Académique Documents
Professionnel Documents
Culture Documents
N° d'ordre 590
TH ES E DE DOCTO RAT
Le : 04/12/2003
A : Angers
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.
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.
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.
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
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
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
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-2 Comparaison entre les différents modes d'accès multiple ......................................... 33
T AB. I-4 Seuils de protection pour différentes distances inter-canal définis par la norme G SM .
.......................................................................................................................................... 60
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-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-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-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-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-16 Représentation par graphe dans le modèle de Chamaret et al.. ................................ 49
14
FIG. I-21 Classification des approches de résolution du PPA.................................................. 58
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-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. 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-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-10 Evolution des niveaux de trafic sur le réseau BM _120........................................ 136
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-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-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
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.
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.
25
Chapitre 1. Les principaux concepts en réseaux radiomobiles
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.
1
Nous utiliserons par la suite le terme "station" pour référencer une station de bas e ou un Nœud B
indifféremment.
26
Partie I. Réseaux radiomobiles et ingénierie radio
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.
FIG. I-3 Concept cellulaire : (a) pavage régulier, (b) couverture réelle
27
Chapitre 1. Les principaux concepts en réseaux radiomobiles
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 :
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.
Les trois mécanismes de densification décrits ci-dessus sont repris schématiquement dans la
figure FIG. I-4.
28
Partie I. Réseaux radiomobiles et ingénierie radio
FIG. I-4 Exemple de densification : (a) cellule d'origine, (b) densification par sectorisation, (c) ajout de
site, (d) couverture multicouche.
Zone de handover
29
Chapitre 1. Les principaux concepts en réseaux radiomobiles
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] :
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
Partie I. Réseaux radiomobiles et ingénierie radio
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
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.
31
Chapitre 1. Les principaux concepts en réseaux radiomobiles
FDMA t
f1 f2 f
T DMA t
f1 f2 f
CDMA t
f1 f2 f
32
Partie I. Réseaux radiomobiles et ingénierie radio
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.
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
Chapitre 1. Les principaux concepts en réseaux radiomobiles
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…
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.
34
Partie I. Réseaux radiomobiles et ingénierie radio
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.
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
Chapitre 1. Les principaux concepts en réseaux radiomobiles
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.
36
Partie I. Réseaux radiomobiles et ingénierie radio
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.
37
Chapitre 1. Les principaux concepts en réseaux radiomobiles
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 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].
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
Partie I. Réseaux radiomobiles et ingénierie radio
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.
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
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.
40
Partie I. Réseaux radiomobiles et ingénierie radio
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.
41
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
Objectifs du dimensionnement
Qualité Coût
Problèmes de design
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.
42
Partie I. Réseaux radiomobiles et ingénierie radio
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.
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
43
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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.
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
44
Partie I. Réseaux radiomobiles et ingénierie radio
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.
F wk w * Geo(mk ) (I.2)
k
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 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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
hexagones dans les régions moins denses pour permettre l'installation d'antennes
omnidirectionnelles.
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
Partie I. Réseaux radiomobiles et ingénierie radio
A B
A B
C D
D C
47
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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.
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
Partie I. Réseaux radiomobiles et ingénierie radio
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
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.
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
théorie de graphes, le maillage permet la prise en compte des contraintes liées aux
interférences, à l'écoulement de trafic et au handover.
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
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
Partie I. Réseaux radiomobiles et ingénierie radio
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.
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 aij
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
iL pi STP
wu
i ij
(I.7)
s.c.
c x
iL
i i K
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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
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.
3
ARNO (Algorithms for Radio Network Optimization) est un projet du programme IT (Information
Technologies)
52
Partie I. Réseaux radiomobiles et ingénierie radio
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
Nombre TRX 1 2 3 4 5 6 7
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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.
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.
