Méthodologies Pour La Planifi Cation de Réseaux Locaux

M
ethodologies pour la planification de r

eseaux locaux
sans-fil
Katia Jaffrès-Runser
To cite this version:

Katia Jaffrès-Runser. Methodologies pour la planification de reseaux locaux sans-fil. Reseaux
et telecommunications [cs.NI]. INSA de Lyon, 2005. Francais. <tel-00406342>
HAL Id: tel-00406342

https://tel.archives-ouvertes.fr/tel-00406342
Submitted on 21 Jul 2009
HAL is a multi-disciplinary open access Larchive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinee au depot et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publies ou non,
lished or not. The documents may come from emanant des etablissements denseignement et de
teaching and research institutions in France or recherche francais ou etrangers, des laboratoires
abroad, or from public or private research centers. publics ou prives.
N dordre 05 ISAL
Anne 2005
Thse
Mthodologies pour la planification

de rseaux locaux sans-fil.
Prsente devant
LInstitut National des Sciences Appliques de Lyon
pour obtenir
Le grade de docteur
Par
Katia Runser
Encadre par M. Jean-Marie Gorce et M. Stphane Ubda

Projet INRIA ARES, Laboratoire CITI, INSA de Lyon
Ecole doctorale : Informatique et Information pour la Socit

Spcialit : Tlcommunications
Soutenue le 27 octobre 2005 devant la Commission dexamen
Jury
Alexandre Caminada Professeur (UTBM, Belfort) Rapporteur

Jean-Marie Gorce Matre de confrence (INSA, Lyon) Directeur de thse
Xavier Lagrange Professeur (ENST, Rennes) Rapporteur
David Simplot-Ryl Professeur (Universit de Lille) Examinateur
Stphane Ubda Professeur (INSA, Lyon) Directeur de thse
Rodolphe Vauzelle Professeur (Universit de Poitiers) Examinateur
ii
Table des matires
0 Introduction 1
Partie I : Ingnirie des rseaux locaux sans-fil 8
1 La planification dun rseau wLAN 8

1.1 Le standard IEEE 802.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.1 Les normes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.2 Les couches physiques 802.11 . . . . . . . . . . . . . . . . . . . . . . 10
1.1.3 La couche MAC 802.11 . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1.4 Le dploiement de rseaux sans-fil . . . . . . . . . . . . . . . . . . . 18
1.2 Variables et paramtres du problme wLP . . . . . . . . . . . . . . . . . . . 19
1.2.1 Le nombre de points daccs N . . . . . . . . . . . . . . . . . . . . . 19
1.2.2 La position des AP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.3 Les paramtres antennaires . . . . . . . . . . . . . . . . . . . . . . . 20
1.3 Les objectifs de la planification . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.2 Les objectifs de couverture radio . . . . . . . . . . . . . . . . . . . . 24
1.3.3 Les objectifs de recouvrement et dinterfrences . . . . . . . . . . . . 28
1.3.4 Les objectifs de trafic et de qualit de service . . . . . . . . . . . . . 30
1.3.5 Rsum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.3.6 Modlisation du comportement du rseau. . . . . . . . . . . . . . . . 33
1.4 Les formulations du problme wLP . . . . . . . . . . . . . . . . . . . . . . . 41
1.4.1 Formulations gnriques . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.4.2 Modles utiliss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2 Outils et mthodes 46
2.1 La prdiction de couverture radio . . . . . . . . . . . . . . . . . . . . . . . . 46
2.1.1 Le canal radio Indoor . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.1.2 Les approximations circulaires . . . . . . . . . . . . . . . . . . . . . . 47
2.1.3 Les modles empiriques . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.1.4 Les modles dterministes . . . . . . . . . . . . . . . . . . . . . . . . 49
2.1.5 Rsum et Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.2 Algorithmes doptimisation pour le problme wLP . . . . . . . . . . . . . . 54
2.2.1 La difficult du problme wLP . . . . . . . . . . . . . . . . . . . . . 54
2.2.2 Loptimisation mono-objectif continue . . . . . . . . . . . . . . . . . 57
2.2.3 Loptimisation mono-objectif combinatoire . . . . . . . . . . . . . . . 71
2.2.4 Loptimisation multiobjectif . . . . . . . . . . . . . . . . . . . . . . . 81
2.3 Conclusions et perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
iii
iv TABLE DES MATIRES
Partie II : Modlisation de la propagation dans les btiments 91
3 La mthode Multi-Rsolution FDPF adaptative 93

3.1 Dveloppements thoriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.1.1 Lalgorithme temporel ParFlow . . . . . . . . . . . . . . . . . . . . . 93
3.1.2 Lalgorithme ParFlow dans le domaine frquentiel (FDPF). . . . . . 96
3.1.3 La modlisation par blocs . . . . . . . . . . . . . . . . . . . . . . . . 97
3.1.4 Lapproche multi-rsolution . . . . . . . . . . . . . . . . . . . . . . . 98
3.1.5 Dcoupage adaptatif de lenvironnement . . . . . . . . . . . . . . . . 101
3.1.6 Implantation et performances . . . . . . . . . . . . . . . . . . . . . . 104
3.2 Mise en oeuvre pour les rseaux sans fil . . . . . . . . . . . . . . . . . . . . 107
3.2.1 Lapproximation 2D / 3D . . . . . . . . . . . . . . . . . . . . . . . . 107
3.2.2 Choix de la rsolution R . . . . . . . . . . . . . . . . . . . . . . . . 108
3.2.3 Les paramtres des matriaux . . . . . . . . . . . . . . . . . . . . . . 109
3.2.4 Le processus de calibration . . . . . . . . . . . . . . . . . . . . . . . 110
4 Validation des prdictions 113

4.1 Rglage du simulateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.1.1 Environnements de test et protocole de mesures . . . . . . . . . . . . 114
4.1.2 Modlisation un matriau. . . . . . . . . . . . . . . . . . . . . . . . 116
4.1.3 Modlisation deux matriaux. . . . . . . . . . . . . . . . . . . . . . 125
4.1.4 Synthse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.2 Mise en oeuvre de DIRECT . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.2.1 Modlisation un matriau . . . . . . . . . . . . . . . . . . . . . . . 132
4.2.2 Modlisation deux matriaux . . . . . . . . . . . . . . . . . . . . . 133
4.2.3 Modlisation trois matriaux. . . . . . . . . . . . . . . . . . . . . . 135
4.2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.3 Rsultats et conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.3.1 Mode de validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.3.2 Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.3.3 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Partie III : Stratgies de planification wLAN 146
5 Modlisation du problme wLP 147

5.1 Variables et contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
5.1.1 Placement des points daccs candidats . . . . . . . . . . . . . . . . . 147
5.1.2 Paramtres antennaires. . . . . . . . . . . . . . . . . . . . . . . . . . 150
5.1.3 Cartes de couverture. . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
5.1.4 Reprsentation matricielle . . . . . . . . . . . . . . . . . . . . . . . . 151
5.2 Critres de planification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
5.2.1 Critres de couverture . . . . . . . . . . . . . . . . . . . . . . . . . . 152
5.2.2 Critres dinterfrences . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5.2.3 Critre de dbit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
5.2.4 Critre de localisation . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.2.5 Fonction de cot agrge. . . . . . . . . . . . . . . . . . . . . . . . . 169
TABLE DES MATIRES
6 Heuristiques de planification 171

6.1 Algorithmes mono-objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
6.1.1 Heuristique dterministe . . . . . . . . . . . . . . . . . . . . . . . . . 171
6.1.2 Mtaheuristique tabou . . . . . . . . . . . . . . . . . . . . . . . . . . 175
6.1.3 Rsultats de planification avec la recherche mono-objectif tabou . . . 178
6.2 Algorithme multiobjectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.2.1 Heuristique multiobjectif tabou . . . . . . . . . . . . . . . . . . . . . 188
6.2.2 Rsultats de la recherche multiobjectifs . . . . . . . . . . . . . . . . 191
6.3 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
7 Conclusions 202
Annexes 208
1. Modle pour lestimation de bande passante 208
2. Publications 213
v
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
0
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 actuelle-
ment 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 fonc-
tionnement dun rseau sans-fil. Ce choix est le coeur du problme de planification radio
trait dans ce manuscrit.
Les rseaux locaux sans-fil

Les rseaux locaux sans-fil (wireless LAN ou wLAN) permettent de transmettre des
donnes par les ondes lectromagntiques lintrieur de btiments et si besoin, lchelle
dun ensemble de btiments (campus, site industriel). Ils appartiennent la famille des
rseaux sans-fil qui sont, comme le prsente la figure 1, classifis selon ltendue de leur
zone de service. Cette figure prsente pour chaque classe les normes actuellement en vigueur.
Des problmatiques de planification surviennent principalement dans des rseaux cellulaires
o il est ncessaire de trouver les paramtres antennaires des stations de base et dans les
rseaux locaux sans-fil. Dans cette partie, nous bornerons notre prsentation la description
des rseaux locaux sans-fil qui constituent le cadre applicatif de ces travaux de thse.
WAN (Wide Area Network)

IEEE 802.20 3GPP, EDGE
wWAN (GSM)
MAN (Metropolitan Area Network)

IEEE 802.16 ETSI
wMAN HiperMAN & HiperACCESS
LAN (Local Area Network)

IEEE 802.11 ETSI
wLAN HiperLAN
PAN (Personal Area Network)

IEEE 802.15 ETSI
Bluetooth HiperPAN
Fig. 1 Catgories de rseaux sans-fil. (Source [1])
De par la nature du mdium radio, les rseaux sans-fil favorisent la mobilit des uti-
lisateurs. Contrairement aux rseaux de type cellulaire, un rseau wLAN ne permet pas
une vitesse de dplacement suprieure celle dun piton. Les utilisateurs sont quips
de terminaux divers : ordinateur portables, tlphones, assistants personnels, etc ... Deux
familles de standards ont t dfinies lheure actuelle :
HIPERLAN, propos par lETSI [2, 3].
802.11, propos par lIEEE [4]
Les standards 802.11 et HIPERLAN ont t dfinis respectivement par des instituts
amricain et europen. Cest le standard issu de lIEEE, 802.11, qui a t implant dans les
produits commercialiss. Certains rsultats issu des travaux dHIPERLAN ont t intgrs
des extensions du standard 802.11.
Les standards HIPERLAN et 802.11 prvoient deux modes de fonctionnement : le mode
ad-hoc et le mode infrastructure (cf. figure 2). En mode ad-hoc, chaque terminal mobile
2
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)
Fig. 2 Rseau wLAN (1) en mode ad-hoc (2) en mode infrastructure
Le mode infrastructure utilise le mme principe de fonctionnement que les rseaux

cellulaires. Des points daccs au rseau sont rpartis sur la zone couvrir et relis au
LAN filaire. Les utilisateurs mobiles se connectent au point daccs qui leur fournit la
couverture radio pour accder au rseau. Dans la figure 2-(2) les terminaux A et B se
connectent au point daccs AP. La communication entre les deux terminaux est ralise
par lintermdiaire de ce point daccs. Si A et B ne sont pas connects aux mmes points
daccs, la communication est relaye par le rseau LAN. Lacronyme AP sera utilis dans
la suite de ce document pour dsigner un point daccs.
Le mode infrastructure propose un service de communication aux seules zones couvertes
par les AP. Pour pouvoir accder au rseau dans tout le btiment, il est ncessaire de
dployer les AP de faon garantir la couverture radio par au moins un AP en chaque
point du plan. Cette condition de fonctionnement est un des objectifs de base du problme
de planification.
Le problme de planification de rseau locaux sans-fil ne se pose que pour le mode
infrastructure. Cest pourquoi dans la description ultrieure des technologies wLAN seules
les caractristiques propres ce mode de fonctionnement seront prsentes.
Plan des travaux de thse

Ce manuscrit de thse se dcompose en trois parties, chacune regroupant deux chapitres.
La premire partie prsente le contexte, dfinit et analyse les problmatiques relatives
lingnierie des rseaux locaux sans-fil. La seconde partie prsente les travaux mens autour
de la prdiction de couverture radio par la proposition, la mise en oeuvre et la validation
dun modle de prdiction original et performant. La troisime partie traite des solutions
algorithmiques que nous avons dveloppes pour rsoudre le problme de planification
wLAN.
Le premier chapitre de cette thse introduit toutes les facettes du problme de plani-
fication dun rseau wLAN. Nous commenons par dcrire les spcificits de la technologie
wLAN IEEE 802.11 pour pouvoir dcrire plus particulirement le mode de dploiement
3
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 pr-
sentes 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 pla-
nification 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.
La deuxime partie de ce manuscrit sattache la prsentation et la validation des

prdictions dun modle discret de prdiction de couverture radio. Cette partie a pour
objectif de prsenter le modle, sa mise en oeuvre et surtout danalyser ses performances
en vrifiant la qualit des prdictions obtenues.
Le troisime chapitre prsente un nouveau modle de prdiction de couverture radio,

le modle Adaptative Multi-Resolution Frequency Domain ParFlow (MR-FDPF). Il com-
mence par prsenter le modle MR-FDPF dun point de vue thorique. Puis, la mise en
oeuvre dun tel modle pour lingnirie de dploiement de rseau wLAN est dcrite, nous
amenant introduire un certain nombre dhypothses simplificatrices. De ce fait, un pro-
cessus de calibration est introduit pour dune part compenser les artefacts crs par les
hypothses simplificatrices et dautre part adapter les prdictions tout type denvironne-
ment de travail. Ce modle est particulirement flexible car partir dun jeu de mesures, il
est possible dadapter des paramtres de propagation pour prendre en compte la prsence
de matriaux non standards au moment des prdictions.
Le quatrime chapitre sattache la validation des prdictions du modle. La premire

partie de ce chapitre prsente une recherche empirique des paramtres de propagation du
simulateur ncessaires la prdiction de la couverture de notre laboratoire. La qualit des
prdictions en fonction du nombre de matriaux diffrents utiliss pour dcrire lenviron-
nement de test est tudie. Cette recherche est ralise partir dun jeu de mesures relles.
Les premiers rsultats obtenus nous permettent de quantifier linfluence des paramtres de
propagation sur la qualit des simulations.
Le processus de calibration automatique est propos et test dans la seconde partie.
La recherche des paramtres de propagation optimaux du modle MR-FDPF est ralise
laide de lalgorithme doptimisation continue DIRECT. Nous montrons dans cette partie
4
que cet algorithme permet de trouver les jeux de paramtres optimaux en un temps ac-
ceptable 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 pro-
blme qui exploite directement les caractristiques du modle de prdiction de couverture
MR-FDPF. Le modle MR-FDPF se base sur un dcoupage gomtrique de lenvironne-
ment 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 multiob-
jectif dveloppe est illustre avec les mmes environnements de test pour loptimisation
conjointe des critres de couverture, dinterfrences et de dbit.
5
Partie I : Ingnirie des rseaux
locaux sans-fil
6
CHAPITRE
La planification dun rseau
1 wLAN
Comme prsent dans lintroduction, cest dans le mode de fonctionnement infrastruc-
ture que se pose le problme de planification dun rseau local sans-fil. Ce problme, r-
frenc 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 Le standard IEEE 802.11

