 0 ), pi  i max 0, AFFbi 0 ( xi 0 , yi 0 ,zi 0 ), pi  s i 
 
i
ou
 
minimiser max wi  AFFbi 0 ( xi 0 , yi 0 , zi 0 ), pi  i max 0, AFFbi 0 ( xi 0 , yi 0 ,zi 0 ), pi  s i 
pi STP   
s.c
( x j , y j , z j ) Q b j , j  1..N 
46
A B
A B
C D
D C
(a) configuration initiale (a) configuration finale
FIG . I-14 Positionnement de 4 BTS
2.3 Problème de positionnement et paramétrage d'antennes

Le problème PPA (Positionnement et de Paramétrage des Antennes) est au cœur de la
problématique de design des réseaux radiomobiles. L'objectif principal est de déterminer les
emplacements des antennes et leurs configurations afin de réaliser une couverture totale du
territoire tout en assurant une bonne qualité de service. L'intérêt du problème est d'autant plus
grand qu'il impacte directement sur la qualité des plans de fréquences générés dans les
réseaux GSM lors de la phase d'allocation de fréquences [Riva et al. 98]. En effet, un mauvais
positionnement ou paramétrage des antennes peut entraîner des situations de recouvrement
inextricables qui rendent la tâche de planification de fréquences difficile sinon impossible.
Dans les réseaux UM TS, un bon positionnement et paramétrage des antennes permet
d'optimiser le rapport C/I sur l'espace de couverture [M athar 01]. Or le rapport C/I a une
incidence directe sur le taux d'erreurs binaires et donc sur le débit et la qualité des
communications.
Plusieurs modèles de positionnement et le paramétrage d'antennes ont été élaborés. Ces

modèles sont plus ou moins généraux et se différencient par la nature et le nombre de
contraintes qu'ils mettent en jeu, les objectifs recherchés et la nature des simplifications
employées. Selon la modélisation de l'espace de couverture, on distingue deux grandes
familles d'approches.
2.3.1 Méthodes basées sur la théorie des graphes

Dans ce cas, l'espace de couverture est modélisé par un ensemble discret de points de service
ne présentant aucun lien de voisinage. Deux objectifs principaux animent ce genre
d'approches : la minimisation du coût d'installation et la réduction des recouvrements (le
rapport C/I).
47
Les travaux menés par Calégari [Calégari et al. 97] et M olina [M olina et al. 99], dans le cadre
2
du projet STORM S [M enolascino et al. 98] pour le design des réseaux UMTS, se basent sur
la réduction des coûts d'installation. Le problème est modélisé par un graphe biparti (FIG.
I-15) dont les sommets constituent l'union des sites candidats et des points de service STP à
couvrir. Un arc du graphe reliant un site li à un point de service pj exprime le fait que le point
pj serait couvert si le site i est retenu pour l'installation d'une station. La couverture de
l'ensemble des points de service revient alors à déterminer le sous-ensemble de sites S
dominant à cardinalité minimale.
minimiser Card  S  / S est dominant (I.4)

S est dominant   successeur (l )  STP
li S
i
Ensemble des points Ensemble des sites
FIG. I-15 Graphe bi-partie sites-points
La deuxième approche, proposée dans le cadre du projet STORM S, arbore une vision
purement qualitative du réseau, l'objectif étant de réduire les recouvrements entre les stations
[Chamaret et al. 97]. Pour cela, un graphe non orienté est construit à partir de l'ensemble L de
sites candidats et de l'ensemble STP des points de service suivant les trois étapes suivantes :
1. Utilisant le modèle de propagation sur chaque site potentiel, l'ensemble des points STP
couverts suite à l'installation d'une station sur ce site est calculé.
2. Pour chaque paire de sites, la zone d'intersection de leurs aires de couverture est évaluée.
3. A chaque site potentiel est associé un nœud dans le graphe. Deux sites sont reliés par une
arrête si et seulement si leur zone d'intersection est relativement grande. La largeur d'une
2
STORMS (Software Tools for the Optimization of Resources in Mobile Systems) est un projet de recherche
Européen compris dans programme ACTS (Advanced Communications Technologies and Services).
48
zone d'intersection est estimée en regard à la taille des cellules recouvertes. Plus
précisément, on calcule le rapport entre la taille de la zone d'intersection et la taille de la
plus petite cellule et on compare ce rapport avec une constante K. Le choix de la constante
K dépend de la nature du réseau à déployer (rural ou urbain, espace ouvert ou axe routier).
La minimisation des brouillages revient, dans ce cas, à trouver le stable maximal
permettant de maximiser l'aire de couverture des stations.
l1
l1
l2
l7 l2
l7 l3
l3
l4
l5 l4
l6
l5
l6
FIG. I-16 Représentation par graphe dans le modèle de Chamaret et al..
Les modèles basés sur la théorie des graphes présentent plusieurs limitations. D'abord, elles
sont incapables d'exprimer la totalité des aspects du problème réel. En partie, du fait que la
zone à couvrir est représentée par un ensemble de points (sommets) disjoints. La notion de
distance entre ces points est vague, ce qui rend délicat le traitement des contraintes liées au
handover, aux interférences et à la connexité des cellules. Par ailleurs le paramétrage des
antennes est généralement fixé d'avance et les coûts d'installation sur les sites sont considérés
identiques. Enfin, les arêtes d'un graphe ne sont adaptées qu'à l'expression des contraintes
binaires, le cumul des recouvrements produit par plusieurs stations n'est donc pas
modélisable.
2.3.2 Méthodes par concentration

C'est probablement la méthode la plus apte à rendre compte des différents aspects liés aux
reliefs géographiques et à la distribution du trafic [Reininger 00]. Dans ce cas la zone à
couvrir est discrétisée en une grille de mailles représentant les positions potentielles d'un
mobile. Le maillage permet une représentation assez précise des phénomènes radio et du
trafic. Le découpage du terrain est effectué selon une grille régulière (FIG. I-17). La taille des
mailles dépend de différents critères tels que la taille des cellules, type de l'environnement
(urbain, rural…), de façon à maintenir un certain compromis entre la quantité de données et la
précision des mesures [Scavadro 99].
Les liens de voisinage entre mailles sont clairs, la prise en compte des contraintes de
connexité des cellules est alors possible. De plus et contrairement aux modèles basés sur la
49
théorie de graphes, le maillage permet la prise en compte des contraintes liées aux
interférences, à l'écoulement de trafic et au handover.
FIG. I-17 Maillage d'un réseau
A Approches par programmation entière

Ces méthodes consistent généralement à modéliser le problème sous forme d'un système
d'équations linéaires à variables binaires. Dans le travail de Floriani et Mateus [Floriani et
M ateus 97], chaque site candidat se voit associé : une valeur  i désignant le nombre maximal
de points que la station de base installée sur le site peut couvrir, une valeur  i représentant le
nombre maximal de canaux qu'on peut affecter à la station et un coût ci de construction. Un
point pj de l'aire de service est caractérisé quant à lui par une densité de trafic dj. Le sous-
système d'équations (I.5) donne alors la modélisation mathématique en variables binaires du
problème de PPA.
N (I.5)
min  ci zi (1)
i 1
N
a x ij ij 1  j  1..NF  (2)
i 1
NF
a x ij ij
 i  i  1.. N  (3)
j 1
NF
 i   d j xij  0  i  1.. N  (4)
j 1
xij  0,1  i  1.. N  , j  1.. NF  (5)

zi  0,1  i  1.. N  (6)
Une variable de décision xij prend la valeur 1 quand le point pj appartient à la cellule définie
par le site l i. z i est une variable de décision binaire qui prend la valeur 1 si le site li est retenu
pour l'installation d'une antenne. Les valeurs aij sont calculées à partir du modèle de
propagation, et prennent la valeur 1 quand le signal reçu à partir du site li sur un point pj
dépasse un certain seuil de qualité. L'objectif (1) exprime la volonté de minimiser le coût de
déploiement du réseau. Les contraintes de type (2) visent à assurer la couverture et à prévenir
50
les interférences, puisque seul un signal, de forte puissance, est toléré sur n'importe quel point.
Les contraintes (3) et (4) traitent de la capacité d'écoulement du trafic.
Dans [M athar et Schmeink 01], Mathar et Schmeink proposent une modélisation

mathématique du problème de positionnement pour les réseaux de troisième génération
(UM TS). L'objectif principal du modèle est d'écouler le maximum de trafic tout en réduisant
les interférences sur l'ensemble du territoire. Pour cela, l'espace de couverture est modélisé
par un ensemble de points, STP. A chaque point pj est associé un poids, wj, représentant sa
charge en trafic. Pour le placement des stations, on dispose d'un ensemble de configurations
possibles des stations. Chaque configuration l i est définie par un coût d'installation ci, sachant
que le coût total d'installation du réseau ne doit pas dépassé une montant limite K.
Le modèle se base sur deux notions principales : la couverture et l'interférence. Un point pj est
dit couvert par la configuration li, si et seulement si, le signal reçu à partir de la station
correspondante aij dépasse un seuil de qualité Sq. Par ailleurs, pour que la quantité
d'interférence sur le point pj soit considérée négligeable le rapport C/I entre le signal utile et la
somme des signaux interférents doit dépasser un seuil  . Le signal émis par une
configuration antennaire est dit capturé sur un point donné si les deux conditions de
couverture et d'interférence sont satisfaites. Autrement dit :
 (I.6)

aij  Sq

p j est dit capturé par la configuration li  et

aij     aij 
 
  i  i 
La résolution du problème ainsi modélisé revient à maximiser la somme pondérée des points
capturés tout en respectant le seuil de coût K.
maximiser 
iL pi STP
wu
i ij
(I.7)
s.c.
c x
iL
i i K
1 p j est capturé par li

uij  
0 sinon
1 li est retenue pour l'installation du réseau
xi  
0 sinon
B Approches heuristiques
Les approches de résolution heuristique offrent différents avantages. En premier, des
problèmes de complexité et volume combinatoire très élevés peuvent être traités. Par ailleurs
aucune restriction sur la nature des contraintes ni des objectifs n'est nécessaire. La
modélisation du problème se présente alors sous forme d'une fonction objectif à minimiser ou
51
à maximiser. Cette fonction combine (pas obligatoirement de façon linéaire) les différents
critères de qualité d'une solution. Elle peut aussi faire intervenir les différentes contraintes du
problème sous forme de pénalités. La simplicité d'implémentation de telles méthodes a
favorisé leur utilisation pour le traitement simultané de plusieurs problèmes de design en
parallèle comme par exemple le positionnement et paramétrage d'antennes [Reininger 01]
[Dony et al. 98] [Vasquez et Hao 01] [Hurley 00] [Hurley 02].
Nous donnons ici la description formelle des trois entités principales qui composent un PPA
3
tel qu'il a été présenté par Reininger [Reininger 01] dans le cadre du projet ARNO pour le
design des réseaux GSM .
L'espace de couverture : est représenté par une grille de mailles. Chaque maille est
désignée par un point RTP (Reception Test Point). L'ensemble des RTP désigne la région
géographique sur laquelle le réseau est déployé. Un sous-ensemble STP (Service Test
Point) des RTP est identifié, correspondant aux points où le signal utile doit dépasser un
certain seuil, Sq, permettant ainsi le déroulement de la communication. Un autre sous-
ensemble TTP (Traffic Test Point) des STP est identifié, correspondant aux points où la
charge en trafic est connue (FIG. I-18).
RTP
STP
TTP
Sites
candidats
FIG. I-18 Relation d'inclusion entre RTP, STP, TTP
Station Mobile : Les antennes aussi bien que les mobiles sont des émetteurs/récepteurs.
La différence principale entre les deux consiste dans le fait que les paramètres d'un
mobile sont fixes alors que ceux des antennes sont réglables. Dans le cas où différents
modèles de mobiles se présenteraient le pire cas est considéré.
Un mobile est principalement caractérisé par :
3
ARNO (Algorithms for Radio Network Optimization) est un projet du programme IT (Information
Technologies)
52
Une sensibilité, Sm : représente la puissance minimale d'un signal que le mobile peut
recevoir correctement.
Un gain en réception, gm : qui désigne l'amplification donnée par le mobile au signal
reçu.
Une perte en réception am : qui désigne la perte en puissance du signal due aux
circuits internes du mobile.
Antennes : Un site candidat peut contenir une à trois BTS. Chaque BTS est associée à une
antenne omnidirectionnelle ou sectorielle. Plusieurs types d'antennes subsistent dans les
réseaux radiomobiles. Les travaux entrepris par Reininger et Caminada considèrent trois
types d'antennes : omnidirectionnelle, sectorielle large, sectorielle étroite. Chaque
antenne est caractérisée en plus de sa sensibilité Ss et de sa perte en émission As, par son
gain de transmission Gs, sa puissance Ps, son orientation horizontale, l'azimut, et
verticale, le tilt, le nombre de TRX qu'elle contient ainsi que les diagrammes de
rayonnement horizontal et vertical (FIG. I-19). Un diagramme de rayonnement représente
la perte en dB de la puissance du signal émis dans le voisinage immédiat de l'antenne
dans toutes les directions possibles (horizontale ou verticale). Par ailleurs, le nombre de
TRX que comporte une BTS détermine la capacité en trafic que celle-ci peut écouler
(T AB. I-3).
Sectorielle étroite
Sectorielle large
Omnidirectionnelle
FIG. I-19 Diagramme horizontal des trois types d'antennes
T AB. I-3 Capacité d'une BTS par rapport au nombre de T RX
Nombre TRX 1 2 3 4 5 6 7
Erlang 2.9 8.2 15 22 28 35.5 43
L'ensemble des éléments associés aux types d'antennes, aux stations mobiles et aux données
géographiques permet de calculer la puissance du signal reçu sur un point p à partir d'une
antenne b, Cdb , p , en utilisant la formule suivante :
53
Cdb , p  Ps  Gs  As  AF  adirh  adirv  gm  am (I.8)
La valeur AF est calculée à partir d'un modèle de propagation. Elle désigne l'affaiblissement
du signal dû à la distance et aux reliefs. La valeur adirh (resp adirv) est calculée à partir du
diagramme horizontal (resp vertical) de l'antenne ainsi que de l'angle formé par l'azimut (resp
le tilt) de l'antenne et la direction horizontale (ou verticale) du mobile.
L'approche proposée par Reininger et Caminada [Reininger 01] présente une modélisation
assez riche du PPA, englobant les principaux aspects liés au design des réseaux radiomobiles.
Le problème est modélisé par un ensemble de stations de base fictives BS dont il s'agit de
déterminer un sous-ensemble BS1 de stations vérifiant un certain nombre de contraintes et
répondant aux objectifs de l'optimisation. Une station est représentée par un quintuple (site,
antenne, puissance, azimut, tilt). Nous décrivons ci-dessous les contraintes et les objectifs
modélisés dans cette approche pour le design des réseaux G SM .
a Contraintes du modèle
Bilan de liaison : cette contrainte porte sur la possibilité d'établir une communication
entre deux points donnés. Pour cela, le signal reçu sur un point p doit être supérieur à un
certain seuil de qualité ( Cdb , p  Sq  Sm ) et inversement le signal reçu par la station en
provenance d'un mobile situé sur le point p doit être suffisamment puissant
( Cub , p  Sq  Ss ).
Contrainte de couverture : cette contrainte stipule que tous les points de service STP,
doivent être couvert par au moins une station, c-à-d, qu'il doit exister une station dont le
signal reçu en ce point dépasse le seuil de qualité Sq. Autrement dit, l'union des
couvertures des stations doit être égale à l'ensemble des points de service STP. La cellule
engendrée par une station b correspond alors à l'ensemble des points où b est la station
meilleure serveuse.
Cell (b)   p  STP / Cdb , p  Sq et b  BS1  {b} Cd b ,p  Cdb , p  (I.9)
où Cdb , p désigne la puissance du signal reçu par p provenant de b
Contrainte de handover : pour assurer la continuité des communications hors des limites
de couverture d'une station donnée, il doit exister des zones de recouvrements entre
chaque cellule et ses cellules voisines. En ces points, il doit y avoir plus d'un seul signal
de bonne qualité pour assurer le handover.
On désigne par handcell(b) une partie de la cellule Cell(b) où au moins un signal de

bonne qualité et provenant d'une autre station que b est observé. Ce signal doit être au
moins aussi puissant que celui de b avec une marge maximale de 7 dB.

handcell (b)  p  Cell (b) / b  BS1 et  Cdb , p  Cdb , p   7dB  (I.10)
La contrainte de handover stipule alors que pour toute cellule, l'ensemble handcell doit
comporter au moins un point STP.
54
La contrainte de connexité : La notion de connexité est étudiée sur les deux plans : réseau
et cellule. La connexité du réseau assure que la mobilité de l'utilisateur au sein du réseau
ne provoquera pas d'interruption de la communication. Ce cas se présente quand la
couverture du réseau présente plusieurs composantes disjointes et où le passage du
mobile d'une composante connexe à une autre peut entraîner la coupure brutale de la
communication. Au niveau cellulaire, la connexité des cellules permet de maintenir des
taux de handover raisonnables d'où un trafic de signalisation réduit. Par ailleurs, la
discontinuité des cellules a pour effet de favoriser les recouvrements entre les cellules et
delà complique la tâche d'allocation de fréquences.
Notons par C(b) le nombre de composantes connexes d'au moins 8 mailles d'une cellule
Cell(b) (FIG. I-20). La contrainte de connexité des cellules s'exprime alors par des
égalités C(b) =1.
Composantes
connexes
Antenne
sectorielle
FIG. I-20 Couverture d'une cellule
b Objectifs
Les objectifs du modèle sont :
Minimiser le coût d'installation : à chaque site candidat est associé un coût c i

correspondant au coût d'installation d'une station sur le site. Différents coûts d'installation
et de désinstallation sont associés aux stations. Ceci a pour intérêt de tenir compte de la
partie du réseau déjà existante. De cette façon, les ajouts, les suppressions et les
reconfigurations de stations sont exprimés dans la fonction objectif à minimiser.
55
N (I.11)
minimiser zc
i 1
i i
1 si le site Li est utilisé

zi  
0 sinon
1 si le réseau est nouveau

 1 si les paramètres du site Li ne sont pas modifiés
 
ci   2 si les paramètres du site Li changent
sinon 5 si un nouveau site L est mis en service
  i
 
7 si un site existant Li est supprimé
Minimiser les recouvrements : L'existence de zones de recouvrement entre les signaux est
nécessaire pour le handover, cependant le cumul de signaux non utiles de faibles
puissances nuit à la qualité des communications. A cette fin, seuls les h meilleurs champs
sont tolérés sur chaque cellule pour assurer le handover. Les autres signaux sont
considérés comme des signaux brouilleurs. Le calcul du volume des recouvrements sur
un point p donné est alors réalisé en ordonnant les signaux reçus selon leurs puissances et
en sommant les signaux brouilleurs (équation (I.12)).
Cdb , p  Cdb 1, p   Cdbh , p   Cdbk ,p  Sm (I.12)

 ( p)    Cd
h  j k
bj, p  Sm
L'objectif de réduction des recouvrements est formulé par la fonction suivante :
minimiser   ( p)
pSTP
(I.13)
Maximiser le volume de trafic écoulé : Quand le volume de trafic affecté à une station
dépasse sa capacité, ce trafic est perdu. Ceci se traduit sur le terrain par un taux blocage
élevé. Etant donné que le trafic maximal que peut écouler une station est de 43 erlang (cf.
T AB. I-3), il s'agit donc de maximiser la quantité de trafic écoulé par l'ensemble des
cellules. L'objectif de maximisation de la capacité en trafic est décrit par l'équation (I.14)
où trafic(b) mesure la demande en trafic sur la cellule b et traficécoulé(b) la quantité de
trafic écoulé par la station.
trafic (b)  
pTTP  Cell ( b )
trafic _ point ( p) (I.14)
trafic (b) si trafic (b)  43

traficécoulé (b )  
43 sinon
maximiser  traficécoulé (b)
bBS 1
56
Maximiser le rendement des stations : Le rendement d'une station désigne le rapport entre
le trafic écoulé et sa capacité (en rapport avec le nombre de TRX qu'elle possède).
L'objectif est alors d'ajuster la capacité de la station à la demande en trafic.
traficécoulé (b) (I.15)

traficrendement (b) 
traficcapacité (b)
maximiser  traficrendement (b)
bBS 1
Le modèle général est présenté dans le système d'équation (I.16) :
min  ci  zi (1) (I.16)

iL
min 
p STP
 ( p) (2)
max  traficécoulé
bBS 1
(3)
max  traficrendement (4)

bBS 1
s.c.
STP   cell (b)
b B S1
(5)
C (b)  1 b  BS1 (6)

handcell (b)   b  BS1 (7)
2.3.3 Synthèse
La figure FIG. I-21 présente la typologie des approches de résolution du PPA, selon le type de
formulation et la nature des simplifications opérées sur le modèle réel. Le premier niveau de
classification se réfère à l'utilisation ou non de sites candidats. Ainsi dans les approches
vectorielles, par exemple, la recherche des sites est partie intégrante du problème. Le
deuxième niveau de classification se rapporte au paramétrage des antennes. Dans plusieurs
approches, la problématique de paramétrage antennaire est ignorée en considérant une
configuration unique appliquée à toute les stations. Le dernier niveau de classification se base
sur la nature des simplifications opérées afin réduire la taille combinatoire du problème. Par
exemple, dans le travail de Dony et al. [Dony et al. 98] les valeurs possibles que peuvent
prendre le tilt et l'azimut des antennes sont restreintes à un ensemble de valeurs bien défini.
57
Positionnement et paramétrage
des antennes
Avec sites candidats Sans sites candidats (approche vectorielle)

[Anderson et McGeehan]
Positionnement + Positionnement sans Paramétrage (approche de

Paramétrage théorie de graphes) [Calégari et al.]
Réduction des domaines Fixation de Réduction des combinaisons Sans

de définition des quelques possibles des paramètres simplification
paramètres paramètres
FIG. I-21 Classification des approches de résolution du PPA
2.4 Problème de planification des capacités cellulaires

Dû à l'évolution de la demande en trafic, le décideur est amené à ajuster la capacité des
stations de base afin de répondre à l'augmentation du trafic sur son aire de service. L'objectif
principal est alors de réduire le pourcentage de demandes bloquées ainsi que les interruptions
dues à l'échec des procédures de handover. Dans les réseaux GSM , la solution du problème
revient à déterminer le nombre idéal de TRX sur chaque station permettant de maintenir un
certain taux de blocage.
2.4.1 Approche classique basée sur le modèle Erlang B

Dans l'approche classique, la qualité de service est exprimée par un seuil de blocage précisant
le taux maximal toléré de nouvelles demandes bloquées en raison de la saturation de la
cellule. Généralement ce seuil est fixé à 2% du trafic offert sur chaque cellule. Pour
déterminer le nombre de TRX nécessaire pour assurer un seuil de blocage il est commun
d'utiliser le modèle Erlang B [Tunnicliffe et al. 98]. Le modèle Erlang B se base sur une
modélisation Poissonienne du trafic où l'arrivée des appels et leurs durées sont considérées
suivant des lois exponentielles.
2.4.2 Cas de canaux de garde

Dans certaines ingénieries d'interface radio, les demandes de handover sont considérées
prioritaires par rapport aux nouvelles demandes [M arkoulidakis et al. 99]. Ce traitement
prioritaire des demandes de handover est assuré par la réservation de canaux dédiés aux
procédures de handover. Le problème de planification des capacités cellulaires consiste, dans
ce cas, à déterminer le nombre de TRX ainsi que le nombre de canaux de garde nécessaires
pour assurer le seuil de qualité. La distinction faite entre demande de handover et nouvelle
58
demande se traduit par un seuil de qualité à deux volets : un seuil de blocage d'appel estimant
le pourcentage maximal toléré de nouveaux appels bloqués et un seuil de blocage de handover
qui mesure le taux d'échec de handover. La prise en compte du procédé de handover induit
donc une modélisation du processus de mobilité des clients entre les cellules.
2.4.3 Planification des capacités cellulaires et planification de fréquences

Les deux problèmes de planification des capacités cellulaires et d'allocation de fréquences
sont étroitement liés. Souvent l'ajustement de la capacité des cellules nécessite le réajustement
du plan de fréquences. Ceci a donné lieu à de rares travaux qui traitent des deux problèmes
simultanément [Horng et al. 01] [M atsui et al. 02].
L'augmentation du nombre de TRX sur les stations permet certes au réseau d'écouler plus de
trafic, mais d'un autre côté pousse à une utilisation intensive des ressources radio engendrant
du coup plus d'interférences. La planification des capacités cellulaires doit donc se faire de
manière à réduire le taux de blocage tout en s'assurant que le volume d'interférence produit
par la procédure d'allocation de fréquences reste raisonnable.
2.5 Problème d'allocation de fréquences

La qualité d'un réseau de radiotéléphonie dépend largement de la politique de gestion des
ressources radio. Dans le mode TDMA (Time Division M ultiple Access, cf. 1.4.1.A) utilisé
par la norme GSM , le spectre de fréquences disponible est divisé en des fréquences disjointes
appelées aussi canaux fréquentiels. Chaque canal fréquentiel est à son tour divisé en slots
correspondants aux intervalles de temps disponibles pour chaque communication. Pour
écouler un appel, le système attribut une fréquence et un slot à la communication. L'allocation
de fréquences se réfère aux mécanismes et procédures mis en œuvre afin de gérer l'attribution
des canaux aux demandes de communication.
2.5.1 Interférences
La couverture géographique des stations forme un ensemble de zones d'intersection où le
rapport entre signal serveur est signal brouilleur (C/I) est faible. L'existence de ces zones est
capitale pour la réalisation du handover. Cependant elles peuvent aussi être un motif
d'interférence.
On parle d'interférence lorsqu'un point donné de l'espace de couverture reçoit en plus du

signal utile (assurant le service) un signal dit interférent de puissance relativement élevée et
porté sur une fréquence identique ou adjacente.
Interférences co-canal : ce sont des interférences induites par des signaux émis sur la
même porteuse. Ceci se produit quand un point de la zone de couverture reçoit plusieurs
signaux provenant de différentes BTS et émis sur la même fréquence. La norme GSM
prévoie un niveau C/I en co-canal de 9 dB pour assurer une qualité de communication
correcte. Ceci signifie qu'un signal co-canal interférent reste tolérable tant qu'il est plus
faible d'un écart de 9 dB par rapport au signal serveur.
59
Interférences canal adjacent : les signaux émis sur des fréquences adjacentes entraînent
des interférences non négligeables sur les communications. Le degré de nuisance qu'a un
signal interférent sur le signal utile est proportionnel à la distance inter-canal séparant les
fréquences utilisées. D'une façon identique, la norme GSM spécifie des seuils de
protection pour les différents canaux adjacents (cf. T AB. I-4).
Interférence co-canal C/Ic 9 dB
er
Interférence 1 canal adjacent C/Ia1 -9 dB
ème
ème
TAB. I-4 Seuils de protection pour différentes distances inter-canal définis par la norme GSM.
Pour prévenir les interférences, les techniques d'affectation de fréquences ont recours à la
spécification de distance de séparation entre les fréquences allouées aux différentes stations.
Selon leurs importances et leurs natures, ces contraintes de séparation sont classées en :
Interférences co-station : les TRX appartenant à la même cellule peuvent s'interférer

mutuellement. Pour cela il faut respecter une certaine distance dite distance co-station
entre les fréquences allouées à ces TRX (en général, 3 canaux d'écart).
Interférences co-site : les fréquences allouées à des cellules du même site doivent être
séparées par une certaine distance appelée distance co-site (en général, 2 canaux d'écart).
Interférence inter-site : les fréquences utilisées sur certaines paires de stations

n'appartenant pas au même site doivent être espacées, généralement, du fait que les deux
stations sont très rapprochées, que leur zone de recouvrement est assez importante ou que
leur niveau de brouillage C/I est très élevé.
A ces contraintes peuvent s'ajouter des contraintes de type canal bloqué. L'utilisation de
certaines fréquences est alors interdite pour des stations bien spécifiques. C'est, notamment, le
cas quand les opérateurs téléphoniques de deux pays limitrophes, se mettent d'accord sur un
partage du spectre de fréquences dans les zones frontalières.
2.5.2 Ingénierie de saut de fréquences

L'utilisation du principe de saut de fréquences est de plus en plus adoptée par les opérateurs
des réseaux radiomobiles [Sarkola 97] [Tunnicliffe et al. 97] [Levin et Epstein 96]. Le
concept de saut de fréquences est fondé sur la variation de la fréquence porteuse d'une
communication. Chaque station dispose d'un pool de fréquences noté MAL (Mobile Allocation
List). Les TRX de la station se relaient, périodiquement, sur l'utilisation de ces fréquences
pour la transmission de leurs trames (FIG. I-22).
60
Fréquence 1
200 kHz
Fréquence 2
Fréquence 3
Canal de
communication
Fréquence N
Trame TDMA= TRX Temps

577 µs
FIG . I-22 Ingénierie de saut de fréquences
L'ordre d'utilisation des fréquences du MAL par les TRX de la station est déterminé à partir
des deux éléments suivants :
1. L'indice MAIO (Mobile Allocation Index Order) de chaque TRX.
2. La loi de génération aléatoire des nombres entiers HSN.
Soit MAIt le numéro d'ordre dans l'ensemble MAL de la fréquence utilisée à l'instant t par un
TRX de la station. L'équation (I.17) donne la formule permettant le calcul de MAI t. NTRX
désigne le nombre de TRX sur la station.
MAI t   S  t , HSN   MAIO  modulo NTRX (I.17)
Un cas particulier se présente quand HSN=0. Les fréquences du MAL sont alors utilisées dans
un ordre cyclique comme indiqué dans la formule (I.18).
MAI t   t  MAIO modulo NTRX (I.18)
L'ingénierie de saut de fréquence FHS (Frequency Hopping System) présente plusieurs

avantages. Tout d'abord, le saut de fréquence effectué par les TRX lors de chaque émission
d'une trame TDMA engendre une diversité apportant une protection contre les
évanouissements sélectifs [Levin et Epstein 96]. En effet, le changement de fréquence induit
un changement des lois de diffraction et de réfraction et par conséquent réduit le risque
d'évanouissement permanent d'une communication à cause du phénomène des trajets
multiples.
Par ailleurs, les TRX utilisent les fréquences du MAL de façon pseudo-aléatoire. Par
conséquent, le brouillage d'une station par une autre dépend des probabilités de collis ion
(simultanéité) entre les fréquences occupées par les TRX. Ceci entraîne une discontinuité du
brouillage et du coup une plus grande tolérance aux erreurs (les codes correcteurs d'erreurs au
niveau du récepteur sont capables de restituer le message initial) [Tunnicliffe et al. 97].
61
2.5.3 Schémas d'allocation de fréquences

L'allocation des fréquences est certainement l'un des problèmes d'ingénierie des réseaux
radiomobiles les plus étudiés dans la littérature de ces 10 dernières années. Ceci donna lieu à
une multitude de modèles et d'algorithmes d'affectation dont les différences sont
principalement liées à la nature de l'ingénierie adoptée et aux objectifs modélisés.
On distingue principalement trois schémas d'allocation de fréquences [Katzela et Naghshineh

96] qui se différencient par la manière dont les contraintes d'interférences sont gérées : l'AFF
(Allocation Fixe des Fréquences) [Yeung et Yum 00] [Hurley et al. 00] [Jaimes et M unoz 96],
l'ADF (Allocation Dynamique des Fréquences) [Chan et al. 94] [Chang et Kim 96] [Chen, et
al. 96], et finalement l'AHF (Allocation Hybride des Fréquences) [Tajima et Imamura 88].
Dans le schéma d'allocation fixe des fréquences largement utilisé dans les réseaux G SM et
DCS [Eisenblatter 01], un ensemble nominal de fréquences est alloué à chaque cellule de
façon permanente. Les appels écoulés par la station sont alors exclusivement portés par les
fréquences de cet ensemble. Le principal avantage de l'AFF est sa simplicité
d'implémentation. En effet, à l'arrivée d'un appel, le choix de la fréquence à allouer se fait à
un niveau local, vu que chaque cellule dispose de son propre pool de fréquences. L'AFF
manque cependant de souplesse et s'adapte mal aux variations du trafic. C'est notamment le
cas quand des cellules peu chargées occupent des fréquences sans les utiliser alors que
d'autres cellules sont saturées faute de ressources radio.
La technique d'allocation dynamique de fréquences est utilisée aussi bien par les réseaux
DECT que CT2 [Jabbari 02] [Webb et al. 93]. Dans le schéma d'allocation dynamique de
fréquences, aucune allocation préalable des fréquences aux cellules n'est effectuée. A l'arrivée
d'un appel, le système recherche la meilleure fréquence à allouer. Ceci sous entend une
gestion centrale des ressources radio et entraîne donc un trafic de signalisation
supplémentaire.
L'allocation hybride des fréquences correspond à un mariage des deux techniques

précédentes. Le spectre de fréquences disponible est divisé en un ensemble de fréquences
fixes et un ensemble de fréquences dynamiques. Lors d'un nouvel appel, les fréquences fixes
sont utilisées de manière préférentielle aux fréquences dynamiques. Leur affectation aux
différentes stations suit, par ailleurs, le même schéma que l'AFF. Les fréquences dynamiques
quant à elles restent partagées par toutes les stations du réseau. Si à l'arrivée d'un nouvel appel
sur une cellule les fréquences fixes de la station sont occupées, une fréquence dynamique est
choisie suivant les mêmes mécanismes utilisés dans l'ADF.
2.5.4 Allocation de fréquences et coloriage de graphe

Les contraintes d'interférence dans le problème d'allocation de fréquences sont souvent
représentées par un graphe non orienté dont les sommets désignent les TRX et les arcs reliant
les sommets représentent les risques d'interférence. Cette représentation donna lieu à une
multitude d'approches qui ramènent le problème d'allocation de fréquences à un problème de
coloriage de graphe. Il s'agit alors d'assigner à chaque sommet une couleur (fréquence) de
façon à satisfaire les contraintes d'écart.
62
Cependant, la modélisation du problème d'allocation de fréquences par un problème de

coloriage a nécessité l'utilisation de variantes plus élaborées du modèle. Ces variantes visent à
introduire de nouvelles contraintes ne pouvant pas être prises en compte par le modèle de
base.
A Coloriage de graphe
Dans ce modèle, seules les contraintes d'interférence co-canal sont considérées. Deux TRX, u
et v, sont reliées par un arc si et seulement s'ils sont susceptibles de générer des interférences
co-canal. Le problème revient à colorier les sommets du graphe de façon à ce que chaque
paire de sommets adjacents soit de couleurs différentes.
B T-Coloriage de graphe et matrice de réutilisation

Pour modéliser les contraintes d'adjacence, les arcs du graphe sont munis de poids. Deux
TRX, u et v, sont reliés par un arc de poids d si et seulement si leurs couleurs doivent être
séparées d'au moins d. Ceci sous-entend qu'un ordre doit être établi entre les couleurs. Cet
ordre correspond à l'ordre des fréquences codées dans le spectre. Dans le cas où les poids des
arcs seraient égaux à 1, le problème revient à un problème de coloriage classique.
Dans de nombreux travaux sur le problème d'allocation de fréquences, les espacements inter-
fréquence entre les cellules sont représentés sous forme de matrice carrée de réutilisation M
[Renaud et Caminada 97] [Jaimes et Munoz 96 ] [Hellebrabdt et al. 99 ]. L'élément M ij de la
matrice désigne l'écartement en fréquences à respecter entre les cellules i et j. Généralement
les éléments de la matrice prennent l'une des quatre valeurs suivantes :
0 si aucun écart n'est exigé entre les fréquences f i et f j (I.19)

1
 interférence co-canal
M [i , j]  
2 interférence co-site (deux TRX sur le même site)
3 interférence co-station (deux TRX sur la même station)
C Liste-T-Coloriage
Ce modèle introduit la contrainte de fréquences bloquées. En plus d'associer un poids à
chaque arc du graphe, chaque sommet (TRX) est désigné par un ensemble de couleurs
inutilisables. Cet ensemble peut éventuellement être vide.
D Ensemble-Coloriage
En réalité, plusieurs TRX sont regroupés dans la même zone géographique (même BTS). Le
fait que le voisinage soit identique rend leur regroupement au sein du même sommet un
moyen intéressant pour réduire la complexité du problème. Dans ce cas, un ensemble de
couleurs doit être affecté à chaque sommet du graphe dépendant du nombre de TRX que le
sommet contient. Cependant, pour maintenir les contraintes d'interférences co-station, les
couleurs affectées à un sommet doivent être différentes deux à deux (réflexivité).
63
Les approches à base de coloriage de graphe constituent une bonne base théorique pour
l'étude du problème d'allocation de fréquences. Cependant, ces modèles ne reflètent pas tous
les aspects du problème réel. En effet, plusieurs TRX, et non pas seulement deux, opérant sur
la même porteuse ou sur des porteuses adjacentes peuvent s'interférer mutuellement au même
moment. De plus, la matrice de réutilisation ne permet pas de quantifier l'étendue
géographique et le niveau de bruit des interférences. On ne peut donc pas mesurer avec
exactitude l'impact de la violation de l'une de ces contraintes sur la qualité du plan de
fréquences. Enfin, ces modèles ne tiennent pas compte de la présence ou l'absence du trafic.
2.5.5 Objectifs du problème d' allocation de fréquences

Deux cas de figure se présentent pour le problème d'allocation de fréquences. Un premier cas,
où la satisfaction des contraintes d'interférences est relativement simple. Il s'agit alors de
chercher parmi les solutions faisables celle qui convient le mieux ou qui coûte le moins, par
exemple, utilisant le moins de fréquences ou occupant un plus petit spectre. Le deuxième cas,
se présente quand la satisfaction des contraintes d'interférences est impossible. Les contraintes
sont alors classées selon leur importance en contraintes dures telles que les interférences co-
station, co-site et canal bloqué et contraintes souples correspondant aux interférences inter-
site [Eisenblätter et al. 00].
A Minimiser le nombre de fréquences utilisées

L'objectif de minimisation du nombre de fréquences utilisées date des débuts des réseaux
radiomobiles dans les années 70 [Aardal et al. 01] alors que les fréquences étaient vendues à
l'unité. L'objectif alors était de concevoir des plans de fréquences utilisant le moins de
fréquences possibles tout en satisfaisant les contraintes d'interférence.
La formulation mathématique du problème d'allocation de fréquences avec minimisation du

nombre de fréquences utilisées s'écrit sous la forme suivante :
NF (I.20)
minimiser  y k
k=1
s.c.
xik  y k (1)
NF
x ik  Ri  i  1.. N  (2)
k 1
xik  x jl  1  i, j  1..N , k , l  1.. NF  ,(i , k )  ( j, l ), k  l  M ij (3)

xik  0,1  i  1.. N  , k  1..NF  (4)
yk  0,1  k  1..NF  (5)
où xik  1 si la fréquence k est affectée à la cellule i
et y k  1 si la fréquence k est utilisée
64
Où N et NF représentent respectivement le nombre de stations et le nombre de fréquences.