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
Partie I. Réseaux radiomobiles et ingénierie radio
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
b Objectifs
Les objectifs du modèle sont :
55
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
N (I.11)
minimiser zc
i 1
i 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)).
minimiser ( p)
pSTP
(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)
pTTP Cell ( b )
trafic _ point ( p) (I.14)
56
Partie I. Réseaux radiomobiles et ingénierie radio
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.
min
p STP
( p) (2)
max traficécoulé
bBS 1
(3)
s.c.
STP cell (b)
b B S1
(5)
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
Positionnement et paramétrage
des antennes
58
Partie I. Réseaux radiomobiles et ingénierie radio
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.
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.
2.5.1 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.
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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
Interférence 2 canal adjacent C/Ia2 -41 dB
ème
Interférence 3 canal adjacent C/Ia3 -49 dB
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-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).
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.
60
Partie I. Réseaux radiomobiles et ingénierie radio
Fréquence 1
200 kHz
Fréquence 2
Fréquence 3
Canal de
communication
Fréquence N
L'ordre d'utilisation des fréquences du MAL par les TRX de la station est déterminé à partir
des deux éléments suivants :
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.
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).
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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.
62
Partie I. Réseaux radiomobiles et ingénierie radio
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.
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 :
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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.
NF (I.20)
minimiser y k
k=1
s.c.
xik y k (1)
NF
x ik Ri i 1.. N (2)
k 1
64
Partie I. Réseaux radiomobiles et ingénierie radio
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).
NF NF (I.21)
Minimiser k g k k pk
k 1 k 1
NF
x
k 1
ik Ri i [1..N ]
g
k 1
k 1, pk 1
k 1
Dans le cas de la modélisation par matrice de réutilisation deux approches sont possibles.
65
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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.
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 ]
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
Partie I. Réseaux radiomobiles et ingénierie radio
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
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
(I.28)
ikjl p Sijp kl
p
68
Partie I. Réseaux radiomobiles et ingénierie radio
[Dorne et Hao 95] [Galinier et Hao 99] et la recherche tabou [Dorne 98] [Hao et al.
98] [Dorne et Hao 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.
L'algorithme de recherche Branch & Bound est utilisé pour résoudre le problème qui est
formalisé par le système d'équations suivant :
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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.
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 )
i1 j1 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
Partie I. Réseaux radiomobiles et ingénierie radio
Brouillage f
n n Ti Tj
ik , f jp .
i1 j1 k 1 p 1
j i
n n Ri Rj
minimiser V ( f ik , f jl )
i1 ji k 1 l1
où
1 si f ik f jl M i , j
V ( f ik , f jl )
0 sinon
et f ik 1..N
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 )
i1 ji k 1 l1
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
Chapitre 2. Les principaux problèmes d'optimisation en ingénierie radio
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.
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.
75
Chapitre 3. Taxinomie des problèmes d'optimisation dynamique
Solutions
optimales
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.
76
Partie II. Optimisation dynamique
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.
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].
M3 M3
M2 M2
M1 M1
8 t 8 t
(a) (b)
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
Chapitre 3. Taxinomie des problèmes d'optimisation dynamique
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).
f (s) f ( s) p( s) (II.1)
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.
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
qQ 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.
78
Partie II. Optimisation dynamique
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.
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.
79
Chapitre 3. Taxinomie des problèmes d'optimisation dynamique
Mois1 Mois12
…
Année1
Décision à court terme
3.4 Synthèse
80
Partie II. Optimisation dynamique
Prévisibilité
Avec prévisions Sans prévisions
Fréquence
Optimisation Optimisation Optimisation Optimisation
en temps réel périodique périodique pas à pas en temps réel
81
Chapitre 3. Taxinomie des problèmes d'optimisation dynamique
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 :
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.
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
Partie II. Optimisation dynamique
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
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.
85
Chapitre 4. Optimisation dynamique pour le design des réseaux radiomobiles
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.
86
Partie II. Optimisation dynamique
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.