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 infra-
structure) 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 ga-
lement 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 mo-
dle OSI. Lune des caractristiques essentielles est quil dfinit une couche MAC (Medium
Access Control) commune toutes les couches physiques. Ainsi, diffrentes couches phy-
siques 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, plu-
sieurs 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
CHAPITRE 1. LA PLANIFICATION DUN RSEAU WLAN
Bande de frquences Nombre de Canaux PIRE

14 de largeur 22 MHz (DSSS / OFDM)
2.4 GHz 2402 MHZ 2483,5 MHz 100 mW
79 de largeur 1MHz (FHSS)
5 GHz 5150 MHz 5350 MHz 8 de largeur 20 MHz (OFDM) 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 d-
veloppe pour garantir une compatibilit avec les quipements 802.11b. Ainsi, un
quipement 802.11b pourra communiquer jusqu 11 Mbits/s dans un rseau din-
frastructure 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 poli-
tique de contrle de puissance et dallocation dynamique de frquences. Cette exten-
sion 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 radiocom-
munication, 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 actuel-
lement 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 Les couches physiques 802.11

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.
5180 5200 5220 5240 5260 5280 5300 5320 MHz

canal 1 canal 7 canal 14 MHz
(2412) (2442) (2484)
83 MHz 200 MHz
(1) (2)
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 tech-
nologies 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
1
t
0 Signal Data Signal Data
1 t Bruit
-1 Signal tal
Chip Code Pseudo Noise
t
f
Signal tal
(1) Domaine Temporel (2) Domaine Frquentiel
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 0
-20
-30 -28
-40
-50
fc-30 fc-22 fc-11 fc+11 fc+22 fc-30 fc-20 fc-11 fc-9 fc+9 fc+11 fc+20
fc fc Freq. (MHz)
Spectre 802.11b 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 dta-
lement 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 uti-
lise. 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
802.11 802.11b 802.11a
FHSS DSSS HR-DSSS (CCK) OFDM

Modulation GFSK DBPSK DQPSK Mod. I/Q BPSK QPSK 16-QAM 64-QAM
Dbits (Mbits/s) 1 2 1 2 5.5 11 6 9 12 18 24 36 48 54
Fig. 1.4 Rcapitulatif de larchitecture des couches physiques IEEE 802.11
Lapproche traditionnelle qui tend diminuer la taille des bits transmis pour augmenter
le dbit savre tre particulirement affecte par le phnomne des trajets multiples. En
effet, si la dure des symboles transmis est infrieure la dure dtalement temporel du
12
canal, il ne sera pas possible de comprendre un message o plusieurs symboles arrivs

des moments diffrents se chevauchent au niveau du rcepteur. Or, les technologies wLAN
sont implantes dans des btiments o la densit des obstacles favorise lapparition de
multi-trajet. OFDM permet de palier ce problme en mettant en parallle des signaux
plus longs en dure sur plusieurs porteuses. Lagrgation de plusieurs canaux lents permet
de transmettre plus robustement des signaux sur un canal sensible aux trajets multiples.
Diffrentes techniques de modulation de phase (BPSK, QPSK, QAM...) sont dfinies en
fonction du dbit dmission voulu. La figure 1.4 prsente les types de modulation utiliss
pour chaque dbit.
Les douze canaux frquentiels de la bande 5 GHz, prsents dans la figure 1.1, ne se
recouvrent pas et lensemble des canaux est exploitable pour lallocation des frquences aux
points daccs. Par contre, lextension 802.11g exploite les mmes techniques (OFDM et
modulations associes) mais dans la bande de frquences 2.4 GHz. Si lon observe la forme
du spectre obtenu aprs talement et modulation du signal 802.11g de la figure 1.3, on
se rend compte que lon est confront au mme problme de recouvrement spectral quen
802.11b, ce qui interdit dallouer deux canaux adjacents deux AP voisins.
De plus, si lon compare le spectre 802.11g et le spectre 802.11b, on se rend compte
que le recouvrement entre deux canaux espacs de plus de 22 MHz (4 canaux) est plus
important en 802.11g que celui observ en 802.11b. Il en rsulte que les performances dun
rseau planifi en 802.11g dpendent encore plus dune allocation optimale des canaux et
de la minimisation du recouvrement entre les zones de services des AP quun rseau en
802.11b.
Cette mme figure 1.4 rcapitule les diffrentes technologies daccs, les types de mo-
dulation et les dbits atteints pour chaque norme 802.11.
Rapidit de modulation et qualit du signal
Pour connaitre la vitesse de transmission et la taille dun paquet reu par la couche
physique, le dbit de transmission de lentte contenant ces informations est fix 1
Mbits/s pour FHSS, DSSS et HR-DSSS et 6Mbits/s pour OFDM. Ainsi, lors de la r-
ception dun paquet, il est possible par la lecture de lentte dadapter la couche physique
la rapidit de modulation qui a permis dencoder le paquet. Le choix de la vitesse de
transmission est rgi par la technique de modulation employe par le fabricant. Ainsi, pour
que lon puisse comprendre tous les symboles transmis, il faut un rapport signal sur inter-
frences (SIR) suprieur un seuil donn et un niveau de puissance reue suprieur une
valeur limite.
Par exemple, la carte Lucent Orinoco PCMCIA Silver/Gold base sur la norme
802.11b change de dbit dmission avec les seuils de rapport SIR et de puissance reue
prsents dans le tableau 1.2.
1 Mbits/s 2 Mbits/s 5.5 Mbits/s 11 Mbits/s

Seuils puissance reue -94 dBm -91 dBm -87 dBm -82 dBm
Seuils SIR 4 dB 7 dB 11 dB 16 dB
Tab. 1.2 Puissance et SIR Seuils pour la carte IEEE 802.11b Lucent Orinoco PCMCIA
Silver/Gold
13
1.1.3 La couche MAC 802.11

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
Fig. 1.5 Structure temporelle de la super-trame PCF
Cette super-trame permet de rgir le partage du temps daccs au canal de communi-

cation entre les deux priodes suivantes :
la priode sans contention (CFP : Contention Free Period) : Dans cet intervalle de
temps, laccs au mdium est rgl par un multiplexage temporel du canal pour les
communications gres par la fonction de coordination.
la priode de contention (CP : Contention Period) : Cest dans cet intervalle de temps
que les stations demandent la fonction de coordination de pouvoir mettre dans la
priode CFP. Laccs au mdium radio dans cette priode se ralise alors en mode
DCF.
Il faut souligner que le mode PCF est une option de 802.11 et que peu de rseaux
lutilisent. En effet, mme en mode infrastructure, laccs en mode DCF permet dobtenir
un dbit de transmission bien meilleur que le mode PCF.
Le mode DCF
Ce mode daccs permet de donner la parole aux diffrents noeuds du rseau par la mise
en place dune technique daccs distribue proche des techniques daccs comptition
14
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.
Carrier Sense Multiple Access / Collision Avoidance (CSMA/CA). Dans les

rseaux filaires, lorsquun metteur souhaite envoyer un signal sur le canal, il est capable
de dtecter la prsence dune communication coexistante sur le mdium de transmission.
En effet, sil met un signal sur le canal filaire et quil ne retrouve pas son propre message
sur le cble, il peut en dduire quil y a eu une collision avec un signal galement prsent
sur le mdium. Cette dtection de collision est la base de la technique daccs CSMA/CD
(Collision Detection). En CSMA/CD, sil y a dtection de collision, lmetteur cherche
mettre nouveau ses donnes aprs un temps dattente alatoire. La dtection de collision
est possible car la distance de transmission dans un cble est limite de sorte que les niveaux
de puissance de tous les signaux mis sur le support sont du mme ordre de grandeur.
La transmission dans lenvironnement radio ne permet pas dutiliser la mme technique

daccs car dans un environnement ouvert, lattnuation des ondes est bien plus importante
que dans un cble de transmission. Ainsi, si deux metteurs distants A et B transmettent
une trame simultanment et quils cherchent dtecter une collision, ils mesureront un
signal identique celui quils mettent (SE ) car le niveau de puissance du signal de lautre
metteur (SI ) nest pas suffisamment puissant pour modifier le signal mis (SE ). Du point
de vue dun metteur, il ny a donc jamais de collision dans une transmission radio.
En pratique, les collisions se passent toujours au niveau des rcepteurs qui reoivent
plusieurs signaux en mme temps. La premire caractristique du mode DCF est dutiliser
des acquittements pour stipuler que le message a bien t reu. Si lacquittement ne parvient
pas lmetteur, celui-ci retransmet les paquets non acquitts.
Ethernet prvoit dobserver ltat du canal avant dmettre ses donnes. Si le canal est
libre, alors la trame est mise. Si une collision est dtecte, la trame est r-mise aprs une
dure dattente alatoire. Or, avec le mdium radio, il nest pas possible de dtecter les
collisions. Par consquent, un autre mcanisme qui conditionne lautorisation dmission a
t dfinit cherche sassurer que le mdium radio est rellement libre avant dmettre.
Le principe retenu en mode DCF est dattendre une priode de dure alatoire appele
backoff avant dmettre. Si pendant cette dure alatoire aucune communication nest
dtecte sur le mdium, on considre que le mdium est libre et on met sa trame. La
figure 1.6 schmatise ce qui se passe lorsque deux mobiles porte de communication
veulent mettre vers un troisime et que le canal devient libre.
15
f
of
DIFS SIFS DIFS SIFS
ck
ba
Station 1 DATA
n t
ta
es
ACK ACK
fr
Destinataire
of
f
of
ck
ck
ba
ba
Defering
Station 2 DATA
Canal
Occup
Fig. 1.6 Accs au canal en mode DCF. Source [15]
Le backoff est tir alatoirement par chaque station qui souhaite accder au canal quand
celui-ci est libre. Le mode de tirage du backoff est prsent plus loin. Dans la figure 1.6,
cest la station 1 qui accde en premier au canal car elle a tir un backoff plus petit que la
station 2. La station 2 se rend alors compte de lactivit sur le canal et va attendre la fin
de la transmission en cours. Elle se met en mode defering. Le rcepteur va acquitter son
message laide dune trame ACK reue par les deux stations. La station 2 va alors sortir
du mode defering et dcrmenter le reste de son backoff. Sil ny a pas dautre mission
dtecte pendant ce temps, elle met ses donnes.
Le Tirage alatoire du backoff. Cest un moyen de lutter contre les collisions dans la
norme 802.11. Nous prsentons son calcul car cest un lment cl du modle dvaluation
de performance du mode DCF exploit dans la dfinition du critre de planification de QoS
prsent dans la partie 5.2.3. Le temps de backoff est calcul de la faon suivante :
Backof f T ime = Random() aSlotT ime
La quantit aSlotTime reprsente la dure dun slot de temps dfini par la couche
physique qui vaut par exemple 20 s en DSSS. Random() reprsente un nombre alatoire
choisi entre 0 et la taille de la fentre de contention CW .
La taille de la fentre de contention CW varie avec le nombre de retransmissions de
paquets. Sa valeur initiale est aCW min et sil y a chec de transmission dun paquet,
CW est multiplie par 2. La valeur du backoff est alors tire au sort dans une plus grande
fentre. Laugmentation de la taille CW est borne par la valeur aCW max. Si au bout
de nbEssaisM ax le paquet nest pas transmis avec succs, il est abandonn et la station
traite le paquet suivant dans sa file dattente.
Les dures IFS. La norme IEEE 802.11 dfinit des temps intertrame variables qui per-
mettent de faire varier la priorit daccs au mdium de certains paquets. Plus lintertrame
est courte pour une station, plus son accs est prioritaire car le temps mis pour accder
au mdium est plus faible. On retrouve ces dures sur le schma de communication de la
figure 1.6. Les quatre dures IFS utilises dans la norme 802.11 sont les suivantes :
SIFS (Short Inter-Frame Spacing) : cest la dure la plus courte. Elle permet laccus
de rception de prcder toute autre transmission qui pourrait dbuter en mme
temps. De la sorte, on garantit que laccus de rception soit transmis avant tout
autre paquet en attente.
16
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 in-
dique que la trame reue est errone. EIFS assure la transmission daccuss de r-
ception 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
Zone de
Couverture de A
Obstacle B
Zone de
Couverture de 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 as-
soci 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
cycle de transmission complet (RTS/CTS, trame de donnes et accus de rception). Ceci

permet aux stations dans le voisinage de connatre la dure du cycle complet de la trans-
mission venir. A la rception du RTS ou du CTS, chaque station met jour son vecteur
dallocation NAV. Une station ne peut transmettre de trame avant la fin complte du cycle
de transmission.
1.1.4 Le dploiement de rseaux sans-fil

