Explorer les Livres électroniques
Catégories
Explorer les Livres audio
Catégories
Explorer les Magazines
Catégories
Explorer les Documents
Catégories
N dordre 05 ISAL
Anne 2005
Thse
Le grade de docteur
Par
Katia Runser
Encadre par
Jury
Alexandre Caminada
Jean-Marie Gorce
Xavier Lagrange
David Simplot-Ryl
Stphane Ubda
Rodolphe Vauzelle
Rapporteur
Directeur de thse
Rapporteur
Examinateur
Directeur de thse
Examinateur
ii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
8
8
9
10
14
18
19
19
19
20
23
23
24
28
30
31
33
41
41
42
2 Outils et mthodes
2.1 La prdiction de couverture radio . . . . . . . . . .
2.1.1 Le canal radio Indoor . . . . . . . . . . . .
2.1.2 Les approximations circulaires . . . . . . . .
2.1.3 Les modles empiriques . . . . . . . . . . .
2.1.4 Les modles dterministes . . . . . . . . . .
2.1.5 Rsum et Perspectives . . . . . . . . . . .
2.2 Algorithmes doptimisation pour le problme wLP
2.2.1 La difficult du problme wLP . . . . . . .
2.2.2 Loptimisation mono-objectif continue . . .
2.2.3 Loptimisation mono-objectif combinatoire .
2.2.4 Loptimisation multiobjectif . . . . . . . . .
2.3 Conclusions et perspectives . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
46
46
46
47
47
49
52
54
54
57
71
81
86
iii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
iv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
91
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
93
93
93
96
97
98
101
104
107
107
108
109
110
.
.
.
.
.
.
.
.
.
.
.
.
.
.
113
113
114
116
125
131
132
132
133
135
139
140
140
141
143
146
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
147
147
147
150
150
151
152
152
156
161
164
169
6 Heuristiques de planification
6.1 Algorithmes mono-objectifs . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Heuristique dterministe . . . . . . . . . . . . . . . . . . . . . .
6.1.2 Mtaheuristique tabou . . . . . . . . . . . . . . . . . . . . . . .
6.1.3 Rsultats de planification avec la recherche mono-objectif tabou
6.2 Algorithme multiobjectif . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.1 Heuristique multiobjectif tabou . . . . . . . . . . . . . . . . . .
6.2.2 Rsultats de la recherche multiobjectifs . . . . . . . . . . . . .
6.3 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
171
171
171
175
178
188
188
191
200
7 Conclusions
202
Annexes
208
208
2. Publications
213
Remerciements
Je remercie tout particulirement M. Jean-Marie Gorce et M. Stphane Ubda, mes
directeurs de thse, pour leur disponibilit et la qualit de leur encadrement. Leurs analyses
et dmarches scientifiques mont beaucoup appris au cours des trois annes passes au
laboratoire CITI. Je les remercie pour les changes fructueux qui ont largement contribu
au bon droulement de ces travaux de thse.
Je remercie galement les membres de lquipe radio pour leurs conseils judicieux. Je
tiens galement remercier tous les membres du laboratoire CITI et tout particulirement
mes co-bureaux (qui furent nombreux !) pour avoir contribu crer une ambiance de
travail trs plaisante.
Je ne voudrais clore ces remerciements sans adresser une pense particulire mon
mari, mes parents et toute ma famille pour leur soutien tout au long de ce doctorat.
vi
CHAPITRE
Introduction
Contexte
Le problme de planification radio sinscrit dans un objectif global damlioration des
performances des outils de communication actuels. Quelle que soit leur nature, ces outils
se doivent de transmettre des donnes le plus rapidement possible tout en garantissant
une rception limitant au maximum la perte dinformation. Il est dusage de classifier les
techniques de communication selon la nature du mdium de transmission utilis et de les
rpartir en deux grandes catgories : les technologies filaires et les technologies sans-fil.
Les technologies filaires, utilisant des fils de cuivre ou des fibres optiques, sont actuellement bien matrises. Les ondes lectromagntiques sont guides dans des fils avec peu de
pertes de donnes. Par exemple, le taux derreur bit pour des transmission optiques SDH
est de lordre de 1e9 pour un dbit qui peut atteindre 400Gbits/s. Les technologies ADSL
permettent datteindre des dbits minimaux de 16Mbits/s (ADSL2+ , ITU-T standard
G.992.5) sur le lien descendant et de 800Kbits/s sur le lien montant avec de simples paires
torsades de cuivre. Il est galement possible dobtenir des transmissions garantissant un
taux derreur bit de 1e7 pour des transmissions voix avec la technologie G.SHDSL pour
des dbits de transmission de 2.3Mbits/s.
Les technologies sans-fil se diffrencient par la nature de leur canal de communication
qui nest plus comparable un guide donde born limitant les pertes, mais constitu dun
fluide illimit, lair. Le comportement de ce mdium de transmission dpend de la nature
et des proprits de rflexion de lenvironnement dans lequel il se trouve. En effet, les
ondes radio se propagent dans un environnement ouvert o des phnomnes de rflexion,
de rfraction, de diffraction et dinterfrences surviennent localement. Ce comportement
alatoire limite les performances des technologies de transmission sans-fil en termes de
porte de communication et de qualit de transmission.
Une communication radio ne peut tre tablie que si le rapport entre la puissance du
signal reu et le bruit environnant est suffisant pour permettre la dmodulation du signal
par le rcepteur. Du fait de la nature du mdium radio, il est difficile dobtenir une qualit
de communication semblable celle obtenue avec les technologies filaires. Lamlioration
de ces performances passe par la mise en place de techniques de traitement du signal,
daccs au mdium et de codages volus qui permettent aux quipements de sadapter aux
variations temporelles et spatiales du signal. Ces techniques vont garantir la comprhension
du message dans un environnement bruit en diminuant la marge de puissance ncessaire
pour pouvoir linterprter.
Un systme de transmission, quil soit filaire ou non, se doit dtre utilisable quelle que
soit la nature de lenvironnement o on souhaite le dployer. Pour que ce systme atteigne
ses performances nominales voire optimales, il est ncessaire de le dployer en respectant
des contraintes inhrentes son mode de fonctionnement. Ainsi, pour un rseau filaire,
il suffit de limiter la longueur des segments de communication pour que lattnuation du
signal le long du fil nempche pas la transmission. Pour des rseaux locaux, il nest pas
compliqu de respecter cette condition aux vues des dimensions des btiments et de la
porte de communication dun rseau filaire conventionnel.
1
CHAPITRE 0. INTRODUCTION
Par contre, le dploiement de rseaux sans-fil prsente des contraintes plus complexes
grer pour obtenir des conditions de transmission optimales. La rception du message
est tributaire de la qualit du lien radio qui elle mme est contrainte par la configuration
de lenvironnement (position et nature des murs, prsence de meubles.. ) et la position de
lmetteur. Il est clair que le choix de lemplacement et des caractristiques des metteurs
radio, compte tenu de la description de lenvironnement, est primordial pour le bon fonctionnement dun rseau sans-fil. Ce choix est le coeur du problme de planification radio
trait dans ce manuscrit.
IEEE 802.20
wWAN
IEEE 802.15
Bluetooth
CHAPITRE 0. INTRODUCTION
est un noeud actif du rseau qui est capable de dialoguer directement avec un autre noeud
du rseau, sans passer par un tiers de communication. Des travaux sont en cours pour
proposer des algorithmes de routage multi-sauts pour permettre la communication entre
deux noeuds qui ne sont pas porte de communication [5]. Par exemple, dans la figure
2-(1), la communication directe entre les terminaux A et C nest pas possible et ncessite
lintervention du terminal B pour router linformation.
LAN
AP
terminal A
terminal C
terminal A
terminal B
terminal B
(1)
(2)
CHAPITRE 0. INTRODUCTION
actuel dun rseau de ce type. Ceci nous permet dintroduire les variables et objectifs que
comporte un processus de planification de rseau sans-fil. Cette tude nous a permis de
confronter les travaux de la littrature ayant dj abord cette problmatique pour mettre
en vidence les points durs du problme.
Le second chapitre prsente les outils ayant servi aux mthodes de planification prsentes au chapitre 1. Ces outils peuvent se dcomposer en deux familles : les modles
de prdiction de couverture radio et les algorithmes doptimisation. Le problme de planification wLAN est un problme doptimisation difficile qui ncessite la mise en oeuvre
dalgorithmes de recherche labors. Les principaux modles de prdiction de couverture
radio et les algorithmes utiliss dans les mthodes existantes sont dcrits et analyss. La
premire partie se termine par une conclusion qui prsente les amliorations et nouvelles
problmatiques qui rsultent de lanalyse de lexistant.
Dans la suite, nous traitons les trois points durs du problme de planification suivants :
1. Lutilisation dun modle de prdiction de couverture radio fiable et adapt tout
type denvironnement clos (Indoor).
2. La proposition de critres de planification pour optimiser la couverture radio, les
interfrences, le dbit rel et les performances dun systme de localisation.
3. La proposition dheuristiques doptimisation mono- et multiobjectif.
CHAPITRE 0. INTRODUCTION
que cet algorithme permet de trouver les jeux de paramtres optimaux en un temps acceptable si le nombre de matriaux est faible. La dernire partie de ce chapitre prsente
la validation proprement parler des prdictions du simulateur une fois les paramtres de
propagation du simulateur fixs. Les prdictions sont testes dans dautres environnements
et compares des mesures relles pour vrifier leur exactitude.
Le cinquime chapitre entame la dernire partie du manuscrit qui prsente les solutions
de planification que nous proposons. Ce chapitre dcrit notre modlisation discrte du problme qui exploite directement les caractristiques du modle de prdiction de couverture
MR-FDPF. Le modle MR-FDPF se base sur un dcoupage gomtrique de lenvironnement de test pour calculer la couverture radio. Ce dcoupage est utilis dans ces travaux
pour dfinir la position des points daccs candidats du processus de planification. Dans
le mme chapitre, les diffrents critres de planification dfinis au cours de la thse sont
prsents. Ces critres permettent damliorer la couverture, de limiter les interfrences, de
garantir un dbit par utilisateur ou encore damliorer un service de localisation de station
mobile.
Le dernier chapitre prsente les heuristiques de planification dveloppes au cours
de cette thse. La premire heuristique dcrite est une heuristique dterministe qui vise
noptimiser que la couverture radio. Cet algorithme est divis en deux tapes : une recherche
combinatoire et une recherche locale. La recherche locale est une recherche continue qui
limite les trous de couverture pour converger vers une solution de planification stable. Cet
algorithme est illustr par quelques rsultats.
Pour grer plus de critres de planification, nous prsentons ensuite un algorithme
gnrique doptimisation bas sur une heuristique tabou. Cette heuristique tabou a t
implante pour pouvoir traiter les variables de position et de nombre dAP, mais galement
les variables de puissance et de directivit. Cette heuristique optimise une fonction agrge
des critres de planification choisis. Elle est illustre par plusieurs scnarios de test o
les critres de couverture, dinterfrences, de dbit et de localisation sont mis en oeuvre.
Les rsultats prsents mettent en vidence la difficult obtenir une solution qui reflte
fidlement le souhait dun installateur rseau.
La dernire heuristique propose est une heuristique multiobjectif tabou. Nous avons
choisi de tester une telle mthode de recherche pour pouvoir proposer linstallateur un
ensemble de solutions optimales o chaque solution ralise un compromis diffrent entre
les critres optimiser. Comme linstallateur ne sait pas exactement comment pondrer les
critres doptimisation dune fonction agrge, une telle stratgie de recherche fournit un
ensemble de solutions quil peut analyser et slectionner par la suite. Lheuristique multiobjectif dveloppe est illustre avec les mmes environnements de test pour loptimisation
conjointe des critres de couverture, dinterfrences et de dbit.
CHAPITRE
Comme prsent dans lintroduction, cest dans le mode de fonctionnement infrastructure que se pose le problme de planification dun rseau local sans-fil. Ce problme, rfrenc par la suite sous lacronyme problme wLP (wireless LAN Planning), est dfini
comme suit :
Definition 1 Le problme wLP a pour objectif de dterminer la configuration des points
daccs du rseau de faon garantir un niveau de qualit de services (QoS) aux utilisateurs.
Ce problme de planification est similaire celui pos depuis 10 ans dans les rseaux
cellulaire et largement trait dans la littrature ([6, 7, 8, 9]). Dans cette partie, ce problme
est utilis comme lment de comparaison pour prsenter les principales caractristiques
de la planification dun rseau wLAN.
La planification dun rseau sans-fil est un problme doptimisation dont les variables
sont donnes par lensemble des configurations possibles des points daccs et les objectifs
par la description mathmatique des services que le rseau doit offrir. Ce chapitre commence
par une prsentation du standard IEEE 802.11, ce qui nous permet dintroduire les variables
du problme de planification dcrites par la suite. La dernire partie prsente les objectifs
que lon peut dfinir pour la planification automatique dun rseau wLAN. Ces objectifs
correspondent des services offerts par le rseau wLAN.
1.1
La famille de normes IEEE 802.11 dfinit une architecture cellulaire. Les terminaux
munis dune carte dinterface rseau 802.11 sassocient un point daccs (mode infrastructure) ou entre eux (mode ad-hoc) pour former respectivement un BSS (Basic Service
Set) ou un IBSS (Independent Basic Service Set). La zone occupe par les terminaux dun
BSS est dnomme BSA (Basic Set Area) ou cellule. En mode infrastructure, on parlera
plus communment de cellule par analogie avec les rseaux cellulaires qui prsentent galement un point daccs centralis.
Un groupe de BSS peut tre inter-connect par un systme de distribution qui relie
les points daccs (AP) entre eux. On dsigne cet ensemble de BSS par le terme dESS
(Extended Service Set). Le choix du systme de distribution nest pas impos par la norme.
On utilise communment des rseaux Ethernet. Un ESS peut fournir une passerelle daccs
vers dautres rseaux fixes prsents dans lenvironnement.
Comme tous les standards de lIEEE, 802.11 dfinit les deux premires couches du modle OSI. Lune des caractristiques essentielles est quil dfinit une couche MAC (Medium
Access Control) commune toutes les couches physiques. Ainsi, diffrentes couches physiques peuvent tre dveloppes sans quil soit ncessaire de modifier le protocole daccs
au rseau. Ainsi, depuis la premire version de la norme 802.11 propose en 1997, plusieurs extensions prsentant principalement des amliorations de la couche physique ont
t proposes. Le paragraphe suivant prsente brivement les caractristiques des normes
proposes par lIEEE.
8
Bande de frquences
2.4 GHz
5 GHz
Nombre de Canaux
14 de largeur 22 MHz (DSSS / OFDM)
79 de largeur 1MHz (FHSS)
8 de largeur 20 MHz (OFDM)
PIRE
100 mW
200 mW
Tab. 1.1 Bandes de frquences et canaux wLAN pour la France (Source : ART)
1.1.1
Les normes
La toute premire version de la norme 802.11 a t propose en 1997 [10]. Elle dcrit les
couches physiques et MAC pour une vitesse de transmission allant jusqu 2Mbits/s dans
la bande des 900 MHz. Les extensions de cette norme sont les suivantes :
802.11 - La version de 1999 passe dans la bande ISM (Industrial, Science and
Medicine) des 2.4 GHz avec toujours des dbits atteignant 2Mbits/s. La bande de
frquences utilise est partage avec dautres types de rseaux sans fils (Bluetooth
en particulier) ainsi que diverses applications exploitant les radio-frquences.
802.11b [11] ajoute la description dune couche physique amliore proposant des
dbits de 5.5 et 11Mbits/s.
802.11a [12] permet datteindre des vitesses de transmission de 54 Mbits/s en
exploitant une technologie OFDM. Elle travaille dans une bande de frquences centre
autour de 5GHz.
802.11g [13] utilise la mme technologie de transmission que 802.11a mais 2.4GHz
et permet galement datteindre des vitesses de 54 Mbits/s. Cette norme a t dveloppe pour garantir une compatibilit avec les quipements 802.11b. Ainsi, un
quipement 802.11b pourra communiquer jusqu 11 Mbits/s dans un rseau dinfrastructure 802.11g.
802.11e introduit des garanties de qualit de service dans 802.11. Cette extension
de la norme nest pas encore finalise.
802.11h sapplique aux normes dfinies dans la bande des 5GHz et dfinit une politique de contrle de puissance et dallocation dynamique de frquences. Cette extension permet de respecter les limites de puissance imposes dans les diffrents pays et
de limiter les interfrences sil y a cohabitation avec dautres systmes de radiocommunication, notamment les radars.
802.11f propose un protocole dinteroprabilit entre des points daccs de diffrents
constructeurs (Inter Access Point Protocol) qui permet notamment de raliser un
changement de cellule (handover) sil y a mobilit du terminal.
802.11i dfinit un standard dnomm Robust Security Networking qui prsente une
volution notoire de la version initiale du protocole de scurit, le WEP, car elle
permet dempcher lintrusion dutilisateurs indsirables sur le rseau.
802.11n est actuellement en cours de dveloppement. Elle permettra dici lanne
2007 datteindre des dbits de lordre de 500 Mbits/s. Les deux propositions actuellement en lice sont bases sur une couche physique de type MIMO (Multiple Input
Multiple Output).
Le tableau 1.1 rpertorie les caractristiques des deux bandes de frquences alloues en
France par lAutorit de Rgulation des Tlcommunications pour les rseaux wLAN.
9
1.1.2
Selon lextension de la norme employe, ce nest pas le mme type de couche physique
qui est utilis. Une architecture de couche physique dfinit :
le format des trames transmises sur le canal,
la technique de transmission,
le type de modulation utilis.
Six architectures de couche physique ont t dfinies lheure actuelle : FHSS, DSSS,
IR, HR-DSSS, OFDM-2.4GHz et OFDM-5GHz. Les deux premires versions du standard
802.11 (1997 et 1999) dfinissent les trois couches physiques dnommes FHSS, DSSS et
IR. La technologie IR (Infra Red), travaillant avec des ondes infrarouges, a t trs peu
mise en oeuvre. Cest pourquoi nous ne la dtaillerons pas ici.
Les couches FHSS (Frequency Hopping Spread Spectrum) et DSSS (Direct Sequence
Spread Spectrum) ont t proposes pour la bande de frquence des 900 MHz et la bande
de frquence des 2.4 GHz. Actuellement, seule la bande 2.4GHz est utilise pour ces deux
architectures. Ces deux couches physiques proposent des dbits dmission de 1 Mbits/s et
2 Mbits/s.
canal 1
canal 7
canal 14
(2412)
(2442)
(2484)
MHz
5180
5200
5220
5240
5260
83 MHz
200 MHz
(1)
(2)
5280
5300
5320
MHz
Fig. 1.1 Rpartition des canaux (1) dans la bande ISM, (2) dans la bande 5GHz.
La couche FHSS
Cette couche est base sur une technique de transmission dite saut de frquences
(Frequency Hopping). La bande de frquences est divise en une srie de canaux de 1 MHz
de large. Ainsi, en France, la bande des 2.4 GHz tant comprise entre 2.402 GHZ et 2.483
GHz, 79 canaux sont dfinis (cf. Tab. 1.1). Au cours dune mme transmission, lmetteur
change rgulirement de canal selon une squence pseudo alatoire connue du rcepteur.
Cette squence rpartit uniformment le signal sur toute la bande de frquences et diminue
la probabilit dinterfrence avec dautres signaux mis. Chaque point daccs possde sa
propre squence configure manuellement par linstallateur.
La couche FHSS transmet la trame binaire par modulation de frquence (GFSK Gaussian Frequency Shift Keying). Cette modulation fait varier la frquence de la porteuse
Fc de plus ou moins fd pour reprsenter les symboles transmettre. Ainsi, pour obtenir
un dbit de 1Mbits/s , deux frquences sont utilises :
Fc + fd pour transmettre un bit 1,
Fc fd pour transmettre un bit 0.
Pour doubler le dbit, 4 frquences sont dfinies pour transmettre des symboles composs
de deux bits (00, 01, 11 et 10).
La couche DSSS
La couche DSSS rpartit le signal transmettre sur toute la largeur du canal laide de
la technique Direct Sequence Spread Spectrum. Le canal radio est plus large quen FHSS.
Il vaut 22 MHz. Cette technique dtalement de spectre est une technique issue des technologies de transmission radar. Elle permet de rpartir la densit spectrale de puissance
10
du signal mis bande troite sur une bande de frquences plus large. Le signal est tal
sur la bande 22 MHz en ladditionnant un code dit pseudo-noise (cf. Fig 1.2-(1)). Ce
code est compos dune squence de bits +1 et -1 au dbit plus important. Cette addition
a pour effet dans le domaine spectral dtaler le signal sur toute la bande de frquences
comme prsent dans la figure 1.2-(2). Le code utilis par tous les points daccs est le code
de Barker.
1 bit
Signal Data
Signal Data
1
-1
t
Chip
Bruit
Signal tal
f
Signal tal
Fig. 1.2 talement du signal DSSS : (1) Addition binaire du code et du signal (2)
Dtalement spectral
Pour que les points daccs ninterfrent pas entre eux, chaque AP se voit attribuer un
canal de communication. Aprs talement, le canal radio occupe une bande spectrale 22
MHz. Or, daprs le tableau 1.1, 14 canaux sont dfinis sur la bande de frquences ISM.
Comme le prsente la figure 1.1, les canaux se recouvrent. En observant la forme du spectre
du signal 802.11b aprs talement et modulation reprsent sur la figure 1.3, on observe
que le rapport signal sur interfrences entre deux canaux adjacents espacs de 5 MHz est
quasi nul. Cest en utilisant deux canaux espacs dau moins 22 MHz que lon arrivera
obtenir jusqu 30 dB de rapport signal sur interfrences.
dBm
dBm
0
-20
-28
-30
-40
-50
fc-30
fc-22
fc-11
fc
fc+11
Spectre 802.11b
fc+22
fc-30
Freq. (MHz)
fc-20
fc-11 fc-9
fc
fc+9 fc+11
fc+20
Freq. (MHz)
Spectre 802.11g
Fig. 1.3 Gabarit des spectres aprs talement et modulation des signaux 802.11b et
802.11g.
De ce fait, lattribution des canaux aux points daccs prsents dans un btiment devient
dlicate car lutilisation de deux canaux adjacents pour deux AP qui couvrent la mme
zone cr des interfrences importantes.
Ainsi, si lon souhaite travailler avec des canaux totalement disjoints, on ne possde
que 3 frquences rpartir sur le jeu de points daccs dploys. Ce problme dallocation
de frquences (FAP : Frequency Assignment Problem) est un problme souvent trait dans
la littrature [14] car il survient galement dans les rseaux cellulaires.
La couche DSSS transmet la trame tale sur une porteuse laide dune modulation
de phase. Chaque bit 0 ou 1 est alors reprsent par une variation de la phase de la
11
porteuse. Pour transmettre 1Mbits/s, la modulation est une modulation binaire (DBPSK :
Differentiate Binary Phase Shift Keying) o chaque bit correspond une phase de la
porteuse. Pour transmettre 2Mbits/s, quatre phases sont utilises pour transmettre
1Mbits/s des symboles de deux bits (DQPSK : Differentiate Quadrature Phase Shift
Keying).
La couche HR-DSSS [11]
Lextension 802.11b modifie la couche DSSS pour proposer des dbits supplmentaires
de 5.5 Mbits/s et 11 Mbits/s. Pour les dbits de 1Mbits/s et 2Mbits/s, la squence dtalement est la mme que celle dfinie pour DSSS (squence de Barker). Par contre, pour
atteindre les dbits suprieurs, la technique CCK (Complementary Code Keying) est utilise. Cette technique utilise une architecture compose dun code dtalement de 8 chips
et associe une modulation I/Q. Les chips sont mis une vitesse dun million de chips
la seconde. Chaque symbole transmis est reprsent par un code CCK particulier. La
technique de cration des codes produit des codes dtalement quasi-orthogonaux, ce qui
diminue les effets nfastes du multi-trajet et des interfrences.
La couche OFDM [12]
Une autre augmentation de dbit a t obtenue en dfinissant dans 802.11a une nouvelle
couche physique base sur la technique de transmission OFDM dans la bande de frquences
des 5GHz. Avec cette couche physique, il est possible dobtenir des vitesses de transmission
allant jusqu 54 Mbits/s. Au vu du succs commercial des quipements travaillant dans
la bande des 2.4 GHz, la mme architecture de couche physique base sur la technique de
transmission OFDM a t dfinie dans la bande 2.4GHz [13].
OFDM divise un signal srie haut dbit en plusieurs sous signaux dbit plus faible
et les transmet simultanment sur 48 frquences porteuses. Le fait denvoyer des symboles
plus longs est un moyen de lutter contre le phnomne de chemins multiples. En effet,
plus la distance de propagation dune onde est importante, plus il y a de chance quelle
se rflchisse ou quelle diffracte sur des obstacles. Au niveau du rcepteur, les diffrents
chemins crs par le trajet de londe mise vont arriver avec des retards de phase diffrents
puisque la distance parcourue nest pas la mme. Il en rsulte un talement temporel du
canal qui rend la dmodulation du signal plus complexe.
802.11g
802.11
FHSS
Modulation
Dbits (Mbits/s)
GFSK
802.11a
802.11b
DSSS
DBPSK DQPSK
OFDM
HR-DSSS (CCK)
Mod. I/Q
5.5 11
BPSK
QPSK
16-QAM 64-QAM
12 18
24 36 48 54
1 Mbits/s
-94 dBm
4 dB
2 Mbits/s
-91 dBm
7 dB
5.5 Mbits/s
-87 dBm
11 dB
11 Mbits/s
-82 dBm
16 dB
Tab. 1.2 Puissance et SIR Seuils pour la carte IEEE 802.11b Lucent Orinoco PCMCIA
Silver/Gold
13
1.1.3
Cette couche met en place le protocole daccs au canal. La couche MAC de IEEE
802.11 propose deux modes daccs au canal :
Distributed Coordination Function (DCF) : Un mode daccs au canal dit
comptition qui propose un accs quitable au canal radio dont la gestion est ralise
de faon totalement distribue entre les noeuds du rseau. Ce mode peut aussi bien
tre utilis en mode ad-hoc quen mode infrastructure.
Point Coordination Fonction (PCF) : Un mode daccs au canal dans lequel
les stations de base ont la charge de la gestion de laccs au canal dans leur zone
de couverture pour les mobiles qui leur sont rattachs. Ce protocole appartient
la famille des protocoles dits rservation. Il ne peut tre utilis pour des rseaux
ad-hoc multi-sauts puisquil ny a pas de noeud fixe qui puisse prendre en charge la
coordination du rseau.
Ces deux modes daccs sont dcrits brivement dans les deux paragraphes suivants.
Le mode PCF
PCF, le mode daccs sans contention, est un mode daccs complmentaire au DCF.
Il est utilis pour implmenter des services temps rel, comme la transmission de voix ou
de vido. Ce systme met en oeuvre un accs contrl au mdium laide dun systme de
rservation. Un point daccs fonctionnant en mode PCF est une station qui dispose de la
fonction de coordination. La fonction de coordination utilise une structure temporelle de
super-trame prsente dans la figure 1.5.
Contention Free Period
Contention Period
DCF
Slot
Multi-Trame
que lon peut trouver dans les communications filaires (Ethernet, 802.3). DCF dispose de
deux modes de fonctionnement : laccs en mode station de base et le mode RTS/CTS.
Le mode RTS/CTS a t conu pour palier au problme des noeuds cachs survenant
principalement en mode ad-hoc. Il est prsent la fin de cette partie. Une description de
son fonctionnement et une valuation de ses performances la fois par la modlisation et
lexprimentation sont prsentes dans la thse de Dominique Dhoutaut [15].
Le mode DCF est compos des lments suivants :
le mcanisme CSMA/CA,
le tirage alatoire de backoff,
les dures IFS.
DIFS
ck
SIFS
ba
DIFS
of
f
SIFS
DATA
ACK
ba
ck
ba
ACK
ck
of
f
Destinataire
of
fr
es
ta
n
Station 1
Defering
DATA
Station 2
Canal
Occup
PIFS (Point coordination Inter-Frame Spacing) : cette dure est utilise pour lenvoi
dun paquet en mode daccs PCF.
DIFS (Distributed Inter-Frame Spacing) : cette dure est plus longue que les dures
SIFS et PIFS. DIFS est utilis avant lenvoi dun paquet en mode daccs DCF.
EIFS (Extented Inter-Frame Spacing) : cette dure est utilise si la couche PHY indique que la trame reue est errone. EIFS assure la transmission daccuss de rception dautre stations. Cest la dure la plus longue parmi tous les IFS. Si pendant
un temps EIFS il y a rception dune trame correcte, EIFS est stopp et la station
repasse en mode daccs normal en attendant DIFS.
Les dures IFS sont des lments importants de lvaluation de performances de 802.11
car leurs valeurs influent directement sur lutilisation globale de la bande passante par les
stations.
Le mcanisme RTS/CTS. Ce mcanisme optionnel est une technique de contrle du
canal par change de paquets dappel. Il est li la situation des noeuds cachs dcrits
dans la figure 1.7. Dans cette figure, de par la prsence dun obstacle, on observe que les
stations A et C voient toutes les deux la station centrale B tandis quelles ne se voient pas
entre elles. Ainsi, quand la station A communique avec la station B, la station C ne sen
aperoit pas. De ce fait, C trouvera le canal libre et mettra des donnes si elle le souhaite,
donnes qui entreront en collision avec la communication de A vers B.
A
Obstacle
Zone de
Couverture de A
Zone de
Couverture de C
C
Fig. 1.7 Disposition de noeuds cachs.
Cest pour empcher les consquences nfastes de cette configuration que le mcanisme
RTS/CTS a t mis en place. Avant denvoyer un paquet de donnes, la station source
envoie la station destination un paquet spcial dappel RTS (Request To Send). Si ce
paquet est reu par la station destinataire, cette dernire rpond par un paquet CTS (Clear
To Send). Si la station source reoit convenablement ce dernier paquet, elle peut prendre
la main la fin de la transmission du CTS et envoyer son paquet de donnes. Cest ce
paquet CTS qui sera la fois reu par A et C et qui permettra C dtre au courant de
la future communication qui engagera B et une autre station. Si la communication entre
A et B est correcte, un accus de rception est envoy par la station destinataire B. Ainsi,
C qui reoit galement laccus de rception, sait que le mdium radio est libre. Sil y a
chec de transmission soit du RTS, soit du CTS ou absence daccus de rception, toute la
procdure est reprise.
Un autre mcanisme, le vecteur dallocation NAV (Network Allocation Vector), est associ au RTS/CTS. Il a pour rle damliorer le contrle de laccs au canal. Les paquets
RTS et CTS portent dans leurs champs une indication spcifique qui donne la dure du
17
1.1.4
Avec lexpansion des rseaux wLAN depuis le dbut des annes 2000, un nombre sans
cesse croissant dintgrateurs rseaux sinvestissent dans le dploiement de rseaux locaux
sans-fil. Avec leur expertise, ils ont mis en place un processus de dploiement en 3 tapes :
1. Mesure et analyse du site,
2. Installation du rseau : positionnement des AP et allocation des canaux,
3. Tests de fonctionnement.
Lanalyse du site client passe par la mise en place temporaire de points daccs de test et
par la mesure de leur couverture radio. Ces mesures sont alors analyses par lexpert radio
qui choisit les positions permettant de couvrir la totalit de la surface. Or, pour sassurer
de la fourniture du service dans tout le btiment, les experts ont tendance surestimer
volontairement le nombre de points daccs.
Cette surestimation du nombre de points daccs a pour effet de rendre lallocation
de canaux trs dlicate. En effet, la taille des zones de recouvrement entre les diffrentes
zones de services des points daccs est alors trop importante pour trouver facilement une
solution au problme dallocation de canaux. Cette surestimation a donc un effet naturel
de dgradation du service.
Lapparition de la norme 802.11a 5GHz a permis de trouver une solution temporaire
au problme de planification et dallocation de canaux. En effet, les installateurs ont alors
diminu la densit des points daccs en 802.11b pour introduire un second rseau fonctionnant 5 Ghz et ainsi amliorer le service de couverture sans pour autant dgrader le
rseau par la prsence dinterfrences.
Des travaux [16, 17] ont propos et analys diffrents choix que peut faire linstallateur
lors du dploiement. Ces choix permettent de le guider sur le positionnement des points
daccs et le choix de leurs caractristiques. Nanmoins, trs vite, des algorithmes de planification automatique bass sur la prdiction de la couverture radio ont t proposs. En
effet, la nature empirique du dploiement radio ne permet pas de faire face la complexit
intrinsque du problme. La principale difficult qui ne peut tre prise en compte par un
dploiement manuel est lantagonisme des deux objectifs que sont la couverture radio et la
minimisation des interfrences.
18
1.2
1.2.1
La planification dun rseau cellulaire a pour objectif de dployer des rseaux de communication mobiles grande chelle. Chaque station de base (BTS) implanter prsente
un cot important pour loprateur de radiocommunications. Cest pourquoi, il est important, lors du dploiement de ce type dinfrastructure, de minimiser les cots dinstallation.
Ces cots dinstallation sont principalement proportionnels au nombre de stations de base
installes. Ainsi, la majorit des algorithmes de planification cellulaire considrent que le
nombre de BTS est une variable du problme ([18, 19, 20, 21, 22, 7]).
Le dploiement dun rseau wLAN est bien moins onreux. En effet, son tendue est
plus petite car il est ralis lchelle dun btiment ou dun campus. De plus, le cot
dachat dun point daccs est bien plus faible ( 70 ) que celui dune station de base
GSM ( 300000 ). Le montant de linvestissement pour installer un rseau wLAN na pas
de commune mesure avec les dpenses relatives la mise en place dun rseau de tlphonie
mobile.
Il semble ainsi, de prime abord, que la minimisation du nombre de points daccs ne soit
plus un objectif essentiel du dploiement wLAN. Cest pourquoi les travaux prsents dans
[23, 24, 25, 26, 27, 28, 29, 30, 31, 32] fixent le nombre de points daccs dans les algorithmes
de recherche. Ces travaux se distinguent de la suite par deux caractristiques : lobjectif
est dassurer la couverture avec un nombre dAP est fix lavance. Le choix dlicat du
nombre dAP relve alors de lexpertise de linstallateur qui va planifier le rseau.
Pourtant, lorsque le nombre de points daccs est surestim, la configuration de points
daccs obtenue conduit un fonctionnement fortement dgrad par les interfrences entre
canaux. Comme nous lavons soulign dans la description des techniques de dploiement
empiriques (1.1.4), il est ncessaire de choisir un nombre juste de points daccs. Cest
pourquoi, les travaux prsents dans [33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44] considrent
le nombre de point daccs comme une variable du problme.
Si le nombre de points daccs N est fix et que lon travaille avec un ensemble discret
N . Le fait
des positions candidates de taille M , le cardinal de lespace des solutions vaut CM
de considrer le nombre de points daccs N comme une variable du problme complexifie
la recherche car lespace des solutions devient bien plus important. En effet, sil est possible
de dfinir une borne maximale Nmax du nombre de points daccs, le cardinal de lespace
de recherche est :
N =N
Xmax
N
CM
Card(E) =
N =1
1.2.2
La position des AP
La principale variable du problme wLP est la position physique des points daccs.
Pour chaque AP, il est ncessaire de dterminer ses coordonnes (x, y, z) dans le btiment.
La troisime variable z nest pas dfinie quand les prdictions de couverture radio sont
planaires. Selon la formulation du problme wLP, ces trois variables de position sont soit
continues, soit discrtes. Dans ce dernier cas de figure, le problme wLP cherche une rpartition des AP en slectionnant un sous-ensemble de positions parmi un ensemble discret de
positions candidates.
Lespace des positions des antennes est paradoxalement bien plus grand pour la planification wLAN que pour la planification cellulaire [8, 9]. En effet, en GSM, il existe peu
de lieux dimplantation autoriss, le choix des positions candidates tant non seulement
19
contraint par la gographie des lieux, mais galement par lobtention dautorisations dimplantation des stations de base. Cest pourquoi on retrouvera plus souvent en planification
cellulaire un ensemble de positions discrtes de stations de base pour lesquelles il faudra
trouver la meilleure configuration antennaire possible. Le choix de la configuration antennaire permet de palier au faible degr de libert que comportent les variables de position
[18].
En planification wLAN, ce sont les premiers travaux qui ont considr un espace continu
des positions [33, 25, 23, 26, 24, 31]. Avec laugmentation de la surface planifier, la
formulation discrte des positions sest avre bien plus abordable et ce pour deux raisons :
1. la diminution de la taille de lespace de recherche,
2. la similarit des positions candidates prsentes dans une mme pice.
En effet, on se rend compte sur la figure 1.8 que la diffrence entre les couvertures radio
de 2 AP prsents dans la mme pice est faible lchelle du btiment. On peut alors
considrer quun point daccs prsent au centre dune pice est reprsentatif des autres
positions candidates de la pice et ainsi passer dun espace continu des positions un
espace discret.
-50 dBm
AP1
AP2
-100 dBm
Fig. 1.8 Comparaison des cartes de couverture simules de deux points daccs prsents
dans la mme pice.
Les autres articles de la bibliographie [35, 34, 27, 24, 37, 36, 40, 38, 41, 39, 42, 43, 29, 44]
dfinissent un espace discret des positions candidates.
1.2.3
prsente une porte de communication importante. Ce type de cellule peut alors crer des
zones de rsurgence du signal grande distance. En planification cellulaire, le tilt permet dobtenir des cellules connexes et ainsi de diminuer les interfrences occasionnes par
celles-ci. Adel Jedidi tudie en dtails cette problmatique dans ses travaux de thse [18].
Fig. 1.9 Simulation du rayonnement en champ libre dune antenne directionnelle wLAN
(G0 = 4dBi, ouverture = 60 ) obtenue avec WILDE (cf. partie 2.3).
Les points daccs wLAN sont quips dantennes moins volues que les stations de
base GSM. Il existe des points daccs quips dantennes omnidirectionnelles ou directives.
Le diagramme de rayonnement azimutal dune antenne directionnelle peut sassimiler une
antenne quasi-omnidirectionnelle pour laquelle il existe un gain plus important (+3dB
+5dB) sur une moiti du diagramme comme le prsente la figure 1.9.
Il nest pas possible dincliner une antenne et ainsi de faire varier son tilt. Cette variable
importante de la planification cellulaire nest pas exploitable en planification wLAN.
Il est possible de modifier la puissance dmission dun point daccs par paliers, lesquels
sont dfinis par les constructeurs.
Les seuls paramtres antennaires wLAN sont :
lazimut k ,
la puissance dmission P k .
Modifier la position p = (px, py) dun point daccs permet de compenser ce manque de
paramtres antennaires. En effet, le dplacement Indoor permet de jouer sur le diagramme
de rayonnement du fait de la rpartition plus dense des obstacles (murs, portes...). La
position des points daccs est donc un des principaux paramtres rgler.
Stamatelos et Ephremides [24] font partie des premiers chercheurs avoir propos une
formulation au problme de planification wLAN en 1996. Ils ont alors dj pris en compte
la puissance dmission en dfinissant une variable p continue. Bahri et Chamberland [41],
Wong et al. [35] recherchent la fois la position et la puissance dmission du nombre
minimal de points daccs. Lensemble des puissances dmission est discret pour eux.
21
Les seuls travaux qui mettent en oeuvre la directivit des AP sont proposs par Aguado
et al.[30]. Lobtention de la direction dmission est traite comme un problme part
entire o lon recherche lorientation optimale des N metteurs dans un ensemble discret
dorientations possibles. Ce scnario doptimisation considre que la position, le nombre et
la puissance des AP sont dj fixs.
En rsum. Une configuration de points daccs se compose toujours :
* du nombre de points daccs :
* de la position de chaque point daccs :
Les variables suivantes peuvent tre exploites :
* la puissance dmission des points daccs :
* lazimut des point daccs :
22
N
(p1 , . . . , pk , . . . , pN )
(PE1 , . . . , P k , . . . , PEN )
(1 , . . . , k , . . . , N )
1.3
1.3.1
Notations
Une zone rectangulaire du plan P est dsigne par le terme de bloc. Elle est reprsente
dans la figure 1.10 et dfinie comme suit :
Definition 3 Un bloc Bl est une zone rectangulaire dont le coin haut gauche se situe a la
position p = (px, py) et dont les dimensions sont donnes par s = (nx, ny).
O i
j
(il , jl)
p=(px, py)
Bl
bl
ny
nx
Flk
FlBS
Akl
ABS
l
Pln
Sq
SN Rl
N Il
SIRl
= maxk[1,N ] Flk
= P k Flk
= mink[1,N ]Akl
= FlBS Pln
Pour un utilisateur mobile, le rapport signal sur interfrences au point bl a pour forme
gnrale :
(SIRl )mW =
FlBS
+ (P Il )mW
(P n )mW
(1.1)
C = {FlBS , bl ETP }
(1.2)
Definition 5 La cellule Ck est forme par lensemble des points couverts par le point
daccs k au-dessus du seuil de qualit Sq et o cet AP est Best Serveur :
Ck = {bl /Flk Sq ; Flk > Flm m EAP }
1.3.2
(1.3)
Le premier service que doit offrir un rseau est la fourniture daccs. Pour un rseau
sans-fil, du fait de la nature du mdium radio utilis, il est ncessaire de garantir un accs
aux utilisateurs sur tout le btiment en proposant un canal de communication de qualit.
Il est possible de formuler mathmatiquement un critre de couverture partir de
plusieurs grandeurs drives de lestimation de la puissance reue et du bruit ambiant au
point bl .
Dfinition de la couverture radio
La grandeur communment utilise est base sur la notion de couverture radio. Un
point bl du plan P est couvert par le rseau si la puissance du signal Flk quil reoit depuis
au moins un point daccs k du rseau est suffisante pour pouvoir comprendre le message
transmis. Cette condition sexprime par lquation 1.4 :
24
(1.4)
Dans lquation 1.4, S reprsente le rapport signal sur bruit minimal qui permette de
garantir un taux derreur acceptable et EAP lensemble des points daccs prsents sur le
plan P . On dsigne par le terme trous de couverture les portions du plan qui ne respectent
pas la contrainte de couverture.
Bahri et Chamberland [41], Wong et al. [35], Prommak et al. [36], Amaldi et al. [44]
dcrivent le problme de planification laide dun programme linaire. Ils imposent une
contrainte dure de couverture o tous les points du plan doivent satisfaire la condition
de lquation 1.4. Lobjectif principal de planification est soit la minimisation du nombre
de points daccs, soit lobtention dune qualit de service adquate. La contrainte de
couverture garantit labsence de trou de couverture.