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
Chapitre 4. Optimisation dynamique pour le design des réseaux radiomobiles
Ai a( p ) ( p , Z ) d
p j Z i
j j i
2 (II.7)
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
i1.. 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 :
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
Partie II. Optimisation dynamique
A Ni (II.11)
Ni !
E B ( Ai , N i ) Ni
A
k
k 0
k!
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
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
Chapitre 4. Optimisation dynamique pour le design des réseaux radiomobiles
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
90
Partie II. Optimisation dynamique
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.
Où S' VLR et ' MSC représentent le nombre et la contribution prévus des utilisateurs sur la zone
gérée par le couple (MSC, VLR).
91
Chapitre 4. Optimisation dynamique pour le design des réseaux radiomobiles
Nb de sites Analyse du trafic
Capacité Trafic + P révision court
Nb TRX/site terme
Capacité
>
Trafic
Ajouter un Non
TRX
Non
Sectoriser ou
Oui Possibilité Non insérer un site
d'ajouter
Nouvelles
des TRX
caractéristiques
92
Partie II. Optimisation dynamique
Périodes
Affectation de
Stations fréquences
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
93
Chapitre 4. Optimisation dynamique pour le design des réseaux radiomobiles
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 :
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 .
94
Partie II. Optimisation dynamique
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.
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 inversion
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
Chapitre 4. Optimisation dynamique pour le design des réseaux radiomobiles
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.
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 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
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.
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.
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
Partie III. Technique d'optimisation dynamique pour la planification …
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.
Les contraintes d'interférence co-station et co-site sont modélisées par les deux fonctions C1
et C2 décrites ci-dessous.
101
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
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 :
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.
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 :
102
Partie III. Technique d'optimisation dynamique pour la planification …
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
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.
Fh
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 Fh 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
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
(III.7)
h
FMA X MAX h
j[1.. N ]
i[1..N ] k 1..Ri
i , j , fi k f jl
l1..R j
(III.9)
F2 MAX i, j,| fik f jl | h
j[1.. N ]
i[1..N ] h [1..NP ] kl[1..
[1.. Ri ]
Rj ]
(III.10)
F3 MAX i , j ,| fik f jl | h
h[1.. NP]
i, j[1..N ] lk[1..
[1.. Ri ]
Rj ]
104
Partie III. Technique d'optimisation dynamique pour la planification …
(III.11)
F4 MAX h
h[1.. NP] i , j , f ik f jl
i , j[1.. N ]
lk[1..
[1.. Ri ]
R j ]
(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 :
2. Le problème consistant à rechercher une solution faisable autrement dit satisfaisant les
contraintes co-stations et co-sites est NP-complet.
105
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
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.
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 lk 1 i, j k 1 l 1
i j
106
Partie III. Technique d'optimisation dynamique pour la planification …
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
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
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
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).
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
108
Partie III. Technique d'optimisation dynamique pour la planification …
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
j1 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
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
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.
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.
110
Partie III. Technique d'optimisation dynamique pour la planification …
111
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
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.
112
Partie III. Technique d'optimisation dynamique pour la planification …
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.
Période 0 Le trafic sur chaque station correspond à 20% du trafic H2C de cette station.
Période 1 Le trafic sur chaque station correspond à 50% du trafic H2C de cette station.
Période 2 Le trafic sur chaque station correspond à 100% du trafic H2C de cette station.
Période 3 Le trafic sur chaque station correspond à 110% du trafic H2C de cette station.
Période 4 Le trafic sur chaque station correspond à 60% du trafic H2C de cette station.
Période 5 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.
Période 0 Dans la partie 1 du réseau, le trafic est à 110% du trafic H2C et à 20% dans la partie 2.
Période 1 Dans la partie 1 du réseau, le trafic est à 100% du trafic H2C et à 30% dans la partie 2.
Période 2 Dans la partie 1 du réseau, le trafic est à 70% du trafic H2C et à 50% dans la partie 2.