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 fonc-
tionnant 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 pla-
nification 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 Variables et paramtres du problme wLP

1.2.1 Le nombre de points daccs N
La planification dun rseau cellulaire a pour objectif de dployer des rseaux de com-
munication mobiles grande chelle. Chaque station de base (BTS) implanter prsente
un cot important pour loprateur de radiocommunications. Cest pourquoi, il est impor-
tant, 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
des positions candidates de taille M , le cardinal de lespace des solutions vaut CM N . Le fait
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
Card(E) = CM
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 rpar-
tition 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 plani-
fication 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 dim-
plantation 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 anten-
naire 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 Les paramtres antennaires

Il est possible de choisir 3 types de paramtres antennaires pour modifier la carte de
couverture dun metteur k :
1. la puissance dmission : P k
2. lazimut : k
3. le tilt : k
Le tilt et lazimut dune antenne sont dfinis partir du systme de coordonnes sph-
riques. En planification cellulaire, ces trois paramtres sont exploits et ont une importance
significative. Ce nest pas tant la puissance dmission qui est intressante sur une station
de base GSM mais surtout lazimut et le tilt. Lazimut permet dorienter les secteurs vers
des zones prcises du plan et le tilt permet de rgler la taille de la zone de couverture
de lantenne. Un tilt lev cre une petite cellule tandis quune antenne faiblement tilte
20
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 per-
met 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 : N

* de la position de chaque point daccs : (p1 , . . . , pk , . . . , pN )
Les variables suivantes peuvent tre exploites :

* la puissance dmission des points daccs : (PE1 , . . . , P k , . . . , PEN )
* lazimut des point daccs : (1 , . . . , k , . . . , N )
22
1.3 Les objectifs de la planification

Au-del de lobjectif initial dassurer la couverture radio en tout point, la planification
doit permettre doptimiser le rseau relativement des critres plus labors. Cette section
prsente les objectifs de planification que lon dfinit usuellement pour obtenir une certaine
qualit de services de la part du rseau wLAN. Un objectif de planification est dfini comme
suit :
Definition 2 Un objectif de planification est une mesure des performances du rseau sans-
fil optimiser pour un type de service donn.
La mesure choisie peut tre plus ou moins complexe calculer et mettre en jeu des
modles plus ou moins prcis pour dcrire le service choisi. Nous commenons par prsenter
les notations utiliss dans la suite du manuscrit. Puis, une prsentations des objectifs de
planification dfinis dans la littrature est propose. Ces objectifs permettent doptimiser
la couverture, le recouvrement et la rpartition du dbit dans un rseau. Cette section se
termine par la prsentation de deux modles qui permettent destimer le dbit offert aux
utilisateurs du rseau et de quantifier la puissance des interfrences. Ces modles seront
utiliss dans la mise en oeuvre de nos propres critres.
1.3.1 Notations
Un objectif de planification peut soit sappliquer une portion du plan, soit un
ensemble discret de points de tests. Dans la suite du mmoire, nous dsignons par :
P le plan qui reprsente lenvironnement en 2 dimensions de taille NX NY ,

bl , l [1..NP ] un point de test positionn labscisse il [1..NX ] et lordonne jl [1..NY ] ,
ETP lensemble des points de test de cardinal NP ,
EAP lensemble des AP candidats de cardinal M ,
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
p=(px, py)
(il , jl)
Bl ny
bl
nx
Fig. 1.10 Reprsentation du point de test bl et du bloc Bl .
Dans la suite du manuscrit, les notations suivantes sont utilises :
23
Flk la puissance reue en dBm en bl de lAP k,

FlBS = maxk[1,N ] Flk la puissance en dBm du signal le plus fort (Best Serveur) en bl ,
Akl = P k Flk lattnuation en dB du signal mis par lAP k en bl ,
ABS
l = mink[1,N ]Akl lattnuation en dB du signal le plus fort (Best Serveur) en bl ,
Pln la puissance du bruit en dBm en bl ,
Sq seuil de qualit en dBm,
SN Rl = FlBS Pln le rapport signal sur bruit en dB en bl ,
N Il le nombre dinterfrents en bl .
SIRl le rapport signal sur interfrences en dB en bl ,
Pour un utilisateur mobile, le rapport signal sur interfrences au point bl a pour forme
gnrale :
FlBS
(SIRl )mW = (1.1)
(P n )mW + (P Il )mW
P Il reprsente la puissance en mW des signaux qui interfrent avec le signal utile au

point bl . Le dtail du calcul de la puissance des interfrents est dtaill ci-aprs la page
35.
Definition 4 Une carte de couverture C est une reprsentation en deux dimensions de la

puissance du signal Best Serveur FlBS en chaque point du plan :
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)
1.3.2 Les objectifs de couverture radio

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
bl P couvert k EAP tq. Flk Pln + S (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 maxi-
miser 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)
Le premier objectif f1 est donn par :
NP
X
wl ABS + max(0, ABS

f1 = l l Amax ) (1.6)
l=1
25
Il calcule la moyenne pondre des attnuations obtenues en chaque point de test et y

ajoute un terme de pnalit ( max(0, ABS l Amax )). Ce terme est nul quand lattnuation
ABS
l de lAP Best Serveur au point l est infrieure lattnuation maximale tolre Amax ,
cest--dire quand la contrainte de couverture est respecte. Cette pnalit renforce le cot
des solutions qui prsentent des trous de couverture. Le critre f1 favorise le choix de
solutions prsentant une puissance moyenne reue leve.
Le second objectif f2 est donn par :
f2 = max wl ABS + max(0, ABS

l l Amax ) (1.7)
l=1...NP
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, ABSl Amax )).
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.
NP
X
max 0, Sq FlBS

fseuil = 1/NP . (1.8)
l=1
Nous proposons de formuler ce critre comme la valeur moyenne dune fonction de

mesure de la couverture radio fmesl :
NP
X
fseuil = 1/NP . 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 fmesure (dB) fmesure (dB)
1 1
F (dBm) F (dBm) F (dBm)
Sq Sq Smin Smax
(a) (b) (c)
Fig. 1.11 Reprsentation des fonctions de mesure de couverture seuil.
La figure 1.11-(b) reprsente la fonction de mesure de He et al. On observe quelle nest

pas borne quand FlBS tend vers . Ce type de fonction peut alors tre biaise par des
variations locales de la puissance. Ainsi, un seul point non couvert un niveau trs faible
peut entraner une pnalisation trop forte.
Pour palier cette valuation peu discriminante, il peut tre intressant de borner la
valeur de fmesl par une valeur maximale comme prsent sur la figure 1.11-(c) pour que la
pnalisation soit identique partir dun seuil Smin donn. Dans la dfinition du critre de
couverture que nous prsentons au chapitre 5, nous exploitons ce formalisme pour dfinir
une fonction de mesure de la couverture adquate.
Wertz et al. [42] ont galement propos un critre bas sur une fonction de mesure de
type rampe (cf. figure 1.11-(c)). Leur fonction est inverse car leur critre principal est
maximiser. Elle value chaque point de test par une valeur comprise entre 0 et 1. En
dessous de la puissance minimale requise Smin , la contribution du point de test lobjectif
global est nulle. A partir dune puissance suprieure Smax , la contribution du point de
test est borne [0, 1].
Lobjectif global est de maximiser la contribution moyenne calcule avec cette fonction
de mesure. Le fait de borner la contribution permet de diminuer le biais introduit par les
valeurs extrmes de puissance.
La valeur de est fixe en fonction du poids que lon affecte au point de test courant
bl . Les auteurs ont dfini 6 valeurs de = (0, 0.2, 0.4, 0.6, 0.8, 1.0) permettant de dfinir 6
zones de service. Les points de test pourvus dune valeur de = 1.0 auront une contribution
plus importante que des points avec une valeur de plus faible. Cette fonction dvaluation
de la couverture permet de diffrencier des zones de service et den tenir compte au moment
de la planification du rseau.
Les objectifs de couverture avec prise en compte dun modle de

canal radio
Pour pouvoir modliser de faon plus fine le canal radio indoor, Cheung et Murch [26]
ont propos dintroduire un critre de couverture qui minimise la valeur moyenne de
la probabilit de coupure P . Ils dfinissent la probabilit de coupure Pout (i, j) au point
bl en fonction de lestimation du rapport signal bruit SN Rl et de la nature du canal
indoor.
Le premier canal modlis est un canal de Rayleigh et la probabilit de coupure associe
est donne par lquation 1.10. Le second canal modlis et prsent dans lquation 1.11
tient compte des interfrences co-canal.
27

0
Pout (i, j) = 1 exp (1.10)
SN Rl
I
Y i
Pout (i, j) = 1 (1.11)
+ i
i=1
0 reprsente le rapport signal bruit minimal.

I est le nombre dinterfrents co-canal prsents au point bl , i = SN Rl /SN Rli le
rapport signal sur interfrences entre le signal Best Serveur et le ime interfrent co-canal
et un coefficient de protection.
He et al. proposent dans [28] un second critre qui minimise le taux derreur bit en
chaque point de test. Le BER (Bit Error rate) est dfini par le rapport entre le nombre de
bits mal reus et le nombre total de bits envoys. Une valeur seuil de BER est fixe. Une
solution de planification est value en sommant les points o ce BER seuil est atteint.
Lestimation du taux derreur bit est ralise pour un canal CDMA large bande et un
canal CDMA bande troite. Une telle estimation passe par le calcul en chaque point de
test de la rponse impulsionnelle du canal. Ce calcul peut-tre ralis laide de simulations
de lancer de rayons mais il est trs coteux. Pour diminuer les cots de calcul de la rponse
impulsionnelle au moment de la planification, une simulation complte du canal radio de
chaque systme CDMA a t ralise sur un environnement de test donn.
A partir des rponses impulsionnelles obtenues, des lois dapproximation du BER en
fonction du rapport signal bruit ont t dfinies. Dans la modlisation dun systme
bande troite, seule la composante la plus forte de la rponse impulsionnelle a t prise en
compte. Pour la modlisation du systme large bande, les deux premires impulsions sont
modlises.
Les objectifs dfinis par Cheung et Murch et He et al. permettent de modliser plus
finement le comportement du canal radio. Leur efficacit dpend nanmoins de lexactitude
du modle utilis. Le modle de probabilit de coupure de Cheung et Murch est thorique et
na pas t valid par des tests rels. Le modle de BER propos par He et al. a lavantage
dtre adapt lenvironnement indoor qui a permis de le dfinir.
Finalement, dans ces approches, le critre bas sur le niveau de signal est remplac
par un critres bas sur le BER, qui est une fonction monotone du rapport signal bruit.
Les fonctions de mesure dfinies la figure 1.11 peuvent galement tre utilises pour ce
critre. La principale diffrence pour sa mise en oeuvre tient dans la ncessit destimer le
niveau dinterfrences en chaque point, ce qui est coteux.
1.3.3 Les objectifs de recouvrement et dinterfrences

Le deuxime critre de planification communment rencontr a rapport aux interf-
rences. 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 pos-
sible 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 doptimi-
sation combinatoire qui peut se rduite au problme NP-complet de coloriage de graphes.
Il est communment rfrenc par lacronyme FAP (Frequency Assignment Problem).
28
En planification cellulaire, ce problme a t trait intensivement dans la littrature

car la taille dun rseau cellulaire et le nombre de canaux GSM rendent lallocation de
canaux trs difficile. Il est le plus souvent trait aprs la phase de planification du rseau.
En planification wLAN, le nombre de canaux et dAP prsents est moins important et des
heuristiques plus simples donnent de bons rsultats pour le FAP[14].
Quelques travaux, dont ceux de Mathar et al. [6] ont propos de raliser de faon
conjointe la fois lallocation des canaux et la planification du rseau. Il en est de mme en
planification wLAN o Bahri et Chamberlain [41], Mateus et al. [29], Molina et Gonzalez
[43], Lee et al. [38], Prommak et al. [36] et Wertz et al. [42] proposent de rajouter des
variables permettant dallouer les canaux aux points daccs dans le processus de planifi-
cation.
Le problme conjoint de planification et dallocation des canaux est formul laide dun
programme linaire ayant pour objectif principal de minimiser le nombre de points daccs
ou de rpartir de faon homogne des ressources en bande passante. La forme gnrale de
la contrainte sur les interfrences est donne par :
SIRl (SIRl )min (1.12)
Cette quation est gnralement applique au lien descendant, cest--dire au niveau

de la puissance reue par le rcepteur mobile et en considrant que seules les stations de
base sont des lments actifs du rseau.
La contrainte de SIR peut galement tre exploite, comme lont propos Wong et
al.[35], sur le lien montant en utilisant les valeurs de puissances reues par le point daccs.
Wong et al. ont trait le problme de planification wLAN pour la technologie CDMA. Cette
technologie est particulirement sensible aux interfrences et il est ncessaire de garantir
un SIR minimal aussi bien sur le lien montant que sur le lien descendant. Leurs travaux
ne cherchent pas allouer des canaux au moment de la planification puisque le systme
CDMA ne prsente pas de multiplexage frquentiel.
Les travaux de Stamatelos et Ephremides [24] et dAguado et al. [30] dfinissent un
objectif principal qui a pour but de rduire le recouvrement entre les zones de service des
points daccs sans pour autant raliser lallocation des canaux. Si la taille des zones de
recouvrement entre des points daccs voisins est faible en surface, il sera bien plus ais
dallouer des canaux par la suite.
Stamatelos et Ephremides proposent de minimiser la fois la taille de la surface non
couverte et la taille de la zone interfre. Cette minimisation est ralise en dfinissant
une fonction unique agrge (cf. Eq. 1.5). La zone interfre est dfinie par lensemble des
points o la contrainte de lquation 1.12 nest pas satisfaite.
Un objectif qui cherche maximiser lcart entre le signal Best Serveur FlBS et le signal
interfrent le plus fort a t propos par Aguado et al.[30]. Il est dfini par :
NP
1 X
f= min | FlBS Flk | (1.13)
NP k[1,N ],k<>BS
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 recouvre-
ment entre les zones de service des AP.
29
1.3.4 Les objectifs de trafic et de qualit de service

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 Shannon-
Hartley 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 sas-
surent 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 min Couverture Interfrences QoS

var N PR BER TxC FAP Rec SIR D SIR M
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]
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 Modlisation du comportement du rseau.