Maximisation de la surface couverte
Frhwirt et Brisset [34], Anderson et McGeehan [33] et He et al. [28] proposent de
maximiser le nombre de points du plan couverts. Frhwirt et Brisset et He et al.
travaillent avec un nombre de points daccs constant tandis quAnderson et McGeehan
minimisent le nombre dAP. Le mme objectif est prsent par Stamatelos et Ephremides
[24] sous la forme dune minimisation du nombre de points de test non couverts avec N
fixe.
Maximisation de la couverture globale
Mateus et al. [29] dfinissent un critre de couverture qui maximise la somme des
puissances reues en chaque point de test. Maksuriwong et al. [39] proposent de maximiser le rapport signal sur bruit moyen obtenu pour tout le plan. Ces deux critres
ne garantissent pas labsence de trous de couverture. En effet, la somme des puissances
reues ou le SNR moyen ne rendent pas compte de la prsence ou non de ces trous.
Optimisation conjointe de la couverture globale et locale
Sherali et al. [25] proposent un critre unique qui minimise la fois lattnuation
moyenne du signal et lattnuation maximale de chaque point de test. Le critre
doptimisation f minimiser agrge deux objectifs f1 et f2 comme prsent dans lquation
1.5.
Minimiser
f = . f1 + (1 ) . f2
(1.5)
f1 =
NP
X
l=1
wl ABS
+ max(0, ABS
Amax )
l
l
25
(1.6)
f2 = max wl ABS
+ max(0, ABS
Amax )
l
l
l=1...NP
(1.7)
Il recherche la plus grande attnuation prsente parmi tous les points de test. Ce critre
permet de pnaliser des solutions qui prsentent des trous de couverture et donc doptimiser
localement la couverture radio. Cette plus grande attnuation est galement pondre par
le terme de pnalisation seuil ( max(0, ABS
Amax )).
l
Les coefficients de pondration wl , l [1, NP ] permettent daccorder plus ou moins
dimportance une zone du plan. La fonction objectif prsente un paramtre qui permet
de dfinir quel objectif prime dans la recherche dune solution.
Unbehaun et Kamenetsky [27], Aguado et al. [30] et Ji et al. [31] rutilisent la mme
dfinition du critre de couverture dans leurs travaux.
Les objectifs de couverture seuil
He et al. [28] utilisent un critre de couverture dfini dans lquation 1.8. Ce critre
calcule la valeur moyenne de la puissance qui manque dans les trous de couverture. Pour
tous les points de test bl de lensemble des points de test ETP , on calcule lcart entre la
puissance reue FlBS et la puissance minimale requise Sq si et seulement si la contrainte
de couverture nest pas respecte.
fseuil = 1/NP .
NP
X
l=1
max 0, Sq FlBS
(1.8)
fseuil = 1/NP .
NP
X
fmesl
(1.9)
l=1
Le critre propos par He et al. [28] prsente alors une fonction de mesure de la forme
fmesl = max 0, Sq FlBS . Les choix que nous avons effectus pour dfinir un critre de
couverture nous ont men tudier plusieurs variantes de la fonction fmes. Ces variantes
sont reprsentes sur la figure 1.11.
La figure 1.11-(a) reprsente la fonction de mesure qui associe un poids de 1 chaque
point non couvert. Cette fonction de mesure permet de calculer le pourcentage de surface
non couverte.
26
fmesure (dB)
fmesure (dB)
fmesure
1
1
Sq
(a)
F (dBm)
Sq
(b)
F (dBm)
Smin
Smax
F (dBm)
(c)
0
Pout (i, j) = 1 exp
SN Rl
Pout (i, j) = 1
I
Y
i=1
i
+ i
(1.10)
(1.11)
1.3.3
Le deuxime critre de planification communment rencontr a rapport aux interfrences. En effet, la dgradation du dbit fourni par le canal radio peut tre lie un
rapport signal sur interfrences trop faible.
Comme il a t prsent dans la description de la technologie IEEE 802.11, il est possible doptimiser lutilisation des ressources spectrales en rpartissant au mieux les canaux
affects aux AP prsents sur le site. Lallocation de ces canaux est un problme doptimisation combinatoire qui peut se rduite au problme NP-complet de coloriage de graphes.
Il est communment rfrenc par lacronyme FAP (Frequency Assignment Problem).
28
(1.12)
f=
NP
1 X
min
| FlBS Flk |
NP
k[1,N ],k<>BS
(1.13)
l=1
Cet objectif est agrg en une seule fonction avec lobjectif de couverture dfini par
Sherali et al. (cf. Eq. 1.5). Le problme de planification tel quils lont dfini cherche
slectionner des solutions qui couvrent tout lenvironnement et qui minimisent le recouvrement entre les zones de service des AP.
29
1.3.4
Seuls les travaux les plus rcents dfinissent des problmatiques de qualit de service. Ils
rpondent la ncessit de fournir des rseaux sans-fil qui garantissent une bande passante
aux utilisateurs.
Les premires estimations de bande passante ont t ralises laide de la loi de
Shannon-Hartley :
l = B. log2 (1 + SN Rl )
du
(1.14)
l utilis au point bl est calcul connaissant la bande passante du signal B et
Le dbit du
le rapport signal bruit SN Rl .
Adickes et al. [37] ont propos en 2002 dintgrer un objectif de QoS pour un ensemble de
points, les TTP (Traffic Test Points), qui possdent une demande de trafic que le rseau doit
fournir. Ce placement des points de trafic sinspire des travaux de planification cellulaire.
Lestimation de la capacit que peut fournir un point daccs est calcule partir de la loi
de Shannon-Hartley. La fonction objectif de trafic calcule le pourcentage de points TTP
pour lesquels la contrainte de capacit minimale est remplie. La fonction de cot de trafic
est optimise en mme temps que deux autres critres de couverture. La loi de ShannonHartley est une autre forme de critre de couverture. Dans le modle propos par Adickes
et al., la capacit des points daccs nest pas prise en compte et il est possible de trouver
des solutions o un AP ne pourra fournir assez de bande passante tous les TTP quil
couvre.
Les travaux ultrieurs formulent le problme laide dun programme linaire et sassurent que le trafic total demand par lensemble des TTP couverts par un AP nexcde
pas sa capacit. Prommak et al. [36] ont fix la capacit dabsorption de trafic dun point
daccs CAP = C0 , avec = 0.9 et C0 le dbit le plus lev que peut fournir lAP (en
802.11b, C0 = 11 Mbits/s). Le coefficient permet de prendre en compte la perte de dbit
due aux techniques daccs au canal radio (couche MAC). Nous allons voir ci-aprs que
cette capacit est encore grandement surestime.
En 2004, Molina et Gonzalez [43] combinent un critre de couverture et un critre de
trafic. Ce dernier vrifie galement que la demande des TTP nexcde pas la capacit du
point daccs fixe. De mme, Bahri et Chamberland [41] imposent la mme contrainte de
trafic dans un programme linaire qui minimise le nombre de points daccs.
Les deux travaux proposs par Lee et al. [38] et Amaldi et al. [44] sont les premiers
avoir choisi de dfinir comme objectif principal doptimisation un critre de qualit de
service. Ils ont dfini un modle qui a pour objectif de rpartir le mieux possible entre les
TTP le dbit fourni par les points daccs. La couverture et le recouvrement sont pris en
compte par la mise en place de contraintes.
Lee et al. [38] dfinissent la mme contrainte de capacit sur les points daccs CAP =
C0 , mais leur objectif principal est de minimiser pour obtenir une rpartition uniforme
du trafic sur les points daccs.
Amaldi et al. [44] se placent dans le contexte des rseaux wLAN et considrent quun
seul canal est utilis dans le rseau pour tous les points daccs. Lanalyse quils ont effectue
du protocole daccs CSMA/CA les a mens dfinir une mesure qualitative de la capacit
du rseau. Un utilisateur pourra accder au rseau si tous ses interfrents se taisent. Ainsi, la
probabilit daccs dun utilisateur i au mdium radio est de 1/nbInter(i), avec nbInter(i)
le nombre dutilisateurs qui interfrent lutilisateur i. La mesure de capacit du rseau est
la somme des probabilits daccs pour tous les utilisateurs du rseau. Lobjectif prsent
30
par Amaldi et al. est de maximiser la capacit du rseau sous la contrainte de couverture
totale.
1.3.5
Rsum
Pour synthtiser les diffrentes approches tudies dans cet tat de lart, un tableau
rcapitulatif des objectifs dfinis par chaque article cit est propos ici. Les articles sont
classs en fonction des 3 principaux objectifs de planification : couverture, interfrences et
QoS.
La premire colonne stipule si le nombre de points daccs N est variable et la seconde
si lobjectif principal est de minimiser le cot, cest--dire le nombre dAP. Les objectifs de
couverture sont rpartis en fonction de la grandeur utilise pour quantifier la couverture :
la puissance reue (PR ), le taux derreur bit (BER) ou le taux de coupure (TxC). Dans la
description des objectifs dinterfrences, il est prcis si lallocation des canaux est effectue
conjointement la planification (FAP). De plus, il est prcis si le critre dinterfrences a
t calcul en valuant la taille des zones de recouvrement (Rec), le rapport SIR sur le lien
descendant (SIR D) ou le rapport SIR sur le lien montant (SIR M).
N
var
Cheung et Murch[26]
Sherali et al. [25]
Fortune et al. [23]
Ji et al. [31]
Kamenetsky et Unbehaun [27]
He et al. [28]
Anderson et McGeehan [33]
Maksuriwong et al. [39]
Frhwirt et Brisset [34]
Stamatelos et Ephremides [24]
Mateus et al. [29]
Aguado et al. [30]
Wong et al. [35]
Wertz et al. [42]
Adickes et al. [37]
Prommak et al. [36]
Lee et al. [38]
Amaldi et al. [44]
Molina et Gonzalez [43]
Bahri et Chamberland [41]
min
N
PR
Couverture
BER TxC
FAP
Interfrences
Rec SIR D SIR M
QoS
Le critre principal dfini par tous les travaux cits dans ce tableau est relatif la
couverture radio. Plusieurs formes de critres ont t proposes pour garantir un accs
correct une station mobile quelque soit sa position. Ces critres ncessitent tous une
estimation du canal radio, soit parce quil faut connatre la puissance reue en un point,
soit parce quil faut connatre la rponse impulsionnelle du canal. Ainsi, la qualit des
solutions obtenues par planification est fortement corrle la qualit des prdictions de
couverture exploites.
Or, comme nous le verrons dans la partie suivante 2.1 qui prsente les modles de
prdiction de couverture, il est ncessaire de trouver un compromis entre la qualit des
prdictions et le temps ncessaire lobtention dune carte de couverture radio. En effet,
une estimation prcise de la couverture radio passe par des temps de calculs relativement
longs tandis que lutilisation de modles plus simples permet destimer le canal bien plus
31
rapidement. La recherche dun compromis entre temps de calcul et prcision reste donc une
problmatique majeure.
Les critres qui traitent soit du recouvrement entre cellules, soit des interfrences ont
t pris en compte par la moiti des travaux prsents. En effet, les interfrences sont
une des causes majeures de dgradation du canal radio wLAN. La plupart des critres
dinterfrences prsents ci-avant considrent que les seuls metteurs actifs du rseau sont
les points daccs. De ce fait, ils ne tiennent compte que des interfrences prsentes sur le
lien de communication descendant, cest--dire de lAP vers la station mobile.
Seuls Wong et al. [35] ont pris en compte le calcul du rapport signal sur interfrences
sur le lien montant au niveau du point daccs. Pour dterminer le SIR montant, il faut
estimer la couverture radio de chaque point de test en plus des couvertures radio des AP,
ce qui est coteux en temps de calcul. La section suivante prsente une tude originale des
interfrences au niveau des noeuds mobiles pour amliorer lvaluation de performances du
rseau.
Tous les travaux relatifs au trafic considrent que le dbit global propos par le point
daccs tous les utilisateurs quil couvre est constant. Or, les modles dvaluation de
performance et les mesures de dbit dun rseau wLAN de type 802.11b [15, 45] montrent
que ce dbit global varie avec le nombre dutilisateurs qui le couvrent. Ainsi, pour prendre
en compte une capacit raliste de point daccs nous introduisons dans la section suivante
un modle issu dune valuation de performances de la technique daccs au canal radio.
Il est galement possible de planifier un rseau pour une application spcialise qui
ncessite une rpartition des niveaux de puissance qui rponde certaines contraintes.
Cest en analysant les performances dalgorithmes de localisation wLAN que nous nous
sommes rendu compte de limportance du placement des AP pour ce genre dapplication
[46].
Les algorithmes de localisation travaillent partir dune base de connaissance qui dcrit
lenvironnement radio dun btiment. A chaque tentative de localisation, la puissance des
signaux reus par les AP au point courant est recherche dans cette base de connaissance
pour en dduire la position du rcepteur. Sil existe des zones du btiment qui prsentent
une rpartition des puissances reues par tous les points daccs qui est similaire, il existe
une indtermination dans la recherche puisque, pour un mme vecteur signal, il existe
plusieurs positions possibles dans le plan. De ce fait, les erreurs de localisation sont dautant
plus frquentes.
Les seuls travaux notre connaissance qui cherchent positionner les AP pour amliorer
la qualit dun algorithme de localisation sont proposs par Jan et al. dans [40]. Les auteurs
proposent une procdure de localisation qui exploite lintersection des zones de service des
AP. La localisation de la station mobile est ralise partir de lidentifiant de tous les AP
que cette station capte. Ce jeu didentifiants permet de dterminer une portion du plan.
Plus le plan est partitionn en un nombre important de portions, plus la localisation
est prcise. Cest pourquoi ils ont choisi de minimiser la taille de la plus grande portion
du plan, le tout avec un nombre dAP fix. Ce qui est dommage, cest quils utilisent un
modle circulaire de couverture dAP. De ce fait, ils se retrouvent toujours avec des cellules
connexes et peu dindterminations dans la localisation.
32
1.3.6
Cette partie prsente deux modles qui permettent de rendre compte du comportement
du rseau. Le premier modle propose une estimation du trafic fourni par un AP aux
utilisateurs quil dessert et le second quantifie le brouillage d aux interfrences.
Modle de dbit
Nous proposons dtudier comment le dbit se rpartit entre les utilisateurs pour estimer le dbit offert par un AP. Pour cela, il faut connatre la rpartition des utilisateurs et le
mode daccs au canal radio quils utilisent. Dans un rseaux de type 802.11, il ny a pas de
duplexage frquentiel et les communications montantes (de lutilisateur vers lAP) et descendantes (de lAP vers lutilisateur) sont ralises sur le mme canal par accs concurrent.
Ici, on considre que lAP ne cherche pas communiquer et ne fait que recevoir des paquets. Dans ce cadre, comme lont montr plusieurs travaux dvaluation de performances
de rseaux wLAN ([45, 47]), le dbit fournit par un AP varie en fonction du nombre dutilisateurs prsents dans sa zone de service. De ce fait, nous avons choisi dutiliser dans ces
travaux de thse le modle analytique dvaluation de performances propos en 2005 par
J.-L. Lu et F. Valois dans [48]. Ce modle estime les performances de dbit dun rseau
IEEE 802.11 en mode DCF. Il est inspir des travaux de Bianchi [45] qui modlisent les
tats du backoff du protocole daccs DCF de 802.11 (cf. 1.1.3).
Le modle de dbit dtermine le dbit utile fourni par un point daccs aux utilisateurs connaissant le nombre dutilisateurs communiquant 11 Mbits/s, 5.5 Mbits/s, 2
Mbits/set 1 Mbits/s. On considre que les utilisateurs ont toujours un paquet mettre :
ils fonctionnent en rgime satur. De ce fait, on modlise le rseau wLAN dans le pire cas
dutilisation o la limitation de la bande passante est due une forte probabilit de collisions. On saffranchit du choix dun modle de trafic car dans ces travaux, on ne souhaite
pas planifier un rseau pour une application ddie.
Les travaux de J.-L. Lu et F. Valois se distinguent de ceux de Bianchi par la prise
en compte des zones de service et par lutilisation dune probabilit de retransmission pr
qui modlise la fois la probabilit derreur pe due une mauvaise transmission et une
probabilit de collision pc . La probabilit de collision pc est soit due au problme des noeuds
cachs o les deux stations mettent croyant trouver le mdium libre alors quil ne lest
pas, soit due aux interfrences entre les deux signaux mis.
Le modle prend en entre le nombre dutilisateurs communiquant 11 Mbits/s, 5.5
Mbits/s, 2 Mbits/set 1 Mbits/spour chaque AP. Ces quantits peuvent tre obtenues partir de prdictions de couverture radio comme nous le prsenterons au chapitre 5. Lanalyse
des tats du backoff mne la formulation dune chane de Markov. Cette chane est dtaille dans lannexe 1. Sa rsolution permet de dterminer la probabilit de transmission
russie sans erreur dans un slot de temps pour un noeud couvert par un AP.
Calcul de . Pour pouvoir utiliser le modle dvaluation de performances, il est ncessaire de calculer la valeur de , qui reprsente la probabilit de transmission russie sans
erreurs dans un slot pour un noeud couvert par un AP. Cette valeur de ne dpend que
du nombre de noeuds total couvert par ledit AP. La recherche de doit tre ralise pour
chaque AP prsent dans lenvironnement.
est donn par la rsolution du systme dquations 11 prsent dans lannexe 1, page
208. Un algorithme de Newton (cf. equation 2.9, p. 61) recherche le passage zro de
lquation = b0,0 .(1 pm+1
)/(1 pr ) aprs substitution de pr par sa valeur 1 (1
r
33
)n1 + pe . Cette quation nest pas rsolvable analytiquement car ltat stationnaire de
la chane de Markov, b0,0 , dpend galement de pr . La valeur de la probabilit derreur pe ,
dtermine exprimentalement (cf. [48]), est fixe 0.04.
La valeur maximale de obtenue pour un seul noeud couvert est de 0.0572. Quand le
nombre de noeuds tend vers linfini, la valeur de converge vers 0.035. La valeur maximale
est une bonne solution initiale pour la recherche de Newton car la convergence est rapide
quand la solution initiale est proche de la solution optimale. La valeur de est calcule
1.106 . Lalgorithme converge en un maximum de 5 itrations. Nous pouvons en conclure
que la fonction prsente est proche dune fonction convexe.
Le modle dvaluation de performances donne des rsultats ralistes pour un seul
point daccs car la prsence dinterfrences entre plusieurs AP nest pas prise en compte.
Pour que ce modle soit applicable un rseau complet, il est ncessaire de rpartir les
canaux de faon optimale pour minimiser les interfrences. De ce fait, dans la phase de
planification, il sera important dutiliser conjointement au critre de QoS un critre qui
limite les interfrences.
Evolution du dbit fourni par un AP en fonction du nombre de noeuds mobiles.
Lhypothse la plus simple consiste supposer que le dbit fournit par lAP lensemble
de ses utilisateurs reste constant. Or, si lon observe les rsultats de ce modle dvaluation
de performances prsent sur le graphe de la figure 1.12, on se rend compte que ce nest
pas le cas.
Fig. 1.12 Evolution du dbit total fournit par un AP en fonction du nombre de noeuds
mobiles.
Ce graphe prsente lvolution du dbit total en fonction du nombre de noeuds communiquant dans chaque classe de dbit. Chaque courbe a t calcule en considrant que
tous les utilisateurs transmettent au mme dbit. Cest avec 3 utilisateurs que le canal est
utilis le plus efficacement. Par la suite, plus le nombre dutilisateurs augmente, plus les
34
C = (c1 , . . . , ci , . . . , cN ), ci C
Pour un noeud mobile prsent au point bl , on peut classer tous les signaux reus du
plus fort au plus faible :
FlBS Fl1 . . . Fli . . . FlN
Le signal le plus puissant est le signal best serveur FlBS avec lequel le mobile plac
au point bl dialogue. Lensemble des signaux interfrents au point bl , dnomm Il , est
constitu de tous les signaux Fli diffrents de FlBS . Le calcul de la puissance totale des
signaux interfrents est donn par lquation suivante :
P Il = 10.log 10
iP Il
(1.16)
Elle permet de tenir compte du recouvrement inter-spectre dans le calcul des interfrences. Elle dpend de la fonction de rjection R(n). Les valeurs en dB de cette fonction
pour les carts de canaux compris entre 1 et 4 sont donnes dans le tableau 1.3 pour les
systmes 802.11b et 802.11g.
n =| cbs ci |
10log10 R(n) pour 802.11b
10log 10 R(n) pour 802.11g
0
0
0
1
2.25 dB
3.9 dB
2
5.25 dB
6.9 dB
3
9.9 dB
12 dB
4
29.8 dB
25.5 dB
Tab. 1.3 Rjections R(n) du signal interfrent en fonction de lcart entre le canal de
lAP best serveur cbs et le canal interfrent ci .
La puissance des interfrents au point bl avec prise en compte des signaux mis
par les autres mobiles est plus complexe calculer.
Pour raliser cela, il est ncessaire de connatre la rpartition des utilisateurs. Il est alors
possible de dterminer le numro du canal de transmission que ces utilisateurs utilisent
puisquils communiquent sur le mme canal que leur AP "Best Serveur". Ainsi, un sousrseau de communication est constitu par les Ni utilisateurs attachs un mme AP i.
Ils travaillent tous sur le mme canal ci .
La zone de brouillage Bi associe un canal ci se dplace au cours du temps comme
le prsente la figure 1.13. On peut y observer la zone B1 relative aux lments actifs du
canal c1 . Une partie de lenvironnement Foch est ici reprsente avec 1 AP et 3 noeuds qui
lui sont rattachs. La carte suprieure gauche prsente la couverture de lAP. Les autres
cartes prsentent les cartes de couverture des noeuds quand ils communiquent. La zone de
brouillage correspond la couverture des noeuds en cours dmission. On observe quau
cours du temps, la couverture de la zone de brouillage se modifie de faon non ngligeable.
La couverture du noeud numro 1 qui met dans le couloir est bien plus importante que la
couverture de lAP.
AP
Noeud 1
Noeud 2
Noeud 3
dBm
-40
-80
protocole MAC le plus souvent utilis en 802.11 est le protocole daccs DCF (cf. 1.1.3).
Contrairement au GSM, lAP accde au canal avec les mmes chances que les noeuds de
sa zone de service. Les seuls paquets quil met en plus sont des beacons de signalisation.
De plus, chaque noeud du rseau transmet ses donnes avec une rapidit de modulation
diffrente en fonction de la qualit du canal. Ainsi, un noeud peut soit mettre 1, 2, 5.5
ou 11 Mbits/sen 802.11b. Le modle dvaluation de performances prsent dans la section
suivante (cf. p. 33 et annexe 1) permet dvaluer le taux doccupation du canal des noeuds
travaillant avec un mme AP en fonction de leur rapidit de modulation. On y considre
que les mobiles cherchent mettre en continu et que les AP ne gnrent jamais de trafic
sur le rseau sans-fil. Or, dans un rseau standard, le trafic de lAP vers le mobile nest pas
ngligeable (tlchargements, broadcast, requtes, ...).
Nous avons choisi de modliser lAP comme un utilisateur standard puisquil accde
au canal avec la mme priorit que les autres utilisateurs. On suppose que le noeud qui
modlise lAP communique 11 Mbits/s, mme si en ralit il communique la rapidit
de modulation du noeud quil sert. Nous avons fait ce choix pour se placer dans le pire cas
possible. Le modle dvaluation de performances nous procure les valeurs de piAP , le taux
doccupation du canal de lAP i, et pij , le taux doccupation du noeud j rattach lAP i.
Nous proposons deux estimations de la dgradation du canal que lon peut impacter
aux interfrences. La premire value la puissance moyenne des signaux interfrents en
un point. On peut alors en dduire une carte de couverture de brouillage et calculer en
chaque point du plan un rapport SIR. La seconde estimation propose de quantifier le taux
doccupation du canal en chaque point pour un canal donn. Cette estimation ne permet
plus de calculer de rapport SIR.
Calcul de la puissance moyenne des interfrents. Il est possible destimer en chaque
point bl du plan une puissance reue quivalente qui soit reprsentative de la variabilit
temporelle de la zone de brouillage. Pour cela, on ralise une moyenne temporelle des
puissances reues au point bl par les lments actifs du sous-rseau. Cette valeur moyenne
i
F l est la moyenne des puissances reues au point bl par lAP i et des noeuds j calcule
laide des probabilits daccs au canal comme suit :
jNi
(1.17)
AP2
AP1
AP1
(c) Zone de brouillage de lAP2
Mobiles
APs
AP2
Fig. 1.14 (a) Carte de couverture standard des deux AP. (b) Carte de brouillage statistique de lAP1 . (c) Carte de brouillage statistique de lAP2 .
38
AP1
(a) Taux doccupation de lAP1
Mobiles
APs
AP2
(b) Taux doccupation de lAP2
Fig. 1.15 (a) Carte du taux doccupation du canal pour le sous-rseau de lAP1 . (b)
Carte du taux doccupation du canal pour le sous-rseau de lAP2 .
i
Xh j
Tl = Fli P n piAP +
Fl P n pij
(1.18)
jN i
o :
N i est le nombre de noeuds rattachs lAP i.
Fli est la puissance reue au point dindice l depuis le noeud j,
P n est la puissance de dtection de porteuse,
[.] reprsente une condition boolenne.
Si le point bl est couvert par lAP ou un des noeuds, le taux doccupation du canal de
llment est ajout au taux doccupation global T xm . Cette carte de brouillage permet
de dterminer la proportion de temps o le canal est occup en chaque point du plan. La
figure 1.15 prsente cette carte pour lexemple prsent prcdemment (cf. p.38).
Dans ces cartes de taux doccupation, on observe bien que le nombre de noeuds a une
importance non ngligeable. La prise en compte des interfrences dues aux utilisateurs est
importante pour rpartir correctement les canaux pour un rseau 802.11.
40
1.4
Le problme de planification peut tre dfini soit laide dune formulation continue soit
laide dune formulation discrte, toutes deux prsentes ci-aprs. Ces deux approches
sont illustres dans la suite de cette partie par la prsentation des principaux modles
proposs dans la littrature de planification wLAN.
1.4.1
Formulations gnriques
Approche continue
La formulation continue du problme wLP est base sur la dfinition dun espace continu
des variables du problme. Ainsi, 3 variables (x, y, z) de position, une variable reprsentant
la puissance dmission p et une variable dazimut peuvent tre dfinies pour chaque
point daccs. Si lon cherche planifier N points daccs, la dimension de lespace des
solutions vaut D = 5 N .
Une solution est reprsente par un vecteur :
x = [(x1 , y1 , z1 , p1 , 1 ), . . . , (xi , yi , zi , pi , i ), . . . , (xN , yN , zN , pN , N )]
Si le problme ne comporte pas de contrainte, une fonction dvaluation unique est
dfinie par :
x
= Argminx0 f (x),
f : RD R
(1.19)
Pour pouvoir prendre en compte les contraintes dun problme doptimisation, un terme
de pnalisation est rajout la fonction de cot f (x). Ce terme de pnalisation pondre
lvaluation de f (x) quand la contrainte nest pas satisfaire. Ainsi, une contrainte dingalit
ci (x) 0 qui sapplique au point de test i pour la solution x est incluse dans la fonction
de cot comme suit :
P (x, ) = f (x) +
NP
X
max(0, ci (x))
(1.20)
i=1
Chaque candidat est dfini dans le processus doptimisation par une variable binaire xk
qui vaut 1 si le site candidat fait partie de la solution courante et 0 sinon. Ainsi, une solution
issue dune formulation discrte est donne par le vecteur binaire des xk , k [0, M ] :
(x1 , . . . , xk , . . . , xM )
Lheuristique doptimisation slectionne le meilleur sous-ensemble de N AP candidats
selon les objectifs dfinis au pralable. Un ensemble de contraintes dgalit (ci (x), i
[1, I]) ou dingalits (dj (x), j [1, J]) peuvent tre dfinies. La formulation rcurrente du
problme doptimisation est ralise laide dun programme mathmatique qui prsente
une fonction dvaluation principale optimiser et une srie de contraintes, linaires ou
non. Un exemple gnrique de programme mathmatique est donn par :
x
= Argmin f (x)
ci (x) 0 i [1, I]
dj (x) = 0 j [1, J]
(1.21)
(1.22)
1.4.2
Modles utiliss
Les travaux de planification wLAN proposent des modles obtenus laide de techniques
diffrentes, dont le choix dpend de lapproche retenue (continue ou combinatoire) et du
nombre dobjectifs dfinis.
A la vue de la diversit des objectifs que lon peut chercher atteindre (cf. partie 1.3),
il nest pas possible dappliquer les mmes modles pour optimiser conjointement tous les
critres. Ainsi, avec une approche continue, on peut soit agrger les critres optimiser dans
une seule fonction, soit dfinir une hirarchie entre les critres. Ces deux choix, prsents
ci-aprs, permettent dobtenir des solutions qui sont conditionnes soit par le choix de la
pondration des critres, soit par le choix de la hirarchie entre critres.
Pour ne pas avoir faire de choix a priori sur limportance relative des critres, une
formulation base sur la dominance entre solutions peut tre ralise. Ainsi, il est possible
dobtenir plusieurs solutions refltant diffrents compromis entre les critres de planification.
Lapproche combinatoire du problme a t particulirement utilise car elle permet
dutiliser la programmation linaire. Ces programmes mathmatiques permettent de slectionner lobjectif primordial optimiser et de considrer les autres objectifs comme des
contraintes. Le dernier type de formulation rside dans la dfinition du problme avec uniquement des contraintes et sans optimiser de fonction de cot. Cette formulation vise
rduire lespace des solutions en appliquant un langage de programmation sous contraintes.
Dfinition dune fonction dvaluation unique
Lapproche la plus lmentaire consiste optimiser un seul objectif par une approche
continue. Cette optimisation est ralise dans un espace continu des solutions et la fonction
unique inclut lensemble des contraintes. Les travaux de Fortune et al. [23], Stamatelos et
Ephremides [24], Cheung et Murch [26], Sherali et al. [25], Kamenetzky et Unbehaun [27],
He et Al. [28] et Anderson et McGeehan[33] utilisent cette formulation.
42
Fortune et Al. [23] sont les premiers avoir travaill sur le problme wLP en 1995 en
proposant un outil de planification dnomm WISE. Ils dfinissent une fonction doptimisation unique qui maximise le pourcentage de points couverts. He et Al. [28] proposent
deux objectifs selon le critre de couverture dfini dans lquation 1.8. Les deux objectifs
diffrent selon la nature de la grandeur optimise : la premire grandeur est la puissance
reue et la seconde le taux derreur bit.
La probabilit de coupure est minimise par Cheung and Murch [26] en introduisant
une fonction objectif qui calcule la moyenne pondre de la probabilit de coupure Pout
(cf. Eq. 1.10 and 1.11) :
Z
f=
Pout (x) p(x) dA
(1.23)
S
Stamatelos and Ephremides [24] minimisent une fonction unique qui agrge deux objectifs, lun quantifiant la surface non couverte et le second la surface interfre. Le poids
de chaque objectif est dfini laide dun coefficient : f = U + (1 )I. Sherali et Al.
[25] proposent galement une fonction doptimisation qui est la somme pondre de deux
critres.
Les modlisations proposs par Stamatelos and Ephremides et Sherali et Al. sont des
modles doptimisation multiobjectifs qui permettent dutiliser les heuristiques standard
doptimisation mono-objectif. La difficult de ce type de fonction rside dans le choix de
la valeur du poids .
(1.24)
La solution dominante x est meilleure que la solution y sur au moins un des critres. Les
ensembles des solutions domines et non domines peuvent se reprsenter dans lespace des
fonctions dvaluation. La figure 1.16 reprsente plusieurs solutions dans lespace des fonctions dvaluation f1 et f2 . Chaque solution s est positionne dans cet espace en fonction
de ses valuations par f1 et f2 . Les solutions reprsentes par les croix sur le graphe sont
des solutions non domines, les solutions reprsentes par des points sont des solutions domines. Graphiquement, une solution non domine ne possde aucune autre solution dans
la zone rectangulaire qui la spare du point O (pour un problme de minimisation).
f2
Solution domine
Solution non-domine
f1
Fig. 1.16 Solutions domines et solutions non domines pour la minimisation de f1 et f2
Les solutions non domines sont intressantes car ce sont les meilleures solutions de
lensemble. Chacune est la meilleure solution pour une pondration donne entre f1 et
f2 . Ces solutions non domines constituent le front de Pareto de lensemble des solutions
reprsentes.
Definition 7 Le front de Pareto Thorique dun problme doptimisation est form par
toutes les solutions non domines de lensemble complet des solutions admissibles du problme.
44
Le but dune heuristique doptimisation multiobjectif est de faire voluer les solutions du
front de Pareto des solutions courantes pour obtenir le front de Pareto optimal du problme.
Ce front optimal comporte des solutions que linstallateur de rseau peut analyser aprs la
recherche pour slectionner la solution qui lui convient le mieux.
Dfinition dun programme mathmatique
Nimporte quel programme linaire de n variables x = {x1 , x2 , . . . , xn } requiert la minimisation ou la maximisation dune fonction objectif, dfinie par une combinaison linaire
des variables sous m contraintes dgalits ou dingalits linaires. Formellement, on a :
minimise
cT x
subject to Ax b
x 0.
(1.25)
Un Programme Linaire en nombres entiers est obtenu laide dun programme linaire
en restreignant les variables des valeurs entires. Par exemple, on peut restreindre x
x = {0, 1}. Dans ce cas, on parle de programme linaire en nombre entiers binaires.
Un programme linaire en nombres entiers binaires a t dfini par Wong et Al. [35]
pour modliser le problme de planification dun rseau CDMA. Lobjectif est de minimiser
le nombre de points daccs. Plusieurs contraintes sont dfinies qui imposent la couverture
de tous les points de test, la limitation de la puissance dmission des AP et un rapport
signal sur interfrences garanti pour le lien montant et le lien descendant.
Un autre programme linaire a t propos par Mateus et Al. dans [29]. Lobjectif principal est de maximiser la surface couverte. Comme Lee et Al. [38] ou Bahri et Chamberland
[41], ils imposent une contrainte sur le rapport signal sur interfrences pour pouvoir raliser
lallocation des canaux en mme temps que la planification.
Les contraintes de qualit de service qui imposent que le trafic demand un point
daccs soit born se dfinissent aisment sous la forme dun programme linaire ([36], [38],
[41]).
Formulation par contraintes
Frhwirt et Al. [34] ne cherchent mme plus optimiser une fonction objectif. Ils dfissent le problme de planification de faon pouvoir le rsoudre laide de leur propre
outil de rsolution de contraintes, CHR. Pour cela, ils dfinissent un jeu de positions dAP
de test. Lalgorithme place un point daccs en chaque position test et calcule sa couverture
radio. Sachant quun metteur plac lintrieur de la couverture dun AP de test couvrira
cette position de test, le langage CHR va appliquer des contraintes gomtriques qui permettront de placer les points daccs de la solution finale dans des zones o le plus grand
nombre de couvertures de test sinterceptent. Cette modlisation qui exploite la rciprocit
du canal radio est astucieuse.
Kabara et Al. prsentent dans leurs travaux [49] un algorithme de validation de contraintes.
Des contraintes de dbit, dinterfrences, de couverture, de canal disponible et de puissance
dmission admissible sont abordes. Leur modle ne dfinit que des contraintes qui produisent plusieurs solutions qui prsentent souvent un nombre de points daccs suprieur
au nombre minimal planifiable. Ce choix a t ralis car le cot de quelques AP de plus
nest pas prohibitif pour un rseau wLAN.
45
CHAPITRE
2
2.1
2.1.1
Outils et mthodes
Akl (d)dB
d
d0
+ X
(2.1)
o Akl (d0 ) est lattnuation moyenne une distance de rfrence d0 et X une variable
alatoire de distribution gaussienne moyenne nulle et de variance . Cette variable alatoire permet de modliser la variabilit du canal radio. Cest cette approche qui sapplique
au canal radio Indoor.
Lapproche petite chelle permet de rendre compte des fluctuations rapides du
canal radio dues la propagation des ondes suivant des chemins multiples. Dans ce cas,
on observe un talement temporel de la rponse impulsionnelle du canal radio avec des
variations rapides damplitude. Si lmetteur et le rcepteur sont en ligne de vue, le canal
est modlis laide dune distribution de Rice. Si ce nest pas le cas, il est alors modlis
par une loi de probabilit de Rayleigh.
La prsence dobstacles rend la prdiction de la propagation des ondes radio difficile. En
effet, chaque obstacle gnre une onde rflchie et une onde transmise. La puissance et la
direction de ces deux ondes dpend de la nature du matriau, plus particulirement de son
indice de rfraction n. La diffraction des ondes au niveau des artes contribue galement
complexifier le problme.
46
Pour obtenir des cartes de couverture ralistes dans leur processus de planification,
Mateus et al. [29] ont choisi de ne pas utiliser de modle de prdiction. Ils ont ralis un
ensemble de mesures pour obtenir une carte de couverture pour chacune des 6 positions
candidates de station de base. Pourtant, il est important de noter que des mesures sont
reprsentatives du moment o elles ont t ralises et ne sont pas forcment valables pour
dautre priodes de la journe. En effet, le comportement du canal radio est fortement
influenc par la densit des personnes prsentes, la configuration des meubles, etc...
La carte de couverture tablie par Mateus et al. nest pas assez gnrique et peut ne pas
reprsenter le comportement moyen du canal radio. De plus, le temps de prise de mesure et
de traitement est vraiment important, ce qui ne permet pas un passage grande chelle ais.
On peut en conclure que la simulation du canal radio est essentielle pour la planification
wLAN car elle permet de traiter des environnements de grande taille. Lobjectif essentiel
dun bon simulateur est de dcrire le comportement moyen du canal radio.
La propagation en environnement Indoor ou en environnement urbain dense, pour le
dploiement de picocells ou microcells est un problme tudi depuis plus de 10 ans [51,
52, 53, 54, 55, 56, 57, 58, 59, 60]. Une synthse des diffrentes approches peut tre trouve
dans [61, 62, 63]. Si lon se concentre plus particulirement sur les techniques dveloppes
pour lIndoor, on trouve principalement 2 familles de mthodes : les mthodes empiriques
et les mthodes bases sur loptique gomtrique. Plus rarement, quelques travaux ont t
consacrs des approches de type lments finis ou hybrides.
2.1.2
Le modle le plus simple est de reprsenter la couverture dun point daccs par une
cellule circulaire dont le rayon est dfini par la porte de lAP. Lee et al. [38], Amaldi et
al. [44] et Jan et al. [40] ont utilis le modle circulaire pour prsenter leur travaux de
planification. Le modle circulaire leur permet de supprimer un calcul coteux de couverture radio et de prsenter des premiers rsultats de fonctionnement de leurs heuristiques de
placement. Cependant, leurs solutions ne sont pas directement exploitables car elles sont
bases sur des approximations de couverture trop grossires.
2.1.3
Le principe des mthodes empiriques repose sur lanalyse de donnes et lextraction dun
modle statistique dvolution de la puissance radio en fonction de la distance, prenant
en compte diffrents paramtres comme la frquence radio, la directivit et la hauteur
des antennes. Le modle de rfrence 1 pente (One slope model, 1SM) est donn par
[61, 52, 59] :
L = L0 + 10n log10 (d)
(2.2)
o n et L0 sont des paramtres de rglage, et d est la distance entre lmetteur et le
rcepteur. Ce modle conduit des couvertures circulaires. Les paramtres du modle n et
L0 permettent de prendre en compte laffaiblissement moyen des murs si on les dtermine
partir dun ensemble de mesures. Il peut savrer correct dans des conditions o les
murs prsentent partout les mmes caractristiques et sont assez rgulirement disposs.
Il conduit des couvertures circulaires, et ladaptation des paramtres du modle revient
finalement rgler le rayon de la zone de couverture circulaire.
Pour mieux prendre en compte la gomtrie de lenvironnement et plus exactement
la prsence dterministe dobstacles (les murs principalement), le modle empirique a t
47
I
X
k +2
[ kf +1 b]
kwi Lwi + kf
Lf
(2.3)
i=1
avec
LF S = attnuation en espace libre entre lmetteur et le rcepteur,
L0 = constante dattnuation,
kwi = nombre de murs de type i traverses,
kf = nombre dtages traverss,
Lwi = attnuation du matriau de type i,
Lf = attnuation entre des tages adjacents,
b = paramtre empirique,
I = nombre de types de matriaux.
Cette approche, qui reste raie unique, tient compte du nombre et du type de murs et
dtages traverss entre lmetteur et le rcepteur pour modifier laffaiblissement. Bien que
les travaux faits dans [61] proposent des valeurs empiriques pour chacun des paramtres,
il reste prfrable de les adapter chaque environnement, partir dun jeu de mesures.
Enfin, Cheung et al. [64] ont propos dadapter ce modle de 3 faons : la premire
modification consiste utiliser un modle 2 pentes avec un point de rupture. Cette proposition a pour but de considrer qu une distance faible de lantenne dmission, londe se
propage selon un modle quasiment despace libre. La deuxime modification introduit une
variation du coefficient de transmission travers chaque obstacle, en fonction de langle
dincidence. Enfin, la 3ime modification propose dintroduire un terme de diffraction sur
lensemble des artes (murs, portes, etc..) de lenvironnement. En effet, les points de diffractions se comportent comme des sources secondaires qui viennent complter la couverture
radio.
Cette dernire approche est probablement la plus labore des approches empiriques,
dont la spcificit est dtre base sur une modlisation chemin unique. Notons que
la troisime modification base sur la diffraction dans lapproche de Cheung et al. [64]
revient prendre en compte des chemins secondaires par diffraction sur langle le plus
proche. Lauteur ne prcise pas dans son travail la complexit de calcul qui en dcoule.
Plus rcemment, Hassan-Ali et Pahlavan [65] ont propos un nouveau modle empirique
bas sur une modlisation gomtrique de lenvironnement et sinspirant des mthodes
dterministes doptique gomtrique.
La complexit du calcul de couverture des approches empiriques est assez simple
calculer :
Cemp = Nr C0
(2.4)
o Nr est le nombre de points de rception, et C0 la complexit de calcul pour un rcepteur.