Période 3 Dans la partie 1 du réseau, le trafic est à 50% du trafic H2C et à 70% dans la partie 2.
Période 4 Dans la partie 1 du réseau, le trafic est à 30% du trafic H2C et à 100% dans la partie 2.
Période 5 Dans la partie 1 du réseau, le trafic est à 20% du trafic H2C et à 110% dans la partie 2.
5
Données prélevées le 18 juin 2001
113
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
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 i1 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
Partie III. Technique d'optimisation dynamique pour la planification …
115
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
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
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
Partie III. Technique d'optimisation dynamique pour la planification …
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
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
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 .
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
Partie III. Technique d'optimisation dynamique pour la planification …
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 .
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 |
i1 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
Chapitre 5. Echelle de variation rapide du trafic : planification robuste des fréquences
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.
120
Partie III. Technique d'optimisation dynamique pour la planification …
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
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.
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 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.
Nous introduisons ici les notations et définitions de base qui seront utilisées dans tout le reste
du chapitre.
- 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.
124
Partie III. Techniques d'optimisation dynamique pour la planification …
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.. NP1] i[1.. N ] k[1.. Ri ]
IND( f i,k fi ,k )
p p 1 (III.21)
125
Chapitre 6. Echelle de variation moyenne du trafic : planification multipériode des fréquences
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 ij l[1.. R j ]
F M IND(C S )
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
Partie III. Techniques d'optimisation dynamique pour la planification …
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
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
Chapitre 6. Echelle de variation moyenne du trafic : planification multipériode des fréquences
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 l1
l k
j
j i
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.
128
Partie III. Techniques d'optimisation dynamique pour la planification …
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.
N Ri (III.27)
C p IND( f i,pk fi ,pk1 )
i 1 k 1
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
Chapitre 6. Echelle de variation moyenne du trafic : planification multipériode des fréquences
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.
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.
130
Partie III. Techniques d'optimisation dynamique pour la planification …
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
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
Chapitre 6. Echelle de variation moyenne du trafic : planification multipériode des fréquences
Plan de fréquence P1
Optimisation
Périodes Plan de fréquence P2
(a)
Plan de fréquence PNP
(b)
Optimisation Plan de fréquences PNP
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 ,pk1 ) IND( f i,NP k f i, k )
1
132
Partie III. Techniques d'optimisation dynamique pour la planification …
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.
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.
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
Chapitre 6. Echelle de variation moyenne du trafic : planification multipériode des fréquences
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
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
134
Partie III. Techniques d'optimisation dynamique pour la planification …
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
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
Chapitre 6. Echelle de variation moyenne du trafic : planification multipériode des fréquences
Stabilité du
niv eau de traf ic
136
Partie III. Techniques d'optimisation dynamique pour la planification …
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.
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.
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
Partie III. Techniques d'optimisation dynamique pour la planification …
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.
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
Nombre de TRX 1 2 3 4 5 6 7 8
Nombre de canaux
7 14 22 29 36 44 51 59
de trafic
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)
1 (III.32)
Bi c
c
c c 1 c k 1
1 offe rt offe rt offer t
k 1 Ti Ti Ti
140
Partie III. Techniques d'optimisation dynamique pour la planification …
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
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
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
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*n1 Bi 1 Bi
* * n
1 Bi * n 1
1 Bi* 1 Bi*n1
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
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 offe rt i N i (III.39)
142
Partie III. Techniques d'optimisation dynamique pour la planification …
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].
143
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
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 :
5. Le trafic brouilleur qui détermine l'intensité des brouillages produits par la station
interférente;
7. La distance inter-canal entre fréquences qui mesure la distance spectrale séparant les
deux fréquences utilisées.
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
Partie III. Techniques d'optimisation dynamique pour la planification …
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.
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.
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
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
rapport aux interférences. De plus, la particularité des contraintes d'interférences co-sites n'est
pas prise en compte.