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 esti-
mer 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 des-
cendantes (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 pa-
quets. 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 duti-
lisateurs 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 utilisa-
teurs 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 colli-
sions. 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 par-
tir 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 d-
taille 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 nces-

saire 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
r )/(1 pr ) aprs substitution de pr par sa valeur 1 (1
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 com-

muniquant 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
collisions sont frquentes et plus le dbit de lAP chute.

Dans le modle prsent, le point daccs nmet pas de trafic sur le rseau sans-fil.
Ainsi, les performances caractrisent une utilisation du rseau sans trafic descendant. Si
lon souhaite utiliser ce modle pour obtenir les performances dun rseau de broadcast, il ne
faut dfinir quun seul utilisateur du rseau : lAP. Pour modliser un rseau qui prsente un
trafic descendant et montant similaires, lAP est considr comme un utilisateur standard
du canal car du point de vue du protocole daccs DCF, lAP accde au canal comme
nimporte quel noeud du rseau.
Nous avons utilis ce modle de performances pour dfinir un critre de trafic dans la
partie 5.2.3 (cf. p.161). Il est galement exploit dans le calcul des interfrences prsent
ci-aprs.
Calcul de la puissance des interfrences.

La formule gnrique du calcul du rapport signal sur interfrences est donn dans
lquation 1.1 (cf. p. 24). Cette sous-partie prsente deux modles de calcul de la puissance
des signaux interfrents P Il pour un point bl .
On peut rpartir les signaux interfrents en un point bl en deux catgories :
les signaux issus des AP diffrents de lAP best serveur,
les signaux issus des noeuds mobiles associs aux AP voisins.
Actuellement, seuls les signaux issus des AP sont pris en compte pour quantifier les
interfrences [35],[30]. Ce modle est prsent dans le paragraphe suivant. Notre proposition
de prise en compte des interfrences issues des autres noeuds du rseau est dcrite par la
suite.
La puissance des interfrents au point bl , si lon ne tient compte que des signaux
mis par les AP, est facilement calculable partir des puissances reues au point bl .
Il est ncessaire de connatre les canaux ci de lensemble des canaux C attribus chaque
AP i :
C = (c1 , . . . , ci , . . . , cN ), ci C (1.15)
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 :

X
P Il = 10.log 10 (cbs , ci ) [Fli ]mW (1.16)
iP Il
La fonction est dfinie comme suit :

N+ N+ ]0, 1]
(cbs , ci ) R(| cbs ci |)1 1
35
Elle permet de tenir compte du recouvrement inter-spectre dans le calcul des interf-
rences. 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 | 0 1 2 3 4
10log10 R(n) pour 802.11b 0 2.25 dB 5.25 dB 9.9 dB 29.8 dB
10log 10 R(n) pour 802.11g 0 3.9 dB 6.9 dB 12 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 sous-
rseau 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
dBm
Noeud 2 Noeud 3 -40
-80
Fig. 1.13 Evolution de la zone de brouillage dun AP par simulation, en fonction de

lquipement actif.
Pour modliser cette variabilit temporelle de la zone de bouillage, il est ncessaire de

quantifier le pourcentage de temps o chaque lment actif du sous-rseau communique.
Pour cela, il faut dterminer le taux doccupation du canal de lAP et des noeuds. Le
36
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 :

i X N
F l = 10.log 10 piAP . [FlBS ]mW + pij . [Fl j ]mW (1.17)
jNi
N
Fl j reprsente la puissance reue du noeud Nj au point bl . Pour connatre la zone
N
de brouillage de chaque AP, Fl j est calcule pour chaque point du plan. On peut alors
calculer la puissance des interfrences daprs lquation 1.16 en remplaant Fli par sa
i
valeur moyenne temporellement F l . La modlisation des interfrences prsente ici est
une modlisation statistique du comportement de la zone de brouillage Bi .
Exemple. Nous illustrons cette modlisation statistique des interfrences en utilisant

lenvironnement Foch dans lequel on a positionn 2 points daccs au canal. LAP1 couvre 5
noeuds mobiles et lAP2 couvre 4 noeuds. Tous les noeuds communiquent 11Mbits/s. Dans
le modle dvaluation de performances, lAP1 et lAP2 sont respectivement modliss par
5 et 4 noeuds 11 Mbits/s. Voici les taux doccupation calculs pour chaque sous-rseau :
37
p1AP = p1j = 0.102, le taux doccupation du canal par les communications 11

Mbits/sde lAP1 et de ses noeuds mobiles.
p2AP = p2j = 0.085, le taux doccupation du canal par les communications 11
Mbits/sde lAP2 et de ses noeuds mobiles.
(a) Carte de couverture des APs
AP1 AP2
(b) Zone de brouillage de lAP1
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 statis-
tique de lAP1 . (c) Carte de brouillage statistique de lAP2 .
38
Les zones de brouillage dAP1 et dAP2 sont reprsentes respectivement dans la

figure 1.14-(b) et -(c). Les noeuds mobiles sont reprsents par des points noirs sur les
mmes figures. Les zones sont compares la carte de couverture des AP. On observe que
la prise en compte de la contribution des noeuds augmente de faon significative la puissance
de la zone de brouillage lintrieur du btiment. Cette augmentation rend compte dune
tendue plus importante de la zone de rception du mme canal. On observe galement que
la puissance au niveau de lAP est moins leve. Le fait de prendre en compte cette zone
de brouillage pour calculer le rapport SIR permet de reprsenter le comportement moyen
du rseau en charge. Si lalgorithme dallocation des canaux utilise cette valeur de SIR, le
plan de frquences trouv sera plus robuste au moment de lutilisation du rseau.
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 .
Calcul du taux doccupation du canal pour un sous-rseau. Nous proposons ici

de quantifier les interfrences en calculant pour chaque point le taux doccupation du canal
par tous les lments actifs du mme sous-rseau relatif un lAP numro i. Pour cela, on
exploite les mmes valeurs piAP et pij issues du modle dvaluation de performances. En
chaque point bl , le taux doccupation total est calcul comme suit :
39
Xh j i
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 Les formulations du problme wLP

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 :
= Argminx0 f (x),
x f : RD R avec D le nombre de variables (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 :
NP
X
P (x, ) = f (x) + max(0, ci (x)) (1.20)
i=1
Le coefficient de pnalisation permet de discriminer de faon continue des solutions

qui respectent la contrainte ci (x) de celles qui ne la respectent pas. Avec une formulation
continue, la minimisation du nombre de points daccs ne peut senvisager avec une seule
tape doptimisation. Pour pouvoir ajuster le nombre de points daccs, il est ncessaire
dappliquer plusieurs fois la mme heuristique de rsolution en ajustant intelligemment le
nombre dAP chaque lancement.
La formulation continue a surtout t utilise dans les premiers travaux prsentant le
problme wLP : [33], [25], [23], [26], [24], [31].
Approche combinatoire
Dans une approche combinatoire du problme wLP, un ensemble de positions candidates
de point daccs, rfrenc par EAP et de taille finie M , est dtermin soit par linstallateur
soit automatiquement par lheuristique doptimisation. Un point daccs candidat numro
k est dsign par sa position bl , sa puissance dmission P k et son azimut k .
41
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) (1.21)

ci (x) 0 i [1, I]
(1.22)
dj (x) = 0 j [1, J]
La formulation discrte est la formulation qui a t la plus souvent exploite dans la
littrature relative au problme wLP : [35], [34], [27], [24], [37], [36], [40], [38], [41], [39],
[42], [43], [29], [44].
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 planifica-
tion.
Lapproche combinatoire du problme a t particulirement utilise car elle permet
dutiliser la programmation linaire. Ces programmes mathmatiques permettent de slec-
tionner lobjectif primordial optimiser et de considrer les autres objectifs comme des
contraintes. Le dernier type de formulation rside dans la dfinition du problme avec uni-
quement 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 doptimi-
sation 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
Ici, p(x) reprsente la densit de probabilit du trafic uniformment rparti au point x.
Stamatelos and Ephremides [24] minimisent une fonction unique qui agrge deux ob-
jectifs, 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 .
Dfinition de plusieurs fonctions hirarchiques

Pour pouvoir faire face la multiplicit des objectifs atteindre pour le problme
wLP, Adickes et Al. [37] ont choisi dutiliser plusieurs fonctions doptimisation de faon
hirarchique. Cette stratgie a galement t utilise dans la planification cellulaire par
Vasquez and Hao [21]. Adickes et Al. ont dfini trois objectifs distincts : le premier maximise
le nombre de points de test couverts, le second le nombre de points o la contrainte de
trafic dfinie est respecte et le dernier la moyenne des puissances reues.
Ils ont dfini des rgles de priorit sur les objectifs pour donner plus dimportance la
couverture, puis au trafic, puis la moyenne des niveaux de puissance. En appliquant ces
rgles, ils sont capables de classer un ensemble de solutions et de leur attribuer un cot qui
soit proportionnel au rang. Ils utilisent une mtaheuristique gntique pour faire voluer
cet ensemble de solutions.
Cette formulation est une approche multiobjectifs qui permet de quantifier la qualit
dune solution partir de plusieurs critres. Les algorithmes multiobjectifs qui sont d-
tailles dans la section 2.2.4 du chapitre 2 permettent dobtenir un ensemble de solutions
optimales pour diffrentes pondrations entre les critres choisis. Au contraire, le choix de
la hirarchie entre les 3 critres ne permet dobtenir que des solutions qui suivent cette
hirarchie.
Formulation multi-objectifs
Molina et Gonzalez [43] ont choisi de formuler le problme wLP laide de trois critres :
f1 (x) la minimisation du nombre de points daccs,
43
f2 (x) la minimisation de la probabilit de coupure,

f3 (x) la rpartition homogne du dbit.
Pour ne pas avoir faire de choix sur limportance relative des critres les uns par
rapport aux autres, ils ont propos de traiter le problme avec une modlisation base
sur la dominance au sens de Pareto. Cette modlisation ncessite la mise en place dun
ensemble de solutions qui seront values par chaque critre doptimisation. En fonction
des trois valeurs de critres, il est possible de diviser lensemble des solutions en deux
parties : lensemble des solutions non domines et lensemble des solutions domines. La
dominance a galement t adopte par Adel Jedidi dans sa thse [18] pour rsoudre le
problme de planification cellulaire.
Definition 6 Dans le cadre dun problme de minimisation qui exploite n critres, une
solution x domine une solution y si et seulement si :
i [1, n] : fi (x) fi (y) j [1, n] : fj (x) < fj (y) (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 fonc-
tions 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 do-
mines. 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 pro-
blme.
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 mi-
nimisation 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 (1.25)
x 0.
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 prin-
cipal 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 d-
fissent 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 per-
mettront 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 pro-
duisent 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
Outils et mthodes
2
2.1 La prdiction de couverture radio
2.1.1 Le canal radio Indoor
Dans un environnement Indoor, cest--dire un environnement clos, la propagation des
ondes est plus complexe prdire que pour des environnements ouverts qui prsentent
peu dobstacles. En effet, la prsence dobstacles rend dune part le trajet des ondes radio
plus complexe car les rflexions et rfractions sont plus nombreuses, et dautre part la
diffraction survient plus frquemment. De plus, la multitude des chemins emprunts par
les ondes issues dun metteur a pour consquence dlargir la rponse impulsionnelle du
canal radio. De ce fait, il nest plus possible de modliser la propagation des ondes par une
simple fonction de la distance entre lmetteur et le rcepteur.
T.S. Rappaport prsente dans [50] les deux approches thoriques communment utilises
pour dcrire un canal radio :
Lapproche grande chelle permet destimer la puissance moyenne du signal reue

par le rcepteur en fonction de la distance source - rcepteur pour des distances relativement
courtes. Dans ce cas, le dcalage entre larrive de deux chemins issus dune mme onde est
grand par rapport la taille de la trame transmise. On observe alors une lente dgradation
du niveau de puissance moyen du signal en fonction de la distance. Cette attnuation peut
tre modlise par une attnuation log-normale Akl (d) :

d
Akl (d)dB = Akl (d0 )dB + 10.a.log10 + X (2.1)
d0
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 ala-
toire 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
CHAPITRE 2. OUTILS ET MTHODES
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 Les approximations circulaires