Le coefficient C0 dpend de la simplicit du modle. Dans la version la plus simple donne
par lquation 2.2, la complexit est lie uniquement au calcul de la distance et du logarithme de cette distance, et donc moins de 10 oprations lmentaires. Dans lapproche
de Cheung [64], la complexit est augmente dune part par la recherche dintersection
avec les obstacles et dautre part par le calcul des coefficients daffaiblissement en fonction
des angles. Par une approche "brute force", le
nombre dintersections valuer est gal au
nombre de murs Nw , ce qui peut tre rduit Nw si lon utilise une structure de donnes
appropries [66]. Dans ce cas, la complexit est de lordre de :
p
Cemp = Nw Nr C0
(2.5)
48
La prcision obtenue avec ces mthodes varie en fonction de lenvironnement. Les rsultats obtenus pour le COST [61] affichent des valeurs de lordre de quelques dB derreur
moyenne et entre 5 et 10dB dcart la moyenne. Lerreur moyenne peut toujours se compenser par un meilleur facteur de mise lchelle, alors que lcart type caractrise la capacit de la mthode modliser la propagation. Dans des travaux plus rcents, Valenzuela
et al. [67] rapportent une erreur de prdiction de lordre de (em = 10dB =, e = 10dB)
lorsquils ne tiennent compte que du chemin principal (0 rflexions). Wlfe et al. [68, 69]
rapportent eux des erreurs pour lapproche MWM, trs variables en fonction du lieu, de 4
15dB.
Wong et al. [35], Sherali et al. [25], Cheung et Murch [26], Adickes et al. [37], Prommak
et al. [36], Aguado et al. [30], Ji et al. [31], Bahri et Chamberland [41], Maksuriwong [39]
et Molina et al. [43] ont choisi dutiliser un modle empirique pour prdire la couverture
radio dans leur processus de planification du rseau.
2.1.4
mais avec une grande prcision. Pour la planification, nous nous intressons uniquement
au premier cas.
La prcision est fortement dpendante de deux grandes caractristiques :
la rsolution angulaire choisie,
le nombre de rflexions ou diffractions prises en compte avant arrt de chaque rayon
[66, 70, 82].
Plus la prcision est importante, plus le temps de calcul augmente exponentiellement.
La mthode de lancer de rayons est celle qui a la plus faible complexit [66, 65],
en particulier lorsque le nombre de rflexions prendre en compte diminue. Par contre,
plusieurs artefacts de calcul sont gnrs du fait de la discrtisation angulaire de la source.
En effet, plus on sloigne de la source, plus la distance entre 2 raies augmente. Pour
rduire ces artefacts, Fortune et al. [66] ont propos le principe de sparation de rayon
(ray-splitting) qui en contrepartie augmente considrablement le temps de calcul. Lautre
possibilit consiste lancer des faisceaux ou tubes [70] de faon rduire leffet de lchantillonnage angulaire.
Dun autre ct, Suzuki and Mohan [73, 75] ont propos la notion de Frustum. Il sagit
dun polydre dont les faces sont limites par les obstacles. Nanmoins, cette technique
sapproche alors trs exactement de la technique image. En effet le Frustrum correspondant la zone dillumination de londe rflchie correspond exactement la dfinition de
la zone dillumination de la source image. Lauteur ne donne pas suffisamment dlments
dimplmentation pour valuer les diffrences avec une approche image. Cette mthode
sassimile donc pleinement la mthode des images, et sa complexit est identique. La
diffrence tient dans le fait que cette approche est directement adapte au calcul de couverture radio (lensemble des points illumin par une source image est dfini).
Notons que le premier facteur limitant de cette approche est laugmentation exponentielle de sa complexit avec le nombre de rflexions prendre en compte. Pour limiter les
temps de calcul, Rajkumar et al. [58] proposent de construire un arbre de partitionnement
de lespace tenant compte des objets rduisant ainsi la complexit des algorithmes de test
dintersection. De faon similaire Zhong [77] ou Imai [76] proposent de partitionner lespace
en blocs quivalents des pices pour le premier, et simplement des zones rgulires de
lespace pour le deuxime. Ceci permet dacclerer la recherche dintersections entre les
murs et le rayon incident.
La mthode des images quant elle ne gnre que peu dartefacts [66, 67, 79, 82],
mais ncessite en contrepartie un temps de calcul qui augmente exponentiellement avec le
nombre de rflexions que lon veut considrer. Les travaux les plus rcents ont t surtout
ddis la rduction du temps de calcul, et en particulier sur la rduction du temps de
calcul ddi la recherche des chemins [79, 83, 84].
Agelet et al.[79] proposent de dcouper lenvironnement en boites (bounding boxes)
contenant chacune le mme nombre dobstacles, ou un nombre dobstacles limit. Dautre
part, ils sparent le traitement en 2 parties : la premire consistant calculer un arbre de
visibilit (visibility tree), et la deuxime lutiliser pour calculer les rsultats souhaits.
Sans donner beaucoup de dtails, Athanasiadou et al. [82]font de mme, tout en rduisant
encore le temps de calcul en utilisant une approche multi-plans 2D plutt quune vraie
approche 3D.
50
Les approches les plus rcentes cherchent rduire le temps de calcul sans perdre en
prcision pour les microcellules en environnement urbain [84, 78, 85]. Aprs une premire
illumination, Pousset et al. [84] proposent de classer les points de rception en zones effet
majoritaire : la zone en LOS, la zone de rflexion, les zones de diffraction. Ceci permet de
ngliger les effets secondaires dans les zones dj illumines. Chen et al. [78] proposent la
mise en oeuvre dapproches progressives en slectionnant de faon intelligente les rayons
lancer prioritairement et dans [85] en exploitant une architecture parallle sur rseau
dordinateurs.
Wolfe et al. ont propos le concept de chemin dominant [71]. Leur approche repose
tout dabord sur la dfinition de pices et dartes sparant les pices. Chaque pice est
borde par un ensemble darte, et les pices sont toujours connectes par une arte. Ils
construisent ensuite un arbre de connectivit en partant de la pice contenant la source.
Le premier niveau de larbre est constitu des artes associes cette pice, puis le niveau
suivant des pices voisines, etc... Le processus est ritr, sauf que chaque branche est
arrte si une arte a dj t utilise. Puis finalement leurs travaux ultrieurs reposent sur
lide de ne garder que le chemin le plus fort [72, 68, 69].
Enfin, Hassan-Ali et al. [65] proposent galement une approche originale que les auteurs
qualifient dapproche statistique, mais qui se classe finalement plus dans les approches dterministes quempiriques. Ils dfinissent une zone elliptique dinfluence entre lmetteur
et le rcepteur qui nest pas sans rappeler lellipsode de Fresnel. Lenvironnement est dcoup lui en zones rectangulaires, ou pices. Un ensemble de paramtres de propagation
est associ chaque mur et chaque pice. Enfin, lattnuation moyenne par chemin est
calcule partir de lintersection entre lellipsode et les diffrentes pices. La complexit
de calcul dune telle approche repose sur le calcul de lellipsode et de lintersection avec
les pices pour chaque couple metteur - rcepteur. Bien que suprieur, elle volue linairement en fonction du nombre de rcepteurs, comme dans les approches empiriques, tout en
ayant tenu compte statistiquement de la propagation dans les blocs de lellipsode. Cette
approche et celle de Wolfe sont toutes les deux linterface entre les approches empiriques
et dterministes.
Lapproche par trac de rayon (lanc ou images) est donc probablement la plus populaire parmi les mthodes dterministes. En rsum, la complexit de la technique des
images peut tre approche par Nr nrw [66, 75, 65] o nw est le nombre dobjets et r le
nombre de rflexions (ou diffractions) successives autorise. Ce rsultat correspond en fait
une approche de force brute, o le processus de calcul est lanc successivement pour
chaque point de rception possible. Lorsque lon calcule une couverture complte, on peut
considrer que la puissance reue
est calcule pour tous les points illumins par une source.
Fortune et al [66] estiment Nr le nombre de points de rception moyen par zone illumine. Enfin, avec une bonne organisation des donnes et la mise en oeuvre dun arbre de
visibilit appropri, le nombre total de murs nw peut tre remplac par mw correspondant
au nombre moyens dobjets illumins par une source image. Fortune et al. [66] estiment
une fois le nombre dobjets moyen test par mw = nw , et on obtient une complexit
Application des mthodes dterministes la planification. Stamatelos and Ephremides [24], Cheung et Murch [26], Sherali et al. [25] et Anderson et McGeehan [33] exploitent un moteur de lancer de rayon en deux dimensions. Stamatelos et Ephremides
utilisent soit des antennes omnidirectionnelles, soit des antennes directives dans leur prsentation du problme de planification. Ils considrent que les prdictions dun modle
empirique pour la prdiction de couverture dantennes omnidirectionnelles sont suffisantes,
par contre ils ont besoin dun moteur de ray tracing 2D pour calculer la couverture des
antennes directives.
Pour rduire la complexit du problme, Frhwirt et al. [34] et Fortune et al. [23] ont
choisi de limiter le nombre de rayons pour obtenir des cartes de couverture en 3 dimensions.
Les travaux rcents de Kamenetsky et Unbehaun [27], He et al. [28] et Wertz et al.
[42] ont pu accder une capacit de calcul leur permettant dexploiter des moteurs de
lancer de rayons en 3 dimensions performants. He et al. [28] et Wertz et al. [42] exploitent
leurs propres modles de prdiction dcrits respectivement dans [28] et [86]. Ces modles
font appel des techniques de beam tracing, o ce ne sont plus des rayons mais des faisceaux coniques qui sont lancs. Pour pouvoir raliser toutes les simulations de couverture
ncessaires la planification de rseau, ils ont d utiliser une grappe de calculateurs en
parallle.
2.1.5
Rsum et Perspectives
Le tableau prsent ci-aprs rpertorie les techniques utilises par chaque article cit.
52
Mesures
Mateus et al. [29]
Lee et al.
[38]
Amaldi et al. [44]
Jan et al.
[40]
Stamatelos et Ephremides
Prommak et al.
Cheung et Murch
Sherali et al.
Adickes et al.
Wong et al.
Agiado et al.
Ji et al.
Bahri et Chamberland
Maksuriwong et al.
Molina et al.
Stamatelos et Ephremides
Frhwirt et Brisset
Fortune et al.
He et al.
Unbehaun et Kamenetsky
Wertz et al.
Cercles
Modle
Approx.
Empirique
Lancer de rayons
2D
3D
[24]
[36]
[26]
[25]
[37]
[35]
[30]
[31]
[41]
[39]
[43]
[24]
[34]
[23]
[28]
[27]
[42]
La plupart des travaux cits exploitent un modle de prdiction de couverture empirique. Comme nous lavons dtaill, ces mthodes sont la fois rapides et faciles mettre
en oeuvre, ce qui explique le fait quelles aient t trs souvent utilises, surtout dans les
premiers travaux.
Avec laugmentation de la puissance de calcul, des mthodes dterministes ont t
utilises, mais souvent au dtriment de la prcision. Pour pouvoir aborder un calcul doptimisation avec une fonction de cot moins complexe calculer, un nombre moins important
de rflexions est pris en compte pour des mthodes de type lancer de rayon. De ce fait, la
prcision des estimations se voit rduite.
53
2.2
2.2.1
Contexte
Quand on cherche rsoudre un problme doptimisation, il est ncessaire de prendre
en compte le contexte dans lequel va se faire la rsolution. Pour cela, il faut connatre les
contraintes qui sappliquent au problme en terme de moyens et de temps en rpondant
aux deux questions suivantes :
1. En combien de temps devra-t-on rsoudre le problme ?
2. De quelle puissance de calcul dispose-t-on ?
Ces deux questions permettent de quantifier le nombre doprations moyen ou maximal
que lon peut excuter pour trouver la solution du problme doptimisation. En effet, la
premire rponse donne un temps moyen de rsolution et la seconde le nombre doprations
la seconde que lon peut effectuer. Typiquement, pour le problme wLP, il est bon de
trouver une solution au bout dune demi-heure, voire une heure de recherche avec un
ordinateur standard.
La planification dun rseau sans-fil est ralise par des intgrateurs de solutions rseau
qui sont des entreprises de taille moyenne, voire petite. Contrairement un oprateur
de tlcommunications, ils ne peuvent se permettre dacheter une grappe de machines
parallles ou des stations de traitement spcialises pour cela.
De plus, du point de vue conomique, ces intgrateurs rseau ne peuvent se permettre
de facturer un temps de conception trop important au client. En effet, le prix du matriel
vendu au client nest pas trs lev et le surcot de conception peut savrer prohibitif
lachat. Ainsi, la mise en place dun outil de planification automatique doit proposer une
solution en un temps limit pour limiter le cot de conception du rseau wLAN avec des
ressources de calcul standard.
Optimisation et difficult
La rsolution dun problme doptimisation peut-tre galement prsente sous la forme
dun problme doptimisation sous contrainte. Je dfinis ici la rsolution du problme dop54
timisation comme tant la recherche dun algorithme appartenant lensemble des algorithmes possibles A qui permettent de rsoudre un problme doptimisation P avec un
nombre doprations lmentaires N op (, P infrieur ou gal au nombre maximal dopraop
tions possible Nmax
). Ce nombre maximal doprations est issu des contraintes dcrites au
paragraphe prcdent.
On dfinit communment la complexit dun algorithme C() comme le nombre doprations lmentaires effectues par lalgorithme pour trouver la solution S dun problme
de taille N , o N caractrise la taille de lespace de recherche.
La complexit dun problme P est la complexit du meilleur algorithme que lon ait
trouv pour le rsoudre.
Les caractristiques dun problme P qui vont rendre sa rsolution plus ou moins
aise sont les suivantes :
N : la taille de lespace de recherche,
Cf : le nombre doprations lmentaires ncessaires lvaluation dune solution,
la nature de la fonction dvaluation.
Le seul algorithme qui assure dans tous les cas lobtention de loptimum est lalgorithme
exhaustif qui teste toutes les solutions. Sa complexit vaut N Cf .
Plus lespace de recherche est grand, plus lnumration des solutions est longue et
plus la complexit dun algorithme de recherche exhaustive est grande. De mme, plus il
faut doprations lmentaires pour valuer une solution, plus il est difficile de trouver une
solution en respectant une contrainte de complexit maximale.
Sil nest pas possible de rsoudre P avec un algorithme exhaustif en respectant la
contrainte de complexit maximale, il faut trouver un algorithme qui ncessite moins
dvaluations de solutions (N sol < N ). En effet, la complexit dune valuation dpend du
problme et nest pas modifiable par lalgorithme.
Cet algorithme va explorer lespace des solutions de faon intelligente. Pour cela, il
pourra tenir compte de la forme de la fonction dvaluation pour guider sa recherche vers
des parties de lespace des solutions qui prsentent des solutions proches de loptimal.
Si la fonction dvaluation est une fonction convexe sur tout son espace de dfinition, la
recherche de loptimum est simple. En effet, comme on sait quil ny a quun seul optimum,
un algorithme de recherche locale qui naccepte chaque itration quune solution meilleure
de loptimum actuel pourra converger vers loptimum global. Si la fonction dvaluation
nest pas convexe, il peut exister plusieurs optimums locaux. De ce fait, une stratgie de
recherche locale converge vers loptimum le plus proche du point de dpart. Loptimum
trouv nest pas forcment loptimum global. Plus la forme de la fonction dvaluation
est rugueuse, plus il est difficile dexploiter la connaissance a priori sur sa forme pour
loptimiser.
Le problme de planification est un problme doptimisation difficile. Dune part,
les contraintes de temps de traitement et de puissance de calcul sont fortes vis vis de
la combinatoire du problme dcrite dans la partie 1.4.1. Il est ncessaire de produire
une solution en un temps de calcul faible (1 heure) et avec une puissance de traitement
restreinte. Si lon cherche planifier un environnement comprenant M positions candidates,
le nombre de solutions possibles est de kM , k tant le nombre dtats possibles dun AP.
De plus, le calcul dune seule fonction de cot fait intervenir lestimation de la couverture radio des N points daccs de la solution. Si lapproche du problme est combinatoire,
il est possible destimer la couverture des points daccs candidats au dbut du processus
55
56
2.2.2
a- La programmation linaire
Il existe plusieurs approches qui permettent de formuler un problme doptimisation
sous la forme dun programme linaire. Cette forme ne permet pas de simplifier la rsolution
du problme mais dlaborer des algorithmes qui, dans certains cas, conduisent une bonne
approximation de la solution optimale. La forme gnrale dun programme linaire a t
prsente dans le chapitre prcdent, par lquation (1.25), p. 45.
Plusieurs algorithmes ont t proposs pour rsoudre des programmes linaires. Le
plus utilis est la mthode du simplexe dveloppe par Dantzig la fin des annes 1940.
Le simplexe peut tre prsent comme une visite du polydre spcifi par lensemble des
57
contraintes dingalits Ax b jusqu ce que lon trouve une solution optimale. Cette
mthode est vraiment efficace en pratique mais il existe des instances de problmes pour
lesquelles la mthode ncessite un temps de traitement exponentiel.
Les programmes linaires en nombres entiers sont bass sur une approche discrte du
problme trait. Cest pourquoi ce paragraphe pourrait aussi bien tre inclus dans la partie
ddie aux algorithmes doptimisation combinatoire (2.2.3).
La rsolution dun programme linaire en nombre entier (ILP : Integer Linear
Program) la plus simple recherche la solution du programme linaire relax et arrondit
la solution obtenue pour obtenir une solution entire. La rsolution est plus simple car il
nexiste pas de contrainte sur lobtention dun nombre entier dans le programme relax. La
solution du programme relax est une approximation de loptimum. Cette mthode dfinit
un programme linaire avec un nombre important de contraintes, cest pourquoi elle est
souvent lourde en calculs. Une approche primale-duale permet dobtenir plus aisment une
approximation de la solution.
La mthode Primale-Duale exploite la version duale du programme linaire obtenue
aprs relaxation de la contrainte sur les nombres entiers. Si on souhaite minimiser un
programme linaire en nombre entier, appel ci-aprs le programme primal, il est possible
de dfinir un programme linaire maximiser, appel le programme dual. Ce programme est
dfini comme suit : pour chaque contrainte du problme primal, il existe une variable duale ;
pour chaque variable du problme primal, il existe une contrainte duale. Ceci sexprime de
la faon suivante :
Primal
contr. i
contr. i
var. j
var. j
minimise
Dual
var. i
var. i
contr. j
contr. j
maximise
Pn
aij xj = bi
Pj=1
n
j=1 aij xj bi
xj sans contr. de signe
xj 0
cT x
De la mme faon, il est possible de dfinir une problme dual de minimisation pour
un problme primal de maximisation. Si lon nomme P et D les problmes respectivement
primal et dual, le thorme de dualit prcise que si les deux programmes sont ralisables,
alors les valeurs des solutions optimales concident.
Si lon cherche minimiser le programme linaire en nombres entiers (ILP ) dont la
version relaxe est un programme linaire LP , nimporte quelle solution du programme dual
de LP , appele DLP , prsente un cot infrieur ou gal la valeur optimale du programme
ILP . Ainsi, cette solution ralisable du problme dual peut tre utilise comme une borne
infrieure quand on estime la qualit dune solution de ILP (cf. fig. 2.2).
Solutions ralisables de ILP
x*LP = x*DLP
x*ILP
Fig. 2.2 Espace des valeurs des solutions ralisables de ILP et DLP.
58
Un algorithme primal-dual exploite cette proprit pour trouver une solution approximative dun programme linaire en nombres entiers ILP . Tout au long de la rsolution de
lalgorithme, il est possible de maintenir une solution faisable x de ILP et une solution
y du problme DLP . A chaque tape, x et y sont examins et modifis pour driver une
nouvelle paire de solutions x et y . y est la solution duale de LP qui possde un meilleur
cot que y et x est une solution plus ralisable que x. Lalgorithme sarrte quand la
solution en nombre entiers devient ralisable. La qualit de cette solution est value en
la comparant la solution duale finale. Cette approche permet dobtenir des algorithmes
plus rapides car il nest pas ncessaire de rsoudre de faon optimale ILP ou DLP .
Applications au problme wLP. Ces mthodes primales-duales sont implantes dans
des solveurs de programmes linaires. Lee et al.[38], Wong et al. [35] et Mateus et al. [29] ont
choisi de rsoudre le programme linaire wLP quils ont dfini laide du solveur CPLEX
[89].
b- La recherche linaire
La recherche linaire est la brique de base des mthodes continues locales, quelles
soient drivatives ou non. Cette mthode itrative recherche le minimum de la fonction
dvaluation dans une seule direction de lespace des solutions. A litration k, la valeur de
xk+1 = xk + k dk est calcule pour que f vrifie la condition f (xk+1 ) f (xk ). Ici, dk est
la direction de recherche et k le pas du dplacement. Si on pose () = f (xk + dk ), la
recherche linaire optimale dtermine le meilleur pas qui vrifie :
( ) = 0
(2.6)
( ) (), pour 0
Le pas est le pas qui assure la dcroissance de f au premier minimum local. Dans
la plupart des algorithmes modernes de recherche linaire, la valeur exacte de nest
pas calcule car la charge de calcul est trop importante. En pratique, une valeur de est
choisie pour quelle assure une dcroissance suffisante de f . Trois lois ont t proposes par
Armijo, Golfstein et Wolfe pour dfinir des intervalles de scurit pour le choix de .
c- Les mthodes locales drivatives
Lobjectif de ces mthodes locales est dexploiter la forme de la drive du premier ordre
ou des ordres suprieurs pour guider la recherche dun extremum. La recherche est alors
effectue dans la direction de la plus forte pente. Si la fonction de cot est convexe, ces
mthodes convergent vers loptimum absolu. Si la fonction est multimodale, elles convergent
vers loptimum le plus proche. Pour que ces mthodes soient exploitables, il faut que la
fonction de cot soit continue et drivable au premier, voire au second ordre, en chaque
point de lespace. Si lon ne possde pas dexpression analytique des drives de f , il faut
les approximer par diffrence finie. On peut classifier ces mthodes laide du nombre de
termes de la srie de Taylor qui sont exploits par lalgorithme.
La descente de gradient est la mthode de recherche drivative la plus simple. A
litration k, connaissant la solution courante x, on ralise une recherche linaire dans la
direction donne par le gradient de la fonction de cot g(xk ) = f (xk ) comme prsent
dans lquation 2.7 :
xk+1 = xk k .f (xk ) = xk k .g(xk )
59
(2.7)
(2.8)
Cette proprit est une gnralisation de la proprit dorthogonalit de lespace Cartsien o Q est gale la matrice identit. Lide de la mthode est de rendre chaque direction
de recherche di dpendante des directions prcdentes pour pouvoir localiser le minimum
de f (x) laide de lquation (2.8). Lensemble des directions de recherche obtenues est un
ensemble Qorthogonal, i.e. un ensemble de vecteurs conjugus. Une srie de recherches
linaires effectues selon ces directions conjugues permet datteindre le minimum dune
fonction quadratique dfinie positive de dimension n en au plus n itrations.
x
r
x
r
d
(b)
(a)
Fig. 2.3 (a) Espace cartsien : d et r sont orthogonaux. (b) Espace conjugu : d et d
sont orthogonaux
La descente de gradient et des gradients conjugus commence de la mme manire : on
recherche le minimum x dans la direction de plus forte pente d partir du point x (cf.
60
Fig 2.3-a). Cest par le choix de la nouvelle direction de recherche que les deux mthodes
diffrent. La descente de gradient ralise une recherche selon la direction r, tandis que la
mthode des gradients conjugus utilise la direction d , la direction conjugue d.
Dans lespace conjugu (cf. Fig 2.3-b), d est tangent au cercle au point x . Comme la
direction suivante d est Q-orthogonale d, d et d sont perpendiculaires sur la figure 2.3-b.
Puisque la direction d passe par le minimum de la fonction quadratique f (x), la mthode
des gradients conjugus trouve directement loptimum global.
La mthode des gradients conjugus permet de trouver loptimum dune fonction quadratique, mais elle donne galement de bon rsultats pour une fonction continue et drivable
f (x). Plus la fonction sloigne dune forme quadratique, moins les directions de recherches
sont conjugues et plus la convergence est lente. Malgr cela, cet algorithme est prfrer
la mthode de descente de gradients.
Les mthodes de Newton et de Quasi-Newton. La mthode de Newton est utilise
pour rsoudre un systme dquations non-linaires g(x) = 0, avec g : Rn Rn . Elle
commence avec une solution x0 Rn et dtermine xk+1 de la faon suivante :
xk+1 = xk g (xk )1 g(xk )
(2.9)
avec g (xk ) la drive dordre 1 de g. Pour pouvoir appliquer cette mthode la minimisation de f (x), on pose g(x) = f (x). Dans ce cas, on a lquation suivante chaque
itration k :
xk+1 = xk 2 f (xk )1 f (xk )
(2.10)
x ,
doit tre suffisamment proche de x . Cette proprit limite lintrt de cette mthode. Pour
palier ce problme, une tape de recherche linaire a t rajoute dans la direction dk =
2 f (xk )1 f (xk ) pour chaque itration. Cette tape est intressante si et seulement si
cette direction dk est une direction de descente :
f (xk )T dk = f (xk )T 2 f (xk )1 f (xk ) < 0,
Cette expression est vrai si 2 f (xk ) est une matrice dfinie positive, ce qui nest pas
toujours le cas.
La mthode de Quasi-Newton consiste en la substitution du Hessien 2 f (xk ) par une
matrice dfinie positive qui est rvalue chaque itration. La dfinition gnrale dun
algorithme de Quasi Newton est donne par lquation 2.11 :
dk = Bk gk
(2.11)
xk+1 = xk + k dk
Bk est la matrice qui approche linverse du Hessien de f au point xk . A litration 0,
on pose B0 = I et on cherche la meilleure mise jour possible de la matrice courante Bk
par Bk+1 = Bk + k . Il existe plusieurs formules pour dfinir k . La formule de Broyden,
celle de Davidon, Fletcher and Powell (DFP) et celle de Broyden, Fletcher, Goldfarb and
Shanno (BFGS) sont les plus performantes.
Simplex de recherche directe (cf. Fig. 2.5, p.64). Le problme combinatoire est rsolu par un
algorithme de rseaux de neurones. Comme il nest pas possible de calculer analytiquement
la drive de la fonction de cot propose, le gradient est calcul par diffrences finies.
Les performances de lalgorithme de descente de gradient sont vraiment limites au
vu des rsultats prsents dans leur article [24]. La solution optimale na pas t trouve
au bout de 200 itrations de recherche pour les scnarios de tests exploitant des antennes
directives. Cest lalgorithme des rseaux de neurones qui a trouv des solutions les plus
proches de loptimum.
Sherali et al. [25] ont appliqu la mthode des gradients conjugus et la mthode de
Quasi-Newton au problme de placement dun seul metteur. La mthode de Quasi-Newton
implante utilise la formule BFGS. Le gradient est galement valu par diffrence finie
mais Sherali et al. ont introduit un paramtre de pertubation > 0 qui permet dadapter
lestimation du gradient. A chaque point x R3 , la ie coordonne du gradient est donne
par lquation 2.12 :
f (x)
f (x + ei ) f (x)
=
ei
(2.12)
dfinition de ces techniques est donne par Hooke et Jeeve en 1961 dans [90] :
"We use the phrase Direct Search to describe sequential examination of trial
solutions involving comparison of each trial to be best obtained up to that time
together with a strategy for determining what the next trial solution will be."
Ces mthodes locales nexploitent que les valuations de la fonction de cot f . Elles
ont t proposes dans les annes 60, avant la dfinition des rgles de convergence dArmijo, Goldstein et Wolfe et avant la mise au point de lalgorithme de Quasi-Newton. Leur
convergence vers le premier point stationnaire de la fonction de cot est prouve pour la
majorit dentre elles. Il existe trois groupes dalgorithmes :
les mthodes grille discrte (Discrete Grid Methods),
les mthodes directions adaptatives (Adaptative Direction Search Methods),
les mthodes de recherche motifs (Pattern Search Algorithms).
Une prsentation gnrale des mthodes recherche directe est donne dans [91]. Une
description dtaille de chaque mthode a t ralise par D.R. Powell dans [92].
Les mthodes grille discrte sont utilises si lespace de recherche Rn est limit
par des contraintes ai xi bi , i [1, n]. Une grille rgulire G est dfinie dans cet espace
o chaque noeud est une solution ralisable.
Lobjectif dun algorithme grille discrte est de produire chaque itration k la valeur
xk+1 G qui satisfait la contrainte f (xk+1 ) f (xk ). Une solution de dpart x0 est choisie
et lalgorithme sarrte quand il ny a pas eu damlioration de f pendant L itrations.
Une mthode grille discrte est efficace sil est possible de tester un nombre suffisant de
directions de recherche. Si lespace des solutions est de dimension n, il faudra tester les n
directions chaque itration pour explorer tout lespace des solutions.
xa
xworst
G
xnew
xb
recherche direction adaptative. Elle a t propose par Powell en 1964 [93]. Le but de la
procdure est de crer un ensemble de D directions conjugues en D tapes de calcul.
A la premire tape, n recherches linaires sont ralises dans les n directions de lensemble des solutions Rn . Puis, une dernire recherche linaire est ralise dans la direction
dn+1 qui relie la premire solution obtenue la prcdente. Si cette recherche amliore
f , le nouveau point xn+1 est choisi comme point de dpart pour ltape suivante et la
meilleure des D directions de recherche stockes est mise jour avec dn+1 . Sil ny a pas
damlioration dans la direction dn+1 , les D directions de recherche ne sont pas modifies.
Au bout de D tapes on peut mettre jour les D directions de recherche pour construire
un ensemble de directions conjugues.
Les mthodes de recherche motifs utilisent une figure gomtrique pour explorer
lespace de recherche. Lvolution de la figure ou du motif permet de diriger la recherche vers
les zones intressantes de lespace des solutions. Lexemple le plus connu est la mthode
Simplex qui a t propose par Spenley et al. en 1962 [94]. Spenley et al. avaient pour
objectif de borner le nombre dvaluations de fonctions par itration (n + 1) valuations
si n est la dimension de lespace de recherche.
Un simplex est une figure gomtrique qui comporte (n + 1) points dans un espace de
dimension n. Si le simplex nest pas vide, ses (n + 1) sommets dfinissent un plan dans
lespace Rn R. Lide de base de la mthode est de construire chaque itration un
simplex non vide dont linclinaison puisse guider la recherche sur f . A chaque sommet du
simplex est attribu une solution x Rn .
A chaque itration, chaque sommet est valu par f et le sommet le plus mauvais est
slectionn. La position de ce pire sommet est modifie laide dune rflexion par rapport
au centre de gravit du simplex. Un exemple avec n = 2 est donn dans la figure 2.5.
Pour amliorer les performances de lalgorithme, Nelder et Mead on rajout dautres
mouvements du simplex dans [95] : lexpansion, la contraction et la rduction. Lexpansion
dplace le pire sommet deux fois plus loin que la rflexion, la contraction deux fois moins
loin et la rduction divise toutes les artes du triangle par deux. Pour pouvoir dterminer
dans quels cas il est intressant deffectuer ces mouvements, des conditions relatives aux
valeurs de la fonctions de cot aux sommets du simplex ont t dfinies. Des paramtres
permettent dadapter le comportement de lalgorithme au problme trait.
La mthode du Simplex, ne pas confondre avec la mthode du Simplexe utilise en
programmation linaire, est utilise trs souvent mme si sa convergence nest pas toujours
possible. En effet, quand le simplex dcrit un plan orthogonal la direction du gradient,
la convergence ne peut se faire (cf. [96]).
64
|f (x) f (y)| |x y|
Si lon connat une valuation f (y), il est possible de dterminer un borne infrieure et
une borne suprieure pour les autres points x [a, b] de f :
65
(2.13)
Les bornes obtenues dans ce cas sont reprsentes dans la figure 2.6
f(x)
f(y)+k|x-y|
f(y)-k|x-y|
f(x)
f(a)-k|x-a|
f(b)+k|x-b|
x1
Protocole de dcoupage.
Dans un premier temps, on value dans chaque dimension ei les valeurs f (c1 ei ).
La grandeur reprsente un tiers de la longueur du ct de lhyper-rectangle test dans la
dimension. Le schma de gauche de la figure 2.8 prsente les positions de ces points pour
un problme deux dimensions.
67
f (ci ) di , i [1, N ]
fmin |fmin |
(2.14)
(2.15)
Applications au problme wLP. DIRECT a t implant par He et al. [28]. Ils ont
choisi dutiliser cet algorithme pour sa capacit raliser en parallle une recherche locale
et globale. Ils ont dfini deux critres darrt supplmentaires que sont la taille minimale
des blocs et une tolrance limite sur la convergence de la fonction dvaluation.
Il dfinissent la tolrance f = (fmin fmin )/(1.0+ fmin ) partir de la valeur prcdente
de la fonction fmin et de la valeur courante fmin . Lalgorithme sarrte quand cette tolrance
est infrieure un seuil fix, cest--dire quand lamlioration de la fonction de cot nest
pas suffisante.
f- Tableau rcapitulatif.
Le tableau 2.2.2 rcapitule les algorithmes doptimisation continue utiliss dans la littrature relative au problme wLP.
69
Prog.
Linaire
Wong et al.
[35]
Mateus et
al. [29]
Lee et al.
[38]
Sherali
et
al.[25]
Ji et al.[31]
Aguado et
al.[30]
He et al.
Algorithmes Drivatifs
Gradients
Conjugus
Descente
Gradients
QuasiNewton
Recherche Directe
Hooke &
Jeeve
Simplex
[28]
Fortune et
al. [23]
Stamatelos et
Ephremides [24]
Cheung et
Murch [26]
DIRECT Powells
method
70
2.2.3
Le problme de planification wLAN peut tre modlis avec une approche discrte (cf.
1.4.1). Cette partie a pour objectif de prsenter les principaux algorithmes combinatoires
qui ont t utiliss pour rsoudre le problme wLP.
Les approches combinatoires permettent de modliser des problmes complexes qui
prsentent un nombre important de variables quil est souvent difficile de rsoudre de faon
exacte. Pour cela, des algorithmes dapproximation ont t dvelopps et sont prsents en
premier lieu.
Pour faire face la difficult de certains problmes, des heuristiques qui suivent une
stratgie globale de recherche, des mtaheuristiques, ont t mises en oeuvre. Elles sont
dcrites la suite des algorithmes dapproximation. Il est important de souligner que ces
mtaheuristiques sont galement de plus en plus utilises pour rsoudre des problmes
doptimisation continue de grande taille.
Une reprsentation schmatique des mthodes dcrites dans cette partie est donne
dans la figure 2.10.
Algorithmes Combinatoire
Heuristiques dapproximation
Heuristiques
Gloutonnes
Recherche
Locale
Methodes exactes
Branch &
Bound
Heuristiques
spcialises
Mtaheuristiques
Recuit
Simul
Recherche
Tabou
Algorithmes
Evolutionnaires
La stratgie gloutonne est utilise pour des problmes doptimisation o il est ncessaire de slectionner un sous-ensemble dlments pour composer une solution optimale qui
respecte les contraintes existantes. Pour appliquer cette stratgie, il est ncessaire que lensemble des lments que lon considre soit monotone, i.e. que si un ensemble S dlments
compose une solution ralisable, alors un sous-ensemble S de S compose galement une
solution ralisable.
Un algorithme glouton (greedy en anglais) commence par trier tous les lments de
lespace des solutions selon un critre donn, qui nest pas forcment le critre dvaluation
final. Par exemple, on pourrait trier lensemble des points daccs candidats par rapport
la taille de leur zone de service. La solution s finale est initialise soit un ensemble vide,
soit gale lensemble des solutions. Par la suite, chaque itration, on va dans le premier
cas rajouter des lments dans s , soit dans le second cas, supprimer des lment de s . A
chaque rajout ou suppression, on va tester si la solution remplit ou non les contraintes du
problme.
Le schma prsent de lalgorithme est gnrique et se doit dtre adapt chaque
problme. Clairement, le choix du critre de tri a une importance non ngligeable dans
la procdure. Pour chaque instance du problme il existe un tri optimal, mais il nest
pas vident de le trouver. Un algorithme glouton est souvent implant pour obtenir une
premire solution ralisable du problme. Cette solution est alors rutilise par dautres
algorithmes pour trouver loptimum voulu.
Applications au problme wLP. Par exemple, Unbehaun et Kamenetsky [27] et Amaldi
et al. [44] ont propos une approche gloutonne pour obtenir une premire solution ralisable.
La stratgie de Unbehaun et Kamenetsky est la suivante : la solution est initialise
lensembles des AP candidats. A chaque itration, on teste toutes les solutions que lon peut
crer en supprimant un seul AP candidat de la solution courante. A la fin de litration, on
retire lAP qui a donn la meilleure solution. Lalgorithme sarrte quand il reste N points
daccs dans la solution. Cette stratgie gloutonne ne permet pas dobtenir de solution
optimale, mais elle donne une premire solution ralisable.
Lalgorithme glouton dAmaldi et al. a pour objectif de fournir une premire solution
qui limite le recouvrement entre les AP. Ils initialisent leur solution avec le point daccs
candidat dont la zone de service recouvre le moins celle des autres AP. A chaque tape, un
AP candidat est rajout la solution sil maximise une grandeur qui est proportionnelle
laugmentation de la fonction objectif et inversement proportionnelle au nombre de points
de test couverts par cet AP. Cette stratgie de choix permet de slectionner une solution
qui limite le recouvrement car on slectionne des AP qui ont une petite zone de service et
qui amliorent la fonction de cot. Lalgorithme sarrte quand tous les points de test sont
couverts.
Unbehaun et Kamenetsky et Amaldi et al. ont choisi de modifier la solution gloutonne
laide dun algorithme de recherche locale.
Wertz et al. proposent galement une heuristique dinspiration gloutonne [42]. Leur
ensemble de dpart comporte lensemble des points daccs candidats dont on calcule
lavance les cartes de couverture radio. Lcart moyen de puissance est calcul pour chaque
couple de cartes de couverture. Lalgorithme calcule sa solution de dpart aprs avoir
regroup les AP qui prsentent un cart moyen de puissance infrieur une limite donne.
Ceci leur permet de crer des groupes dAP qui prsentent des zones de services trs
proches. Pour chaque groupe, lAP qui a la plus grande zone de service est ajout la
72
solution gloutonne S. Les AP qui nappartiennent aucun groupe sont galement ajouts
dans S. Lalgorithme glouton rajoute ensuite chaque itration lAP qui amliore le plus
la fonction de cot.
La recherche locale est la version combinatoire de la descente de gradients. Lalgorithme commence avec une solution de dpart et amliore itrativement la solution courante en choisissant dans un voisinage donn la solution qui amliore la fonction de cot.
Cet algorithme naccepte pas de solution plus mauvaise que loptimum courant. Quand il
ny a pas damlioration possible du critre, lalgorithme sarrte car il a converg en un
extremum local.
Il est important de dfinir correctement le voisinage dune solution pour permettre
lalgorithme datteindre toutes les solutions possibles. Comme pour les algorithmes de
descente, la convergence vers loptimum global dpend du choix du point de dpart.
Applications au problme wLP. Unbehaun et Kamenetsky[27] et Amaldi et al. [44]
utilisent une approche de recherche locale et lappliquent une solution obtenue avec
lheuristique gloutonne prsente prcdemment.
Pour Unbehaun et Kamenetsky, le voisinage dune solution est dfini gographiquement :
cest lensemble form par les voisins de tous les AP qui appartiennent la solution courante
S. Les voisins dun AP sont les AP candidats qui se trouvent ct de lui dans le plan.
Le voisinage de Amaldi et al. est calcul partir de la solution S en supprimant un, puis
deux AP, et en reconstruisant une solution complte en appliquant lheuristique gloutonne
qui a servi crer la solution initiale. La meilleure solution ainsi obtenue est slectionne
comme solution suivante.
b- Les mthodes exactes
Les mthodes Branch & Bound ont pour objectif de nexplorer que des sous-parties
intressantes de lespace de recherche. Si on suppose que lon minimise une fonction f (x) sur
un domaine de dfinition restreint, pour pouvoir mettre en oeuvre une technique Branch
& Bound, il faut tre capable de calculer une borne infrieure de f pour une instance
du problme doptimisation et galement de pouvoir diviser lespace de recherche pour
rsoudre indpendamment les sous problmes engendrs par la division.
Cette technique prsente deux tapes. Le but de la premire tape est de trouver une
solution ralisable du problme qui soit galement un optimum local. Pour cela on commence par considrer le problme original sur lespace des solutions complet. Une recherche
de borne suprieure et infrieure de f est lance sur le problme complet. Si la recherche
se termine et que les deux bornes sont gales, alors un optimum local est trouv. Sinon,
lespace des solutions est divis en deux rgions ou plus qui couvrent lintgralit de la
rgion originale. Le problme initial restreint aux rgions cres devient un sous problme,
problme fils du problme principal. La hirarchie des problmes est souvent reprsente
par un arbre dont la racine est le problme principal et les noeuds les sous problmes fils. La
recherche de bornes est alors applique aux sous problmes engendrs jusqu lobtention
de loptimum local S.
La seconde tape cherche un optimum global connaissant la valeur de f pour la solution
S. Lobjectif de cette tape est de supprimer les branches de larbre qui ne permettront pas
datteindre une solution meilleure que S. Ainsi, si la borne infrieure dune rgion de lespace est suprieure au cot de la solution ralisable dj trouve, la rgion ne peut contenir
73
doptimum plus intressant. Cette rgion nest pas explore et la branche de larbre est coupe. La recherche est ritre jusqu ce que tous les noeuds de larbre soient supprims ou
explors. Cette technique permet de restreindre lespace de recherche pour nexplorer que
les zones intressantes.
Applications au problme wLP. Frhwirt et al. [34] rsolvent le problme de planification quils ont formul laide dun algorithme proche dune technique Branch &
Bound. Leur mthode recherche itrativement une solution avec un nombre plus faible
dAP jusqu trouver une solution avec le nombre minimal dAP. Au dbut, la couverture
dun ensemble de cellules de test est calcule. Lobjectif de lalgorithme est de trouver une
solution qui couvre toutes ces cellules. La solution de dpart est calcule en plaant un AP
lintersection de ces cellules de test. Pendant le droulement de lalgorithme, la contrainte
principale stipule que chaque cellule doit comprendre au moins un AP. Le solveur utilis,
dnomm Constraint Handling Rules (CHR), a t dvelopp par les auteurs. Cest un
langage de programmation par contraintes qui traduit chaque contrainte de haut niveau
en un ensemble de contraintes de plus en plus simples, jusqu ce quelles soient rsolues.