Les valeurs Ri désignent le nombre requis de fréquences pour chaque station et M désigne la
matrice de réutilisation.
Les contraintes xik  y k signalent qu'une fréquence k est utilisée ( yk  1 ), dès lors que la
fréquence est allouée à une cellule quelconque ( xik  1 ). Les contraintes d'interférence sont
représentées par les équations (3).
B Minimiser l'étendue du spectre de fréquences utilisé

Dans ce cas, l'opérateur est sensé payer pour la totalité du spectre défini par la plus petite et la
plus grande fréquence utilisée. On retrouve ce type d'approches dans le travail de Yokoo et
Hirayama [Yokoo et Hirayama 00]. La formulation mathématique du problème en variables
binaires est donnée ci-dessous.
NF NF (I.21)
Minimiser  k  g k   k  pk
k 1 k 1
NF
x
k 1
ik  Ri  i  [1..N ]
xik  x jl  1 i, j  [1..N ],  k , k  [1..NF ],(i , k )  ( j , l ), k  l  M ij

NF NF
g
k 1
k  1,  pk  1
k 1
xik  gl  1 i  [1..N ], k  [1..NF ], l  [1..NF ]: l  k

xik  pl  1 i  [1..N ], k  [1..NF ], l  [1..NF ]: l  k
xi ,k  {0,1} i  [1..N ], k [1..NF ]
g k  {0,1}, pk  {0,1}  k  [1..NF ]
où xik  1 si la fréquence k est affectée à la station i
g k  1 si k est la plus grande fréquence utilisée
pk  1 si k est la plus petite fréquence utilisée
C Minimiser les interférences

Dans les réseaux à forte densité, il est souvent impossible de prévenir la totalité des
interférences. De plus, la largeur du spectre disponible est une donnée fixe du problème. Par
conséquent, les contraintes du problème sont classées en contraintes dures et contraintes
souples. Les contraintes dures englobent les interférences co-station et co-site ainsi que les
contraintes de canaux bloqués. Les contraintes souples concernent les interférences inter-site.
Les techniques de minimisation d'interférences se basent sur deux modèles de représentation
des contraintes. La première consiste en la matrice de réutilisation (cf. 2.5.4). La deuxième est
basée sur les graphes d'interférence.
Dans le cas de la modélisation par matrice de réutilisation deux approches sont possibles.
65
Minimiser le nombre de contraintes d'écart violées : Dans ce cas [Renaud et Caminada

97] [Hao et al. 98], une pénalité est attribuée suite à chaque violation d'une contrainte
d'interférence. La fonction objectif à optimiser prend alors la forme :
N 1 N Ri Rj N 1 N Ri Rj
(I.22)
minimiser F  Kinter -site    C (i , j , k , l )  Kcos ite    C (i, j , k , l) 
i 1 j i1 k 1 l 1 i 1 j  i 1 k 1 l 1
i , j meˆ me site
N Ri Ri
K co station  C (i, i , k , l )
i1 k 1 l 1
k l
1 si fik  f jl  M ij tel que f ik est la k ème fréquence de la station i

C (i , j , k , l )  
0 sinon
Les paramètres K int er site , K co site et K co station désignent les pénalités induites par la
violation d'une contrainte d'interférence respectivement inter-site, co-site ou co-
station.
Minimiser le nombre de demandes non satisfaites : L'objectif dans ce cas [Giortzis et

Turner 96] [Hellebrandt et al. 99] est de répondre au mieux aux demandes des stations
en fréquences (vecteur R). Le respect des contraintes d'écart délimite l'ensemble des
solutions réalisables.
N
 NF
 N NF (I.23)
Minimiser F    Ri   xik  ou Maximiser F   xik
i 1  k 1  i 1 k 1
NF
x
k 1
ik  Ri i  [1..N ]
xik  x jl  1  i, j  [1.. N ], k , k  [1..NF ],(i , k )  ( j , l ),| k  l | M ij

xik =1 si la fréquence k est assignée à la station i.
Ri représente le nombre de fréquences requis par la station i .
Les approches basées sur le graphe d'interférence nécessitent une quantification des risques de
brouillage. Cette quantification se traduit par des pénalités  ikjl mesurant le degré de nuisance
que produirait l'utilisation des fréquences k et l sur les stations i et j. L'importance des
contraintes dures telles que les interférences co-station et co-site est signalée par des valeurs
élevées des poids  ikjl . Le problème est alors modélisé par la formule quadratique suivante :
N NF N NF (I.24)
Minimiser    ikjl  xik  x jl
i 1 k 1 j 1 l 1
Dans le travail de Fischetti et al. [Fischetti et al. 00] les risques d'interférences sont modélisés
par une matrice carrée I. Les éléments  ij représentent le niveau d'interférences (C/I) entre les
stations i et j quand elles émettent sur le même canal autrement dit  ij   ikjk . Le poids des
66
interférences canal-adjacent sont calculés en divisant le poids de l'interférence co-canal par un

facteur réducteur NFD. Ce qui donne :
ij (I.25)
 ikj ( k 1)   ikj ( k 1)  NFD
Notons que les valeurs de  ij et  ji sont généralement différente, puisque les conditions de
brouillage dans les deux sens ne sont pas les mêmes. Le modèle proposé par Fischetti consiste
à minimiser le nombre de demandes en fréquences non satisfaites tout en respectant un certain
seuil de brouillage L. Ce seuil correspond à la valeur maximale de brouillage toléré sur une
cellule en raison d'une fréquence f. Le volume d'interférence total  if affectant la station i
suite à l'utilisation de la fréquence f est estimé par la somme des interférences produites par
toutes les stations utilisant la même fréquence ou une fréquences adjacente.
 ij  ij  (I.26)
 if     ij x jf 
j 1.. N   NFD
x j( f 1) 
NFD
x j ( f 1) 

j i
Le modèle proposé par Fischetti prend alors la forme suivante :
N
 NF
 (I.27)
minimiser F    Ri   xik 
i 1  k 1 
s.c
 if  L  K 1  xif   i  [1..N ],  f  [1.. NF ]
NFD (Net Filter Discriminator) est un facteur réducteur pour l'i nterférence
canal-adjacent.
L est le seuil de tolérance aux interférences.
K est une constante à valeur élevée par rapport aux éléments ij .
Ri est le nombre de fréquences requis par la station i.
4
Les travaux entrepris au sein de France Télécom R&D dans le cadre de l'outil AGORA© (cf.
annexe B.2) adoptent une méthode de calcul plus précise des poids  ikjl . Plusieurs facteurs
tels que : l'étendue de l'interférence, la puissance du brouillage et le trafic mis en jeu sont pris
en compte. L'utilisation des histogrammes d'interférences (FIG. I-23) permet d'apprécier les
niveaux d'interférences que produit une cellule j sur une cellule i en terme de puissance et de
surface. Un histogramme est associé à chaque couple de cellules ordonné (i, j). Pour chaque
niveau d'interférence, l'histogramme indique la superficie de la zone appartenant à la cellule i
subissant ce niveau d'interférence de la part de la cellule j. La superficie des zones est calculée
en nombre de mailles constituant la zone. Le niveau d'interférence  ikjl est alors déterminé à
partir de la puissance, de l'étendu et de la distance inter-canal.
4
AGORA Outil de planification des fréquences, propriété d'ORANGE.
AGORA est une dénomination interne à ORANGE France et France Télécom.
67
  (I.28)
 ikjl    p  Sijp    kl
 p 
où Sijp représente la superficie de la zone couverte par la cellule i et subissant un brouillage de

niveau p produit par la cellule j.  kl représente le facteur de protection (généralisation du
facteur NFD pour des écarts de fréquence entre 1 à 3) entre les fréquences k et l.
m a ill e s
55
50
45
40
35
30
25
20
15
10
5
0 dB
-6 -2 2 6 10 14 18 22 26 30 34 38 42 46 50
FIG . I-23 Histogramme de brouillage d'une cellule sur une autre
2.5.6 Approches de résolution

Les techniques de résolution appliquées au problème d'allocation de fréquences sont
nombreuses. Dorne [Dorne 98] les classifie en trois grandes familles.
Méthodes exactes : Les différentes possibilités de coloration du graphe (d'allocation

des fréquences) sont parcourues de façon partielle. Le parcours des sommets se fait
selon la technique Branch & Bound [Hellebrandt et al. 99] [Yokoo et Hirayama 00]
[Fischetti et al. 00].
Méthodes constructives : Ces méthodes s'appuient sur la construction itérative de la

solution (algorithme Greedy). A chaque itération un sommet est choisi, puis une
couleur lui est attribuée. L'ordre de coloriage des sommets ainsi que la procédure de
choix d'une couleur dépendent de la méthode appliquée. Un choix d'une couleur ne
peut être remis en cause ultérieurement. Comme exemples de telles approches citons :
l'algorithme DSATUR, RLF [Gamst 88] et la programmation par contraintes
[Caminada 95].
Méthodes de recherche méta-heuristique : Au cours des dix dernières années, un

intérêt particulier a été observé pour l'utilisation des méta-heuristiques pour la
résolution des problèmes de coloriage de graphes. Ces méthodes allient simplicité
d'implémentation et adaptabilité à une vaste gamme de problèmes. Parmi les travaux
qui ont porté sur l'utilisation des méta-heuristiques pour le problème de coloration
citons le recuit simulé [Akrout 94], l'algorithme génétique [Renaud et Caminada 97]
68
[Dorne et Hao 95] [Galinier et Hao 99] et la recherche tabou [Dorne 98] [Hao et al.
98] [Dorne et Hao 98].
Les approches de résolution appliquées au problème de coloriage de graphe peuvent être

classées en trois grandes familles [Dorne 98].
A Méthodes exactes
Les différentes possibilités de coloration du graphe sont parcourues de façon partielle. Le
parcours des sommets se fait selon la technique Branch & Bound [Hellebrandt et al 99]
[Yokoo & Hirayama 00] [Fischetti & al 00].
a Approche de Hellebrandt et al
Dans le travail de Hellebrandt et al [Hellebrandt et al 99], le problème d'affectation de
fréquences est formulé avec pour objectif la minimisation du nombre de demandes non
satisfaites. Les contraintes d'interférences sont exprimées sous forme d'une matrice
symétrique de réutilisation M[n, n] et où le vecteur de demande R[n] représente le nombre de
fréquences à allouer à chaque cellule. Le problème est alors modélisé par le système
d'équations (I.23) et résolu en utilisant la technique de recherche Branch & Bound.
b Approche de Yokoo & Hirayama

Dans ce modèle [Yokoo & Hirayama 00], le PAF est exprimé en tant que problème de
satisfaction de contraintes, l'objectif étant de minimiser l'étendue du spectre utilisée.
L'algorithme de recherche Branch & Bound est utilisé pour résoudre le problème qui est
formalisé par le système d'équations suivant :
minimiser max ( f ik ) (I.29)

ii.. n , k i.. N 
s.c.
f ik  f jl  M ij i , j  1..n , k  1..Ri  , l  1..R j  , (i, k )  ( j, l )
ème
où fik est une variable de décision désignant la k fréquence affectée à la cellule i
B Méthodes constructives
Ces méthodes s'appuient sur la construction itérative de la solution (algorithme Greedy). A
chaque itération un sommet est choisi, puis une couleur (fréquence) lui est attribuée. L'ordre
de coloriage des sommets ainsi que la procédure de choix d'une couleur dépendent de la
méthode appliquée. Un choix d'une couleur ne peut être remis en cause ultérieurement.
Comme exemples de telles approches citons : l'algorithme DSATUR, RLF [Gamst 88] et la
programmation par contraintes [Caminada 95].
a Algorithme DSATUR
Dans la technique DSATUR, un ordre dynamique de coloration est définit pour les sommets
du graphe. Chaque sommet et alors colorié une seule fois selon un ordre calculé à partir des
69
sommets du graphe déjà coloriés. Par conséquent, cette orde peut changé d'itération à une
autre. L'orde d'un sommet, lors d'une itération, est calculé à partir de son degré de saturation
qui correspond au nombre de fréquences interdites pour ce sommet. Une fréquence est
interdite pour un sommet si elle provoque la violation des écarts d'utilisation avec des
sommets déjà coloriés. A chaque itération, le sommet ayant le poid le plus élevé est colorié
par la première fréquence (la plus petite couleur) possible.
b Algorithme RLF
La technique, dite RLF pour Recursive Larger First, s'appuit sur la notion d'ensemble
indépendant. A chaque étape, l'ensemble de sommets indépendant de cardinalité maximale est
calculé. Cet ensemble correspond à des sommets disjoints deux à deux. Une même fréquence
est alors associée aux sommets de cet ensemble. Après quoi l'ensemble indépendant est retiré
du graphe et la fréquence choisie est interdite pour le reste des étapes. Ce procéssus est réitéré
jusqu'à ce que tous les sommets soient coloriés.
C Méthodes de recherche méta-heuristique

Au cours des dix dernières années, un intérêt particulier a été observé pour l'utilisation des
méta-heuristiques pour la résolution des problèmes de coloriage de graphes. Ces méthodes
allient simplicité d'implémentation et adaptabilité à une vaste gamme de problèmes. Parmi les
travaux qui ont porté sur l'utilisation des méta-heuristiques pour le problème de coloration
citons le recuit simulé [Akrout 94], l'algorithme génétique [Renaud 97] [Dorne & Hao 95]
[Galinier & Hao 99] et la recherche tabou [Dorne 98] [Hao, Dorne & Galinier 98] [Dorne &
Hao 98].
a Approche de Renaud
Renaud [Renaud 97] proposa deux approches de résolution basées sur les algorithmes
génétiques. La première s'appuie sur la matrice de réutilisation. L'objectif de la recherche est
de minimiser la valeur de la fonction suivante :
n n Ti Tj n Ti Ti
  CI (ik , j p )  
i1 j1 k 1 p  1
 CO(i , i
i 1 k  1 p k 1
k p )
avec
Ti le nombre de couleurs à assigner à la cellule i
n le nombre de cellules
1 si f  f  M i , j 
CI (ik , j p )  
ik jp
représente la violation d'un écart interstation
0 sinon
1 si f  f  M i , i 
CO(i k , i p )  
ik ip
représente la violation d'un écart costation
 0 sinon
70
La deuxième solution se base sur l'utilisation des histogrammes de brouillage. La fonction à

optimiser prend alors la forme:
  Brouillage  f 
n n Ti Tj
ik , f jp .
i1 j1 k 1 p  1
j i
La fonction Brouillage mesure le volume du brouillage en fonction de la surface et du niveau

de brouillage.
b Approche de Dorne & Hao

Dorne et Hao [Dorne et Hao 95] proposèrent un algorithme basé sur la recherche génétique.
Les contraintes d'interférences sont représentées par une matrice de réutilisation M. L'objectif
de l'optimisation est de minimiser le nombre de violation des contraintes d'interférences.
n n Ri Rj
minimiser  V ( f ik , f jl )
i1 ji k 1 l1
où
1 si f ik  f jl  M i , j 
V ( f ik , f jl )  
0 sinon
et f ik  1..N 
c Approche de Hao, Dorne & Galinier

Cette approche [Hao, Dorne & Galinier 98] repose sur l'algorithme de recherche tabou. Le
problème est décomposé en deux sous-problèmes distincts. D'un coté, minimiser le nombre
d'interférences co-canal et canal adjacent en utilisant la matrice de réutilisation. De l'autre
coté, minimiser le nombre de fréquences utilisées.
L'algorithme de recherche tabou est lancé plusieurs fois. Chaque fois avec un nombre de
fréquences disponibles d plus petit pour résoudre le système suivant:
n n Ri Rj
minimiser  V ( f ik , f jl )
i1 ji k 1 l1
où
1 si f ik  f jl  M i , j 
V ( f ik , f jl )  
0 sinon
et f ik  1..d 
Dans un premier temps le nombre de fréquences d est fixé à N. Une première phase
d'optimisation est exécutée afin de minimiser le nombre d'interférences. Si la solution trouvée,
ne présente aucune violation des contraintes, le nombre de fréquences disponibles est
décrémenté par 1 et l'algorithme d'optimisation est relancé de nouveau.
71
Le traitement séparé des deux problèmes est astucieux, permettant de mettre l'accent sur la
priorité de trouver un plan de fréquence minimisant les interférences. L'approche, cependant,
peut induire un temps de calcul élevé, vu l'exécution répétée de l'algorithme de RT.
72
Partie II Optimisation dynamique
Chapitre 3 Taxinomie des problèmes d'optimisation
dynamique
Résumé. Ce chapitre présente une étude des problèmes d'optimisation dynamique dans leur
cadre général. Nous proposons ainsi une classification de ces problèmes sur la base de la
prévisibilité, de la fréquence et de la nature des changements s'opérant sur l'environnement
du problème d'optimisation.
Table des matières
3.1 Introduction........................................................................................................................75
3.2 Optimisation dynamique sans prévisions...........................................................................75
3.2.1 Optimisation en temps réel avec ajustement total de la solution ...........................75
3.2.2 Optimisation en temps réel avec ajustement partiel de la solution........................76
3.2.3 Optimisation multipériodique pas à pas ................................................................78
3.3 Optimisation dynamique avec prévisions...........................................................................79
3.3.1 Optimisation temps réel avec prévisions probabilistes ..........................................79
3.3.2 Optimisation périodique avec prévisions probabilistes..........................................79
3.3.3 Optimisation périodique avec prévisions statistiques ............................................80
3.4 Synthèse..............................................................................................................................80
3.4.1 Classification des problèmes d'optimisation dynamique .......................................80
3.4.2 Prévisions et incertitudes .......................................................................................81
74
Partie II. Optimisation dynamique
3.1 Introduction
Les solutions fournies par les outils d'optimisation sont souvent élaborées sur la base des
données disponibles au moment de la recherche et rien ne garantit de ce fait leur adéquation
aux changements futurs de l'environnement. L'aspect dynamique des données du problème
soulève les questions de prévisibilité des changements survenant sur le réseau ainsi que la
possibilité d'adapter la solution à ces changements. D'un autre côté, l'aspect dynamique de
l'environnement rajoute une dimension supplémentaire à la combinatoire du problème
d'optimisation et augmente du coup sa complexité.
Les approches d'OD (Optimisation Dynamique) varient selon la nature des changements qui
s'opèrent sur l'énoncé du problème. Les critères de différenciation se basent essentiellement
sur les aspects prévisibilité, fréquence et nature des changements. Sur le plan prévisibilité on
distingue les problèmes d'optimisation avec ou sans prévisions.
3.2 Optimisation dynamique sans prévisions

Dans ce cas, les changements futurs de l'environnement sont inconnus ou tout simplement
ignorés. L'algorithme d'optimisation fait évoluer la solution en ne considérant que les données
actuelles du problème. On distingue trois cas de figure, selon la fréquence des changements et
le traitement réservé à la solution en cours.
3.2.1 Optimisation en temps réel avec ajustement total de la solution

Pour des problèmes comme le contrôle de système dynamique ou l'optimisation de fonctions
bruitées [Gaspar et Collard 99] l'objectif de l'optimisation est de traquer la progression de la
solution optimale à travers l'espace de recherche pendant l'évolution de l'environnement (FIG.
II-1). Cette évolution consiste, généralement, à des changements des données du problème.
De tels problèmes se caractérisent par :
1. Phase pré-optimisation : Dans de tels systèmes, l'acquisition et le traitement des

informations provenant de l'environnement doit être rapide.
2. Phase d'optimisation : Les changements de données sont assez fréquents et

surviennent pendant la recherche. L'algorithme d'optimisation doit, par conséquent,
s'adapter rapidement à ces changements.
3. Phase post-optimisation : L'adaptation de la solution en cours aux données actuelles

du problème, peut nécessiter un changement radical de celle-ci. Ceci, sous-entend que
l'application effective de ces changements sur le terrain est assez rapide (temps réel) et
sans coût supplémentaire.
75
Chapitre 3. Taxinomie des problèmes d'optimisation dynamique
Solutions
optimales
FIG . II-1 Evolution des solutions optimales lors du changement de l'environnement
Beaucoup de travaux ont porté sur l'étude de cette classe de problèmes, Ces méthodes sont
classifiées par Branke [Branke 01] en trois types d'approches.
A Approche par réaction aux changements

Le réajustement de la solution n'est entrepris qu'une fois que des changements sont enregistrés
sur l'environnement. Ce type d'approches est adapté aux problèmes de petites tailles où
l'adaptation de la solution ne coûte pas cher en temps de recherche et de concrétisation sur le
terrain.
B Approche par maintien d'une diversité de solutions

Dans ce cas, l'algorithme d'OD maintient une collection de solutions diversifiées. Cette
diversité permet une meilleure et plus rapide adaptation de la solution dans le cadre des
problèmes de grandes tailles. Sur le plan de la méthode des algorithmes génétiques, des
mécanismes de diversification sont utilisés afin d'empêcher la convergence des individus de la
population et afin de produire plusieurs optima locaux. Un exemple de ce procédé se retrouve
dans le travail de Branke et al. [Branke et al. 00] portant sur l'utilisation d'un algorithme
génétique multi-population. Ce type d'approches est, particulièrement, adapté au cas
d'environnements à changements lents.
C Approches par utilisation d'historique

Un historique des solutions antérieures est maintenu. Cet historique permet la réutilisation
(partielle) des bonnes solutions trouvées pour les phases futures de la recherche. Les
approches basées sur l'utilisation d'historique sont spécialement bénéfiques dans les systèmes
présentant des changements périodiques. Dans [Branke 99] on trouve une description détaillée
des différents moyens d'implémentation et d'utilisation de structures mémoire pour
l'optimisation dynamique.
3.2.2 Optimisation en temps réel avec ajustement partiel de la solution

Dans ce cas, la mise en cause de la totalité de la solution courante est impossible, soit parce
que le coût ou le temps des changements sont importants, soit parce que le processus
76
d'application d'une partie de la solution est irréversible. Ce cas de figure apparaît souvent dans
les problèmes d'ordonnancement tel que le job shop [Branke et M attfeld 00] et le routage de
véhicules [Gendreau et Potvin 98] [Savelsbergh et Sol 98]. Dans de telles situations, une
ressource allouée à une tâche ne peut être reprise de façon brutale, en raison des changements
de l'environnement. En plus, les tâches déjà exécutées ne peuvent être remises en cause.
Ce cas se présente notamment dans le cadre de l'affectation dynamique de fréquences.

L'attribution d'une fréquence à un nouvel appel est fait à la lumière de l'occupation actuelle du
spectre par les communications en cours. Aucun réaménagement des fréquences déjà allouées
n'est donc réalisé [Chen et al. 96].
Les approches proposées pour l'optimisation en temps réel avec réajustement partiel se basent
sur l'introduction de la notion de robustesse dans le processus d'évaluation. La robustesse
d'une solution désigne sa faculté d'adaptation aux changements survenant sur l'environnement.
La robustesse d'une solution est généralement mesurée par la performance moyenne ou au
pire cas de tous les scénarii futurs possibles à partir de cette solution [Ali et al. 03].
A Approches par analyse de la structure des solutions

La flexibilité d'une solution est mesurée sur la base des connaissances que l'on a du problème
et de la structure des solutions. On retrouve un exemple d'une telle approche dans le travail de
Branke et Mattfeld [Branke et M attfeld 00] sur le problème de job shop.
M3 M3
M2 M2
M1 M1
8 t 8 t
(a) (b)
Tâches du job1 Tâches du job2
FIG . II-2 Les deux ordonnancements ont le même temps de terminaison, cependant l'o rdonnancement
(b) est meilleur car les périodes creuses sont regroupées plus à la fin.
Le problème de job shop dynamique se présente comme une collection de jobs à planifier sur
un ensemble de machines. Chaque job est défini par une suite d'opérations sensées s'exécuter
sur les machines. L'ordre de traitement sur les machines diffère d'un job à un autre. Il s'agit
alors d'ordonner le passage des jobs sur les machines afin de minimiser le temps de
terminaison totale des jobs (makespan). Pendant le processus de traitement effectif des jobs,
d'autres jobs arrivent de façon irrégulière. La partie du plan d'usinage non encore effectuée
doit être révisée en conséquence lors de chacun de ces changements. Les auteurs proposent la
pénalisation, au niveau de la fonction objectif, des temps d'oisiveté précoces des machines.
Cette idée part du principe que les périodes d'oisiveté prématurées des machines sont
77
inexploitables vu que le nombre de nouveaux jobs est retreint au début. Tandis que les
périodes creuses ultérieures des machines peuvent être utilisées par les nouveaux jobs (FIG.
II-2).
La fonction objectif f` à minimiser prend alors la forme :
f (s)  f ( s)  p( s) (II.1)
Où f désigne la fonction objectif initiale (cas statique), p indique la fonction de pénalisation

liée à la robustesse de la solution s.
B Approche aveugle
Dans ce cas, seule la partie fonctionnelle de la solution est considérée (la partie déjà ou en
cours d'exécution). L'aspect robustesse de la solution est donc complètement ignoré. Pour le
problème du job shop dynamique, on pourra choisir par exemple de reprogrammer les tâches
non encore effectuées lors de chaque libération d'une machine ne tenant compte que des
tâches actuelles.
f (s)  f (r  n)  f (r ) (II.2)
r et n désignent les parties non modifiables et modifiables de la solution s.
C Approche par étude du pire cas

L'heuristique, servant à la prise de décision, est choisie sur la base de l'étude de l'erreur
maximale que peut induire une telle heuristique [Kleywegt et al. 97].
Soit Q l'ensemble des séquences de changements possibles. Une heuristique H est une
application de : Q  S, qui ayant un historique des changements q retourne une solution s.
H
Soit f (q) l'évaluation de la solution fournie par l'heuristique H en considérant la séquence de
*
changement q. Soit f (q) l'évaluation de la solution idéale à la séquence de changement q. Le
rapport pire cas d'une heuristique H est donné par l'équation :
 H  max
qQ  f H (q)
* 
f (q )
(II.3)
Le rapport pire cas d'une heuristique désigne la plus grande marge d'erreur que peut entraîner
une heuristique par rapport à la solution idéale. Il s'agit donc de trouver l'heuristique
garantissant un rapport pire cas minimal.
3.2.3 Optimisation multi périodi que pas à pas

Dans les problèmes d'OD multipériodique la prise de décision n'est pas entreprise lors de
chaque changement. Le processus de ré-optimisation est relancé à des périodes de temps
déterminées. Souvent, de tels problèmes sont caractérisés par un délai important de
réajustement sur le terrain de la solution et, souvent, ces changements induisent un coût
supplémentaire : nouvelles installations, main d'œuvre... Ces facteurs - qui empêchent le
78
système de s'adapter totalement à l'environnement - sont désignés par le terme de champs de

tensions [Pareira, Paulré 01].
Dans l'approche d'optimisation pas à pas, l'objectif se limite à trouver la solution optimale
satisfaisant les exigences actuelles tout en minimisant le coût des changements (coût
financier, délai de réajustement, risques divers…) et sans prise en compte de prévisions
futures [Flippo et al. 00] [Xu et al. 97] [M artin et al. 98] [Balakrishnan et M agnanti 95].
L'objectif de l'optimisation peut alors être modélisé par un problème multicritère :
min f1 ( s) (II.4)

min f k (s)
min fc1 (s, s ')

min fcr (s, s ')
Où les fi désignent les fonctions objectif originales et fci(s, s') les coûts de transition de la
solution actuelle, s', vers la solution, s, suivant le critère i.
3.3 Optimisation dynamique avec prévisions

Dans ce cas, l'optimiseur dispose de certaines données sur l'évolution de l'environnement dans
le futur proche ou lointain lui permettant d'anticiper plutôt que de réagir aux changements de
l'environnement. Cette connaissance peut se présenter sous forme de prévisions probabilistes
des évènements ultérieurs ou comme une anticipation statistique à partir des données actuelles
et antérieures du problème.
3.3.1 Optimisation temps réel avec prévisions probabilistes

Les variations subies par l'environnement sont modélisées par une fonction pt(a) donnant la
probabilité d'arrivée de l'événement a à l'instant t.
pt (a )  P  l'évènement a se produit à l'instant t  (II.5)
Dans [Kleywegt et al. 97], la loi de distribution des évènements dans le temps est utilisée afin
de définir l'heuristique de prise de décision garantissant une déviation minimale au pire cas de
la solution optimale.
3.3.2 Optimisation périodi que avec prévisions probabilistes

Le système s'ajuste périodiquement aux changements survenant sur l'environnement
moyennant une connaissance de la distribution des évènements dans le temps. Dans [Chiang
01], une politique d'optimisation périodique est proposée afin d'automatiser la gestion des
commandes entrantes dans un stock. Dans cette approche, la densité de probabilité de la
demande, durant une période, est supposée connu.
79
3.3.3 Optimisation périodi que avec prévisions statistiques

Dans ce cas les données collectées dans le passé, sont utilisées afin de prévoir les futures
évolutions et tendances de l'environnement. Plusieurs échelles de prise de décisions peuvent
coexister : court, moyen et long terme (FIG. II-3) dépendant de la nature des prévisions. Les
prévisions court terme servent à l'ajustement instantané (relativement à la durée d'une période)
et continu du système afin de réagir en urgence à la détérioration de la qualité de celui-ci. De
ce fait, les modifications effectuées à ce niveau sont d'un impact faible et local sur le système.
Les prévisions long terme servent à la mise en place de schémas d'évolution générale du
système. De ce fait le rôle de l'optimisation long terme est de maintenir la qualité globale de la
solution.
Mois1 Mois12
…
Semaine1 … Semaine4 Semaine1 … Semaine4
Année1
Décision à court terme
Décision à moy en terme
Décision à long terme
FIG . II-3 Différentes échelles de prise de décision
3.4 Synthèse
3.4.1 Classification des problèmes d'optimisation dynami que

A partir de l'étude effectuée trois niveaux de classification ont été retenus. Les deux premiers
niveaux sont la prévisibilité et la fréquence des changements. Le dernier niveau est scindé en
deux volets parallèles : la nature des prévisions (probabilistes ou statistiques) et la nature des
changements (ajustement partiel, total ou par minimisation du coût des changements). Le cas
d'ajustement partiel de la solution coïncide souvent avec une évolution de la dimens ion
décisionnelle du problème, autrement dit, l'augmentation du nombre de variables de décis ion.
Cette évolution se traduit par exemple par de nouvelles zones géographiques à couvrir dans le
cadre du problème de couverture radio, ou par l'arrivée de nouveaux jobs dans le cas des
problèmes d'atelier. L'évolution des données fait référence à la variation des valeurs d'entrée
du problème telle que l'évolution de la demande en trafic dans un système de
télécommunication ou des capacités des véhicules dans un problème de routage.
La figure FIG. II-4 reprend de façon schématique la classification des problèmes

d'optimisation dynamique.
80
Problèmes d'optimisation dynamique
Prévisibilité
Avec prévisions Sans prévisions
Fréquence
Optimisation Optimisation Optimisation Optimisation
en temps réel périodique périodique pas à pas en temps réel
Prévisions Prévisions Prévisions Minimisation Ajustement Ajustement

probabilistes statistiques probabilistes du coût de partiel total
changement (Evolution des (Evolution
variables) des données)
Nature des prévisions Nature des chang ements
FIG . II-4 Classification des problèmes d'optimisation dynamique
3.4.2 Prévisions et incertitudes

Comme il est impossible de dresser un état complet des données du problème, au moins sur le
long terme, les modèles de représentation sont plus ou moins simplifiés. Cette simplification
entraîne des erreurs dues aux incertitudes des données utilisées. Château et Jaccard [Château
et Jaccard 86] distinguent quatre sources d'erreurs :
Incertitude statistique : liée au processus de collecte des informations. Cette

incertitude se rapporte directement au degré de confiance associé aux données
mesurées sur le terrain et fait intervenir plusieurs facteurs tels que la fiabilité des
instruments de mesure, la pertinence de l'échantillon considéré…
Incertitude d'interprétation : relative à l'interprétation des données et à la pertinence

des relations causales considérées. Par exemple, le rapport entre la baisse des prix de
communication et le comportement des clients.
Incertitude de décision : concerne la portée ou l'influence qu'à une décision actuelle ou

future sur l'évolution du système. En effet l'application sur le terrain des solutions
proposées peut entraîner des changements sur les données d'entrées du problème.
Prenons le cas du lancement d'un nouveau service par l'opérateur. Cet événement
entraînera probablement une évolution de la demande et donc du trafic.
Incertitude externe : relative aux événements extérieurs hors du contrôle du système

(non modélisés par le système). Ces événements se rapportent souvent à des
impondérables tels que les risques de crises sociales, de pannes, etc.
81
Strangert [Strangert 74] propose la classification de l'incertitude selon la nature et l'impact des
changements de prévision dans le temps. Ce qui donne les trois catégories suivantes :
Incertitude statique (multi-scénario) : dans ce cas les différents scénarii possibles de

l'évolution de l'environnement sont recensés dès le début et les changements opérés
sur le système ne sont d'aucun impact sur les données de l'environnement.
Incertitude quasi-statique : l'incertitude des données est restreinte à une période de

temps négligeable relative aux alternatives de décision.
Incertitude dynamique : au fur et à mesure des périodes, certaines possibilités sont

écartées et par conséquent l'incertitude diminue avec le temps.
Dans le processus d'optimisation multipériodique relatif à l'incertitude dynamique, il est

possible de réagir aux changements des prévisions. Ce qui signifie que le système final ne
dépend pas seulement des décisions antérieurement entreprises mais dépend aussi des
changements de l'environnement et des réactions suscitées.
La manière de traiter l'incertitude des prévisions futures ouvre la voie à plusieurs stratégies de
planification long terme. Une première façon de faire consisterait à considérer ces prévisions
comme données sûres et de générer le plan d'évolution du système en conséquence. A la
lumière des informations ultérieures la partie du plan non encore appliquée est révisée. Une
deuxième voie consisterait à prévoir différents scénarii d'évolution des données. Le plan
d'évolution du système est généré de façon à réduire les risques de planification et à améliorer
la flexibilité de la solution en diversifiant les investissements, en tenant compte des
probabilités de production de chaque scénario ou en envisageant le pire cas.
82
Chapitre 4 Optimisation dynamique pour le design des réseaux
radiomobiles
Résumé. Ce chapitre se consacre à l'étude des aspects dynamiques liés au design des réseaux
radiomobiles. Dans cette étude, le trafic apparaît comme l'élément central de l'évolutivité de
l'environnement des réseaux. Une évolutivité qui se manifeste à différentes échelles de temps
et qui influence les stratégies d'optimisation qui peuvent être mises en œuvre. Ce chapitre se
veut une introduction aux notions de bases liées à l'ingénierie de trafic. Des exemples de la
prise en compte du trafic dans le design des réseaux radiomobiles sont ainsi présentés.
Table des matières
4.1 Introduction........................................................................................................................84
4.2 Aspects dynamiques dans les réseaux cellulaires...............................................................85
4.2.1 Evolution des données du design : environnement ................................................85
4.2.2 Evolution des variables du design : expansion.......................................................86
4.2.3 Evolution des objectifs du design : stratégie ..........................................................86
4.3 Ingénierie du trafic et design des réseaux radiomobiles.....................................................86
4.3.1 Variation temporelle du trafic ................................................................................86
4.3.2 Variation spatiale du trafic .....................................................................................87
4.3.3 Analyse du trafic au niveau cellulaire ....................................................................88
4.3.4 Analyse du trafic au niveau utilisateur ...................................................................89
4.4 Optimisation dynamique dans le design des réseaux radiomobiles ...................................90
4.4.1 Optimisation à vision locale (anticipation)............................................................90
4.4.2 Optimisation à vision globale (Planification) ........................................................93
4.5 Synthèse..............................................................................................................................96
83
Chapitre 4. Optimisation dynamique pour le design des réseaux radiomobiles
4.1 Introduction
Le processus de design doit gérer les changements survenant sur le réseau pendant ses phases
de croissance et de maturation [Darwood et al. 00]. Le réseau est sujet à des changements
long terme, exigés par la montée en trafic, relative à la croissance de la clientèle, aux
changements comportementaux des clients ainsi qu'à l'évolution de la couverture et du
système lui même. Pour pallier ces changements, le réseau est amené à s'adapter et à croître
en permanence.
L'objectif du design revient donc à fournir des schémas de réseaux capables d'évoluer dans le
temps à moindre coût (économie d'échelle). Un plan d'expansion correspondant à l'évolution
du réseau, est projeté dans le futur, de façon à optimiser les performances du réseau pendant
son évolution et à réduire les coûts de ces changements. A chacune des périodes de l'évolution
du réseau correspond des objectifs, priorités et contraintes de design différents : techniques et
économiques. Ces variations sont induites, entre autres, par la politique d'investissement de
l'opérateur : (1) privilégier l'investissement à grande échelle dès le déploiement du réseau, (2)
attendre sa rentabilisation, (3) répartir les dépenses équitablement dans le temps.
Par ailleurs, l'aspect dynamique des données induit une complexité dans l'évaluation des
performances du réseau. La demande en trafic varie d'heure en heure et d'un endroit à un
autre. Le réseau doit alors être dimensionné de façon à garantir un niveau de service minimum
(Grade of Service, GoS) dans le pire des cas. Pour surmonter ce problème, les mesures de
performances se basent généralement sur une agrégation statique des données. Deux exemples
de ce procédé peuvent être mentionnés. Le premier consiste en l'utilisation de la notion
d'Erlang pour la mesure de la charge en trafic. La capacité du réseau est alors estimée en
additionnant les capacités de l'ensemble des cellules, donnant ainsi une approximation
théorique de la capacité globale du réseau. Or la notion d'erlang entraîne une surestimation de
la capacité du réseau due à la non-uniformité de la distribution spatiale et temporelle du trafic
[Baier et Bandelow 97].
Pour illustrer cet effet nous nous servons d'un exemple. La figure FIG. II-5 affiche l'évolution
du nombre de demandes en communication sur une cellule pendant une période d'une heure
(60 minutes). Le trafic offert estimé est de 37,5 erlang équivalent à la moyenne du nombre de
communications simultanées. Cependant et bien que le nombre de canaux disponibles (40
canaux) est supérieur à la charge en trafic, la totalité des 37,5 erlang n'est pas écoulée par la
station vu que le nombre de communications simultanées dépasse parfois ce nombre.
84
Evolu tion de la charge e n trafic p endant u ne h eure
50 Nombre de
45 canaux de
nbr de c ommunic ations ac tives
40 trafic
35 Trafic
30 offert en
25 erlang
20
15
10
5
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
minutes
FIG . II-5 Perte en trafic due au blocage des communications
Le deuxième exemple, consiste en l'utilisation des données de trafic à la deuxième heure la

plus chargée dans le cadre de la planification de fréquences. Là aussi on se retrouve avec une
imprécision dans la modélisation des risques d'interférence conduisant à une mauvaise
estimation de la qualité d'un plan de fréquences (cf. Chapitre 5).
Peu de travaux ont porté sur l'étude des problèmes de design dans leur contexte dynamique.
Ce chapitre, se veut une analyse détaillée des aspects dynamiques des problèmes de des ign
dans les réseaux mobiles dans leur triple dimension : données, variables et objectifs. Nous
donnerons aussi quelques exemples de techniques de design dynamiques adoptées dans le
cadre des réseaux radiomobiles.
4.2 Aspects dynamiques dans les réseaux cellulaires

Les changements subis par l'environnement des réseaux radiomobiles se distinguent par leurs
fréquences dans le temps et dans l'espace ainsi que par leur influence sur les performances
actuelles du réseau. Selon ce deuxième critère, trois cas peuvent se présenter.
4.2.1 Evol ution des données du design : environnement

Dans ce cas, seules les valeurs des données d'entrée sont altérées, les dimensions de l'espace
décisionnelle et objectif restent quant à elles inchangées. Cette évolution peut se traduire par
une montée du trafic dans certaines régions ou la détérioration de la qualité du signal en un
point due à des modifications sur le relief (construction d'un nouveau bâtiment…). Ces
changements sont d'impact relativement faible dans l'espace et dans le temps sur les
performances du réseau. Leurs effets sont souvent réglés par une reconfiguration des
paramètres des antennes, une re-planification partielle des fréquences, etc.
85
4.2.2 Evol ution des variables du design : expansion

Le changement se traduit, dans ce cas, par l'apparition de nouvelles variables de décis ion
entraînant l'augmentation de la taille combinatoire du problème. Ceci correspond,
généralement, à une extension de la couverture du réseau, faisant apparaître de nouvelles
zones à couvrir et nécessitant du coup l'installation de nouvelles BTS. Ce cas apparaît aussi
dans le cadre de l'extension des capacités cellulaires où de nouveaux TRX sont ajoutés sur les
stations. Cet ajout rend nécessaire la re-planification des fréquences.
4.2.3 Evol ution des objectifs du design : stratégie

L'évolution se manifeste, dans ce cas, au niveau des objectifs par un changement des priorités
du design (valeurs des poids dans la fonction objectif) ou par l'apparition de nouveaux critères
d'évaluation. Ces variations peuvent survenir suite à des changements sur le marché tel que
les prix des équipements ou des coûts d'installation. Elles peuvent aussi consister à des
changements d'orientation de l'opérateur se traduisant par de nouveaux seuils de performance,
l'introduction de nouveaux services...
4.3 Ingénierie du trafic et design des réseaux radiomobiles