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 couver-
ture 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 Les modles empiriques

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
adapt et a conduit au modle Multi wall (MWM) [61] dcrit par :

I k +2
X [ kf +1 b]
L = LF S + L0 + kwi Lwi + kf f
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 pro-
position 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 diffrac-
tions 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 loga-
rithme 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 r-

sultats 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 com-
penser par un meilleur facteur de mise lchelle, alors que lcart type caractrise la capa-
cit 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 Les modles dterministes

Afin damliorer la qualit des prdictions de couverture radio, de nombreux auteurs
ont travaill au dveloppement de mthodes dites dterministes, car bases directement
sur les caractristiques de lenvironnement. Parce-que le temps de calcul est un facteur
important pour rendre exploitable toute mthode de propagation Indoor dans le contexte
de la planification des rseaux sans-fil, et parce-que, ds le dpart, ces mthodes ont t
considres dans un contexte 3D, la plupart des approches proposes reposent sur une
modlisation gomtrique de la propagation [51, 53, 54, 55, 56, 57, 58, 60, 66, 70, 71, 72,
68, 69, 73, 74, 75, 76, 77, 78, 79, 80].
Notons que la bibliographie prsente ici, et probablement non exhaustive, se limite aux
travaux directement lis lIndoor. En effet, de nombreux travaux depuis 10 ans ont t
mens propos du lancer de rayon et assimils dans le contexte urbain. Introduites dans le
contexte Indoor par plusieurs travaux fondateurs [51, 53, 54, 55], lapproche gomtrique
repose sur le calcul de la propagation des ondes selon un mode gomtrique par un lancer
de rayons. Dans sa version initiale [51], lapproche tait relativement lente car base sur
le lancement de rayons depuis le rcepteur (recherche des rayons illuminants). Plus tard,
Seidel et al. ont introduit la prise en compte de la diffraction [54] dans le modle de
propagation en utilisant la thorie unifie de la diffraction (UTD). Souvent repris par la
suite, la diffraction a pour inconvnient dalourdir fortement les temps de calcul.
Depuis ces articles fondateurs, lensemble des publications lies au domaine sest focalis
sur 3 points durs :
lamlioration de la prcision,
loptimisation du temps de calcul,
la validation exprimentale.
Avant de dtailler ces diffrents points, il convient de prciser quil existe 2 grandes
approches pour le calcul de couverture base de trac de rayon :
1. la technique des images ou encore lancer de rayon point point [58, 60, 81, 67, 79, 82]
qui consiste calculer successivement des sources quivalentes,
2. la technique de lancer de rayons au sens classique, qui consiste lancer les rayons
depuis lmetteur [51, 53, 54, 66], jusqu ce que le rayon sorte de la zone de simulation
ou atteigne un niveau de puissance infrieur un seuil.
Il faut enfin considrer 2 cas bien diffrents, suivant que lon cherche calculer une cou-
verture radio (grand nombre de rcepteurs) ou calculer le signal reu en quelques points
49
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 lchan-
tillonnage 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 correspon-
dant 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 cou-
verture radio (lensemble des points illumin par une source image est dfini).
Notons que le premier facteur limitant de cette approche est laugmentation exponen-
tielle 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 d-
terministes quempiriques. Ils dfinissent une zone elliptique dinfluence entre lmetteur
et le rcepteur qui nest pas sans rappeler lellipsode de Fresnel. Lenvironnement est d-
coup 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 linaire-
ment 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 po-
pulaire 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 illu-
mine. 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

empiriquement cette valeur
p mw = nw . Finalement la complexit, aprs optimisation,
peut tre donne par : Nr nrw . Concernant lapproche de lanc de rayons, la complexit
dpend en premier lieu du nombre de rayons lancs kr . A chaque rflexion, un rayon est
divis en 2 : le rayon rflchi, et le rayon transmis. Cela conduit un nombre total de
rayons [65] Kr = kr 2r+1 1. Pour chaque rayon, 2 types de calcul sont effectuer : la
recherche des intersections entre 1 rayon et les objets de lenvironnement, et le calcul de
lattnuation pour chaque point de rception situ sur la trajectoire. Tous les auteurs pr-
sentant cette mthode ngligent cette seconde charge de calcul car il savre que la charge
principale de calcul est plutt lie la recherche dintersection. Pour une approche non
51
optimise, on trouve une complexit de lordre de : Kr (nw + nr ), nr tant le nombre de

rcepteurs moyen par rayon. Si lon optimise la structure des donnes encore une fois par
blocs, on peut rduire considrablement le nombre dobjet tester. Approximons encore

une fois le nombre dobjets moyen test par mw = nw , et on obtient une complexit

donne par : kr (2r+1 1) nr + nr CP L , o CP L est la complexit de calcul du pathloss.
Si lon veut tenir compte de langle dincidence sur chaque mur, deffets de diffraction, et
de laffaiblissement logarithmique, le nombre doprations lmentaires est de lordre de
la dizaine. Pour limiter les artefacts gomtriques, le splitting des rayons ne modifie pas
fondamentalement cette estimation. En effet, en 2D, le splitting revient aussi sparer
une raie en 2. Il faut simplement remplacer r dans lexpression ci-dessus par le nombre r
contenant le nombre de splitting et le nombre de rflexions autoriss.
Application des mthodes dterministes la planification. Stamatelos and Ephre-

mides [24], Cheung et Murch [26], Sherali et al. [25] et Anderson et McGeehan [33] ex-
ploitent un moteur de lancer de rayon en deux dimensions. Stamatelos et Ephremides
utilisent soit des antennes omnidirectionnelles, soit des antennes directives dans leur pr-
sentation 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 fais-
ceaux 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 Cercles Modle Lancer de rayons

Approx. Empirique 2D 3D
Mateus et al. [29]
Lee et al. [38]
Amaldi et al. [44]
Jan et al. [40]
Prommak et al. [36]
Cheung et Murch [26]
Sherali et al. [25]
Adickes et al. [37]
Wong et al. [35]
Agiado et al. [30]
Ji et al. [31]
Bahri et Chamberland [41]
Maksuriwong et al. [39]
Molina et al. [43]

Frhwirt et Brisset [34]
Fortune et al. [23]
He et al. [28]
Unbehaun et Kamenetsky [27]
Wertz et al. [42]
La plupart des travaux cits exploitent un modle de prdiction de couverture empi-

rique. 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 dopti-
misation 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 Algorithmes doptimisation pour le problme wLP

Un nombre important de problmes relatifs lingnirie, la biologie ou issus de la vie
quotidienne sont en fait des problmes doptimisation. Cet ensemble de problmes cherche
identifier une ou plusieurs solutions qui rpondent le mieux un ou plusieurs critres
donns. Guy Cohen dfinit loptimisation dans [87] comme lart de dcrire les problmes
de dcision. Pour lui, loptimisation nest pas juste une thorie mathmatique, mais cest
galement une cuisine algorithmique, o le choix dun algorithme efficace pour rsoudre un
problme donn relve plus de lexprience que de la thorie.
Dans cette partie, la difficult du problme de planification de rseau sans-fil est in-
troduite dans la section 2.2.1. Les parties suivantes prsentent une taxonomie des deux
familles dalgorithmes utiliss dans la littrature relative au problme wLP :
les algorithmes mono-objectif,
les algorithmes multiobjectif.
Les deux sections 2.2.2 et 2.2.3 prsentent respectivement les algorithmes doptimi-
sation mono-objectif continus et combinatoires. La section 2.2.4 prsente les algorithmes
multiobjectif dj implants pour rsoudre le problme de planification wLAN.
2.2.1 La difficult du problme wLP

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 dop-
54
timisation comme tant la recherche dun algorithme appartenant lensemble des al-
gorithmes possibles A qui permettent de rsoudre un problme doptimisation P avec un
nombre doprations lmentaires N op (, P infrieur ou gal au nombre maximal dopra-
op
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 dop-
rations 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 couver-
ture 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
doptimisation et ainsi de minimiser le temps de calcul des prdictions de couverture radio.

Par contre, si lon choisit dexploiter une approche continue, il sera ncessaire destimer la
carte de couverture de chaque point daccs chaque valuation.
Le problme de planification wLAN est galement difficile car la fonction dvaluation
nest ni convexe, ni monomodale. Dplacer un point daccs dune pice lautre dun
btiment cr une discontinuit dans la fonction dvaluation.
Le problme wLP peut tre rduit au problme doptimisation combinatoire Minimum
Set Covering Problem. Ce problme recherche un sous-ensemble des points daccs de taille
minimale qui couvre lensemble du btiment. Pour linstant, il nexiste pas dheuristique
qui permette de rsoudre ce problme en temps polynomial car ce problme appartient
la classe des problmes NP-complets.
Le problme wLP est un problme doptimisation difficile. Diffrentes heuristiques de

rsolution ont t prsentes dans la littrature. La suite de ce chapitre prsente les grandes
lignes des algorithmes employs et lapplication qui en a t faite.
56
2.2.2 Loptimisation mono-objectif continue

La plupart des formulations rencontres dans la littrature appliquent des mthodes
doptimisation mono-objectif. Ces mthodes sont bien connues et ont t appliques de
nombreux problmes. Les mthodes doptimisation continues peuvent tre scindes en deux
groupes : les mthodes linaires et les mthodes non-linaires. Le premier groupe contient
principalement les techniques de programmation linaire. Le second groupe fait appel des
mthodes locales qui peuvent faire appel ou non au gradient de la fonction dvaluation. Si
la fonction possde trop de minima locaux, on fera appel dans ces mthodes non-linaires
des algorithmes doptimisation globale. Le problme de planification wLP exploite dans la
plupart des cas une fonction de cot non linaire. Cette famille de problmes non-linaires
relve de loptimisation difficile comme le prsentent Dro et al. dans [88].
Cette partie prsente dabord la programmation linaire, puis les mthodes locales
drivatives et par la suite les mthodes locales non drivatives. Cette partie se termine par
la prsentation dun algorithme de recherche globale, DIRECT, qui appartient la famille
des algorithmes de recherche directe. Nous lavons implant pour calibrer le moteur de
prdiction de couverture radio dans la partie 2.3.
Une reprsentation schmatique des mthodes dcrites dans cette partie est donne
dans la figure 2.1.
Fig. 2.1 Algorithmes continus.
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 Dual
Pn
contr. i aij xj = bi var. i yi sans contr. de signe
Pj=1
n
contr. i j=1 aij xj bi var. i yi 0
n
var. j xj sans contr. de signe contr. j
P
Pi=1 aij yi = cj
n
var. j xj 0 contr. j i=1 aij yi cj
minimise cT x maximise bT y.
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 DLP 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 approxi-
mative 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 ) (2.7)
59
Ici, k reprsente la longueur du pas de recherche. Au point minimum trouv par la

recherche linaire, la drive dans la direction du gradient est nulle et donne par :
d d
f (xk+1 ) = f (xk+1 )T . xk+1 = f (xk+1 )T .g(xk )
dk dk
Si on annule cette expression, on se rend compte quil suffit de choisir k pour que
f (xk+1 )T et g(xk ) soient orthogonaux. Le point o cette condition est remplie est s-
lectionn comme point de dpart de la recherche pour litration suivante. La descente de
gradient ralise une recherche selon une srie de directions orthogonales le long de la surface
dcrite par la fonction.
Si le minimum existe, la descente de gradient le trouve dans le pire des cas en un nombre
infini ditrations. Cette mthode est simple mais son principal dsavantage est sa lenteur de
convergence car chaque itration, la recherche est ralise dans une direction orthogonale
la prcdente. De plus, lobtention dune solution avec une fonction multimodale est
conditionne par le choix du point de dpart de la recherche. Cette mthode est rarement
choisie comme mthode de rsolution principale, mais elle peut tre combine dautres
techniques.
La mthode des gradients conjugus permet de palier au problme de convergence

de la descente de gradients. Lalgorithme de recherche est quasiment identique, seul le choix
des directions de recherche est diffrent.
Deux vecteurs diffrents di et dj sont conjugus, i.e. orthogonaux relativement une
matrice dfinie positive Q, si la proprit de lquation (2.8) est vrifie :
dTi .Q.dj = 0 (2.8)

Cette proprit est une gnralisation de la proprit dorthogonalit de lespace Cart-
sien 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
x
r
x x r
d d d d
(a) (b)
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 qua-
dratique, 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 mini-
misation 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)

La convergence de la mthode de Newton est quadratique prs de loptimum x ,
mais x0

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.
Applications au problme wLP. Lalgorithme de descente de gradient a t utilis

par Stamatelos and Ephremides dans [24]. Dans leurs travaux, ils proposent la fois une
approche continue et une approche combinatoire du problme wLP. Pour rsoudre la formu-
lation continue du problme, ils mettent en oeuvre une descente de gradient et lalgorithme
61
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)
= (2.12)
ei
est un paramtre important quand on utilise un algorithme de recherche bas sur la

drive de f . Si sa valeur est trop importante, la convergence ne peut se faire aux abords
du minimum car lvaluation du gradient nest pas assez fine. Pourtant, dans ce cas, la
convergence vers la zone o se trouve le minimum est bien plus rapide. Si est trop petit,
la convergence est lente mais la valeur minimale obtenue est plus prcise. Sherali et al. ont
choisi une valeur de = 0.5 qui est divise par deux chaque itration jusqu = 0.125.
Les deux algorithmes ont t tests et compars un algorithme de recherche directe,
la mthode de Hookes and Jeeve (cf. Fig. 2.4, p.63). Cest la mthode de Hooke et Jeeve qui
produit les meilleures solutions, mais cest elle qui ralise le plus dvaluations de fonctions
avant de converger. La mthode des gradients conjugus donne de meilleurs rsultats que
la mthode Quasi-Newton car cette dernire doit tre rinitialise trop souvent.
Ji et al. ont galement implant un algorithme de Quasi-Newton utilisant la formule