Le mcanisme propos dfinit deux procdures : la premire vrifie que chaque AP
appartienne une cellule de test et la seconde cr une nouvelle cellule en fusionnant
deux cellules qui contiennent le mme AP. Quand ces deux procdures ont t appliques,
lalgorithme Branch & Bound cherche diminuer le nombre de points daccs. Pour cela,
les cellules sont regroupes deux deux. Si lintersection des deux cellules est non vide,
on positionne un AP dans cette intersection. Ainsi, au fur et mesure, le nombre dAP
diminue et la position est dautant plus fige. Cette fusion de cellules est continue jusqu
ce que laire de toutes les intersection devienne nulle.
c- Les mtaheuristiques
Actuellement, les mtaheuristiques sont de plus en plus souvent employes car elles permettent de faire face des problmes difficiles. Pourtant, au vu du nombre de techniques
et de concepts compris sous le terme de mtaheuristiques, il nexiste toujours pas de dfinitions communment admise de ces mthodes. La dfinition propose par le Metaheuristics
Network est la suivante :
Une mtaheuristique est un ensemble de concepts qui peuvent tre utiliss
pour dfinir une heuristique applicable un large ensemble de problmes. En
dautres mots, une mtaheuristique peut tre vue comme un algorithme gnrique applicable diffrents problmes doptimisation avec relativement peu de
modifications.
Ces techniques sinspirent souvent dun processus doptimisation qui intervient spontanment dans la nature. Cest pourquoi les dcisions ne sont plus dterministes : une
partie des choix est faite avec une probabilit donne. Ces mthodes sont des mthodes
doptimisation stochastiques. Les exemples de mtaheuristiques sont nombreux : le recuit
simul (simulated annealing (SA)), la recherche tabou (tabu search (TS)), les algorithmes
volutionnaires (evolutionary algorithms (EC)), la recherche locale itrative (Iterative Local Search (ITS)) ou encore loptimisation par colonie de fourmis (ant colony optimization
(ACO)). Les mthodes en italique ont t utilises pour rsoudre le problme de planification wLAN et sont prsentes dans la suite du document.
Le recuit simul est une mtaheuristique bien connue inspire du procd de recuit
des mtaux. Pour refroidir un mtal et garantir lobtention dun arrangement stable des
74
S0
S1
S2
Recuit
S3
Temps
Fig. 2.11 Recuit des matriaux et minimisation de lnergie potentielle des atomes.
Lalgorithme original propos par Mtropolis en 1953 choisit un premier tat thermodynamique dnergie E et de temprature T. Une perturbation de la solution est alors
ralise et on mesure la variation dnergie dE. Si ce changement est ngatif, la nouvelle
configuration nergtique est accepte. Si dE est positif, la configuration est accepte avec
une probabilit dfinie laide du facteur de Boltzmann p = exp(dE/T ). Ce processus
est rpt plusieurs fois pour obtenir de bonnes statistiques la temprature T . Puis la
temprature T est diminue et le processus ritr jusqu T = 0.
Lapplication de cette approche de Monte Carlo gnralise pour la rsolution de problmes combinatoires a t propose par Kirkpatrick et al. et Cerny en 1983 et 1985. Ltat
courant du systme de thermodynamique est associ la solution courante du problme
combinatoire, lquation dnergie du systme est associe la fonction objectif et ltat
stable au minimum global. La difficult la plus importante qui intervient dans limplantation de lalgorithme est quil nexiste pas danalogie vidente entre la temprature T et un
autre paramtre du problme combinatoire. De plus, la vitesse de convergence dpend la
fois de la frquence des changements de temprature, du choix de la solution initiale et de
combien la temprature est diminue chaque tape du refroidissement.
Applications au problme wLP. Le recuit simul a fait parti des toutes premires
mthodes testes pour la planification wLAN en 1994, par Anderson et McGeehan dans
[33]. Le voisinage de la solution de cot f (s) est dfini par lensemble des solutions qui
peuvent tre atteintes par des changements alatoires des paramtres du systme pour
arriver une nouvelle configuration s de cot f (s ). Les paramtres du systme sont les
positions en x et y dans le plan 2D de chaque AP. Lamplitude des changements est rgie
par la temprature T du systme laide dune distribution Gaussienne moyenne nulle
et de variance T.
La temprature initiale est initialise 80 mtres pour un environnement de taille
650 650 mtres et celle-ci diminue de 10 mtres toutes les 100 itrations. Pour chaque
test effectu, lalgorithme trouve une configuration trs proche de loptimum. Les tests
75
ont t raliss sur un PC Pentium 60 MHz et ont dur 25 heures en moyenne. Avec
la puissance de calcul de lpoque, lutilisation dune mtaheuristique est synonyme dun
temps de traitement consquent. De plus, pour pouvoir obtenir de tels temps de calcul, il
a fallu dfinir un environnement de test trs simple et utiliser un modle de prdiction de
couverture radio empirique.
Une version plus complexe dalgorithme de recuit a t implante par Kamenetsky
et Unbehaun [27]. Ils ont choisi de dfinir 5 niveaux de temprature et une probabilit
dacceptation dune solution dgrade qui suit lquation 2.16 :
F (S1 )/F (S0 ) 1
(2.16)
Pa (T ) = min 1, exp
(T /T0 )2
S0 est la solution initiale et S1 la solution courante de test. Ils ont dfini le mme type
de voisinage quAnderson et McGeehan o des dplacements alatoires des AP sont raliss
lintrieur dune zone circulaire. Le rayon de ce cercle devient de plus en plus petit avec
lvolution de la temprature.
Les performances de cet algorithme ont t compares une heuristique gloutonne et
une heuristique de recherche locale. Lheuristique gloutonne a dj t prsente a la fin
du paragraphe ddi aux algorithmes gloutons. Aucun des trois algorithmes na russi
atteindre un SNR moyen de 15 dB pour 90% de la surface. Lalgorithme de recuit ncessite
un temps de convergence 25 fois plus important que lheuristique gloutonne. Nanmoins,
lalgorithme de recuit permet dobtenir une solution meilleure que lenchanement des deux
heuristiques (algorithme glouton + recherche locale). Le fait dappliquer un algorithme de
recuit une solution issue de lheuristique gloutonne namliore la solution que dans 10%
des cas. Les rsultats relatifs aux performances du recuit simul sont plutt dcevants aux
vues des travaux prsents.
La recherche Tabou a t prsente par Fred Glover en 1986 dans [101]. Tous les
principes de cette recherche sont dcrits dans [102]. La recherche locale prsente au dbut
de cette partie sur les algorithmes combinatoires est une heuristique qui naccepte pas de
solution plus mauvaise que loptimum actuel. Pour palier cela, il est possible dans la
recherche tabou daccepter une solution qui ne soit pas meilleure que loptimum lissue
dune itration. Ainsi, comme pour la mthode de recuit simul, la recherche peut franchir
des cols de la fonction dvaluation pour explorer dautres zones de lespace de recherche.
Pourtant, linconvnient majeur de cet algorithme rside en lapparition trs rapide de
boucles dans la recherche.
Lide de lapproche tabou, est de rajouter un peu dintelligence dans cette recherche
pour viter de passer deux fois au mme endroit. Ainsi, Fred Glover a propos dintroduire
une mmoire qui stocke les solutions dj testes ou des caractristiques de celles-ci pendant
une certaine dure. Cette mmoire, dnomme liste Tabou, permet dinterdire le mouvement
vers une solution voisine qui appartient une partie de lespace des solutions dj visite.
La recherche tabou commence par trouver une optimum local. Pour viter de repasser
par cet optimum local, les mouvements rcents sont stocks dans une ou plusieurs listes
tabou. Ce nest pas forcment un mouvement complet qui est rendu tabou. Par exemple,
on peut rendre tabou la variable qui est modifie pendant litration courante. De la sorte,
on diminue la taille de lespace de recherche car on sinterdit la recherche dans la direction
dfinie par la variable tabou.
On peut reprsenter une liste tabou par une file dattente de type F IF O de taille T .
Bien entendu, la taille de la liste tabou doit tre bien infrieure au nombre de variables
76
n du problme pour ne pas rendre lespace de recherche une itration {k, k > T } vide
de solutions tester. Pour amliorer les proprits de convergence de cet algorithme, il est
bon daprs [88] dintroduire une taille variable de la liste tabou dont la valeur est choisie
dans un intervalle fix [Tmin , Tmax ]. Plus la taille minimale de lintervalle Tmin est leve,
plus le risque de bouclage est faible. De mme, plus la largeur de lintervalle est grande,
plus les risques de bouclage sont faibles. Il existe une valeur optimale dintervalle o la
convergence est atteinte en un minimum ditrations sans phnomne de bouclage. Cette
valeur optimale est bien entendue fortement dpendante de la nature du problme trait.
Cette mmoire peut tre utilise diffremment en fonction de lavancement de lalgorithme. Ainsi, au dbut de la recherche, elle permet dexplorer lespace de recherche en
interdisant un grand nombre de mouvements. Cest la phase de diversification. Par la suite,
quand des zones intressantes sont trouves, la liste peut devenir moins contraignante et
ainsi permettre de converger localement vers une solution optimale. Avec ce type dimplantation, on retrouve un fonctionnement qui ralise un compromis entre recherche globale et
locale.
Il est possible de lever le caractre tabou dune solution. On parle alors de critre daspiration. Le critre daspiration le plus simple est celui qui accepte une solution tabou qui
est meilleure que loptimum courant. Daprs P. Siarry, [88], on observe par lexprience
que ce critre daspiration est trs rarement mis en oeuvre dans le droulement de lheuristique. De plus, le fait dimplanter un critre daspiration rend le traitement dune itration
bien plus long car il est ncessaire dvaluer toutes les solutions du voisinage pour savoir
si lune dentre elles pourrait tre aspire. Quand le critre daspiration nest pas appliqu,
on nvalue pas les solutions tabou du voisinage.
La recherche tabou a t traditionnellement utilise pour rsoudre des problme doptimisation combinatoire, or, elle est de plus en plus souvent applique des problmes
continus. La mthode est efficace pour des problmes prsentant beaucoup de variables.
Mais comme la plupart des mtaheuristiques, cette technique implique un nombre important dvaluations de fonctions. De ce fait, il devient difficile de traiter des problmes avec
une fonction dvaluation coteuse en temps de calcul. Le nouveau challenge en optimisation combinatoire, comme la prsente Fred Glover lors de sa prsentation lors de la
confrence ROADEF2003 (Avignon), est dimplanter une recherche tabou qui soit efficace
pour des fonctions coteuses.
Application au problme wLP Bahri et Chamberland ont implant une procdure de
recherche tabou dans [41]. Une solution voisine s de la solution s est obtenue en modifiant
la valeur dune seule de ses variables. La liste tabou stocke les sites candidats qui ont
t modifis lors des T dernires itrations. Cette liste prsente une taille variable, choisie
alatoirement selon une loi uniformment rpartie dans lintervalle [5, 10]. La taille de cet
intervalle est fixe exprimentalement.
Lalgorithme a t appliqu un environnement de test consquent : un immeuble de
10 tages o chaque tage a une superficie de 5000 m2 . 400 sites candidats sont rpartis
uniformment dans limmeuble. Lalgorithme a t lanc pour 8 instances du problme o
le nombre de points de test varie entre 100 et 800. La recherche est stoppe au bout de 100
itrations. Une borne infrieure de la fonction de cot est calcule pour le problme avec
le solveur CPLEX [89]. Ils observent que la solution tabou est relativement loigne de la
borne infrieure du problme quand le nombre de points de test est lev pour un rseau
de type 802.11a.
Il est important de noter que lalgorithme tabou effectue galement la recherche des canaux frquentiels. Comme la borne infrieure du problme complet na pas pu tre calcule
77
avec CPLEX, la borne reprsente est obtenue sans allocation frquentielle. Les auteurs
attribuent cette hypothse la diffrence de qualit entre la solution tabou et la borne
infrieure de CPLEX.
Les tests mens avec un rseau de type 802.11b nont pas permis de trouver de solution
ralisable pour les instances qui prsentent un nombre lev de points de test (400, 500
et 600). Cest lallocation frquentielle qui a rendu la recherche plus difficile car ils nont
utilis que les 4 canaux disjoints de 802.11b pour le FAP.
Les algorithmes de recherche volutionnaire sinspirent de la slection naturelle
des individus de la nature. Contrairement aux autres mtaheuristiques, ces algorithmes
font voluer une population de solutions. A chaque itration, une slection comptitive qui
supprime les mauvaises solution de la population est ralise. Les solutions les meilleures
au sens du critre optimiser sont recombines avec les autres solutions en changeant
des parties delles-mmes. Un processus de mutation permet galement de modifier une
petite partie dune solution avec une probabilit donne. La recombinaison et la mutation
permettent de crer de nouvelles solutions avec des proprits plus intressantes.
Voici les 5 tapes gnriques dun algorithme volutionnaire :
1/ Initialisation de la population
2/ Evaluation de la population initiale
Rpter
3/ Croisement
4/ Mutation
5/ Slection
Jusqu convergence.
Pour cette heuristique, on utilise le terme de chromosome pour dsigner une solution
du problme. Les variables qui composent la solution sont alors dsignes sous le nom de
gnes.
Il existe plusieurs types de recherches volutionnaires : (a) la programmation gntique
(GP), qui fait voluer des programmes, (b) la programmation volutionnaire (EP), qui
cherche optimiser des fonctions continues sans recombinaison, (c) les stratgies volutionnaires (ES), qui cherchent optimiser des fonctions continues avec recombinaison, et
(d) les algorithmes gntiques (GAs), qui optimisent des problmes combinatoires.
Les algorithmes volutionnaires sont souvent prsents comme des mthodes doptimisation globale, mme si la convergence vers loptimum global nest garantie que dans un
sens probabiliste assez faible. Pourtant, une des forces de ces stratgies est quelle permet
dobtenir de bons rsultats pour des fonctions bruites, cest--dire pour des fonctions avec
de nombreux minima locaux.
Application au problme wLP Adickes et al. ont choisi dimplanter un algorithme
gntique dans [37]. Dans limplantation de leur algorithme gntique, ils dfinissent un
chromosome comme une solution {(x1 , y1 ), . . . , (xn , yn )} o chaque gne (xi , yi ) donne la
position dun AP. La population initiale est gnre en choisissant alatoirement la position
des AP de chacun des 30 individus de la population.
Adickes et al. utilisent une formulation multiobjectif hirarchique de leur problme
comme nous lavons prsent dans la partie 1.4. A partir de rgles sur la hirarchie de
leurs 3 fonctions dvaluations, ils vont trier les individus de la population courante et leur
78
assigner un poids unique fi . Une mesure de la qualit totale de la population est dfinie
comme suit :
Npop
F =
fi
i=1
d- Tableau rcapitulatif.
Le tableau suivant prsente les rfrences des articles qui ont implant des algorithmes
combinatoires pour rsoudre le problme wLP.
79
Algorithmes dapproximation
Glouton
Amaldi
et
al.
[44]
Unbehaun
et
Kamenetsky [27]
Frhwirt
et Brisset
Recherche
locale
Branch
Bounds
&
Metaheuristiques
Heuristiques
spcialises
Recuit
mul
Si-
Tabou
Gntique
Autres
[34]
[33]
[37]
Ji et al. [31]
Aguado et
al.
[30]
Stamatelos et
Ephremides
[24]
80
2.2.4
Loptimisation multiobjectif
Contexte
Une modlisation raliste du problme de planification wLAN dfinit plusieurs objectifs.
En effet, comme nous lavons prsent dans la partie 1.3, pour fournir un canal radio de
qualit, il est au moins ncessaire de garantir la couverture du btiment et de limiter le
niveau des interfrences. Ainsi, la communication est ralise avec un rapport signal sur
bruit satisfaisant.
Or, les techniques doptimisation courantes prsentes prcdemment sont des techniques doptimisation mono-objectif. Pour pouvoir prendre en compte plusieurs critres,
plusieurs formulations ont t proposes (cf. 1.4). Voici les trois principales approches
prsentes :
1. Utilisation dun programme linaire,
2. Utilisation dune fonction agrge unique,
3. Utilisation dune formulation multiobjectifs.
Les deux premires approches permettent dappliquer les techniques connues doptimisation mono-objectif. En effet, la formulation laide dun programme linaire va permettre
de transformer des objectifs de planification en contraintes du problme et ainsi utiliser
un algorithme de programmation linaire pour rsoudre le problme. Cette approche peut
rendre le problme trop difficile rsoudre si les contraintes restreignent trop lespace des
solutions admissibles.
La seconde approche dfinit une unique fonction dvaluation sans contraintes laide
dune combinaison linaire des critres dvaluation. Dans ce cas, la fonction dvaluation
fagr est calcule partir des Nf fonctions objectif comme suit :
i=Nf
fagr =
i fi
(2.17)
i=1
Limportance de chaque critre dans la fonction agrge est dfinie par la valeur des
Pi=N
coefficients de pondration i , i [1, Nf ]. Ces coefficients vrifient la condition i=1 f i =
1.
Contrairement la programmation linaire, ce type de formulation ne restreint en rien
lespace des solutions et fournit une valuation de chaque solution en fonction du critre
de cot agrg. Cette formulation est plus souple car on trouve plus aisment une solution
ralisable du problme.
Par contre, la solution obtenue est conditionne par le choix des coefficients de pondration i . Cette solution sera le reflet dun problme fig o lon dfinit une priorit
dans les objectifs prendre en compte. Lutilisation de fonctions agrges ncessite une
connaissance a priori des besoins de linstallateur. La recherche mono-objectif ralise avec
un critre agrg ne permet de raliser quun seul compromis entre les fonctions de cot.
81
f1
f*agr
f2
La figure 2.12 illustre ce compromis. Elle reprsente lespace dfini par deux critres f1
et f2 minimiser. Lensemble des valeurs admissibles du problme est reprsent par une
forme connexe S. Lensemble des points qui minimisent soit f1 , soit f2 , dfinit la surface
de compromis reprsente en gras sur la figure 2.12.
Si lon minimise la fonction agrge avec les coefficients 1 et 2 fixs, on va chercher
la solution le long dune droite (O, D) dquation f2 = 1 /2 f1 . La minimisation de fagr
fagr (x) =
ln(fi (x))
i=1
Ici, tous les critres doivent tre strictement positifs. A chaque itration, on va archiver
la solution x dans une mmoire taille variable si et seulement si elle nest pas domine
par les solutions dj prsentes dans larchive. Les solutions de larchive qui sont domines
par x sont retires de la mmoire.
La seconde famille dalgorithmes exploite une population de solutions qui voluent en
parallle au cours de la recherche. Ces mthodes exploitent quelques fois des heuristiques
bases sur le recuit simul (la mthode M.O.S.A. [105]), mais la plupart dentre elles sont
bases sur des algorithmes volutionnaires. En effet, ces algorithmes grent une population
de solutions de faon native.
Un algorithme volutionnaire se dcompose en 5 tapes (cf. 2.2.3). Pour prendre en
compte le caractre multiobjectif, ltape dvaluation de la population est divise en deux
parties :
2.a/ Evaluation de chaque individus selon les Nf critres,
2.b/ Classification des solutions.
Dans cette ltape 2b, on cherche transformer le vecteur form par les Nf valuations
en une grandeur qui permette de rendre compte de lefficacit des solutions les unes par
rapport aux autres.
83
mi =
i=K
X
Sh(d(i, j))
(2.18)
j=1
fi =
F (i)
mi
(2.20)
La distance d(i, j) peut tre calcule soit dans lespace des solutions, soit dans lespace
des fonctions objectif. On parle alors respectivement de niches gnotypiques ou de niches
phnotypiques. Dans le premier cas, la distance d(i, j) est calcule avec la distance de Hamming partir des vecteurs binaires qui reprsentent les solutions i et j dans lalgorithme.
Dans le second cas, la distance d(i, j) est la distance euclidienne entre les deux points de
lespace des phnotypes (i.e. des fonctions). Il est possible de crer des fonctions de niche
combines pour discriminer les solutions la fois dans lespace des solutions et dans lespace
des fonctions.
Lefficacit de cette mthode rside dans le fait que les objectifs soient rduits une
valeur defficacit factice obtenue partir dun classement ralis en fonction du rang de
Pareto. Elle possde nanmoins linconvnient dtre sensible au choix de la valeur de share .
Applications au problme wLP
Molina et Gonzalez sont les seuls avoir utilis un algorithme volutionnaire multiobjectif pour rsoudre le problme de planification wLAN [43].
Molina et Gonzalez minimisent dans un premier scnario le nombre dAP et la dgradation moyenne de couverture. En partant dune solution qui prsente 28 antennes, ils ont
obtenu un ensemble de 9 solutions rparties sur le front de pareto. Les solutions obtenues
avec un nombre dAP trs faible prsentent un mauvais critre de couverture tandis qu
partir de 5 points daccs, la couverture est trs bonne.
Le second scnario de test rajoute un critre de trafic qui minimise les rpartitions
ingales de trafic sur les points daccs. Un immeuble de 9 tages a t utilis comme
environnement de test. La demande de trafic tait suppose uniforme pour chaque tage.
Pour chaque tage, lalgorithme a trouv une solution avec 2 AP. Les solutions obtenues
dfinissent des cellules homognes en taille, ce qui reflte bien une rpartition uniforme du
trafic absorb par les AP.
85
2.3
Conclusions et perspectives
ces travaux deux critres qui ont pour objectif de limiter cette redondance et ainsi diminuer
les erreurs de localisation.
algorithmes de rsolution standard implants dans loutil CPLEX narrivent pas trouver
une approximation correcte de la solution optimale.
Les algorithmes combinatoires ont t choisis pour prendre en compte les formulations
plus complexes du problme et ainsi dfinir plus de variables (i.e. la puissance dmission,
lazimut, le nombre de points daccs). Les meilleures solutions sont obtenues avec les
algorithmes de la famille des mtaheuristiques. Il est cependant ncessaire de raliser un
nombre relativement lev dvaluations de la fonction objectif et il nest pas facile de
dfinir de condition darrt pour ce type dalgorithme.
A mon avis, au vu de la nature multicritres du problme wLP, ce sont les travaux
qui proposent un algorithme multiobjectif qui sont les plus significatifs. Il est vraiment
intressant de proposer plusieurs solutions alternatives linstallateur de rseau wLAN.
En effet, il se peut que la solution unique fournie par un algorithme mono-objectif ne
convienne pas linstallateur car elle ne respecte pas des contraintes annexes dfinies a
posteriori par linstallateur (contraintes dues la connexion des AP au rseau filaire, choix
de zones mieux couvertes que dautres, etc...). Pour trouver une nouvelle solution, il faut
relancer la recherche mono-objectif avec des conditions initiales diffrentes.
Les algorithmes doptimisation multiobjectifs prsents dans la partie 2.2.4 proposent
pour une mme instance du problme plusieurs solutions optimales au sens de Pareto.
Ainsi, il est possible par lutilisateur de choisir parmi un ensemble de bonnes solutions celle
qui lui convient le mieux.
Suite cette analyse de ltat de lart, nous avons choisi dans un premier temps de nous
intresser limplantation dune heuristique dterministe qui ne cherche qu optimiser la
couverture pour un nombre de points daccs fix. Cet algorithme en deux tapes a t
dvelopp pour exploiter les caractristiques du modle de prdiction de couverture radio
utilis. La premire tape est une tape combinatoire de recherche exhaustive et la seconde
repose sur une heuristique continue ayant pour objectif de rduire le nombre de trous de
couverture radio.
Par la suite, pour rendre ltape de recherche combinatoire plus performante et pouvoir
prendre en compte plusieurs critres de planification, nous avons implant une mtaheuristiques tabou. Cette mtaheuristique a t amliore pour pouvoir obtenir un jeu de
solutions optimales diffrentes.
La dernire proposition que nous faisons consiste en la mise en place dun algorithme
tabou bas sur la dominance au sens de Pareto. Ce processus reprend les tapes de la
recherche tabou et au lieu de ne faire voluer quune seule solution, il travaille avec une
population de solutions.
88
Partie II : Modlisation de la
propagation dans les btiments
89
Introduction
Les conclusions tablies dans ltat de lart (cf. chapitre 2.3) montrent que la difficult
du choix dune mthode de calcul de la propagation rside dans le compromis fiabilit temps de calcul quil faut tablir.
Nos travaux reposent sur un modle de propagation de type lments finis appel MRFDPF (Multi-Resolution Fourier Domain ParFlow) propos par Gorce et al en 2001 et
prsent dans [107] puis [108]. Ce modle de prdiction repose sur une approche originale que lon peut classer parmi les mthodes de calcul lments finis. En exprimant le
problme dans le domaine frquentiel et en travaillant en rgime harmonique, le rgime
permanent est obtenu par la rsolution dun systme linaire.
Loriginalit de lapproche MR-FDPF repose sur la faon dont la rsolution de ce systme est ralise. Cette rsolution est effectue en 2 phases :
Dans une phase de pr-traitement, une structure multi-rsolution est construite par
lagrgation progressive des pixels du plan. Cette phase, de complexit
(N 3 ), N
tant la plus petite dimension de lespace 2D, est excute indpendamment de la
connaissance des caractristiques de la source. Elle peut donc tre considre comme
un pr-traitement.
La seconde phase exploite la structure multi-rsolution et calcule le champ permanent issu de chaque source. La complexit de calcul dune source est de lordre de
((N 2 )log(N )).
Notons que la structure multi-rsolution peut tre avantageusement utilise pour rduire
encore le temps de calcul, en rduisant la rsolution danalyse, sans pour autant ngliger
aucun des chemins de propagation.
Dans ce travail de thse, nous avons adapt lalgorithme MR-FDPF pour lestimation de
la couverture radio dmetteurs de type 802.11b dans des environnements clos (ou Indoor )
en deux dimensions. Limplantation du moteur de calcul est en JAVA, pour la portabilit,
et interface les librairies COLT du CERN [109] et les librairies BLAS [110] pour optimiser
les temps de calcul. Le moteur de prdiction de couverture radio ainsi dvelopp se nomme
WILDE (WIreless Lan DEployment). Il est intgr dans un outil logiciel de planification
de rseaux sans fil.
Pour respecter les contraintes imposes par les ingnieurs rseaux exploitant ce logiciel,
nous nous sommes imposs des contraintes de temps de calcul sur une machine standard,
cest--dire sur une station de travail de type PC avec un processeur de 2GHz et une
mmoire vive associe de 1Go. Ainsi, pour obtenir des temps de simulation raisonnables
avec cette contrainte, nous avons introduit 2 hypothses simplificatrices dans la mthode
MR-FDPF : la restriction 2 dimensions, et le travail avec une frquence de simulation
plus faible que la frquence radio relle. Limpact de ces hypothses sur les simulations est
prsent dans la partie 3.2.
Pour limiter les erreurs de prdiction, et adapter au mieux le simulateur lenviron91
nement rel, nous proposons la mise en oeuvre dun processus de calibration bas sur un
ensemble de mesures relles. Cette calibration est effectue en relaxant les constantes de
propagation (permittivit et affaiblissement) des matriaux et en adaptant leurs valeurs de
faon minimiser les erreurs de prdiction. Ce processus de calibration est formul comme
un problme doptimisation continue plusieurs variables. Le critre choisi est un critre
aux moindres carrs qui minimise lerreur quadratique moyenne entre les valeurs mesures
et les valeurs prdites par simulation. La formulation de ce processus est donne en 3.2.4.
Nous avons mis en oeuvre un algorithme de recherche directe dnomm DIRECT (cf.
2.2.2) qui permet implicitement de raliser une recherche la fois locale et globale dans
lespace des solutions. Ses performances sont prsentes dans la partie 4.2. Une partie des
travaux lis la calibration et la validation des prdictions du moteur WILDE ont t
prsents en 2005 lors de la confrence IEEE VTC [111]. Leur synthse est donne dans le
rapport de recherche [112].
92
CHAPITRE
La
mthode
MultiRsolution FDPF adaptative
3.1
3.1.1
Dveloppements thoriques
Lalgorithme temporel ParFlow
La mthode temporelle simule itrativement le champ mis par une source place en
un point appartenant une grille discrte rgulire reprsentant lenvironnement de test.
Le pas de discrtisation utilis est appel R .
x
(b)
(a)
Fig. 3.1 Un pixel avec (a) ses flux entrant, (b) ses flux sortant.
Dans cette approche, le champ lectrique est divis en 5 composantes (cf. fig. 3.1), appeles flux. Ces flux se propagent de proche en proche laide de matrices de propagation
drives des quations de Maxwell. Dans la suite du document, les flux sortants du pixel
(i, j) sont rfrencs par fd (i, j) et les flux entrants par fd (i, j). Les indices d {E, W, S, N }
indiquent la direction de propagation du flux, conformment aux directions cardinales (est,
ouest, sud, nord). La simulation de diffrents milieux dilectriques ncessite lintroduction
dun flux interne additionnel f0 (i, j) qui permet de modifier la vitesse de propagation en
93
certains noeuds. Ce flux a un rle fondamental car il permet en modifiant les proprits
locales de la propagation, dintroduire naturellement les phnomnes macroscopiques que
sont la rflexion et la diffraction. Ces phnomnes sont illustr la figure 3.2. Lenvironnement reprsent est de taille 15m 35m, discrtis avec un pas de 5cm.Notons que
lenvironnement est entour dun matriaux absorbant pour limiter les problmes de bord.
(3.2)
Chopard et al. [113] ont propos la mise en oeuvre dun automate cellulaire pour rsoudre
le problme laide des quations de diffusion-propagation suivantes :
f ij (t) = ij f ij (t dt)
f ij (t) = ( f ij (t))
o :
94
(3.3)
(3.4)
DR / ls = 1/12
DR / ls = 1/6
DR / ls = 1/4
DR / ls = 1/2
Fig. 3.3 Couverture dune source ponctuelle en fonction du rapport R /s pour s = 960
MHz.
Lautomate cellulaire propage les flux sortant dun pixel source vers ses pixels voisins.
Chaque pixel voisin gnre son tour des flux sortant qui sont considrs comme des flux
entrants par les pixels connexes. Pour obtenir une carte de couverture complte, il est
ncessaire dattendre la convergence de cet automate cellulaire vers le rgime permanent,
la frquence de simulation s . Pour obtenir une simulation raliste, le pas de discrtisation
95
R doit tre suffisamment petit devant la longueur donde s pour avoir une dispersion
faible et garantir la quasi isotropie du champ simul. Comme illustr la figure 3.3 le
champ propag issu dune source ponctuelle ne reste pas isotrope lorsque le rapport R /s
augmente. Notons par contre, que plus le pas R est petit plus le temps de calcul augmente.
Chopard propose un compromis par la limite suivante R s /6, que nous reprendrons
par la suite.
3.1.2
T
T
t
f 1,1 , f 1,2 , . . . , f ij , . . . , f N N
it
(3.5)
Ainsi, les quations de ParFlow peuvent tre exprimes laide de lgalit suivante :
F(t) = F(t dt) + S(t)
(3.6)
o est la matrice de diffusion globale et S(t) le vecteur source constitu de valeurs binaires
sij non nulles en (i, j) uniquement si une source sy trouve localise. La transforme de
Fourier, relativement au temps, de ce systme conduit :
(Id ) F(s ) = S(s )
(3.7)
o = ej2s dt .
On admettra alors que la source utilise est bande troite, centre autour de la
frquence de simulation s . Ds lors, cette mthode ne permet de modliser quun rgime
harmonique, excluant lestimation de ltalement temporel et des retards de propagation.
Les diffrentes exprimentations menes en Indoor pour la norme 802.11 [10] [61] [120]
montrent que le canal radio wLAN est un canal court en comparaison la dure des
symboles. Il est donc lgitime de considrer que lestimation bande troite est suffisante,
en particulier pour lestimation de puissance moyenne pour la planification dun rseau
sans-fil. Comme nous le verrons plus loin, la mise en place dun moyennage local permettra
de saffranchir des problmes dvanouissements rapides lis aux multi-trajets pour obtenir
une bonne estimation de la puissance moyenne.
En pratique, la taille du systme linaire 3.7 rend sa rsolution par inversion directe
non triviale. Une mthode itrative classique (Gauss-Seidel, ...) peut tre utilise. On peut
aussi remarquer que lquation (3.7) se dcompose laide dune srie gomtrique :
X
k S(s )
(3.8)
F(s ) =
0k
et exploiter cette structure pour une rsolution itrative. En terme de complexit, cette
rsolution est du mme ordre de grandeur que la mthode temporelle. En effet, pour une
espace de taille N N , la complexit des deux mthodes est en
(N 3 ), chaque itration
tant en
(N 2 ) oprations, et le nombre ditrations tant proportionnel N .
96
Notons que dans le domaine frquentiel, lintroduction de milieux dindices de rfraction diffrents ne ncessite plus lintroduction dun flux additif, mais peut se faire par la
modification des coefficients associs la matrice de diffusion de chaque milieu. La correspondance entre les 2 approches est dcrite dans [112].
3.1.3
La modlisation par blocs est le premier pas vers lapproche multi-rsolution. Comme
reprsent dans la figure 3.4, on peut regrouper les pixels par blocs de taille n n pixels.
FS
FN
FW
FE
FE
FW
FS
FN
(a)
(b)
Fig. 3.4 Bloc avec ses flux sortants (a) et ses flux entrants (b).
Pour chaque ct dun bloc, sont dfinis deux vecteurs de taille n contenant respective
d
d
ment les flux entrants F ; d {E, W, S, N } et les flux sortants F ; d {E, W, S, N }. Une
matrice de diffusion de taille n n est associe chaque bloc. Elle agit comme la matrice
de diffusion dfinie dans la section prcdente, en sappliquant maintenant sur les quatre
vecteurs flux prsents de chaque ct du bloc. Les coefficients de la matrice de diffusion
classique sont remplacs par des sous-matrices de diffusion caractrisant le transfert dun
ct lautre du bloc et rfrences de la faon suivante :
kl
EE
EW
kl
kl
W
E
W
W
kl
kl
= SE
kl
SW
kl
W
N
E
kl
N
kl
ES
EN
kl
kl
S W N
W
kl
kl
SN
SS
kl
kl
N
S
N
N
kl
kl
(3.9)
Dans chaque bloc, les flux internes peuvent tre considrs comme des variables intermdiaires pour le calcul dchange de flux entre les blocs voisins. La rsolution partielle du
systme linaire indpendamment dans chaque bloc conduit au calcul de la matrice de diffusion associe et permet par la suite de rsoudre le problme en travaillant exclusivement
avec les flux dchange, situs linterface entre blocs [121] et lquation (3.8) ne sapplique
alors plus qu ces flux dchange. Le calcul de propagation un niveau de rsolution n est
le mme mais le temps de calcul diminue : en effet dune part il y a moins de variables et
dautre part la propagation avance de n pixels chaque itration. Notons que la matrice
de diffusion pour un bloc peut tre calcule directement partir des matrices associes aux
pixels inclus dans ce bloc (cf. [107]). Nous allons voir dans le paragraphe suivant quil est
possible de les calculer plus efficacement par une approche rcursive.
97
3.1.4
Lapproche multi-rsolution
Source Equivalente
(flux sortants)
Flux Internes
Fig. 3.5 (a) Si A est un MR-bloc source, C est aussi un MR-bloc source dordre plus
lev. (b) A partir des flux entrants dans C on peut calculer les flux entrants dans A et B.
Il faut pour cela calculer les flux linterface entre eux.
La question qui vient lesprit partir de la dfinition des blocs ci-dessus concerne
bien entendu la slection de leur taille optimale. Le but de lapproche multi-rsolution est
de contourner ce choix et de proposer une imbrication rcursive de blocs de plus en plus
gros, en construisant un arbre binaire. Ces blocs sont rfrencs dans la suite du document
par le terme MR-bloc (Multi-Resolution Node, ou bloc multi-rsolution). Nous allons voir
quune telle structure est trs efficace pour le calcul de la propagation.
Un MR-bloc, reprsent par Bl , est caractris gographiquement dans le plan par les
coordonnes de son coin suprieur gauche p = (px, py), et par sa largeur nx et sa hauteur
ny, regroups dans s = (nx, ny) (cf. figure 1.10), p.23. Etant donn deux MR-blocs voisins
A et B possdant leurs propres matrices de diffusion A et B , nous avons montr dans
[121, 108]quil est possible de calculer la matrice de diffusion dun nouveau MR-bloc C issu
du regroupement de A et B. Quand les MR-blocs sont regroups horizontalement comme
illustr la figure 3.5, C est donn par :
(3.10)
C = P3 .P2 .P1
[0]
W
W
B
N
EE
ES
[0] W
A
A
A
S
[0]
[0] W
[0]
B
P2 =
Id
EW
A
98
E
W
B
Id
1
[0]
N
W
B
P3 =
[0]
W
W
A
SW
A
[0]
W
N
A
[0]
EE
B
[0]
[0]
SE
B
[0]
E
N
B
Remarquons que par rciprocit de la propagation des ondes il est facile de montrer que les
matrices P1 et P3 sont les transposes lune de lautre. Notons galement que seule la matrice P2 ncessite un calcul matriciel lourd. Le mme processus peut tre ensuite reproduit
pour le MR-bloc C associ lun de ses voisins, et ce, jusqu ce quun unique MR-bloc
appel bloc pre, soit obtenu. Le regroupement des blocs peut seffectuer de faon rgulire, en alternant les regroupements horizontaux ou verticaux, ou de toute autre faon.
Cet aspect est discut dans la section suivante mais considrons pour linstant le cas plus
simple dune construction rgulire de larbre binaire. Remarquons que le calcul des matrices de diffusion ne ncessite pas de connaissance propre la source. Seule la connaissance
de lenvironnement (position et matriaux constitutifs des murs) est ncessaire. Il est donc
possible de raliser le calcul des matrices de diffusion pour tous les MR-blocs associs
larbre binaire, indpendamment de la source. Ce calcul est donc regroup dans une phase
de pr-traitement.
La phase de pr-traitement
Cette premire phase a pour objectif de calculer toutes les matrices de diffusion des
MR-blocs utiliss pendant la propagation. Le regroupement commence par fusionner deux
deux les pixels de taille 1 1 pour obtenir des MR-blocs de taille 2 1. Ils sont ainsi
eux-mmes regroups 2 2 pour obtenir des MR-blocs de taille 2 2. Ce processus est
ritr jusqu lobtention du MR-node pre. A chaque regroupement, il est ncessaire
de calculer la matrice P2 par une inversion matricielle de taille Ni , o Ni reprsente le
nombre de flux linterface des deux MR-blocs fusionns. Cette inversion correspond en
ralit au calcul du rgime permanent interne au MR-bloc. Le cot de cette inversion
est en
(Ni3 )), de mme que la multiplication entre elles des sous-matrices de P1 , P2 et
P3 . Le dernier tage de la pyramide est donc celui qui cote le plus cher en terme de
temps de calcul. On peut reprsenter formellement lensemble des MR-blocs ainsi dfinis
par une structure en arbre o chaque bloc possde deux fils et un parent (sauf pour les
MR-blocs qui se trouvent aux extrmits de larbre). Cette structure est rfrence sous le
terme de pyramide de propagation. Ltape de pr-traitement prsente donc globalement
une complexit en
(N 3 ), o N = min(NX , NY ) avec respectivement NX et NY le nombre
de lignes et de colonnes.
La phase de propagation dune source
Cette deuxime phase illustre figure 3.6 exploite les matrices de diffusions prcdemment calcules. Elle est effectue en 2 tapes : la monte et la descente de la pyramide.
Dans ltape de monte, on positionne une source au niveau le plus bas de la pyramide
(pixel). A chaque tape, on calcule une source quivalente C partir dune source donne
prsente en A ou en B (cf. figure 3.5-(a)). Les flux sortant de la source quivalente C se
calculent dans ce cas partir des flux Est de A ou des flux Ouest de B pour obtenir les
flux sortants du bloc C laide des matrices P2 et P3 .
99
Les flux sources situs linterface entre les blocs A et B se propagent dans le bloc C.
Le rgime permanent est calcul par :
"
E #
FB
FIN T = P2
(3.11)
W
FA
Une fois le rgime permanent interne calcul, il reste calculer les flux sortants additionnels,
donns par P3 FIN T . Les flux du MR-bloc source C sont alors donns par :
h E
h S
i h N
ii
W
S
N T
F C = F A , F B , F A, F B , F A , F B
+ P3 FIN T
(3.12)
Niveau (N+1)
Niveau N
Source
Recepteur
100
1
Nf lux
d{N,S,W,E} xD
k f (x) k2
(3.14)
(3.15)
et Nf lux = (L H) 2.
Nf lux reprsente le nombre total de flux entrants dun bloc de taille L H.
La diffrence de calcul sexplique par le fait qu la rsolution (1,1), la phase relative
des flux est significative, car les flux sont co-localiss. On effectue donc une sommation
cohrente des flux. Au contraire, aux niveaux suprieurs, la phase relative des diffrents
flux dpend de la position lintrieur du bloc (fading). La puissance moyenne est donc
mieux estime par une sommation incohrente des flux entrants. La figure 3.11, p.106,
montre une bonne cohrence entre les estimations de puissance diffrents niveaux. De
plus on voit bien que le moyennage sur blocs permet de rduire les variations locales qui ne
sont pas intressantes pour le calcul de couverture radio pour la planification. Par contre,
ces variations locales pourraient peut-tre tre exploites pour valuer les caractristiques
locales du canal radio : sans fading le champ est relativement homogne (par exemple
en espace libre ou lorsquun chemin est prpondrant), alors quen prsence de fading de
Rayleigh, on observe des variations spatiales rapides du champ.
3.1.5
101
Algorithmes de dcoupage
Lalgorithme que nous proposons pour obtenir larbre MR-FDPF est bas sur une
approche descendante. Cette approche dmarre partir du MR-bloc pre qui contient
tout lenvironnement, et qui est dcompos en deux MR-bloc fils. Rcursivement, on redcoupe chaque bloc en deux fils, jusqu ce quon atteigne la taille du pixel. Cette approche
permet de garantir que tout MR-bloc a 2 fils, tout en garantissant que tous les MR-blocs
sont rectangulaires. Ce qui nest pas possible par une approche montante. Le choix le
plus important est de dfinir la position laquelle on dcoupe un bloc. Ce choix a des
consquences sur les points suivant :
le nombre et la taille des blocs homognes de larbre MR-FDPF,
la taille de larbre MR-FDPF en mmoire,
le temps de cration de larbre dans la phase de pr-traitement.
Nous avons test 3 heuristiques dterministes de dcoupage et recherch leur impact
sur les points cits ci-avant.
Dcoupage rgulier. Le premier algorithme de dcoupage est un algorithme rgulier
qui coupe chaque MR-bloc en deux blocs fils de mme taille. Ce dcoupage est prsent
dans la figure 3.7. On dcoupe toujours un bloc selon sa plus grande dimension. De ce
fait, linterface de fusion des deux MR-blocs fils est plus petite et les matrices uplink et
downlink cres sont moins complexes calculer. On rappelle que la complexit de calcul
de ces matrices est proportionnelle au nombre de flux linterface des deux blocs fils.
...
...