L'analyse détaillée et compréhensive du comportement du trafic dans le temps et dans l'espace
est un processus indispensable pour la planification des systèmes radiomobiles [Grillo et al.
98]. Cette analyse doit porter sur les deux plans : court et long terme.
La mesure de la charge en trafic à une heure donnée se base, généralement, sur la notion
d'erlang. Rappelons que la quantité de trafic en erlang désigne le nombre de communications
de durée d'une heure qui se déroulent dans une zone donnée. Autrement dit, c'est la moyenne
sur une heure de temps du nombre de communications simultanées dans cette zone. Le
dimensionnement des réseaux radiomobiles se base souvent sur la charge en trafic à l'heure de
pointe. La localisation de l'heure de pointe dans la journée varie d'une région à une autre en
fonction de la nature de la zone en question : affaire, commerciale ou résidentielle.
4.3.1 Variation temporelle du trafic

La demande en trafic sur chaque point de l'espace de couverture varie d'un moment à un autre
pendant la journée. Ceci induit des changements dans le temps de la demande en trafic sur
une cellule donnée. Ces variations sont représentées par un diagramme de trafic cellule/heure
(FIG. II-6) représentant l'intensité du trafic Ai(t) sur la cellule Zi à l'instant t. Le
dimensionnement des réseaux radiomobiles se base, généralement, sur des mesures statiques
du trafic telles que le trafic à l'heure de pointe ou le trafic à l'heure de pointe hebdomadaire.
86
Heure de pointe
12
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
T emps(heur e)
FIG . II-6 Diagramme des variations de trafic d'une cellule pour une journée
Le trafic à l'heure de pointe représente la charge en trafic à l'heure pendant la journée
où le réseau enregistre la demande la plus élevée en trafic sur la cellule. La journée
considérée est choisie de façon à ne pas correspondre à un événement spécial comme
par exemple une manifestation sportive.
Les disparités de charge entre les différents jours de la semaine spécialement entre les
jours ouvrables et non ouvrables [Khedher et al. 02] rendent le trafic à l'heure de
pointe journalier peu pertinent. La charge en trafic à l'heure de pointe hebdomadaire
désigne une charge moyenne, calculée à partir des sommets de trafic journalier. Cette
donnée est plus adaptée aux besoins de la planification moyen terme, étant donné que
le réajustement journalier des paramètres du réseau n'est souvent pas réalisable.
4.3.2 Variation spatiale du trafic

La charge en trafic varie, notamment, d'un point du réseau à un autre. Sur chaque point pj du
réseau représenté par une maille de dimension dd, est associé une valeur a(pj) de densité de
2
trafic calculée en Erlang/Km . Du fait que la charge en trafic ne peut être connue qu'au niveau
cellulaire, l'estimation statistique des valeurs a(pj) est difficile. Les modèles de simulation et
d'estimation du trafic reposent sur l'analyse des facteurs géographiques et démographiques des
zones de service [Tutschku 98b] [Newson et Nursey 94]. Cette analyse procure une première
estimation de l'intensité du trafic au niveau maille. Ces estimations sont par la suite réajustées
afin de correspondre aux données de trafic cellulaire, Ai , fournies par le système (suivant les
équations (II.6) et (II.7)).
En supposant que les appels provenant d'un point donné sont toujours servis par la même BTS,
la charge en trafic sur une cellule Zi est alors estimée par la somme de trafic se produisant sur
son aire de couverture, soit :
Ai   a( p )  d
p j Z i
j
2 (II.6)
Cependant, l'attribution d'un appel à une BTS est une procédure complexe qui met en jeu de
nombreux facteurs dont la charge actuelle des cellules et la puissance des champs en présence.
Pour introduire cet aspect statistique, la formule précédente est remplacée par :
87
Ai   a( p )   ( p , Z )  d
p j Z i
j j i
2 (II.7)
Où ( p j , Zi ) désigne la probabilité d'affecter un appel provenant du point pj à la BTS formant

la cellule Zi.
4.3.3 Analyse du trafic au ni veau cellulaire

La capacité d'écoulement de trafic, CTi, d'une cellule dépend du nombre de TRX et par
conséquent de canaux qui lui sont affectés ainsi que du seuil de service désiré (cf. T AB. I-3).
Ce seuil de service correspond, généralement, à un taux de blocage maximal toléré. Dans
certains cas une distinction est faite entre : taux de blocage des nouveaux appels et le taux de
blocage des procédures de handover. Ce qui permet de favoriser les appels déjà en cours.
La charge relative d'une cellule correspond au rapport entre la demande en trafic sur cette
cellule et sa capacité effective. Par demande en trafic nous sous-entendons la charge en trafic
offert (écoulé et bloqué).
Ai (II.8)
Li 
CTi
Cette valeur nous offre une estimation du degré de surcharge d'une cellule. Quand cette valeur
dépasse 1 ceci signifie que la capacité de la cellule doit être augmentée.
Par ailleurs, la moyenne des charges relatives des cellules fournit une estimation du niveau de
surcharge du réseau. Une valeur de Lmoy approchant le 1 signifie que le réseau est en état de
saturation.
Lmoy 
 i1.. N 
Li (II.9)
La capacité d'écoulement de trafic d'une cellule Zi, CTi, est fortement dépendante du niveau de
service GoS désiré. Ce dernier est souvent pris comme étant la probabilité de blocage
maximale tolérée, B, dans un système avec perte d'appels (système sans liste d'attente). La
capacité d'une cellule est alors calculée suivant la formule :
CTi  Ai Tel que EB  Ai , N i   B (II.10)
où EB désigne la formule B-Erlang [Darwood et al. 00] calculant le taux de blocage induit
pour un certain nombre de canaux N i disponibles et pour une demande de trafic Ai . La
définition de la fonction B-Erlang est donnée ci-dessous.
88
A Ni (II.11)
Ni !
E B ( Ai , N i )  Ni
A
k
k 0
k!
4.3.4 Analyse du trafic au ni veau utilisateur

L'étude de la contribution individuelle en trafic des utilisateurs, donne une idée sur l'évolution
temporelle et spatiale des habitudes des abonnés. Cependant, l'utilisation des données de trafic
pour établir une cartographie de la distribution des abonnés n'est pas aussi simple qu'une mise
à l'échelle. En effet des zones à forte densité d'utilisateur peuvent enregistrer une faible
demande en trafic en raison par exemple d'un trou de couverture. Ce qui donne lieu à des
distributions de trafic et d'abonnés non proportionnelles.
9 9
8 8
7 7
6 6
Charge
Charge
5 5
4 4
3 3
2 12 2 12
1 8 1 8
0 4 0 4
0
Mailles Mailles
2
2
4
4
0
6
0
6
8
8
10
10
(a) densité de trafic (b) densité d'utilisateurs
FIG . II-7 Correspondance entre densité d'utilisateurs et densité de trafic. Des zones à forte densité
d'utilisateurs présentent néanmoins une faible demande en trafic.
Dans le cas où le nombre d'utilisateurs Si, par cellule est connu, la contribution moyenne sur
la cellule Zi, de chaque abonné, est calculée par :
Ai (II.12)
i 
Si
En réalité, le nombre d'abonnés ne peut être estimé qu'au niveau du MSC qui, utilisant la base
de donnée VLR, peut déduire le nombre d'abonnés situés sur sa zone de localisation. La
contribution moyenne d'un abonné sur un MSC est alors calculée suivant la formule ci-
dessous où SVLR désigne le nombre d'abonnés recensés dans le registre VLR du M SC
considéré.
89
 i   MSC 
 zi MSC
Ai (II.13)
SVLR
A partir delà, deux moyens d'estimation de la capacité théorique d'un réseau sont possibles.
La première consiste à mesurer la charge totale en erlang que le réseau peut écouler (équation
(II.14)). La deuxième s'appuie sur le nombre d'abonnés que le réseau peut servir (équation
(II.15)).
CT ,E rlang  
Zi Réseau
CTi (II.14)
CTi (II.15)
CT ,abonné  
Zi R éseau  i
4.4 Optimisation dynamique dans le design des réseaux radiomobiles

Les réseaux cellulaires sont des systèmes à forts facteurs de tensions. L'ajustement temps réel
de la solution étant souvent impossible, l'optimisation est effectuée périodiquement lors des
points de décision. L'aspect dynamique rajoute une nouvelle dimension au problème de
design des réseaux cellulaires, augmentant de ce fait la combinatoire du problème de façon
importante. L'optimisation dynamique sert alors à anticiper les modifications à opérer sur le
réseau afin de subvenir aux exigences futures. Selon la façon dont les prévisions d'évolution
sont utilisées pour réaliser l'ajustement des solutions du réseau, deux approches se présentent.
4.4.1 Optimisation à vision locale (anticipation)

Le processus d'optimisation est lancé au début de chaque période, avec pour objectif la
préparation du système aux changements de la période courante sans tenir compte des
périodes ultérieures. Le résultat de chaque étape d'optimisation se résume en une seule
solution représentant le nouvel état du système. Nous donnons ici deux exemples d'approches
d'optimisation à vision locale. La première traite du problème d'extension des réseaux
cellulaires et la deuxième traite du problème d'allocation de fréquences.
A Cas du problème d'extension de réseau cellulaire

Le travail de Baier et Bandelow [Baier et Bandelow 97] représente ce type d'approche. Il
s'agit d'utiliser les prévisions futures du trafic pour anticiper sur les modifications à opérer sur
le réseau afin de satisfaire la montée de la demande envisagée. Ceci est réalisé en prédisant les
zones où l'augmentation des capacités est requise et en réalisant les changements qu'il
convient de faire, tels que :
L'ajout de nouveaux TRX à une station.
La densification par éclatement de cellules ou sectorisation.
La densification par ajout de nouveaux sites
90
L'enveloppement de cellules (couverture multicouche).
Deux cycles de planification sont prévus : court et long terme. Le cycle court gère les besoins
de réajustements rapides du réseau pour subvenir aux changements court terme du trafic de
l'ordre de semaines ou de mois. Le cycle long gère l'extension long terme du réseau liée à
l'évolution long terme du trafic de l'ordre de l'année.
a Prévision à court terme du trafic

Le design à court terme se base sur les prévisions de trafic portant sur les quelques mois à
venir. Les données de trafic issues des deux à trois deniers mois sont utilisées afin d'estimer le
trafic Ai'(t') prévu dans le futur proche. Les cellules ayant une charge relative Li(t') approchant
les 100% se voient attribuer de nouveaux TRX. Notons que dans le cadre de la planification
court terme il n'est pas question d'ajouter de nouvelles stations.
b Prévision à long terme du trafic

Le design à long terme est, quant à lui, lié à l'augmentation du nombre local et global des
abonnés. La prévision long terme s'étend sur une période allant de deux à trois ans. Cette
estimation est faite sur la base de prédictions globales et locales de l'évolution du nombre et
des comportements des abonnés. De cette façon, la charge en trafic sur chaque point de
l'espace de couverture p j est calculée par distribution uniforme de l'augmentation en trafic
suivant la formule suivante [Baier et Bandelow 97] :
SVLR  MSC (II.16)

ai ( p j )  ai ( p j )
SV LR  MSC
Où S' VLR et ' MSC représentent le nombre et la contribution prévus des utilisateurs sur la zone
gérée par le couple (MSC, VLR).
Si la charge relative d'une cellule approche les 100%, l'éclatement ou la couverture

multicouche de celle-ci peut être envisagée dans le cas où l'ajout de nouveaux TRX n'est plus
possible (nombre maximal de TRX par station).
91

Nb de sites Analyse du trafic
Capacité Trafic + P révision court

Nb TRX/site terme
Capacité
>
Trafic
Ajouter un Non
TRX
Capacité Analyse du trafic

> + P révision long
terme des
Prévision abonnés
Non
Sectoriser ou
Oui Possibilité Non insérer un site
d'ajouter
Nouvelles
des TRX
caractéristiques
FIG . II-8 Prévision court et long terme du trafic
B Cas du problème d'affectation de fréquences

Le travail de Murray et Pesch [M urray et Pesch 01] constitue un bon exemple d'optimisation
à vision locale dans le cadre d'allocation de fréquences. Le modèle proposé suppose une
évolution heure par heure du trafic sur le réseau. La demande en fréquences sur chaque cellule
(le vecteur R) évolue en conséquence pour traduire les montées et les baisses de trafic. Il s'agit
alors de concevoir un plan de fréquences différent pour chaque heure.
A cause des procédures de handover intracellulaire susceptibles d'être provoquées à chaque

changement de plan de fréquences, le modèle prévoit de réduire le nombre de changements
entre les plans. Pour cela, NF vecteurs binaires de taille N sont calculés à chaque heure. Un 1
ème
dans le i vecteur signifie que la station correspondante requiert au moins i fréquences. La
génération du plan de fréquences associé à une heure donnée est alors réalisée en résolvant
une succession de problèmes de coloriage de graphe (une fréquence par station). La première
étape consiste à allouer une première fréquence à chacune des stations du réseau (toutes les
stations requièrent au moins une fréquence). Puis une deuxième fréquence est allouée aux
stations requérant au moins deux fréquences et ainsi de suite. Ce procédé permet, par
conséquent, de limiter les changements opérés sur le plan de fréquences suite à l'évolution de
la demande en trafic, puisque seules les dernières fréquences allouées sont susceptibles d'être
changées (cf. FIG. II-9).
92
Périodes
Affectation de
Stations fréquences
11111111111 15362439385 11111111111 15362439385

Vecteurs de demandes
11111111111 38782283457 11111111111 38782283457
10111100011 5x2389xxx61 10110100010 5x23x9xxx6x
10100100010 4x3xx3xxx29 00110100010 xx35x3xxx29
00000000000 xxxxxxxxxxx 00000000000 xxxxxxxxxxx
Période i Période i+1
Demande en fréquen ces Fréquences allouées Changement de la Seules les fréqu ences
de la station 3 à la station 3 demande en allouées en dernier
fréquences changent
FIG . II-9 T echnique d'affectation de fréquences multipériode de Murray et Pesch.
4.4.2 Optimisation à vision globale (Planificati on)

L'objectif de l'optimisation est de fournir, dès le départ, un plan d'évolution du réseau s'étalant
sur plusieurs périodes. Ce plan se présente comme une séquence de solutions, une pour
chaque période. Le modèle de Reininger [Reininger et al. 99] illustre ce type d'approche pour
le problème d'extension de réseau.
(a) La ville (b) La période P1 (c) La période P2
Sites candidats Ensemble des STP Ensemble des RTP
FIG . II-10 Evolution de l'environnement d'un réseau cellulaire
93
Le problème est défini par une succession d'états de l'environnement E = {e1, e2,…, eNP} (FIG.
II-10). Chaque état se caractérise par :
1. L'ensemble des sites candidats.
2. La zone du territoire à couvrir.
3. La distribution du trafic sur le territoire.
* * *
L'objectif est de déterminer la séquence de solutions S ={s 1, s 2, …, s NP} telle que :
*
1. La solution si vérifie les contraintes de l'état ei quelle que soit la période pi.
2. Optimise une fonction : F(s1, s2, …, sNP) qui traduit les exigences et politiques de
gestion de l'opérateur. Généralement cette fonction représente le coût financier total
de la solution.
On distingue deux types d'approches de résolution :
A Approche indirecte (par décomposition)

Le problème est traité dans ce cas comme une suite de problèmes monopériodiques réduisant
du coup la combinatoire du système. Reininger et Caminada proposèrent trois approches
d'optimisation périodique indirecte.
a Approche pas à pas

La première est basée sur un modèle d'optimisation pas à pas. Les périodes sont traitées de
façon successive mais indépendante sans prise en compte des périodes futures. L'objectif à
optimiser à la période p i est formalisé par :
max f pobj ( si ) (II.17)

i
s.c.
f ( si )  Cout
ˆ max ( pi )
c
Où Coûtmax (pi) désigne le coût maximal d'expansion toléré pendant une période. f pobj i
se
rapporte à la fonction objectif originale associée aux critères de couverture et de
recouvrement. f c ( si ) désigne le coût de transition entre la solution précédente si 1 et la
solution actuelle si . Autrement dit le coût des nouvelles installations à effectuer sur le réseau
pour passer de la configuration si 1 vers la configuration si .
b Approche par mesure de l'influence des stations

Au début de chaque période pi, l'algorithme d'optimisation est lancé avec pour fonction
objectif la somme de la fonction originale, de la fonction de coût de transition et de la
fonction d'influence. La fonction d'influence mesure pour chaque station, le nombre de
périodes futures impactées. Pour cela une phase d'optimisation pas à pas est opérée générant
par conséquent les différentes solutions si (FIG. II-11). Une période future pj est alors dite
impactée par la station BTS* à la période courante pi (j > i), si la station est susceptible de
couvrir des points à la période pj. La fonction objectif à optimiser à la période pi s'écrit alors :
94
T (II.18)
max Fpi (s)   f c pi (s )   f obj pi (s)    f inf pi ( s, p j )
j  i 1
f inf p i (s, p j ) évalue le degré de pérennité des stations actuelles (période pi) pendant la période
pj. Ce procédé permet de réduire et de mieux répartir les coûts d'extension du réseau sur les
périodes.
c Approche par retour inverse

Une première phase d'optimisation est lancée ayant pour objectif la résolution du problème à
la période pNP (sous l'environnement e NP) produisant ainsi la solution sNP. Les solutions si des
périodes postérieures sont alors générées par ordre chronologique décroissant. La solution si
de la période pi est générée en maximisant la fonction objectif suivante :
max Fpi (s)   f c  p i ( s)   f obj pi ( s)  f inf

( s) (II.19)
inf
f c  p i désigne le coût de transition de la solution si vers la solution si+1. La fonction f
mesure le degré de pérennité des stations sélectionnées sur les périodes postérieures à pi.
P1 P2 P3 P4 P5 P6
Approche pas à pas
P1 P2 P3 P4 P5 P6 Approche par mesure des influences
P1 P2 P3 P4 P5 P6
Approche par inversion
FIG . II-11 Approche d'OD de Reininger et Caminada
B Approche directe
Dans ce cas, la dimension multipériodique du problème est prise en compte et traitée sans
décomposition. Plusieurs travaux comme [Shulman et Vachani 93] [Chang et Gavish 95]
[Dutta et Lim 92] proposèrent une modélisation directe du problème d'expansion des réseaux
de communication. Il s'agit dans ce cas de minimiser le montant des coûts d'évolution du
réseau pour répondre au flux de données transmis sur les lignes de communication. Ce
montant consiste au cumul des frais occasionnés par l'extension du réseau le long des
périodes. Le problème est alors formulé comme suit :
min F  
i[2.. NP ]
ˆ i  s i 1 , s i 
cout (II.20)
95
Coûtt(si-1, si) désigne le coût de transition de la solution précédente à la solution actuelle. Dans
cette approche les coûts financiers de l'installation et l'extension des équipements sont
considérés variables dans le temps et dans l'espace (le lieu de l'installation). Cet aspect
garantit un plus grand degré de réalisme de la modélisation. La même approche est adoptée
par Bretthauer et Côté [Bretthauer et Côté 96] dans le cadre de la planification des systèmes
de production.
Notons, cependant, que la majorité de ces approches ne considèrent pas le caractère incertain
des prévisions futures. En effet, les prévisions utilisées ne sont pas précises, entraînant par
conséquent, le réajustement du plan déjà conçu [Gerking 87]. La robustesse désigne dans ce
cas la faculté du système à s'adapter aux imprévus de l'environnement et à l'incertitude des
prévisions.
4.5 Synthèse
Le trafic est l'élément clé du design. Il conditionne les investissements, et oriente les choix et
objectifs de qualité de l'opérateur. Cependant rares sont les approches de design qui tiennent
compte de ce phénomène. Par ailleurs les données de trafic sont souvent ramenées à des
estimations statiques et agrégées ignorant les variations périodiques et les tendances
d'évolution. Ces procédés soulèvent des questions sur la pertinence de ces valeurs et des
mesures de qualité.
Dans la partie suivante, nous étudions l'intérêt d'une modélisation dynamique du trafic dans le
cadre du design des réseaux cellulaires. Les problèmes d'affectation de fréquences et de
planification des capacités cellulaires sont choisis pour cadre de cette étude. Pour cela
l'évolution du trafic est analysée à différentes échelles d'évolution court, moyen et long terme.
Pour chaque échelle, nous étudions les modèles et algorithmes à mettre en œuvre afin de tenir
compte de l'évolutivité du trafic.
96
Partie III Techniques d'optimisation
dynamique pour la planification des
fréquences et des capacités cellulaires
Chapitre 5 Echelle de variation rapide du trafic : planification
robuste des fréquences
Résumé. Nous proposons dans ce chapitre un modèle d'allocation robuste des fréquences
adapté aux changements rapides du trafic. La rapidité des changements empêche le
réajustement systématique du plan de fréquences. Pour cette raison, nous proposons un
modèle de planification de fréquences qui introduit les notions de robustesse spatiale et
temporelle. Nous présentons aussi une technique de résolution à vision globale du problème
basée sur un algorithme génétique hybride.
Table des matières
5.1 Introduction........................................................................................................................99
5.2 Présentation du problème .................................................................................................100
5.3 Formulation du problème .................................................................................................101
5.3.1 Graphe de contraintes ..........................................................................................102
5.3.2 Critères d'évaluation ............................................................................................103
5.4 Algorithme Génétique Hybride pour l'ARF.....................................................................106
5.4.1 Codage et fonction objectif...................................................................................106
5.4.2 Fonctionnement général de l'algorithme génétique hybr ide................................106
5.4.3 Opérateur de sélection et de remplacement .........................................................107
5.4.4 Opérateur de croisement ......................................................................................108
5.4.5 Mutation basée sur la recherche tabou ................................................................109
5.4.6 Synergie entre les opérateurs de recherche tabou et de croisement ....................111
5.5 Expérimentations..............................................................................................................112
5.5.1 Jeux de test ...........................................................................................................112
5.5.2 Objectif I : Etude des performances de l'algorithme génétique hybride..............114
5.5.3 Objectif II : Etude des performances du modèle d'affectation robuste de fréquences
..............................................................................................................................117
5.6 Conclusion........................................................................................................................120
98
Partie III. Technique d'optimisation dynamique pour la planification …
5.1 Introduction
Le Problème d'Affectation de Fréquences ou PAF (cf. Chapitre 2) est un problème propre aux
systèmes basés sur des techniques d'accès à division spectrale tel que le G SM . Le problème
consiste à répartir l'ensemble des fréquences disponibles sur les stations du réseau de façon à
garantir un écoulement maximal du trafic et à minimiser les interférences. Ces interférences
sont dues à la présence de zones de recouvrement où plusieurs signaux sont reçus. La
réutilisation des fréquences est alors contrainte par la sensibilité des récepteurs, face à des
signaux de bonne qualité et portés par des fréquences voisines.
La nature fluctuante du trafic, entraîne une instabilité des performances du réseau. Cette
instabilité peut causer une baisse des performances du réseau en certains endroits et à certains
moments. Par conséquent, l'adéquation d'un plan de fréquences doit être estimée à la lumière
de ces variations. D'autre part, les notions de robustesse et d'évolutivité s'imposent comme des
critères clés du design.
Selon la manière dont l'évolutivité du trafic est prise en compte, nous distinguons trois
grandes classes de techniques de planification de fréquences :
Les schémas réactifs qui opèrent en temps réel au fur et à mesure que les demandes en
communications affluent sur le système, ce qui nécessite un trafic de signalisation
supplémentaire ainsi qu'une réadaptation des équipements du réseau. L'affectation
dynamique de fréquences, l'affectation hybride de fréquences et l'affectation par
empreint appartiennent à ce type d'approches.
Les schémas adaptatifs qui réajustent périodiquement le plan de fréquences afin de

répondre à l'évolution du trafic. Ce réajustement est fait de manière à produire le
minimum de modifications sur le plan de fréquences courant afin de minimiser le
nombre de procédures de handover.
Les schémas fixes, représentés par l'affectation fixe des fréquences, allouent d'une
façon permanente un sous-ensemble de fréquences à chaque station de base. M algré
leur simplicité d'implémentation, les schémas d'allocation fixe des fréquences sont
peu robustes face à la variation du trafic.
Dans ce premier travail, nous nous plaçons dans le cadre d'une évolution rapide et à court
terme du trafic. Par exemple une évolution heure par heure sur une journée. La rapidité des
changements considérés empêche le réajustement du plan de fréquences. Il s'agit alors de
proposer un modèle d'affectation fixe des fréquences qui tient compte de la variation court
terme du trafic et qui offre une alternative au surdimensionnement des données de trafic.
Nous supposons donc disposer de données sur l'évolution du trafic sur NP périodes futures
représentant l'évolution cyclique du trafic (ex. journalière). L'objectif est alors de trouver un
plan de fréquences fixe qui minimise les interférences. Trois critères sont retenus afin
d'évaluer l'adéquation d'un plan de fréquences : le volume d'interférence total enregistré le
long de toutes les périodes, la robustesse temporelle du plan de fréquences et enfin la
robustesse spatiale de la solution. Contrairement aux schémas réactifs et adaptatifs, ce modèle
ne nécessite ni un trafic de signalisation additionnel, ni intervention sur l'équipement du
réseau.
99
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
5.2 Présentation du problème

L'affectation fixe de fréquences est largement utilisée dans les réseaux GSM en raison de sa
simplicité d'implémentation. Dans l'affectation fixe des fréquences à plan entier, chaque
station de base requiert un nombre fixe de fréquences égal au nombre de TRX installés. Le
problème consiste à trouver une répartition permanente du spectre de fréquences sur les
stations qui permet de minimiser les interférences. Dû aux zones de recouvrement entre les
stations, l'affectation de fréquences est soumise à des contraintes d'interférence. Ces
contraintes se résument aux trois catégories suivantes :
Contrainte co-station (notée C1) : les fréquences allouées à une même station doivent
être espacées par au moins 3 canaux.
Contrainte co-site (notée C2) : les fréquences allouées à des stations du même site
doivent être espacées par au moins 2 canaux.
Contrainte inter-site : l'espacement à respecter entre les fréquences allouées à des

stations se trouvant sur des sites différents dépend de leur interférence mutuelle. Le
volume d'interférence entre deux stations inter-site est ignoré à partir d'une distance
inter-canal supérieure à 1.
Les fréquences utilisées sur la voie descendante sont appariées avec les fréquences de la voie
montante. De ce fait, le plan de fréquences sur la voie montante est automatiquement déduit
du plan de fréquences établi sur la voie descendante.
Les récentes modélisations du problème d'affectation de fréquences se basent sur une

quantification des risques de brouillage. Le niveau d'interférence produit par chaque station
sur une autre est alors estimé en fonction de la puissance, de la distance inter-canal et du trafic
mis en jeu.
L'impact de la charge en trafic sur le niveau d'interférence est double. Sur la station
interférente, la charge en trafic détermine le taux d'occupation des fréquences interférentes et
par conséquent agit sur le volume d'interférence produit. Sur la station brouillée, la charge en
trafic mesure l'importance de la zone couverte, en d'autres termes l'intérêt que revêt la
réduction des interférences sur la cellule. L'évolution du trafic entraîne donc inévitablement
des changements sur les performances du plan de fréquences.
Les interférences ont une incidence directe sur la capacité en trafic du réseau. Un niveau élevé
d'interférence induit des taux d'erreurs considérables et peut entraîner l'interruption de la
communication. Les techniques actuelles de planification de fréquences se basent sur le
surdimensionnement des données de trafic, par exemple en utilisant les données de trafic à la
deuxième heure la plus chargée (H2C). Dans ce cas, la charge en trafic à la deuxième heure la
plus chargée sur chaque station est retenue (FIG. III-1). Le trafic H2C est alors considéré
constant et se produisant simultanément, ce qui entraîne une estimation imprécise de la
capacité en trafic du réseau. Cette imprécision se traduit par une surestimation de certaines
contraintes liées à des stations ayant un pic de trafic exceptionnel de bref durée et par une
sous-estimation d'autres contraintes liées à des stations à charge de trafic importante bien
répartie dans le temps.
100
FONTAINE_DIJON_1 CHALON_1
16 16
14 14
12 12
10 10
8 8
6 6
4 4
2 2
0 0
ème
2 heure la plus chargée
FIG . III-1 Evolution du trafic sur deux cellules. La deuxième heure la plus chargée n'est pas la même.
Autrement que d'agréger les données d'évolution du trafic en une seule cartographie, nous
proposons un modèle de planification fixe des fréquences tenant compte de l'aspect
dynamique du trafic. Nous nous référons à ce modèle par l'appellation ARF (Affectation
Robuste de Fréquences). Dans ce modèle, nous supposons que l'évolution du trafic s'effectue
suivant un cycle répétitif (par exemple journalier). Le plan de fréquences est construit afin
d'offrir des performances optimales par rapport à cette évolution. Un tel plan de fréquences
resterait opérationnel jusqu'à ce que d'importantes variations (par exemple des changements
saisonniers) se produisent sur ce schéma cyclique dégradant du coup les performances du plan
et rendant nécessaire sa ré-optimisation.
5.3 Formulation du problème

Soit R un réseau composé de N stations de base et {1,…,NF} l'ensemble des fréquences
disponibles. Pour chaque station i nous connaissons le nombre de fréquences requises Ri et la
charge en trafic t ih à n'importe quelle période h[1..NP]. Soit t iH 2C la charge en trafic sur la
ème
station i pendant la deuxième période la plus chargée et notons par f i,k la k fréquence
allouée à la station i. L'objectif du problème d'affectation de fréquences est de trouver les
valeurs des variables f i,k qui satisfont les contraintes d'interférence co-station et co-site et qui
vérifient un certain nombre de critères liés aux interférences inter-site.
Les contraintes d'interférence co-station et co-site sont modélisées par les deux fonctions C1
et C2 décrites ci-dessous.
1 si | f i,k  f i,l | 3 (III.1)

C1(i , k , l )  
0 sinon
101
1 si | f i,k  f j ,l | 2 et i et j sont d'un site identique (III.2)

C 2(i , j, k , l )  
0 sinon
5.3.1 Graphe de contraintes

Soit I la fonction mesurant le niveau d'interférence inter-site généré par une station sur une
autre. I(ING,i,j,ti,t j,d) désigne le niveau d'interférence produit par la station i sur la station j
suite à l'utilisation d'une paire de fréquences espacées de d canaux (d1). t i et tj dénotent la
charge en trafic sur les deux stations et ING l'ingénierie de fréquences utilisée avec ou sans
saut de fréquences (cf. 2.5.2).
Dans les modèles classiques d'affectation fixe de fréquences AFF, les contraintes
d'interférence inter-site sont représentées par un graphe de contraintes orienté dont les nœuds
représentent les stations et les arcs représentent les risques d'interférence. Les arcs du graphe
sont pondérés par une paire de valeurs ( i , j,0 ,  i, j ,1 ) où :
 i, j,d  I (ING, i, j , ti , t j , d ) (III.3)
Les valeurs  i, j,d désignent le niveau d'interférence entre deux stations inter-site considérant
une situation de trafic statique. Dans le cas d'un dimensionnement à la deuxième heure la plus
chargée, on se retrouve avec des poids de graphe ( iH, j ,02 C ,  iH, j ,12 C ) calculés sur la base du trafic
H2C.
 iH, j ,d2 C  I ( ING, i , j , t iH 2 C , t jH 2 C , d ) (III.4)
Pour les besoins d'une meilleure prise en compte du processus d'évolution du trafic, nous
h
modélisons le problème par NP graphes orientés, un par période. Chaque graphe G
représente les niveaux d'interférence inter-site calculés à partir de la situation de trafic à la
h
période h. Les nœuds du graphe correspondent aux stations du réseau. Un arc du graphe G
reliant les stations i et j est pondéré par une paire de valeurs ( ih, j ,0 ,  ih, j ,1 ) où :
 ih, j ,d  I ( ING, i , j , t ih , t hj , d ) (III.5)
Les graphes de contraintes constitueront alors la base de la recherche du plan de fréquences

optimal. La figure FIG. III-2 décrit le schéma fonctionnel du modèle de planification robuste
de fréquences, ARF.
102
8,3
FON T
A INE_DIJ ON_1
1,5,9
1 6
1 4
1 2
1 0
7,1,4
…
C HALON_1
6
1
4
1
2
1
Modélisation Optimisation 2,6
0
1
6
4
Fréquences
allouées
Données de trafi c + réseau Graphes de contraintes Plan de fréqu ences
FIG . III-2 Modèle d'affectation robuste de fréquences : à partir des données d'évolution du trafic sur
NP périodes, NP graphes de contraintes sont construits. Les graphes de contraintes sont utilisés pour
concevoir un seul plan de fréquences.
5.3.2 Critères d'évaluation

Pour établir les critères de performances rentrant dans l'évaluation de la qualité d'un plan de
fréquences nous allons procéder de façon progressive. Nous allons tout d'abord nous
intéresser à l'évaluation de la qualité d'un plan de fréquences pendant une seule période de
temps.
A Qualité d'un plan de fréquences pendant une période

Deux critères de performances nous semblent raisonnables, d'autant plus qu'ils sont
apparemment complémentaires. Le premier, consiste en la somme des interférences
enregistrées à la période h entre les paires de stations reliées par un arc dans le graphe de
contraintes.
Fh   
i, j[1.. N ] k[1.. Ri ]
 ih, j ,| fi k  f jl | (III.6)
l[1.. R j ]
Le deuxième critère consiste à mesurer la valeur maximale d'interférence consentie par les
stations. La quantité d'interférence produite sur une station j revient à calculer la somme des
interférences produites par toutes les autres stations sur cette dernière. Les deux critères ainsi
décrits fournissent une évaluation assez complète des performances du plan de fréquences sur
les deux plans global et local. Le critère Fh permet de mesurer la performance du plan au
h
niveau réseau, alors que le critère FMA X vise à garantir un niveau de service minimal sur
chaque station.
103
   (III.7)
  
h
FMA X  MAX      h 
j[1.. N ]
 i[1..N ]  k 1..Ri 
i , j , fi k  f jl
 
  l1..R j  
B Qualité d'un plan de fréquences sur un ensemble de périodes

Dans ce cas nous nous intéressons aux critères d'évaluation de la qualité d'un plan de
fréquences par rapport à l'évolution cyclique du trafic. Plusieurs critères d'évaluation peuvent
être adoptés. Nous décrivons ci-dessous ceux qui nous paraissent les plus pertinents.
a Cumul dans le temps des interférences enregistrées sur le réseau

Dans ce premier critère, l'objectif est de réduire la quantité totale d'interférence enregistrée sur
le réseau au fil des périodes. Ce critère vise à estimer la qualité du plan de fréquences sur un
plan global et constitue de ce fait le critère central du modèle.
NP (III.8)
F1      ih, j ,| f ik  f j l |
h 1 i , j[1.. N ] k [1.. Ri ]
l[1.. R j ]
b Robustesse spatiale du plan de fréquences

Nous proposons ici un deuxième critère de performance : la robustesse spatiale du plan de
fréquences. Il s'agit de garantir un niveau de qualité minimum sur l'ensemble des régions de
l'espace de couverture, en évitant que certaines stations soient continuellement brouillées alors
que d'autres le sont rarement. La robustesse spatiale est estimée par la quantité maximale
d'interférence enregistrée sur une station le long des périodes.
 (III.9)
  
   
F2  MAX        i, j,| fik  f jl |    h
j[1.. N ]
 i[1..N ]  h [1..NP ]  kl[1..
[1.. Ri ] 
   Rj ] 
c Robustesse temporelle du plan de fréquences

La répartition dans le temps des interférences vise à produire des plans de fréquences robustes
dans le temps. Autrement dit, il s'agit de garantir l'efficacité relative du plan à tout moment.
Ceci est réalisé en minimisant la quantité maximale d'interférences enregistrée sur le réseau
pendant une période de temps.
  (III.10)
 
F3  MAX     i , j ,| fik  f jl |  h
h[1.. NP]
 i, j[1..N ] lk[1..
[1.. Ri ] 
 Rj ] 
104
d Cumul des niveaux d'interférences maximaux entre les paires de stations

Pour chaque paire de stations la quantité maximale d'interférence enregistrée dans le temps est
calculée puis sommée. L'objectif dans ce cas est de s'assurer que le plan de fréquences se
comporte de façon robuste sur chaque station (réduire le niveau maximal d'interférence dans
le temps sur chaque station).
   (III.11)
  
F4    MAX    h 
h[1.. NP] i , j , f ik  f jl
i , j[1.. N ]
  lk[1..
[1.. Ri ] 
  R j ] 
e Robustesse spatiale et temporelle du plan de fréquence

Les critères F2 et F3 peuvent être combinés au sein d'un même critère, permettant à la fois de
garantir un niveau de service minimal sur chaque station et à tout moment. Pour cela, la
quantité maximale d'interférence enregistrée sur une station donnée à une période donnée est
prise comme mesure de la qualité du plan de fréquences.
   (III.12)
  
F5  MAX  MAX    i , j ,| fik  f jl |  h
h[1.. NP] i, j[1.. N ]
  kl[1..
[1.. Ri ] 
  Rj ] 
Trois critères sont retenus dans le modèle proposé. Des critères qui nous semblent assez
complémentaires et correspondre aux principales attentes du décideur. Ces critères sont : la
quantité totale d'interférences représentée par la fonction F1, la robustesse spatiale du plan sur
les stations représentée par la fonction F2, et finalement la robustesse temporelle du plan
représentée par la fonction F3. L'objectif consiste alors à déterminer la valeur des variables
f ik qui minimisent ces trois fonctions.
Avant de nous lancer dans la description de l'algorithme de résolution adopté, il est important
de dresser un portrait de la complexité algorithmique du problème. La complexité du
problème d'affectation de fréquences dans sa variante de minimisation d'interférence a fait
l'objet de plusieurs études [Borndorfer et al. 97] [Brélaz 79]. De ces études nous déduisons
que :
1. Le problème d'affectation fixe des fréquences réduit à la minimisation de la fonction

F1 est NP-difficile.
2. Le problème consistant à rechercher une solution faisable autrement dit satisfaisant les
contraintes co-stations et co-sites est NP-complet.
3. Le problème de décision lié à la question de savoir si le problème admet ou non une

solution faisable est NP-difficile.
105
A ces difficultés s'ajoute le fait que les fonctions F2 et F3 sont non-linéaires rendant du coup
les techniques de programmation mathématique peu efficaces. Surtout que la taille
combinatoire des problèmes réels est souvent élevée. Pour toutes ces raisons, nous proposons
ici une heuristique basée sur une hybridation d'un algorithme génétique (cf. annexe A.2) et
d'une recherche tabou (cf. annexe A.3) pour la résolution du problème d'ARF.
5.4 Algorithme Génétique Hybride pour l'ARF

L'algorithme génétique hybride, AGH, est basé sur une hybridation des méthodes
d'algorithmes génétiques et de recherche tabou. De telles approches ont reçu un grand intérêt
au cours de ces dernières années et ont montré une grande efficacité dans la résolution de
nombreux problèmes NP-complets [Galinier et Hao 99] [M erz et Freisleben 00]. L'efficacité
des algorithmes évolutionnistes dépend de deux éléments complémentaires : un opérateur de
recherche locale puissant ainsi qu'un opérateur de croisement spécialisé. Ci-après, nous
donnons les détails d'implémentation d'un tel algorithme pour l'ARF.
5.4.1 Codage et fonction objectif
Un plan de fréquences est codé par un vecteur f1,1 ,, f1, R1 , , f N ,1 , , f N ,RN représentant les
fréquences allouées à chaque station. L'espace de recherche correspond alors à l'ensemble de
toutes les configurations possibles où f i,k  1.. NF  .
Les contraintes d'interférence co-station et co-site sont considérées comme des contraintes
dures. La fonction objectif correspond alors à la somme linéaire pondérée des contraintes C1
et C2 et des critères F1, F2 et F3 (équation (III.13)). Pour souligner leur importance, les
contraintes co-station et co-site sont pondérées par une valeur très élevée  . Cette valeur est
choisie de telle manière que la satisfaction des contraintes soit toujours prioritaire sur
l'optimisation des critères Fi. A cette fin, la valeur de  est initialisée à l'évaluation la plus
élevée de la somme F1+F2+F3 des individus de la population initiale. Le fait que cette valeur
est nécessairement très élevée lors de la première génération nous garantit que la valeur de 
est assez grande pour maintenir la priorité de la satisfaction des contraintes dures le long des
générations futures.
 N Ri 1 Ri N , N Ri R j
 (III.13)
F       C1(i , k , l )    C 2(i , j , k , l )   F1  F2  F3

 i 1 k 1 lk 1 i, j k 1 l 1

 i j 
5.4.2 Fonctionnement général de l'algorithme généti que hybri de

Partant d'une population initiale constituée de plans de fréquences aléatoirement générés,
l'AGH effectue une série d'itérations appelées générations. A chaque génération, deux plans
de fréquences sont sélectionnés à partir de la population courante et sont combinés par un
opérateur de croisement spécifique. Les deux plans de fréquences fils ainsi générés sont alors
mutés en utilisant un opérateur de recherche tabou avant d'être insérés dans la population. La
figure FIG. III-3 représente le schéma fonctionnel de l'algorithme.
106
Génération aléatoire de
la population initiale
Remplacement Remplacement
Population
courante
Deux nouveaux plans Deux nouveaux plans
de fréquences de fréquences
Sélection
Mutation Mutation
Deux plans de
Deux nouveaux plans fréquences
de fréquences
Oui Non
Croisement
FIG . III-3 Schéma de fonctionnement de l'algorithme génétique hybride
5.4.3 Opérateur de sélection et de remplacement