BFGS. Ils lont compare une descente de gradient, un algorithme Simplex de recherche
directe et deux mtaheuristiques (Recuit Simul et Gntique). La mthode de descente
narrive mme pas placer un seul metteur dans un environnement trs simple. Le place-
ment de trois points daccs rvle galement la faiblesse des mthodes base de gradients
qui narrivent pas trouver de rsultats corrects. Ce sont les deux mtaheuristiques qui
prsentent les meilleurs rsultats avec un nombre plus faible dvaluations de fonctions.
Le principal inconvnient des mthodes drivatives, cest quil nest pas toujours possible
dobtenir une formulation analytique de la fonction dvaluation. Ainsi, pour obtenir une
seule valuation du gradient, il est ncessaire de calculer 2N + 1 valuations de fonctions
si on travaille dans un espace N dimensions. Pour le problme wLP, ceci implique un
mme nombre destimations de couvertures radio.
d- La recherche directe.
Les mthodes de recherche directe ont t principalement dveloppes pour rsoudre
des problmes sans contraintes o on cherche optimiser une seule fonction de cot. La
62
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 dAr-
mijo, 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.
Fig. 2.4 La direction de recherche dk de Hooke et Jeeve
La mthode grille discrte la plus souvent utilise est la mthode de Hooke et

Jeeve. Pour chaque itration k > 2, une recherche linaire est ralise dans la direction
dk = 2xk xk1 reprsente dans la figure 2.4. La solution y obtenue est slectionne pour
litration suivante si et seulement si f (y ) f (xk ). Vu que f diminue entre xk1 et xk , il
est suppos quil y a des chances pour que f dcroisse en ralisant une recherche dans la
direction de dk . Sil ny a pas de dcroissance, une recherche dans les n directions de Rn
est ralise. Sa convergence a t prouve pour des fonctions strictement convexes.
Les mthodes directions adaptatives font voluer les directions de recherche utili-
ses chaque tape au fur et mesure que lon avance dans le droulement de lalgorithme.
La recherche directions conjugues (conjugate direction search) est une mthode de
63
xa
xworst
G
xnew
xb
Fig. 2.5 Ltape de rflexion de la mthode Simplex.
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 len-
semble 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
Applications au problme wLP Les mthodes de recherche directe ont t souvent

employes pour rsoudre le problme wLP car il nest pas ncessaire destimer la drive de
la fonction de cot. Lalgorithme Simplex a t utilis par Stamatelos et Ephremides [24],
Fortune et al. [23] et Cheung et Murch [26] sous la forme propose par Nelder et Mead.
Fortune et al. ont modifi le jeu de paramtres utilis dans le Simplex pour adapter
la slection des mouvements leur fonction de cot. Pour un nombre important de tests
sur plusieurs btiments avec plus de 1500 murs, lalgorithme du Simplex converge vers
une solution locale acceptable en un nombre raisonnable ditrations. Le nombre ditra-
tions dpend peu prs linairement de la dimension du problme. Pour placer un AP (3
variables), la convergence survient en 15 itrations ncessitant 20 25 valuations de f .
Stamatelos et Ephremides et Cheung et Murch ont compar la mthode du Simplex
dautres algorithmes. Stamatelos et Ephremides ont implant un algorithme de descente de
gradient et un algorithme de rseaux de neurones. Le Simplex a toujours converg vers une
solution, mais ses solutions prsentent des valuations moins bonnes que celles du rseau de
neurones. Nanmoins, le Simplex donne de meilleurs rsultats que lalgorithme de descente.
Cheung and Murch ont compar les performances du Simplex avec celles de la re-
cherche directions conjugues de Powell. Ils ont montr que le Simplex ncessitait
moins dvaluations de fonctions que lalgorithme de Powell pour converger. Les minima
trouvs par les deux mthodes sont trs proches voire identiques.
La mthode de Hooke et Jeeve a t utilise par Sherali et al. et compare
une recherche directions conjugues et une mthode Quasi-Newton pour le placement
dun AP. Aprs plusieurs tests, ils observent que la mthode de Quasi-Newton fournit des
rsultats bien moins intressants que les deux mthodes de recherche directe. Lalgorithme
de Hooke et Jeeve leur semble bien plus robuste vis--vis de la qualit de la solution finale
mme sil ncessite plus dvaluations de fonctions.
e- Lalgorithme DIRECT
Cet algorithme a t propos par Jones et al. [97] en 1993 pour loptimisation de fonc-
tions plusieurs variables dans un espace continu born. Cest un algorithme doptimisation
globale qui appartient galement la famille des mthodes de recherche directe. Lalgo-
rithme DIRECT dcompose lespace de recherche en hyper-rectangles dont la dimension
est donne par le nombre de variables.
Au cours de son excution, DIRECT ralise un compromis entre recherche globale et
recherche locale par son mode de slection des hyper-rectangles explorer. Les hyper-
rectangles slectionns sont dits optimaux. Les blocs qui ne sont pas optimaux une
itration donne peuvent le devenir par la suite. Cette stratgie permet selon He et al.
[28] de converger rapidement dans un espace de recherche raisonnablement large. He et al.
prsentent DIRECT comme un algorithme trs utile pour valuer loptimum dune fonction
de type boite noire qui ncessite peu de paramtrage.
Loptimisation lipschitzienne DIRECT est prsent dans larticle [97] comme un

algorithme doptimisation lipschitzienne ne ncessitant pas la connaissance de la constante
de Lipschitz. Une fonction f : M R est dite continue sur M R1 au sens de Lipschitz
et de constante de Lipschitz si :
x, y M |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
f (y) |x y| f (x) f (y) + |x y| (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|
a y b
Fig. 2.6 Bornes suprieures et infrieures drives de lvaluation en y.
Si lon continue chantillonner lintervalle M, il est possible damliorer la borne

connue. Par exemple, pour M = [a, b] R1 , si on connat f (a) et f (b), on obtient les deux
bornes suprieures suivantes :
f (x) f (a) + (x a) et f (x) f (b) (x b)
et les deux bornes infrieures suivantes :
f (x) f (a) (x a) et f (x) f (b) + (x b)
Dans le cadre dune maximisation de f , on utilise la borne suprieure et dans le cadre

de la minimisation de f , on utilise la borne infrieure. Les bornes infrieures obtenues avec
les valuations en a et en b sont reprsentes sur la figure 2.7 et se croisent en un point x1 .
f(x)
f(a)-k|x-a| f(b)+k|x-b|
a x1 b
Fig. 2.7 Borne infrieure pour f utilisant la constante de Lipschitz .
Lalgorithme de Schubert est une des applications qui utilise cette borne infrieure.
Celui-ci va calculer dans lintervalle de dpart la valeur de f en x1 et calculer la borne
infrieure pour chaque intervalle [a, x1 ] et [x1 , b]. Il va recalculer une valeur de f dans
66
chaque sous-intervalle en commenant pas le domaine contenant la plus petite valeur de f .

Lalgorithme se termine quand les bornes sont confondues avec f .
Deux problmes surviennent lors de lutilisation de lalgorithme de Shubert. Premi-

rement, cet algorithme ne se transpose pas de manire intuitive dans des espaces de plus
grandes dimensions, ce qui le rend difficilement gnralisable. Deuximement, il prsuppose
la connaissance de la constante de Lipschitz . Si la fonction est drivable, nimporte quelle
borne relative lamplitude de la fonction drive peut tre utilise pour . La plupart
des fonctions prsentes dans des problmes industriels ne donnent pas lieu des fonctions
continues au sens de Lipschitz sur leur domaine dapplication. Si lestimation de est trop
faible, on peut trouver un rsultat qui nest pas le minimum de f car on converge trop
rapidement. Si la valeur de la constante est trop importante, la convergence de lalgorithme
de Schubert est trs lente car la borne utilise est trs loigne de f en xi . Dautres algo-
rithmes qui utilisent les mmes bornes pour optimiser une fonction ont t proposs et sont
prsents par J. Pintr [98]. Ils ncessitent tous une connaissance a priori de la constante
de Lipschitz.
Ce sont ces deux limitations de loptimisation lipschitzienne qui ont men au dveloppe-
ment de lalgorithme DIRECT. DIRECT value la fonction au centre dhyper-rectangles, ce
qui rgle le problme de passage des dimensions suprieures. De plus, DIRECT nutilise
plus directement la constante de Lipschitz mais teste toutes les dimensions du problme
pour dterminer si une rgion ou un domaine de lespace doit tre divis en sous rgions
pour litration en cours.
Principe de lalgorithme DIRECT. Cet algorithme commence par normaliser

lespace de recherche dans un hypercube unit. Lhypercube est calcul dans un espace de
dimension n gal au nombre n de variables continues et bornes du problme. Il value
ensuite la solution qui se trouve au centre c1 de ce cube. Cette solution est affecte au
minimum courant fmin . Ce cube est alors subdivis en hyper-rectangles selon un protocole
de dcoupage prcis dcrit ci-aprs.
Les hyper-rectangles qui rsultent de la subdivision sont valus et seuls les hyper-
rectangles considrs comme potentiellement optimaux sont slectionns pour litration
suivante. A chaque itration, ces blocs potentiellement optimaux sont nouveaux subdivi-
ss et leurs fils sont valus leur tour. Lalgorithme se termine quand il ny a plus de bloc
slectionn la fin dune itration. Bien entendu, fmin est mis jour la fin de chaque
itration.
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
Fig. 2.8 Protocole de dcoupage dun cube.
Par la suite, les dimensions ei,i[1,n] sont classes laide des valeurs de wi calcules
par wi = min(f (c1 ei ), f (c1 + ei )). Les dimensions sont classes par ordre croissant
de wi , ce qui revient les classer par ordre croissant des meilleures valuations effectues
dans chaque dimension.
On divise alors le cube central en tiers dans lordre des dimensions obtenu prcdem-
ment. Dans lexemple de la figure 2.8, on commence par dcouper en tiers dans la direction
e1 qui comporte la plus faible valeur de f . Puis on dcoupe le rectangle central en tiers dans
la dimension suivante, la dimension e2 . On va ainsi crer cinq nouveaux hyper-rectangles
dont on connat dj la valeur f (ci ) de la fonction de cot en leur centre.
Slection des blocs potentiellement optimaux.

Les hyper-rectangles potentiellement optimaux sont les rectangles subdiviss lit-
ration suivante. Le choix des rectangles est important car il va conditionner le type de
recherche effectue. Ainsi, si lon choisit des hyper-rectangles de petite taille, on ralise
une recherche locale analogue une descente de gradient. Par contre, si lon subdivise des
hyper-rectangles de grande taille, on ralise une recherche globale.
La slection des blocs dits potentiellement optimaux est rgle par les quations 2.14 et
2.15. Ces conditions sappliquent au choix du rectangle j de centre cj .
Definition 8 Soit > 0 une constante positive et fmin la meilleure solution actuelle. Un
hyper-rectangle j est dit "potentiellement optimal" sil existe > 0 tel que :
f (cj ) dj f (ci ) di , i [1, N ] (2.14)

f (cj ) dj fmin |fmin | (2.15)
La valeur dj est une mesure de la taille de lhyper-rectangle j. Jones et al. proposent

dans [97] dutiliser la distance du centre un des sommets du cube. Dautres mesures
sont proposes dans [99]. Nous avons utilis la distance de Jones et al. dans notre im-
plmentation. est la constante de Lipschitz. Le paramtre est utilis ici pour rgler
la rapidit de convergence de lalgorithme. Selon Jones et al. [97], lexprience montre
quavec 1.107 1.102 , la valeur d a un effet ngligeable sur la prcision de la
solution obtenue.
Si lon reprsente la distribution des hyper-rectangle sur un graphe avec en abscisse la
taille des blocs di et en ordonne lvaluation du centre des blocs f (ci ), on obtient pour
une itration quelconque une rpartition des hyper-rectangles de la forme de la figure 2.9.
68
Fig. 2.9 Evaluations f (ci ) en fonction de la taille des hyper-rectangle di .
Sur ce graphe, daprs les quations 2.14 et 2.15, un hyper-rectangle est potentiellement
optimal sil appartient lenveloppe convexe des points reprsents. Les points noirs de
la figure sont les hyper-rectangles potentiellement optimaux. La condition 2.14 peut se
traduire laide des pentes des courbes prsentes droite et gauche du point P (di , f (ci ))
que lon teste. Si les pentes des courbes passant par P et les points droite de celui-ci sont
toutes suprieures aux pentes des courbes passant par P et les points gauche de celui-ci,
alors il existe un > 0 vrifiant 2.14.
La condition 2.15 contraint plus le choix des blocs en terme de taille. En effet, lhyper-
rectangle i ne sera slectionn que si les pentes des courbes droite de P sont suprieures
la droite passant par P et fmin . Ceci permet de ne pas slectionner de blocs trop petits
et ainsi de stopper la convergence plus tt.
La slection prsente ici permet dexplorer la fois des blocs de taille importante pour
raliser une recherche globale et des blocs de faible taille pour raliser une recherche locale.
Le paramtre influe sur la pente de la droite passant par P et fmin . Plus cette pente
est faible ( = 0), plus des hyper-rectangle de faible taille seront slectionns et plus on
favorisera une recherche locale. Si epsilon est proche de 1, la pente de cette courbe est plus
forte et seuls quelques hyper-rectangles de petite taille sont slectionns. On favorise alors
la recherche globale.
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 lit-
trature relative au problme wLP.
69
Prog. Algorithmes Drivatifs Recherche Directe