BH
BH
(4)
(4)
(1)
(2)
(2)
(3)
...
(3)
...
(1a)
(1b)
(2)
(2)
(4)
BH
BH
(4)
BH
(3)
(4)
BH
(3)
(3)
...
...
...
s
X
y(i, j)
(3.16)
j=1
avec (i, j) = (mat(j, i) = mat(j, i + 1) vaut 1 sil existe une diffrence de matriau entre
le pixel (j, i) et le pixel (j, i + 1). La plus forte discontinuit rencontre sur la figure 3.8
est la discontinuit (1a). Ce processus de dcoupage est ritr sur les blocs fils jusqu
lobtention des blocs homognes Bhl (en rouge). Pour atteindre le niveau pixel, ces blocs
homognes sont alors dcoups avec un dcoupage rgulier.
Le dcoupage irrgulier permet de maximiser la taille des blocs homognes. De ce fait,
le temps de calcul ncessaire la propagation au niveau des blocs homognes est plus court
que pour le dcoupage rgulier. On verra au chapitre 5, que ce dcoupage est galement
103
intressant utiliser pour placer les AP candidats car il suit la gomtrie des pices. Par
contre ce dcoupage augmente le temps de pr-traitement car il augmente la taille des
blocs dans les tages suprieurs de la pyramide. Le calcul de la matrice de diffusion pour
ces blocs est long et de ce fait augmente la dure de la phase de pr-traitement.
Dcoupage hybride. Pour raliser un compromis entre les deux techniques, nous avons
dfini dans [122] une heuristique dterministe qui dcoupe les blocs selon des discontinuits
qui favorisent lapparition de blocs de mme taille. Lalgorithme utilis est le suivant :
Slection de la plus grande dimension du MR-bloc de taille m,
Calcul de D(i) daprs lquation 3.16 pour chaque ligne de dcoupe
li ; i [1, m 1],
Dcoupage du bloc lindice id qui vrifie :
id = argmax
i[1,m1]
D(i) . C(i)
(3.17)
p
avec C(i) = 1 | ico
co | et co lindice du milieu du MR-bloc.
La valeur de p est donne par :
p=
0 si m < L
K si m L
(3.18)
3.1.6
Implantation et performances
Dcoupage
Taille mmoire
Dure du prtraitement
Nb Blocs Homognes
Nb Blocs Types
p20
rgulier
48 MO
17 s
18705
2607
37%
hybride (L=32,K=6)
62 MO
11 s
6308
861
55%
irrgulier
87 MO
32 s
5715
771
54%
Phase de propagation
Trois cartes de couverture diffrentes rsolution sont prsentes dans la figure 3.11.
Pour obtenir ces cartes, la phase de descente de la pyramide a t arrte :
(a) au niveau des blocs homognes.
(b) au niveau des MR-blocs de taille 6 6 pixels.
(c) au niveau pixel.
Le tableau 3.1 prsente les temps de traitement ncessaires chaque phase de calcul.
Lenvironnement de test a une taille de 92.7 23.4 mtres et est calcul pour une frquence
de simulation de 480 MHz avec un pas de discrtisation R = 10 centimtres.
Temps
Pretraitement
28 s
Propagation
blocs homognes
0.5 s
Fig. 3.11 Carte de couverture (a) la rsolution des blocs homognes, (b) la rsolution
de 6 6 pixels et (c) la rsolution des pixels.
Lutilisation dune carte de couverture qui modlise le comportement moyen du canal
permet de gnrer des solutions robustes qui seront moins sensibles aux faibles variations
de lenvironnement (prsence de personnes, meubles...). Cest pourquoi nous avons choisi
dexploiter les prdictions MR-FDPF la rsolution des blocs homognes dans nos heuristiques de planification.
Limplantation que nous avons ralise ne charge en mmoire que les MR-blocs ncessaires au calcul de la couverture. Loccupation mmoire est bien plus importante pour le
calcul dune carte de couverture la rsolution des pixels puisquil faut charger toute la
pyramide en mmoire. Ce nest pas le cas quand on sarrte par exemple la rsolution
des blocs homognes.
Un autre avantage de cette approche multi-rsolution est de pouvoir affiner le calcul
de couverture dans un MR-bloc donn en continuant la propagation descendante partir
de lui-mme. Nous avons exploit cette caractristique dans lheuristique de planification
que nous avons propose dans [32] pour optimiser localement une solution dans la seconde
tape du processus.
106
3.2
Pour le dveloppement dun outil doptimisation exploitable par les ingnieurs rseaux,
il est fondamental de limiter le temps de calcul. En effet, lvaluation dune configuration
de rseau (position des AP) ncessite le calcul de la propagation pour chacun des AP. Si
lon veut pouvoir tester plusieurs configurations, le temps de calcul acceptable pour une
couverture est trs faible. Nous avons valu les temps de calcul acceptables quelques
minutes pour le pr-traitement et moins dune seconde pour la propagation dune source,
et ce pour des environnements pouvant aller jusqu 10000m2 .
Pour arriver aux temps de traitement prsents dans le tableau 3.1, p.105, il est ncessaire de faire des hypothses simplificatrices qui engendrent des erreurs de prdiction.
Pour compenser ces erreurs de prdiction, nous avons choisi de mettre en place un
processus de calibration prsent dans la partie 3.2.4. Ce processus recherche un jeu de
paramtres optimal pour que lerreur quadratique moyenne entre les prdictions et les
mesures relles soit minimale. Cette calibration est value au chapitre 4.
3.2.1
Lapproximation 2D / 3D
P L(r, ) =
2
(4..r 2 )
(3.19)
Pour essayer de compenser ce problme, nous avons introduit un coefficient daffaiblissement de lair air , dans la matrice de diffusion associe aux pixels dair comme suit :
ij = air ij . En introduisant un coefficient air < 1, on introduit artificiellement de
laffaiblissement dans lair. Notons cependant que cela conduit un affaiblissement de type
exponentiel, et pas exactement en 1/r 2 . Il est impossible de dfinir la bonne valeur thorique de ce paramtre, car il dpendra de lenvironnement, en particulier de la hauteur
sol-plafond, et de leurs proprits lectromagntiques. Nous proposons donc de dfinir ce
paramtre comme une des variables dterminer lors de la calibration.
107
Niveau de puissance pour les frequences de 480Mhz et 240Mhz a resolution constante (dr = 10cm) en espace libre.
35
480 MHz
240 MHz
40
Puissance (dBm)
45
50
55
60
65
70
0
10
10
10
Distance numerique (echelle logarithmique)
10
Fig. 3.12 Affaiblissement de la puissance reue en fonction de la distance numrique Unit = 10 cm.
3.2.2
Choix de la rsolution R
Pour que cette simulation ait un sens, il faut pouvoir moyenner le champ sur des blocs
de taille Rcouv Rcouv . Enfin, pour que ce moyennage permette de saffranchir des petites
variations locales, il faut que le moyennage seffectue sur une distance suprieure ou gale
la longueur donde, soit Rcouv > s . Imposons donc la rsolution en fonction de la finesse
des rsultats voulue, et choisissons Rcouv = 1m. On en dduit que la longueur donde doit
tre infrieure 1m et que le pas de discrtisation doit tre infrieur 1/6m. On peut
alors fixer R = 10cm, et s = 2.4/5 = 480MHz. Dans ce cas, s = 62.5 centimtres.
La condition sur la puissance moyenne est respecte et la taille des pixels est donne par
R = 10cm. Pour obtenir une estimation de puissance moyenne une rsolution de 1m,
on pourra travailler sur des blocs de taille 10 10 pixels.
La figure 3.11, p.106, montre bien que les prdictions de couverture calcules pour une
rsolution de 60 60 centimtres en (b) sont plus exploitables que celles obtenues la
rsolution pixels en (a) car on lisse les variation dues au fading. Cest cette rsolution
que les prdictions du moteur WILDE seront values et calibres dans le chapitre suivant.
3.2.3
nest plus gale 1 et doit tre mesure pour dfinir lindice de rfraction (n = r . r ).
Des rsultats de mesure de ces paramtres sont donns dans la littrature [123], mais si lon
ne connait pas exactement le type de matriau utilis dans une construction, il est difficile
de choisir des valeurs ralistes pour n et .
Les indices
Des valeurs de n ont t calcules pour quelques matriaux prsents dans des constructions laide des valeurs de r et cites dans [123]. Elles sont prsentes dans le tableau
suivant. On peut noter que la plage de variation de n varie entre 1.9 et 2.6 quand le taux
deau prsent dans la brique varie de 0 30% dans la bande de frquences de 3 24 GHz.
Il est donc dlicat de choisir une valeur reprsentative et prcise de lindice du bton.
Bande de frquences (GHz)
Brique sche
Bton sec
Bton lger
Bton arm
0.9 -1.8
2.64
1.9 - 4.3
2.14 - 2.02
3 - 24
2.2 - 2.6
1.4 - 1.5
dattnuation est calcul pour la distance unit (largeur du pixel). Ainsi, pour une distance unit R fixe, la valeur du facteur dattnuation est donne par = ea R . Par
exemple, le facteur dattnuation de la brique 1.7 GHz vaut = 0.993 pour R = 10cm.
Comme ces donnes le prsentent, le choix dune valeur thorique dindice et de coefficient
daffaiblissement nest pas ais. Ce choix est dautant plus dlicat quand on ne connait pas
compltement la composition et la nature des matriaux prsents dans lenvironnement de
test. Cest pourquoi nous proposons destimer la valeur de ces paramtres dans la phase de
calibration du moteur. Ainsi, nous dterminerons les indices optimaux pour la simulation,
permettant de limiter les erreurs de prdiction.
3.2.4
Le processus de calibration
pred = s +
(3.20)
Il est difficile de driver thoriquement ce facteur de mise lchelle car la mthode prsente est en 2D et dterminer analytiquement la puissance numrique dans un espace 2D
quivalente la puissance dune antenne rayonnant dans un espace en 3D pour la mthode
de prdiction MR-FDPF na pas de sens. Nous avons prfr intgrer ce coefficient dans
les paramtres estimer durant le processus de calibration exprimental exploitant des
mesures relles. Le mode de calcul de loffset est prsent dans le paragraphe suivant.
Calcul de loffset
Un des objectifs du processus de calibration est de dterminer la valeur de pour minimiser lerreur quadratique moyenne de prdiction entre les puissances mesures mes (i), i
[1..m] et les puissances prdites pred(i) = s (i) + , i [1..m]. La puissance ainsi prdite sexprime en dBm. La recherche de la valeur optimale de loffset pour un jeu
de mesures et de prdictions donn revient un problme de minimisation dune forme
quadratique dfinie positive :
m
1 X
(mes (i) s (i))
m
(3.21)
i=0
Si on dfinit la fonction des erreurs de prdiction par e(i) = mes (i) s (i), nest
autre que lerreur moyenne calcule sur lensemble des m points de test.
Identification des paramtres n et
Pour adapter au mieux le modle de prdiction un environnement de test particulier,
il est possible daffiner les prdictions en dterminant les indices et les coefficients daffaiblissement des matriaux prsents. Cest toujours lerreur quadratique moyenne (EQM) de
prdiction qui est minimise, mais cette fois-ci, il est ncessaire destimer 2 paramtres par
matriau. De plus, pour contrecarrer les effets de lapproximation 2D/3D, il faut galement
estimer la valeur du coefficient daffaiblissement de lair.
110
i=0
(3.22)
Connaissant la fonction des erreurs de prdiction e(i) = mes (i) s (i), le critre f
nest autre que lcart type de e calcul sur lensemble des m points de test puisque
reprsente la moyenne de e.
Les objectifs de la calibration
Le problme didentification des paramtres comporte 2N + 2 variables, avec N le
nombre de matriaux. Ces variables se dcomposent comme suit :
2 variables (ni , i )i[1..N ] par matriau,
air (compensation de lapproximation 2D/3D),
loffset de mise lchelle .
Le processus de calibration est un processus aux moindres carrs qui minimise lerreur
quadratique moyenne entre la puissance mesure et la puissance simule en un ensemble de
m points de test. Cest un problme doptimisation continue plusieurs variables bas sur
une unique fonction dvaluation dcrite par lquation 3.22. Pour chaque jeu de 2N + 1
paramtres de propagation test, on dtermine loffset de mise lchelle optimal avec
lquation 3.21.
Lalgorithme doptimisation a pour objectif de trouver un ensemble de paramtres s
et un offset de mise lchelle (s) optimaux. La solution obtenue dpend fortement
de la qualit du jeu de mesures utilis et de lenvironnement de test. Cest pourquoi la
solution s nest optimale que pour lenvironnement de test dans lequel les mesures ont t
faites. Lenvironnement de test est constitu du btiment et des points daccs utiliss au
moment de la mesure.
Il est possible de calculer une solution en utilisant des points de mesure issus de plusieurs points daccs. Ceci ne change rien la dfinition du critre (3.22). Il sera juste
ncessaire deffectuer autant de calculs de couverture quil y a de points daccs diffrents
dans lenvironnement. Ainsi, pour une position physique, il peut y avoir plusieurs mesures
et donc plusieurs puissances simules.
La question qui se pose une fois que lon a dtermin une solution pour un jeu de
mesures donn est la validit de celle-ci. Pour cela, on se posera plusieurs questions :
Est-elle applicable des prditions effectues dans le mme btiment avec les mmes
points daccs placs des positions diffrentes ?
Est-elle applicable des prdictions effectues avec dautres points daccs dans le
mme btiment ?
Est-elle applicable dautres btiments comportant les mmes matriaux ?
Pour rpondre ces questions, il est ncessaire de tester la solution avec plusieurs jeux de
mesure. Pour valuer une solution, on calcule lerreur quadratique moyenne de prdiction
(EQM) pour chaque jeu de mesures. Il est possible dinterprter la qualit dune solution
111
avec la moyenne des EQMs obtenues avec chaque jeu de test. Cette moyenne sexprime en
dB.
Lalgorithme doptimisation
La recherche exhaustive dun jeu de paramtres nest pas abordable au vu du nombre de
variables. En effet, dans un btiment standard, il y a au moins 3 matriaux prsents, ce qui
implique la prsence de 7 paramtres borns. Lvaluation dune seule solution du problme
de calibration ncessite un calcul complet de pr-traitement et un calcul de couverture par
point daccs prsent dans lenvironnement de test. Une telle opration dure au moins une
minute sur une machine actuelle (CPU 2.8GHz et 1Go de RAM). Cette dure nest pas
ngligeable et oriente le choix du processus doptimisation vers un algorithme qui limite le
nombre dvaluations de fonctions avant convergence.
Le critre ntant pas dfini par une fonction analytique des variables du problme, le
gradient de la fonction de cot ne peut tre estime directement et il nest pas possible
de connatre lavance le nombre doptimums prsents. Le problme de calibration est
donc a priori un problme doptimisation difficile. Lutilisation dun algorithme de descente
(mthode des gradients ou de quasi-newton) a donc t exclue dans un premier temps. Nous
proposons de travailler avec la mthode doptimisation globale dnomme DIRECT et
prsente dans la partie 2.2.2. Cette mthode alterne implicitement entre recherche globale
et recherche locale. Elle comprend des phases o elle explore et slectionne des sous-parties
de lespace de solution et des phases de recherche locale qui lui permettent de converger
vers un minimum. Si on laisse lalgorithme sexcuter en un temps infini, on tend vers une
recherche exhaustive.
112
CHAPITRE
4.1
Rglage du simulateur
Le critre doptimisation nest pas une fonction analytique des paramtres des matriaux et on ne peut dterminer analytiquement si la fonction dvaluation est mono- ou
multi-modale. Cest pourquoi, nous avons tudi exprimentalement ses caractristiques
avant de lutiliser dans la phase de calibration. Lenvironnement de test utilis est dcrit
en section 4.1.1. Le processus de calibration est valu avec deux types de donnes :
un ensemble de points de mesure rsultant des mesures relatives un seul point
daccs (AP),
un ensemble de points de test prenant en compte les mesures effectues pour N
points daccs prsents pendant la mme campagne de mesure (N = 6 dans notre
cas).
Les murs de lenvironnement de test du CITI ont dabord t modliss avec un seul
matriau, puis avec deux matriaux distincts. Dans les 2 cas, les valeurs optimales des
indices n et des coefficients daffaiblissement ont t recherches. Linfluence du coefficient
daffaiblissement de lair a galement t analyse.
Les parties 4.1.2 et 4.1.3 prsentent successivement les rsultats obtenus pour lenvironnement CITI 1 puis 2 matriaux. Pour chaque partie, les deux types de jeux de mesures
113
(1 seul AP et N = 6 AP) ont t utiliss. Les rsultats ont t obtenus par le calcul du
critre f sur une grille rgulire de points de test. Les simulations 1 et 2 matriaux sont
compares la fin de la section.
4.1.1
Notre laboratoire (figure 4.1) a servi denvironnement de test. 199 points de mesure
ont t raliss laide de six points daccs et dordinateurs portables quips dune carte
dextension 802.11b. La mesure de puissance en rception na donc pas t faite par un
analyseur de spectre, mais directement partir de linformation remonte par la carte
WiFi. Ce mode de mesure t choisi dune part pour sa facilit de mise en oeuvre et
dautre part car il a pour avantage dtre identique celui qui doit tre utilis par les
installateurs de matriel sans fil. Sur la figure 4.1, les points de mesure sont reprs par
des croix noires et les points daccs par des ronds rouges. Les points daccs utiliss sont
de marques diffrentes. Ainsi, la puissance dmission, la directivit et louverture de leur
antenne ne sont pas forcment identiques.
Afin de faciliter ultrieurement lanalyse des rsultats, les points de mesure ont t
numrots et localiss sur la figure laide dun quadrillage. Chaque point est donc rfrenc
en abscisse par un chiffre variant de 1 24 et en ordonne par une lettre variant de A
I. Labsence de mesures dans certaines pices est due limpossibilit dy pntrer. Le jeu
de test issu de ces mesures est dsign par lacronyme CITI1 dans la suite du document.
Le laboratoire CITI semble visuellement compos de 3 types de murs : quelques murs en
bton, une majorit de cloisons et une cloison extrieure compose de verre, de panneaux
en mtal et de pltre. Ces trois matriaux sont reprsents respectivement en gris, jaune
et rouge sur la figure 4.1.
Pour chaque point de mesure, la puissance de signal reue en provenance de tous les
points daccs visibles a t enregistre, pendant environ une minute, ce qui correspond
environ 300 chantillons de mesure par couple AP-rcepteur. Pour saffranchir de la directivit du rcepteur mobile et des variations locales lies aux vanouissements, lorientation
et la position du rcepteur mobile taient lentement modifies pendant lacquisition, tout
en restant dans une zone denviron 1m2 . Nous avons ainsi obtenu un histogramme des
niveaux de puissance pour chaque couple AP-rcepteur, dont on peut dduire la puissance
moyenne. Seuls les points pour lesquels le nombre dchantillons tait suprieur 150 ont
t slectionns dans le processus de calibration. Ceci a permis de ne prendre en compte
que les points correctement couverts. En effet si le mobile est en limite de couverture, certaines mesures sont perdues : la rpartition des niveaux de puissance observe nest plus
gaussienne (cf. fig. 4.2-(b)) et la puissance moyenne calcule est biaise (plus leve que la
puissance moyenne relle).
114
Fig. 4.1 Reprsentation des points du jeu de mesures CITI1 au 2me tage du btiment
Lonard de Vinci.
115
(a)
(b)
90
50
80
45
40
70
35
60
30
50
25
40
20
30
15
20
10
10
0
80
75
70
65
60
Puissance (dBm)
0
95
55
90
85
Puissance (dBm)
80
Fig. 4.2 (a) Histogramme dun point bien couvert . (b) Histogramme dun point en limite
de couverture.
Lensemble de ces histogrammes a t analys. A part pour les cas en limite de couverture, la rpartition tait assez proche dune distribution normale. Lcart-type moyen
de ces distributions a t valu 3dB. Cette valeur donne une premire ide de la prcision souhaite des prdictions, dont on tiendra compte dans la phase didentification des
paramtres.
Afin de valider les rsultats de calibration obtenus avec les donnes CITI1, un autre
environnement de test a t utilis. Ce second environnement de test, dnomm BuildingG,
comporte un seul point daccs. Il mesure 48 mtres de long par 30 mtres de large. Les
cloisons sont reprsente en jaune, le bton en gris et les vitres en bleu. Cet environnement,
o un rseau sans fil a t dploy, est reprsent la figure 4.3. Quinze points de mesure
reprsents par des croix ont t raliss.
4.1.2
Modlisation un matriau.
12
10
8
6
4
2
2.1
2.2
2.3
2.4
2.5
Indice
2.6
2.7
2.8
2.9
2.9
50
Moyenne (dB)
55
60
65
AVAYA1
AVAYA2
ALLIED
DLINK
HP
PROXIM
70
75
80
85
2.1
2.2
2.3
2.4
2.5
Indice
2.6
2.7
2.8
Point daccs
AVAYA1
AVAYA2
HP
DLINK
ALLIED
PROXIM
Nb. Points
90
100
146
127
175
148
Indice n
2.65
2.35
2.45
2.40
2.45
2.85
e
5.7
5.45
5.1
4.7
3.8
5.05
Offset
-55
-63
-60
-61.5
-64
-64
Tab. 4.1 Minima obtenus avec les jeux de mesure de chaque point daccs.
Tous les indices optimaux appartiennent lintervalle [2, 3]. La majeure partie des
indices est proche de n = 2.4. Seul le jeu de test relatif lAP PROXIM prsente un indice
diffrent des autres. La valeur doffset obtenue pour chaque jeu de test varie entre -55 et
-64 dB. Notons que si lon excepte le jeu de test ALLIED, cest pour n = 2.4 que lcart
entre les valeurs doffset est le plus faible ( [61.5, 60]).
Sur les 6 sries, 2 jeux de test prsentent une solution diffrente des autres. Le jeu de
mesures AVAYA1 mne un optimum pour n = 2.65 diffrent de 2.4. Notons quil existe
cependant un autre minimum local autour de 2.4. Ce rsultat montre bien que ltude dun
seul AP rend la mthode relativement sensible lenvironnement proche de lAP. Dans la
suite de lanalyse, nous travaillons avec ce minimum local en 2.35 qui est plus intressant
pour AVAYA1 car il est plus proche des autres valeurs obtenues. Le jeu de mesures PROXIM
prsente un minimum trs diffrent des autres, que nous tenterons dexpliquer plus loin.
La sensibilit de n peut galement tre value. Pour cela, la variation de f = e a t
calcule autour des minimums obtenus pour chaque courbe. La variation de f a t calcule
pour n [nmin 0.05, nmin + 0.05] pour chaque jeu de mesures. La variation moyenne est
de 0.21dB. On peut conclure quil est suffisant de dterminer un indice 0.05.
Lefficacit de chaque solution a t teste sur les jeux de test issus des autres points
daccs. Cette efficacit est mesure en calculant lerreur quadratique moyenne EQM =
Indice n
AVAYA1
AVAYA2
HP
DLINK
ALLIED
PROXIM
2.35
2.35
2.45
2.40
2.45
2.85
Offset
-62
-63
-60
-61.5
-64
-64
Moyenne
des EQM
6.25 / (5.76)
6.12 / (5.58)
6.15 / (5.71)
6.0 / (5.44
7.3 / (6.88)
7.3
Moyenne
des
5.85 / (5.36)
5.86 / (5.33)
5.73 / (5.22)
5.63 / (5.08)
5.72 / (5.27)
6.5
Moyenne
des E
-1.2 / (-1.5)
-0.2 / (-0.65)
0 / (-0.11)
0 / (-0.4)
4.25 / (5.27)
0.9
sur les 6 jeux de test et la seconde la valeur moyenne sur les 5 jeux de tests diffrents du
jeu de test PROXIM.
La solution la plus efficace est la solution obtenue avec le jeu de mesures DLINK qui
garantit une erreur quadratique moyenne de 6.0 dB pour tous les jeux de test. On observe
que si lon ne tient pas compte des points de mesure propres au point daccs PROXIM,
lestimation est bien meilleure avec une EQM de 5.44 dB au lieu de 6.0 dB, et probablement
moins sans ALLIED.
Dautre part, tous les metteurs nmettent pas exactement la mme puissance. Ceci
permet dexpliquer galement la variation des offsets pour les diffrentes solutions obtenues,
notamment pour lAP ALLIED. On observe en effet pour cet AP que lerreur de prdiction
est principalement due une mauvaise valuation de loffset qui est trop faible pour un
indice de 2.45. On a pu vrifier par la suite que lAP ALLIED fonctionnait une puissance
dmission lgrement infrieure aux autres AP.
On peut observer que les donnes issues dun seul AP sont fortement dpendantes
de ces caractristiques physiques mais aussi probablement de son environnement proche
(prsence dobjets mtalliques en champ proche notamment). Ainsi, la recherche dindice
peut savrer plus robuste en prenant en compte dans le calcul de la fonction de cot des
mesures issues de plusieurs AP. Il est aussi prfrable de ne travailler quavec un seul type
dAP, pour saffranchir des variations lies au matriel, notamment en terme de puissance
rayonne quivalente.
Critre N points daccs Pour chaque valeur dindice, on calcule la moyenne moy
des cart types obtenus pour chaque jeu de mesures. Le graphe 4.5 prsente sur la courbe la
variation de lcart type moyen moy en fonction de lindice n. Lindice optimum est obtenu
quand f = moy est minimal. Cet optimum vaut ici min(f ) = 5.9 dB pour n= 2.4. Un
offset moyen de moy = 62 dB permet dannuler lerreur moyenne de prdiction.
Cette solution globale S1 = (n = 2.4, moy = 62) est la solution qui garantit une
erreur minimale pour lensemble des AP.
Les rsultats obtenus en appliquant cette solution sparment chacun des AP sont
prsents dans le tableau 4.3. La seconde ligne donne la valeur moyenne des cart-types de
la fonction erreur pour la solution S1 . Ce tableau rend compte de la qualit des estimations
de puissance pour chaque jeu de test.
119
EQM
e
AVAYA1
6.4
6.1
AVAYA2
5.5
5.5
HP
5.1
5.1
DLINK
4.7
4.7
ALLIED
5.5
4
PROXIM
8.5
8.3
Moyenne
5.9 / 5.4
5.6 / 5.1
Tab. 4.3 EQM et e des 6 jeux de test avec la solution S1 (n = 2.4, moy = 62dB).
On retrouve dans ce tableau 4.3 que le jeu de mesures PROXIM est assez diffrent
des autres, et que le jeu ALLIED ncessiterait un offset diffrent cause de la puissance
dmission diffrente.
Fig. 4.6 Puissances mesure et simule pour chaque jeu de test aprs calibration pour la
solution S1 .
La figure 4.6 donne une comparaison des puissances mesures et prdites pour 4 jeux
120
Conclusion partielle Pour conclure cette partie sur ltude du critre doptimisation en
fonction de lindice de lunique matriau prsent, on peut dire que la solution S1 = (n =
2.4, moy = 62 dB) permet destimer la couverture des points daccs avec une erreur
quadratique moyenne de 5.9 dB. Il est possible damliorer cette valeur en utilisant des
valeurs doffset spcifiques chaque AP (si cela est justifi par des diffrences de puissance
dmission). Dans ce cas, lerreur quadratique moyenne chute ici 5.6 dB. Cependant,
il faudrait vrifier que cette variation doffset nest pas lie sa position dans le plan.
Lensemble des offsets prconiss est donn par le tableau 4.4. Lerreur quadratique
moyenne ainsi obtenue est comparable aux rsultats obtenus dans la littrature relative au
lancer de rayons [61], [124].
Pour cette solution S1 on a observ que les points les plus errons se trouvent en limite
de couverture. Lerreur de prdiction obtenue peut incomber plusieurs facteurs : linadquation de la modlisation un seul matriau, la non prise en compte dun affaiblissement
3D, mais galement le biais des mesures en limite de couverture.
(dB)
AVAYA1
-60
AVAYA2
-62
HP
-61
DLINK
-62
ALLIED
-65
PROXIM
-60
Tab. 4.4 Valeurs des offsets spcifiques chaque AP pour un indice n=2.4
.
Ecart type obtenu pour chaque points daccess en fonction du coefficient daffaiblissement du materiau
9
8
7
6
5
4
3
5
10
10
10
1Alpha (echelle Logarithmique)
10
10
Erreur moyenne obtenue pour chaque points daccess en fonction du coefficient daffaiblissement du materiau
45
AVAYA1
AVAYA2
50
ALLIED
DLINK
HP
55
PROXIM
60
65
70
5
10
10
10
1Alpha (echelle Logarithmique)
10
10
On peut dduire des courbes de la figure 4.7 que la sensibilit du coefficient (1 ) est
de lordre de 1.102 , car en dea, on nobserve plus de variations. La valeur minimale de
est obtenue pour les donne dAVAYA1, AVAYA2, DLINK et HP quand tend vers 1, ce
qui correspond une absorption nulle et toute lnergie est transmise ou rflchie. Le mur
se comporte comme un seul dioptre. Ceci peut se comprendre au vu de la longueur donde
de simulation utilise (s = 62cm) qui est 3 fois suprieure lpaisseur dune cloison de
20 cm.
Les jeux de test ALLIED et PROXIM prsentent une valeur du coefficient diffrente
de 1.0. Un optimum est trouv pour lAP ALLIED quand vaut 0.98. On observe une
amlioration de 0.2 point de lcart type par rapport la valeur de pour = 1.0, ce
qui est faible. Pour les donnes PROXIM, on observe une relle amlioration quand vaut
0.9. Ceci permet probablement de compenser les erreurs de mesures dont nous avons parl
prcdemment.
Cette approche ne permet pas tout fait de conclure quand lintrt du coefficient
, car on a fix lindice du matriau sa valeur optimale lorsque = 1. Pour effectuer
une recherche plus globale, nous avons utilis lalgorithme DIRECT pour chercher une
meilleure solution avec les 2 variables n et . Les valeurs de n appartiennent lintervalle
[1.0, 3.0] et celles de [0.9, 1.0]. Les solutions trouves par lalgorithme sont prsentes
dans le tableau 4.5. En terme de comparaison, les solutions trouves quand seul lindice n
est variable ( fix 1) sont rappeles dans ce tableau.
122
Point daccs
AVAYA1
AVAYA2
HP
DLINK
ALLIED
PROXIM
Sol. = 1
n
e
2.65 5.74
-55
2.35 5.45
-63
2.45 5.08
-60
2.40 4.72 -61.5
2.45 3.76
-64
2.85 5.05
-64
Tab. 4.5 Comparaison des valeurs obtenues aprs optimisation de n et avec les valeurs
obtenues pour = 1 fix.
Conclusion partielle. Les valeurs optimales trouves par lalgorithme sont sensiblement
les mmes que celles obtenues quand on fixe 1. On peut en conclure que le coefficient
daffaiblissement a trs peu dinfluence, en tout cas dans lenvironnement du CITI. En
ralit, ce rsultat se comprend, car ce coefficient intervient en ajoutant de labsorption
au cours de la propagation. Comme les murs sont relativement fins comparativement la
longueur donde de simulation, cette absorption reste ngligeable. Ce rsultat permet de
supprimer la moiti des variables de calibration.
Ecart type obtenu pour chaque point dacces en fonction du coefficient daffaiblissement de lair
140
AVAYA1
AVAYA2
ALLIED
DLINK
HP
PROXIM
120
Ecart type (dB)
100
80
60
40
20
0
6
10
10
10
10
1AlphaAir (echelle Logarithmique)
10
10
Erreur moyenne obtenue pour chaque point dacces en fonction du coefficient daffaiblissement de lair
200
AVAYA1
AVAYA2
ALLIED
DLINK
HP
PROXIM
150
100
50
0
50
100
6
10
10
10
10
1AlphaAir (echelle Logarithmique)
10
10
Fig. 4.8 Ecart type et Offset obtenus en fonction de laffaiblissement de lair air .
123
140
120
100
80
60
40
20
0
1
10
10
3.5
3
2.5
10
1AlphaAir (echelle logarithmique)
2
4
10
1.5
1
Indice
affaiblissement en 1r .
Pour vrifier cette affirmation, nous avons trac sur la figure 4.10 la courbe des puissances mesures et simules dans le couloir du CITI partir du point daccs ALLIED. Ce
sont les points de mesure E18 E6 de la figure 4.1. La rgression linaire obtenue laide
des mesures relles est galement reprsente sur cette figure.
Fig. 4.10 Puissances mesures et simules le long du couloir pour lAP ALLIED.
Lattnuation suit en moyenne une pente de 14 dB par dcade au niveau des points de
mesure, ce qui est assez proche dun modle en r 1 . Dautre part, la cohrence mesuresimulation est assez bonne. On observe une erreur plus importante la fin de la courbe,
quand le niveau de signal dALLIED est faible. Cette erreur provient au moins en partie
de la surestimation de la puissance moyenne des mesures car nous avons vrifi que les
histogrammes des points E8, E7 et E6 sont tronqus sur la gauche.
Conclusion partielle. Lattnuation prdite par le moteur WILDE au CITI est proche
de lattnuation observe dans un milieu en couches. Il est donc inutile dintroduire un coefficient daffaiblissement de lair dans le processus de calibration pour lenvironnement du
CITI. Ce rsultat nous permet de supprimer une des variables du processus de calibration
pour le CITI. Cependant, il serait intressant de tester limpact de ce coefficient dans un
espace ouvert qui prsenterait moins de murs et surtout de grandes hauteurs (hangar, hall,
...).
4.1.3
On peut penser lgitimement que modliser tous les murs avec un seul matriau nest
pas optimal. En effet, nous avons initialement dcrit (cf. section 4.1.1) le CITI laide
de trois matriaux diffrents. Dans cette section, nous introduisons un autre matriau
dans la modlisation : le bton. La rpartition du bton, dindice nb , est identique la
rpartition du bton donne dans la figure 4.1. Le matriau cloison, dindice ncl , regroupe
les cloisons relles et la cloison externe prsentes respectivement en jaune et en rouge sur
la mme figure. Tenant compte des rsultats de la section prcdente, nous nanalysons
125
que linfluence des indices, ce qui permet de garder un nombre restreint de variables et
deffectuer une recherche exhaustive.
Nous avons effectu une estimation de la fonction de cot en faisant varier les indices
des deux matriaux entre 1.0 et 4.0 avec un pas fixe pn = 0.1. Dans la premire partie,
nous tudions comme prcdemment lutilisation dun jeu de mesures provenant dun seul
AP et dans la seconde partie lutilisation dun jeu de mesures provenant des 6 AP prsents
lors de la mesure. La qualit des solutions obtenues est galement value laide dun
critre EQM moyenn sur les diffrents jeux de tests.
2.5
3.5
5
2
3
indice Cloison
1.5
2.5
3.5
2.5
3.5
5
2
3
indice Cloison
indice Beton
indice Beton
1.5
10
1
1.5
2.5
3.5
Ecart type HP
10
2
3
indice Cloison
1.5
2.5
3.5
5
1
2
3
indice Cloison
2
3
indice Cloison
indice Beton
indice Beton
1.5
indice Beton
indice Beton
10
1
1.5
2.5
3.5
5
1
2
3
indice Cloison
Fig. 4.11 Ecarts types e obtenus en fonction des indices nb et ncl pour chaque jeu de
mesures.
Si lon compare ces rsultats avec les solutions obtenues avec un seul matriau on
observe une diminution de lerreur de 0.65 point en moyenne. De mme, une baisse de 4.75
points sur loffset est observe.
126
Point daccs
AVAYA1
AVAYA2
HP
DLINK
ALLIED
PROXIM
Indice
2.3
2.5
1.6
2.5
2.7
1.1
Solutions 2 matriaux
nb Indice ncl
e
P si
3.3
4.6
-66
1.2
3.4
-69
3.3
4.35
-70
2.4
4.4
-61
2.4
3.8
-66
3
5.0
-71
Critres 1 matriau.
e
P si
5.74
-62
5.45
-63
5.08
-60
4.72
-61.5
3.76
-64
5.05
-64
Tab. 4.6 Minima pour les indices bton et cloison obtenus avec chaque jeu de mesures.
Cependant, trois valeurs distinctes dindice des cloisons ont t trouves : 1.2, 2.4 et
3.3. Pour lindice bton, on a quatre solutions centres autour de 2.5. Deux solutions sont
proches de 1.3. Si lon observe les figures reprsentant lerreur pour chaque jeu de mesures
(fig. 4.11), on observe que la dtermination de lindice des cloisons se fait aisment. En
effet, on observe une zone minimale relativement nette pour ncl proche de 2.4, mme si
elle nest pas forcment la zone contenant le minimum absolu. Pour lindice du bton, il
existe plusieurs zones avec des minima locaux. De plus, ces zones ne sont pas forcment les
mmes pour tous les jeux de mesures.
Dans lenvironnement du CITI, les murs en bton ne sont pas trs prsents. En effet, il
nexiste que 3 parois en bton. Deux parois se situent au niveau des faades Est et Ouest
et une paroi divise le btiment en deux dans le sens de la longueur (cf. figure 4.1). Ainsi,
linfluence de la variation de lindice du bton nest pas la mme pour chaque jeu de test : le
nombre de points de test influencs par une variation de lindice du bton varie en fonction
de la position des AP. Cest probablement pour cela quil est plus difficile destimer lindice
du bton et de trouver une valeur gnrique applicable tous les jeux de tests.
Finalement, en intgrant un deuxime matriau, on amliore les prdictions, mais le
modle obtenu pour chaque AP devient trs spcifique, et probablement li lemplacement
de lAP, ce qui nest pas souhaitable. La qualit des solutions obtenues avec chaque jeu de
mesures a t estime en les appliquant tous les jeux de test. Le tableau 4.7 prsente la
moyenne sur les 6 jeux de tests des erreurs quadratiques moyennes, des cart-types et de
lesprance de la fonction erreur de prdiction calculs avec les 6 solutions obtenues. Si lon
compare lefficacit de ces solutions aux rsultats obtenus avec 1 matriau (cf. tab. 4.2),
on observe une erreur en moyenne plus leve de 0.45dB.
Solution
AVAYA1
AVAYA2
HP
DLINK
ALLIED
PROXIM
Indice
Bton nb
2.3
2.5
1.6
2.5
2.7
1.1
Indice
Cloison ncl
3.3
1.2
3.3
2.4
2.4
3
Offset
me
-66
-69
-70
-61
-66
-71
Moyenne
des EQM
7.9
6.5
7.0
5.9
6.8
7.7
Moyenne
des
5.9
6.1
5.8
5.5
5.5
6.9
Moyenne
des E
-3.2
-1.5
-1.3
5.5
3.8
1.6
Tab. 4.7 Moyenne sur les 6 jeux de test des erreurs quadratiques moyennes EQM, des
carts-types et des erreurs moyennes E pour les 6 solutions trouves.
127
11
Indice Beton
10
2.5
9
7
3.5
6
1.5
2.5
Indice Cloisons
3.5
Fig. 4.12 Ecarts types de la fonction erreur de prdiction calcule avec les 6 jeux de
mesures en fonction des indices nb et ncl .
La solution minimale obtenue avec les 6 jeux de mesures prsente un indice bton
nb = 3.9 et un indice cloison ncl = 2.4 (cart type minimum de 5.31 dB). Ce dernier est
identique lindice du matriau unique tudi prcdemment. On observe que lestimation
de lindice du matriau bton est moins prcise. Le critre est infrieur 6dB sur une zone
dindice bton variant de 2.9 3.5. Pour cette plage la variabilit est de 0.08 dB. Il est
donc difficile de trouver une valeur prcise pour le bton.
On peut en conclure que dans la phase de choix de la localisation des points de mesure,
il est ncessaire de rpartir les AP de faon bien couvrir lensemble des diffrents types
de matriaux prsents dans lenvironnement. Ce nest pas le cas ici. La meilleure solution obtenue avec le critre 6 points daccs est la solution S2 = (nb = 3.9, ncl = 2.4,
Offset=-65). La figure 4.13 prsente la puissance mesure et la puissance simule aux
points de mesure pour chaque jeu de mesures. Ce sont les points en limite de couverture
et en particulier pour PROXIM qui sont les moins bien estims, comme prcdemment.
Les points entachs de plus de 8 dB derreur sont les points qui se trouvent en limite de
couverture.
128
Fig. 4.13 Puissance mesure et simule avec la solution S2 calcule pour deux materiaux.
Nb. mat.
2
1
AVAYA1
6.15
6.4
AVAYA2
5.3
5.5
HP
4.6
5.1
DLINK
5.2
4.7
ALLIED
5.0
5.5
PROXIM
7.3
8.5
Moy.
5.6
5.9
Tab. 4.8 Erreurs quadratiques moyennes sur les 6 jeux de tests avec les solutions S1 et
S2 obtenues pour 1 et 2 matriaux
Il est clair quune amlioration des rsultats de prdiction est observe quand on modlise le laboratoire du CITI avec 2 matriaux. On observe une baisse de lEQM de 0.3dB.
Si lon adapte loffset chaque jeu de test, on obtient une EQM de 5.3 dB. Notons aussi
la plus grande stabilit de loffset, avec cette modlisation. En effet, pour les deux AP
AVAYA, identiques, on obtient exactement le mme offset, ce qui ntait pas le cas avec la
modlisation 1 seul matriau.
AVAYA1
-64
AVAYA2
-64
HP
-65
DLINK
-65
ALLIED
-68
PROXIM
-62
Tab. 4.9 Valeurs des offsets spcifiques aux points daccs pour les indices nb = 3.9 et
ncl = 2.4
.
130
4.1.4
Synthse
Dans cette partie, nous avons montr que le simulateur, une fois calibr, pouvait prdire correctement la couverture dun AP 2,4GHz, malgr lutilisation dune frquence
de simulation infrieure, et lutilisation dun modle 2D. Nous avons nanmoins montr
limportance de bien rpartir les points de mesure et de travailler avec plusieurs AP de
mme type. Lutilisation de la mesure de puissance fournie par la carte WiFi est suffisante,
mais il faut faire trs attention aux mesures faites en limite de couverture, qui peuvent
prsenter facilement une valeur biaise.
Ltude relative lenvironnement du CITI modlis laide dun seul matriau a montr que les coefficients daffaiblissement des matriaux avaient trs peu dinfluence.
Ceci peut sexpliquer par la faible paisseur des murs par rapport la taille de la longueur
donde. Toute lnergie est soit transmise, soit rflchie au niveau des murs. Dans ce cas, le
comportement de lindice du matriau suffit modliser le faible affaiblissement cr par
le matriau. Nanmoins, il serait intressant dtudier linfluence de lpaisseur des murs
pour rellement statuer sur lutilit des coefficients daffaiblissement.