Pour favoriser la sélection des bonnes solutions, les individus de la population sont ordonnés
sur la base de leur fonction d'évaluation F de telle façon que le meilleur plan de fréquences ait
le rang 0. Soit ri le rang de l'individu i, la probabilité de sélection de i est alors déterminée par
l'expression suivante :
(taille _ pop  ri )  2 (III.14)

PSi 
taille _ pop  (taille _ pop  1)
L'utilisation de la sélection par rang permet de réguler la pression de sélection et améliore la

qualité de convergence de l'algorithme. En effet la sélection par rang assure que la probabilité
de sélection de la meilleure solution présente dans la population ne dépasse pas
2 /(taille _ pop  1) et limite du coup le taux de reproduction des individus. D'un autre côté, la
sélection par rang permet de maintenir la pression de sélection quand celle-ci vient à diminuer
à cause de la convergence de la population vers des solutions de même fitness. De cette
manière le recours aux techniques de mise à l'échelle n'est plus nécessaire.
Les nouveaux individus issus du croisement et de la mutation sont insérés dans la population
en remplacement d'autres plans de fréquences (pas nécessairement leurs parents). La
procédure de remplacement favorise l'élimination des plans de fréquences de mauvaise
qualité. L'équation (III.15) donne la probabilité de remplacement d'un individu i.
ri  2 (III.15)
PRi 
taille _ pop  (taille _ pop  1)
107
Notons que le meilleur plan de fréquences n'est jamais remplacé. Ce qui garantit que la
meilleure solution trouvée par la recherche ne serait pas perdue et continuerait à contribuer
aux futures phases de sélection (élitisme).
5.4.4 Opérateur de croisement

On retrouve une multitude d'opérateurs de croisement généraux dans la littérature.
Néanmoins, l'utilisation d'opérateurs spécifiques a prouvé à plusieurs reprises son efficacité.
Dans le cadre de l'affectation de fréquences, l'analyse de la structure d'un plan de fréquences
montre l'importance de la notion de voisinage. En effet, la qualité d'un plan de fréquences
dépend de la distribution des fréquences au niveau local (cellule, site…). Un bon opérateur de
croisement doit permettre la conservation des affectations non conflictuelles présentent dans
les individus parents.
L'opérateur de croisement géographique [Renaud et Caminada 97] a été spécialement conçu

pour le problème d'affectation de fréquences. Le fonctionnement de l'opérateur de croisement
géographique se résume dans les étapes suivantes : étant donnés deux plans de fréquences, la
première étape consiste à choisir aléatoirement une station de référence i. Puis, l'ensemble
V(i) des stations interférentes et des stations co-sites est construit. Une station j est dite
interférente avec la station i si d /  i, j,d 0 ou  j ,i,d 0. La partie du plan de fréquences
correspondant aux stations {i} V(i) est alors échangée entre les deux plans de fréquences
parents générant ainsi deux plans de fréquences fils (FIG. III-4).
Parent1 Parent2 Fils1 Fils2

Cellule référence
Station co-site (parent 1) Station interférente (parent 1) Station co-site (parent 2) Station interférente (parent 2)
FIG . III-4 Opérateur de croisement géographique : deux plans de fréquences sont générés
La procédure suivante présente le squelette de l'opérateur de croisement géographique décrit

ci-dessus.
108
Algorithme III-1 Opérateur de croisement géographique

Données : plans de fréquences : parent1, parent2
Résultats : plans de fréquences : fils1, fils2
Début
St_référence = random(nbstations)
Stations_voisines = St_référence + Stations_interférentes(St_référence)
Pour chaque i appartient à Stations_voisines
Pour chaque k un assignement de i
Fils2 (i, k) = parent1 (i, k)
Fils1 (i, k) = parent2 (i, k)
Fin pour
Fin pour
Retourner (Fils1, Fils2)
Fin.
5.4.5 Mutation basée sur la recherche tabou

L'opérateur de mutation se présente sous forme d'une procédure de recherche locale basée sur
la technique de recherche tabou, l'objectif étant d'améliorer la qualité des plans de fréquences
issus du croisement avant de les insérer dans la population. L'opérateur de recherche tabou
correspond à une sorte de macro mutation opérant par itérations. A chaque itération, appelée
aussi mouvement, un assignement conflictuel (i, k) est choisi et sa valeur courante f i,k est
modifiée. Pour ce faire l'opérateur procède en deux étapes :
1. La première étape consiste à déterminer l'assignement à modifier. Pour cela, un score

de violation est calculé pour chaque assignement, mesurant la contribution de cet
assignement aux interférences générées. Les scores de violation sont utilisés comme
moyen de localisation des affectations problématiques. L'équation (III.16) calcule le
ème
score de violation de la k fréquence assignée à la station i. Une fois les scores de
violation calculés, un assignement (i, k) est choisi en utilisant les probabilités de
mutation décrites par l'équation (III.17) et qui donne la probabilité de mutation de
l'assignement (i, k).
 Ri  NP N R j (III.16)
N Rj
SCOREi ,k     C1(i, k , l )   C 2(i , j , k , l )      h
   h 

 l 1   
 l k 
i , j , f ik  f j p j ,i , fi k  f jp
j1 l 1 h 1 j 1 p 1
 j i  j i
SCOREi ,k (III.17)
GSPi ,k  N Rj
  SCORE
j 1 p  1
j, p
2. Après la détermination de l'assignement (i*, k*) à muter, une nouvelle fréquence f i*,k *
lui est assignée à la place de la fréquence courante f i*,k * . La valeur f i*,k * correspond
au changement de fréquence produisant le meilleur plan de fréquences et qui ne soit
pas tabou. Les éléments (i*, k*, f i*,k * ) et (i*, k*, f i*,k * ) sont alors ajoutés à la liste
109
tabou afin d'interdire la réaffectation des fréquences f i*,k * et f i*,k * à l'assignement (i*,
k*) pour un certain nombre d'itérations.
La liste tabou est implémentée comme une mémoire attributive, où certains attributs du plan
de fréquences sont interdis plutôt que la totalité d'une solution. La liste tabou est alors utilisée
comme une liste FIFO (premier entré, premier sorti). Le nombre d'itérations au cours
desquelles un élément est considéré tabou correspond de ce fait à la taille de la liste.
Les nouveaux éléments tabous jouent deux rôles différents. L'élément (i*, k*, f i*,k * ) prévient
les cycles de recherche en évitant de revenir sur des solutions déjà visitées. L'élément (i*, k*,
f i*,k * ) quant à lui prévient les redondances de recherche en empêchant que d'autres individus
de la population n'explorent le même espace de recherche, puisque la liste tabou est commune
à toute la population. La figure FIG. III-5 décrit schématiquement ces deux mécanismes.
Plan de fréquences 1 Plan de fréquences 2

1 3 5 8 8 2 3 7 6 4 3 4 3 2 8 3 7 2 7 3 4 3
Plan de fréquences 1 Plan de fréquences 2

1 3 5 8 5 2 3 7 6 4 3 4 3 2 8 5 7 2 7 3 4 3
Station 1 Station 2 Station 3 Station 4
FIG . III-5 Sur la station 2, la 1 ère fréquence passe de la valeur 8 à 5. Les triplets (2,1,8) et (2,1,5) sont
alors considérés tabou.
Le nombre d'itérations de l'opérateur de recherche tabou est déterminé par le paramètre NIRT
(Nombre d'Itération de la Recherche Tabou). Le résultat de la mutation est le meilleur plan de
fréquences rencontré durant le cycle de recherche.
Nous donnons ci-dessous la procédure principale de l'algorithme génétique hybride, AGH,

ainsi que la procédure de recherche tabou.
110
Algorithme III-2 Opérateur de recherche tabou

Données : plan de fréquences : pf
Résultats : plan de fréquences : meilleur_pf
Début
M eilleur_pf := pf
CalculerScores(pf)
Pour iter := 1 à NIRT
(i,k) := ChoisirAssignement(pf)
f_ancienne := pf(i,k)
f_nouvelle := ChoisirFréquence(pf,i,k)
AjouterListeTabou(i,k,f_ancienne)
AjouterListeTabou(i,k,f_nouvelle)
pf(i,k) := f_nouvelle
M iseAJourScores(pf)
Si M eilleurQue(pf,meilleur_pf) alors meilleur_pf := pf
Fin pour
Fin.
Algorithme III-4 Algorithme Génétique Hybride

Données : graphes de contraintes
Début
P := PopulationAléatoire(taille_pop)
Pour gen := 1 à NbGénérations
(p1, p2) := SélectionnerParents(P)
Avec une probabilité Pc faire
(f1, f2) := Croisement(p1,p2)
Sinon f1 := p1; f2 := p2
f1 := OpérateurRechercheTabou(f1)
f2 := OpérateurRechercheTabou(f2)
(v1, v2) := SélectionnerVictimes(P)
RemplacerPar(v1,f1)
RemplacerPar(v2,f2)
Fin pour
M eilleur_pf := M eilleurDansPopulation(P)
Fin.
5.4.6 Synergie entre les opérateurs de recherche tabou et de croisement

Au fil des générations et grâce aux opérateurs de sélection et de croisement, la population des
individus tend à présenter les mêmes caractéristiques (gènes). Considérant l'aspect fortement
directif de l'opérateur de recherche tabou, les individus similaires finissent par suivre les
mêmes itinéraires de recherche, ce qui entraîne des redondances dans le processus
d'optimisation et cause le ralentissement et la perte en diversité de la recherche. Pour pallier
ce problème, la liste tabou garde trace de l'évolution récente des individus de la population.
De cette façon, l'itinéraire suivi par un individu est interdit aux autres solutions impliquant la
111
multiplicité des expériences d'optimisation. L'opérateur de croisement apparaît alors comme

l'unique mécanisme pour le partage et l'échange d'expérience. En d'autres termes, nous
pouvons dire que l'opérateur de croisement permet la combinaison de différents itinéraires de
recherche.
5.5 Expérimentations
Les expérimentations menées ici ont deux objectifs principaux. Premièrement et sur le plan
algorithmique, nous testons les performances de l'heuristique de recherche hybride.
Deuxièmement et sur un plan de modélisation, nous évaluons les performances du modèle
d'affectation de fréquences proposé par rapport au modèle classique basé sur le
dimensionnement H2C. En même temps nous analysons la pertinence individuelle des trois
critères d'optimisation retenus et leur impact sur la qualité des solutions proposées.
La qualité des résultats obtenus est évaluée selon deux critères. Le premier se rapporte à
l'évaluation des fonctions de coût : Ci et Fi. Le deuxième s'appuis sur la quantité de trafic
perdue suivant un certain niveau de FER. Le FER (Frame Erasure Rate) est une valeur
comprise entre 0% et 100% mesurant le pourcentage de trames erronées lors d'une
communication. Une trame est dite erronée quant elle subit des altérations que le code
correcteur ne peut réparer. La perte en trafic lié à un certain seuil de FER correspond alors au
volume de trafic dont le taux en FER dépasse ce seuil.
5.5.1 Jeux de test

Les tests effectués ont porté sur des instances de problèmes réels et fictifs. Le terme "fictive"
se rapporte aux données d'évolution du trafic. L'utilisation de données d'évolution de trafic
fictives, permet d'étudier l'apport de la modélisation proposée pour des scénarii extrêmes de
trafic.
A Jeux de tests fictifs

Les différents jeux de tests développés sont construits sur la base d'un même réseau réel
2
urbain dense d'environ 400 km et composé de 63 stations avec des prévisions de trafic sur 6
périodes de la journée. Chaque jeu de test met en évidence une catégorie de scénarii possibles.
a Montée et baisse générale du trafic de façon simultanée et proportionnelle

Dans ce premier cas, le réseau subit des montées et des baisses de trafic généralisées. Cette
évolution s'effectue de manière synchrone et proportionnelle sur tout le réseau. Ce qui
implique que l'ordre préférentiel entre les différentes situations d'interférence devant être
gérées par l'algorithme de recherche reste maintenu. Il est clair alors qu'un plan de fréquences
optimal en considération de la situation du trafic à une période donnée, l'est également pour le
reste des périodes. Dans ce cas de figure, l'agrégation des différentes situations du trafic en un
seul état statique conserve les relations de préférence entre les brouillages probables et reste
fidèle à la situation générale du trafic. Le facteur temps de l'évolution du trafic peut alors être
ignoré. Cette catégorie met l'accent sur l'aspect comportemental des abonnés (périodes à forte
demande en communications).
112
Cette situation est illustrée par le problème B_63_1 présentées ci-dessous. Le tableau suivant
décrit l'état d'évolution du trafic le long de 6 périodes. Les pourcentages sont calculés à partir
du trafic deuxième maximum sur chaque station.
TAB. III-1 Evolution du trafic dans le problème B_63_1
Périodes Situation de trafic
Période 0 Le trafic sur chaque station correspond à 20% du trafic H2C de cette station.
b Montée du trafic sur une partie du réseau accompagnée d'une baisse de trafic sur une
autre partie
Cette catégorie met, quant à elle, l'accent sur l'aspect mobilité des abonnés. L'évolution de la
cartographie du trafic suit les déplacements des abonnés (depuis leurs maisons à leurs postes
de travail ou inversement, ou de leurs maisons aux centres commerciaux et vis versa…). Le
tableau ci-dessous reprend l'évolution du trafic pour le problème B_63_2.
TAB. III-2 Evolution du trafic dans le problème B_63_2
Périodes Situation de trafic
Période 0 Dans la partie 1 du réseau, le trafic est à 110% du trafic H2C et à 20% dans la partie 2.
B Jeux de test réel

2
Le jeu de test réel D_639 représente un réseau urbain dense de 30000 km composé de 639
stations de base. La somme des demandes en fréquences correspond à 1411 fréquences. Les
graphes de contraintes comportent environs 30000 contraintes inter-site chacun. L'évolution
5
du trafic est étudiée à partir de données terrain sur une période de 13 heures, soit de 7:00h à
20:00h. La période étudiée correspond aux heures chargées du réseau, le reste des heures étant
des périodes à faibles charges et non problématiques par conséquent.
5
Données prélevées le 18 juin 2001
113
5.5.2 Objectif I : Etude des performances de l'algorithme génétique hybri de

Afin d'évaluer les performances de l'AGH, nous avons développé deux autres heuristiques de
recherche. La première heuristique est basée sur la technique de recherche tabou et représente
plusieurs caractéristiques communes avec l'opérateur de recherche tabou de la section (5.4.5)
telle que le codage des individus, la fonction objectif et la gestion de la liste tabou. La
deuxième heuristique est basée sur un algorithme génétique identique en tous points à l'AGH
excepté le fait qu'aucune liste tabou n'est utilisée.
A Recherche tabou pour l'ARF
a Solution initiale
L'algorithme de RT (Recherche Tabou) fait évoluer un plan de fréquences unique. La
recherche démarre à partir d'une solution initiale générée en utilisant une adaptation de la
procédure DSATUR [Brélaz 79]. Cette procédure construit le plan de fréquences initial d'une
manière progressive. A chaque étape, un assignement libre (pas encore assigné à une
fréquence) ayant un nombre minimum de fréquences permises (fréquences satisfaisant les
contraintes co-station, co-site et inter-site) est choisi. Parmi l'ensemble des fréquences
permises à cet assignement, on choisit celle représentant le plus petit indice. Si aucune
fréquence n'est permise pour l'assignement, alors on choisit la fréquence satisfaisant les
contraintes dures et réduisant les interférences inter-site.
b Voisinage
Pour un plan de fréquences donné, l'ensemble de voisinage correspond à tous les plans de
fréquences qui peuvent être obtenus par la modification de la valeur d'un seul assignement (i,
k). A chaque itération de la recherche tabou, le voisinage de la solution courante est examiné.
En raison de la taille relativement grande du voisinage d'une solution (de l'ordre de
W  ( NF  1) où W   i1 Ri ) la technique d'évaluation incrémentale présentée dans
N
[Fleurent et Ferland 96] est adoptée. Dans cette technique, une matrice NF  W est calculée
d'une façon incrémentale. Les éléments de la matrice représentent la différence de coût induite
par chaque mouvement possible à partir de la solution actuelle. A chaque itération, le vois in
non tabou ayant la meilleure différence de coût est choisi pour devenir la nouvelle solution
courante. Un mouvement tabou est accepté si la solution voisine surpasse la meilleure
solution déjà visitée. Après le mouvement, la matrice est mise à jour et le triplet (i*, k*, f i*,k * )
est ajouté à la liste tabou pour un certain nombre d'itérations déterminé par la taille de la liste.
L'algorithme ci-après donne le squelette de l'heuristique de recherche tabou.
114
Algorithme III-6 Algorithme de recherche Tabou

Données : Graphes de contraintes
Résultats : plan de fréquences meilleur_pf
Début
pf := DSATUR()
meilleur_pf := pf
CalculerM atrice()
Pour Iter:=1 à NbItérations
(i, k, f_nouvelle) := ChoisirM ouvement()
M ettreAJourM atrice()
AjouterListeTabou(i, k, f_ancienne)
If M eilleurQue(pf, meilleur_pf) meilleur_pf := pf
Fin pour
Fin.
B Algorithme génétique hybride sans liste tabou

Afin d'analyser l'impact de l'opérateur de recherche tabou sur l'algorithme génétique hybride,
en particulier l'influence de l'utilisation de la liste tabou commune sur la recherche, nous
avons implémenté une autre version de l'algorithme génétique hybride mais cette fois sans
liste tabou. Cette deuxième version est notée AGHSLT. Dans ce cas l'opérateur de mutation
revient à une sorte d'algorithme de descente. Comme pour l'AGH, l'opérateur de mutation
effectue une série de changements itératifs sur un plan de fréquences unique. A chaque
itération, le choix de l'assignement à changer est fait sur la base des scores de violations.
Cependant, les changements effectués ne sont pas reportés dans la liste tabou. Nous donnons
ici le schéma algorithmique de l'opérateur de descente, la procédure principale étant la même.
Algorithme III-8 Opérateur de descente

Données : Plan de fréquences à muter pf
Résultats : Plan de fréquences meilleur_pf
Début
M eilleur_pf := pf ;
CalculerScores(pf);
Pour iter := 1 à NIRT {Nombre d'Itération de la Recherche Tabou}
(i,k) := ChoisirAssignement(pf)
f_nouvelle := ChoisirFréquence(pf,i,k);
pf(i,k) := f_nouvelle;
M iseAJourScores(pf);
Si M eilleurQue(pf,meilleur_pf) alors meilleur_pf := pf;
Fin pour
Fin.
115
C Comparaison entre les différentes méthodes de recherche

La qualité de la meilleure solution trouvée est prise comme critère de comparaison entre les
différents algorithmes de recherche. Afin de réduire l'influence du facteur "implémentation"
sur les résultats, nous ne considérons pas le facteur temps de résolution. Par conséquent, la
recherche est lancée pour de longues périodes afin de s'assurer de la convergence de la
méthode.
Les performances des heuristiques de recherche implémentées sont comparées par rapport aux
trois instances de problème décrites ci-dessus. La table T AB. III-3 représente les résultats
obtenus par chaque algorithme sur les trois instances étudiées. Les valeurs des fonctions de
coût se rapportent à la qualité de la meilleure solution trouvée sur 10 exécutions. La colonne
NCV désigne le nombre de contraintes dures violées. Les colonnes F1, F2 et F3 donnent les
valeurs des fonctions correspondantes.
Tout d'abord on remarque que l'AGHSLT est l'algorithme présentant les plus mauvais
résultats. Pour les trois instances, l'algorithme n'arrive pas à satisfaire les contraintes co-
station et co-site. Ce qui démontre clairement l'apport de la liste tabou commune sur la
recherche.
TAB. III-3 Comparaison des meilleures solutions obtenues par l'AGH, par AGHSLT et par la RT pour
les trois instances de problème. Chaque algorithme est exécuté 10 fois pour chaque instance.
3
Problème NCV F1 F2 F3 F
i 1
i
B_63_1 1 373321 133072 62785 569178

AGHSLT
B_63_2 2 379063 72706 54598 506367

D 3 2320235 297851 268203 2886289
B_63_1 0 335798 118877 49048 503723

RT
B_63_2 0 327202 61022 48161 436385

D 0 1358416 158081 138947 1655444
B_63_1 0 316849 114133 41237 472219

AGH
B_63_2 0 302254 55425 50306 407985

D 0 1166293 138189 103109 1407591
L'algorithme de recherche tabou offre des résultats plus intéressants avec chaque fois la
résolution des contraintes dures. Cependant, les meilleurs résultats obtenus sont ceux de
l'algorithme génétique hybride représenté par les trois dernières lignes de la table T AB. III-3.
Notons aussi, que pour le problème B_63_2, l'algorithme de RT surpasse l'AGH sur le plan du
critère F3 . La qualité de la solution proposée par l'AGH reste néanmoins meilleure sur le
plan global (la fonction F).
116
5.5.3 Objectif II : Etude des performances du modèle d'affectation robuste de

fréquences
Le deuxième volet des tests effectués, met en évidence l'apport individuel des différents
critères incorporés par le modèle à savoir le critère d'interférence totale, le critère de
robustesse spatiale et finalement le critère de robustesse dans le temps du plan de fréquences.
La pertinence du modèle ARF est en suite comparée au modèle AFF basée sur le
dimensionnement H2C.
A Pertinence individuelle des critères d'optimisation dans le modèle ARF

L'objectif des tests rapportés ci-après est d'étudier le type d'interactions subsistantes entre les
trois critères d'optimisation ainsi que leurs effets sur l'algorithme de recherche. Le critère
d'interférence globale, F1, représente le critère central du modèle. Par conséquent, l'étude
portera principalement sur l'impact de l'introduction des critères F2 et F3 sur la recherche.
a Pertinence individuelle du critère de robustesse spatiale du plan de fréquences

Pour mettre en évidence l'apport du critère de robustesse spatiale sur la recherche, nous
comparons les résultats obtenus à partir d'un côté l'optimisation exclusive du critère F1 et de
l'autre l'optimisation simultanée des deux critères F1 et F2, autrement dit, de la fonction
F1+F2. La table T AB. III-4 donne les valeurs des fonctions F1, F2 et F3 pour la meilleure
solution obtenue par chaque type d'optimisation sur un ensemble de 10 exécutions chacun.
Nous constatons que non seulement l'évaluation du critère de robustesse spatiale est meilleure
dans le cas de la solution produite par l'optimisation de la fonction F1+F2, le critère
d'interférence globale présente aussi une amélioration significative (336079 contre 363936).
Cette amélioration est notamment observable sur la figure FIG. III-6 qui présente la répartition
spatiale de la perte en trafic sur les 63 stations qui composent le problème B_63_2. Nous
6
utilisons l'évaluateur de qualité de PARCELL© (cf. annexe B.1) pour calculer la perte en
trafic due à un plan de fréquences. La perte en trafic est calculée pour un niveau de 4% FER.
La figure montre que l'introduction du critère de robustesse spatiale permet l'obtention de
plans de fréquences présentant moins de perte globale en trafic (13,34 Erl pour l'optimisation
de F1+ F2 contre 18,74 Erl pour l'optimisation de F1) ainsi qu'un maximum de perte plus petit
sur les stations (1,26 Erl contre 1,74 Erl).
TAB. III-4 Comparaison entre la solution trouvée par l'optimisation de la fonction F1 et celle produite
par l'o ptimisation de la fonction F1 +F2 pour le problème B_36_2.
Optimiser F1 Optimiser F1+F2
F1 363796 336079
F2 72859 45800
F3 67560 63784
6
Outil d'ingénierie des réseaux radiomobiles, propriété d'ORANGE et égalem ent une marque déposée par
France Télécom.
117
FIG . III-6 Répartition spatiale de la perte en trafic sur les 63 stations du réseau B_63_2 pour les deux
solutions trouvées respectivement par optimisation des fonctions F1 et F1 +F2 .
b Pertinence individuelle du critère de robustesse temporelle

De la même façon, nous évaluons la pertinence du critère de robustesse temporelle des
interférences en comparant le plan de fréquences généré par optimisation de la fonction F1 et
celui généré par optimisation de la fonction F1 +F3. L'évaluation des deux solutions ains i
générées est donnée dans la table T AB. III-5. Les résultats montrent une amélioration de la
qualité du plan de fréquences sur les plans de brouillage total et de robustesse. Sur le plan de
brouillage total on passe d'un coût de 363796 pour l'optimisation de la fonction F1 à 339529
pour l'optimisation de la fonction F1+F3. Comme on passe d'un coût de la fonction de
robustesse temporelle de 67560 pour l'optimisation de F1 à 64419 pour l'optimisation de
F1+F3. Cette amélioration est notamment observable à partir de la figure FIG. III-7 qui
présente l'évolution, le long des périodes, de la perte en trafic à 4% FER sur les deux plans de
fréquences comparés.
TAB. III-5 Comparaison entre la solution trouvée par l'optimisation de la fonction F1 et celle produite
par l'o ptimisation de la fonction F1 +F3 pour le problème B_36_2.
Optimiser F1 Optimiser F1+F3
F1 363796 339529
F2 72859 81718
F3 67560 64419
118
3.5
3
2.5
2
1.5
1
0.5
0
période1
période2
période3
période4
priode6
période5
optimiser F1 optimiser F1+F3
FIG . III-7 Comparaison de la répartition dans le temps de la perte en trafic sur le réseau entre les plans
de fréquences générés par optimisation des fonctions F1 et F1 +F3 .
B Comparaison entre l'Affectation Robuste des Fréquences et l'Affectation Fixe des

Fréquences
L'objectif de cette section est de comparer le modèle d'ARF par rapport à l'AFF basée sur le
dimensionnement H2C. Cette comparaison est effectuée en terme de perte en trafic calculée
par l'évaluateur de qualité de PARCELL.
H2C
L'affectation fixe de fréquences se base sur un graphe unique de contrainte G dont les
poids sont calculés à partir des données de trafic à la deuxième heure la plus chargée (cf.
5.3.1). La fonction objectif correspond, dans ce cas, à la satisfaction des contraintes dures et à
la minimisation des interférences inter-sites. L'équation (III.18) donne la fonction objectif
utilisée dans le modèle d'AFF.
 N Ri 1 Ri N , N Ri Rj
 N ,N Ri ,R j (III.18)
FH 2 C       C1(i, k , l )     C 2(i, j , k , l)      iH, j2,| Cfi ,k  f j ,l |

 i1 k 1 l k 1  i , j k ,l
 i, j k 1 l 1 
 i j 
La table T AB. III-6 ci-dessous affiche une comparaison entre les résultats obtenus par le
modèle ARF et les résultats du modèle AFF pour le problème D_639. Pour cela, deux plans de
fréquences sont comparés, l'un généré à partir du modèle ARF (équation (III.13)) et le
deuxième à partir du modèle AFF (équation III.18). Pour chaque heure, nous donnons
l'estimation de la perte en trafic en erlang calculée sur la base des trois seuils de qualité :
2%FER, 4%FER et 7%FER. En bas de la table, on présente le cumul de la perte en trafic sur
les 13 heures pour les deux plans de fréquences ainsi que le gain en communication obtenu.
Finalement on donne le maximum de perte enregistrée en une heure ainsi que le maximum de
cumul de perte enregistrée sur une seule station. Sur la base de ces trois critères, nous
observons que le modèle ARF présente de meilleures performances. Ainsi par exemple, la
perte en trafic estimée à 7% FER (généralement utilisé pour l'évaluation des communications
voix) passe de 151,41 erlang pour l'AFF à 137,66 erlang pour l'ARF offrant un gain de 13,85
erlang. La perte en trafic maximale enregistrée sur une heure passe de 19,50 à 17,85 erlang
toujours en 7% FER, exprimant une meilleure stabilité du plan de fréquences. Finalement la
perte en trafic maximale enregistrée sur une station passe de 9,57 erlang à 8,14 erlang
affichant là aussi une meilleure robustesse du plan dans l'espace.
119
TAB. III-6 Comparaison en terme de perte en trafic entre un plan de fréquences généré par le modèle
d'ARF et un autre généré par le modèle classique d'AFF. Le test est réalisé sur le problème D_639.
Traf ic perdu à 2% FER Traf ic perdu à 4% FER Traf ic perdu à 7% FER
(Erl) (Erl) (Erl)
Période Traf ic AFF ARF AFF ARF AFF ARF
7:00–8:00 504.11 5.16 4.58 2.91 2.45 1.62 1.32
8:00-9:00 1170.02 16.74 16.06 9.39 8.57 5.06 4.47
9:00-10:00 1747.71 31.14 31.04 17.47 16.65 9.37 8.93
10:00-11:00 2017.26 37.80 36.69 21.38 19.58 11.57 10.29
11:00-12:00 2177.03 42.14 42.42 23.92 22.56 12.95 11.67
12:00-13:00 2104.73 39.05 39.14 21.97 20.81 11.89 10.81
13:00-14:00 1863.42 32.94 32.95 18.43 17.98 10.13 9.36
14:00-15:00 1953.59 36.20 35.90 20.26 19.17 10.91 10.05
15:00-16:00 1984.12 38.46 37.66 21.81 20.39 12.01 10.60
16:00-17:00 2174.47 44.67 44.03 25.14 23.80 13.96 12.50
17:00-18:00 2521.20 52.77 52.87 29.37 29.35 16.37 15.00
18:00-19:00 2792.91 62.51 62.05 34.98 34.74 19.50 17.85
19:00-20:00 2743.83 54.97 54.93 30.65 30.03 16.93 15.72
Somme 490.46 488.62 275.24 264.49 151.41 137.66
G ain en trafic 1.84 10.75 13.75
Maximum par 62.51 62.05 34.98 34.74 19.50 17.85
période
Maximum par station 18.31 16.99 12.86 13.35 9.57 8.14
5.6 Conclusion
Nous avons proposé dans ce premier travail, un modèle d'affectation de fréquences tenant
compte des variations rapides des données de trafic (à l'échelle de l'heure). La rapidité de ces
changements empêche le réajustement heure par heure du plan de fréquences qui générerait
un trafic de signalisation supplémentaire dû aux procédures de handover. Le modèle proposé
noté ARF pour Affectation Robuste de Fréquences repose sur la notion de robustesse. Trois
critères sont retenus pour estimer la qualité d'un plan de fréquences à la lumière de la
variation journalière du trafic. Premièrement, le cumul sur les heures des interférences
enregistrées sur le réseau. Deuxièmement, la robustesse spatiale du plan de fréquences et en
fin la robustesse du plan de fréquence dans le temps.
Pour évaluer les performances de ce modèle, nous avons développé un algorithme

d'optimisation basée sur une hybridation des techniques génétiques et de recherche tabou.
L'algorithme se distingue, principalement, par l'utilisation d'une liste tabou commune à tous
les individus de la population. L'efficacité de l'algorithme a été évaluée par rapport à deux
autres algorithmes, l'un basé sur les algorithmes génétiques, l'autre basé sur la recherche
tabou. Ces tests ont confirmé l'intérêt du mécanisme d'hybridation adopté. La comparaison
avec l'algorithme génétique n'utilisant pas de liste tabou a permis de mettre l'accent sur
l'intérêt qu'a l'utilisation de cette structure sur les mécanismes de recherche de la méthode et
par là sur la qualité des résultats obtenus.
Sur un autre plan, la pertinence individuelle des critères de robustesse spatiale et de

robustesse temporelle a été étudiée. Cette analyse montre que l'introduction de ces critères
dans la fonction objectif permet non seulement d'améliorer la qualité de la solution suivant les
120
deux critères mentionnés mais permet également de réduire le volume global des
interférences. Par ailleurs, l'intérêt du modèle a été évalué en comparaison avec le modèle
classique basé sur le dimensionnement à la deuxième heure la plus chargée.
121
Chapitre 6 Echelle de variation moyenne du trafic :
planification multipériode des fréquences
Résumé. La variation du trafic à moyenne échelle de l'ordre de la journée présente des

périodes d'oisiveté du système propices à l'ajustement du plan de fréquences. Cette
observation ouvre la voie à la planification multipériode des fréquences. Nous analysons
dans ce chapitre les critères supplémentaires induits par le caractère multipériode du
problème principalement en ce qui concerne le coût de transition d'un plan de fréquences à
un autre. Nous étudions aussi les techniques d'optimisation permettant de maîtriser la
complexité combinatoire engendrée par la dimension multipériode du problème. A cette fin
quatre techniques d'optimisation multipériodique sont proposées. Trois d'entre elles désignent
des techniques d'optimisation à vision globale dont la méthode directe, la méthode
séquentielle et enfin la méthode parallèle. Une quatrième technique d'optimisation à vision
locale est proposée sous l'appelation de technique pas à pas. Des tests comparatifs entre ces
différentes techniques sont ainsi présentés.
Table des matières
6.1 Introduction......................................................................................................................123
6.2 Problème d'affectation multipériode de fréquences AM F................................................123
6.2.1 Notation de base ...................................................................................................124
6.2.2 Formulation du problème.....................................................................................125
6.3 Algorithme génétique hybride pour l'affectation multipériode de fréquences .................125
6.3.1 Optimisation directe .............................................................................................125
6.3.2 Optimisation indirecte ..........................................................................................129
6.4 Tests expérimentaux.........................................................................................................133
6.4.1 Performances des techniques d'affectation multipériode de fréquences ..............133
6.4.2 Comparaison entre affectation fixe de fréquences et affectation multipériode de
fréquences .............................................................................................................134
6.4.3 Comparaison entre les modèles AFF et AMF pour des données de trafic sur une
moyenne échelle (problème BM_120) ..................................................................135
6.5 Conclusion........................................................................................................................137
122
Partie III. Techniques d'optimisation dynamique pour la planification …
6.1 Introduction
La charge de trafic n'évolue pas de la même façon sur toutes les cellules du réseau. Cette
hétérogénéité implique une variation des performances du plan de fréquence dans le temps.
Autrement dit, un plan de fréquences conçu pour être optimal à la deuxième heure la plus
chargée ou sur la base du cumul des brouillages dans le temps n'est pas nécessairement
optimal pour chaque période prise séparément. L'objectif de ce travail est de fournir un
modèle de planification de fréquences multipériode permettant la génération d'une séquence
de plans de fréquences qui épouse l'évolution du trafic et où chaque plan de fréquences est
destiné à être opérationnel pendant une seule période.
Aux critères classiques liés aux interférences s'ajoute la notion de coût de transition. Ce coût
mesure l'effort à fournir ou le désagrément occasionné par le passage d'un plan de fréquences
à un autre. Le facteur coût de transition limite les possibilités d'ajustement fréquent du plan de
fréquences. Par conséquent, le modèle d'affectation multipériode de fréquences ou AMF se
base sur les variations à moyenne échelle du trafic, de l'ordre d'une journée ou d'une semaine.
Cette échelle de variation offre des périodes d'oisiveté du système, par exemple pendant la
nuit, propices au changement du plan de fréquences sans causer énormément de désagrément.
Plusieurs facteurs rendent le problème ainsi décrit plus complexe à traiter. Premièrement, la
taille combinatoire du problème se voit décupler en raison de la dimension multipériodique du
problème. En effet, il ne s'agit plus de trouver un seul plan de fréquences mais une séquence
de plans. Deuxièmement, le critère de coût de transition est de nature différente du critère
d'interférences ce qui rend les techniques d'agrégation des critères (dans une somme
pondérée) peu efficaces.
6.2 Problème d'affectation multipériode de fréquences AMF

Dans l'affectation fixe de fréquences ainsi que dans le modèle d'affectation robuste de
fréquences, un plan de fréquences unique est construit dans le but de rester opérationnel de
façon permanente malgré l'évolution du trafic. Le principe clé de l'optimisation est alors la
robustesse du plan dans le temps. Pour cela, les approches de modélisation se basent sur le
surdimensionnement des données de trafic, cas de l'AFF, ou sur des critères de robustesse
bien identifiés comme dans l'ARF.
Dans le cas de l'affectation multipériode de fréquences, nous supposons que l'évolution du

trafic suit un schéma cyclique d'une périodicité plus lente : semaine, mois, saison. Nous
supposons aussi que la charge en trafic est connue sur chaque cellule à chaque période du
cycle d'évolution. L'objectif est alors de trouver une séquence de plans de fréquences, un par
période. Chaque plan est conçu avec pour objectif la réduction des interférences se produisant
lors de sa période opérationnelle et de manière à minimiser les coûts de transition entre les
plans de fréquences.
Plusieurs critères peuvent être considérés pour mesurer le coût engendré par le passage d'un
plan de fréquences à un autre. Le critère usuellement utilisé est le nombre de fréquences
modifiées entre les deux plans de fréquences [M urray et Pesch 01]. D'autres critères peuvent,
néanmoins, revêtir un certain intérêt du point de vue opérateur tels que :
123
Chapitre 6. Echelle de variation moyenne du trafic : planification multipériode des fréquences
- Minimiser le nombre de stations touchées par la modification : Quand les

changements à opérer sont réalisés sur un nombre réduit de stations, la tâche de
synchronisation se retrouve simplifiée et le temps de transition et éventuellement le
désagrément d'une telle opération sont réduits.
- Minimiser le volume de trafic touché par le changement : Ce critère est lié au degré de
désagrément que peut causer le passage d'un plan de fréquences à un autre
particulièrement en terme de trafic de signalisation produit par les procédures de
handover.
6.2.1 Notation de base

Dans le modèle AM F, le critère de robustesse spatiale du plan de fréquences est ignoré. De
cette manière, la distinction entre interférence subie et interférence provoquée n'est plus
nécessaire. Les contraintes d'interférence sont, par conséquent, modélisées par un graphe non
orienté et les poids du graphe mesure l'interférence mutuelle entre les stations.
Nous introduisons ici les notations et définitions de base qui seront utilisées dans tout le reste
du chapitre.
- NP représente le nombre de périodes constituant le cycle d'évolution du trafic.
- NF désigne le nombre de fréquences disponibles.
-  i, j,d représente le volume d'interférence entre les stations i et j généré suite à

l'utilisation d'une paire de fréquences espacées de d canaux.
-  iH, j ,d2 C correspond à l'interférence mutuelle entre les stations i et j calculée sur la base
du trafic à la deuxième heure la plus chargée.
-  ip, j ,d correspond à l'interférence mutuelle entre les fréquences i et j calculée sur la base
des données de trafic à la période p.
Un assignement f i,k  [1..NF ] désigne la k

ème
- fréquence "permanente" affectée à la
station i.
Un assignement f i,pk  [1..NF ] désigne la k

ème
- fréquence allouée à la station i pendant
la période p.
- Un plan de fréquences est soit un vecteur d'assignements "permanents"

< f1,1 ,.., f1,R1 ,.., f N ,1 ,.., f N ,Rn > (cas de l'AFF) ou un vecteur d'assignements
"temporaires" < f1,1p ,.., f1,pR1 ,.., f Np,1 ,.., f Np,RN > (cas de l'AMF).
- Une séquence est un vecteur de plans de fréquences temporaires

f1,11 ,.., f1,1R1 ,.., f N1 ,RN ,.., f 1,1NP ,.., f1,NP NP
R1 ,.., f N , RN .
124
6.2.2 Formulation du problème