146
Partie III. Techniques d'optimisation dynamique pour la planification …
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).
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
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
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.
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
N (III.41)
B Bi (ci ) ti
i 1
148
Partie III. Techniques d'optimisation dynamique pour la planification …
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 :
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
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
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.
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 * )
N (III.45)
Bmax 0.02 ti
i1
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 :
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
Partie III. Techniques d'optimisation dynamique pour la planification …
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.
TRXMAX (III.47)
TRX i k 1
IND ( f i,k 0)
151
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
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
i1 j i k ,l 1
TRX ,TRX j
f i ,k , f j,l IND( f i,k et f j,l 0)
152
Partie III. Techniques d'optimisation dynamique pour la planification …
153
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
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 :
154
Partie III. Techniques d'optimisation dynamique pour la planification …
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.
155
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
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.
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
Partie III. Techniques d'optimisation dynamique pour la planification …
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.
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
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
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
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
Partie III. Techniques d'optimisation dynamique pour la planification …
blo cag e
700
600
500
400
300
200
100
0
0 4000000 8000000 12000000 16000000
i nterférence
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.
159
Chapitre 7. Echelle de variation lente du trafic : planification des capacités cellulaires
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
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.
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.
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.
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.
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
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
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.
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.
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
3. Une règle de transition qui détermine le prochain état courant à choisir parmi l'ensemble
des voisins.
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.
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.
168
Annexes
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.
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
Annexe A. M éta-heuristiques et problèmes d'optimisation combinatoire
Individus Parent1
Parent2
Fils1
Fils2
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
yPopulation 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
yPopulation 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
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
yPopulation 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
yPopulation
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.
171
Annexe A. M éta-heuristiques et problèmes d'optimisation combinatoire
est compris entre 2 et n (nombre d'individus dans la population). Il définit aussi la pression
de sélection.
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.
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.)
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.
173
Annexe A. M éta-heuristiques et problèmes d'optimisation combinatoire
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.
Mouvement
[4 5 2 3 1 6 0] [4 5 3 2 1 6 0]
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 :
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
Annexe A. M éta-heuristiques et problèmes d'optimisation combinatoire
Liste candidate
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
B. Manipulation de données symboliques : Comme pour l'AG, la RT n'est pas contrainte par
le caractère entier ou continu des variables manipulées.
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 en maintenant la
mémoire fréqu entative jusqu'à atteindre
l'optimum local. Pénaliser les solutions
présentant des attributs fréquents.
177
Annexe A. M éta-heuristiques et problèmes d'optimisation combinatoire
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.
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
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.
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).
183
Annexe C Acronymes
BS Base Station
BSC Base Station Controller
BSS Base Station
BTS Base Transceiver Station
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.
184
Annexes
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
185
Bibliographie
Bibliographie
187
Bibliographie
188
Bibliographie
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
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.
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.
S. Glisic, B. Vucetic "S pread S pectrum CDMA S ystems for Wireless Communication"
Artech House Publishers, 1997.
P. Gondim "Genetic Algorithms and the Location Area Partitioning Problem in Cellular
Networks" poc. IEEE VTC, 1996, N° 45, pp 1835-1838.
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.
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
J. Holland "Adaptation in Natural and Artificial S ystems" Michigan Press University, Ann
Arbor, MI, 1975.
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.
L. Ibbetson, L. Lopes "An Automatic Base Site Placement Algorithm" proc. IEEE VTC,
1997, N° 46, pp 760-764.
192
Bibliographie
V. H. M ac Donald "Advanced Mobile Phone Service: The cellular Concept" The Bell
System Technical Journal, 1979, pp 15-41.
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.
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.
S. Obayashi, S. Takahashi, Y. Takeguchi "Niching and Elitist Models for MOGAs" proc.
Parallel Problem Solving from Nature-PPSN V, 1998, pp 260-269.
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.
194
Bibliographie
195
Bibliographie
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.
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.
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.
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.
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