Pour le mme environnement, nous avons observ que lintroduction dun coefficient
daffaiblissement de lair infrieur 1.0 navait pas dinfluence sur la qualit de la prdiction. Ainsi le modle daffaiblissement 2D intrinsque au simulateur est appropri la
prdiction de couverture dans des btiments semblables lenvironnement de test. Nanmoins, cette conclusion ne peut tre tendue aux environnement ouverts (halls, patios...)
qui prsentent une attnuation plus importante. De ce fait, il serait bon de mener le mme
type dtude dans un environnement de test ouvert.
En utilisant 2 matriaux pour modliser le CITI, nous avons obtenu une erreur lgrement suprieure 5dB, condition dadapter loffset pour tenir compte des puissances
dmission de chaque type dAP. Dans ce cas, lindice des cloisons vaut ncl = 2.4 et lindice
du bton vaut nb = 3.9.
131
4.2
Lanalyse de la fonction dvaluation nous a permis dobserver que les solutions obtenues les plus stables sont trouves quand on utilise des mesures issues de plusieurs points
daccs de nature diffrente. Dans cette partie, nous allons traiter des performances de
lalgorithme DIRECT utilis pour retrouver les solutions prsentes prcdemment. Nous
allons galement calibrer le CITI avec un modle 3 matriaux. Pour cela, nous allons travailler avec les environnements du CITI 1, 2 et 3 matriaux. Pour chaque environnement,
Les rsultats optimaux trouvs seront donns pour les critres N = 1 et N = 6 points
daccs.
4.2.1
Modlisation un matriau
Lalgorithme DIRECT a t lanc avec 6 instances composes des jeux de tests AVAYA1,
AVAYA2, ALLIED, HP, PROXIM et DLINK pour lenvironnement du CITI compos dun
unique matriau. Dans ce cas, il ny a quune seule variable, lindice n du matriau. Cet
indice est born par lintervalle [1, 10]. Six solutions optimales ont t calcules 0.05
prs dans la partie 4.1.2. Le tableau 4.10 prsente les solutions vers lesquelles DIRECT a
converg, les solutions optimales connues, le nombre ditrations NBI, le nombre dvaluations de fonctions NBE qui ont t calcules en NBI itrations et le temps de traitement
T. Pour chaque solution, le tableau prsente galement la valeur du critre et la valeur
de loffset obtenus dans la partie 4.1.2 o la solution optimale a t trouve par une recherche exhaustive. La dernire ligne du tableau expose les rsultats obtenus pour le critre
constitu avec N = 6 jeux de mesures.
Jeu de test
AVAYA1
AVAYA2
HP
DLINK
ALLIED
PROXIM
6 AP
2.68 5.74
-56
2.38 5.45
-62
2.43 5.05
-61
2.42 4.75
-60
2.46 3.76
-64
2.83 5.05
-63
2.42 5.94
-61.3
n
2.65
2.35
2.45
2.40
2.45
2.85
2.40
Sol. Grille
e
5.74
-55
5.45
-63
5.08
-60
4.72 -61.5
3.76
-64
5.05
-64
5.9
-62
NBI
NBE
T (min)
4
3
4
4
4
4
4
20
14
20
18
18
18
20
20
14
20
18
18
18
20
Tab. 4.10 Tableau comparatif entre les valeurs obtenues avec DIRECT et les valeurs
optimales pour 1 matriau.
Les diffrences entre les valeurs obtenues sur la grille et les valeurs de lalgorithme sont
dune part dues larrondi du pas de la grille et dautre part lalgorithme DIRECT qui
dcoupe les cts des hypercubes en tiers pour tester les solutions.
On observe que lon converge en moyenne en 4 itrations vers la solution optimale pour
tous les jeux de test. Ces 4 itrations ncessitent environ 18 valuations de la fonction de
cot, ce qui est peu. Ainsi, si lon suppose que le temps ncessaire au calcul dune valuation
est de 1 minute (cf. 3.1, 105), le processus de calibration 1 matriau ne ncessite en
moyenne que 18 minutes de traitement pour un environnement de 80 18.4 mtres.
Cette convergence est particulirement rapide car le minimum se trouve en 2.4, ce
qui est trs proche du centre du premier intervalle test (cube 1 dimension). En effet,
lors du premier dcoupage de lintervalle de cot 9, on va calculer les solutions qui se
trouvent lindice 2.5, 5.5 et 8.5. Lintervalle contenant lvaluation de lindice 2.5 sera
132
4.2.2
Les mmes instances ont t utilises pour tester lalgorithme DIRECT avec 2 variables,
les indices du bton nb et des cloisons ncl . Le tableau 4.11 rsume les rsultats obtenus.
Lalgorithme a t lanc pour une plage de variation des indices cloison et bton de [1.0, 4.0].
Nous avons utilis la mme valeur du paramtre = 1.104 et la limite de taille des hyperrectangles vaut 0.045. On rappelle que les valeurs de la grille ont t calcules 0.01 prs.
Jeu de test
AVAYA1
AVAYA2
HP
DLINK
ALLIED
PROXIM
6 AP
Sol. optim
nb
ncl
2.26 3.26
2.44 1.2
1.6
3.3
2.5
2.4
2.5
2.4
1.1
3.0
3.99 2.4
DIRECT
e
4.6
-66
3.34
-69
4.4
-70
4.4 -61.5
4.4 -61.5
4.7
-71
5.57
-65
nb
2.3
2.5
1.6
2.5
2.7
1.1
3.9
Sol.
ncl
3.3
1.2
3.3
2.4
2.4
3
2.4
Grille
e
4.6
3.4
4.35
4.4
3.76
5
5.6
-66
-69
-70
-61.5
-66
-71
-65
NBI
NBE
T (min)
11
13
25
29
13
99
9
100
115
315
289
136
1440
80
100
115
315
289
136
1440
80
Tab. 4.11 Tableau comparatif entre les valeurs obtenues avec DIRECT et les valeurs
optimales pour 2 matriaux.
On observe que lon arrive bien retrouver les valeurs optimales calcules laide de
la grille. La figure 4.14 reprsente lvolution du critre en fonction du nombre ditrations
133
pour les instances issues des jeux de mesure 1 point daccs. Pour certains jeux de test, il
faut une centaine dvaluations de fonctions pour converger, ce qui est peu. Encore une fois,
la convergence est rapide car lindice optimal des cloisons se trouve au centre de lintervalle
[1.0, 4.0].
6.5
Proxim
Allied
Avaya1
Avaya2
HP
Dlink
5.5
4.5
3.5
3
0
10
10
10
Iterations
Fig. 4.14 Evolution du critre en fonction du nombre ditrations pour les 6 instances
1AP.
Par contre, pour le jeux de test PROXIM, il a fallu 1440 valuations cause de la
prsence dun autre optimum prsent aux indices nb = 2.4 et ncl = 3.3 vers lequel on
converge au bout de 12 itrations. Cet optimum est atteint rapidement car il est proche
des premires solutions testes par lalgorithme sur lintervalle [1, 4]. Il faut attendre que
lalgorithme slectionne un hyper-rectangle centr autour du minimum pour quil y ait une
seconde convergence vers celui-ci. Pour ce jeu de test, les performances sont mauvaises car
il a fallu raliser autant dvaluations que pour un calcul de grille sur lintervalle [1.0, 4.0]
avec un pas de 0.08.
Les indices obtenus avec le critre 6 AP sont trouvs aprs 80 valuations de fonctions.
Si une valuation dure une minute, ceci reprsente 1h20min de calcul. Le calcul effectu
avec ce critre converge plus rapidement. Si lon observe la fonction dvaluation calcule
sur la grille (cf. Fig. 4.12, p.128) , on observe que la zone comportant le minimum prsente
des valeurs dcart type nettement infrieures aux autres optimums locaux. Ceci nest pas
le cas pour les critres un point daccs. Comme la solution optimale est bien infrieure
aux autres, lalgorithme converge plus rapidement vers celle-ci. Ceci nous conforte dans
lide que le critre 6 AP est plus efficace que le critre un seul point daccs.
134
On observe que pour le critre 6 AP la valeur de lindice du bton est plus proche de
4.0 que de 3.9. La recherche de loptimum sur la grille na pas test la valeur nb = 4.0. Si la
valeur de lindice du bton augmente, on observe une faible diminution de e . Par exemple,
pour nb = 10.0, on a e = 5.527, pour nb = 100 on a e = 5.51964 et pour nb = 1000,
e = 5.51957. Ce phnomne est prsent sur le graphe 4.15 qui montre lvolution du
critre en fonction de lindice du bton quand lindice des cloisons est fix 2.4.
Evolution de e en fonction de lindice du beton indice cloison = 2.4
8
Ecart type e
7.5
6.5
5.5
10
15
Indice Beton
Fig. 4.15 Ecarts types e obtenus en fonction de lindice du bton nb avec le critre 6
AP. ncl = 2.4
On peut conclure que pour lenvironnement du CITI il suffit de choisir un indice bton suprieur 5.0, correspondant une rflexion totale. Pour un environnement deux
matriaux, on fixe la solution optimale :
S2 = (nb = 5.0, ncl = 2.4, = 65 dB)
En termes doptimisation, la modlisation un seul matriau est plus intressante, car
elle ne dtriore que peu le rsultat, et loptimum est obtenu beaucoup plus rapidement.
4.2.3
les mmes que prcdement. Comme on ne connait pas lavance les solutions optimales,
nous avons stopp la rsolution au bout de 1000 itrations.
Les solutions obtenues sont prsentes dans le tableau 4.12.
Jeu de test
AVAYA1
AVAYA2
HP
DLINK
ALLIED
PROXIM
6 AP
nb
2.46
2.45
4.25
2.45
2.5
2.35
5.4
ncl
2.51
1.2
2.35
2.4
2.4
3.5
2.4
ncv
1.81
1.0
2.65
5.0
2.8
2.65
1.3
e
3.9
3.3
4.35
3.85
3.3
4.7
5.4
-59
-70
-67
-64
-66
-69
-65
Itrations
86
373
87
127
9
148
313
Evaluations
985
4461
1453
1685
99
2287
5573
T (min)
985
4461
1453
1685
99
2287
5573
Tab. 4.12 Tableau des solutions obtenues avec DIRECT pour 3 matriaux.
La moyenne des cart-types minimaux (e du tableau 4.12) que lon obtient en optimisant les indices avec des jeux de tests un point daccs est de 3.9. Quand on calcule la
mme moyenne avec les donnes 1 matriaux (e du tableau 4.1), on obtient une valeur
de 5.0 et pour les donnes 2 matriaux (e du tableau 4.6), on obtient une moyenne de
4.3. Si lon adapte les indices un seul point daccs, on arrive obtenir une meilleure
estimation de la puissance si lon augmente le nombre de matriaux.
6
Proxim
Allied
Avaya1
Avaya2
HP
Dlink
5.5
4.5
3.5
3
0
10
10
10
10
Iterations
Fig. 4.16 Evolution du critre en fonction du nombre ditrations pour les 6 instances
1AP.
Par contre, on observe quil faut bien plus ditrations pour converger vers une solution
intressante. Il faut en moyenne 1830 valuations de fonctions quand on estime 3 indices
tandis quil suffit de 18 valuations en moyenne pour estimer 1 seul indice.
136
La figure 4.16 prsente lvolution du critre en fonction des itrations de calcul DIRECT pour les instances 1AP. La courbe dvolution du critre pour linstance 6 points
daccs est donn dans la figure 4.17.
Ds la premire itration de linstance six points daccs, on trouve une solution avec
un cart type de 5.8 dB. Ceci est d au choix des intervalles de dpart. En effet, lindice
qui influence le plus la valeur du critre est lindice des cloisons. Or, lhypercube de dpart
est centr autour de la solution (nb = 5.5, ncl = 2.5, ncv = 3). La convergence vers la valeur
dindice de cloison de 2.4 se fait en 4 itrations. Cest le choix des autres indices qui est
plus long. Il serait intressant dobserver sur quels points agissent les variations dindices
bton ou cloison vitre.
Fig. 4.17 Evolution du critre et des indices en fonction du nombre ditrations pour
linstance 6 AP.
La premire solution trouve par DIRECT avec le critre 6AP prsente un indice bton
nb = 7.16, un indice cloison ncl = 2.5 et un indice des cloisons vitres ncv = 3.0. Loffset
vaut alors -63.5 dB. La fonction dvaluation de cette solution est suprieure de 0.4 dB
par rapport la fonction minimale obtenue qui vaut 5.4 dB. La solution optimale prsente
un indice bton nb = 5.4, un indice cloison ncl = 2.4 et un indice des cloisons vitres
ncv = 1.3. Ces valeurs sont bien diffrentes de la premire solution. Si on calcule lefficacit
de cette solution pour les 6 jeux de tests en se basant sur la moyenne des EQM de chaque
instance, on obtient une performance de 5.9 dB derreur moyenne. La solution minimale
prsente une efficacit de 5.3 dB pour les 6 instances, ce qui est bien meilleur. Mme si les
premires solutions obtenues avec DIRECT sont intressantes, le gain en qualit au terme
du processus nest pas ngligeable. Mais il nest pas ncessaire dattendre 313 itrations
pour slectionner une solution. En effet, la figure 4.17 nous montre que le critre est proche
de 5.4 dB au bout de 47 itrations aprs avoir ralis 650 valuations de fonction.
Lalgorithme DIRECT a donc russi a trouver un minimum, au moins local, et probablement global, si on compare aux rsultats de modlisation 1 ou 2 matriaux.
Il est intressant danalyser les solutions trouves avec ce modle normalement plus
raliste. Les solutions obtenues avec les jeux de tests utilisant un seul point daccs sont
137
bien diffrentes lune de lautre. Lefficacit des solutions trouves est prsente dans le
tableau 4.13. Cette efficacit est encore value laide du calcul des EQM pour chaque
jeu de tests. Ces rsultats confirment les rsultats trouvs prcdemment : lutilisation dun
seul AP pour effectuer les mesures conduit des solutions spcifiques au placement de lAP.
Jeu de
test
AVAYA1
AVAYA2
HP
DLINK
ALLIED
PROXIM
6 AP
Indice
nb
2.46
2.45
4.25
2.45
2.5
2.35
5.4
Indice
ncl
2.5
1.2
2.35
2.4
2.4
3.5
2.4
Indice
ncv
1.8
1.0
2.65
5.0
2.8
2.65
1.3
Offset
-59
-70
-67
-64
-66
-69
-65
Moyenne
des EQM
6.5
6.4
5.4
5.65
6.6
10.3
5.3
Moyenne
des
5.8
6.0
5.0
5.05
5.1
6.7
5.2
Moyenne
des E
0.7
0.8
-0.4
0.2
-3.8
2.7
0
Tab. 4.13 Moyenne sur les 6 jeux de tests des erreurs quadratiques moyennes pour les
solutions trouves avec 3 matriaux.
Cest donc bien entendu avec le critre 6 points daccs que lon obtient la meilleure
solution. Cette solution S3 = (nb = 5.4, ncl = 2.4, ncv = 1.4) prsente des valeurs dindice
ralistes. Lindice des cloisons est identique celui de la solution un matriau S1 = (n =
2.4). Lindice du bton est galement proche de lindice du bton obtenu pour 2 matriaux.
Les performances de toutes les solutions sont rappeles dans le tableau 4.14. Si lon
compare la performance de la solution S3 avec celle des solutions S1 et S2 , le critre est
lgrement amlior.
Solution
S1
S2
S3
Nb.
matriaux
1
2
3
Indice
nb
5.0
5.4
Indice
ncl
2.4
2.4
2.4
Indice
ncv
1.3
Offset
-62
-65
-65
luation est trs "cahotique", L devra tre choisi trs petit. Par contre, plus la fonction se
rapproche dune fonction lisse variations lentes, plus L pourra tre grand.
Quand on observe les fonctions dvaluation du problme de calibration, on se rend
compte quelles sont relativement lisses. Lalgorithme doptimisation prsent ci-avant devrait permettre de converger plus rapidement vers une bonne solution. Le critre darrt
sera plus restrictif puisque lon supprime des hyper-rectangles au fur et mesure.
4.2.4
Conclusion
La premire remarque que lon peut effectuer traite de lefficacit de lalgorithme DIRECT : il converge vers une bonne solution, cependant il met du temps converger si deux
optimums locaux sont proches et que le critre est peu discriminant.
Dautre part, la solution la plus stable obtenue pour chaque environnement test est
bien celle calcule laide du critre 6 points daccs. Celui-ci est moins influenc par les
proprits intrinsques des antennes (gain, directivit ...).
En analysant les rsultats en terme defficacit, on peut conclure que si lon modlise
plus fidlement lenvironnement de test en augmentant le nombre de matriaux prsents,
on amliore les rsultats destimation. Cependant, on augmente galement le nombre de
variables ce qui allonge considrablement le temps ncessaire la calibration du moteur.
Dans sa version actuelle, la modlisation un matriau ne ncessite que 20 minutes de
traitement, tandis que la modlisation 3 matriaux dure au moins 650 minutes (soit
11 heures) pour le critre 6 points daccs. Il est cependant possible damliorer les
performances de lalgorithme DIRECT en diminuant la taille des intervalles de recherche
des indices et en optimisant le choix depsilon.
Le principal inconvnient de la mthode DIRECT est la lenteur de convergence locale.
Il serait intressant de crer une procdure doptimisation utilisant DIRECT mais qui,
partir dune certaine taille dhyper-rectangle, rajoute une recherche par descente pour
converger plus rapidement. Cependant le problme de temps est li au calcul du prtraitement complet, ncessaire chaque changement de valeur de paramtre. Il serait donc
souhaitable de rduire le temps de traitement en diminuant le temps mis pour valuer
une seule solution. Des travaux sont en cours pour acclrer le pr-traitement du calcul de
couverture.
Une autre possibilit pour acclrer la phase de calibration consisterait ne travailler
dans cette phase que sur une partie de lenvironnement, pour rduire la taille du problme.
Mais pour cela il est ncessaire de vrifier que la solution obtenue de cette manire donne
des rsultats corrects sur lensemble de lenvironnement.
Comme le cot de traitement dune seule valuation de fonction est important, il serait
intressant dimplanter une heuristique de recherche qui limite encore plus le nombre dvaluations de f . Pour cela, nous pensons quil serait intressant dimplanter un algorithme de
recherche globale de type Response Surface Modelling (RSM). Ces algorithmes, prsents
dans [125], utilisent les points dj tests de la fonction de cot pour obtenir une interpolation de ladite fonction. Cest la forme de la fonction interpole de f qui guide la recherche.
A chaque itration, linterpolation est mise jour avec les nouvelles valuations de f . Ce
type dalgorithme permet, daprs D.R.Jones [125], de limiter le nombre dvaluations.
139
4.3
4.3.1
Rsultats et conclusions
Mode de validation
Dans les 2 parties prcdentes, nous avons toujours travaill avec le mme jeu de donnes. Dans cette partie, la qualit des trois solutions S1 , S2 et S3 trouves pour lenvironnement du CITI est value sur dautres jeux de donnes. Nous avons cherch conclure
quant aux points suivants :
La stabilit dans le temps. ( cf. p.141) Les solutions sont testes avec un autre jeu
de mesures dans le mme environnement, les positions des points daccs tant les
mmes.
La stabilit spatiale dans le mme environnement. ( cf. p.142) Les solutions sont
testes avec un autre jeu de mesures pour dautres positions de point daccs.
La portabilit vers un autre environnement.( cf. p.142) Les solutions sont testes avec
un autre jeu de mesures, avec dautres points daccs dans un autre environnement
de test.
La deuxime campagne de mesures
Pour statuer sur les deux premiers points, les trois solutions ont t testes avec un nouveau jeu de mesures ralis au CITI. Cette nouvelle campagne de mesures, contrairement a
la prcdente, a t ralise pendant une journe de travail conventionnelle. Loccupation
des lieux tait moyennement dense. Lors de la campagne de mesures prsente en 4.1.1, le
btiment tait quasi vide. La figure 4.18 prsente la rpartition spatiale des 15 points de
mesure qui ont t raliss.
Fig. 4.18 Rpartition des points de mesure au 2me tage du btiment Lonard de Vinci
- 2e campagne de mesures.
Lors des mesures, seuls trois points daccs sont prsents : AVAYA1, AVAYA2 et ALLIED. Les deux premiers nont pas chang de position tandis quALLIED a t plac dans
une autre pice. Les mesures relatives aux deux premiers points daccs vont permettre de
statuer quant la stabilit temporelle des solutions. Les mesures relatives ALLIED vont
permettre de tester la stabilit des solutions dans un mme environnement.
Pour tester la portabilit des solutions, celles-ci ont t utilises pour prdire la puissance reue aux points de mesure du jeu de mesures BuildingG (cf. 4.3, p. 116).
Tests raliss
Le tableau 4.15 regroupe les rsultats obtenus lors de la seconde campagne de mesure
du CITI. Sur chaque ligne, on rsume les rsultats dune solution en terme dcart type
140
e
4.0
4.9
4.3
AVAYA1
Me EQM
-3
6.1
-2
5.3
-2
4.8
e
6.1
4.5
5.0
AVAYA2
Me EQM
-2
6.4
-2
4.9
-2
5.4
e
4.9
4.6
5.3
ALLIED
Me EQM
-7
8.5
-5
6.8
-5
7.3
e
5.1
4.6
5.0
3AP
Me EQM
-5
7.1
-3.5
5.8
-3
5.8
Tab. 4.15 Ecart type, Moyenne et EQM des erreurs de prdiction avec S1 , S2 et S3 pour
le second jeu de tests du CITI.
Le tableau 4.16 prsente les rsultats obtenus avec le second environnement de tests
BuildingG (Fig.4.3, 116). Pour chaque solution, on a calcul la moyenne Me , lcart type
e et lEQM des erreurs de prdiction. Dans cet environnement, un seul point daccs de
type 802.11b est prsent.
Solution
S1
S2
S3
e
4.0 dB
4.9 dB
4.3 dB
Me
-3 dB
-2 dB
-2 dB
EQM
6.1 dB
4.5 dB
5.0 dB
Tab. 4.16 Ecart type,Moyenne et EQM des erreurs de prdiction avec S1 , S2 et S3 pour
le jeu de tests de BuildingG.
4.3.2
Analyse
AVAYA1
Calibration Jeu 2
6.4 dB
6.1 dB
6.1 dB
5.3 dB
5.1 dB
4.8 dB
AVAYA2
Calibration Jeu 2
5.5 dB
6.4 dB
5.3 dB
4.9 dB
5.3 dB
5.4 dB
Tab. 4.17 Comparaison des EQM issues des solutions S1 , S2 et S3 pour les jeux de tests
relatifs aux points daccs AVAYA1 et AVAYA2.
Le second jeu de tests prsente des erreurs quadratiques moyennes proches de celles
141
observes avec le jeu de tests de calibration pour toutes les solutions. Seule lvaluation
de S1 avec le nouveau jeu de tests AVAYA2 est plus mauvaise que lvaluation du jeu de
tests de calibration. On peut conclure que les trois solutions obtenues permettent destimer
la couverture pour un mme point daccs des moments diffrents avec la mme EQM.
Ces solutions peuvent tre considres pour lenvironnement du CITI comme tant stables
dans le temps.
La stabilit spatiale dans le mme environnement
Il est question ici de statuer sur la stabilit spatiale des solutions pour un mme environnement. Pour cela, on peut exploiter les rsultats relatifs au point daccs ALLIED
issus de la seconde campagne de mesure du CITI. La position du points daccs ALLIED
ainsi que son orientation ne sont pas les mmes pour le jeu de tests de calibration et le
second jeu de tests. Le jeu de tests de calibration comporte 175 points de mesure et lautre
jeu en compte 15.
Les rsultats du tableau 4.15 montrent que les erreurs de prdiction prsentent un
cart type peu lev (4.9 dB en moyenne) mais une erreur moyenne importante (-5.6 dB en
moyenne). Si lon compare les valeurs de Me du tableau 4.18, on observe une diminution
de 2 dB de Me entre les deux jeux de tests pour les solutions S2 et S3 , ce qui est peu. Pour
la solution S1 , on observe une diminution de 4 dB pour le second jeu de tests. Ces carts
sont du mme ordre de grandeur que les carts de moyenne observs pour AVAYA1 et
AVAYA2. Ils peuvent donc tre simplement imputs aux changements de lenvironnement
au moment des tests. Comme nous lavons observ, la variabilit des mesures est de 3 dB,
ce qui peut expliquer lcart entre les valeurs moyennes Me .
Solution
S1
S2
S3
Jeu de calibration
e
Me
EQM
4.5 dB -3 dB 5.5 dB
4.0 dB -3 dB 5.0 dB
4.4 dB -2 dB 4.8 dB
e
4.9 dB
4.6 dB
5.3 dB
Jeu 2
Me
-7 dB
-5 dB
-5 dB
EQM
8.5 dB
6.8 dB
7.3 dB
Tab. 4.18 Comparaison de e , Me et EQM issus des solutions S1 , S2 et S3 pour les deux
jeux de tests ALLIED.
La portabilit vers un autre environnement
Les trois solutions ont t testes avec un environnement diffrent du CITI constitu du
mme type de matriaux. Lenvironnement BuildingG (Fig.4.3, 116) prsente des murs en
bton sur les faades extrieures entrecoupes de portes vitres en verre. La majeure partie
des murs internes sont des cloisons fines. Le tableau 4.16 prsente lEQM, la moyenne et
lcart type des erreurs de prdiction.
En terme de comparaison, on rappelle la valeur moyenne des EQM obtenues avec les
jeux de test de calibration pour les trois solutions :
S1 : EQM = 5.9 dB
S2 : EQM = 5.6 dB
S3 : EQM = 5.3 dB
On observe que les erreurs quadratiques moyennes sont du mme ordre de grandeur que
les EQM obtenues avec les jeux de tests de calibration. Lcart type des erreurs de prdiction
est peu lev (4.4 dB en moyenne). La moyenne des erreurs de prdiction est faible (2.3 en moyenne). On peut conclure que les trois solutions sont portables vers dautres
142
4.3.3
Conclusions
143
144
Introduction
Cette dernire partie du manuscrit a pour objectif de dcrire la stratgie de planification
que nous avons construite au cours de cette thse. Elle sinscrit dans la continuit de ltat
de lart car elle propose des solutions aux questions qui y ont t souleves. Les principales
avances prsentes dans ces travaux sont dune part lutilisation du moteur de prdiction
de couverture radio prsent dans la partie 2.3, dautre part la dfinition de nouveaux
critres de planification et la proposition dheuristiques qui prennent en compte le caractre
multiobjectif du problme.
Ce premier chapitre prsente la modlisation employe dans notre stratgie de planification. Nous avons choisi dadopter un formalisme principalement combinatoire du problme
doptimisation. Lespace des solutions est de ce fait discret et le choix des positions candidates des AP est directement li la gomtrie des lieux. Pour cela, nous exploitons la
structure pyramidale du modle de propagation MR-FDPF. Ce formalisme est prsent
dans la section 5.1.
La partie 5.2 prsente les critres de planification que nous avons dfinis pour optimiser
la couverture, rduire les interfrences et prendre en compte la QoS en terme de dbit
et de localisation. Par soucis de clart, nous avons choisi dillustrer ces critres avec les
solutions optimales et des solutions non optimales. Les solutions optimales sont issues des
algorithmes de recherche prsents dans la seconde partie. Ainsi, nous commenons par
prsenter la qualit des rsultats puis nous prsentons les algorithmes qui ont permis des
les trouver.
Le chapitre 6 prsente les trois algorithmes doptimisation que nous avons dvelopps
au cours de cette thse. Deux heuristiques mono-objectif et une heuristique multicritre
sont prsentes. Leur mise en oeuvre et leurs performances y sont galement analyses .
146
CHAPITRE
5
5.1
Modlisation du problme
wLP
Variables et contraintes
Nous avons choisi de dfinir un ensemble discret des positions candidates pour les
raisons suivantes :
Pour que ce choix soit pertinent, il faut quune position candidate soit reprsentative
des positions candidates proches delle. Comme nous lavons dj prsent dans la partie
I (p.8), la section 1.2 et plus particulirement laide de la figure 1.8 (p.20), deux
metteurs placs dans la mme pice prsentent des cartes de couverture similaires. Les
seules diffrences que lon peut observer se trouvent la priphrie de leurs zones de service.
De ce fait, nous allons chercher slectionner au moins une position candidate par pice.
Pour cela, nous exploitons le dcoupage multi-rsolution inhrent la mthode de
prdiction de couverture MR-FDPF prsente au chapitre 3. Nous dcrivons les choix
raliss pour, la fois, placer les AP candidats et calculer les cartes de couverture dans le
processus de planification.
5.1.1
Nous avons choisi dexploiter le dcoupage en blocs homognes la fois pour calculer
les cartes de couverture des AP candidats et pour les positionner dans le plan. Ainsi, nous
positionnons les M points daccs candidats du processus de planification au centre des
blocs homognes dfinis dans la pyramide MR-FDPF.
Fig. 5.1 Rpartition des positions candidates au centre des blocs homognes de lenvironnement Foch.
Borne minimale On observe sur la figure 5.1 quil existe des portions du plan o la
rpartition des AP candidats est bien trop dense. Dans ce cas, lalgorithme de dcoupage
de lenvironnement MR-FDPF a cr beaucoup de blocs homognes de petite surface
cause de la prsence dobstacles plus frquente. Pour viter la redondance dAP candidats
similaires, il faut borner la taille des blocs homognes slectionns pour placer un AP par
une surface minimale Amin .
Borne maximale On observe sur la figure 5.1 quil y a peu dAP placs dans les zones
extrieures au btiment. En ces zones, il y a peu dobstacles et lalgorithme de construction
de la pyramide MR-FDPF cre de trs grands blocs homognes. Ces AP ne sont pas
reprsentatifs du comportement dun point daccs prsent dans le mme bloc homogne
que lui. Pour que cette hypothse soit vrifie, il est ncessaire de borner la taille des blocs
homognes slectionns par une surface maximale Amax .
Liste des blocs candidats Dans la suite du document, nous dsignons lensemble des
blocs homognes slectionns pour contenir un AP candidat par : la liste des blocs candidats. Cette liste est dtermine par un parcours rcursif de larbre de MR-blocs. Les blocs
homognes de surface suprieure Amin et de surface infrieure Amax sont rajouts dans
la liste :
Lors de la recherche, si un bloc homogne Bhl prsente une surface suprieure
Amax , la recherche est poursuivie dans larbre pour slectionner les plus grands blocs
issus de Bhl qui prsentent une surface infrieure Amax .
Si sur une branche de larbre on trouve des blocs homognes ayant une surface infrieure Amin , on recherche parmi ses fils le plus grand bloc homogne et on le
rajoute la liste. Cette condition permet de toujours trouver un candidat dans une
zone de surface Amin .
148
Fig. 5.2 Rpartition des positions candidates avec prise en compte de Amin et Amax .
Fig. 5.3 Rpartition des positions candidates avec prise en compte dAmin et Amax
lintrieur du btiment.
5.1.2
Paramtres antennaires.
Lapproche discrte choisie est galement utilise pour caractriser les paramtres antennaires tels que la puissance dmission P k et lazimut k dun point daccs k.
Puissances dmission. Un ensemble discret des puissances dmission est dfini par
rapport une puissance de rfrence Pref en dBm et un cart absolu dP cette puissance.
Typiquement, on peut choisir la valeur de P k dans un ensemble de puissance compris
dans lintervalle [Pref dP, . . . , Pref + dP ]. Les cartes de couvertures sont calcules avec
la puissance de rfrence Pref .
Pour prendre en compte un changement P de puissance dmission sur la couverture
dun AP, il suffit dajouter le mme changement P aux prdictions calcules avec la
puissance Pref .
Azimut Lespace discret des azimuts possibles est dfini partir du nombre de directions
ND :
{
2d
ND ,
d N, d ND 1 }
Pour chaque azimut, il est ncessaire de calculer une carte de couverture. Ainsi, si lon
a M AP candidats, il est ncessaire de calculer ND M cartes de couvertures.
5.1.3
Cartes de couverture.
Pour limiter le temps de calcul dune carte de couverture, nous avons choisi de ne calculer la couverture quaux endroits o il est ncessaire de garantir un service aux utilisateurs.
Par exemple, on ne calculera la couverture dun AP candidat qu lintrieur dun btiment
pour le dploiement dun rseau indoor.
150
Pour cela, nous avons dfini des zones de QoS dlimitant les aires de service. Ainsi, le
calcul des critres de planification ne se fait que sur ces zones de QoS. Avec la mthode MRFDPF, on estime la couverture des AP candidats que pour lensemble des blocs homognes
appartenant ces zones de QoS.
On dsigne par la liste des blocs couvrir lensemble des blocs homognes prsents
dans les zones de QoS. Ces blocs homognes sont slectionns par le mme processus que
ceux de la liste des blocs candidats. Pour cela, une taille minimale et maximale des blocs
couvrir est fixe. Le nombre de blocs de la liste est dsign ici par la valeur Nc .
Pour lenvironnement prsent dans la figure 5.3, le temps de traitement pour obtenir
une carte de couverture la rsolution des blocs homognes sur tout lenvironnement est
de 1,1 seconde. En rduisant la zone de service au seul btiment et en limitant la surface
des blocs homognes entre Amin = 600 pixels2 et Amax = 8000 pixels2 , on rduit le temps
de calcul dune carte de couverture 700 millisecondes. On observe un gain de 35 % sur le
temps de calcul des cartes de couverture.
5.1.4
Reprsentation matricielle
HCM =
F11
...
F1i
...
F1M
. . . Fj1
... ...
. . . Fji
... ...
. . . FjM
. . . FN1 c
... ...
. . . FNi c
... ...
. . . FNMc
(5.1)
(5.2)
(5.3)
151
5.2
Critres de planification
Cette section prsente les critres doptimisation que nous avons choisis et qui seront
utiliss dans le processus de planification. Ces critres sont soit agrgs dans une unique
fonction optimiser, soit exploits dans une stratgie de recherche multiobjectifs. Nous
avons dfini des critres de couverture, dinterfrences et de qualit de service. Les critres
de QoS permettent soit de garantir un dbit par utilisateur minimal, soit damliorer la
localisation dun utilisateur mobile.
Les critres que nous avons dfinis utilisent une fonction de mesure fmes qui quantifie
la qualit dun bloc de la liste des blocs couvrir (cf. paragraphe 5.1.3, page 150) :
Bl fmesl
(5.4)
Les fonctions de mesure dfinies ci-aprs quantifient lerreur entre une grandeur qui caractrise le bloc (puissance, dbit, etc ...) et une valeur objectif. Les critres de planification
dfinis partir de fmes ont la forme suivante :
s X
f=
l .fmes2l
(5.5)
Bl ,l[1..Nc ]
2
la mesure de performance du rseau. Nous rappelons que EQM = m + 2 , o m dsigne
la valeur moyenne de la fonction de mesure et lcart-type de cette mesure.
Tous les critres prsents dans ltat de lart (cf. partie 1.3, p. 23) ne minimisent
quune valeur moyenne de la mesure de fiabilit du rseau. Nos critres quadratiques sont
plus discriminants car pour deux solutions qui prsentent une mme valeur moyenne, cest
la solution qui prsente la variance la plus faible qui est slectionne.
5.2.1
Critres de couverture
Nous avons dfini deux critres doptimisation de la couverture radio. Le premier critre
cherche garantir une couverture homogne pour tous les utilisateurs. Le second critre,
un critre seuil born, garantit un utilisateur dobtenir une couverture radio suffisante
pour un systme IEEE 802.11.
Critre de couverture homogne
Ce critre garantit lhomognit de la couverture. Il a t prsent dans les travaux
[32], [126]. Il pnalise les solutions pour lesquelles la variance de la distribution des niveaux
de puissance de la carte de couverture est leve.
Ce critre est dfini partir des puissances reues Fl sur les Nc blocs couvrir. En
chaque bloc, la valeur maximale reue des N points daccs est considre comme la puissance Best Serveur du bloc. Cette puissance est rfrence par FlBS .
La fonction de mesure fmesl du critre dhomognit est de la forme :
fmesl = max(F BS FlBS , 0)
FlBS
(5.6)
des puissances reues. Seuls les points qui prsentent un cart ngatif la valeur moyenne
des niveaux de puissance sont pris en compte dans le calcul de fmes. De ce fait, les blocs
proches dun AP, qui prsentent forcment un cart de puissance important par rapport
la moyenne, ne sont pas pris en compte dans le critre.
Le critre fhom , dfinit laide de la fonction de mesure de lquation 5.6, est valable
puissance dmission P k fixe. En effet, si on cherche minimiser ce critre avec P k
variable, la solution optimale obtenue revient choisir P k = 0.
SOK
dBm
-40
-80
SNOK
dBm
-40
-80
Fig. 5.4 Prsentation dune bonne et dune mauvaise solution au sens du critre fhom .
Pour SOK , fhom = 3.1 et pour SN OK , fhom = 13.8
La figure 5.5 reprsente la distribution des niveaux de puissance best serveur FlBS pour
les deux solutions SOK et SN OK . On observe bien que le critre fhom privilgie les solutions
qui prsentent un histogramme o la majeure partie des chantillons est proche de la valeur
moyenne, et ce plus particulirement pour les valeurs infrieures la moyenne.
153
SOK
SNOK
100
140
90
120
80
70
100
60
80
50
60
40
30
40
20
20
10
0
100
90
80
70
60
50
40
30
0
100
90
Puissance (dBm)
80
70
60
Puissance (dBm)
50
40
30
SOK
SN OK
fhom
3.1
13.8
F BS
-51 dBm
-64 dBm
19 dB
5 dB
PF 80dBm
100 %
65 %
Tab. 5.1 Performances des solutions SOK et SN OK obtenues avec le critre homogne.
Le critre dhomognit favorise naturellement une solution avec une puissance moyenne
leve. Ceci rsulte en une meilleure rpartition de la puissance mise par les AP. De ce
fait, avec une mme puissance dmission et un mme nombre de points daccs que SN OK ,
la solution SOK assure une couverture complte de lenvironnement -80 dBm.
Il nest pas possible dutiliser ce critre pour dterminer le nombre optimal de points
daccs car plus il y a dAP prsents dans la solution, plus le critre fhom est petit. Pour
pouvoir utiliser ce critre avec un nombre dAP variable, il est ncessaire de lutiliser
conjointement avec un critre qui minimise le nombre de points daccs.
si FlBS SM ,
0
BS
fmesl =
| SM Fl | si Sm FlBS SM ,
| SM Sm |
si FlBS Sm ,
(5.7)
Les seuils SM et Sm sont deux seuils de puissance haut et bas. Si la puissance FlBS est
infrieure Sm , la pnalisation maximale est applique. Au-dessus de SM , le bloc Bl nest
pas pnalisant pour f . Toutes les valeurs du critre sont ainsi bornes entre 0 et SM Sm .
Entre ces deux valeurs, une pnalisation linaire est utilise, ce qui permet de discriminer
la qualit de deux solutions similaires.
Nous avons choisi dutiliser les seuils de puissance qui permettent avec un rseau 802.11
de changer de rapidit de modulation. Dans ce cas, le niveau de puissance ncessaire la
transmission 1 Mbits/sest affect Sm et le niveau de puissance ncessaire la transmission 11 Mbits/sest affect SM . Ainsi, les blocs qui ne permettent pas de transmettre
1 Mbits/ssont les plus pnalisants. Les blocs qui permettent la meilleure transmission
possible 11 Mbits/sont une fonction de mesure nulle. Une valeur de fmes intermdiaire
est obtenue pour tous les blocs qui prsentent un niveau de puissance intermdiaire. Pour
un point daccs Proxim ORINOCO AP 4000, on utilise les valeurs de Sm = 90 dBm
et SM = 83 dBm.
SOK
dBm
-40
-80
SNOK
dBm
-40
-80
Fig. 5.6 Carte de couverture des solutions SOK et SN OK avec le critre seuil progressif.
Pour appliquer ce type de critre la planification dun rseau 802.11g, il faut choisir
une valeur seuil maximale plus importante : la puissance de rception de SM = 68 dBm
permet une transmission 54 Mbits/s.
Nous dsignons dans la suite du document le critre seuil progressif qui exploite la
fonction de mesure de lquation 5.7 par fslope .
155
fslope
0.0
16.5
fhom
4.2
12.9
PF Sm
100 %
86 %
PF SM
100 %
55 %
Tab. 5.2 Performances des solutions SOK et SN OK obtenues avec le critre seuil progressif.
On observe dans ce tableau que la solution trouve avec le critre seuil progressif
couvre tout lenvironnement et que la valeur du critre dhomognit est assez basse. La
solution SN OK prsente des trous de couverture notables et seule la moiti de la zone est
couverte avec une puissance suprieure SM = 68 dBm.
Comme tous les critres de couverture, le critre seuil progressif ne peut tre appliqu
un problme de planification nombre dAP variable. La minimisation de ce critre tend
trouver des solutions avec un nombre dAP trop important. Pour lenvironnement du
CITI, si lon cherche une solution avec un nombre N , N > 2, dAP fix suprieur 2,
on trouve trs rapidement une solution vrifiant fslope = 0. Ceci est d au fait quil existe
plusieurs solutions.
Le critre seuil progressif est particulirement utile quand on lagrge dautres
critres de qualit de service. Dans ce cas, on peut linterprter comme une contrainte qui
favorise les solutions sans trou de couverture. Le choix entre les solutions qui remplissent
la contrainte de couverture se fait alors laide des autres critres de la fonction de cot
globale. Si les autres critres ont pour effet de diminuer le nombre de points daccs, il est
possible de rechercher le nombre dAP optimal pour un environnement donn.
Le critre dhomognit dfini dans la partie prcdente a pour avantage de toujours
proposer des solutions avec une rpartition homogne des zones de service. Ainsi, si lon
considre une rpartition uniforme des utilisateurs, le trafic gnr par toutes les communications est rparti quitablement entre les bornes. Le critre de couverture homogne se
suffit lui-mme pour proposer des solutions nombre de points daccs et puissance fixe.
En rsum, le critre de couverture homogne est prfrable lorsquil est utilis seul pour
la recherche nombre dAP fix.
5.2.2
Critres dinterfrences
. . . Sm . . .