Dans l'affectation fixe de fréquences, un plan de fréquences unique est construit sur la base
des valeurs  iH, j ,d2 C . L'objectif est alors de trouver un vecteur d'assignements permanents
< f1,1 ,.., f1,R1 ,.., f N ,1 ,.., f N ,Rn > qui satisfait les contraintes co-station et co-site et qui minimise le
total d'interférence calculé par la fonction FH2C suivante :
FH 2 C   
i , j[1.. N ] k [1.. Ri ]
 iH, j ,|2 Cfi ,k  f j l | (III.19)
i j l[1.. R j ]
Le plan de fréquences ainsi trouvé est destiné à rester opérationnel le long de toutes les
périodes du cycle d'évolution du trafic. Par opposition, l'affectation multipériode de
fréquences vise à produire une séquence de plans de fréquences correspondant aux valeurs des
assignements temporaires f i,pj qui minimise les deux fonctions suivantes :
F    
p[1.. NP] i , j[1.. N ] k[1.. Ri ]
 i p, j ,| f p  f p |
i,k j ,l
(III.20)
i j l[1.. R j ]
C    
p[1.. NP1] i[1.. N ] k[1.. Ri ]
IND( f i,k  fi ,k )
p p 1 (III.21)
1 si condition est vraie

IND(condition)  
0 sinon
La fonction F représente la somme des interférences enregistrées sur l'ensemble des

périodes. La fonction C mesure, quant à elle, le coût de transition entre les plans de
fréquences composant la séquence, ce qui revient à la somme des coûts de transition entre
chaque paire de plans consécutifs de la séquence. Le critère du nombre de fréquences
modifiées est pris dans ce cas comme critère de transition.
6.3 Algorithme génétique hybride pour l'affectation multipériode de

fréquences
Pour les objectifs de la planification multipériode des fréquences, plusieurs techniques
d'optimisation ont été implémentées. Toutes basées sur l'algorithme génétique hybride
présenté dans le chapitre précédent. De façon générale, ces techniques sont classées en deux
grandes classes.
6.3.1 Optimisation directe

Le caractère multipériode du modèle d'AM F augmente la complexité combinatoire du
problème. Dans l'approche de résolution directe, le problème est considéré dans sa globalité
sans restriction sur l'espace de recherche. Un espace de recherche qui correspond dans ce cas
à l'ensemble des séquences de plans de la forme :
125
f1,11 ,.., f1,1R1 ,.., f N1 ,RN ,.., f 1,1NP ,.., f1,NP NP

R1 ,.., f N , RN
L'algorithme d'optimisation génère les différents plans de fréquences composant la séquences

d'une manière compétitive. A cette fin, il est nécessaire de réadapter les opérateurs de
recherche utilisés dans l'algorithme de base (cf. page 106).
A Fonction objectif
L'évaluation de la qualité d'une séquence de plans, repose sur les deux critères F pour la
somme des interférences provoquées le long de toutes les périodes et C pour le coût de
transition. La qualité d'un plan de fréquences dans la séquence est estimée en rapport avec les
autres plans de la séquence. Par conséquent, les modifications effectuées sur une partie de la
séquence peuvent conduire à d'autres changements sur la totalité de la solution.
Les critères d'interférences et de coût de transition sont agrégés au sein de la même fonction
objectif. Une valeur seuil S est alors définie comme étant le nombre maximum de
changements tolérés dans la séquence. Dépassant ce seuil, la qualité de la séquence est
pénalisée par une valeur M très grande (par rapport à l'échelle des valeurs de F ). La fonction
objectif à minimiser s'écrit alors sous la forme :
  (III.22)
 
F        C1(i , k , l , p)    C 2(i , j, k, l, p )  
p [1.. NP ]  i[1.. N ] k , l[1.. Ri ] i, j[1.. N ] k[1.. Ri ] 
 k l ij l[1.. R j ] 
F  M  IND(C  S  )
La première partie de la somme correspond à l'évaluation des contraintes dures (co-station et

co-site). La valeur de pénalisation  est déterminée comme expliquée dans le paragraphe
5.4.1. Les fonctions C1 et C2 modélisent toujours les contraintes co-stations et co-site et leurs
définitions est réadaptées afin d'intégrer la dimension multipériode du problème.
1 si | f i,pk  f i,pl | 3 (III.23)

C1(i , k , l, p )  
0 sinon
1 si | f i,pk  f jp,l | 2 et i et j sont d'un site identique (III.24)

C 2(i , j, k , l , p )  
0 sinon
B Population initiale
Pour la génération de la population initiale on a recours à une phase de pré-optimisation. Pour
chaque séquence de la population initiale, nous choisissons dans l'ordre une période p du
cycle d'évolution du trafic. Une phase d'optimisation est alors lancée ayant pour objectif la
génération d'un plan de fréquence pf adapté à la situation de trafic à la période p suivant la
fonction Fp décrite ci-dessous. Le plan de fréquences ainsi généré est repris dans les autres
périodes, produisant du coup une séquence <pf,..,pf> qui est insérée dans la population
126
initiale. Ce processus est ainsi réitéré pour les autres périodes générant de ce fait les
séquences de la population initiale.
Fp   
i , j[1.. N ] k [1.. Ri ]
 ip, j ,| f p  f p |
i ,k j,l
(III.25)
i j l[1.. Rj ]
De cette manière nous nous retrouvons avec des séquences de plans représentant un coût de
transition minimal, puisque le plan de fréquences est fixé sur toutes les périodes, ainsi qu'un
volume d'interférence optimal pour au moins une période. Ceci favorise via l'opérateur de
croisement, l'émergence de séquences bien adaptées à toutes les périodes.
C Opérateur de croisement
Etant donnée l'efficacité de l'opérateur de croisement géographique présenté au paragraphe
5.4.4, une version multipériode de celui-ci a été adoptée. Le but est de permettre l'échange des
configurations spatiales et temporelles entre les séquences. Plus précisément, l'opérateur de
croisement multipériode permet de greffer l'évolution du plan de fréquences sur une partie du
réseau dans une autre séquence. A cette fin, une station r de référence est aléatoirement
sélectionnée et son voisinage V(r) calculé. Puis la partie correspondante aux stations {r}V(r)
est échangée dans les deux séquences parents, autrement dit, l'ensemble des assignements
{ f i,pk / i  {r}  V (r ) }. L'opérateur de croisement géographique version multipériode est décrit
dans la figure ci-après.
Stations Station de
interférentes référence Séquence Plan de fréquences
Stations
interférentes
Périodes
Réseau Parent 1 Parent 2 Fils 1 Fils 2
FIG . III-8 Opérateur de croisement géographique adapté à l'affectation de fréquences multipériode.
D Opérateur de mutation
Deux variantes de l'opérateur de recherche tabou décrit dans le chapitre précédent ont été
implémentées. La première variante (M 1) procède au changement d'un seul assignement f i,pk .
D'abord, une période p est aléatoirement choisie et les scores de violation des assignements
f i,pk sont calculés suivant la formule III.26. Une fois un assignement f i*,p k * est choisi
proportionnellement aux scores de violation, une nouvelle fréquence lui est attribuée de façon
127
à produire la meilleure séquence voisine. Après quoi, les éléments (p,i*,k*,f_anc) et

(p,i*,k*,f_nouv) sont ajoutés à la liste tabou.
 Ri N Rj
 (III.26)
SCOREi ,k      C1(i , k , l )    C 2(i, j , k , l )       ip, j,| f p  f p |

NP

p 1  l 1
 p [1..NP ] j[1..N ] l[1..R ]

i ,k j ,l
j 1 l1
 l k 
j
j i
La deuxième variante de l'opérateur de mutation notée M 2 affecte une même fréquence à

l'ensemble des assignements temporaires d'une même position. Plus précisément, après le
choix de l'assignement f i*,p k * à changer, la fréquence conduisant à la meilleure séquence est
attribuée à l'ensemble de tous les assignements f i*,q k * (  q  [1..NP ] ). Une fois le mouvement
effectué, les éléments (p,i*,k*,f_anc) et (TOUT,i*,k*,f_nouv) sont insérés dans la liste tabou,
où f_anc et f_nouv désignent l'ancienne et la nouvelle valeur de l'assignement f i*,p k * . L'élément
(TOUT,i*,k*,f_nouv) signifie que la fréquence f_nouv ne peut être attribuée à l'assignement
(i*,k*) à aucune période, alors que l'élément (p,i*,k*,f_anc) empêche l'attribution de la
fréquence f_anc uniquement à l'assignement f i*,p k * .
Les deux opérateurs M 1 et M2 sont utilisés d'une manière compétitive avec les probabilités
Pm1 et 1-Pm1. L'algorithme ci-dessous reprend les grandes lignes de la procédure de
recherche tabou.
Algorithme III-10 Opérateur de recherche tabou multipériode

Données : séquence de plans seq
Résultats : séquence de plans meilleure_seq
Début
meilleure_seq := seq
p=aléatoire(NP)
CalculerScores(seq[p])
Pour iter := 1 à NIRT
(i,k) := ChoisirAssignement(Seq[p])
f_ancienne := seq[p,i,k]
f_nouvelle := ChoisirFréquence(seq,p,i,k)
Avec la probabilité Pm1 faire
AjouterListeTabou(p,i,k,f_ancienne)
AjouterListeTabou(p,i,k,f_nouvelle)
Sinon faire
AjouterListeTabou(p,i,k,f_ancienne)
AjouterListeTabou(TOUT,i,k,f_nouvelle)
Fin avec
M iseAJourScores(seq)
Si M eilleureQue(seq,meilleure_seq) alors meilleure_seq:=seq
Fin pour
Fin.
128
6.3.2 Optimisation indirecte

Dans les méthodes d'optimisation indirecte, le problème initial est décomposé en plusieurs
sous-problèmes de moindre complexité mais réduisant du coup l'espace de recherche. Sur
chaque sous-problème, une phase d'optimisation est lancée afin de produire une partie de la
séquence finale. Pour ce faire, les différentes phases d'optimisation manipulent des individus
de type plan de fréquences.
Trois algorithmes d'optimisation indirecte ont été proposés pour la résolution du problème
d'AM F. La description de ces algorithmes est donnée ci-dessous.
A Optimisation pas à pas

La séquence optimale des plans de fréquences est générée dans ce cas d'une manière itérative.
Les périodes sont traitées par ordre chronologique et à chaque itération, une période est
considérée. Un plan de fréquences est alors produit (par optimisation) sur la base de la
situation en trafic à la période traitée et de telle manière à réduire le coût de transition avec le
plan précédent. La solution finale correspond à la séquence des plans ainsi générés. Notons
qu'à chaque itération, la partie de la séquence optimale déjà construite n'est aucunement
remise en cause lors des itérations futures. L'algorithme suivant présente les différentes étapes
de l'algorithme d'optimisation pas à pas. La valeur S désigne le nombre maximal de
changements tolérés entre chaque paire de plans de fréquences consécutifs dans la séquence.
Ce seuil sert à agréger les deux fonctions partielles Fp pour le volume d'interférence à la
période p (équation III.25) et C p pour le coût de transition à partir du plan de fréquences
précédent.
N Ri (III.27)
C p    IND( f i,pk  fi ,pk1 )
i 1 k 1
Algorithme III-11 Optimisation pas à pas

Résultats : séquence de plans de fréquences seq
Début
Trouver pf1=< f1,11 .. f N1 ,RN > qui minimise : F1
Pour p := 2 à NP
Trouver pfp =< f1,1p .. f Np,RN > qui minimise :
Fp  M  IND(C p  S )
Fin pour
seq := < pf1.. pfNP >
Fin.
B Optimisation séquentielle
L'idée principale consiste à utiliser un plan de fréquences robuste comme point de départ de la
recherche. Le plan de fréquences robuste est soit généré par l'utilisation de l'algorithme d'AFF
129
soit par l'algorithme décrit dans le chapitre précédent se rapportant au modèle d'ARF. Plus
précisément, une phase d'optimisation initiale est exécutée ayant pour fonction objectif la
fonction FH 2 C . Le résultat de cette phase est un plan de fréquences plus au moins robuste aux
variations de trafic. La séquence optimale est alors construite de façon itérative suivant l'ordre
chronologique des périodes exactement comme pour l'optimisation pas à pas. Excepté le plan
de fréquences associé à la période initiale, qui est généré à partir du plan robuste en respect de
la contrainte de coût de transition. L'algorithme ci-dessous décrit la procédure générale
d'optimisation séquentielle.
Algorithme III-12 Optimisation séquentielle

Début
Trouver pf0=< f1,10 .. f N0 ,RN > qui minimise : FH 2 C
Pour p := 1 à NP faire
Fp  M  IND(C p  S )
Fin pour
Fin.
C Optimisation parallèle
L'aspect itératif de l'optimisation séquentielle et pas à pas les rend énormément lentes. Pour
pallier cet inconvénient, une variante parallèle de la technique d'optimisation séquentielle est
proposée. Dans ce cas, les plans de fréquences associés aux périodes sont construits d'une
façon parallèle à partir du plan de fréquences robuste. Pour mettre en évidence cette
différence nous donnons ici le schéma de fonctionnement de l'algorithme d'optimisation
parallèle.
Algorithme III-13 Optimisation parallèle

Début
Trouver pf0=< f1,10 .. f N0 ,RN > qui minimise : FH 2 C
Pour p := 1 à NP faire en parallèle
Fp  M  IND(C p  S )
Fin pour
Fin.
130
La fonction C p dans ce cas mesure le coût de transition entre le plan de fréquences associé à
la période p et le plan de fréquences robuste représenté par les valeurs f i0,k . La fonction C p
s'écrit alors sous la forme :
N Ri (III.28)
C p    IND( f i,pk  fi 0,k )
i 1 k 1
Dans l'optimisation parallèle, la signification du seuil S est légèrement différente. En effet, S

représente le nombre maximal de changements tolérés entre le plan de fréquences de la
période p et le plan robuste. Ceci nous garantit que le nombre de changements maximal entre
n'importe quelle paire de plans dans la séquence ne dépasse pas la valeur 2  S .
Précisons enfin, que l'algorithme d'optimisation parallèle a été implémenté sur une ferme de
stations HP sous l'environnement de programmation parallèle PVM (Parallel Virtual
M achine).
131
Plan de fréquence P1
Optimisation
Périodes Plan de fréquence P2
(a)
Plan de fréquence PNP
Données de trafic Solution
Optimisation Plan de fréquences P1

Périodes
(b)
Optimisation Plan de fréquences PNP

(c)

Plan de fréquences P0

Optimisation

(d)
FIG . III-9 T echniques d'optimisation multipériode pour l'affectation de fréquences. (a) optimisation
directe; (b) optimisation pas à pas; (c) optimisation séquentielle; (d) optimisation parallèle.
La figure FIG. III-9 reprend de manière schématique l'ensemble des quatre algorithmes
d'optimisation décrit ci-dessus. Notons que seules les techniques basées sur l'optimisation
directe et l'optimisation indirecte parallèle permettent de prendre en compte le principe de
périodicité de la séquence. Autrement dit, la transition à partir du dernier plan de la séquence
vers le premier doit aussi respecter un certain critère de coût de transition. Ce principe peut
facilement être incorporé dans la fonction de coût de transition utilisée par l'optimisation
directe.
    (III.29)
C      IND( fi ,pk  f i ,pk1 )      IND( f i,NP k  f i, k ) 
1
 p[1..NP 1] i[1..N ] k[1..Ri ]   i[1..N ] k[1..Ri ] 
132
Le critère de périodicité est, quant à lui, directement vérifié dans l'optimisation parallèle,
puisque le nombre de changements entre n'importe quelle paire de plans de la séquence ne
dépasse pas 2  S . La prise en compte du principe de périodicité apparaît plus complexe dans
le cas de l'optimisation pas à pas et de l'optimisation séquentielle.
6.4 Tests expérimentaux

Deux objectifs sont retenus dans cette section : premièrement, comparer les différentes
techniques d'optimisation proposées pour le problème d'AM F et deuxièmement, comparer les
résultats de l'affectation fixe de fréquences, AFF, avec ceux de l'affectation multipériode.
Cette deuxième comparaison est effectuée selon deux critères : les fonctions d'évaluation et la
perte en trafic occasionnée.
Les tests expérimentaux ont porté sur trois instances de problème. Les deux premières
instances concernent les problèmes B_63_2 et D_639 décrits dans le chapitre précédent. La
troisième instance, BM _120, est un problème réel composé de 120 stations de base et 62
fréquences disponibles. Les données de trafic sont analysées sur une durée d'une semaine,
jour par jour.
6.4.1 Performances des techniques d'affectation multipériode de fréquences

Les quatre algorithmes d'optimisation décrits ci-dessus sont comparés. La table T AB. III-7
présente les résultats obtenus par chaque algorithme sur les deux problèmes B_63_2 et
D_639. Chaque algorithme est lancé 5 fois sur chaque instance de problème. Seule la
meilleure solution est reportée dans la table.
Deux implémentations de l'algorithme d'optimisation direct sont présentées. La première

utilise uniquement l'opérateur de mutation M 1. La seconde implémentation utilise d'une
manière parallèle les deux opérateurs M 1 et M 2. Pour chaque technique, nous donnons le
nom, l'objectif et éventuellement l'opérateur de mutation employé. Les solutions obtenues
sont comparées sur la base de leurs coûts d'interférence Fp et de leurs coûts de transition C p
en chaque période aussi bien que leurs sommes dans le temps.
Les colonnes (2) et (3) montrent l'intérêt d'utiliser les deux opérateurs de mutation de manière
coopérative dans l'optimisation directe. En effet les résultats de l'utilisation conjointe des
opérateurs de mutation M 1 et M2 sont nettement meilleurs. Ceci s'explique par le fait que
l'utilisation exclusive de l'opérateur M 1, fait que le coût de transition atteint rapidement le
seuil S et par conséquent ralentit l'évolution de l'algorithme.
L'algorithme d'optimisation pas à pas offre des résultats moyens dus à l'absence d'une vision
globale lors de la recherche. En effet, à chaque étape, l'algorithme optimise le plan de
fréquences associé à la période courante à la lumière de la situation actuelle du trafic et sans
tenir compte des évolutions futures.
L'observation principale, cependant, reste le fait que les techniques d'optimisation indirectes,
représentées par les colonnes (4) et (5), sont celles qui présentent les meilleurs résultats. On
note aussi que les résultats de l'algorithme séquentiel et parallèle sont très proches.
133
TAB. III-7 Comparaison entre les différents algorithmes d'affectation multipériode de fréquences
(1) (2) (3) (4) (5)
Nom Pas à pas Direct Direct Séquentiel Parallèle
Objectif Fp +IND(Cp>S), F +IND(C>S ), F +IND(C>S ), Fp +IND(Cp>S), Fp +IND(C'p >S),
S=30, 50 S =130, 600 S =130, 600 S=30, 50 S=30, 50
Mutation M1 M1+M2
Coût Fp Cp Fp Cp Fp Cp Fp Cp Fp Cp
P0 62340 0 68828 0 57110 0 51569 0 51322 0
P1 59740 29 66587 27 57431 38 49123 25 49012 27
P2 53525 30 58725 23 47318 37 41837 20 41750 23
B-63-2
P3 52350 30 55135 34 43402 15 40922 27 41033 19

P4 62282 30 61645 15 52139 21 48144 25 48281 28
P5 63484 30 65181 21 56880 15 51650 6 51584 10
Total 353721 149 342732 130 314280 126 283245 103 282982 107
7:00 17289 0 18014 0 16026 0 16663 0 16458 0
8:00 47376 50 48363 50 45832 50 43268 50 42875 50
9:00 80311 50 83892 50 75913 50 73962 50 73784 50
10:00 99960 50 103470 50 89749 50 85750 50 85912 48
11:00 106898 50 109018 50 98944 50 94713 50 94799 50
12:00 103367 50 105913 50 95013 49 92103 38 92355 46
D-639
13:00 87468 50 89354 50 82832 49 77725 50 77623 50

14:00 88088 50 91325 50 83549 48 77904 50 77789 50
15:00 92669 50 95102 50 90114 50 82921 44 82805 46
16:00 104715 49 106822 50 99322 50 92023 49 91987 47
17:00 124727 48 128341 50 119444 48 110814 45 110612 50
18:00 138748 50 143755 50 136617 44 128595 33 128904 30
19:00 124642 50 126015 50 125029 41 119212 45 119447 42
Total 1216258 597 1249384 600 1158387 579 1095653 554 1095350 559
6.4.2 Comparaison entre affectation fixe de fréquences et affectation

multi période de fréquences
Afin d'analyser les performances du modèle d'AMF par rapport au modèle d'AFF, nous
comparons la séquence de plans obtenue par l'optimisation parallèle (décrit à la page 130)
avec un plan de fréquences obtenu avec l'algorithme d'affectation fixe de fréquences (décrit à
la page 123 et basé sur le trafic H2C). Les solutions comparées sont issues du meilleur
résultat obtenu par chaque algorithme à partir de 5 exécutions sur le problème D_639. T AB.
III-8 et T AB. III-9 effectuent cette comparaison sur les deux plans : fonctions de coût (T AB.
III-8) et perte en trafic (T AB. III-9). Tout d'abord, on observe que les coûts de transition pour
la solution AFF sont toujours égales à zéro dans T AB. III-8, ce qui est normal vu que la
solution consiste en un plan de fréquences fixe tout le long des périodes. Notons aussi que les
coûts de transition pour la solution AMF atteignent souvent le seuil de changement S=50.
Ceci traduit des variations importantes du trafic nécessitant des réadaptations consistantes du
plan de fréquences à chaque période. En terme de perte en trafic, T AB. III-9 montre que
l'utilisation du modèle AM F permet de réduire la perte en trafic d'un taux atteignant dans
certains cas les 8%.
134
TAB. III-8 Comparaison entre AFF et AMF en terme de fonctions de coût. T ests effectués sur le
problème D_639. Les solutions reportées consistent en la meilleure solution obtenue à partir de 5
exécutions.
Nom AFF AMF (optimisation
parallèle)
Objectif F2B Fp+IND(C' p>50)
Coût Fp Cp Fp Cp
7:00 17944 0 16458 0
8:00 47065 0 42875 50
9:00 78944 0 73784 50
10:00 92338 0 85912 48
11:00 102398 0 94799 50
12:00 96356 0 92355 46
D-639
13:00 84723 0 77623 50

14:00 86766 0 77789 50
15:00 94820 0 82805 46
16:00 104131 0 91987 47
17:00 121026 0 110612 50
18:00 138218 0 128904 30
19:00 125507 0 119447 42
Total 1189467 0 1095350 559
TAB. III-9 Comparaison entre les solutions AFF et AMF présentée dans TAB. III-8 en terme de perte
en trafic
Périodes Traf ic AFF AMF G ain
7h-8h 504 1.60 1.47 8.12%
8h-9h 1161 4.90 4.77 2.6%
9h-10h 1746 9.58 9.57 0.1%
10h-11h 2015 10.65 11.27
11h-12h 2168 12.30 12.19 0.9%
12h-13h 2092 11.42 11.45
13h-14h 1861 9.84 9.39 4.5%
14h-15h 1944 10.30 9.75 5.3%
15h-16h 1972 11.15 10.30 7.6%
16h-17h 2160 12.77 12.25 4%
17h-18h 2486 15.75 14.40 8.5%
18h-19h 2745 19.01 17.83 6.2%
19h-20h 2696 16.71 15.82 5.3%
Total 25550 145.98 140.46
6.4.3 Comparaison entre les modèles AFF et AMF pour des données de trafic
sur une moyenne échelle (problème B M_120)
Dans T AB. III-10 et T AB. III-11, nous comparons deux solutions générées pour le problème
BM _120. Le réseau est composé de 120 stations avec un total de 325 TRX. Nous disposons
des données de trafic minute par minute pendant une semaine. Ces données sont agrégées
selon le principe de l'Erlang afin d'avoir le trafic sur le réseau heure par heure de 10:00h à
17:00h. Le trafic à la deuxième heure la plus chargée est retenu pour chaque journée
constituant ainsi les données de trafic jour par jour du réseau. La figure FIG. III-10 représente
l'évolution des niveaux de trafic sur le réseau. Nous observons que sur certaines régions, la
période de week-end s'accompagne d'une baisse de la charge en trafic. Alors qu'au même
temps d'autres régions observent une stabilité voire une augmentation du trafic pendant cette
période.
135
Jeudi 27 j uin 2002 Samedi 29 j uin 2002
Stabilité du
niv eau de traf ic
Dimanche 30 j uin 2002 Deuxième j our le plus chargé
Baisse du niv eau

de traf ic
FIG . III-10 Evolution des niveaux de trafic sur le réseau BM_120.
Les deux solutions comparées consistent en un plan de fréquences généré en utilisant le

modèle d'AFF, et une séquence de plans produite par l'algorithme d'optimisation parallèle
pour le modèle d'AM F. Comme pour le problème D_639, nous comparons les deux solutions
en terme de fonctions de coût (T AB. III-10) et de perte en trafic (T AB. III-11). Il est alors
intéressant d'observer que pendant le week-end, la réadaptation du plan de fréquences
nécessite plus de changements. En effet, pour le samedi et le dimanche le seuil de coût de
transition est atteint. Ceci s'explique par le fait que la situation de trafic durant le week-end est
énormément différente du reste de la semaine et dépend essentiellement de la nature des zones
traitées (industrielle, résidentielle…). Cette observation se traduit dans T AB. III-11 par une
amélioration conséquente dans le modèle AM F de la qualité des plans pendant le week-end
(de l'ordre de 8 % le samedi et de 11.4 % le dimanche). Certe dans l'exemple présenté, la
baisse en trafic caractérisant le weekend réduit l'intérêt d'une conception d'un plan
spécialement pour le samedi et le dimanche. Cependant, cet intérêt augmente avec l'étude de
réseaux ou de parties de réseaux présentant une activité importante du trafic pendant le
weekend.
136
TAB. III-10 Comparaison entre les modèles AFF et AMF en terme de fonction de coût. Les tests sont
effectués sur le problème BM_120.
AFF AMF
Jours F2B Fp+IND(C' p>50)
Fp Cp Fp Cp
Lundi 24 juin 39219 0 38708 31
Mardi 25 juin 40171 0 39647 21
Mercredi 26 juin 40140 0 39866 15
Jeudi 27 juin 44537 0 44226 19
Vendredi 28 juin 42958 0 42504 24
Samedi 29 juin 30543 0 28890 50
Dimanche 30 juin 23221 0 21306 50
TAB. III-11 Perte en trafic enregistrée pour les solutions obtenues à partir des modèles AFF et AMF.
Jours Traf ic AFF AMF G ain

Lundi 24 juin 183 3.62 3.60 0.55%
Mardi 25 juin 246 3.65 3.35 8%
Mercredi 26 juin 340 3.76 3.71 1%
Jeudi 27 juin 364 4.28 3.97 7%
Vendredi 28 juin 340 4.07 3.98 2%
Samedi 29 juin 338 2.66 2.44 8%
Dimanche 30 juin 322 1.76 1.59 11.4%
Total 2133 23.8 22.64
6.5 Conclusion
Dans ce chapitre, nous avons proposé un modèle d'affectation multipériode de fréquences
(AM F) adapté à l'évolution à moyenne échelle du trafic (de l'ordre du jour ou de la semaine).
Dans ce cas, le réajustement périodique du plan de fréquences est possible permettant
l'élaboration d'une séquence de plans de fréquences adaptée à l'évolution du trafic dans le
temps. En plus des critères classiques liés à la réduction des interférences, nous avons
introduit un nouveau critère d'optimisation basé sur la notion de coût de transition entre plans
de fréquences.
En se basant sur le modèle AM F, nous avons développé plusieurs techniques d'optimisation

pour la production d'une séquence de plans de fréquences. Ces techniques se présentent
comme une réadaptation de l'algorithme génétique hybride appliqué à l'affectation fixe de
fréquences. Ces techniques sont classifiées selon la façon dont la séquence finale est produite
en : optimisation directe ou la séquence des plans est générée d'une manière coopérative et
optimisation indirecte ou les différents plans de la séquences sont générés séparément.
Les tests expérimentaux effectués ont permis de montrer l'efficacité du modèle AM F comparé
au modèle d'AFF. Cette amélioration a été nettement observée sur le problème BM _120 où
l'évolution du trafic est étudiée sur une semaine. Les différences morp hologiques du trafic
entre le week-end et le reste de la semaine font observer un gain de trafic de l'ordre de 11%
pour le modèle AM F pendant le samedi et le dimanche.
137
Chapitre 7 Echelle de variation lente du trafic : planification
des capacités cellulaires
Résumé. Dans ce chapitre, nous nous plaçons dans le cadre d'une évolution long terme du
trafic de l'ordre du mois. Le caractère long terme de l'évolution du trafic, rend difficile la
prévision des données futures. De ce fait le réajustement du réseau ne peut s'effectuer que pas
à pas. La croissance du trafic pousse le concepteur à prévoir des augmentations des
capacités des cellules. Un réajustement qui se traduit par l'installation de nouveaux TRX sur
les stations. Cependant, l'augmentation des capacités cellulaires induit une utilisation
intensive des fréquences pouvant entraîner un taux d'interférence plus élevé. Nous proposons
dans ce chapitre un modèle de planification des capacités cellulaires bi-critère tenant compte
des phénomènes d'interférence et de blocage. Nous proposons deux techniques d'optimisation
multicritère pour la résolution du problème.
Table de matières
7.1 Introduction.....................................................................................................................139
7.2 Phénomène de blocage....................................................................................................139
7.2.1 Modélisation temporelle du trafic......................................................................140
7.2.2 Calcul du taux de blocage..................................................................................140
7.3 Phénomène de rappel après blocage ...............................................................................141
7.4 Phénomène d'interférence ...............................................................................................143
7.4.1 Plan de fréquences entier ...................................................................................143
7.4.2 Planification de fréquences et capacité des cellules ..........................................143
7.5 Planification des capacités cellulaires sous contrainte d'interférence .............................145
7.6 Extraction des données de trafic offert ...........................................................................146
7.7 Technique d'optimisation -contrainte pour la planification des capacités cellulaires sous
contrainte d'interférence ..........................................................................................................146
7.8 M odèle bi-critère pour la planification des capacités cellulaires ....................................148
7.9 Algorithme génétique multicritère pour la planification des capacités cellulaires .........149
7.9.1 Schéma général de l'AGMO...............................................................................150
7.9.2 Codage de la solution ........................................................................................151
7.9.3 Opérateurs de croisement et de mutation ..........................................................152
7.9.4 Archivage des solutions Pareto..........................................................................153
7.10 Résultats expérimentaux .................................................................................................155
7.10.1 Validation du module d'extraction du trafic offert.............................................155
7.10.2 Validation de l'algorithme -contrainte pour la planification des capacités
cellulaires .......................................................................................................................156
7.10.3 Validation de l'algorithme génétique multicritère pour la planification des
capacités cellulaires .......................................................................................................158
7.11 Conclusions et perspectives ............................................................................................159
138
7.1 Introduction
Face à l'évolution de la demande en communications, les opérateurs téléphoniques sont
contraints d'accroître régulièrement la capacité en trafic des composants du réseau. Au niveau
cellulaire ceci se traduit par l'augmentation du nombre d'émetteurs/récepteurs (TRX) installés
sur la station de base. Afin de déterminer le nombre de TRX nécessaires sur une cellule,
l'opérateur se fixe un seuil de qualité noté GoS (Grade of Service). Ce seuil correspond à une
estimation du pourcentage maximal toléré de communications bloquées. Autrement dit le taux
de blocage.
La détermination du seuil de blocage optimal est a priori difficile. D'un côté, l'opérateur est
tenté d'accroître le nombre de TRX de chaque cellule jusqu'aux limites techniques permises.
Ceci dans le souci de réduire ce taux de blocage au maximum et par conséquent à écouler le
plus de trafic. D'un autre côté, l'augmentation du volume de trafic supporté par le réseau
conduit à une utilisation intensive des ressources radio et par conséquent à l'augmentation des
interférences.
Ceci nous conduit donc à une formulation bi-critères du problème de planification cellulaire.
Deux critères antagonistes sont à prendre en compte : réduire le taux de blocage tout en
minimisant les interférences. Pour traiter ce problème, deux techniques basées sur les
algorithmes génétiques sont proposées. L'objectif est d'offrir plusieurs possibilités pour la
configuration des capacités cellulaires. Chaque configuration représentant un compromis
différent entre la perte en trafic due au blocage et la perte causée par les interférences.
Par ailleurs, la planification des capacités cellulaires soulève un autre problème lié à la
connaissance des volumes de trafic offerts sur chaque cellule. En effet, les données dont
dispose le décideur se résument en des données statistiques et agrégées des événements
remontés du réseau. Il est donc indispensable de recourir à des modèles de calcul permettant
l'extraction du trafic offert à partir des données réseau.
7.2 Phénomène de blocage

Dans un système TDM A (Time Division Multiple Access) un TRX est assimilé à 8 canaux de
transmission. On fera la distinction entre deux types de canaux : les canaux dédiés qui servent
à des tâches de contrôle et de signalisation, et les canaux de trafic qui servent à écouler des
communications. Par conséquent, le nombre de canaux de trafic disponibles sur une station se
déduit facilement de l'égalité suivante :
nombre de canaux de trafic=nombre de TRX  8 - nombre de canaux dédiés (III.30)
La table T AB. III-12 donne la correspondance entre le nombre de TRX sur une station et le
nombre de canaux de trafic associé. Le nombre de communications simultanées qu'une station
peut desservir est donc déterminé par le nombre de canaux de trafic disponibles. Une fois ces
canaux occupés, toute tentative de communication se voit bloqué et éjecté du système. La
station ne pourra alors accepter de nouvelles communications qu'après la libération d'au moins
un canal de trafic.
139
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
TAB. III-12 Correspondance entre le nombre de T RX et nombre de canaux de trafic.
Nombre de TRX 1 2 3 4 5 6 7 8
Nombre de canaux
7 14 22 29 36 44 51 59
de trafic
7.2.1 Modélisation temporelle du trafic

Dû à la fluctuation temporelle du trafic, le taux de blocage est généralement estimé à partir du
trafic offert à l'heure la plus chargée sur chaque station. Notons par Ti offe rt le trafic offert sur la
station Si mesuré en Erlang. La valeur Ti offe rt ne représente qu'une modélisation statique de la
situation de trafic à l'heure chargée définissant le nombre moyen de communications
simultanées pendant cette heure.
Une multitude de travaux dans le domaine de l'ingénierie de trafic tendent à modéliser le

trafic voix dans les réseaux téléphoniques par une loi de poisson [Jabbari et Fuhrmann 97]
[M arsan et al. 01] [Tunnicliffe et al. 98]. Tunnicliffe et al. présentent une étude approfondie
sur la pertinence de la modélisation poissonnienne du trafic appelée aussi modèle Erlang B
[Tunnicliffe et al. 98].
Dans le modèle Erlang B, l'intervalle séparant l'arrivée des nouvelles communications ainsi
que la durée des communications sont considérés suivant des lois exponentielles de moyennes
respectives 1 i et i (mesurées en heures). Etant donnée que la durée moyenne séparant
l'arrivée de deux communications consécutives sur la station Si est de 1 i , on peut en
déduire que le nombre moyen de nouvelles communications par heure est de i . Sachant que
la durée moyenne d'une communication est de i , la quantité de trafic offert sur la station Si
est estimée par le produit i   i .
Ti offe rt  i  i (III.31)
7.2.2 Calcul du taux de blocage

A partir de la modélisation décrite ci-dessus le taux de blocage sur une station peut être
déterminé de deux manières. La première consiste à réaliser la simulation informatique du
processus d'arrivée des communications et de leur traitement dans le système. La deuxième
consisterait à utiliser tout simplement la formulation analytique du taux de blocage décrite par
la formule d'Erlang B (B-Erlang formula) (équation III.32).
1 (III.32)
Bi  c  
c
 c   c 1   c  k  1 
1    offe rt   offe rt    offer t 
k 1  Ti   Ti   Ti 
Où c représente le nombre de canaux de trafic disponibles sur la station.
140
7.3 Phénomène de rappel après blocage

L'estimation du taux de blocage Bi sur une station est étroitement dépendante de notre
estimation du trafic offert sur la station comme il est montré dans l'équation III.32. D'un point
de vue pratique, le trafic offert est difficilement mesurable à partir des données remontées du
réseau. Le modèle stochastique présenté au paragraphe (§ 7.2.1) part de l'hypothèse selon
laquelle les demandes en communication sont indépendantes. Cependant, un rejet d'une
communication entraîne souvent des tentatives de rappel automatique de la part du système
(retrial) et des rappels manuels de la part des abonnés (redial). De cette façon, les données
contenues dans l'OMC (Operations and Maintenance Center) présentent d'une part une
agrégation des nouvelles demandes acceptées Nai et des rappels acceptés Rai et d'autre part
une agrégation des nouvelles demandes bloquées Nbi et des rappels bloqués Rbi .
Acceptéi  Nai  Rai (III.33)
Bloquéi  Nbi  Rbi (III.34)
Onur et al. [Onur et al. 00] proposent un modèle analytique permettant d'estimer le nombre de
demandes de communications originales ( Nai  Nbi ) à partir seulement du nombre de
communications acceptées Acceptéi et du nombre de communications bloquées Bloquéi .
Dans ce modèle on considère que suite à un blocage d'une nouvelle demande, une succession
de rappels automatiques sont lancés. Ces tentatives sont arrêtées soit suite à l'acceptation de la
communication soit ayant atteint le nombre de rappels automatiques maximal n. Si la
communication est rejetée, l'utilisateur décide de refaire l'appel avec une probabilité  .
Le cycle de vie d'une communication dans le système est décrit dans FIG. III-11. La valeur Bi*
désigne le taux de blocage observé sur la station i, c.-à-d le rapport entre le nombre de
demandes bloquées et le nombre total de demandes.
Bloquéi (III.35)
Bi* 
Acceptéi  Bloquéi
141
Appel 1-B*
B*
1-B*
Rappel 1
B* Accepté
1-B*
Rappel 2
B* 1-B*
B*
1-B*
Rappel n
Rappel
B* (-1)B* Abandonné
usager
FIG . III-11 Modèle d'évolution d'un appel (Onur et al..)
Selon ce modèle, le nombre moyen de rappels que se soit automatique ou manuel par
demande originale est de :
 (III.36)
 j (n 1)  k  B*(i jn k ) (1  Bi* )  * j
n 1

Taux _ rappeli   k 0
 
( Bi )
 
j
   ( j  1)n  j  B*( j 1) n (1   B) 
 i 
 Bi*n1 Bi 1  Bi 
* * n
 
1   Bi * n 1
1  Bi* 1   Bi*n1 
Connaissant cette valeur, le calcul du nombre de communications originales effectif est
simple. Il suffit pour cela de considérer que la somme des demandes enregistrées (bloquées et
acceptées) est le résultat des demandes originales et de leurs rappels. Autrement dit :
 Na i
 Nbi  *(Taux _ rappeli  1)  Acceptéi  Bloquéi
D'où
Accepté i  Bloqué i (III.37)

N i  Nai  Nbi 
Taux _ rappel i  1
Pour pouvoir calculer le trafic offert sur une cellule, il est nécessaire d'avoir une estimation de
la durée moyenne d'une communication. Ceci est fait en divisant la quantité de trafic écoulé
Ti obser vé par le nombre de communications acceptées ce qui donne la durée moyenne d'une
communication en heures. Le trafic offert est déduit dès lors de la multiplication de la durée
moyenne d'une communication en heures par le nombre de communications originales.
Ti obse rvé (III.38)

i 
Acceptéi
Ti offe rt  i  N i (III.39)
142
7.4 Phénomène d'interférence

Le nombre de TRX sur les stations définit la capacité d'écoulement des communications. Or,
l'augmentation du nombre de communications actives sous-entend la présence d'un plus grand
nombre de signaux concurrents d'où des niveaux d'interférence plus importants. Il apparaît
donc clair que le volume d'interférence ne dépend pas seulement des mécanismes de
planification de fréquences adoptés (cf. Chapitre 5 et Chapitre 6) mais dépend aussi de la
configuration matérielle et tout particulièrement des capacités des cellules.
La présence d'interférences entraîne une dégradation de la qualité des communications. Cette

dégradation se traduit par une perte plus conséquente des trames vocales transmises,
autrement dit l'augmentation du taux d'effacement des trames ou FER (Frame Erasure Rate).
Contrairement à la perte en trafic liée au phénomène de blocage, le trafic perdu en raison
d'interférences reste facturé. Cependant la nuisance constatée sur les communications impacte
négativement sur le degré de satisfaction des abonnés. Le défi posé par le problème de
planification des capacités cellulaires est celui d'arriver à satisfaire le plus de monde, c-à-d.
rentabilisant le réseau, tout en maintenant une bonne qualité de communication pour les
utilisateurs.
7.4.1 Plan de fréquences entier