Linaire Gradients Descente Quasi- Hooke & Simplex DIRECT Powells
Conjugus Gradients Newton Jeeve method
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.
[28]
Fortune et
al. [23]
Stamatelos et
Ephremides [24]
Cheung et
Murch [26]
70
2.2.3 Loptimisation mono-objectif combinatoire

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 Methodes exactes Mtaheuristiques
Heuristiques Recherche Branch & Recuit Recherche

Gloutonnes Locale Bound Simul Tabou
Heuristiques Algorithmes
spcialises Evolutionnaires
Fig. 2.10 Algorithmes combinatoires appliqus au problle wLP.
a- Les algorithmes dapproximation
Lobtention de loptimum global est une tche souvent ardue qui peut demander des
heures voire des journes de calcul. Dans ces cas, il est souvent plus intressant de calculer
une solution approche du problme qui soit somme toute suffisamment bonne, le tout
en un temps de calcul polynomial. Les algorithmes qui permettent dobtenir ces solutions
approches en un temps polynomial sont appels algorithmes dapproximation. Dans [100],
des heuristiques connues dapproximation de problme difficiles (NP-Complets) sont pr-
sentes et discutes. Les mthodes suivantes sont dcrites ci-aprs car elles ont t utilises
pour rsoudre le problme wLP :
la stratgie gloutonne,
la recherche locale,
Bahri et Chamberland utilisent une heuristique dapproximation du problme de co-

loration de graphes dans [41] pour attribuer les frquences aux points daccs dans leur
processus de planification. Cette heuristique, DSATUR, est dcrite par Riihijrvi et al.
dans [14].
71
La stratgie gloutonne est utilise pour des problmes doptimisation o il est nces-
saire de slectionner un sous-ensemble dlments pour composer une solution optimale qui
respecte les contraintes existantes. Pour appliquer cette stratgie, il est ncessaire que len-
semble 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 rali-
sable.
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. Lalgo-

rithme commence avec une solution de dpart et amliore itrativement la solution cou-
rante 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 com-
mence 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 les-
pace 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 cou-
pe. 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 pla-

nification 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 per-
mettent 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 dfini-
tions 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 gn-
rique applicable diffrents problmes doptimisation avec relativement peu de
modifications.
Ces techniques sinspirent souvent dun processus doptimisation qui intervient spon-
tanment 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 Lo-
cal 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 planifica-
tion 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
atomes, au lieu de laisser le mtal refroidir de faon continue, on le recuit priodiquement.

Cette augmentation de la temprature fait repasser les atomes dans un tat excit. Cette
agitation leur permet de sarranger de faon plus stable. Plus la configuration atomique
est stable, plus lnergie potentielle de liaison des atomes est faible. Le processus de recuit
des mtaux permet de minimiser lnergie et de tendre vers un minimum global dnergie
comme le prsente la figure 2.11. Si le mtal nest pas recuit, la configuration nergtique
des atomes se fige au point S1 , un minimum local dnergie.
Energie
Potentielle 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 thermo-
dynamique 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 pro-
blmes 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 limplanta-
tion 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
Pa (T ) = min 1, exp (2.16)
(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 lal-
gorithme. 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 dimplan-
tation, 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 das-
piration. 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 lheuris-
tique. 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 dop-
timisation 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 impor-
tant 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 optimi-
sation 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 ca-
naux 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 volu-
tionnaires (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 doptimi-
sation 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
X
F = fi
i=1
Ils en dduisent une probabilit de slection pi = fi /F utilise pour slectionner les

parents qui gnreront une nouvelle partie de la population par recombinaison. La nouvelle
population contient galement les deux meilleures solutions. La mutation est applique
lensemble de la nouvelle population avec une probabilit pm = 0.1.
Adickes et al. ont ralis 3 tests pour valider les performances de leur algorithme. Le
premier test compare leur rsultats sur un environnement prsent par Tang et al. de
taille 75 30 mtres. Leur algorithme gntique trouve galement une solution qui totalise
100% de couverture, mais avec une meilleure attnuation moyenne que Tang et Al. Pour
le second test, ils recherchent exhaustivement loptimum pour le placement de 2 AP sur
le mme environnement et montrent que leur algorithme trouve bien la mme solution.
Le dernier test compare les solutions de la simulation celles qui ont t proposes par
des ingnieurs radio avec leur processus de dploiement empirique. Dans tous les cas, la
solution propose par lalgorithme prsente des caractristiques bien meilleures.
Aguado et Al [30] et Ji et al. [31] ont galement implant une version simplifie dalgo-
rithme gntique pour comparer ses performances dautres heuristiques. Les deux travaux
montrent que les solutions obtenues sont proches des solutions optimales mais que leur re-
cherche ncessite plus dvaluations de fonction. Aguado et Al concluent galement quune
implantation plus labore de lalgorithme devrait fournir de meilleurs rsultats, notam-
ment en utilisant une mthode o plusieurs sous-populations sont traites en parallles et
o une communication inter-populations permet de propager les individus performants.
Les mtaheuristiques permettent daborder des problmes combinatoires ou continus

souvent irrsolubles via des heuristiques dterministes. Ces techniques ne sont pas rentables
pour des problmes de petite dimension car elles ncessitent souvent plus dvaluations de
fonctions que dautres algorithmes. De plus, leur implantation qui peut sembler simple
premire vue prsente une difficult majeure : le choix des paramtres des mtaheuristiques
doit sadapter au problme trait. Or, ce choix ne peut se faire quempiriquement, par une
srie des tests souvent fastidieux.
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 Metaheuristiques

Glouton Recherche Branch & Heuristiques Recuit Si- Tabou Gntique Autres
locale Bounds spcialises mul
Amaldi et al.
[44]
Unbehaun et
Kamenetsky [27]
Frhwirt
et Brisset
[34]
Wertz et al. [42]
Anderson et
McGeehan
[33]
Bahri et Cham-
berland [41]
Adickes et al.
[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 tech-
niques 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 doptimi-
sation 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
X
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 pon-
dration 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 D
f*agr S
O
f2
Fig. 2.12 Lespace des fonctions de cot et la surface de compromis.
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
dtermine la solution fagr dont lvaluation se trouve lintersection de la surface de
compromis et de la droite (O, D). Par cette figure, on observe bien quune optimisation
mono-objectif laide dune fonction de cot agrge ne fournit quune seule solution. Si
cette solution ne convient pas linstallateur, il faut modifier les coefficients de pondration
et relancer lalgorithme de recherche.
La plus grande partie des travaux de planification wLAN ont choisi de prendre en
compte le caractre multiobjectif en dfinissant soit un programme linaire [35], [29], [38],
[41],[36], soit une fonction unique agrge [23], [24], [26], [25], [27], [28], [33].
Quand les coefficients de pondration ne peuvent pas tre dfinis a priori, Yann Colette
et Patrick Siarry [103] proposent dappliquer des techniques doptimisation interactives o
les coefficients peuvent tre modifis par linstallateur au cours de la recherche. A tout
moment, linstallateur peut visionner le rseau wLAN planifi en observant des mtriques
reprsentatives de la qualit de celui-ci (taux de couverture, puissance moyenne des inter-
frents, ...) et modifier la vole les coefficients de pondration des critres pour diriger la
recherche vers les solutions diffrentes.
Yann Colette et Patrick Siarry prsentent une autre alternative : au lieu de dfinir les
coefficients de pondration avant la recherche ou pendant la recherche, il est possible de
mettre en oeuvre une stratgie o linstallateur choisit un compromis a posteriori.
Ainsi, lalgorithme fournit linstallateur une jeu de bonnes solutions quil pourra
slectionner non seulement en fonction des critres doptimisation fi mais en fonction de
contraintes dimplantation spcifiques son tude. Par exemple, il se peut quentre deux
bonnes solutions, il choisisse la plus mauvaise des deux car elle lui permet de fournir un
dbit plus lev dans une zone prcise du btiment.
Des algorithmes ont t mis au point pour trouver un ensemble de solutions appartenant
la surface de compromis. Ces algorithmes sont prsents dans la partie suivante.
82
Les techniques doptimisation multiobjectif

Lobjectif commun de toutes les heuristiques prsentes ici est de trouver un ensemble de
solutions qui construise un chantillonnage rgulier de la surface de compromis du problme
traiter. Ces heuristiques rexploitent des techniques doptimisation mono-objectif et les
adaptent pour obtenir un ensemble de solutions Pareto optimales. Parmi les techniques
mono-objectif prsentes prcdemment, ce sont les mtaheuristiques qui ont t choisies
pour rsoudre des problmes multiobjectifs.
Deux dmarches ont t adoptes pour passer dun algorithme qui retourne une seule
solution un algorithme qui prsente plusieurs solutions :
1. Larchivage des solutions au cours de la recherche dune seule solution,
2. Lutilisation dune population de solution.
Pour pouvoir caractriser les solutions appartenant la surface de compromis, ces
techniques se basent sur la proprit de dominance au sens de Pareto dcrite dans la partie
1.4 par lquation 1.24, p.44. La surface de compromis est alors dfinie par lensemble des
solutions non domines.
La premire famille dalgorithmes est base soit sur des mtaheuristiques de recherche
locale, soit sur des mtaheuristiques de recuit simul (cf. 2.2.3). Au cours de la recherche
de la solution, une mmoire permet litration k de stocker les solutions non domines
rencontres au cours de la recherche.
La mthode Pareto Archived Simulated Annealing (P.A.S.A.) Cette mthode

propose par Engrand et al.[104] est un exemple pertinent de ce type dapproche. Une
recherche conventionnelle de lalgorithme de recuit se fait selon une fonction agrge de la
forme :
i=Nf
X
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
Dans [103], Colette et Siarry prsentent deux familles dalgorithmes volutionnaires

multiobjectifs. La premire comporte des mthodes dites agrgatives o lon cherche
se ramener un problme mono-objectif en dfinissant une fonction de cot unique. La
seconde famille comporte des mthodes non-agrgatives pour lesquelles on ne dfinit pas
de fonction unique doptimisation.
La mthode Vector Evaluated Genetic Algorithm (V.E.G.A.) Cest une mthode

non-agrgative [106]. Pour une population de taille P et un problme Nf fonctions ob-
jectif, cette mthode rpartit les individus en Nf sous-populations de taille P/Nf . Elle
attribue chaque sous-population une des fonctions objectif. A ltape 2b de lalgorithme
gntique, les individus sont mlangs et croiss en prenant en compte lefficacit de cha-
cun dans son groupe. Cette approche a pour principal dsavantage de fournir un groupe de
solutions moyennes dans tous les objectifs. Il a t prouv quelle revient une approche
dfinissant une fonctions agrge quipondre.
La mthode Non Dominated Sorting Genetic Algorithm (N.S.G.A.) Cest une

des mthodes agrgatives les plus couramment mises en oeuvre. Nous avons choisi de la
prsenter car elle a t implante par Molina et Gonzalez dans leur travaux de planification
wLAN [43]. Nous ne ferons que citer les deux autres mthodes agrgatives les plus connues,
savoir Multiple Objective Genetic Algorithm (M.O.G.A.) et Niched Pareto G.A. (N.G.P.A.)
prsentes plus amplement dans louvrage [103].
La mthode N.S.G.A. classifie sur plusieurs niveaux les individus de la population.
Pour cela, un tri est ralis en affectant chaque individu un rang au sens de Pareto.
Dans la figure 1.16, p. 44, une reprsentation des individus non-domins dun ensemble de
solutions est donn. Cet ensemble se trouve au premier rang de Pareto et forme le premier
front de Pareto. Si lon retire les solutions du premier rang et que lon recherche nouveau
les solutions non-domines, on trouve les solutions de rang 2. Toutes les solutions de la
population se voient donc attribuer un rang r(i) au sens de Pareto.
On attribue alors chaque individu une efficacit factice F (i) qui est inversement pro-
portionnelle son rang. Pour obtenir des individus qui se rpartissent de manire uniforme
sur le front de Pareto, on va pondrer la valeur defficacit F (i) par une quantit mi qui
pnalise les individus qui sont proches les uns des autres, soit dans lespace des solutions
(lespace gnotypique), soit dans lespace des fonctions (espace phnotypique). Cette quan-
tit est dfinie comme suit :
i=K
X
mi = Sh(d(i, j)) (2.18)
j=1
Ici, K dsigne le nombre dindividus qui appartiennent au mme rang et d(i, j) la

distance dans lespace des fonctions entre les individus i et j. La fonction de sharing
Sh(d(i, j)), galement appele fonction de niche, est dfinie par :
( 2
1 d(i,j) si d(i, j) < share
Sh(d(i, j)) = share (2.19)
0 sinon
share est le rayon daction de la fonction de sharing. Comme on peut le voir dans
lexpression 2.19, les individus qui sont suffisamment proches (dont la distance d(i, j) est
infrieure share ) sont pris en compte dans le calcul de mi , les autres sont ignors.
84
La valeur defficacit de lindividu i au sein du rang i est donne par :
F (i)
fi = (2.20)
mi
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 Ham-
ming 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 multiob-
jectif pour rsoudre le problme de planification wLAN [43].
Molina et Gonzalez minimisent dans un premier scnario le nombre dAP et la dgra-
dation 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