(5.8)
(5.9)
Lensemble I k peut comptabiliser plusieurs fois le mme signal interfrent sil est prsent
en plusieurs pixels bl . Le critre de recouvrement peut sexprimer sous la forme dun critre
qui pnalise les solutions o il existe des signaux appartenant I k suprieurs au seuil de
sensibilit Sm :
f=
N X
X
k=1 Fq
I k
max(Fq Sm , 0)
(5.10)
finterf =
s X
Bl Nc
l . max(Flh+1 Sm , 0)2
(5.11)
(5.12)
si F h+1 P n ,
0
h+1
fmesl =
| SM Fl
| si P n F h+1 SM ,
| SM P n |
si F h+1 SM ,
(5.13)
Pour un rseau cellulaire, on suppose que le nombre de signaux utiles h est infrieur 6
au vu de la forme dune cellule hexagonale qui possde 6 voisins. En 802.11, il nexiste que
4 canaux disjoints en 802.11b/g. Pour favoriser la mise en place dun plan de frquences,
nous avons choisi de rduire le nombre de signaux utiles 2. De plus, la mobilit dans un
rseau sans-fil est bien plus rduite quen GSM. La plupart des utilisateurs sont fixes et
transportent leurs terminaux de temps en temps. Cest pourquoi on na pas besoin dun
nombre lev de cellules voisines.
SOK
dBm
-40
-80
SNOK
dBm
-40
-80
Fig. 5.7 Carte de couverture des solutions SOK et SN OK avec le critre de recouvrement
pour h = 2 et N = 7.
La figure 5.7 donne les cartes de couverture des solutions SOK et SN OK pour lenvironnement Foch avec un nombre dAP N = 7. La recherche de la solution optimale a t
ralise en agrgeant au critre de recouvrement un critre de couverture seuil. Le critre
de recouvrement a t calcul pour un nombre de signaux utiles h = 2.
Lallocation des frquences (FAP) Pour valider les rsultats de planification, nous
avons implant un algorithme classique dallocation des frquences. Il est bas sur une
heuristique tabou o le graphe dinterfrences prsente un arc si et seulement deux AP
se recouvrent mutuellement. Les sommets du graphe reprsentent les AP prsents dans
lenvironnement. Lheuristique tabou cherche minimiser le nombre darcs du graphe.
159
La figure 5.8 prsente la rpartition optimale des canaux ralise pour les deux solutions.
La zone de service de chaque AP est reprsente avec la couleur du canal quil occupe. Les
parties blanches reprsentent les blocs o des interfrences apparaissent.
SOK
SNOK
finterf
3.6
23.5
fslope
3.0
6.15
fhom
7.0
11.0
PS (I1 )
99 %
100 %
PS (I2 )
34 %
93 %
PS (I3 )
5.5 %
87 %
PS (I4 )
0%
85 %
Tab. 5.3 Performances des solutions SOK et SN OK obtenues avec le critre de recouvrement.
On observe que la solution SN OK prsente bien un recouvrement entre zones de service
des AP trs important : 85 % de la surface couvrir est desservie par 4 signaux en plus du
signal best serveur. On observe galement que les critres de couverture sont bien meilleurs
pour la solution SOK que pour la solution SN OK . La valeur h = 2 a bien t prise en
compte pour la solution SOK puisque lon rduit le recouvrement partir du troisime
interfrent. Sachant que la mobilit des utilisateur est rduite, le nombre de changement
de cellules est faible. Nous faisons lhypothse que sil existe en chaque bloc au moins 2
signaux, il sera toujours possible de changer de cellule.
5.2.3
Critre de dbit
Nous avons choisi de traiter les performances de qualit de service relatives au dbit
utile. Le critre dfini dans cette partie a pour objet de garantir un dbit minimal aux
utilisateurs prsents. Pour cela, il est ncessaire dune part de connatre la distribution des
noeuds dans lenvironnement et dautre part, pour chaque bloc couvrir, de dfinir un dbit
par utilisateur minimal, choisi par linstallateur. De ce fait, il est possible de diffrencier le
dbit en fonction de la position gographique.
Le critre de Dbit
Connaissant la position des AP et la rpartition des noeuds mobiles, il est possible de
calculer le dbit utile du point daccs pour chacune des zones de couverture 11 Mbits/s,
5.5 Mbits/s, 2 Mbits/set 1 Mbits/s laide du modle dvaluation de performances prsent
dans la partie 1.3.6 la page 33 et dtaill dans lannexe 1. Ce modle doit connatre le
nombre dutilisateurs qui communique 11 Mbits/s, 5.5 Mbits/s, 2 Mbits/s, 1 Mbits/set
0 Mbits/spour chaque AP.
Dans ce modle, on suppose que les utilisateurs travaillent en rgime satur, ce qui
signifie quun noeud a toujours un paquet mettre sur le rseau. Dans la suite de cette
partie, le terme de noeud dsignera un utilisateur qui communique en rgime satur. Un
noeud du modle draine donc bien plus de trafic quun utilisateur conventionnel du rseau.
De ce fait, il est ncessaire, de faon empirique, de rechercher pour chaque type dapplication (exploration Internet, mail, transfert de fichier, VoIP, etc...) une correspondance entre
le nombre dutilisateurs rels et le nombre dutilisateurs rgime satur.
Connaissant le nombre de noeuds rgime satur prsents dans le btiment, nous avons
choisi de les rpartir sur les blocs couvrir avec une densit Dn uniforme. Il est bien entendu
possible de rpartir les utilisateurs en modifiant localement les densits mais nous navons
pas implant cette caractristique.
161
dul =
dR
nR
(5.14)
Une contrainte de dbit minimal par utilisateur ds est dfinie en chaque bloc. Si dul > ds
pour tous les blocs Bl , on peut considrer que le rseau est bien dimensionn. Pour valuer
cette proprit du rseau, on propose une fonction de mesure qui pnalise les blocs o le
dbit requis ds nest pas obtenu :
(5.15)
La valeur minimale de dul vaut 0. Les valeur de dbit sont exprimes ici en bits par
seconde.
Nous avons choisi dexprimer lcart entre le dbit seuil et le dbit estim en dcibels
car de cette faon, lordre de grandeur du critre est plus proche de celui des critres
de couverture et dinterfrences. Pour pouvoir utiliser les dcibels quand le bloc nest pas
couvert, ce qui implique un dbit minimal nul, nous avons choisi de mettre le dbit minimal
estim 1 bit/s, ce qui revient une valeur nulle en dcibels. Ainsi, la pnalisation maximale
dun bloc sera donne pas (ds)dB . Par exemple, si la valeur seuil ds vaut 256 Kbits/s, la
pnalisation maximale dun bloc Bl vaut 10.log10 (256.103 ) = 54 dB.
SOK
SNOK
Une bonne solution SOK et une mauvaise solution SN OK au sens du critre de QoS
sont prsentes dans la figure 5.9. Ces solutions ont t recherches pour lenvironnement
Foch avec un dbit par utilisateur limite de 256 Kbits/sen chaque bloc. 100 noeuds ont t
rpartis uniformment sur le plan. La figure 5.9 donne les zones de service et les canaux
allous aprs lallocation des canaux frquentiels pour les solutions SOK et SN OK .
On observe pour la solution SOK que les zones de service sont rparties de faon homogne sur le plan. Le nombre de points daccs choisi est principalement issu dun compromis
entre les critres dinterfrences et de dbit. Les zones de service de la solution SOK ne
sont pas interfres lintrieur du btiment aprs attribution des canaux.
163
Le tableau 5.4 compare les performances des deux solutions en prsentant la valeur des
critres fdebit , finterf , fslope et fhom . Le critre dinterfrence est calcul pour la valeur de
h = 2 et le critre seuils pour un rseau fonctionnant en 802.11g.
Ce tableau prsente galement les grandeurs suivantes :
d:
PS (du ds )
PS (I1 ) :
PS (I2 ) :
le
: le
le
le
fdebit
1.7
21
SOK
SN OK
dbit moyen par utilisateur calcul pour les seuls utilisateurs couverts,
pourcentage de surface o le dbit offert est suprieur P n (ds ),
pourcentage de surface o le premier interfrent est suprieur P n (ds ),
pourcentage de surface o le second interfrent est suprieur P n (ds ).
finterf
1.5
15
fslope
3.6
12
fhom
7.5
16
d
257 Kbits/s
264 Kbits/s
PS (du ds )
21.4 %
23.8 %
PS (I1 )
94 %
77 %
PS (I2 )
15.5 %
56 %
Tab. 5.4 Performances des solutions SOK et SN OK obtenues avec le critre de QoS.
En observant ce tableau, on se rend compte que le critre de QoS est bien meilleur pour
SOK alors que quasiment le mme pourcentage de surface remplit la contrainte de dbit
minimal. Pour mieux interprter ce rsultat, une distribution des dbits est reprsente sur
la figure 5.10 pour les deux solutions.
Histogramme des debits pour S
NOK
OK
70
40
35
60
50
Pourcentage de surface
Pourcentage de surface
30
25
20
15
40
30
20
10
10
200
400
600
Debits en Kbits/s
800
1000
200
400
600
800
1000
1200
1200
Debits en Kbits/s
5.2.4
Critre de localisation
Le critre de qualit de service prsent dans cette section a pour objectif damliorer les
prdictions de position dun service de localisation standard bas sur lanalyse des signaux
radio-frquences (RF) reus.
164
Pour pouvoir dfinir un tel critre, la premire partie de cette section prsente les
principes de base des algorithmes standards de localisation RF. La partie suivante prsente
les deux critres dfinis. Une prsentation des performances des solutions obtenues aprs
planification est donne ensuite.
La localisation de noeuds mobiles
La technique de localisation la plus connue est la technique GPS base sur lanalyse des
signaux reus par une constellation de satellites en orbite autour de la terre. Ce systme
permet datteindre une prcision dun mtre quand les satellites sont en vue directe avec
la station mobile. Si des obstacles se trouvent sur le chemin direct, la localisation devient
difficile car lattnuation des signaux est trop importante. De ce fait, les techniques GPS
ne sont pas utilisables dans des environnements clos.
Pour proposer un service de localisation en Indoor, plusieurs mdia de communication
ont t utiliss (ultrasons, infrarouge, RF ...). Ces techniques sont rpertories dans larticle
de synthse de Hightower et Borriello [128]. Avec lutilisation de plus en plus frquente
des systmes wLAN, une grande partie des travaux de recherche sur les algorithmes de
localisation Indoor sest focalise sur linterprtation des signaux RF.
Un algorithme de localisation pour des signaux RF localise un noeud mobile en mesurant la puissance reue des metteurs le couvrant. On peut modliser cet ensemble de
puissances mesures par un vecteur signal S~M de taille N , le nombre dAP :
1
l
N
S~M = (FM
, . . . , FM
, . . . , FM
).
l est la puissance provenant du point daccs l. Si le signal F l nest pas mesur, on a
FM
M
l = si on raisonne en dcibels, soit F l = 0 si on raisonne en milliwatts.
soit FM
M
lT
mT
m <> l
1
~l , S
~m )
P (S
Nc
(5.16)
~l , S
~m ) = f dk [(il , jl ), (im , jm )] g dk [S
~l , S
~m ]
P (S
(5.17)
~ B)
~ =k A
~ B
~ kk reprsente ici le calcul de la norme k.
dk (A,
La fonction de pnalisation prend la fois en compte une mesure de la distance relle
entre les position l et m mais galement une mesure de distance entre les vecteurs signaux.
f(x) = x
g(x) = 1/x
f(x)
g(x)
xlim
xlim
Lutilisation de ces deux fonctions doit limiter les grandes erreurs de localisation. Les
erreurs de localisation les plus importantes surviennent quand les points qui sont proches
dans lespace signal sont gographiquement loigns.
Paramtres de simulation Comme nous travaillons avec le simulateur WILDE, les
signaux de la base de donnes sont calculs en un ensemble de blocs homognes Bl . La
position associe chaque bloc homogne est le centre du bloc.
Quand un signal de la base de donnes est infrieur la limite de dtection du systme
de transmission, on considre que ce signal na pas t mesur et on lui affecte la valeur du
seuil de dtection de bruit P n .
On suppose que lon travaille avec les h meilleurs signaux issus des N points daccs.
On peut garantir que lon mesure au plus h signaux en appliquant le critre finterf (cf.
Eq. 5.11) dans la phase de dploiement. Le critre de localisation, comme le critre de
couverture, diminue quand le nombre de signaux en un bloc augmente. Cest le critre de
recouvrement qui, lors de la recherche, limite le nombre de signaux en un bloc h.
Analyse du critre de localisation.
Pour obtenir une solution qui prsente un bon critre de localisation bas sur la distance, nous avons minimis la somme quipondre du critre de recouvrement finterf et
du critre de localisation floc . Pour garantir un service de localisation, nous avons choisi
dans un premier temps de fixer le nombre de signaux utiles h 4. Ainsi, le critre de recouvrement slectionne des solutions o 4 AP peuvent se recouvrir en un bloc. La contrainte
de couverture, telle quelle est dfinie plus loin par lquation 5.23, page 170, permet de ne
slectionner que des solutions qui couvrent tout lespace.
Deux solutions, SOK et SN OK , ont t slectionnes car elles prsentent respectivement un bon et un mauvais critre de localisation. La solution SOK prsente un critre de
localisation floc = 0.63 et la solution SN OK un critre de floc = 2.0.
La figure 5.12 reprsente, pour les deux solutions, les distributions cumules de la
fonction de pnalisation suivante :
~l , S
~m ] = dk [(il , jl ), (im , jm )]
f dk [(il , jl ), (im , jm )] g dk [S
1
~
dk [S
l , Sm ]
(5.18)
Distribution cumule
0.9
0.8
Fmes S
0.7
Fmes SOK
NOK
0.6
0.5
0.4
0.3
0.2
0.1
0
0.5
1.5
2.5
Fig. 5.12 Distribution cumule de la fonction de pnalisation de lquation 5.18 pour les
solutions SOK et SN OK .
167
On observe que pour la solution SOK la plus grande partie des pnalisations est infrieure 1 et comporte moins de valeurs leves. La valeur maximale du rapport de distance
pour la solution SOK vaut 114 tandis que la valeur maximale de SN OK vaut 27.103 . On peut
en conclure quavec la solution optimise, le rapport des distances relles et des distances
dans lespace signal est born.
Pour sen rendre compte, on peut observer la figure 5.13 qui reprsente la distance
signal et la distance gomtrique entre deux blocs couvrir. On observe quil ny a pas
de point dans la partie infrieure droite de la figure. Ceci signifie que tous les points
une distance gomtrique donne prsentent une distance signal suprieure une distance
limite. Plus cette limite est importante, plus les erreurs de localisation sont faibles. Pour
la solution SN OK , cette limite est plus basse que pour la solution SOK .
Fig. 5.13 Distance dans lespace des signaux en fonction de la distance gomtrique pour
chaque bloc Bl pour les solutions SOK et SN OK .
La couverture obtenue avec les 8 AP de la solution SOK est donne dans la figure
suivante :
dBm
-40
-80
5.2.5
i=Nf
fagr =
X
i=1
i fi
(5.19)
La premire fonction de cot tudie dans ces travaux est la fonction qui agrge les
critres de couverture fslope et de recouvrement finterf :
fCI =
1
1
fslope + finterf
2
2
(5.20)
fQI =
1
1
fdebit + finterf
2
2
169
(5.21)
fLI =
1
1
floc + finterf
2
2
(5.22)
Comme les deux fonctions fQI et fLI ne garantissent pas la couverture, nous avons
introduit la contrainte suivante :
max
fslope fslope
(5.23)
170
CHAPITRE
Heuristiques de planification
Trois algorithmes sont prsents dans ce chapitre. Le premier se base sur un travail
dj effectu en DEA (cf. [132], [32], [126]) qui met en oeuvre une heuristique dterministe
alliant recherche combinatoire et continue. Il est prsent dans la partie 6.1. Cet algorithme
permet doptimiser la couverture radio, avec un nombre dAP fixe, laide du critre de
couverture homogne.
Pour prendre en compte plus de critres de planification, un second algorithme est
prsent dans la partie 6.1.2. Cest un algorithme de recherche tabou qui optimise une
unique fonction de cot qui agrge les critres doptimisation choisis. Cet algorithme ne
recherche quune seule solution au problme.
Pour proposer plusieurs solutions Pareto-optimales, une troisime heuristique multicritre est propose dans la partie 6.2. Cette heuristique est drive de lheuristique tabou
mono-objectif.
6.1
6.1.1
Algorithmes mono-objectifs
Heuristique dterministe
Lheuristique prsente dans cette section est divise en deux tapes de recherche :
une recherche combinatoire,
une recherche continue locale.
Cette heuristique recherche un nombre N fix lavance de points daccs.
La recherche combinatoire
Elle exploite un nombre fini de positions candidates de points daccs dont la distribution a t prsente au chapitre 5 (page 149). Nous rappelons que le positionnement dun
AP candidat est reprsentatif des autres AP prsents dans une zone proche dont la surface
varie entre Amin et Amax . Cette zone proche est dfinie par le MR-bloc de la pyramide
auquel il appartient. Le nombre de points daccs positionner, N , est fix lavance.
Une carte de couverture est calcule pour chaque point daccs candidat et les K meilleures
solutions au sens du critre de planification sont slectionnes.
N.
La recherche de ces solutions est exhaustive. Lespace des solutions est de taille CM
Ainsi, pour que la recherche soit ralisable en un temps de traitement raliste, il faut limiter
la taille M de lensemble des positions candidates. Pour rduire la taille de lensemble des
solutions il suffit daugmenter les valeurs de Amin et Amax . Dans ce cas, certains AP
candidats peuvent se trouver dans des blocs de taille importante. Ils ne sont alors plus
reprsentatifs de toutes les positions candidates de leur bloc homogne. Pour y palier, une
recherche locale est mene pour optimiser plus finement le placement des AP lintrieur
de leur bloc homogne. La recherche locale prsente ci-aprs est applique aux K solutions
de la recherche combinatoire pour les faire converger vers des configurations stables.
171
La recherche locale
Dans cet algorithme, les notations suivantes sont utilises :
~c :
S
Pworst :
APtest :
APmove :
Pnew :
La solution courante.
~c .
La position du plan la moins bien couverte par S
LAP de test positionn en Pworst .
LAP dplacer.
La nouvelle position de APmove .
Une des solutions issues de la recherche combinatoire est optimise en dplaant ses AP
lintrieur de leur bloc homogne. Le choix du dplacement est compltement dterministe
car il est conditionn par la prsence de trous de couverture. Le point daccs qui permet
de couvrir le mieux le trou de couverture le plus important est dplac selon le macroalgorithme suivant :
~c ,
Calcul de la carte de couverture de la solution courante S
~c ,
Recherche de la position Pworst la moins bien couverte par S
Positionnement dun AP de test APtest la position Pworst ,
~c le mieux couvert par APtest ,
Recherche de APmove , lAP de la solution courante S
Recherche de la nouvelle position Pnew dAPmove comme suit :
- Pnew appartient au bloc homogne Bl contenant APmove
- Pnew est le point le mieux couvert par APtest
AP 1
AP1
AP 2
AP2
fhom
~1
S
0.289
~2
S
0.290
~3
S
0.299
~4
S
0.300
~5
S
0.311
~6
S
0.315
Fig. 6.3 Rpartition des AP candidats et des blocs couvrir pour lheuristique dterministe.
Ces six solutions prsentent un critre trs proche car pour chaque solution, deux AP
parmi trois sont identiques. A titre de comparaison, la valeur du critre fhom la plus leve
de la recherche exhaustive vaut 20.0. La figure 6.4-(a) prsente la carte de couverture de
la meilleure solution de la recherche combinatoire.
Une recherche locale a t mene pour les 6 solutions obtenues. La premire, la seconde
et la cinquime solution ont pu tre amliores par la recherche locale. Nanmoins, cest
la premire solution qui a vu son critre diminuer le plus en passant de fhom = 0.289
fhom = 0.229. Sa carte de couverture est reprsente sur la partie (b) de la figure suivante.
Seul lAP le plus droite a t dplac.
(a)
-20
-40
(b)
-60
avons choisi de concentrer nos efforts sur la mise en oeuvre dune heuristique de recherche
combinatoire plus performante.
6.1.2
Mtaheuristique tabou
~ = (s1 , . . . , sM )
Une solution S
Variable binaire dfinie comme suit :
si =
Pi :
Di :
~c :
S
~c ) :
V (S
0
(Pi , di )
~c
si APi 6 S
sinon
(6.1)
Dfinition du voisinage
La taille du voisinage que nous avons dfini volue en fonction de la taille de lespace des
solutions et des paramtres pris en compte dans la recherche. Lespace des solutions le plus
simple est celui qui ne prend en compte que le paramtre de la position des AP. Lajout
dune puissance dmission, de la direction et du nombre dAP variables se rpercute sur
la taille et la nature de cet espace. Les paragraphes suivant prsentent les rgles dfinies
~c pour les paramtres de position, de puissance dmission, de
pour crer le voisinage de S
directivit et quand le nombre dAP est variable.
Pour i = 1 M
Si(si est slectionn) alors
Pour j = 1 M
si(sj nest pas slectionn) alors
~vois = Echanger (si , sj ) ;
S
~c ),S
~vois )
Ajout(V (S
fin
fin
fin
fin
Fig. 6.5 Construction du voisinage relatif la position des AP.
~c = (0, (15, 0), 0) sont S
~1 = ((15, 0), 0, 0) et
Par exemple, les solutions voisines de S
~
S2 = (0, 0, (15, 0)). Le voisinage ainsi cr est de taille N (M N ), ce qui est bien
N ).
infrieur au cardinal de lespace des solutions (CM
Le voisinage relatif la puissance des AP est compos de toutes les solutions qui
~c uniquement par la valeur de la puissance dmission P dun seul
diffrent de la solution S
~c par rapport
des AP slectionn. Lalgorithme de construction des solutions voisines de S
la variable discrte Pi est donn la figure 6.6.
Pour i = 1 M
Si(si est slectionn) alors
Pour k = 1 NP
si(pk <> Pi ) alors
Svois = MiseAJour(si , pk ) ;
~c ),Svois )
Ajout(V (S
fin
fin
fin
fin
intervalle de faon empirique, aprs plusieurs tests comme le prconisent Collette et Siarry
dans [103]. Tmin est fix (M/5) et Tmax (M/2), avec M le nombre dAP candidats.
Critre daspiration
Dans un premier temps, nous avons implant un critre daspiration qui supprime le
caractre tabou dune solution du voisinage courant si son valuation est meilleure que
loptimum actuel. Lors de nos premiers tests, laspiration dune solution tabou nest jamais
survenue pendant la recherche.
Or, pour pouvoir mettre en oeuvre ce critre daspiration, il est ncessaire dvaluer
toutes les solutions du voisinage, ce qui cote cher. Pour pouvoir diminuer le nombre dvaluations chaque itration, nous avons donc choisi de ne plus utiliser ce critre daspiration
et de nvaluer que les solutions non-tabou.
Conditions darrt
Trois conditions darrt ont t dfinies :
fagr = 0 :
un optimum global a t trouv, puisque nos critres sont dfinis positifs.
N I = N Imax :
le nombre maximal ditrations est atteint,
N SA = N SAmax :le nombre maximal ditrations sans amlioration de la
fonction de cot est atteint.
Solution initiale
Les positions des N AP de la solution initiale sont tires alatoirement. Une mme
position ne peut tre attribue deux AP de la solution initiale.
6.1.3
Lalgorithme tabou a t test avec le critre de couverture homogne et les trois fonctions de cot prsentes la page 169. Elles agrgent les critres suivant :
fslope et finterf (cf. eq. 5.20),
fdebit et finterf (cf. eq. 5.21),
flocalisation et finterf (cf. eq. 5.22).
Pour la fonction de cot qui agrge le dbit et les interfrences, nous avons analys
linfluence des coefficients de pondrations dans la recherche et linfluence de la variation
de la puissance dmission.
Convergence de lheuristique. La solution optimale a dj t prsente la figure
5.4, page 153. Elle a t trouve au bout de 3 itrations de recherche et na ncessit que
1125 valuations de fonction. Trois voisinages complets ont t valus. Au bout de ces 3
itrations, il ny a que deux lments dans la liste tabou. Comme la seule variable prise
en compte est la variable de position, chaque lment tabou rend 3 solutions du voisinage
tabou. La recherche a t poursuivie pendant 503 itrations, mais il ny a pas dautre
solution qui ait t trouve. La premire convergence est la bonne a priori.
Il a fallut 33 secondes pour calculer les 129 cartes de couverture. Les 503 itrations ont
dur 8 s., soit 16 ms. en moyenne par itration. La premire convergence a eu lieu au bout
3 itration et 50 ms. de recherche.
178
Instance du problme :
Environnement de Test :
Foch (cf. p. 149)
Nombre M de sites candidats : 258
Nombre de blocs couvrir :
503
Variables :
Position, nombre dAP N
Nombre N dAP initial :
6
Nombre Nf de critres :
2
Critres :
Couverture seuil progressif fslope pour 802.11g
Interfrences finterf avec h = 1
Pondration :
slope = interf = 1/2
Heuristique :
Heuristique tabou N variable
Intervalle tabou :
[40, 140]
La recherche est ici ralise avec un nombre dAP variables car les deux critres ont
un comportement antagoniste : le critre de couverture tend augmenter N tandis que le
critre de recouvrement tend le diminuer.
9
Itration 0
X: 2.915
Y: 0.4369
fslope
Fig. 6.7 Evolution de fslope et finterf pour toutes les solutions courantes dans lespace
des fonction.
Ce phnomne est bien visible sur la figure 6.7 qui reprsente les valuations successives
~c dans lespace des fonctions. Chaque point reprsente la solution
des solutions courantes S
choisie la fin de litration courante. Ces points sont relis dans lordre des itrations o
ils ont t slectionns.
La solution optimale est aussi reprsente sur le graphe de la figure 6.7. Elle se trouve sur
le front de Pareto de lensemble des solutions reprsentes. La figure 6.8 prsente lvolution
de fslope , finterf , fagr et du nombre dAP N en fonction du nombre ditrations.
180
slope
interf
agr
Nb APs N
7
Critre / Nb APs
20
40
60
Nombre ditrations
80
100
120
Le critre de couverture seuil est considr comme une contrainte dure du problme.
Pour quune solution soit teste par la fonction de cot, il faut que le fslope soit infrieure
max = 3dB (cf. quation 5.23). Le dbit par utilisateur minimal est fix 256 Kbits/s.
fslope
Avec cette instance de problme, nous allons rechercher un jeu de coefficients de pondration debit et interf qui nous permette dobtenir des solutions qui prsentent des critres
finterf et fdebit du mme ordre de grandeur. Cette recherche nous permet de nous pla181
cer dans la mme situation quun installateur de rseau qui recherche une configuration
particulire des AP.
Le calcul des 258 cartes de couverture a dur 250 secondes. En moyenne, il faut 1.5
secondes de traitement par itration de recherche. Le temps de traitement par itration
est plus important que pour linstance prcdente (1 s.) car il faut calculer les valeurs de 3
critres pour chaque valuation.
N
5
5
5
6
6
6
fagr
0
0.46
1.4
2.0
2.5
3.0
fdebit
0
0.64
2.5
3.5
4.5
5.7
finterf
0
0.3
0.3
0.5
0.5
0.3
fslope
2.8
2.8
2.8
2.4
2.4
2.7
d(Kbits/s)
527
255
162
145
113
92
P (F kh+1 > P n )
0%
2.3%
2.3%
7.3%
7.3%
3.4%
NI
7
527
504
1384
143
370
T (s.)
12.5
654
655
1900
189
481
Tab. 6.2 Performances des solutions en fonction du nombre de noeuds prsents pour
(interf = 1/2, debit = 1/2).
Nb Noeuds
50
100
150
200
250
300
N
5
7
8
10
16
17
fagr
0
0.26
0.73
1.5
1.9
2.3
fdebit
0
0
0.01
0.01
0.01
0.01
finterf
0
2.6
7.15
15
19
23
fslope
2.7
2.8
2.8
2.2
2.8
2.1
d(Kbits/s)
516
374
273
283
312
292
P (F kh+1 > P n )
0%
25%
53%
89%
93%
99%
NI
395
557
1248
741
1031
1374
T (s.)
236
878
3219
6942
12942
30440
Tab. 6.3 Performance des solutions en fonction du nombre de noeuds pour (interf =
1/10; debit = 9/10).
Nb Noeuds
50
100
150
200
250
300
N
5
6
7
8
8
8
fagr
0
0.6
1.5
2.3
3.0
3.6
fdebit
0
0.4
1.15
2.15
3.0
3.8
finterf
0
1.2
2.6
2.9
2.9
2.9
fslope
2.7
3.0
2.8
2.3
2.3
2.3
d(Kbits/s)
480
311
237
199
156
127
P (F kh+1 > P n )
0%
17%
29%
25%
26%
25%
NI
402
808
648
14
914
1307
T (s.)
306
1057
1305
24
2264
3696
Tab. 6.4 Performances des solutions en fonction du nombre de noeuds pour (interf =
1/4, debit = 3/4).
Les solutions prsentes dans le tableau 6.4 prsentent bien un quilibre entre les valeurs
des deux critres. Les trois jeux de coefficients ralisent trois compromis diffrents au cours
de la recherche. Ce phnomne est illustr dans la figure 6.9. Pour 200 noeuds, cette figure
reprsente la rpartition dans lespace des fonctions des solutions courantes pour chaque
jeu de coefficients test.
Pour obtenir un jeu de coefficients de pondration intressant, il a fallut raliser plusieurs simulations. Cette calibration de la recherche est dlicate et prend du temps. De plus,
il nest pas certain que le compromis o lon obtient des solutions aux critres quilibrs
soit celui attendu pas un installateur. Cet exemple illustre bien les difficults inhrentes
lutilisation dune unique fonction agrge pour loptimisation. La recherche multicritre
fournira plusieurs solutions en une seule recherche. Ces solutions pourront tre slectionnes
par linstallateur a posteriori.
183
= 1/2
= 1/2
= 3/4
= 1/4
debit
debit
interf
interf
debit
10
12
14
16
18
finterf
Fig. 6.9 Rpartition des critres finterf et fdebit dans lespace des fonctions pour les trois
jeux de coefficients de pondration.
Validation des rsultats. Pour finaliser ces travaux, il faudrait mettre en oeuvre un des
scnarios de test prsent et vrifier que les dbit prdits sont proches des dbits rels. Nous
envisageons pour cela la mise en place dune solution de planification dans un btiment en
plaant les AP et les noeuds selon le scnario choisi. Lors de ces tests, les noeuds mettront
en saturant le canal pour se mettre dans la mme configuration.
Dautres tests seront ncessaires pour trouver une quivalence entre le nombre de noeuds
du modle et la densit dutilisateurs relle. En effet, comme les noeuds mobiles du modle
dvaluation de performances saturent la bande passante, il nest pas facile de trouver une
correspondance entre le nombre de noeuds du modle et un nombre raliste dutilisateurs.
Pour cela, il faudra dfinir des classes de trafic qui dpendent des applications utilises.
Pour chaque classe de trafic, le dbit reu par utilisateur sera mesur en fonction du nombre
dutilisateurs rpartis sur un AP. Il sera alors possible de trouver, en fonction de lapplication envisage, un ordre de grandeur pour la correspondance entre le nombre de noeuds
du modle et le nombre dutilisateurs prsents dans le btiment.
Impact de la puissance variable sur loptimisation des interfrences
et du dbit.
Pour observer limpact du paramtre de puissance, nous avons relanc linstance du
problme suivante :
184
20
Instance du problme :
Environnement de Test :
Foch (cf. p. 149)
Nombre M de sites candidats : 258
Nombre de blocs couvrir :
503
Variables :
Position, nombre dAP N , puissance dmission
Nombre N dAP initial :
6
Nombre Nf de critres :
2
Critres :
Interfrences finterf avec h = 2
Trafic fD , ds = 256 Kbits/set nombre de noeuds = 200
max = 3dB
Contrainte
Couverture seuil progressif fslope avec fslope
Pondration :
interf = debit = 1/2
Heuristique :
Heuristique tabou N variable
Intervalle tabou :
[40, 140]
(a)
(b)
Fig. 6.10 Zones de service avec (a) Pe fixe et (b) Pe variable pour 200 noeuds et ds =
256Kbits/s.
La puissance dmission peut varier dans lensemble {15, 16, 17, 18, 19}. Pour les simulations prcdentes, la puissance dmission tait fixe 15 dBm. Le tableau 6.5 compare
les rsultats obtenus puissance fixe et variable. On peut observer une amlioration du
critre de dbit alors que le dbit moyen est identique. Nous rappelons que le critre admet
185
une forme quadratique qui minimise conjointement lerreur moyenne et lcart-type (cf. p.
152).
Pe Fix
Pe Variable
N
8
8
fagr
2.3
2.12
fdebit
2.15
1.25
finterf
2.9
4.7
fslope
2.3
2.9
d(Kbits/s)
199
199
P (F kh+1 > P n )
25%
39%
NI
14
2368
Tab. 6.5 Performances des solutions en fonction du nombre de noeuds pour (interf =
1/4, debit = 3/4).
La figure 6.10 reprsente les deux solutions obtenues lune puissance fixe (a) et lautre
puissance variable (b). Il ny a que 2 AP qui prsentent une puissance diffrente de
15 dBm. Les critres obtenus pour les deux solutions sont bien diffrents. A puissance
variable, la solution obtenue favorise le dbit au dtriment des interfrences. Nanmoins,
on observe un morcellement des zones de service des AP centraux. Dans ce cas, certains
quipements peuvent changer frquemment de cellule et ainsi rduire la bande passante
du rseau. Lintroduction du critre de connexit formul par Adel Jedidi [18] permettrait
dhomogniser la rpartition des zones de service et limiter ce phnomne.
Optimisation des interfrences et de la localisation
Instance du problme :
Environnement de Test :
Foch (cf. p. 149)
Nombre M de sites candidats : 258
Nombre de blocs couvrir :
503
Variables :
Position, nombre dAP N
Nombre N dAP initial :
4
Nombre Nf de critres :
2
Critres :
Interfrences finterf avec h = 3
Localisation floc
max = 3dB
Contrainte
Couverture seuil progressif fslope avec fslope
Pondration :
interf = loc = 1/2
Heuristique :
Heuristique tabou N variable
Intervalle tabou :
[40, 140]
Le critre dinterfrence tolre 3 signaux en plus du signal Best Serveur car plus il y a
de signaux prsents en un mme bloc, plus la localisation est aise.
Convergence de lheuristique. Une solution locale a t obtenue au bout de 69 itrations. Celle-ci comporte 8 AP et un critre agrg de fagr = 0.3. Le critre de recouvrement
est nul et le critre de localisation vaut 0.6. On se rend compte que le critre de recouvrement ne rentre presque pas en ligne de compte quand le nombre de signaux autoriss vaut
3. Cela signifie quil nexiste aucun bloc o le 4e signal interfrent prsente une puissance
suprieure la puissance du bruit. On observe que le nombre dAP a augment pour pouvoir amliorer le critre de localisation. La solution optimale trouve est prsente dans la
figure 5.14. Ses performances ont dj t analyses au paragraphe 5.2.4, page 164. Elle
prsente un bon critre de dbit avec fdebit = 2.3 quand le dbit limite ds = 256 Kbits/set
un dbit moyen de 235 Kbits/s.
186
Lordre de grandeur des deux critres est proche comme on peut le voir sur la figure
6.11. De ce fait, les coefficients de pondration nont pas tre adapts pour obtenir une
solution o linfluence des deux critres est quitablement rpartie dans la recherche.
Evolution des Critres f
interf
et f
loc
Critres
0.8
0.6
f
interf
floc
0.4
0.2
0
20
40
60
80
Itrations
100
120
140
160
120
140
160
Nombre dAPs
8
7
6
5
4
20
40
60
80
Itrations
100
Fig. 6.11 Evolution des critres finterf et floc (Haut) et du nombre dAP (Bas).
La figure 6.11 montre que cest partir de 9 AP que le critre dinterfrences prend
une valeur non ngligeable. Cest galement partir de l que le critre de localisation est
le plus faible.
187
6.2
Algorithme multiobjectif
6.2.1
Notations.
Dans cette partie nous utilisons les notations suivantes :
Fc (i) :
~ck (i) :
S
~ck (i)) :
V (S
V (Fc (i)) :
FP P (i) :
FP P :
FP T :
R:
PR :
les solutions non-domines obtenues par toutes les k recherches tabou. Voici le macroalgorithme qui prsente une itration de recherche de lheuristique implante :
A litration i :
~ k du front courant Fc (i) :
1- Pour chaque solution S
c
~ck ) ;
a Calcul du voisinage de position de la solution V (S
k
~c ) ) des solutions non-domines
b Slection de lensemble PR (V (S
~ck ) ;
de rang R Rmax de lensemble V (S
~c )k ) dans le front optimal FP P ;
c Ajout de PR (V (S
~c )k ) et
d Slection alatoire dune des solutions de PR (V (S
ajout dans le nouveau front courant Fc (i + 1)
2- Suppression des solutions domines de rang R > 0 du front optimal FP P ;
3- Mise jour de la liste tabou pour chaque solution du nouveau
front courant Fc (i + 1).
La mmoire tabou.
Une liste tabou par solution du front de recherche est cre, soit K listes tabou. Quand
~ k (i + 1) du front de recherche est slectionne, la liste tabou numro
une nouvelle solution S
c
k stocke lAP qui a vu ses caractristiques modifies. Cest exactement la mme liste tabou
que celle utilise dans lalgorithme tabou mono-objectif prsent en page 177.
Pour connatre tout moment lorigine dune solution, on stocke dans chaque solution
~ du voisinage V (Fc (i)) lindice k de la solution du front de recherche qui la gnre. De
S
~ k , seules les
ce fait, au moment de la construction du voisinage dune solution courante S
c
solutions qui ne prsentent pas dAP appartenant la liste tabou k sont stockes. La taille
de chaque liste tabou est dynamique et rvalue chaque itration.
Loriginalit de cet algorithme rside dans la construction dun front de recherche qui
slectionne des solutions qui ne sont pas forcment optimales, mais qui ne sont pas mauvaises non plus. De plus, lajout dune mmoire tabou par solution permet de mieux explorer
lespace des solutions et de prendre lhistorique de la recherche en compte.
Slection dun sous-ensemble significatif du front de Pareto pratique FP P .
La taille du front de Pareto obtenu la fin de la recherche est bien plus importante que
le nombre de solutions que lon souhaite obtenir pour un choix a posteriori. De plus, un
certain nombre de solutions du front sont trs proches les unes des autres. Il est ncessaire
de faire ressortir une solution dun groupe de solutions semblables. Pour cela, nous avons
utilis une fonctions de calcul des niches (sharing) qui permet de privilgier le choix dune
solution qui prsente une densit de voisins leve.
Cette fonction de calcul des niches , m(i), est applique chaque solution i. Elle a
t dfinie dans la partie 2.2.4 par lquation 2.18, page 84. Elle est communment utilise
dans les algorithmes multicritres gnriques pour pondrer lvaluation dune population et
ainsi privilgier le choix de solutions espaces dans lespace des fonctions. Les solutions qui
prsentent des valeurs leves de m(i) peuvent tre slectionner pour reprsenter lensemble
des solutions prsentent dans une boule de rayon share .
La rayon de niche share est spcifi par la formule de Deb dans [137] comme suit :
0.5
share =
n q
(6.2)
n = Nf est le nombre de critres du problme et q le nombre de solutions Pareto optimales recherches. Cette slection est ici applique une fois que la recherche est termine.
Nanmoins, elle pourrait tre utilise pour slectionner les solutions du front de recherche
courant FP P (i). Cette modification de lheuristique de choix pourra tre envisage dans
des travaux ultrieurs.
Calcul de la distance entre les solutions. Le critre de niche se base sur la dis~i et une solution S
~j . Cette distance
tance dans lespace des fonctions entre une solution S
~
~
normalise d(Si , Sj ) admet lexpression suivante :
190
v
uX
u n
~
~
t
d(Si , Sj ) =
q=1
fq (i) fq (j)
max(fq ) min(fq )
2
(6.3)
l=1,..,P
l=1,..,P
Comme les distances sont normalises, lensemble des valuations des solutions du front
est contenu dans une boule de rayon 1.
6.2.2
E=
n
X
ei
i=1
(6.4)
avec :
n : le nombre dlments dans lensemble des solutions FP P .
ei : une variable boolenne qui vaut 0 si la solution i appartient la surface de
compromis, 1 sinon.
Plus cette mtrique est proche de 1, moins lensemble des solutions a converg vers la
surface de compromis.
La distance gnrationnelle. La distance gnrationnelle permet de mesurer quelle
distance de la surface de compromis se situe un ensemble de solutions. La dfinition de
cette mtrique est la suivante :
G=
n
X
dpi
i=1
191
!1/p
(6.5)
Fig. 6.13 Evaluation des solutions et reprsentation des solutions du front de Pareto
thorique FP T .
Lheuristique multiobjectif a t teste avec la mme instance de problme. Le nombre
de solutions du front courant a t fix K = 18 et le rang de Pareto maximal R = 2.
Les APs de toutes les solutions du front initial de recherche sont positionns alatoirement.
Au bout de 21 itrations, le front de Pareto FP P est gal au front de Pareto thorique
FP T reprsent sur la figure prcdente. Le rapport derreur pour FP P (21) vaut E = 0
et la distance gnrationnelle G = 0 puisque ce front est gal au front thorique. Il a
fallu 21 3, 800s. = 87.4s. pour raliser les 90558 valuations de solutions pour obtenir
192
22
Itration 0
Itration 2
Itration 10
Front Thorique
20
18
interf
16
14
12
10
0.5
1.5
2.5
3.5
4.5
slope
Critres :
Heuristique :
Intervalle tabou :
KN
43
33
78
83
171
160
216
122
139
46
60
22
28
1
f slope
3.01
5.56
3.23
2.44
3.23
1.56
2.94
1.69
1.96
2.24
2.49
0.31
0.17
5.98
slope
1.68
1.65
1.92
1.48
1.87
1.55
1.84
1.53
1.92
2.10
2.18
0.15
0.17
0.0
f interf
0.30
0.49
2.90
5.53
6.30
10.13
11.05
15.44
17.74
19.09
18.09
21.70
23.68
22.93
interf
0.44
0.82
1.51
1.92
2.17
3.06
3.11
2.24
1.73
1.95
2.43
1.07
0.85
0.0
f debit
4.99
4.05
3.50
2.73
2.22
1.88
1.07
0.77
0.37
0.20
0.20
0.24
0.32
0.26
debit
0.24
0.34
0.23
0.28
0.52
0.50
0.35
0.34
0.30
0.25
0.15
0.27
0.52
0.0
Tab. 6.6 Rpartition des solutions en fonction du nombre dAPs. Valeurs moyennes f et
cart-type f des critres pour ces groupes de solutions.