A chaque station du réseau est associé un certain nombre de fréquences fixes en fonction du
nombre de TRX qu'elle comporte. Ces fréquences assurent l'écoulement du trafic de la station.
La manière dont ces fréquences sont utilisées par les TRX de la station définit l'ingénierie de
fréquences adoptée. On distingue deux types d'ingénierie de fréquences : sans saut de
fréquences et avec saut de fréquences.
Ingénierie sans saut de fréquences : dans ce cas, chaque TRX gère une seule
fréquence. Une communication portée par le TRX est émise sur la même fréquence
pendant toute la durée de la communication.
Ingénierie avec saut de fréquences (cf. 2.5.2) : l'ensemble des TRX d'une station
partage l'utilisation d'un pool de fréquences. L'utilisation des fréquences par les TRX
obéit à des séquences périodiques définissant l'ordre d'utilisation des différentes
fréquences de la station. Dans ce cas, une communication portée par un TRX est émise
sur une succession périodique de fréquences.
Quelle que soit l'ingénierie de trafic adoptée, le nombre de fréquences allouées à une station
est considéré égale au nombre de TRX présents sur la station. Ce que l'on note par plan de
fréquences entier.
En parallèle au déroulement de cette thèse, des études ont été menées au sein de France
Télécom R&D afin de modéliser et d'optimiser des plans de fréquences avec saut où le
nombre de fréquences à allouer à chaque station est à déterminer [Chambreuil et Denis 02].
7.4.2 Planification de fréquences et capacité des cellules

L'objectif du problème de planification des fréquences est de trouver la meilleure distribution
des fréquences disponibles sur les stations afin de réduire les interférences. La qualité d'un
143
plan de fréquences est alors vue comme étant la somme des interférences engendrées par
l'utilisation de chaque paire de fréquences.
Le niveau d'interférence mutuelle entre deux stations quelconques du réseau causé par
l'utilisation d'une paire de fréquences dépend de plusieurs facteurs dont :
1. Le type d'ingénierie d'affectation de fréquences utilisée avec ou sans saut. En effet le

saut de fréquences induit un gain en diversité lié à l'élimination du risque
d'évanouissement permanent d'un signal.
2. La profondeur de l'interférence représentée par le rapport C/I entre le signal serveur et

le signal interférent;
3. L'étendue géographique de l'interférence qui se rapporte à la surface de recouvrement

entre les deux stations;
4. Le trafic brouillé définissant la quantité de trafic touché par les interférences.
5. Le trafic brouilleur qui détermine l'intensité des brouillages produits par la station
interférente;
6. Le nombre de TRX définissant les probabilités de collision entre les fréquences

utilisées par les stations;
7. La distance inter-canal entre fréquences qui mesure la distance spectrale séparant les
deux fréquences utilisées.
Soit I (ING, Si , S j , f i , k , f j , p ) une estimation de la quantité d'interférence provoquée sous

l'ingénierie de fréquences ING par l'utilisation par les stations Si et S j des fréquences
ème
respectives f i , k et f j , p , où f i , k représente la k fréquence allouée à la station Si . Les deux
arguments Si et S j incorporent les données relatives aux cinq premiers facteurs précisés ci-
dessus. La valeur de I (ING, Si , S j , f i , k , f j , p ) dépend largement du nombre de TRX installés sur
les deux stations. En effet, le risque que les stations Si et S j aient à utiliser simultanément les
fréquences f i , k et f j , p diminue avec l'augmentation du nombre de TRX sur les stations. On
remplacera alors la notation I (ING, Si , S j , f i , k , f j , p ) par I TRX i , TRX j (ING, Si , S j , f i ,k , f j , p ) pour
signaler cette dépendance vis-à-vis du nombre de TRX sur les deux stations TRX i et TRX j .
La fonction objectif liée au problème de planification de fréquences s'écrit alors sous la forme
suivante, N étant le nombre de stations du réseau :
N 1 N TRX i TRX j
(III.40)
F     ITRX i ,TRX j ( ING, Si , S j , f i , k , f j , p )
i 1 j i 1 k 1 p 1
Comme pour les modèles d'affectation de fréquences présentés dans les chapitres précédents,
l'objectif est de trouver les valeurs f i , k ( i  [1..N], k  [1..TRXi]) qui minimisent la fonction
F. Notons, cependant, l'impact du changement du nombre de TRX sur la fonction F. D'un
144
côté, l'augmentation du nombre de TRX sur les stations diminue la valeur des entités
I TRX i , TRX j (ING, Si , S j , f i ,k , f j , p ) , puisque le risque de collision entre les fréquences f i , k et f j , p
diminue aussi. D'un autre côté, un nombre plus grand de TRX accroît le nombre des éléments
de la somme F et par conséquent peut entraîner l'augmentation de la valeur de la fonction
objectif.
7.5 Planification des capacités cellulaires sous contrainte d'interférence

La plupart des travaux dans le domaine de la planification des capacités cellulaires ne tiennent
pas compte de la phase de planification des fréquences. Le compromis entre taux de blocage
et interférence est pratiquement absent. Généralement un seuil de blocage est fixé pour
l'ensemble des cellules du réseau [Baier et Bandelow 97] [Grillo et al. 98] [Onur et al. 02]. Il
s'agit alors d'estimer le nombre de canaux de trafic nécessaires pour assurer ce taux. Ceci
revient à trouver pour chaque station Si la plus petite valeur de ci qui vérifie l'inéquation
suivante :
Bi (ci )  seuil _ blocage
Connaissant le nombre de canaux de trafic nécessaire, le nombre de TRX sur chaque station
est déduit à partir de la table T AB. III-12.
Horng, Jin et Kao [Horng et al. 01] ont proposé une modélisation du problème de
planification de fréquences intégrant le critère de taux de blocage. Les deux problèmes de
planification de fréquences et de planification des capacités cellulaires sont traités d'une façon
globale et simultanée.
Le taux de blocage sur chaque cellule est calculé en utilisant le modèle décrit dans les
paragraphes 7.2.1 et 7.2.2. Les interférences par contre sont modélisées par une matrice de
réutilisation définissant la distance minimale à conserver entre les fréquences des stations.
Cette approche comporte cependant certains inconvénients :
- L'influence du nombre de TRX sur l'importance des interférences n'est pas prise en
compte.
- La résolution simultanée des deux problèmes de planification des capacités cellulaires

et des fréquences est très compliquée d'un point de vue combinatoire.
- La nature du compromis désiré est précisée avant l'optimisation. Ce compromis est

exprimé par les poids donnés aux critères de blocage et d'interférence au sein de la
fonction objectif agrégée. En réponse une seule solution est proposée en sortie.
Pour pallier le deuxième inconvénient, Matsui, Watanabi et Tokoro [M atsuin et al. 02]
proposent une technique de résolution indirecte du problème. Une première phase est lancée
afin de déterminer le nombre de canaux de trafic nécessaires pour chaque station séparément.
Ce nombre correspond à la plus grande valeur possible qui permet de satisfaire les contraintes
d'interférence co-station. Cependant et malgré le fait que la complexité combinatoire du
problème est mieux contrôlée, la qualité du compromis favorise la réduction des blocages par
145
rapport aux interférences. De plus, la particularité des contraintes d'interférences co-sites n'est
pas prise en compte.
7.6 Extraction des données de trafic offert

Ce module implémente le modèle analytique proposé dans le paragraphe 7.3. L'objectif est de
fournir une estimation du trafic offert sur chaque station du réseau et ceci à partir des données
collectées par l'OMC. Les données statistiques contenues dans l'OMC se résument en trois
types :
- Le nombre de communications acceptées sur une cellule Acceptéi .
- Le nombre de communications bloquées sur une cellule Bloquéi .
- Le volume de trafic écoulé en Erlang sur une cellule Ti obser vé .
A partir de ces données, la procédure décrite dans Algorithme III-14 calcule le volume de
trafic offert sur chaque cellule.
Algorithme III-14 Extraction des données de trafic offert

Données : Acceptéi , Bloquéi , Ti obser vé
Résultat : Ti offe rt
Début
Pour i := 1 à N {Pour chaque cellules}
Calculer le taux de blocage observé Bi* suivant l'équation (III.35)
Calculer le taux de rappel taux _ rappeli suivant l'équation (III.36)
Calculer le nombre de communications originales N i suivant l'équation (III.37)
Calculer la durée moyenne d'une communication i suivant l'équation (III.38)
Calculer le volume de trafic offert Ti offe rt suivant l'équation (III.39)
Fin pour
Fin.
7.7 Technique d'optimisation -contrainte pour la planification des

capacités cellulaires sous contrainte d'interférence
Nous proposons ici une technique de planification des capacités cellulaires répondant au
besoin qu'a le décideur de gérer le compromis entre blocage et interférence d'une manière plus
souple. La technique proposée s'inspire des méthodes d'optimisation multicritère -contrainte.
L'objectif est de fournir en sortie un ensemble de configurations optimales (dans le sens de
Pareto optimal) des capacités cellulaires. Chaque configuration présente un compromis
différent entre les deux critères considérés : blocage et interférence. Parmi cet ensemble de
configurations, il appartient en dernier ressort au décideur dont choisir une.
146
Variation du seuil de qualité

Optimisation d'un
Interférence plan de fréquences
Configurations
trouvées
Front Pareto
Blocage
q
FIG . III-12 Technique d'optimisation -contrainte pour le problème de planification des capacités
cellulaires sous contrainte d'interférence.
Soit TB  {tb1, tb2 ,...} un ensemble de valeurs représentant différents seuils de blocage. Pour
chaque seuil de blocage tbs on calcule le nombre de TRX nécessaires sur chaque station pour
assurer ce seuil. Autrement dit on prend la plus petite valeur de ci qui satisfait la condition :
Bi (ci )  tbs
A partir du nombre de canaux de trafic ci , le nombre de TRX, TRX i , peut être déduit en
utilisant les correspondances de la table T AB. III-12. Le nombre de TRX sur chaque station
étant calculé, une phase de planification de fréquences est lancée. L'objectif étant de
minimiser la fonction F de l'équation (III.40). On utilise pour cela l'algorithme génétique
hybride décrit au Chapitre 5. Le résultat de l'optimisation est un plan de fréquences unique
établi à partir de la configuration matérielle définie par le seuil tbs .
Ce procédé est répété pour chaque valeur de seuil de blocage. Le résultat est donc un
ensemble de plans de fréquences avec des configurations matérielles (nombre de TRX)
représentant des niveaux de blocage différents et provoquant un volume d'interférences
différent (voir FIG. III-12).
Un des avantages principaux de la procédure d'optimisation -contrainte est la possibilité de

parallélisation. La recherche du plan de fréquences associé à chaque configuration est une
tâche complètement indépendante. De ce fait, le calcul de la configuration associée à chaque
seuil de blocage ainsi que la recherche du plan de fréquences correspondant peuvent être
lancés en parallèle avec les tâches associées aux autres seuils. De plus, la technique -
contrainte ne pose pas de conditions sur la nature convexe ou concave du front Pareto
contrairement aux techniques basées sur l'agrégation linéaire des critères.
Le calcul des niveaux de blocage sur les stations nécessite la connaissance des volumes de
trafic offert sur chaque cellule. De ce fait, la procédure d'optimisation -contrainte est lancée
147
suite à l'extraction des données de trafic. La figure FIG. III-13 représente les deux modules
principaux qui composent la procédure de planification des capacités cellulaires à savoir le
module d'extraction des données de trafic offert et le module de génération des configurations
matérielles.
Base de données OMC

- Accept éi
- Bloquéi Module d'extraction
- Ti obser vé des données de trafic
offert
Extraction des données de

trafic offert
Ti offe rt
Table des seuils Calcul de la configuration
de blocage GoS
matérielle
nbTRX i
M odule de
Planification de
génération des
fréquences
configurations
matérielles
Table des configurations
GoS nbTRX Trafic Coût Trafic perdu
bloqué d'interférence 7% FER Choix du
décideur
FIG . III-13 Schéma de fonctionnement de la planification des capacités cellulaires
7.8 Modèle bi-critère pour la planification des capacités cellulaires

La formulation du problème de planification des capacités cellulaires donnée dans ce chapitre
est de nature bi-critère. Deux objectifs contradictoires sont recherchés, à savoir, la réduction
des blocages et des interférences. Le blocage correspond à l'estimation de la quantité de trafic
perdu en raison de la saturation du réseau. Le trafic total bloqué est calculé à partir de la
somme de trafic bloqué sur chaque cellule. La formule III.41 mesure le volume de trafic
bloqué sur le réseau utilisant le modèle Erlang-B (cf. l'équation III.32).
N (III.41)
B   Bi (ci )  ti
i 1
Où ci désigne toujours le nombre de canaux de trafic sur la station i et t i la charge en trafic

sur la cellule. Notons par TRXàTCH la fonction qui retourne le nombre de canaux de trafic
disponibles à partir du nombre d'émetteurs TRX installés. La formule III.41 peut alors s'écrire
sous la forme :
148
N (III.42)
B (TRX * )   Bi TRXàTCH (TRX i )   ti
i 1
D'un point de vue blocage, l'objectif est de trouver les valeurs optimales des variables TRX i
qui minimisent la fonction B. D'un autre côté, nous devons trouver les valeurs optimales des
variables f i,k qui minimisent les interférences. Notons I i, j
TR Xi , TRX j
f i, k , f j,l  la fonction
mesurant la quantité d'interférence entre les stations i et j générée par l'utilisation de la paire
de fréquences f i,k et f j , p . La quantité totale d'interférence sur le réseau est alors estimée par
la fonction I suivante :
N 1 N T RX i TRX j TRX i ,TRX j  (III.43)

I (TRX * , f*,* )       I i, j
  f i, k , f j , p  

i1 j i  k 1 p 1 
L'objectif d'un algorithme d'optimisation multicritère pour la planification des capacités

cellulaires serait alors de trouver les valeurs optimales des variables TRX i et f i,k qui
minimisent les deux fonctions B et I.
7.9 Algorithme génétique multicritère pour la planification des capacités

cellulaires
La technique d'optimisation -contrainte entraîne la réduction de l'espace de recherche. En
effet, un même seuil de qualité est appliqué à l'ensemble des cellules du réseau, ce qui
restreint l'algorithme à la recherche de solutions présentant un même taux de blocage.
Pourtant le critère de répartition des blocages ne figure pas nécessairement comme une
priorité du décideur. Pour cette raison, nous proposons ici un algorithme d'optimisation
multicritère palliant cet inconvénient.
Ces dernières années ont affiché un intérêt croissant pour les techniques d'optimisation multi-
objectif [Nagar et al. 95], tout particulièrement les algorithmes génétiques [Coello 96] [Zitzler
99]. L'objectif de l'optimisation multicritère étant de produire un ensemble de solutions Pareto
optimales (solutions de compromis), les techniques d'optimisation telles que les algorithmes
génétiques ont recours à des populations d'individus très grandes. La taille de ces populations
entraîne le ralentissement de la recherche occasionné par les procédés de ranking et de
maintien de la diversité [Obayashi et al. 98]. Pour cette raison, nous nous somme intéressés au
développement d'un AGM O (Algorithme Génétique M ulti-Objectif) utilisant des populations
de solutions de petites tailles. L'AGMO proposé est basé sur une sommation à poids
dynamiques des deux objectifs considérés. La durée d'exécution de la recherche est divisée en
plusieurs phases. Chaque phase est caractérisée par une direction de recherche qui lui est
propre déterminée par les poids de la fonction d'agrégation. La variation des directions de
recherche permet d'approximer le front des solutions Pareto.
149
Avant d'aller plus loin dans la description de l'algorithme, nous donnons ici la définition
formelle de la notion Pareto. Une solution x est dite Pareto optimale, s'il n'existe aucune autre
solution x au moins égalant x sur l'ensemble des objectifs et la surpassant au moins pour un
objectif. L'équation III.44 donne la description formelle de la notion d'optimalité Pareto d'un
plan de fréquences.
pf  f 1,1 ,.. f N ,TR X tel que (III.44)

 N
 B  TRX *   B TRX * 

pf  f 1,1 ,.. f N ,TR X N est Pareto  et I ( f*,* , TRX * )  I ( f *,* , TRX * )

  B TRX *   B  TRX *  ou 
et  

  I ( f *,* , TRX * )  I ( f*,* , TRX * ) 
7.9.1 Schéma général de l'AGMO

Les techniques d'optimisation multiobjectif basées sur l'agrégation linéaire souffrent
principalement de leur exigence quant à la convexité du front Pareto. De plus, le choix des
poids des différents critères au sein de la fonction objectif présente un sérieux obstacle. A
cette fin, une phase de pré-optimisation mono-objectif est lancée. Cette phase consiste à se
fixer un seuil de blocage Bmax correspondant à une quantité raisonnable de trafic bloqué sur le
réseau. Cette valeur est, dans notre cas, fixé à 2% du trafic globale sur le réseau, soit :
 N  (III.45)
Bmax  0.02    ti 
 i1 
Un plan de fréquences est alors recherché par optimisation de la fonction I, tout en satisfaisant
la contrainte B (TRX * )  Bmax . Soit s  TRX * , f *.* cette solution. Un poids de normalisation,
I (s )
Wnorm , des objectifs I et B est déduit du rapport . L'algorithme génétique multi-
B ( s)
objectif est alors lancé sur plusieurs phases. A chaque phase, l'algorithme recherche les
valeurs optimales des variables TRX i et f i,k qui minimise la somme pondérée suivante :
F  WI  I (TRX * , f *.* )  WB  Wnorm  B(TRX * ) (III.46)
Les valeurs WI et WB désignent des poids temporaires associés aux critères d'interférence et
de blocage. Les poids WI et WB déterminent, de ce fait, l'orientation de la recherche dans
l'espace objectif. Par conséquent, leurs valeurs sont mises à jour à chaque nouvelle phase de
manière à balayer l'ensemble du front Pareto (en réalité seulement les parties convexes du
front Pareto). La variation des valeurs de WI et WB suit une loi sinusoïdale. A chaque phase
de la recherche, correspond un angle de recherche noté . La valeur de WI est alors prise
150
comme étant égale à cos( ) et WB égale à 1 cos( ) . Après chaque changement d'orientation,
la population finale produite par la phase précédente est prise comme population initiale de la
phase courante. Afin de ne pas générer de sauts significatifs dans l'espace objectif, l'angle 
suit un mouvement oscillatoire dans l'intervalle [0,90]. Le schéma de fonctionnement de
l'AGM O ainsi décrit est repris dans la figure FIG. III-14.
Interférence Bmax
Phase de pré-
optimisation
WI et WB ont
changés
Front Pareto
Blocage
FIG . III-14 Schéma de fonctionnement de l'AGMO dans l'espace objectif du problème PCC.
7.9.2 Codage de l a solution

La solution du problème de planification des capacités cellulaires revient à l'instanciation des
variables TRX i et f i,k . Nous avons opté pour une représentation indirecte des variables TRX i .
Une solution du problème est représentée par un vecteur f1,1 ,.., f1,TRXMAX ,.., f N ,1 ,.., f N ,TRXMAX .
Où TRXMAX désigne le nombre maximal d'émetteurs qu'on peut installer sur la même station.
Une valeur de f i,k  0 signifie qu'un TRX est installé et que la fréquence f i,k est assigné à la
stations i. Une valeur de f i,k  0 indique que le TRX n'est pas installé. De cette façon les
fréquences allouées à la station correspondent aux valeurs de f i,k non négatives. Le nombre
de TRX, TRX i , installés sur une station i est quant à lui déduit du nombre de fréquences
positives.
TRXMAX (III.47)
TRX i  k 1
IND ( f i,k  0)
Selon cette représentation, les fonctions I et B s'écrivent sous la forme :
151
N    TRXMAX   (III.48)
B  f1,1 ,.., f N,TRXMAX     Bi  TRXàTCH   IND( fi ,k  0)    ti 

 k 1  

i 1  
N 1 N  TRXMAX  (III.49)
I  f1,1 ,.., f N ,TRXMAX       I i, j i
i1 j i  k ,l 1
TRX ,TRX j
 f i ,k , f j,l   IND( f i,k et f j,l  0) 

7.9.3 Opérateurs de croisement et de mutation

L'opérateur de croisement reste identique à celui décrit dans la section 5.4.4. Cependant, la
définition de l'opérateur de mutation change légèrement pour intégrer la notion de coût de
blocage lors du choix de l'assignement à muter. En effet nous avons, dans la section 5.4.5,
souligné que le choix de l'assignement est régit par des scores de violations associé à chaque
assignement du plan de fréquences. Ce score mesure la contribution de la fréquence f i,k aux
interférences enregistrées sur le réseau. Dans le cas de la représentation chromosomique
choisie ici, la valeur de f i,k ne correspond pas toujours à une fréquence du spectre radio
disponible. Nous avons vu qu'une valeur négative de f i,k signifie qu'aucune fréquence n'est
allouée à cet assignement et par conséquent qu'un possible TRX n'est pas installé. D'un point
de vue interférence une telle valeur ne contribue aucunement aux brouillages enregistrés.
Cependant, un tel assignement limite les capacités de la station correspondante et affecte du
coup le taux de blocage sur réseau. Pour surmonter ce problème, à chaque mouvement de
l'opérateur de recherche tabou, un choix est fait entre l'augmentation des capacités cellulaire
ou la réduction des interférences. Dans le cas d'une augmentation des capacités cellulaires,
une station r est choisie proportionnellement à son taux de blocage. Autrement dit à la
quantité Bi TRXàTCH (TRX i )   ti . Après ça, un assignement f r, k de valeur négative (TRX
non installé) est aléatoirement choisi pour un changement de valeur. La mutation consiste
alors à affecter une fréquence à l'assignement f r, k qui réduit la fonction objectif F ((III.40)).
Si l'objectif choisi du mouvement est la réduction des interférences, le schéma classique es t
activé, à savoir le calcul des scores de violation et puis le choix d'un assignement
problématique. La nouvelle valeur affectée à l'assignement choisie peut consister en une
valeur négative ce qui revient à retirer un TRX de la station.
152
Algorithme III-15 Opérateur de recherche tabou

Données : plan de fréquences : pf
Début
M eilleur_pf := pf
CalculerScores(pf)
CalculerTauxBlocage(pf)
Pour iter := 1 à NIRT {Nombre d'Itération de la Recherche Tabou}
Avec une probabilité p faire {augmentation des capacités cellulaires}
i := ChoisirStation(pf) {proportionnellement aux taux de blocage}
k := ChoisirTRXNonInstalle(pf,i) {choisir un assignement ayant une valeur
négative}
Sinon {réduction des interférences}
(i,k) := ChoisirAssignement(pf) {proportionnellement aux scores de
violation}
Fin avec
f_nouvelle := ChoisirFréquence(pf,i,k)
AjouterListeTabou(i,k,f_ancienne)
AjouterListeTabou(i,k,f_nouvelle)
M iseAJourScores(pf)
M iseAJourTauxBlocage(pf)
Si M eilleurQue(pf,meilleur_pf) alors meilleur_pf := pf
Fin pour
Fin.
7.9.4 Archivage des solutions Pareto

Le résultat de chaque phase d'optimisation, représenté par la meilleure solution présente dans
la population, est une configuration possible des capacités des cellules et de leurs fréquences.
Vu que l'objectif de l'optimisation multicritère est la génération d'un ensemble de solutions
Pareto optimales, un archive des meilleures configurations trouvées par la recherche est tenu à
jour. Après chaque phase de recherche, la solution générée est comparée à l'ensemble des
configurations présentes dans l'archive. La solution trouvée est insérée dans la population
archive si elle n'est dominée par aucune solution dans l'archive. Après l'insertion de la
nouvelle configuration, l'archive est mis à jour afin d'éliminer les solutions dominées.
L'algorithme ci-après décrit la procédure de mise à jour de l'archive. Rappelons que la
population archive est initialement vide.
153
Algorithme III-17 M ise à jour de la population archive

Données : configurations archive, configuration solution
Résultat : configurations archive
Début
Ajouté := vrai
Pour i := 1 à archive.taille
Si Domine(archive[i],solution)
ajouté:=faux
Sinon
si Domine(solution,archive[i])
archive.Supprimer(i)
archive.taille:= archive.taille-1
Fin si
Fin si
Fin pour
Si ajouté=vrai
archive.Ajouter(solution)
archive.taille:= archive.taille+1
Fin si
Fin.
L'algorithme génétique utilisé lors de chaque phase fait appel aux mêmes mécanismes de
sélection, de remplacement et de reproduction que ceux décrit pour l'optimisation des plans de
fréquences fixes. L'unique différence réside dans la fonction objectif représentée ici par
l'équation (III.46). L'algorithme génétique multicritère adopté pour la résolution du problème
de planification des capacités cellulaires est décrit par la procédure principale suivante :
Algorithme III-18 Algorithme génétique multicritère pour la planification des capacités

cellulaires
Données : Graphe de contraintes, distribution du trafic
Résultats : Configurations archive
Début
Archive := 
PopulationAléatoire(taille_pop)
Solution := OptimiserI() {optimise la fonction I sous la contrainte B 0.2   ti }
Wnorm=Solution.cout_I/Solution.cout_B {calcul du poids de normalisation}
Angle_recherche:=0
Pour ph := 1 à NbPhases
P_i := cos(Angle_recherche) {calcul du poids du coût d'interférence}
P_b := 1-p_i {calcul du poids du coût de blocage}
Solution :=OptimiserIB() {optimise la somme pondérée des fonctions I et B}
M iseAJour(archive,solution) {mise à jour de l'archive}
Angle_recherche:=Angle_recherche+pas mod 90 {changement d'orientation}
Fin pour
Fin.
154
7.10 Résultats expérimentaux

Les tests expérimentaux menés dans cette section portent sur deux points : la validation du
module d'extraction des données de trafic offert et deuxièmement la validation du module de
génération des configurations matérielles.
7.10.1 Validation du module d'extraction du tr afic offert

Pour la validation du module d'extraction du trafic offert, un simulateur de trafic mono-
cellulaire a été implémenté. L'idée est de simuler le processus d'arrivée, de blocage, de rappel
et en fin de traitement ou de rejet des communications. Les données liées au nombre de
tentatives de communication acceptées (originale ou non) et bloquées ainsi que le trafic
écoulé T obser vé et simulé T offe rt (écoulé + perdu) sont collectées et stockées par le simulateur.
L'objectif est de comparer l'estimation du trafic offert fournie par le modèle analytique et celle
collectée par le simulateur.
La table T AB. III-13 présente la comparaison entre le trafic offert enregistré par le simulateur
et celui estimé par le modèle analytique. Cette comparaison est réalisée pour différentes
valeurs de  (en secondes) et pour des configurations matérielles différentes (14, 22, 44 et 51
canaux de trafic). Pour chaque simulation, nous donnons le trafic offert enregistré par le
simulateur Tsimulé , le trafic écoulé, le nombre de tentatives acceptées, le nombre de tentatives
bloquées et finalement le trafic offert estimé par le modèle analytique. Ces tests ont été
réalisés avec une probabilité de rappel utilisateur de 0.75 et un nombre de rappels
automatiques de 4.
La table T AB. III-13 affiche une bonne estimation du trafic offert par le modèle analytique.
Cette estimation est d'autant plus précise que le taux de blocage est réduit. Puisque la re-
planification des capacités cellulaires intervient souvent sur des réseaux qui sont déjà
relativement bien dimensionnés ceci nous assure de la pertinence du modèle proposé.
TAB. III-13 Comparaison des résultats du simulateur et ceux du modèle analytique.

1/ Tsimulé Té coulé Acce pté Bloqué Tanal
5 15.52 12.49 502 2930 15.08
14 TCH
6 14.67 12.36 498 1946 13.82

7 11.87 11.23 435 702 11.50
8 11.32 10.90 427 520 11.05
3 29.37 21.27 900 6837 27.48
22 TCH
4 19.93 18.37 790 1230 18.79

5 17.48 17.10 720 267 17.20
6 13.98 13.93 570 26 13.93
1 78.63 42.56 1760 27875 72.27
44 TCH
1.2 72.92 42.32 1649 23045 67.95

1.5 55.94 41.65 1757 11263 51.43
2 40.84 38.15 1608 2170 38.79
1 79.33 50.29 2061 23092 73.86
51 TCH
1.2 68.41 50.08 2101 14043 62.50

1.5 55.82 48.43 1931 6165 52.60
2 44.46 42.87 1704 488 42.88
155
Les résultats de la T AB. III-13 sont repris schématiquement dans la figure FIG. III-15. Pour
chaque nombre de canaux de trafic TCH (Traffic CHannel) nous comparons le trafic simulé
par le simulateur et le trafic estimé par le modèle analytique.
FIG . III-15 Comparaison entre le trafic simulé et le trafic estimé par le modèle analytique.
7.10.2 Validation de l'algorithme -contrainte pour la planification des capacités

cellulaires
L'objectif de cette section est de donner une idée sur la diversité des compromis fournie par
l'algorithme d'optimisation -contrainte pour la planification des capacités cellulaires sous
contrainte d'interférence. Les tests ont été effectués sur deux instances de problème : le
réseaux BM _120 décrit au chapitre précédent et le réseau de B_381 composé de 381 stations
et 62 fréquences disponibles. Le trafic off ert total sur le réseau est de 3367,74 erlang.
Les tables T AB. III-14 et T AB. III-15 donnent les caractéristiques des différentes
configurations trouvées pour chacun des deux problèmes. Les seuils de blocage considérés, au
156
nombre de 10, sont représentés par la première colonne des tables. Pour chaque configuration
représentée par une ligne du tableau, nous donnons le nombre de TRX total nécessaires pour
assurer le seuil de blocage associé (colonne 1). Nous donnons aussi une estimation de la perte
en trafic due au blocage ainsi que le coût d'interférence (fonction F) du plan de fréquences
trouvé pour ce seuil. Les trois dernières colonnes affichent la perte de trafic due aux
interférences selon trois seuils de qualité 7% FER, 4% FER et 2% FER. L'antagonisme entre
blocage est interférence est clairement perceptible sur les deux tables. En effet on remarque
que l'augmentation du trafic bloqué s'accompagne d'une baisse du nombre de trames perdues
en raison des interférences. Ainsi, par exemple, pour le problème BM _120 le passage d'un
seuil de blocage de 1% à 2%, fait passer la quantité de trafic bloqué de 4.72 erlang à 10.74
erlang, soit 6.02 erlang de perte en plus. En même temps la quantité de trafic perdu par cause
d'interférence passe de 126.85 à 120.03 erlang, soit 6.82 erlang de gain.
L'affichage ainsi présenté permet une meilleure estimation de la qualité de chaque

configuration. Ultérieurement, les données des tables constitueront la base de la prise de
décision du décideur.
TAB. III-14 Caractéristiques des différentes configurations de capacités cellulaires trouvées par la
technique d'optimisation -contrainte pour le problème B_381.
GoS Nb de Trafic Coût Trafic brouillé Trafic brouillé Trafic brouillé
TRX bloqué d'interférence 7% FER 4% FER 2% FER
0.007 1115 2.78 908334 129.04 203.12 313.24
0.008 1105 3.31 875781 126.14 198.08 307.09
0.009 1092 4.18 854864 127.60 203.11 310.90
0.01 1085 4.72 820273 126.85 199.73 301.91
0.02 1022 10.74 740353 120.03 188.20 287.50
0.03 989 15.48 687799 121.29 192.64 287.14
0.05 941 27.07 602297 110.64 174.99 267.40
0.1 858 77.53 474644 97.66 158.10 253.55
0.2 744 206.35 309604 76.54 130.64 204.61
0.4 570 594.96 136358 38.36 64.20 108.47
TAB. III-15 Caractéristiques des configurations obtenues par la technique -contrainte pour le réseau
BM_120.
GoS Nb de Trafic Coût Trafic brouillé Trafic brouillé Trafic brouillé
TRX bloqué d'interférence 7% FER 4% FER 2% FER
0.007 179 0.4937 5029 0.86 1.95 4.16
0.008 175 0.5642 4430 0.79 1.56 3.62
0.009 175 0.5642 4833 0.93 1.87 3.74
0.01 175 0.5642 4914 0.90 2.08 3.96
0.02 168 0.9147 3224 0.62 1.47 2.96
0.03 160 1.5439 2896 0.61 1.44 2.72
0.05 150 3.1563 2233 0.44 1.01 1.94
0.1 135 7.7643 1005 0.14 0.43 0.99
0.2 127 15.2727 749 0.14 0.29 0.67
0.4 123 23.1869 458 0.06 0.17 0.38
157
Nous reprenons dans FIG. III-16, les résultats de la table T AB. III-14 d'une manière graphique.
140
120
100
tra fic bro u illé
80
60
40
20
0
0 100 200 300 400 500 600 700
Trafic blo qué
FIG . III-16 Représentation graphique des coûts de blocage et d'interférence des configurations
obtenues
7.10.3 Validation de l'algorithme généti que multicritère pour l a planificati on des

capacités cellulaires
Dans cette section, nous comparons les résultats obtenus par les deux algorithmes de
planification des capacités cellulaires : l'algorithme génétique multicritère et la technique
d'optimisation -contrainte. Pour ce faire, nous analysons le front des solutions optimales
obtenues par chacun des deux algorithmes. C'est ce que montrent les figures FIG. III-17 et FIG.
III-18. FIG. III-17 qui tracent dans l'espace objectif les fronts Pareto des solutions obtenues
par les deux algorithmes sur le réseau B_193. Ce réseau constitue une extension des réseaux
B_63_1 et B_63_2 décrits dans le Chapitre 5. Le réseau est composé de 193 stations avec des
données de trafic réelles. FIG. III-18 trace les fronts Pareto obtenus par les deux algorithmes
sur le réseau BM _120 décrit au Chapitre 6.
Les deux figures font état d'une grande similitude entre les résultats obtenus avec un léger
avantage pour la technique -contrainte. En d'autres termes, la limitation de l'espace de
recherche opérée dans la technique d'optimisation -contrainte n'a pas de grandes répercutions
sur la recherche. Notons que la fixation des seuils de blocage dès le début de l'optimisation -
contrainte permet de cibler des qualités de compromis bien précises et bien diversifiées. Ceci
se traduit dans les figures FIG. III-17 et FIG. III-18 par une meilleure répartition des solutions
dans le front Pareto dans le cas de l'optimisation -contrainte.
158
blo cag e
700
600
500
400
300
200
100
0
0 4000000 8000000 12000000 16000000
i nterférence
Multi -Ob jeti f Epsil on-Contra inte
FIG . III-17 Comparaison entre les fronts Pareto produits par l'AGMO et la technique -contrainte pour
le problème B_193.
25
blocage
20
15
10
0
0 50000 100000 150000 200000 250000 300000
i nterfé rence
Multi -Ob jeti f Epsil on-Contrainte
FIG . III-18 Comparaison entre les fronts Pareto produits par l'AGMO et la technique -contrainte pour
le problème BM_120.
7.11 Conclusions et perspectives