Ce tableau montre que pour chaque taille de rseau, le compromis entre les 3 critres est
diffrent. On peut observer quelle est linfluence de la variable de position dans la recherche
en fonction du nombre dAP sur les 3 critres. Pour cela, on analyse lcart-type relatif la
valeur moyenne. Ainsi, pour finterf , quand le nombre N augmente, on observe une baisse
importante de interf par rapport la valeur moyenne f interf . On peut en dduire que la
variable de position a de moins en moins dimportance sur la valeur de finterf . Au bout
dun nombre donn dAP, quelque soit leur position, il nest pas possible de rejeter les
signaux interfrents en de du niveau de bruit.
194
NbAP = 4
6
NbAP = 5
NbAP = 6
NbAP = 7
fDbit
NbAP = 8
NbAP = 9
NbAP = 10
NbAP = 11
1
NbAP = 12
NbAP = 13
NbAP = 14
NbAP = 15
NbAP = 16
8
NbAP = 17
7
3
0
5
10
1
15
20
fslope
25
0
30
finterf
NbAP = 4
6
NbAP = 5
NbAP = 6
NbAP = 7
NbAP = 8
NbAP = 9
NbAP = 10
NbAP = 11
NbAP = 12
NbAP = 13
fDbit
NbAP = 14
NbAP = 15
NbAP = 16
NbAP = 17
0
0
5
10
15
20
25
9
30
slope
Fig. 6.15 Front de Pareto pratiques FP P pour loptimisation de fslope, finterf et fdebit
pour lenvironnement Foch.
195
De mme, pour le critre de dbit, la valeur de debit par rapport a la valeur moyenne diminue avec laugmentation de N . On peut en conclure quune fois un nombre suffisant dAP
atteint, il nest pas possible de modifier tant que cela le dbit obtenu avec un changement
de position puisque le dbit requis est atteint.
Influence des K trajets tabous sur le front optimal Chaque solution du front optimale est issue du voisinage dune des solutions du front de recherche. Pour chacune solution,
un historique de sa filiation est stocke. On sait de quelle chemin tabou elle provient. Il
existe K familles de solutions issues des K solutions du front de recherche initiale. On peut
~ck ont produit des solutions du front optimal. Pour
se demander si toutes les solutions S
rpondre cette question, on peut observer lhistogramme de la figure suivante :
18
16
14
12
10
8
6
4
2
0
5
6
7
8
9
10
Numro du chemin de filiation
11
12
13
14
196
Filiation Solution 1
Filiation Solution 2
Filiation Solution 3
Filiation Solution 4
Filiation Solution 5
Filiation Solution 6
Filiation Solution 7
Filiation Solution 8
Filiation Solution 9
Filiation Solution 10
Filiation Solution 11
Filiation Solution 12
Filiation Solution 13
Filiation Solution 14
Filiation Solution 0
fdebit
0
0
5
10
15
20
25
30
9
fslope
4.6
1400
x 10
4.4
4.2
1000
Taille du voisinage
1200
800
600
4
3.8
3.6
3.4
3.2
400
3
200
2.8
0
2.6
0
50
100
150
200
250
300
350
400
450
500
50
100
150
200
250
300
350
400
450
500
Nombre ditrations
Nombre ditrations
fdbit
0
0
2
5
10
15
20
25
8
10
30
slope
finterf
Fig. 6.19 Rpartition des 10 solutions slectionnes par la fonction de niche sur le front
de Pareto.
Slection des solutions de FP P . On souhaite obtenirq = 10 solutions diffrentes au
problme pos. Pour cela, un rayon de niche share = 0.5/ 3 10 = 0.2321 a t utilis. Une
fois la fonction m(i) calcule pour chaque solution du front, les dix meilleures solutions
sont choisies. Pour cela, on commence par rechercher la valeur la plus lev de m(i) et on
stocke la solution associe. Par la suite, il est ncessaire de supprimer toutes les solutions
du front qui se trouvent dans la boule de rayon share car elles possdent galement un
valeur de m(i) leve. Le processus peut alors tre ritr pour chacune des q 1 solutions
restantes. Les 10 solutions obtenues sont reprsentes par des toiles rouges sur la figure
6.19. La rpartition des solutions est homogne. Les valeurs des fonctions de cot sont
rpertories dans le tableau suivant :
1
2
3
4
5
6
7
8
9
10
N
12
10
9
9
15
11
8
11
8
10
fslope
0.81
1.29
3.86
1.54
0.06
4.15
2.53
4.20
5.34
5.67
finterf
17.20
12.26
5.60
8.10
22.11
9.82
3.76
15.08
3.40
5.67
fdebit
0.73
1.39
1.97
2.35
0.16
0.95
3.03
0.36
2.81
1.13
la couverture et le dbit, sans tenir compte des interfrences. La solution 7 possde des
fonctions du mme ordre de grandeur. Les AP y sont regroups par deux ou trois pour
minimiser le critre dinterfrences qui autorise deux interfrents. La solution 10 fournit un
dbit lev, mais il existe des portions du plan moins bien couvertes. Notons que les seuils
pris en compte dans le critre de couverture sont Sm = 90dBm et SM = 64dBm.
fslope = 0.06
finterf = 22.11
fdebit = 0.16
dBm
-40
fslope = 5.67
finterf = 5.67
fdebit = 1.13
-80
Parmi les trois solutions prsentes, seule la solution 7 semble rellement intressante
pour un dploiement radio. Les deux autres configurations prsentent des compromis diffrents mais ne conviendront srement pas un installateur. Pour proposer un jeu de
solutions exploitables, il faut appliquer le critre de niche sur une plus petite partie de la
surface de compromis en slectionnant par exemple les solutions qui prsentent des valuations meilleures quun seuil donn pour chaque critre.
Parmi les dix solutions slectionnes, il est possible de choisir la solution dployer
en fonction de critres et contraintes supplmentaires que linstallateur veut prendre en
compte. Il peut par exemple choisir une solution car elle lui permet de gagner en dbit
dans une pice particulire ou parce quelle diminue la longueur de cblage du rseau LAN.
La flexibilit dune telle approche nous parat importante pour la planification wLAN.
6.3
Conclusions
coefficients, mais galement par la forme des critres impartis. Plus un critre prsente une
pente importante, plus il va influer sur la recherche. Il est donc difficile de rgler directement le compromis par le seul choix des coefficients si lon ne connat pas le comportement
des critres.
Cette analyse met en vidence lintrt des techniques doptimisation multicritre qui
transposent le choix du compromis la fin de la recherche. Lalgorithme multiobjectif
prsent a permis de slectionner dix solutions qui refltent dix compromis diffrents entre
les critres de couverture, dinterfrences et de dbit. Cette approche fournit linstallateur
un degr de libert dans le choix de la solution qui correspond le mieux ses attentes.
Lheuristique tabou multicritre mrite dtre analyse plus en avant. Nous envisageons
de la tester sur un ensemble de problmes types et de la confronter dautres heuristiques
multicritres. Pour linstant, les recherches tabou sont indpendantes. Nous aimerions introduire une dpendance plus forte entre elles en modifiant la slection des solutions du
front de recherche. Au lieu de slectionner une nouvelle solution dans son voisinage, elle serait slectionne dans le front de Pareto courant, tout en gardant une trace du parcours. La
structure de la mmoire tabou devra alors tre modifie. Cette approche devrait acclrer
la convergence vers la surface de compromis optimale.
201
CHAPITRE
Conclusions
Cette thse avait pour objet de proposer une stratgie de planification semi-automatique
des rseaux wLAN. Il sagissait de dfinir une ou plusieurs configurations des points daccs
(AP) garantissant une qualit de service fixe. Cet objectif devait sadapter diffrents
services dun rseau wLAN allant de la simple garantie de couverture radio la mise en
place dun rseau favorisant la localisation de stations mobiles.
La premire partie de ce manuscrit analyse en dtails la problmatique de lingnierie
des rseaux locaux sans-fil. Aprs une prsentation du contexte applicatif et une description des techniques actuelles de dploiement wLAN, nous avons rpertori et analys les
diffrentes solutions de planification rencontres dans la littrature. Ceci nous a permis de
dresser un tat de lart de toutes les caractristiques du problme de planification wLAN
par lanalyse des variables, des critres de planification, des formulations, des modles de
prdiction de couverture radio et des heuristiques de rsolution prsentes. Cette analyse
nous a permis de dgager les trois axes de recherche suivants :
1. lamlioration des prdictions de couverture radio,
2. la dfinition de critres de planification adquats,
3. la mise en oeuvre dheuristiques capables dexploiter le caractre multicritre du
problme wLP.
Il va sans dire que pour obtenir une planification de qualit, il est ncessaire de modliser
de faon raliste le comportement de lenvironnement radio. Cette modlisation passe par
lutilisation de mthodes de prdiction de couverture radio qui, partir de la connaissance
de la gomtrie du btiment et de la position des AP, estiment la puissance reue en chaque
point du plan. La seconde partie de ce manuscrit a t consacre la prsentation, la mise
en oeuvre et la validation des prdictions de couverture radio du modle Adaptative
Multi-Resolution Frequency Domain ParFlow (MR-FDPF).
Le chapitre 3 prsente cette mthode originale. Elle se dcompose en deux tapes de
calcul :
(i) Une phase de prtraitement o lenvironnement est discrtis et o des matrices
de propagation sont calcules partir de la nature et de la gomtrie des lieux. Ces matrices
sont stockes dans une structure multi-rsolution : la pyramide.
(ii) Une phase de propagation o la puissance mise par une antenne est transmise au
reste de lenvironnement laide des matrices de propagation de la pyramide. La structure
de cette pyramide permet de calculer des cartes de couverture diffrentes rsolutions.
La structure pyramidale est dfinie par un dcoupage rcursif du plan. Les performances
de diffrents algorithmes de dcoupage ont t compares pour la fois rduire la dure
du prtraitement et dcomposer lenvironnement de test en blocs homognes suffisamment
grands.
La mise en oeuvre dun tel modle de prdiction de couverture radio dans un simulateur exploitable par des ingnieurs radio nous a men introduire un certain nombre
dhypothses simplificatrices prsentes dans le chapitre 3. Pour dune part limiter les artefacts inhrents ces simplifications et dautre part adapter les prdictions diffrents
202
CHAPITRE 7. CONCLUSIONS
CHAPITRE 7. CONCLUSIONS
recherche locale. Nous avons observ que les rsultats de la recherche combinatoire sont
suffisants et que la recherche locale napporte que peu de modifications.
Pour pouvoir prendre en compte le caractre multicritre du problme wLP, deux autres
algorithmes ont t dveloppes. Un premier algorithme bas sur lheuristique doptimisation Tabou a t implant. Cette heuristique permet dobtenir une solution unique. Lvaluation dune solution est ralise laide dune fonction de cot qui agrge les critres de
planification choisis. La solution obtenue par cette technique reflte un unique compromis
entre les critres fixs par le choix de coefficients de pondration. Les rsultats obtenus
avec lheuristique tabou montrent quil est dlicat de trouver le compromis voulu par un
installateur sans avoir effectu plusieurs tests au pralable. Nanmoins, une fois que les
coefficients de pondration des critres sont fixs, une bonne solution est obtenue en un
temps born.
Nous envisageons damliorer les performances de cette heuristique tabou en modifiant
lheuristique de choix de la solution courante pour amliorer sa vitesse de convergence.
Lheuristique actuelle slectionne la meilleure solution du voisinage. Cette heuristique ne
prvient pas de lapparition de boucles sur plusieurs itrations de recherche. Pour viter
ce phnomne, nous pourrions mmoriser un historique des solutions testes et choisir une
solution courante aprs analyse de cet historique. On pourra par exemple forcer le choix
parmi un nombre de positions candidates rarement testes par lheuristique pour explorer
dautres parties de lespace des solutions et limiter lapparition de boucles dans la recherche.
Le troisime algorithme prsent au chapitre 6 est une heuristique tabou multicritre.
Plusieurs recherches tabou sont effectues en parallle et chaque itration, les solutions
non-domines au sens de Pareto sont stockes dans un front de Pareto optimal. Chaque solution du front reprsente un compromis diffrent entre les critres du problme rsoudre.
Nous avons montr que cet algorithme converge bien vers le front de Pareto thorique pour
un problme optimisant les critres de couverture et dinterfrences.
Une fois la surface de compromis dfinie, il faut choisir un ensemble de solutions qui
reprsente des compromis suffisamment diffrents. Ce choix est une tape dlicate de lalgorithme. Il est mis en oeuvre laide dune fonction de niche qui slectionne les solutions
en fonction de la densit des solutions de leur voisinage. Cette slection est ralise dans
lespace des fonctions. Elle a t teste pour les trois critres de couverture, dinterfrences
et de qualit de services. Pour que les solutions ainsi tries puissent tre prsentes un
installateur de rseau wLAN, il est souhaitable que toutes ces solutions prsentent des
compromis intressants pour lui. De ce fait, il faut appliquer la procdure de slection aux
parties de la surface de compromis les plus intressantes. Dautre part, lutilisateur pourrait intgrer dans le choix final des contraintes de dploiement additionnelles non prises
en compte dans le processus doptimisation (emplacement des prises de courant, gomtrie
des lieux, etc. ...).
Ce travail pourra tre poursuivi autour des axes suivants. Parmi les trois heuristiques de
planification proposes, lheuristique multicritre est la plus prometteuse. Il est ncessaire
de la tester plus en avant et de comparer ses performances avec dautres heuristiques
multicritres. Si ces tests sont concluants, cette heuristique pourra servir rsoudre dautres
problmes doptimisation.
Actuellement, les constructeurs intgrent des services de tlphonie sur IP (Voix sur
IP) leurs quipements wLAN. Ces technologies sont particulirement handicapes par
les changements de cellule car le processus de handover est long. De plus, leur bon fonctionnement ncessite une qualit de signal trs rgulire. Il serait bon de dfinir un ou
plusieurs critres de planification adapts ce service de tlphonie. Nous pensons pour
204
CHAPITRE 7. CONCLUSIONS
cela quil faut dfinir une contrainte de connexit pour que les zones de service ne soient
pas morceles sur le plan. Ainsi, il est possible de limiter les changements de cellule dans
un rseau. Un tel critre doit tre bien entendu coupl avec des critres de couverture et
dinterfrences. Cette dmarche a dj t applique avec succs pour la planification de
rseaux cellulaires ([18]).
Un nombre important de rseaux wLAN est dploy sur plusieurs tages dun btiment.
Il nest pas ais de dployer un tel rseau car les interfrences proviennent de plusieurs
directions. Pour aborder cet autre dimension du problme, il est ncessaire de prdire la
couverture radio dans les trois dimensions. La prdiction de couverture en 3D est le sujet de
recherche actuellement trait par M. De La Roche dans le cadre de sa thse. Ses premiers
travaux ont permis dobtenir des cartes de couverture pour chaque tage dun btiment.
Il faudra tester nos critres et heuristiques de planification sur ces donnes et observer la
structure des rseaux obtenus.
Le problme de planification peut se rduire au problme combinatoire de la recherche
dun sous-ensemble dominant de taille minimal. La recherche dun tel ensemble survient
dans les rseaux de capteurs pour minimiser la consommation dnergie globale du rseau.
Pour relayer les messages des capteurs, plusieurs noeuds matres (clusterhead) sont lus.
Chaque noeud matre couvre un ensemble de capteurs qui forment un cluster. Connaissant
la rpartition des capteurs sur le plan, il est possible de dfinir cet ensemble de clusters en
appliquant les heuristiques de planification proposes dans cette thse. Dans ce cas, chaque
capteur sapparente une position candidate dAP. Il faut alors trouver le sous-ensemble
de noeuds qui garantisse le service voulu. Le critre de localisation prend ici tout son sens
car bon nombre de rseaux de capteurs sont ddis ces services.
Pour maximiser la dure de vie dun rseau de capteurs, il est bon de changer priodiquement la position des noeuds matres car ces derniers sont sujets une consommation
dnergie bien plus importante quun autre capteur du cluster. Avec notre heuristique multicritre, il est possible dobtenir plusieurs rpartitions possibles des noeuds matres. Ces
solutions peuvent tre utilises alternativement dans le rseau pour assurer son bon fonctionnement et maximiser sa dure de vie. Il est alors primordial, dans le choix des solutions
de la surface de compromis, dappliquer la fonction de niche dans lespace des solutions
pour slectionner les solutions qui nutilisent pas les mmes capteurs.
205
Annexes
206
ANNEXE
Modle de dbit
Le modle de dbit est inspir des travaux de Bianchi [45] qui modlisent laide dune
chaine de Markov les tats du backoff du protocole daccs au rseau DCF de 802.11 (cf.
1.1.3). A la diffrence des travaux de Bianchi, les travaux de Lu et Valois prennent en
compte un paramtre supplmentaite sous la forme dune probabilit de retransmission pr .
Cette probabilit de retransmission est compose de la probabilit de collision pc et de la
probabilit derreur pe .
Le tableau 1 prsente les notations employes pour dcrire le modle. Ce modle exploite
les variables standard du protocole daccs Direct Sequence Spread Spectrum(DSSS) PHY
de 802.11. Les valeurs qui ne sont pas dfinies explicitement dans le tableau le seront dans
la suite du document.
Soit s(t) le processus stochastique qui reprsente lindice du slot de temps de backoff
pour une station donne et b(t) le processus stochastique qui reprsente ltat du backoff dune station au temps t. Chaque tat de la chane reprsente un tat du processus
{s(t), b(t)} en deux dimensions.
208
n
ni
pc
pe
pr
S
Si
Dfinition
Valeurs
32
5
7
56s
20s
192s
1028 octets
1s
pe + pc
Wi =
2i W0
i m
2m W0 i m
(1)
P {i, k|i, k + 1} = 1
k
k
k
k
(2)
Soit bi,k = limn P {s(t), b(t)}, i [0, m]k [0, Wi 1] la distribution stationnaire
de la chaine de Markov. La relation entre bi,0 et b0,0 devient :
bi,0 = pr bi1,0 = pir b0,0 , 0 i m
(3)
Comme la chane est rgulire, pour chaque k [0, Wi 1], nous avons :
P
Wi k
(1 pr ) m1
i=0
j=0 bj,0 + bm,0 ,
bi,k =
Wi
pr bi1,0 ,
0<im
(4)
Wi k
bi,0 , 0 i m
Wi
(5)
La somme de toutes les probabilits de la chane vaut 1. On peut en dduire la probabilit de ltat initial b0,0 = :
2(12pr )(1pr )
,
m m
W0 (1(2pr )m+1 )(1pr )+(12pr )(1pm+1
)
r
(6)
2(12pr )(1pr )
m m
m+1
mm ,
m +1
m m +1
W0 (1(2pr )
)+W 2
210
pr
(12pr )(1pr
1 pm+1
r
b0,0
1 pr
(7)
pr = pc + pe
Une collision peut survenir quand au moins deux stations mettent dans un mme
intervalle de temps (slot). Ainsi, pc est dfini par :
pc = 1 (1 )n1
(9)
(10)
m+1
r
= 1p
1pr b0,0
pr = 1 (1 )n1 + 1 (1 BER)LP
(11)
Soit Ptr la probabilit davoir au moins eu un accs au canal dans un slot de temps
pour le rseau wLAN complet. Soit Ps la probabilit quune transmission soit russie,
connaissant la probabilit Ptr . Ces deux grandeurs peuvent tre dtermines partir de
et n comme suit :
Ptr = 1 (1 )n
Ps =
=
(12)
n (1 )n1 (1pe )
Ptr
n (1 )n1 (1pe )
1(1 )n
(13)
PtrR est dfini comme la probabilit quune station mette au dbit R dans le slot de
temps donn. PsR est dfini comme la probabilit quune transmission au dbit R soit
russsie, sachant PtrR (R {11, 5.5, 2, 1M bps}).
PsR =
PtrR = 1 (1 )n
nR . (1 )n1 (1pe )
1(1 )nR
211
(14)
(15)
Il est galement possible de calculer le taux doccupation du canal pour chaque type
de noeud :
SR =
(1 Ptr )Tslot +
PsR PtrR TR
P
PsR PtrR TsR + (1 PsR )PtrR TrR
Ici, TsR (resp. TrR ) reprsente la dure doccupation du canal par une transmission russie
(resp. la dure dune transmission choue). T R est la dure de transmission des donnes
(Payload) au dbit R :
R
T = P S/R
bas
TsR = TDIF S + TH + TR +
R {11, 5.5, 2, 1M bits/s}
(17)
+TSIF S + TACK +
bas
TrR = TDIF S + TH + TR +
La mention bas stipule que les dures sont calcules pour un mode daccs standard,
sans RTS/CTS.
Pour obtenir le dbit moyen fournit par lAP en Mbits/s, il suffit dutiliser lquation
suivante :
P
S = SR R, R {11, 5.5, 2, 1M bits/s}
(18)
212
ANNEXE
2. Publications
213
Bibliographie
Confrences internationales avec comit de lecture.
[1] K. Runser and J.-M. Gorce.Assessment of a new indoor propagation prediction model
based on a multi-resolution algorithm" in Proceedings of the Vehicular Technology
Conference Spring 2005, Stockholm, Sweden, May 2005.
[2] J.-M. Gorce and K. Runser, Assessment of a frequency domain TLM like approach
for 2D simulation of Indoor propagation" in IMACS World Congress on Scientific
Computation, Applied Mathematics and Simulation, Paris, France, July 2005.
[3] G. De La Roche, R. Rebeyrotte, K. Runser and J.-M. Gorce, A new strategy for indoor propagation fast computation with MR-FDPF algorithm." in IASTED International Conference on Antennas, Radar and Wave Propagation (ARP), Banff, Alberta,
Canada, July 2005.
[4] J.-M. Gorce, E. Jullo and K. Runser, An adaptative multi-resolution algorithm for
2D simulations of indoor propagation" in Proceedings of the 12th ICAP Conference,
Exeter, UK, vol. I, pp. 216-219, April 2003, Best Paper Award on Propagation.
[5] K. Runser, E. Jullo, J.-M. Gorce. Wireless LAN planning using the multi-resolution
FDPF propagation model" in Proceedings of the 12th International Conference on
Antennas and Propagation, Exeter, UK, vol. I, pp. 216-219, April 2003.
214
Bibliographie
[1] G. Pujolle. Les rseaux, dition 2005. Editions Eyrolles, Paris, France, 2004, 1094 p.
[2] ETSI. HIgh PErformance Radio Local Area Network (HIPERLAN) type 1. Technical report, Broadband Radio Access Network BRAN, Disponinble sur : http ://portal.etsi.org/bran/kta/Hiperlan/hiperlan1.asp (08.08.2005), 1998.
[3] ETSI.
HIPERLAN Type 2 ; physical (PHY) layer.
Technical report,
Broadband Radio Access Network BRAN, Disponible sur : http ://portal.etsi.org/bran/kta/Hiperlan/hiperlan2.asp (08.08.2005), 2001.
[4] P. Mhlethaler. 802.11 et les rseaux sans-fil. Editions Eyrolles, Paris, France, 2002,
304 p.
[5] Claude Chaudet. Autour de la rservation de bande passante dans les rseaux ad hoc.
PhD thesis, Informatique. Lyon : INSA de Lyon, 2004, 145 p.
[6] R. Mathar and M. Schmeink. Integrated optimal cell site selection and frequency
allocation for cellular radio networks. Telecommunications Systems, 21(2-4) :339
347, 2002.
[7] E. Amaldi, A. Capone, and F. Malucelli. Planning UMTS base station location :
Optimization models with power control and algorithms. IEEE Transactions on
Wireless Communications, 2(5) :939952, 2002.
[8] E. Amaldi, A. Capone, F. Malucelli, and F. Signori. Optimization models and algorithms for downlink UMTS radio planning. In Proceedings of IEEE Wireless Communications and Networking Conference (WCNC03), New Orleans, LA, USA, 2003.
[9] A. Jedidi, A. Caminada, and G. Finke. 2-objective optimization of cells overlap
and geometry with evolutionary algorithms. In EvoWorkshops 2004, LCNS, pages
130139, Portugal, April 5-7 2004.
[10] IEEE. Wireless LAN medium access control (MAC) and physical layer (PHY) specifications. Technical report, IEEE Std 802.11-1997, Disponible sur : http ://standards.ieee.org/getieee802/802.11.html (09.08.2005), 1997, 528 p.
[11] IEEE.
Wireless LAN medium access control (MAC) and physical layer
(PHY) specifications : Higher-speed physical layer extension in the 2.4 GHz
band. Technical report, IEEE Std 802.11b-1999, Disponible sur : http ://standards.ieee.org/getieee802/802.11.html (09.08.2005), 2000, 96 p.
[12] IEEE. Wireless LAN medium access control (MAC) and physical layer (PHY) specifications : High speed physical layer in the 5GHz band. Technical report, IEEE
Standard 802.11a, Disponible sur : http ://standards.ieee.org/getieee802/802.11.html
(09.08.2005), 1999, 91 p.
[13] IEEE. Wireless LAN medium access control (MAC) and physical layer (PHY) specifications. Technical report, IEEE Std 802.11g-2003, Disponible sur : http ://standards.ieee.org/getieee802/802.11.html (09.08.2005), 2003, 78 p.
215
BIBLIOGRAPHIE
[14] J. Riihijrvi, P. Mhnen, and M. Petrova. Automatic channel allocation for small
wireless local area networks using graph colouring algorithm approach. Proceedings
of the IEEE Conference on Personal, Indoor, and Mobile Radio Communications
(PIMRC), pages 536539, September 2004.
[15] D. Dhoutaut. Etude du standard IEEE 802.11 dans le cadre des rseaux ad hoc : de
la simulation lexprimentation. PhD thesis, Informatique. Lyon : INSA de Lyon,
2003, 153 p.
[16] N.R. Prasad A.R. Prasad, A. Kamerman, H. Moelard, and A. Eikelenboom. Indoor wireless LANs deployment. In Proceedings of the IEEE Vehicular Technology
Conference Spring, pages 15621566, Tokyo, Japan, May 2000.
[17] A. Hills. Large scale wireless LAN design.
40(11) :98104, November 2001.
BIBLIOGRAPHIE
[30] F. Aguado-Agelet, A. Martinez Varela, L.J. Alvarez-Vazquez, J-M. Hernando Rabanos, and A. Formella. Optimization methods for optimal transmitter locations
in a mobile wireless system. IEEE Transactions on Vehicular Technology, 51(6),
November 2002.
[31] Z. Ji, T.K. Sarkar, and B.-H. Li. Methods for optimizing the location of base stations
for indoor wireless communications. IEEE Transactions on Antennas and Propagation, 50(10) :14811483, October 2002.
[32] K. Runser, E. Jullo, and J-M. Gorce. Wireless LAN planning using the multiresolution FDPF propagation model. In Proceedings of the 12th IEE International
Conference on Antennas and Propagation, pages 8083, Exeter, UK, April 2003.
[33] H.R. Anderson and JP McGeehan. Optimizing microcell base station locations using
simulated annealing techniques. In Proceedings of the 44th IEEE Vehicular Technology Society Conference, pages 858862, Stockholm, June 1994.
[34] T. Frhwirt and P. Brisset. Placing base stations in wireless indoor communication
networks. IEEE Intelligent Systems, pages 4953, February 2000.
[35] J.K.L. Wong, N.J. Neve, and K.W. Sowerby. Uplink and downlink SIR analysis for
base station placement. In Proceedings of the IEEE Vehicular Technology Conference,
volume 1, pages 112116, Jeju, Korea, April 2003.
[36] C. Prommak, J. Kabara, D. Tipper, and C. Charnsripinyo. Next generation wireless
LAN system design. In Proceedings of IEEE Military Communications Conference
MILCOM, volume 1, pages 473477, Anaheim, California, USA, Octobre 2002.
[37] M. D. Adickes, R.E. Billo, B.A. Norman, S. Banerjee, B.O. Nnaji, and J. Rajgopal.
Optimization of indoor wireless communication network layout. IIE Transactions,
34 :823836, 2002.
[38] Y. Lee, K. Kim, and Y. Choi. Optimization of AP placement and channel assignment
in wireless LANs. In 27th Annual IEEE Conference on Local Computer Networks
(LCN02), pages 831836, Tampa, Florida, USA, November 2002.
[39] K. Maksuriwong, V. Varavithya, and N. Chauyaratana. Wireless LAN access point
placement using a multi-objective genetic algorithm. In IEEE Conference on Systems,
Mans and Cybernetics, volume 2, pages 19441949, Chicago, USA, October 2003.
[40] R.H. Jan, H.-C. Chu, and Y.-F. Lee. Improving the accuracy of cell-based positioning
for wireless networks. Computer Networks, 46 :817827, December 2004.
[41] A. Bahri and S. Chamberland. On the wireless local area network design problem
with performance guarantees. Computer Networks, in Press, 48(6) :856866, August
2005.
[42] P. Wertz, M. Sauter, F.M. Landstorfer, G. Wlfle, and R. Hoppe. Automatic optimization algorithms for the planning of wireless local area networks. In Proceedings
of IEEE Vehicular Technology Conference VTC Fall, Los Angeles, California, USA,
September 2004.
[43] O. Molina Lopez and I. Alonso Gonzalez. Automatic planning optimal quality-cost
wireless networks, the indoor pareto oriented ABSPAD approach. In Proceedings of
IEEE Personal and Indoor Mobile Radio Communications PIMRC, Barcelona, Spain,
September 2004.
[44] E. Amaldi, A. Capone, M. Cesana, and F. Malucelli. Algorithms for WLAN Coverage
Planning. Lecture Notes in Computer Science, 3427 :5265, February 2005.
217
BIBLIOGRAPHIE
[45] G.Bianchi. Performance Analysis of the IEEE 802.11 DCF. IEEE Journal on selected
areas in communications, 18(3) :535547, 2000.
[46] T.-H. Le. Localisation de stations mobiles dans les rseaux sans-fil : rapport de stage
de DEA. In DEA Images et Systmes, Lyon : INSA de Lyon, CREATIS-CITI, 60
p., 2004.
[47] A. Heindl and R. German. Performance modeling of IEEE 802.11 wireless LANs
with stochastic petri nets. Performance Evaluation 44 :139-164, 2001.
[48] J.-L. Lu and F. Valois. Stochastic model of radio network. Technical report, INRIA
Research Technical, RR-5518, February 2005.
[49] J. Kabara, P. Krishnamurphy, and D. Tipper. Capacity based network planning for
wireless data networks. In Proceedings of Information Society Technologies (IST)
Mobile Summit, Barcelona, Spain, September 2001.
[50] T. Rappaport. Wireless Communications : Principles and Practice, chapter 3. Prentice Hall, Englewood Cliffs, New Jersey, USA, 1996, 736p.
[51] J.W. McKnown and R.L. Hamilton. Ray tracing as design tool for radio networks.
IEEE Network Magazine, 5 :2730, November 1991.
[52] S.Y. Seidel and T.S. Rappaport. 914 mhz path loss prediction models for indoor
wireless communications in multifloored buildings. IEEE transactions on Antennas
and Propagation, 40(2) :207217, 1992.
[53] W. Honcharenko, H.L. Bertoni, .L. Dailing, J. Qian, and H.D. Yee. Mechanisms governing uhf propagation on single floors in modern office buildings. IEEE transactions
on Antennas and Propagation, 41(6) :787790, 1993.
[54] S. Y. Seidel, K. R. Schaubach, T.T. Tran, and T.S. Rappaport. Research in sitespecific propagation modeling for PCS system design. In Proceedings of the 43rd
IEEE Vehicular Technology Conference, pages 261264, Secaucus, NJ, USA, May
1993.
[55] R.A. Valenzuela. A ray tracing approach to predicting indoor wireless transmission.
In Proceedings of the 43rd IEEE Vehicular Technology Conference, pages 214218,
May 1993.
[56] S.Y. Seidel and T.S. Rappaport. Site specific propagation prediction for wireless
in-building personal communication system design. IEEE transactions on Vehicular
Technology, 43(4) :879891, 1994.
[57] K. Pahlavah and A. H. Lavesque. Wireless information networks, pages 195196.
Wiley Series in Telecommunications and Signal Processing. Wiley, New York, USA,
1995.
[58] A. Rajkumar, B.F. Naylor, F. Feisullin, and L. Rogers. Predicting RF coverage in
large environments using ray-beam tracing and partitioning tree represented geometry. Technical report, Technical Memorendum, AT&T Bell Laboratories, 1995.
[59] M. A. Panjwani, A. L. Abbott, and T. S. Rappaport. Interactive computation of
coverage regions for wireless communication in multifloored indoor environments.
IEEE Journal on Selected Areas in Communications, 14(3) :420430, April 1996.
[60] S. Fortune. A beam tracing algorithm for prediction of indoor radio propagation.
Technical report, AT& T Bell Laboratories report, February 1996.
[61] COST Program, editor. Digital Mobile Radio towards Future Generation Systems,
COST 231 Final Report, chapter Chap 4 : Propagation Prediction Models, pages
115208. European Union, Brussels, 1996.
218
BIBLIOGRAPHIE
BIBLIOGRAPHIE
BIBLIOGRAPHIE
[95] J.A. Nelder and R. Mead. A simplex method for function minimisation. Computer
Journal, 7 :308313, 1965.
[96] K.I.M. McKinnon. Convergence of the nelder-mead simplex method to a nonstationary point. SIAM Journal of Optimisation, 9 :148158, 1998.
[97] D.R. Jones, C.D. Perttunen, and B.E. Stuckman. Lipschitzian optimization without
the lipschitz constant. Journal of Optimization Theory and Applications, 79(1) :157
181, October 1993.
[98] J. Pintr. Global Optimization in Action : Continuous and Lipschitz Optimization :
Algorithms, Implementations and Applications. Kluwer, Dordrecht, 1996, 508 p.
[99] J.M. Gablonsky. Modifications of the DIRECT algorithm. PhD thesis, Raleigh, USA :
North Carolina State University, 2001.
[100] G. Ausiello, P. Crescenzi, G.Gambosi, V. Kann, A. Marchetti-Spaccamela, and
M. Protasi. Complexity and Approximation. Springer, New-York, 1999, 524p.
[101] F. Glover. Future paths for integer programming and links to artificial intelligence.
Computers and Operations Research, 5 :533549, 1986.
[102] F. Glover and M. Laguna. Tabu Search. Kluwer Academic Publisher, Boston, 1997,
408p.
[103] Y. Collette and P. Siarry. Multiobjective optimization. Springer Edition, August
2003, 315p.
[104] P. Engrand. Approche doptimisation multiobjectif base sur ladoucissement simul,
et son application la gestion des combustibles nuclaires. In Icone 5 : Int. Conf.
on Nuclear Engineering, volume 10, pages 18, Nice, France, 1997.
[105] E.L. Ulungu, J. Teghem, Ph. Fortemps, and K. Van Nieuwenhuyze. Perfomance of
the MOSA method for the bicriteria assignment problem. Journal of Heuristics,
6(3) :295310, 1994.
[106] C.A. Coello and A.D. Christiansen. Two new ga-based methods for multiobjective
optimization. Civil Engineering Systems, 15(3) :207243, 1998.
[107] J-M. Gorce and S. Ubeda. Propagation simulation with the parflow method : fast
computation using a multi-resolution scheme. In IEEE 54th Vehicular Technology
Conference, Atlantic City, October 2001.
[108] J-M. Gorce, E. Jullo, and K. Runser. An adaptative multi-resolution algorithm for
2D simulations of indoor propagation. In Proceedings of the 12th IEE International
Conference on Antennas and Propagation, pages 216219, Exeter, UK, April 2003.
IEE.
[109] W. Hoschek. The COLT Distribution : Open source libraries for high performance
scientific and technical computing in java. Technical report, CERN, Disponible sur :
http ://hoschek.home.cern.ch/hoschek/colt/ (23.08.2005), 2002.
[110] L. S. Blackford, J. Demmel, J. Dongarra, I. Duff, S. Hammarling, G. Henry, M. Heroux, L. Kaufman, A. Lumsdaine, A. Petitet, R. Pozo, K. Remington, and R. C.
Whaley. An Updated Set of Basic Linear Algebra Subprograms (BLAS). ACM
Transactions for Mathematical Software, 2(28) :135151, 2002.
[111] K. Runser and J.-M. Gorce. Assessment of a new indoor propagation prediction
model based on a multi-resolution algorithm. In Proceedings of the IEEE Vehicular
Technology Conference Spring 2005, pages 3538, Stockholm, Sweden, May 2005.
221
BIBLIOGRAPHIE
[112] G. De La Roche K. Runser and J.-M. Gorce. The adaptive multi-resolution frequencydomain parflow (MR-FDPF) method for indoor radio wave propagation simulations.
Part II : Application to indoor propagation prediction. Technical report, INRIA,
France, 2005.
[113] B. Chopard, P.O. Luthi, and J.F. Wagen. A lattice boltzmann method for wave
propagation in urban microcells. In IEEE Proceedings H - Microwaves, Antennas
and Propagation, volume 144, pages 251255, 1997.
[114] P.O. Luthi. Lattice Wave Automata : from radio wave to fracture propagation. PhD
thesis, Geneva, Switzerland : Computer Science Dpt., University of Geneva, 1998.
[115] W.J.R. Hoefer. The transmission line matrix method - theory and applications. IEEE
Transactions on Microwaves Theory Technique., 33(4) :882893, 1985.
[116] J. Rebel. On the foundation of the transmission Line Matrix Method. PhD thesis,
Munchen, Deutchland : Universitat Munchen, dec 1999.
[117] PB. Johns. A symmetrical condensed node for the TLM method. IEEE trans. on
Microwave theory Techniques, 35 :370377, April 1987.
[118] J. Hesselbarth and R. Vahldieck. Accuracy of the frequency-domain tlm method and
its application to microwave circuits. International journal of numerical modelling :
electronic networks, devices and fields, 15 :371383, may 2002.
[119] H. Jin and R. Vahldieck. The frequency-domain transmission line matrix method :
as new concept. IEEE Trans. Microwave Theory Techniques, 40 :22072218, 1992.
[120] Gerard Wlfle, Ren Wahl, Pascal Wildbolz, and Philipp Wertz. Dominant path
prediction model for indoor and urban scenarios. In 11th COST 273, Germany,
September 2004.
[121] J.-M. Gorce, K. Runser, and G. de la Roche. The adaptive multi-resolution frequencydomain parflow (MR-FDPF) method for indoor radio wave propagation simulations.
Part I : theory and algorithms. Technical report, RR-5740, INRIA, France, 2005.
[122] G. De La Roche, R. Rebeyrotte, K. Runser, and J.-M. Gorce. A new strategy for
indoor propagation fast computation with MR-FDPF algorithm. In Proceedings of
the IASTED International Conference on Antennas, Radar and Wave Propagation
(ARP), Banff, Canada, July 2005.
[123] S. Stavrou and S.R. Saunders. Review of constitutive parameters of building materials. In Proceedings of the 12th International Conference on Antennas and Propagation, pages 211215, Exeter, UK, April 2003.
[124] P. Wertz, G. Wlfle, R. Hoppe, and F.M. Landstorfer. Deterministic propagation
models flor radio transmission into buildings and enclosed spaces. In European Microwave Week 2003, Munich, 2003.
[125] D. R. Jones. A taxonomy of global optimization methods based on response surfaces.
Journal of Global Optimization, 21 :345383, 2001.
[126] K. Runser, S. Ubeda, and J-M. Gorce. 0ptimisation de rseaux locaux sans fils. In 5e
congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision,
pages 250251, Avignon, France, February 2003.
[127] P. Reininger and A. Caminada. Multicriteria design model for cellular network.
Annals of Operation Research, 107(1-4) :251265, 2001.
[128] J. Hightower and G. Borriello. Location systems for ubiquitous computing. IEEE
Computer, 8(34) :5766, August 2001.
222
BIBLIOGRAPHIE
223
FOLIO ADMINISTRATIF
THESE SOUTENUE DEVANT LINSTITUT NATIONAL DES SCIENCES APPLIQUEES DE LYON
DATE de SOUTENANCE : 27 octobre 2005
NOM : RUNSER
Prnoms : Katia Emmanuelle
et
bis
CLASSE :
RESUME :
Lobjectif du travail prsent dans cette thse est de proposer une stratgie de planification automatique des rseaux locaux sans-fil
de type WiFi en environnement Indoor. Il sagit de rechercher une ou plusieurs configurations des points daccs (AP) au rseau
garantissant une certaine qualit de service (QoS).
tion de couverture radio utilis. La premire partie de ces travaux a donc t consacre au dveloppement et la validation des prdictions de couverture radio du modle Multi-Resolution Fourier Domain ParFlow (MR-FDPF). Une tape de calibration du modle
nous a permis de dfinir un paramtrage adquat du modle MR-FDPF pour des btiments standard, garantissant une erreur quadratique de moins de 5 dB. La seconde partie se concentre sur le problme de planification wLAN. Des critres de couverture radio,
de minimisation des interfrences, doptimisation de la bande passante et damlioration des services de localisation ont t proposs.
Deux heuristiques de recherche bases sur une approche Tabou ont t dveloppes : une heuristique mono-objectif et une heuristique multiobjectif. Ces travaux ont mis en vidence les avantages dune recherche multiobjectif car elle permet dobtenir plusieurs solutions appartenant au front de Pareto de lespace des fonctions associes au problme trait. Chaque solution reprsente alors un
compromis diffrent entre les critres du problme rsoudre. Le choix de la solution dployer se fait posteriori dans lensemble limit des bonnes solutions.
ABSTRACT :
This PhD study was undertaken in the field of wireless local area networks. The objective is to propose an automatic planning
strategy which seeks one or more configurations of the access points (APs) to guarantee a given quality of service. The quality of
such a strategy depends mainly on the propagation prediction model used. The first part of this work was thus devoted to the development and validation of an original propagation prediction model : the adaptive Multi-Resolution Fourier Domain ParFlow (MRFDPF) model. The definition of a calibration stage enabled us to define adequate parameter settings of the model for standard
buildings, guaranteeing a mean squared error of less than 5 dB. The second part of this work concentrates on the wLAN planning
problem. Criteria of radio coverage, interference minimization, bandwidth optimization and improvement of localization services
were proposed. Two optimization heuristics based on a Tabu algorithm were developed : a mono-objective and a multiobjective one.
This work highlighted the advantages of the multiobjective approach because it makes it possible to obtain several solutions each
one representing a different trade-off between the optimized criteria. In fact, the mono-objective heuristic gives only one choice
to the deployment engineer and if this solution doesnt suits him, the whole research has to be run again with other criteria weightings. With the multiobjective approach, the choice of the solution to be deployed is done a-posteriori in a set of good solutions.
MOTS-CLES : Rseaux sans-fil, planification, Modle MR-FDPF, ParFlow, Propagation Indoor, Mtaheuristique,
Tabou, Optimisation Multiobjectif,
Laboratoire de recherche :
Directeurs de thse :
Prsident de jury :
Composition du jury :