Le problème de planification des capacités cellulaires fait intervenir deux objectifs
contradictoires rarement traités ensemble : le blocage et les interférences. D'un côté le
décideur est tenté d'augmenter la capacité des cellules afin d'écouler le plus de trafic et d'un
autre côté, il aspire à réduire les interférences causées par l'utilisation intensive des ressources
radio.
159
Nous avons proposé dans ce chapitre un modèle basé sur la technique d'optimisation
multicritère -contrainte. L'idée est de se fixer itérativement différents seuils de blocage et
d'analyser l'impacte de la configuration matérielle associée sur le blocage et les interférences.
Plusieurs configurations matérielles sont alors proposées chacune révélant un compromis
différent entre la perte en trafic due aux blocages et la perte due aux interférences. Il
appartient finalement au décideur de choisir la configuration matérielle qui convient le mieux
à ses attentes. Nous avons aussi proposé un algorithme génétique multiobjectif pour la
planification des capacités cellulaires sous contrainte d'interférence. L'algorithme se base sur
l'agrégation des deux critères dans une somme à poids variable. La variation des poids de la
fonction objectif permet le balayage du front Pareto. La comparaison entre les deux méthodes
d'optimisation a montré une légère suprématie de la technique -contrainte un avantage à
ajouter à la faculté de la méthode à être parallélisé.
D'autres améliorations peuvent être portées sur le modèle. Par exemple affiner les données
caractérisant les configurations proposées afin de tenir compte des particularité lié aux canaux
de trafic (BCH ou saut). Par ailleurs, le dimensionnement du nombre de TRX doit prendre en
compte la perte en puissance due à l'utilisation des coupleurs.
La capacité cellulaire met en jeu l'habilité des cellules à assurée les handovers entrants. Ce
critère est estimé par le taux de blocage des handovers. Souvent pour pallier ce problème,
certains canaux de trafic dit canaux de garde sont réservés à l'écoulement des communications
de handover. Le dimensionnement des canaux de garde est alors un problème supplémentaire
qui vient se rajouter au problème de dimensionnement des canaux de trafic.
Finalement, l'installation de nouveaux TRX soulève le problème du coût financier induit par
une telle intervention. Un critère supplémentaire viendrait s'ajouter à la problématique
d'optimisation.
160
Conclusion
Conclusion
Ces dernières années ont vu se développer un engouement particulier pour la téléphonie

mobile. La qualité des services proposés par les opérateurs et les faibles encombrements et
coûts d'acquisition des terminaux ont grandement contribués à ce succès. En complément la
libéralisation des marchés agissant sur la baisse des tarifs des communications ont rendu
accessibles les services mobiles au grand public. Pour les opérateurs cet engouement se
traduit par le déploiement de réseaux radiomobiles comportant des milliers d'installations à
l'échelle d'un pays comme la France. Dans ce contexte, le design des réseaux revêt une
difficulté extrême induite par la multitude et la complexité des problèmes d'ingénierie à
résoudre. La complexité de ces problèmes est liée au volume important des données à prendre
en compte pour réaliser l'ingénierie : données géographiques, données de simulation… à
l'évolution très rapide des problèmes : nouvelles technologiques, nouvelles contraintes
opérationnelles… et à leurs imbrications : affectation de fréquences et planification des
capacités cellulaires, affectation de fréquences et paramétrage des antennes…
A ces difficultés vient s'ajouter la forte évolutivité des données qui décrivent l'environnement
dans lequel se place le réseau. Dans un premier temps, les variations de données dans le temps
ont été peu ou pas du tout prises en compte dans les processus d'ingénierie. Un des résultats
par exemple est que l'évaluation des performances reste une grandeur statistique moyenne. La
considération des variations des données qui décrivent l'environnement du réseau rendent
nécessaire l'élaboration de modèles et algorithmes plus complexes qui peuvent gérer cette
variabilité, et notamment l'intégrer sous forme de critère d'ingénierie. Les notions de
robustesse et d'évolutivité des solutions proposées s'imposent alors comme des critères clé du
design; le but étant la conception de schémas de réseaux capables d'évoluer dans le temps à
moindre coût.
L'objectif de ce mémoire était donc l'étude des aspects dynamiques liés au design des réseaux
radiomobiles avec des applications sur les réseaux à la norme GSM du fait de la bonne
connaissance de certains problèmes dans un cadre statique. Une partie non négligeable a porté
sur la modélisation de critères de robustesse ou d'évolutivité des solutions de réseaux. Une
autre partie a portée sur les techniques d'optimisation pouvant être mises en œuvre. Sachant
qu'un des éléments clés de notre étude a été de contrôler la complexité algorithmique induite
par la dimension dynamique du problème et de gérer les facteurs de tension liés à la variation
des solutions de réseaux. Le travail mené a comporté trois volets principaux qui sont décrits
dans les paragraphes suivants.
Etude des problèmes de design dans les réseaux radiomobiles
Nous avons dressé dans cette première partie un portrait assez complet des différents
problèmes d'optimisation de ressources rencontrés dans la phase de design de la partie radio
des réseaux radiomobiles. Une attention particulière a été accordée à l'affectation de
fréquences. Nous avons ainsi situé le rôle de chaque problème au sein de l'ensemble des
étapes du design. Dans cette étude, nous avons aussi fait ressortir que les différents problèmes
sont étroitement liés. Ainsi, le positionnement et le paramétrage des antennes dépendent
directement des sites candidats potentiels; la difficulté de la planification des fréquences est
liée aux situations de recouvrement induites par la configuration des antennes...
162
Conclusion
L'étude effectuée a porté aussi sur les modèles et algorithmes adoptés pour traiter chaque type
de problème. Des modèles, des plus abstraits aux plus réalistes, ont été spécifiés et leurs
intérêts ou inconvénients cités.
Etude des techniques d'optimisation dynamique
Dans ce deuxième volet, nous nous sommes intéressés à la classification des techniques
d'optimisation dynamique proposées dans la littérature. Trois critères ont été retenus pour
l'élaboration de cette classification : premièrement, le caractère prévisible ou non des
changements futurs; deuxièmement, la nature réversible des solutions déployées; et
finalement l'échelle en temps réel ou périodique des ajustements.
Sur le plan des réseaux radiomobiles, l'ajustement du système est soumis à une multitude de
facteurs de tension. Ces facteurs se traduisent souvent par des temps de déploiement des
solutions considérables, par des coûts de réajustement et d'extension importants, et par des
procédures de signalisations complexes. Ces facteurs rendent compliquée l'application de
techniques d'optimisation en temps réel des systèmes radiomobiles. Des techniques qu'on
retrouve dans l'affectation dynamique de fréquences, dans les procédures de contrôle de
puissance… Les procédures mises en œuvre sont déterministes ou pseudo aléatoires mais il ne
s'agit pas encore de traiter en temps réel des problèmes d'optimisation combinatoire.
L'objectif du design est essentiellement de répondre à la demande en communication prévue

sur le terrain. Dans ce contexte, le trafic est identifié comme étant l'acteur central de la
dynamique des réseaux radiomobiles. La modélisation du trafic doit représenter la variabilité
du trafic à plusieurs échelles plus ou moins précises selon les besoins sur le court, moyen et
long terme. Sur ces différentes échelles, le design du réseau se base souvent sur des données
agrégées de l'évolution du trafic. Sur le court terme, la charge en trafic est mesurée en Erlang.
Une mesure qui ne fournit qu'une estimation de la charge moyenne en trafic sur une heure de
temps. Sur une échelle d'une semaine ou de quelques semaines, la charge en trafic est souvent
représentée par la charge à l'heure de pointe ou à la deuxième heure la plus chargée. A
l'arrivée, ces procédures d'agrégation impliquent des surestimations des capacités réseau ou
des imprécisions dans les priorités sur l'optimisation des réseaux.
Application des techniques d'optimisation dynamique au design des réseaux radiomobiles sur
des échelles différentes de temps
Pour que l'étude des techniques d'optimisation dynamique appliquées aux problèmes de
design des réseaux radiomobiles soit représentative, nous avons décidé d'effectuer cette étude
sur des échelles différentes de variation du trafic. De cette façon, nous nous retrouvons face à
des problématiques et facteurs de tension différents.
Dans un premier temps nous nous sommes placés sur une échelle de variation rapide du trafic
de l'ordre de l'heure. La vitesse des variations considérées rend difficile l'ajustement en temps
réel ou au moins très fréquent de la solution. Le problème d'affectation de fréquences a été
pris comme cadre de cette étude. L'objectif était de concevoir un unique plan de fréquences
163
Conclusion
assurant le bon fonctionnement du réseau sur la totalité des heures de la journée. La qualité de
la solution est alors estimée selon trois critères : la qualité globale de la solution, autrement dit
le cumul de ces performances dans le temps; la robustesse de la solution, qui se réfère à la
stabilité de ses performances dans le temps; et enfin, la qualité locale de la solution,
représentée par ces performances sur chaque partie du réseau prise séparément. Cette
première étude a permis de montrer deux choses. D'une part, elle confirme l'intérêt d'une
modélisation dynamique du trafic sur le plan de la qualité globale de la solution. D'autre part,
l'utilisation de données décrivant l'évolution du trafic a permis l'élaboration de critères de
qualité supplémentaires se rapportant à la robustesse spatiale et temporelle des solutions
proposées, et pas seulement à la qualité radio instantanée. Enfin, l'introduction de critères de
qualité locale a entraîné une amélioration de la qualité globale de la solution.
Dans un deuxième temps nous nous sommes intéressés à des variations du trafic à moyen
terme, de l'ordre d'une journée (différence entre jour de semaine et week-end) ou d'une saison
(changement saisonnier). La variation moyen terme du trafic présente des périodes d'oisiveté
propices au changement de solution telle que la nuit. L'étude a porté sur le problème
d'affectation de fréquences multipériode. Il s'agit dans ce cas de trouver une séquence de
solutions, plus précisément de plans de fréquences, adaptée à l'évolution du trafic. Un plan de
fréquences est associé alors à chaque période du cycle d'évolution du trafic. L'ajustement des
plans de fréquences entraîne un coût dit coût de transition. L'objectif de l'optimisation est de
produire la séquence optimale entraînant un coût de transition minimal. Plusieurs approches
d'optimisation ont été proposées que l'on peut principalement classifier en techniques directes
et indirectes. Les techniques directes reposent sur la génération coopérative et parallèle des
différentes solutions composant la séquence optimale. Le principal inconvénient de telles
techniques est la complexité combinatoire induite par le caractère direct de l'optimisation. Par
ailleurs, les techniques d'optimisation indirectes s'appuient sur la décomposition du problème
initial en plusieurs sous problèmes. Trois méthodes d'optimisation multipériode indirecte ont
été proposées. Les techniques basées sur une solution initiale robuste telles que l'optimisation
séquentielle et parallèle ont fourni les meilleurs résultats.
Le troisième volet concernait l'évolution du trafic à long terme, de l'ordre du mois ou de

l'année. La nature espacée des interventions long terme réduit l'importance du critère de coût
de transition. De plus l'imprécision des données prévisionnelles empêche le dimensionnement
multipériode de la solution. L'objectif dans ce cas est souvent de répondre à une augmentation
de la demande liée à l'extension du réseau, à la croissance de la clientèle ou à l'apparition de
nouveaux services plutôt qu'à un changement de la cartographie du trafic causé par le
déplacement et le comportement des clients. Le problème de planification des capacités
cellulaires a présenté le cadre de cette étude. Lors de ce travail, nous avons proposé une
modélisation assez complète de la problématique de planification des capacités cellulaires
intégrant les notions de blocage et d'interférence. Le résultat de l'optimisation es t un ensemble
de configurations des capacités des cellules présentant différents types de compromis entre le
blocage et les interférences. Le choix définitif de la solution à adopter incombe alors au
décideur. Deux méthodes d'optimisation multicritères ont été présentées. La première est
basée sur la technique d'optimisation -contrainte et la deuxième s'appuie sur une somme à
poids variables.
La totalité des techniques d'optimisation proposées dans cette thèse s'appuient sur un même
algorithme de base. Cet algorithme présente une hybridation assez originale des techniques
164
Conclusion
d'Algorithmes Génétiques et de Recherche Tabou. La principale caractéristique de

l'algorithme est l'utilisation d'une liste Tabou commune à tous les individus de la population.
Synthèse et perspectives
Le travail que nous avons présenté a mis en exergue le rôle que pouvait jouer l'optimisation
dynamique dans l'ingénierie des réseaux radiomobiles en prenant des applications sur les
réseaux à la norme G SM . Des tests ont été faits sur des réseaux de tailles significatives sur des
problèmes de planification de fréquences et de capacités cellulaires. Les résultats
préliminaires montrent qu'une utilisation différente des ressources du système est possible
pour au final apporter un gain en qualité et/ou en capacité. Ces études nous encouragent à
ème
proposer ces techniques pour la planification des réseaux de 3 génération. Dans leur
fonctionnement les réseaux à la norme UMTS présentent des différences significatives par
rapport aux réseaux à la norme GSM . Ces différences se traduisent en partie par une plus
grande flexibilité permettant d'adapter finement la réponse du réseau aux sollicitations de
l'environnement. La flexibilité des réseaux UM TS est assurée par de nouvelles procédures
telles que le contrôle de charge [Yang et Lin 00] ou de nouveaux équipements telles les
antennes directives [M artinez et al. 01] qui permettent une meilleure prise en compte du trafic
ainsi qu'une meilleure gestion de la puissance radio. Tous ces éléments contribuent à faire des
réseaux UM TS un champ d'investigation fertile pour les techniques d'optimisation dynamique
dans l'affectation des ressources.
Par ailleurs comme autre issue de ce travail, nous voulons souligner deux champs principaux
d'investigation associés à l'intérêt que revêt le trafic dans le design : les problèmes de
prévision et de localisation du trafic. Sur le plan de la localisation, il s'agit de pouvoir estimer
précisément la densité de trafic au niveau de la maille permettant ainsi d'améliorer la précision
des données et donc la fiabilité des actions de planification. Par ailleurs, la localisation du
trafic au niveau maille permet une meilleure connaissance des besoins et par conséquent
accroît la maîtrise des processus de densification ou de paramétrage du réseau. La prévision
du trafic quant à elle permet d'anticiper et de planifier l'évolution du réseau pour répondre aux
changements futurs. Dans ce cas la modélisation du trafic met en jeu différents facteurs tels
que les tendances générales d'évolution, les variations saisonnières, les événements
périodiques... ainsi que les ruptures de tendance dues à des crises sociales, à des booms
économiques… Ces deux problèmes prennent une importance capitale dans la confiance que
l'on peut accorder à une optimisation dynamique des réseaux radiomobiles. En effaçant le
caractère moyen et uniforme des entrées considérées jusqu'alors, l'adaptation dynamique des
solutions de réseaux aux sollicitations de l'environnement sur une échelle de précision donnée
(semaine, jour, heure, mn…) demande une plus grande fiabilisation des entrées pour les
actions de planification. A contrario le risque d'erreur sur les solutions de réseaux est plus
grand.
165
Partie IV Annexes
Annexe A Méta-heuristiques et problèmes d'optimisation
combinatoire
En l'absence d'approches exactes garantissant des temps d'exécution raisonnables et capables

de résoudre certains problèmes d'optimisation combinatoire, les techniques de recherche et
particulièrement les méta-heuristiques se sont illustrées comme une alternative prometteuse.
La pratique nous fait observer que les décideurs semblent se satisfaire largement et
généralement d'une bonne approximation de la solution optimale. Les méta-heuristiques se
présentent, dans ce cas, comme une bonne façon de garantir des bonnes solutions approchées
tout en respectant des délais de réponse raisonnables.
Les méta-heuristiques [Colorni et al. 96] forment une famille de techniques incluant le Recuit
Simulé [Siarry et Dreyfus 89], la Recherche Tabou [Glover et Laguna 97], les Algorit hmes
Evolutionnistes [Goldberg 89], les M éthodes de Bruitage [Charon et Hudry 93], Colonies de
Fourmis [Grave et Liagre 99]... Chaque technique est décrite par un ensemble de mécanismes
et de principes plus ou moins généraux plutôt qu'une méthode précise et rigide. Elles sont de
ce fait, applicables à une large gamme de problèmes d'optimisation et il incombe donc au
concepteur d'adapter ces mécanismes et principes afin de pallier les exigences du problème
traité.
L'application des méta-heuristiques aux problèmes d'optimisation à jouit d'une grande

attention de la part des chercheurs, ce qui a fait immerger trois tendances générales
d'approches. Premièrement, les méthodes qui se basent exclusivement sur une heuristique
unique. Deuxièmement, celles qui procèdent par hybridation de plusieurs méthodes afin de
tirer profit de leurs puissances respectives, par exemple : la Recherche Tabou et l'Algorithme
Génétique [Greistorfer 98], la Recherche Tabou et le Branch and Bound [Woodruff 98],
l'Algorithme Génétique et la recherche descendante [M urata et Ishibuchi 94], l'Algorithme
Génétique et le Recuit Simulé [Ozcan et M ohan 96]. La troisième tendance consiste à
exploiter la possibilité d'effectuer la recherche sur des machines parallèles, ce qui est
conditionné par la disposition de la méta-heuristique à être parallélisée.
Cette annexe se consacre à l'étude des deux méta-heuristiques référencées dans ce mémoire à
savoir les Algorithmes Génétiques et la Recherche Tabou. Nous présentons ainsi leurs
mécanismes de base et les principes qui les régissent. Nous essayerons d'élaborer cette étude
sur la base de critères de performance qui nous serviront de paramètre de comparaison entre
les différentes heuristiques.
A.1 Principes communs des méta-heuristiques

De façon générale les méta-heuristiques consistent en une boucle itérative caractérisée par les
quatre points suivants :
1. Un état courant qui peut être soit une solution unique ou une collection de solutions
appartenant à l'espace de recherche. Dans le cas des Colonies de Fourmis, l'état courant est
une solution incomplète au sens où seule une partie des variables composant le problème
est liée à des valeurs. La génération de l'état initial d'où débute la recherche est soit
réalisée d'une manière aléatoire, soit en se basant sur une heuristique quelconque.
167
Annexe A. M éta-heuristiques et problèmes d'optimisation combinatoire
2. Un ensemble d'opérateurs qui définit la manière de construire le voisinage de l'état

courant. Le voisinage d'une solution représente l'ensemble des solutions qui sont
potentiellement candidates à être ou à faire partie de l'état suivant. Les opérateurs
définissent quant à eux les techniques de transition d'un état à un autre et peuvent même
consister en des heuristiques à part entière.
3. Une règle de transition qui détermine le prochain état courant à choisir parmi l'ensemble
des voisins.
4. Un critère d'arrêt qui spécifie la condition d'arrêt de l'algorithme. Ce critère désigne

généralement le nombre limite de solutions à visiter ou tout simplement le nombre
d'itérations au bout duquel si aucune amélioration n'est observée, l'algorithme est arrêté.
L'efficacité d'une méta-heuristique est jugée sur la base de critères tels que la qualité de la
balance intensification/diversification, l'utilisation de mémoires et l'habilité à échapper aux
optimums locaux et c'est suivant le mérite de ces trois critères que se définira la qualité de la
solution engendrée et le taux de succès de la méthode.
A.1.1 Maintien de la balance intensification/ di versification

L'intensification décrit le processus par lequel l'approche de recherche encourage la
recombinaison des bonnes propriétés contenues dans des solutions trouvées antérieurement.
Delà, la stratégie d'intensification vise à mieux explorer les régions attractives de l'espace de
recherche ayant une forte concentration de bonnes solutions. La diversification, quant à elle,
vise à introduire de nouvelles propriétés inexistantes au niveau des solutions déjà visitées, ce
qui a pour effet d'orienter la recherche vers de nouvelles régions de l'espace de recherche non
ou peu explorées.
Dans la recherche tabou, la notion de voisinage est vue comme un moyen d'intensification de
la recherche. En effet, à chaque itération, la solution présentant la meilleure qualité dans le
voisinage directe de la solution courante est prise comme prochain point de recherche. Dans
les Algorithmes génétiques les opérateurs de croisement et de mutation sont considérés
comme des outils d'intensification et de diversification respectivement.
A.1.2 Utilisation de mémoires

Les méta-heuristiques se distinguent aussi par l'utilisation ou non de mémoires de stockage.
Le recuit simulé, par exemple, n'utilise aucune structure de mémorisation. Le choix de la
prochaine solution courante ne dépend alors que de la solution actuelle. Les Algorithmes
Génétiques travaillent sur une population de solutions. Cette population peut être considérée,
en quelque sorte, comme mémoire à court terme. La recherche tabou quant à elle excelle dans
l'utilisation de mémoires à court et à long terme. De ce fait le choix de la prochaine solution
courante dépend aussi des phases antérieures de la recherche par exemple les attributs tabous.
A.1.3 Risque de tomber dans un optimum local

La stratégie de diversification dans la Recherche Tabou rend la méthode capable d'échapper
aux optimums locaux en introduisant de nouvelles propriétés inexistantes aux niveaux des
solutions déjà ou récemment visitées. De nouveaux mécanismes ont été introduits dans les
algorithmes génétiques pour prévenir la convergence prématurée de la population vers un
168
Annexes
optimum local. Ces mécanismes consistent principalement à maintenir la diversité de la

population par des procédés tels que le Sharing [Goldberg 89] ou le Crowding [Talbi 99].
A.2 Les algorithmes évolutionnistes

Les Algorithmes évolutionnistes sont apparus pendant les années soixante à trois endroits
différents et pour des raisons distinctes.
 En Allemagne, Schwefel et Rechenberg proposèrent les stratégies d'évolution pour

l'optimisation de fonctions à valeurs réelles.
 A l'Université de Californie, Fogel, Owens et Walsh introduisirent la programmation

évolutive au domaine de l'apprentissage automatique.
 A l'Université de M ichigan, Holland [Holland 75] développa les Algorithmes Génétiques

pour modéliser et étudier l'adaptation artificielle et naturelle des espèces vivantes. Ces
algorithmes représentent un cas particulier des Algorithmes Evolutionnistes, où les points
de l'espace de recherche sont codés par des chaînes binaires.
Les Algorithmes Génétiques eurent alors une popularité grandissante, due à leur succès dans
le domaine de l'optimisation de fonctions multimodales [Houck 96] et suite aux travaux de
Goldberg [Goldberg 89]. Leur principe de base découle du phénomène d'évolution des
espèces vivantes. Cette évolution se fait par deux mécanismes : la sélection naturelle et la
reproduction. La sélection fait que seuls les individus les mieux adaptés survivent et se
reproduisent. Quant à la reproduction, elle assure le brassage des gènes parentaux ce qui
aboutit en général à des descendants dotés de nouvelles potentialités. Ce phénomène est
réitéré sur une population nombreuse, qui après plusieurs générations, produit des individus
mieux adaptés à l'environnement.
A.2.1 Les fondements des AG

Les Algorithmes Génétiques sont une transposition directe du processus naturel d'évolution au
monde de l'informatique. Des chaînes représentant les individus de la population et pouvant
coder de grandes variétés de structures, sont ainsi amenées à évoluer comme les espèces
vivantes.
La programmation génétique est fondée sur cinq points :
1. Une représentation chromosomique des solutions du problème.
2. Une méthode pour construire la population initiale de solutions.
3. La fonction objectif qui mesure l'aptitude d'une solution donnée et joue, en quelque sorte,
le rôle de l'environnement.
4. Les opérateurs génétiques qui définissent la manière dont les caractéristiques des parents
sont transmises aux descendants (croisement et mutation)
5. Les valeurs des paramètres utilisés par l'algorithme génétique (la taille de la population,
les probabilités liées à l'application de chaque opérateur génétique et le crit ère d'arrêt de
l'algorithme…).
169
A.2.2 Algorithmes Généti ques en action

L'évolution de la population d'individus se fait via deux opérateurs : le croisement et la
mutation. Le croisement opère sur un ensemble d'individus, généralement au nombre de deux,
appelés parents en mélangeant certaines de leurs caractéristiques afin de produire un ou
plusieurs individus enfants.
Le croisement classique consiste généralement en un échange de valeurs de gènes (cf. FIG.

IV-1). Cependant, un tel procédé s'avère inapproprié pour la majorité des problèmes
d'optimisation combinatoire. La mutation, quant à elle, agit sur les propriétés d'un individu en
les modifiant, ce qui génère de nouvelles propriétés non existantes chez les parents.
Individus Parent1
Parent2
Mutation Site de croisement
Fils1
Fils2
(a) mutation (b) croisement
FIG . IV-1 Opérateurs de mutation et de croisement classiques
A chaque itération, appelée génération, une nouvelle population est construite. La génération
de la nouvelle population à partir de l'ancienne se fait en trois étapes :
A L'é valuation
L'AG évalue la fonction objectif f(x) de chaque individu x de l'ancienne population.
B La sélection
L'AG sélectionne les individus sur la base de leurs valeurs de fonction objectif. Plus
précisément, l'opérateur de sélection choisit chaque individu x avec une probabilité
f ( x)
. Un procédé connu sous l'appellation de sélection par roue biaisée. Comme
 yPopulation f ( y)
l'opérateur de sélection est appliqué n fois où n désigne la taille de la population, l'espérance
n. f ( x )
mathématique du nombre d'enfants de l'individu x est de . Les individus
 yPopulation f ( y)
ainsi sélectionnés constituent une population intermédiaire P`. Cependant, et afin d'éviter le
risque de convergence prématurée, ce qui est souvent le cas quand certains individus de la
population sont beaucoup mieux adaptés que le reste, des techniques de sélection plus
élaborées ont été proposées visant à minimiser le taux de participation des individus
dominants :
170
Annexes
 Changement d'échelle : ce procédé consiste à modifier la fonction d'évaluation f de façon

statique ou dynamique selon que la modification est opérée avant ou pendant la recherche
génétique.
 Ranking : Baker [Baker 85] proposa un opérateur de sélection où les individus sont
sélectionnés selon leurs rangs (ranking). Plus précisément, les individus de la population
sont ordonnés selon leur adéquation de façon à ce que l'individu le moins adapté ait le
rx
rang 1. Alors chaque individu x a une probabilité égale à d'être sélectionné
 yPopulation ry
où rx représente le rang de l'individu x.
 Sélection SUS (Stochastic Universal Sampling) : Baker [Baker 87] proposa une autre
technique visant, quant à elle, à éliminer les dérives du choix probabiliste. En effet, le
nombre de descendants effectifs d'un individu n'est, généralement, pas fidèle à celui prévu
théoriquement. La sélection SUS procède en ne choisissant que le premier individu avec la
rx
probabilité P = . Les autres individus sont sélectionnés en faisant tourner la roue
 ry
yPopulation
avec un angle fixe égal à 1/n chaque fois (cf. FIG. IV-2).
Rotation 2
Lancé 1
12,5% 12,5%
30% 30%
Lancé 3 Rotation 1
16% 13% 16%
Lancé 2 13% 49% Rotation 3
8,5% 49% 8,5%
Lancé 1
Lancé 4
(a) Sélection classique (b) Sélection SUS
FIG . IV-2 La sélection se comporte comme une roue de loterie biaisée. Chaque individu dans la
population possède son propre secteur dont les dimensions sont proportionnelles au degré de son
adéquation.
 Sélection locale : Dans ce type de sélection chaque individu appartient à une région de
l'espace appelée voisinage. Les individus n'interagissent (reproduction) qu'avec des
individus appartenant à la même région. Dans cette méthode, la moitié de la population
intermédiaire P` est sélectionnée moyennant l'un des procédés précédemment cités. Le
voisinage de chaque individu sélectionné est calculé, dans lequel un partenaire (pour le
croisement : voir ci-dessous) est sélectionné.
 Sélection par tournoi : Un nombre Tour d'individus sont aléatoirement choisis de la

population et le meilleur est sélectionné comme parent. Cette procédure est réitérée
jusqu'à ce que la population P` soit construite. Le paramètre Tour appelé taille du tournoi
171
est compris entre 2 et n (nombre d'individus dans la population). Il définit aussi la pression
de sélection.
C La reproduction avec mutation et croisement

L'AG combine les individus sélectionnés au moyen d'opérateurs génétiques. La mutation agit
en modifiant aléatoirement un ou plusieurs gènes d'un chromosome, tandis que le croisement
échange certains gènes d'un parent avec ceux d'un autre. Le croisement peut s'étendre à un
échange de groupe de gènes nommé bloc de construction. A chaque paire d'individus de la
population P` on associe une probabilité Pc d'effectuer le croisement. Les individus générés
constituent la population P``. Après quoi, chaque gène dans un individu de P`` est muté avec
une probabilité Pm. Les individus P`` représentent alors la nouvelle population et le cycle
continue Evaluation, Sélection, Reproduction.
Algorithme IV-1 Algorithme génétique
Données : Données du problème
Résultats : population finale
Début
Générer la population initiale P(0), t=0
Tant que La condition d'arrêt n'est pas atteinte.
Evaluer P(t)
Sélectionner taille_pop individus de P(t) et construire P`
Recombiner les individus de P` et produire P(t+1)
T=t+1
Fin tant que
Fin.
Le schéma ainsi décrit n'est, cependant, pas unanime. D'autres approches éliminent totalement
le besoin aux populations intermédiaires, les individus générés par mutation ou croisement
sont directement insérés dans la population originale. Un exemple de ce type d'approches est
représenté par le remplacement élitiste. Dans ce cas, la méthode veille à recopier lors de
chaque génération les meilleurs individus se trouvant dans la population courante et de les
compléter par des individus fils générés de façon traditionnelle (par application des opérateurs
de croisement et de mutation). De cette façon les meilleures solutions trouvées lors de la
recherche sont conservées.
A.2.3 Analyse des points forts des AG

A. Combinaison de blocs de construction : les AG se distinguent par leur faculté d'accumuler
de l'information concernant un espace de recherche initialement inconnu et exploiter cette
information afin de guider la recherche future dans des régions prometteuses.
B. Le Parallélisme : les Algorithmes Génétiques sont une technique d'optimisation globale

gérant une population de solutions. Cette propriété rend les AG une méthode hautement
parallèle. Ceci explique la multitude d'approches de parallélisation proposées dans la
littérature [Talbi 95].
172
Annexes
C. Manipulation de données symboliques : les données manipulées par les AG ne sont pas
forcement numériques et ne pose de ce fait aucune restriction sur le type de l'espace de
recherche considéré (continuité, ordre, etc.)
D. Utilisation minimale d'information a priori : les AG n'exigent de l'environnement qu'une

manière d'estimation d'une solution donnée, exprimée par la fonction objectif. Plus
encore, certains versions des AG ne requiert de l'environnement qu'une habilité de
classement des individus entre eux (relation d'ordre totale).
E. Balance exploration/exploitation : dans les AG les opérateurs de croisement et de

mutation sont considérés comme des moyens d'exploitation et d'exploration.
L'introduction du hasard lors des phases de sélection et de reproduction constitue un autre
atout pour l'exploration. En effet, plutôt que de trancher de façon déterministe en faveur
des individus les mieux adaptés, les AG ne font que les favoriser au moyen de règles
probabilistes. Ce qui laisse une petite marge de manoeuvre pour les individus les moins
bons afin de survivre et se reproduire. D'un autre côté, l'effet du hasard peut être néfaste
lors de la génération de la population initiale, de la sélection et de la reproduction. En
effet, les AG restent sensibles à la distribution de la population initiale et aux effets des
mutations et croisements catastrophes [Glover et Laguna 97]. La technique de sélection
SUS (cf. A.2.2B) tente de remédier à ce défaut lors de la phase de sélection.
A.2.4 Elitisme
De Jong [De Jong 75] suggérait en 1975 la nécessité d'inclure systématiquement le meilleur
individu de la population courante dans la génération suivante, afin de prévenir la perte d'une
telle solution en raison d'un mauvais échantillonnage lors de la sélection ou d'une destruction
due aux opérateurs de reproduction. Ce mécanisme peut être étendu à la copie chaque fois des
b meilleurs individus dans la prochaine génération. Les tests effectués par De Jong montrèrent
que l'introduction de l'élitisme conduit généralement à l'amélioration des performances des
AG dans le cadre de l'optimisation monomodale. Cependant et dans le cas d'une optimisation
multimodale, le mécanisme d'élitisme peut entraîner la convergence prématurée de
population.
A.3 La Recherche Tabou

La RT (Recherche Tabou) est une méta-heuristique de recherche réputée pour son habilité à
échapper aux optimums locaux. Les dix dernières années, ont vu multiplier les travaux sur la
RT dû au succès qu'a rencontré la méthode face aux problèmes d'optimisation. La méthode a
été utilisée avec succès en coopération avec d'autres heuristiques et méthodes pour la
résolution des problèmes d'ordonnancement [Hertz 95], d'allocation de ressources [Houck 97]
et de télécommunication [Glover et Laguna 97].
A.3.1 Fondements de l a Recherche Tabou

Ayant une fonction f à optimiser, la RT procédé par transition itérative d'une solution à une
autre jusqu'à ce qu'un critère d'arrêt soit vérifié. A chaque solution Si est associée un voisinage
V(Si) représentant l'ensemble des solutions directement accessibles depuis Si par une opération
notée mouvement. La RT adopte une stratégie de modification du voisinage V(S i) au fur et à
mesure que la recherche progresse, ce qui donne lieu à un nouveau ensemble V*(Si). Pour
opérer cette modification, la RT s'appuie sur des structures spéciales de mémoire.
173
La RT est fondée sur les cinq principes suivants :
1. Définir un moyen de construction du voisinage, ce qui revient à déterminer le type de

mouvements à adopter.
2. Une règle d'interdiction de certains mouvements ou solutions (considérés tabou).

Généralement, afin de prévenir les cycles dans la recherche.
3. Une règle de choix d'une solution parmi l'ensemble V*(Si).
4. Un critère d'aspiration permettant d'autoriser un mouvement considéré tabou.
5. Un mécanisme de diversification servant à opérer de grands sauts dans l'espace de

recherche.
A.3.2 La Recherche Tabou en action

La RT est une procédure de recherche locale. La recherche démarre d'une solution initiale, qui
est soit générée de façon aléatoire ou en utilisant une heuristique quelconque. Itération après
itération, la RT fait passer la recherche d'une solution Si à une solution Sj via de petites
modifications opérées sur les attributs de la solution actuelle (mouvement). Le passage d'une
solution à une autre se fait suivant les étapes suivantes :
A La génération de voisinage
Ayant la solution Si, la RT commence par calculer l'ensemble des voisins V(Si). Certaines des
solutions de V(Si) sont alors éliminées donnant lieu à l'ensemble V*(S i). Les solutions admises
dans V*(Si) sont déterminées de deux manières : soit en utilisant une mémoire attributive dite
liste tabou, ou en utilisant une mémoire explicite.
a Mémoire attributive (liste tabou)

Lors du passage d'une solution à une autre, les valeurs des attributs qui ont subits des
modifications sont ajoutées à la liste tabou. Prenons l'exemple d'une permutation des nombres
entiers compris entre 0 et 6 (FIG. IV-3). Après l'interversion de deux éléments de la
permutation, les anciennes positions des nombres déplacés sont insérées dans la liste tabou.
Ces attributs seront alors considérés comme tabou pour une certaine période de temps appelée
tenure tabou. Lors de la génération de l'ensemble V(S i), toute solution présentant un attribut
compris dans la liste tabou est ignorée ou simplement pénalisée.
Mouvement
[4 5 2 3 1 6 0] [4 5 3 2 1 6 0]
Liste tabou : Job Position

2 3
3 4
FIG . IV-3 Exemple de fonctionnement de la liste tabou
174
Annexes
a Mémoire Explicite
La mémoire explicite stocke, quant à elle, les meilleures solutions visitées pendant la
recherche ou celles dont le voisinage n'est pas encore exploré. Ces solutions sont insérées à
des périodes de temps stratégiques pour élargir l'ensemble V*(S i).
Vu que la taille de l'ensemble V*(Si) peut être assez grande, des stratégies visant à réduire
l'ensemble des mouvements considérés ont été proposées [Glover et Laguna 97]. Ces
stratégies sont connues sous la nomination de stratégies de liste candidate.
b Critère d'aspiration
Le statut tabou d'un attribut n'est pas rigide et peut vêtir plusieurs niveaux de restriction. Il est
ainsi possible de surmonter le caractère tabou d'une solution quand certaines conditions dites
critères d'aspiration sont réunies. Par exemple une solution qui est meilleure que toute autre
solution déjà visitée, sera cons idérée admissible même si elle présente des attributs tabous.
Une telle solution peut cependant être sujette à une pénalisation en fonction du degré tabou
quelle présente. Les niveaux tabous peuvent être mesurer en fonction de :
1. La période pendant laquelle l'attribut est resté tabou.

2. Le nombre d'attributs tabous que présente la solution.
3. La nature des critères d'aspiration qu'elle comporte.
B Sélection de la solution suivante

Quand l'ensemble des voisins est construit, la RT choisit la meilleure solution présente dans
cet ensemble. Que fait donc la RT quand l'ensemble V*(Si) est vide ? C'est à dire quand
l'ensemble des voisins de la solution courante Si sont tous tabous et qu'aucun ne présente des
critères d'aspiration. Dans ce cas, la RT reconsidère l'ensemble V(Si) en étudiant le statut
tabou des attributs de chaque solution voisine.
Une fois la nouvelle solution Sj est déterminée, la RT identifie l'ensemble des attributs altérés
en passant de Si à Sj . Ces attributs sont alors considérés tabou (ajoutés à la liste tabou)
pendant un certain nombre d'itérations.
C Condition d'arrêt
La recherche s'arrête généralement quand un nombre d'itérations limite est atteint. On peut
aussi choisir de fixer un nombre d'itérations au bout duquel, si aucune amélioration de la
meilleure solution n'est obtenue, on arrête l'investigation. Comme il est possible de spécifier
une borne inférieure f* de f. On décidera d'arrêter la recherche dès qu'une solution de valeur
f(Si) proche de f* est trouvée. Le diagramme de la figure FIG. IV-4 schématise le
fonctionnement de la RT pendant une itération.
175
Liste candidate
Générer un mouvement de la liste candidate

et construire une solution x`
Identi fier les attributs qui ont changé entre

x et x`.
Est ce que ces attributs sont tabou ?
Non Oui
Evaluer la solution x` en lui Test d'aspiration
infligeant une faible Oui
pénalité si elle présente des Est ce que x` satisfait un
attributs tabous critère d'aspiration?
Non
Si l'évaluation de x` est Infliger une forte pénalité en
meilleure que tout les se basant sur le statut tabou
voisins déjà examinée alors des attributs
x* = x
S'il reste d'autres Non Effectuer le mouvement de

Oui mouvements non analysés x vers x*
FIG . IV-4 Fonctionnement d'une itération de la Recherche T abou
A.3.3 Analyse des points forts de la Recherche Tabou

A. Utilisation de mémoire à court et à long terme : la liste tabou peut être considérée comme
une mémoire à court terme. Comme supplément de cette mémoire, la RT emploie des
mémoires à long terme pour renforcer son efficacité. Les mémoires fréquentatives
représentent bien ce type de structures. Elles procèdent par pénalisation et encouragement
de certains attributs. Ceci en maintenant des informations telles que la durée de temps
pendant laquelle les attributs apparaissent dans les solutions visitées, ainsi que la façon
avec laquelle les attributs changent. Glover [Glover et Laguna 97] soutient que les
avantages tirés de l'utilisation de la mémoire à long terme n'apparaît pas nécessairement
qu'après une longue période de temps.
B. Manipulation de données symboliques : Comme pour l'AG, la RT n'est pas contrainte par
le caractère entier ou continu des variables manipulées.
C. Utilisation minimale d'information a priori : La RT ne requiert qu'un moyen d'évaluer la

qualité d'une solution.
D. Recherche intensive : La stratégie d'intensification est basée sur la modification des règles
de sélection afin de favoriser les attributs de solutions historiquement prouvés bons. Ceci
peut être réalisé lors de l'étape de génération du voisinage. On pourra alors choisir de
176
Annexes
n'admettre dans V*(Si) que les solutions présentant des attributs spécifiques.
L'intensification peut aussi s'opérer par initiation d'un retour aux régions attractives de
l'espace de recherche afin de mieux les explorées.
Appliquer la RT à base de la liste tabou
Maintien d'une liste de solutions élites
Quand la progression de la recherche

devient lente : choisir une solution élite et
la supprimer de la liste
Relancer la RT depuis la solution choisie

en mettant à jour la liste élite.
FIG . IV-5 Stratégie d'intensification
Appliquer la RT à base de la liste tabou
Maintien d'une mémoire fréquentative
Quand la progression de la recherch e

devient lente : Entrer la boucle suivante
Appliquer la RT en maintenant la
mémoire fréqu entative jusqu'à atteindre
l'optimum local. Pénaliser les solutions
présentant des attributs fréquents.
FIG . IV-6 Stratégie de diversification
E. Introduction de mécanismes de diversification : Werra et Hertz [Werra et Hertz 89]

définissent le compromis à tenir entre intensification et diversification par "Une recherche
intelligente, ne doit pas seulement explorer entièrement les régions de bonnes solutions,
mais elle doit aussi avoir une vue générale de l'espace de recherche et de s'assurer
qu'aucune région n'a été complètement ignorée". La diversification désigne donc
l'ensemble des moyens servant à explorer de nouvelles régions. Souvent ces mécanismes
se basent sur une modification des règles de sélection afin d'introduire des attributs
rarement utilisés. Ces attributs peuvent être introduit de manière partielle ou totale ou en
pénalisant les solutions contenant des attributs fréquemment utilisés. Le moment
d'introduire la diversification est souvent crucial, par exemple lors de l'atteinte d'un
optimum local ou après un nombre déterminé d'itérations.
177
La RT peut aussi se servir de la tenure des attributs tabous comme moyen de

diversification. Quand la progression de la recherche devient lente, la tenure des attributs
tabous est augmentée.
La RT peut aussi être lancée plusieurs fois. Pour empêcher que la recherche n'aboutisse
toujours à la même solution finale, la fonction f à optimiser est révisée afin de favoriser les
régions non explorées. On peut aussi s'assurer de démarrer avec des solutions initiales
équitablement réparties dans l'espace de recherche.
178
Annexe B Outils d'ingénierie pour le design des réseau x
radiomobiles
Dans cette annexe nous décrivons deux des outils d'ingénierie utilisés par France Télécom et
7 8
cités dans le cadre de cette thèse : PARCELL© et AGORA© . Pour chacun de ces logiciels
nous donnons une description rapide des principales fonctionnalités proposées.
B.1 PARCELL
PARCELL (Planification Assistée de Réseaux CELLulaires) est un logiciel de conception et
d'assistance de réseaux radiomobiles. Cette fonction est réalisée grâce à une représentation
informatique des différentes données composant un réseau radiomobile permettant la
visualisation et la manipulation d'une manière interactive des éléments du réseau :
emplacement des sites, emplacement des stations, paramètres des antennes... La figure FIG.
IV-7 présente l'interface générale du logiciel PARCELL.
FIG . IV-7 Exemple de l'interface PARCELL : carte générale de France
7
Outil d'ingénierie des réseaux radiomobiles, propriété d'ORANGE et égalem ent une marque déposée par
France Télécom.
8
AGORA Outil de planification des fréquences, propriété d'ORANGE.
AGORA est une dénomination interne à ORANGE France et France Télécom.
179
Annexe B. Outils d'ingénierie pour le design des réseaux radiomobiles
PARCELL intègre aussi une palette de modèles de propagation lui permettant de calculer la
puissance du champ reçu sur un point de l'aire de couverture à partir d'une station donnée. Ce
calcul est effectué sur la base des données géographiques ainsi que des paramètre de la station
émettrice.
FIG . IV-8 Calcul de la puissance d'un champ émis par une station sur un point.
A partir du calcul des champs, PARCELL est capable de fournir une multitude de
cartographies se rapportant aux notions de couverture, de recouvrement… L'utilisateur utilise
à cet effet les calques PARCELL. Un calque se présente comme une description formelle de
la cartographie réseau souhaitée faite grâce à une expression mathématique. Pour illustrer ce
principe, nous faisons appel à trois exemples explicatifs décrits dans les figures FIG. IV-9,
FIG. IV-10 et FIG. IV-11. Nous donnons pour chaque exemple la formulation du calque
correspondant ainsi que le résultat affiché par PARCELL. La première figure correspond à un
calque de couverture. Nous désirons, dans ce cas, visualiser l'ensemble des points du terrain
couverts par au moins une station. Le critère de couverture d'un point est représenté dans le
calque par la condition suivante : le nombre de stations présentant un champ C supérieur -85
dB est plus grand que 0. Le second exemple représente un calque de cellules. L'objectif est
d'afficher la couverture cellulaire de chaque station avec des couleurs et motifs différents.
Dans la troisième figure, nous donnons un exemple de calque de niveau de trafic. Dans cet
exemple, nous désirons visualiser la zone dont la charge en trafic est en dessous de 1.5 erlang.
180
Annexes
FIG . IV-9 Calque de couverture
FIG . IV-10 Calque de cellules
FIG . IV-11 Calque de niveau de trafic
181
Annexe B. Outils d'ingénierie pour le design des réseaux radiomobiles
Signalons de plus que les calques PARCELL sont aussi utilisés pour l'affichage des reliefs
géographiques et des données sursols (végétation, bâtiments…).
B.2 AGORA
AGORA (Algorithme Génétique d'Optimisation Radio) est un outil de planification assistée
des fréquences propriété de France Télécom. La fonction principale du logiciel est la
génération complète ou partielle des plans de fréquences. Pour cela, AGORA utilise les
données issues de PARCELL se référant aux champs prédits sur chaque maille et à la
description du réseau.
La génération des plans de fréquences se fait à l'aide d'un moteur de recherche basé sur la
technique d'algorithmes génétiques. La figure FIG. IV-12 montre le déroulement d'une
recherche génétique sur un problème d'affectation de fréquences. Deux modes de recherche
sont possibles : global et partiel. Dans le mode de planification de fréquences partielle, un
plan de fréquences initial est considéré. Par conséquent, seul un sous-ensemble des fréquences
déjà assignées est susceptible d'être modifié. Pour cela, l'utilisateur peut définir soit
spécifiquement les assignements libres soit définir le nombre de fréquences à changer. Dans
la planification globale des fréquences l'ensemble de tous les assignements est considéré libre
et la recherche du plan de fréquences est faite sans contraintes de pré-assignement.
De même, l'utilisateur peut spécifier deux types d'objectif pour la recherche : la minimisation
de la surface brouillée ou la minimisation du trafic brouillé. Dans le premier cas la fonction
objectif se présente grossièrement comme le produit de la profondeur du brouillage et de la
superficie de la surface brouillé. Dans le second cas, la fonction objectif correspond au
produit de la puissance des brouillages et du trafic brouillé.
FIG . IV-12 Déroulement de la recherche d'un plan de fréquences dans AGORA.
En plus de sa fonction en tant qu'outil de planification des fréquences, AGORA se présente

comme un bon moyen d'évaluation de la qualité des plans de fréquences. Ainsi AGORA
permet deux modes d'évaluation d'un plan de fréquences en C/I ou en FER. Dans chaque cas,
182
Annexes
AGORA donne une estimation du trafic perdu sur chaque station ainsi que la quantité totale
de trafic brouillée sur le réseau et ceci pour différents seuils de qualité (cf. FIG. IV-13).
FIG . IV-13 Evaluation en FER de la qualité d'un plan de fréquences.
183
Annexe C Acronymes
ADF Affectation Dynamique des Fréquences

AFF Affectation Fixe des Fréquences
AG Algorithme Génétique
AGH Algorithme Génétique Hybride
AGHSLT Algorithme Génétique Hybride Sans Liste Tabou
AGM O Algorithme Génétique M ultiObjectif
AGORA Algorithme Génétique d'Optimisation Radio. AGORA est un outil de
planification des fréquences, propriété d'ORANGE.
AGORA est aussi une dénomination interne à ORANGE France et France
Télécom
AHF Affectation Hybride des Fréquences
AM F Affectation M iltipériode des Fréquences
ARF Affectation Robuste des Fréquences
BS Base Station
BSC Base Station Controller
BSS Base Station
BTS Base Transceiver Station
C/I Carrier to Interferer ratio

C450 réseau Cellulaire analogique fonctionnant dans la bande de fréquence 450 M Hz
CT2 Cordless Technology 2
CDM A Code Division M ultiple Access
CDM A2000 Code Division M ulti Access for IMT-2000 .
CEPT Conférence Européenne des Postes et Télécommunications
DCS 1800 Digital Cellular System 1800. Adaptation de la nome GSM pour la bande de
fréquence 1800M Hz.
DECT Digital Enhanced Cordless Telecommunications
DSATUR Degree of SATURation. Heuristique de coloration de graphe propsée par
Brélaz.
FDM A Frequency Division M ultiple Access

FER Frame Erasure Rate
FHS Frequency Hopping System
FIFO First In First Out
GSM Global system for M obile Communication

GPRS General Packet Radio Service
ème
H2C 2 Heure la plus Chargée
HLR Home Location Register
HP Hewlett Packard
IM SI International M obile Subscriber Identity

IS-95 Intermediate Standard 95
184
Annexes
MAIO M obile Allocation Index Order

MAL M obile Allocation List
M SC M obile-services Switching Center
M SISDN M obile Station ISDN Number
NM T 450 Nordic M obile Telephone utilisant la bande de fréquences autour des 450 M Hz
NM T 900 Nordic M obile Telephone utilisant la bande de fréquences autour des 900 M Hz
NP Non-deterministic Polynomial time
NP-Complet sous ensemble de NP contenant les problèmes les plus difficiles.
NSS Network Sub-System
OD Optimisation Dynamique
OM C Operation and M aintenance Center
PAF Problème d'Affectation de Fréquences

PARCELL Planification Assistée de Réseaux CELLulaires. PARCELL est un outil
d'ingénierie des réseaux radiomobiles, propriété d'ORANGE et également une
marque déposée par France Télécom.
PCC Planification des Capacités Cellulaires
PDC Personal Digital Cellular. Système de téléphonie mobile digital basé sur le
mode d'accès TDM A.
PPA Positionnement et Paramétrage d'Antennes
PVM Parallel Virtual M achine
RLF Recursive Largest First. Heuristique de coloration proposée par Brélaz.

RNC Radio Network Controller
RT Recherche Tabou
RTM S Radio Telephone M obile System
RTP Reception Test Point
SIM Subscriber Identity Module

STP Service Test Point
TACS Total Access Communications System

TCH Traffic CHanel
TDMA Time Division M ultiple Access.
TM SI Temporary M obile Station Identity
TRX Transmitter-Receiver
TTP Traffic Test Point
UIT Union Internationale des Télécommunications

UM TS Universal M obile Telephone Service
USIM Universal Subscriber Identity M odule
UTRA Universal Terrestrial Radio Access
UTRAN Universal Terrestrial Radio Access Network
VLR Visitor Location Register
185
Bibliographie
Bibliographie
187
Bibliographie
K. Aardal, S. Hoesel, A. Koster, C. M annino, A. Sassano "Models and S olution Techniques

for Frequency Assignment Problems" ZIB-Report 01-40, 2001.
A. Akrout "Problèmes d'Affectation de Fréquences : Méthodes Basées sur le Recuit

Simulé" Rapport technique, 1994, CNET, Paris.
S. Ali, A. M aciejewski, H. Singel, J-K. Kim "Definition of a Robustness Metric for

th
Resource Allocation" Proc. 17 International Parallel and Distributed Processing
Symposium, 2003.
H. Anderson, J. M cGeehan "Optimizing Microcell Base S tation Location Using S imulated

Annealing Techniques" Proc. IEEE VTC, 1994, N° 43, pp 858-862.
T. Bäck, U. Hammel "Evolution S trategies Applied to Perturbed Objective Functions",
1994, Proc. the First IEEE Conference on Evolutionary Computation, pp 40-45, IEEE Press.
J. E. Baker "Adaptive S election Methods for Genetic Algorithms", Proc. International
conference on Genetic Algorithms and their application, 1985, pp 101-111.
J.E.Baker "Reducing Bias and Inefficiency in the Selection Algorithm" Proc. Second
International Conference on Genetic Algorithms, 1987, pp 14-21.
A. Baier, K. Bandelow "Traffic engineering and realistic network capacity in cellular
radio networks with inhomogeneous traffic distribution" Proc. IEEE VTC, 1997, N° 46,
pp 780-784.
A. Balakrishnan, T. M agnanti "A Decomposition Algorithm for Local Access
Telecommunications Network Expansion Planning" Operations research, 1995, N°1, pp
58-76.
R. Borndorfer, A. Eisenblatter, M . Grotschel, A. M artin "Frequency Assignment in Cellular
Phone Networks" ZIB-Repport 97-35, juillet 1997.
J. Branke "Creating Robust S olutions by Means of Evolutionary Algorithms" Proc.
Parallel Problem Solving from Nature (PPSN'98), LNSC 1498, 1998, pp 119-128.
J. Branke "Memory Enhenced Evolutionary Algorithms for Changing Optimization
Problems" Proc. Congress on Evolutionary Computation, 1999, pp 1875-1882.
J. Branke, D. C. M attfeld "Anticipation in Dynamic Optimization: the S cheduling Case"
Proc. Parallel Problem Solving from Nature (PPSN VI), 2000, pp 253-262.
J. Branke, T. Kauler, C. Schmidt, H. Schmeck "A MultiPopulation Approach to Dynamic
Optimization Problems" Proc. Adaptive Computong in Design and Manufacture, 2000, pp
299-308.
J. Branke "Evolutionary Approaches to Dynamic Optimization Problems – Updated
Survey" Proc. GECCO Workshop on Evolutionary Algorithms for Dynamic Optimization
Problems, 2001, A. Wu (ed.), page 27-30.
D. Brélaz "New Methods to Color Vertices of Graph" Communications of ACM, 1979, N°
22, pp 251-256.
K. M . Bretthauer, M . J. Côté "Nonlinear Programming for Multiperiod Capacity Planning
in a Manufacturing S ystem" European Journal of Operational Research, 1996, pp 167-179.
188
Bibliographie
P. Caligari, F. Guidec, P. Kuonen, D. Wagner "Genetic Approach to Radio Network

Optimization for Mobile S ystems" Proc. IEEE VTC, 1997, N° 46, pp 755-759.
A. Caminada "Résolution du problème de l'affectation des fréquences par

programmation par contraintes" Rapport technique, CNET, Belfort, 1995.
B. Chamaret, S. Josselin, P. Kuonen, M . Pizarroso, B. Salas-M anzanedo, S. Ubeda, D.

Wagner "Radio network optimizatioin with maximum independent set search" Proc.
IEEE VTC, 1997, N° 46, pp 770-774.
P. Chambreuil "Evaluation multicritère des réseaux cellulaires radio-mobiles" Rapport

Interne, FTR&D, novembre 2000.
P. Chambreuil, D. Renaud "Probabilistic Approach for Evaluation of Service Quality in

GS M Networks in Frequency Hopping Situations" Proc. International Conference on
Software, Telecommunications and Computer Networks, SoftCOM, 2002.
T. H Chan, M . Palaniswani & D. Everitt "Neural Network-based Dynamic Channel

Assignment for Cellular Mobile Communication S ystems" Proc. IEEE Transaction on
Vehicular Technology, 1994, Vol 43, N° 2, pp 279-288.
S-G. Chang, B. Gavish "Lower bounding procedures for multiperiod telecommunications
network expansion problem" Operations Research, 1995, Vol 43, N°1, janvier–février, pp
43-57.
K-N Chang, S. Kim "Call Blocking Performance of New Dynamic Channel Assignment
S cheme in Cellular Radio Networks" Proc. IEEE VTC, 1996, pp 198-202.
I. Charon et O. Hudry "The Noising Method: a New Method for Combinatorial
Optimization" Operations Research Letters 14, 1993, pp 133-137.
B. Château, M . Jaccard "Dimension of Uncertainty and Long-Term Energy Demand
Modeling" Proc. Riso International Conference on models and uncertainty in the energy
sector, 1986.
L. Chen, S. Yoshida, H. M urata "A Dynamic Channel Assignment Algorithm for Voice
and Data Integrated TDMA Mobile Radio" Proc. IEEE VTC, 1996, pp 213-217.
C. Chiang "A Note on Optimal Policies for a Periodic In ventory S ystem with Emergency
Orders" Computers & Operations Research, 2001, N° 28, pages 93-103.
C. A. C. Coello "An Empirical S tudy of Evolutionary Techniques for Multiobjective
Optimization in Engeneering Design" Thèse de doctorat, Departement of Computer
Science, The Graduate School of Tulane University, avril 1996.
A. Colorni, M . Dorigo, V.M aniezzo, G. Roghini, M . Trubian "Heuristics from Nature for
Hard Combinatorial Oprtimization Problems" International Transaction In Operational
Research, 1996, Vol 3, N°1, pp 1-21.
P. Darwood, I. Oppermann, S. Jakas, W. Linton "Mobile Network Traffic Forecasting"
Proc. IEEE VTC, 2000, pp 2932-2936.
189
Bibliographie
K. A. DeJong "Analysis of the Behavior of a Class of Genetic Adaptive S ystems" Thèse de

doctorat, Department of Computer and Communication Science, University of Michigan,
1975.
E. Dinan, A. Kurochkin, S. Kettani "UMTS Radio Interface S ystem Planning and

Optimization" Bechtel Telecommunications Technical Journal, December 2002, Vol 1, N° 1.
T. Dony, Y. Duniau, P. Reininger, A. Caminada "Positionnement et paramétrage

d'antennes micro et macro cellulaires" Rapport de synthèse, Janvier 1998, FTR&D.
R. Dorne, J. Hao "An Evolutionary Approach for Frequency Assignement in Cellular

Radio Networks" Proc. IEEE International Conference on Evolutionary Computation, 1995,
pp 539-544.
R. Dorne, J. Hao "Tabu S earch for Graph Coloring, T-oloring and Set T-coloring" Meta-
heuristics: advances and trends in local search paradigms for optimization, 1998, Chapitre 6,
Kluwer academic publishers, pp 77-92.
R. Dorne "Etude des Méthodes Heuristiques pour la Coloration, la T-Coloration et

l'Affectation de Fréquences" Thèse de doctorat, Université de Montpellier II, 1998.
P. F. Drienssen "Measured Propagation Characteristics of 900 MHz Mobile Radio
Channels in Mountainous Terrain" Proc. IEEE VTC, 1990, N° 40, pp 603-609.
A. Dutta, J-I. Lim "A Multiperiod Capacity Planning Model for Backbone Computer
Communication Networks" Operations Research, 1992, Vol 40, N° 4, Juillet-Aout, pp 689-
705.
A. Eisenblatter, M . Grotschel, A. Koster "Frequency Planning and Ramifications of

Coloring" ZIB-Repport 00-47, décembre 2000.
A. Eisenblatter "Frequency Assignment in GS M Networks: Models, Heuristics, and

Lower Bounds" Thèse de doctorat, Université Technologique de Berlin, 2001.
M . Feistel, A. Baier "Performance of a Three-Dimensional Propagation Model in Urban

En virenments" Proc. Personal Indoor and Mobile Radio Conference, 1995, pp 402-407.
M . Fischetti, C. Lepschy, G. M inerva, G. Romanin-Jucar, E. Toto "Frequency Assignement

in Mobile Radio S ystems Using Branch-and-cut Techniques" European Journal of
Operational Research, 2000, N° 123, pp 241-255.
C. Fleurent, J. A. Ferland "Genetic and hybrid algorithms for graph coloring" G. Laporte,
I. H. Osman and P. L. Hammer (Eds.), Annals of Operations Research, "Metaheuristics in
Combinatorial Optimization", 1996, Vol 63.
O. Flippo, A. Kolen, A. Koster, R. Van de Leesel "A Dynamic Programming Algorithm for
the Local Access Telecommunication Network Expansion Problem" European Journal of
Operational Research, 2000, N° 127, pp 189-202.
L. Floriani "Wireless Network Design Complexity—the BS Location Problem" Rapport

interne FTR&D, 2000.
190
Bibliographie
L. Floriani, G. M ateus "Optimization Models for Effective Cell Planning Design" proc. 1st
International Workshop on Discrete Algorithms and Methods for Mobile Computing and
Communication, 1997.
P. Galinier, J. Hao "Hybrid Evolutionary Algorithms for Graph Coloring" Journal of

Combinatorial Optimization, 1999, 3(4), pp 379-397.
Gamst "A Resource Allocation Technique for FDMA S ystems" Alfa Frequenza, 1988,
57(2), pp 89-96.
A. Gaspar, P. Collard "From GAs to Artificial Immune S ystems: Improving Adaptation
in Time Dependent Optimization" proc. The Congress on Evolutionary Computation. Vol.
3. IEEE Press, Washington D.C., USA, 1999, pp 1859–1866.
M . Gendreau, J.Y. Potvin "Dynamic Vehicle Routing and Dispatching" Fleet Management
and Logistics, T.G. Crainic and G. Laporte eds, Kluwer, Boston, 1998, pp 115-126.
H. Gerking "Modeling of Multi-S tage Decision-Making Processes in Multi-Period
Energy-Models" European Journal of Operational Research, 1987, N° 32, pp 191-204.
A. I. Giortzis, L. F. Turner "A Mathematical Programming Approach to the Channel

Assignment Problem in Radio Networks" proc. IEEE VTC, 1996, N° 46, pp 736-740.
S. Glisic, B. Vucetic "S pread S pectrum CDMA S ystems for Wireless Communication"
Artech House Publishers, 1997.
F. Glover, M . Laguna "Tabu S earch " Kluwer Academy Publishers , 1997.
D. E. Goldberg "Genetic Algorithms in Search, Optimization, and Machine Learning"

The university of Alabama, Eddison Wesley, 1989.
P. Gondim "Genetic Algorithms and the Location Area Partitioning Problem in Cellular
Networks" poc. IEEE VTC, 1996, N° 45, pp 1835-1838.
E. Grave, A.Liagre "Gestion de Colonisation de Fourmis pour le Problème de Clique

Maximale" Mémoire de Maîtrise d'informatique à l'université de Lille, 1999.
P. Greistorfer "Hybrid Genetic Tabu Search for a Cyclic S cheduling Problem" Met-
heuristics advances and trends in local search paradigms for optimization, Klewer Academic
Publishers, 1999, pp 213.
D. Grillo, F. U. Bordoni, R. Skoog, B. Chia, K. Leung "Teletraffic Engineering for Mobile

Personal Communications in ITU-T Work: the Need to Match Practice and Theory"
IEEE Personal Communications, 1998, pp 38-58.
B. Guisnet "La Propagation pour les Services de Mobilité" Réunion d'animation technique
N° 6 "Les communication avec les mobiles", 1998.
J. Hao, R. Dorne, P. Galinier "Tabu S earch for Frequency Assignment in Mobile Radio
Networks" Journal of heuristics, 1998, N° 4, pp 47-62.
W.K. Hale "Frequency Assignment: Theory and Application" Proceedings of IEEE, 1980,
68(12), pp 1498-1573.
191
Bibliographie
U. Hammel, T. Bäck "Evolution S trategies on Noisy Functions, How to Improve

Convergence Properties" proc. Parallel Problem Solving from Nature, 1994, pp 418-427.
M . Hellebrandt, F. Lambrecht, R. M athar, T. Niessen, R. Starke "Frequency Allocation and

Linear Programming" proc. IEEE VTC, N° 48, 1999, pp 617-621.
A. Hertz, M . Widmer "La méthode Tabou appliquée aux problèmes d'ordonnancement"

Automatique-Productique. Informatique Industrielle Numéro Spécial ordonnancement, Vol
29, N° 4-5, page 353, 1995.
J. Holland "Adaptation in Natural and Artificial S ystems" Michigan Press University, Ann
Arbor, MI, 1975.
H. Holma, A. Toskala "UMTS les Réseaux Mobiles de Troisième Génération" Edition

OEM, 2001.
J-T. Horng, M -H Jin, C-Y. Kao "S olving Fixed Channel Assignment Problem by an
Evolutionary Approach" proc. Genetic and Evolutionary Computation Conference, 2001, pp
351-358.
C. R. Houck, J. A. Joinies, M .G. Kay "A Genetic Algorithm for Function Optimization: A
Matlab Implementation" Rapport Technique NCSU-IE 9509, North Carolina State
University, 1995.
C. R. Houck, J. A. Joinies, M . G. Kay. "Characterizing S earch S pace for Tabu S earch"

North Carolina State University www.ncsr.edu.
S. Hurley "Automatic Base S tation Selection and Configuration in Mobile Networks"

proc. IEEE VTC, 2000, N°52, pp 2585-2592.
S. Hurley, R. M . Whitaker, D. H. Smith "Channel Assignment in Cellular Networks

without Channel Separation Constraints" proc. IEEE VTC, 2000, N° 50, pp 1714-1718.
S. Hurly "Planning Effective Cellular Mobile Radio Networks" IEEE Transactions on

Vehicular Technology, 2002, Vol 51, N° 2, pp 243-253.
J. Hviid, J. B. Andersen, J. Tofgard, J. Bojer "Terrain-Based Propagation Model for Rural

Area; An Integral Equation Approach" IEEE Transaction on Antennas and Propagation,
1995, Vol 43, N° 1, pp 41-45.
L. Ibbetson, L. Lopes "An Automatic Base Site Placement Algorithm" proc. IEEE VTC,
1997, N° 46, pp 760-764.
B. Jabbari, W. F. Fuhrmann "Teletraffic Modeling and Analysis of Flexible Hierarchical

Cellular Networks with S peed-Sensitive Handoff S trategy" IEEE Journal on Selected
Areas in Communications, 1997, 15 (8), pp1539-1548.
B. Jabbary "Fixed and Dynamic Channel Assignment" in The Communications Handbook,
2nd edition, CRC Press LLC, 2002.
F. Jaimes-Romero, D. Munoz-Rodreguez "Channel Assignment in Cellular Systems Using Gene tic
Algorithms" proc. IEEE VTC, 1996, N° 45, pp 741-745.
192
Bibliographie
I. Katzela & M . Naghshineh "Channel Assignment S chemes for Cellular Mobile

Telecommunication S ystems: A Comprehensive Survey" IEEE Personal Communications,
1996, pp 10-31.
H. Khedher, F. Valois, S. Tabbane "Traffic Characterization for Mobile Networks" proc.
IEEE VTC, 2002, N° 56, pp 1485-1489.
A. J. Kleywegt, V. S. Nori, M . W. P. Savelsbergh "Dynamic and Stochastic Resource
Minimization" Rapport technique 97-05, The Logistics Institute, School of Industrial and
Systems Engineering, Georgia Institute of Technology, 1997.
T. Kurner, D. J. Cichon, W. Wiesbeck "Concepts and Results for 3D Digital Terrain-Based

Wave Propagation Models: An Overview" IEEE Journal on Selected Areas in
Communications, 1993, Vol 11, N° 7, pp 1002-1012.
X. Lagrange "Les Réseaux Radiomobiles" Hermes Science Publications, 2000.
X. Lagrange, P. Godlewski, S. Tabbane "Réseaux GS M-DCS" Hermes Science Publications,

1999.
W. Lee, "Mobile Communications Design Fundamentals" Wiley Series in

Telecommunications, 1992.
M . Levin, B. Epstein "The Effects of Capacity Limitation on Frequency Diversity Gain in

FH/TDMA S ystem" proc. IEEE VTC, 1996, N° 45, pp 1786-1789.
T. Lissajoux "Maillage Adaptatif et Approche Evolutionniste pour le Dimensionnement

de Réseaux Radiomobiles" Thèse de doctorat, Université de technologie de Belfort-
Montbéliard, 2002.
V. H. M ac Donald "Advanced Mobile Phone Service: The cellular Concept" The Bell
System Technical Journal, 1979, pp 15-41.
J. G. M arkoulidakis, J. E. Dermitzakis, G. L. Lyberopoulos, M . E. Theologou "Handover

Prioritesed S chemes for Optimal Capacity and Overload Management in Cellular
Mobile S ystems" proc. IEEE VTC, 1999, N° 48, pp 1491-1495.
M . A. M arsan, G. De Carolis, E. Leonardi, R. Lo Cigno, M . M eo "Efficient Estimation of

Call Blocking Probabilities in Cellular Mobile Telephony Networks with Customer
Retrials" IEEE Journal on Selected Area in Communications, 2001, 19 (2), pp332-346.
V. M artin, J. Geffard, J-L. Lutton "A Multiperiod Capacity Planning Model for Global
Telecommunications Networks" Deuxième séminaire d'optimisation de Sophia Antipolis – 4
et 5 Juin 1998.
R. M artinez, D. Trosa, L. de Haro, M . Calvo "S mart Antennas Performance Evaluation

and Capacity Increase for WCDMA UMTS " proc. IEEE VTC, 2001, N° 53, pp 147-151.
R. M athar "Mathematical Modeling, Design, and Optimization of Mobile
Communication Networks" Jahresbericht Dt. Math.-Verein, 2001, N° 103, pp 101-114
193
Bibliographie
R. M athar, M . Schmeink "Optimal Base S tation Positionning and Channel Assignment for
3G Mobile Networks by Integer Programming" Annals of Operations Research, 2001, N°
107, pp 225-236.
S. M atsui, I. Watanabe, K. Tokoro "A Parameter-Free Genetic Algorithm for a Fixed

Channel Assignment Problem with Limited Bandwidth" Proc. Parallel Problem Solving
from Nature-PPSN VII, 2002, pp 789-799.
R. M enolascino, M . Pizarroso, C. Lepschy, B. Salas "Third Generation Mobile S ystems,

Planning Issues" proc. IEEE VTC, 1998, N° 47, pp 830-834.
P. M erz and B. Freisleben, "Fitness Landscape Analysis and Memetic Algorithms for the
Quadratic Assignment Problem" IEEE Transactions on Evolutionary Computation, 2000,
4(4), pp 337-352.
A. M olina, G. Athanasiadou, A. Nix "The Automatic Location of Base-S tations for

Optimized Cellular Coverage: a New Combinatorial Approach" proc. IEEE VTC, 1999,
N° 48, pp 606-610.
T.M urata, H.Ishibuchi "Genetic Algorithm and Neighborhood Search For Fuzzy
Flowshop S cheduling Problems" Fuzzy Sets and Systems, 1994, Vol 67, pp 81-100.
K. M urray, D. Pesch "Adaptive Radio Resource Management for GS M/GPRS Networks"
proc. First joint IEI/IEE Symposium on Telecommunications Systems Research, 2001.
A. Nagar, J. Haddock, S. Heragu "Multiple and Bicriteria S cheduling: a Literature
Survey" European Journal of Operational Research, 1995, Vol 81, pp 88-104.
P. Newson, S. R. Nursey "An Adaptive Traffic Prediction Algorithm for Cellular Radio
S ystems" Proc. IEEE VTC, 1994, N° 44, pp 130-134.
S. Obayashi, S. Takahashi, Y. Takeguchi "Niching and Elitist Models for MOGAs" proc.
Parallel Problem Solving from Nature-PPSN V, 1998, pp 260-269.
F. Olivier "Optimisation de Répartition de Ressources pour les Réseaux Radiomobiles"

Mémoire C.N.A.M, Novembre 1999.
E. Onur, H. Deliç, C. Ersoy, M . Çaglayan "On the Retrial and Redial Phenomena in GS M
Networks" proc. Wireless Communications and Networking Conference, 2000, pp 885-889.
E. Onur, H. Deliç, C. Ersoy, M . Çaglayan "Measurement-Based Replanning of GS M Cell

Capacities Considering Retrials, Redials and Hand-offs" proc. IEEE International
Conference on Communications, 2002, pp 3361-3365.
E.Ozcan, C.K.M ohan "Simulated Annealing and Genetic Algorithms for Partial S hape
Matching" proc. The Eleventh International Symposium on Computer and Information
Sciences, 1996, pp 173-181.
J. Pereira, B. Paulré "Flexibility in Manufacturing Systems: a Relational and a Dynamic
Approach" European Journal of Operational Research, 2001, N° 130, pp 70-82.
P. Reininger, A. Caminada, S. Iksal, J. Korczak "Multi-Stage Optimization for Mobile
Radio Network Planning" proc. IEEE VTC, 1999, pp 2034-2038.
194
Bibliographie
P. Reininger, A. Caminada "Genetic Algorithm for Multiperiod Optimization of Cellular

Network" Rapport Interne, FTR&D, Belfort.
P. Reininger "Modélisation pour l'Optimisation des Réseaux Cellulaires GS M" Thèse de

doctorat, Université Louis Pasteur Strasbourg, Juillet 2000.
P. Reininger "Multicriteria Design Model for Cellular Network" Annals of Operations

Research, 2001, N° 107, pp 251-265.
D. Renaud, A. Caminada "Evolutionary Methods and Operators for Frequency

Assignment Problem" SpeedUp Journal, 1997, Vol 11, N° 2, pp 27-32.
J. M . Renders, "Algorithmes Génétiques et Réseaux de Neurones" Editions Berti, 1994.
G. Riva, M . Frullone, C. Passerini, G. Falciasecca "Impact of the Multiple Access S cheme

on Optimal Site Positioning" Proc. IEEE ICUPC 98, 1998, pp 547-551.
J. Sanchez, M . Thioune "UMTS , Service Architecture et WCDMA" Hermes Science

Publications, 2001.
E. Sarkola "Channel Assignment Methods in Frequency Hopping Cellular Radio

Networks" proc. IEEE International Symposium on Personal, Indoor and Mobile Radio
Communications, 1997, N° 3, pp 771-775.
M . Savelsbergh, M . Sol "DRIVE: Dynamic Routing of Independent Vehicles" Operation
Research, 1998, N° 46, pp 474-490.
C. Scavadro "Modélisation Vectorielle de Cellules GS M" Projet Industriel, FTR&D et

Université de Technologie de Belfort-Monbéliard, 1999.
H. Sherali, C. M ohan, T. Rappaport "Optimal Location of Transmitters for Micro-Cellular

Radio Communication S ystem Design" IEEE journal on selected areas in communications,
1996, Vol 14, N° 4, pp 662-673.
A. Shulman, R. Vachani "A Decomposition Algorithm for Capacity Expansion of Local
Access Networks" IEEE Transaction on communications, 1993, Vol 41, N° 7, pp 1063-1073.
P. Siarry, G. Dreyfus "La Méthode du Recuit Simulé : Théorie et Applications" Ouvrage
de synthèse, Editions ESPCI-IDSET, 1989.
P. Strangert "Information, Uncertainty and Adaptive Planning" Thèse de doctorat,
Stockholm School of Economics, 1974.
J. Tajima, K. Imamura "A S trategy for Flexible Channel Assignment in Mobile

Communication S ystems" IEEE Transaction on Vehicular Technology, 1988, Vol 37, N° 2,
pp 92-103.
S. Y. Tan, H. S. Tan "An Improved Three-Dimensional Propagation Model and

th
Measurements for Indoor Wireless Communication Systems" proc. 10 International
Conference on Antenna and Propagation, 1997, pp 2.316-2.318.
195
Bibliographie
G. W. Tunnicliffe, A. R. M urch, A. Sathyendran, P. J. Smith "Analysis of Traffic

Distribution in Cellular Networks" proc. IEEE VTC, 1998, pp 1984-1988.
G. W. Tunnicliffe, A. Sathyendran, A. R. M urch "Frequency Hopping" proc. IEEE VTC, N°

46, 1997, pp 1857-1861.
K. Tutschku "Interference Minimization Using Automatic Design of Cellular

Communication Networks" proc. IEEE VTC, 1998, N° 47, pp 634-638.
K. Tutschku, R. M athar, T. Niessen "Interference Minimization in Wireless

Communication Systems by Optimal Cell Site Selection" proc. EPMCC, 1999, pp 208-
213.
K. Tutschku "S patial Traffic Estimation and Characterization for Mobile
Communication Network Design" IEEE Journal on selected areas in communications,
1998, Vol 16, N° 5.
M . Vasquez, J. Hao "A Heuristic Approach for Antenna Positioning in Cellular

Networks" Journal of Heuristics, 2001, 7(5), pp 443-472.
ème
B. H. Walke "Mobile Radio Networks" 2 édition, WILEY, 2002.
W.T. Webb, J.E.B. Williams, R.Steele "Microcellular Teletraffic Levels" Seventh IEE
European Conference, 1993, pp 125-130.
A. de Werra, A. Hertz "Tabu Search Techniques: A Tutorial and an Application to
Neural Networks" OR Spektrum, 1989, Vol 11, pp 131-141.
D. L. Woodruff "A Chunking Based S election S trategy for Integrating Meta-heuristics
with Branch and Bound" Meta-heuristics advances and trends in local search paradigms for
optimization, Kluwer Academic Publishers, Voß et al., eds, 1998, pp 499-511.
J. Xu, S. Y. Chiu, F. Glover "Tabu S earch for Dynamic Routing Communications
Network Design" Telecommunication systems, 1997, N° 8, pp 55-77.
J. Yang, J. Lin "Optimization of Power Management in CDMA Radio Network" proc.

IEEE VTC, 2000, N° 52, pp 2642-2647 .
K. L. Yeung, T-S. P. Yum "Fixed Channel Assignment Optimisation for Cellular Mobile
Networks" IEICE Transaction on Communications, 2000, Vol E83, N° 8, pp 1783-1791.
M . Yokoo, K. Hirayama "Frequency Assignment for Cellular Mobile Systems Using

Constraint S atisfaction Techniques" proc. IEEE VTC 2000, N° 51, 888-894.
E. Zitzler "Evolutionary algorithms for multiobjective optimization: methods and

application" Thèse de doctorat, Swiss federal institute of technology, Zurich, Switzerland,
Novembre 1999.
196
Bibliographie
Publications Personnelles
Conférences Internationales
H. M abed, A. Caminada, J-K. Hao, (2002). A Dynamic Traffic Model for Frequency
th
Assignment, LNCS 2439, 7 International Conference on Parallel Problem Solving from
Nature- PPSN 2002, pp 779-788, Grenade, Espagne.
H. M abed, A. Caminada, J-K. Hao, D. Renaud, (2003). Multi-period channel assignment, IST
M obile & Wireless Communications Summit- IST 2003, pp 123-127, Aveiro, Portugal.
H. M abed, A. Caminada, J-K. Hao, (2003). Multi-period Channel Assignment, LNCS 2775,
th
8 International Conference on Personal Wireless Communications from Nature- PWC 2003,
pp 541-554, Venise, Italie.
H. M abed, A. Caminada, J-K. Hao, (2003). Genetic Tabu Search for Robust Channel
Assignment under Dynamic Traffic Data, IEEE Transaction on Evolutionary Computation,
soumis octobre 2002, révisé juillet 2003.
Conférences Nationales
H. M abed, A. Caminada, J-K. Hao, (2002). Un Modèle Dynamique de Trafic pour le
Problème d'Affectation de Fréquences, 8ème Journées Nationales sur la résolution pratique de
problèmes NP-Complets- JNPC'2002, pp 169-180, Nice, France.
H. M abed, A. Caminada, D. Renaud, (2002). Vers une Modélisation Réaliste du Problème

d'Affectation de fréquences, Journée Doctorales Informatique et Réseaux – JDIR 2002, pp
101-110, Toulouse, France.
Communications Internationales
H. M abed, A. Caminada, D. Renaud, (2002). A Dynamic Model for Frequency Assignment,
International Symposium on Combinatorial Optimization – CO'02, Paris, France.
H. M abed, A. Caminada, D. Renaud, (2002). Algorithmes Génétique et Recherche Tabou

pour l'Affectation de Fréquences avec Prise en Compte de l'Aspect dynamique du trafic,
Troisième Conférence Internationale en Recherche Opérationnelle Théorie et Applications –
CIRO'02, M arrakech, M aroc.
Communications Nationales
H. M abed, A. Caminada, J-K. Hao, D. Renaud, (2002). Vers une Modélisation Réaliste du
Problème d'Affectation de Fréquences, Quatrième Congrès de la Société Française de
Recherche Opérationnelle et d'Aide à la Décision – ROADEF 2002, Paris, France.
197
Bibliographie
H. M abed, A. Caminada, (2002). L'Allocation des Fréquences dans les Réseaux GSM,
Cinquième Ecole d'Hiver des Télécommunication de Sophia Antipolis : Logiciels pour les
Télécommunications, Golf-Juan, France.
198

Thèse 17112003

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Thèse 17112003

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERS ITE D'ANGERS Année 2003

MODELES ET TECHNIQUES D'OPTIMISATION

Spécialité : Informati que

ECOLE DOCTORALE D'ANGERS

Présentée et soutenue publiquement

Par : Hakim M ABED

Devant le jury ci-dessous :

Olivie r HUDRY (Rapporteur), Maître de Conférences, ENST de Paris

La nature dynamique de l'environnement du réseau rend difficile l'établissement et

Mots clés : réseaux radiomobiles, optimisation dynamique, design, variation de trafic,

Toute ma gratitude s'adresse aux professeurs Olivier Hudry de EN ST de Paris et Xavier

Je remercie aussi tout les membres de l'équipe de M odélisation Informatique et Algorithmique

Partie I Réseaux radiomobiles et ingénierie radio _____________________________ 23

Chapitre 1 Le s principaux conce pts en rése aux radiomobiles ____________________ 24

Chapitre 3 Taxinomie des problèmes d'optimisation dynamique __________________ 74

Partie I V Annexes_______________________________________________________ 166

T AB. I-1 Les différentes générations des réseaux radiomobiles ............................................... 25

T AB. I-3 Capacité d'une BTS par rapport au nombre de TRX.................................................. 53

T AB. III-1 Evolution du trafic dans le problème B_63_1....................................................... 113

T AB. III-2 Evolution du trafic dans le problème B_63_2....................................................... 113

T AB. III-7 Comparaison entre les différents algorithmes d'affectation multipériode de

T AB. III-14 Caractéristiques des différentes configurations de capacités cellulaires trouvées

FIG. I-5 Zone de handover entre deux cellules......................................................................... 29

FIG. I-6 Propagation du signal radio par trajets multiples........................................................ 31

FIG. I-7 Schémas d'accès FDM A, TDMA et CDMA............................................................... 32

FIG. I-8 Architecture du réseau GSM ....................................................................................... 36

FIG. I-9 Architecture de référence du réseau UM TS................................................................ 37

FIG. I-11 Validation des sites théoriques.................................................................................. 43

FIG. I-12 Découpage itératif ..................................................................................................... 44

FIG. I-14 Positionnement de 4 BTS .......................................................................................... 47

FIG. I-15 Graphe bi-partie sites-points ..................................................................................... 48

FIG. I-17 M aillage d'un réseau.................................................................................................. 50

FIG. I-18 Relation d'inclusion entre RTP, STP, TTP ............................................................... 52

FIG. I-19 Diagramme horizontal des trois types d'antennes ..................................................... 53

FIG. I-20 Couverture d'une cellule............................................................................................ 55

FIG. I-22 Ingénierie de saut de fréquences ............................................................................... 61

FIG. II-3 Différentes échelles de prise de décision ................................................................... 80

FIG. II-4 Classification des problèmes d'optimisation dynamique........................................... 81

FIG. II-5 Perte en trafic due au blocage des communications .................................................. 85

FIG. II-8 Prévision court et long terme du trafic....................................................................... 92

FIG. II-9 Technique d'affectation de fréquences multipériode de Murray et Pesch................. 93

FIG. II-10 Evolution de l'environnement d'un réseau cellulaire ............................................... 93

FIG. II-11 Approche d'OD de Reininger et Caminada.............................................................. 95

FIG. III-3 Schéma de fonctionnement de l'algorithme génétique hybride.............................. 107

FIG. III-9 Techniques d'optimisation multipériode pour l'affectation de fréquences. (a)

FIG. III-11 M odèle d'évolution d'un appel (Onur et al..)........................................................ 142

FIG. III-12 Technique d'optimisation -contrainte pour le problème de planification des

FIG. IV-1 Opérateurs de mutation et de croisement classiques .............................................. 170

FIG. IV-3 Exemple de fonctionnement de la liste tabou......................................................... 174

FIG. IV-4 Fonctionnement d'une itération de la Recherche Tabou ........................................ 176

FIG. IV-5 Stratégie d'intensification ....................................................................................... 177

FIG. IV-6 Stratégie de diversification..................................................................................... 177

FIG. IV-9 Calque de couverture.............................................................................................. 181

FIG. IV-10 Calque de cellules................................................................................................. 181

Table des matières

Les années 70 ont vu émerger de nombreux réseaux de radiotéléphonie analogique désignés

De nouvelles normes sont actuellement en étude désignées par le terme de systèmes

1.2 Concepts cellulaires et systèmes radiomobiles

communications soit satisfaisante, la puissance de réception dans les sens montant et

Les stations de base composant le réseau sont regroupées en emplacements géographiques

1.2.1 Concept cellulaire

La forme hexagonale a été universellement adoptée comme représentation théorique du

1.2.2 Réutilisation des fréquences