Aprs avoir prsent en dtails les tenants et aboutissants du problme de planification
et les solutions qui ont dj t proposes dans la littrature, il est ncessaire de faire le
point pour dfinir les perspectives de recherche pour ce problme. Cette partie me permet
dintroduire les travaux mens dans cette thse et de les situer par rapport aux travaux
effectus auparavant.
Le premier point traite de la dfinition des critres doptimisation et des services asso-
cis. Le second prsente les amliorations relatives au choix du modle de propagation. Le
dernier se concentre sur les choix algorithmiques qui peuvent tre raliss.
Les critres de planification

Dans la partie 1.3 nous avons dtaill les principaux critres de planification de la
littrature.
La totalit des travaux cherchent en premier lieu dfinir un critre qui permette de
garantir une couverture radio. Le plus souvent, ces critres sont bass sur la dfinition
dun seuil de qualit en de duquel on considre que le service de couverture nest plus
garanti. Or, cette vision binaire de la couverture radio peut rendre la recherche de solutions
dlicate car les points de test qui prsentent une puissance proche du seuil pnalisent autant
une solution que les points vraiment mal couverts. Nous proposons dans ces travaux de
dfinir un critre de couverture qui vise obtenir une solution qui prsente une couverture
homogne, stable et peu sensible aux petites variations de lenvironnement radio.
De mme, la plupart des critres dinterfrences dfinissent un rapport signal sur inter-
frences seuil pour gnrer des solutions peu sensibles aux interfrences. Pour limiter les
effets de bords dus lutilisation dun seuil, nous dfinissons un critre qui ne considre pas
tous les signaux prsents en un point comme des interfrents. On suppose alors que lon
peut accepter en chaque point de test un nombre l de signaux interfrents grce un critre
qui ne pnalise que les autres signaux interfrents. On considre que les interfrences cres
par les l signaux non pris en compte dans le critre sont rsorbs laide dune allocation
optimale des canaux. Un critre dinterfrences similaire est prsent par Adel Jedidi dans
ses travaux de thse [18] sur la planification de rseaux cellulaires.
La plupart des critres doptimisation qui maximisent la bande passante par uti-
lisateur considrent que le dbit fourni par un point daccs ne varie pas en fonction du
nombre dutilisateurs connects. Or, cette hypothse nest pas raliste avec un rseau de
type 802.11b. En effet, ce type de rseau exploite une couche daccs au mdium radio de
type CSMA/CA (cf. 1.1.3). Ce protocole MAC partage le mdium radio en vitant les
collisions. Il a t montr dans [45], [47] que le dbit global fournit par un AP est forte-
ment corrl au nombre dutilisateurs connects cet AP. Ainsi, plus le nombre de stations
mobiles est lev, plus la portion de temps passe grer laccs au canal est importante
et plus le dbit par utilisateur diminue. Nous proposons dans ces travaux dutiliser un
critre de qualit de service bas sur une valuation plus raliste du dbit fourni par un
point daccs. Pour cela, nous nous appuyons sur le modle dvaluation de performances
propos par Lu et Valois dans [48].
Dautres critres doptimisation peuvent tre dfinis pour un rseau sans-fil. Dans cette
thse, nous dfinirons un critre qui permet de planifier un rseau pour quun algorithme
de localisation de station mobile puisse fonctionner le mieux possible. Les algorithmes
de localisation, quils soient bass sur une stratgie dterministe ou probabiliste, sont trs
sensibles la redondance des vecteurs signaux dans lenvironnement. Nous dfinissons dans
86
ces travaux deux critres qui ont pour objectif de limiter cette redondance et ainsi diminuer
les erreurs de localisation.
Les modles de prdiction de couverture radio

Le choix du modle de prdiction de couverture radio est le rsultat dun compromis
entre les deux critres suivants :
la qualit des prdictions,
le temps de calcul dune carte de couverture.
Comme nous lavons prsent dans la partie 2.1, les modles empiriques ncessitent peu
de calculs mais leurs prdictions sont peu ralistes. Des erreurs quadratiques moyennes bien
suprieures 10 dB peuvent tre observes. Les mthodes dterministes permettent elles
datteindre une prcision infrieure 10 dB derreur mais au prix dun calcul bien plus
coteux.
Ce sont les modles empiriques qui ont t le plus souvent exploits pour la planification
wLAN. Les premiers travaux raliss avec une puissance de calcul limite ne pouvaient
utiliser de mthode dterministe de type lancer de rayon. Les travaux raliss par la suite
dans les annes 2000 exploitent un modle empirique pour sa simplicit de mise en oeuvre.
Les techniques dterministes ont lavantage dtre adaptables aux problmes traits car
il est possible de diminuer la charge de traitement en diminuant le nombre de rflexions
prises en compte pour chaque rayon. Mais ceci implique une perte de prcision dans les pr-
dictions. Pour linstant, ces mthodes ne permettent pas dobtenir la fois des couvertures
ralistes en un temps de traitement abordable pour loptimisation.
Nous avons choisi dans cette thse de travailler avec une moteur de prdiction de
couverture radio issu dune mthode de prdiction de couverture radio discrte. Cette
mthode, dnomme MR-FDPF et prsente pour la premire fois par Gorce et Ubeda en
2001 [107] est dtaille au dbut de la partie 2.3. Le modle de prdiction choisi a pour
principal avantage de calculer rapidement des cartes de couverture ralistes, quelque soit
la rsolution demande.
Une part importante des travaux prsents dans cette thse a pour objectif de valider
les prdictions de couverture radio issues de ce modle. Lensemble des rsultats relatifs la
validation des prdictions de couverture radio sont prsents dans la partie II, au chapitre
4. Cette validation a ncessit la mise en place dun processus de calibration du modle
MR-FPDF.
Les choix algorithmiques

La partie 2.2 prsente les principaux algorithmes utiliss pour rsoudre le problme wLP.
La plupart des travaux ont exploit des techniques doptimisation mono-objectif. Le
problme tant par nature multicritre, certains critres doptimisation ont t soit agrgs
la fonction de cot principale, soit considrs comme des contraintes du problme.
La fonction de cot unique est en gnral une fonction non-convexe, dont on ne peut
valuer analytiquement le gradient et dont on ne sait sil existe plusieurs optimums. Les
algorithmes continus drivatifs ne peuvent donc pas garantir la convergence vers un op-
timum global. De ce fait, ce sont des algorithmes de recherche directe qui ont t choisis
comme alternative.
Trois travaux sintressent la rsolution dun programme linaire modlisant le pro-
blme wLP. On observe que quand le nombre de variables devient trop important, les
87
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 mtaheu-
ristiques 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 MR-
FDPF (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 origi-
nale 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 sys-
tme 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 perma-
nent 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 lenviron-
91
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 Multi-
3 Rsolution FDPF adapta-
tive
La mthode FDPF (Frequency Domain ParFlow ) a t prsente pour la premire fois
dans [107]. Une amlioration de celle-ci, la mthode "Adaptative Multi-Resolution FDPF"
prsente ici, a t propose en 2003 dans [108]. Ces algorithmes ont pour point de dpart
lapproche ParFlow propose en 1997 par Chopard et al. [113] dveloppe dans le contexte
de la planification GSM. Cette approche temporelle discrte, similaire aux mthodes TLM
(Transmission Line Matrices) est prsente dans la partie 3.1.1. La partie suivante 3.1.2
prsente la mthode FDPF propose par Gorce et al. Une premire amlioration au niveau
bloc est trate en 3.1.3. La partie 3.1.4 prsente la dernire tape qui a men la mthode
Adaptative multi-rsolution FDPF propose dans [108]. La dernire sous-partie 3.1.6 pr-
sente les cartes de couvertures obtenues actuellement et les performances de la mthode en
termes de temps de calcul et doccupation mmoire.
3.1 Dveloppements thoriques

3.1.1 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 x
fS f f
N f
0 0
f
E
f
W
f
W
f
E
f
N y
f
S
(a) (b)
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), ap-
peles 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
CHAPITRE 3. LA MTHODE MULTI-RSOLUTION FDPF ADAPTATIVE
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. Lenviron-
nement 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.
Fig. 3.2 Simulation des phnomnes de rflection et de diffraction.
Lalgorithme ParFlow a t propos par P.O. Luthi [114, 113]. Dans sa thse, Luthi a
dvelopp une formulation gnrale pour la rsolution de problmes de propagation sur une
grille rgulire. Applique aux quations de Maxwell par une discrtisation du 1er ordre
sur une grille rgulire de 4-connexit, lalgorithme obtenu est identique lalgorithme
TLM (Transmission Line Matrix) propos par Hoefer [115] en 1984. Cet algorithme est
utilis pour la simulation des champs lectriques et magntiques dans des structures de
petites tailles (composants lectroniques, antennes) [116],[117]. Si cette mthode permet de
reflter fidlement la propagation des ondes lectromagntiques, elle ncessite en revanche
une puissance de calcul importante.
Bien que naturellement exploitable en trois dimensions (3D), nous restreignons ici la
description thorique un environnement 2D, pour des raisons de clart. Limplantation a
t faite en 2D uniquement, car la complexit du 3D reste un problme important. Seule
la composante transverse du champ lectrique complexe (amplitude, phase) est considre.
La valeur du champ au pixel bl est dduite de la valeur de flux entrants par :

fE (i, j) + fW (i, j) + fS (i, j) + fN (i, j) + Y (i, j)f0 (i, j)
(i, j) = (3.1)
n2 (i, j)
o n(i, j) et Y (i, j) reprsentent respectivement lindice de rfraction et la ractance du

milieu de propagation. Ils sont lis par :
Y (i, j) = 4 n2 (i, j) 4. (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) (3.3)

f ij (t) = ( f ij (t)) (3.4)
o :
94
ij est la matrice de diffusion associe au pixel bl ,

it

h
f ij = fE (i, j), fW (i, j), fS (i, j), fN (i, j), f0 (i, j) ,
it

h
f ij = fE (i, j), fW (i, j), fS (i, j), fN (i, j), f0 (i, j) ,
it

h
f ij (t) = fE (i 1, j), fW (i + 1, j), fS (i, j 1), fN (i, j + 1), f0 (i, j) .
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 Lalgorithme ParFlow dans le domaine frquentiel (FDPF).

En 2001, lapproche Parflow de Chopard et al.[113] a t transpose dans le domaine
frquentiel par Gorce et al. dans [107]). Lide de travailler dans le domaine frquentiel a
en fait t propose pour TLM ds les annes 80 [115] et largement utilise par la suite
[63],[118],[119]. Loriginalit de lapproche FDPF rside dans lalgorithme de rsolution mis
en oeuvre. Lobtention du systme rsoudre dans le domaine frquentiel est obtenu par
une transforme de Fourier, aprs avoir rcrit le systme temporel sous la forme dun
systme unique, en regroupant tous les flux en un vecteur dinconnues comme suit :
it

T T
T
t
h
F= f 1,1 , f 1,2 , . . . , f ij , . . . , f N N (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
F(s ) = k S(s ) (3.8)
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 rfrac-

tion 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 corres-
pondance entre les 2 approches est dcrite dans [112].
3.1.3 La modlisation par blocs

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.
FN FS
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 :
EE EW ES EN

kl kl kl kl
W E W W W S W N
kl = SE
kl kl kl kl (3.9)
kl SW
kl SS
kl SN
kl

N
kl E N W N
kl S N
kl N
kl
Dans chaque bloc, les flux internes peuvent tre considrs comme des variables inter-
mdiaires 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 dif-
fusion 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
C (flux sortants)
A B
A B Flux Internes
(a) Phase Ascendante.
C A B
(b) Phase Descendante.
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 :
C = P3 .P2 .P1 (3.10)
o les matrices P1 , P2 et P3 reprsentent respectivement la propagation des flux entrant

vers les flux internes (P1 ), ltablissement du rgime permanent lintrieur du MR-bloc C
(P2 ) et la propagation des flux internes vers les flux externes (P3 ). On appelle flux internes
du MR-bloc C, les flux dchange entre les MR-blocs A et B.
Ces 3 matrices sobtiennent partir des matrices de diffusion des MR-blocs A et B par :
EE ES [0] W N

[0] A A A [0]
P1 =
W
B
W [0] [0] WB
S [0] W
B
N
1
W E

Id B
P2 =
EW
A Id
98
EE

[0] B
W
A
W [0]
SW

A [0]
P3 =

[0] SE
B

N
A
W [0]
[0] NB
E
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 ma-
trice 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 rgu-
lire, 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 ma-
trices 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 prcdem-
ment 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 W (3.11)
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 :

W S
N T
h E h S i h N ii
F C = F A , F B , F A, F B , F A , F B + P3 FIN T (3.12)
On appellera alors la matrice P3 , la matrice Uplink U et la matrice P2 la matrice Inner
In.
A chaque tape, ce calcul permet de monter dun niveau dans la pyramide de propaga-
tion (cf. fig.3.6). La phase de monte se termine quand on a form un MR-bloc unique qui
recouvre la totalit de lenvironnement 2D. La complexit de cette tape est en (N 2 ).
Niveau (N+1)
Niveau N
Source
Recepteur
Fig. 3.6 La structure pyramidale pendant la phase de propagation.
Dans ltape de descente, on propage les flux entrants dans un MR-bloc vers les flux
internes de faon calculer les flux entrants sur ses 2 blocs fils (cf. fig.3.5-(b)). Ce processus
est initialis par le sommet de la pyramide pour calculer les flux entrants dans ses MR-blocs
fils. Ce processus est ritr jusqu atteindre le niveau pixel, ou un niveau intermdiaire
voulu. Le passage dun niveau lautre seffectue en estimant les flux internes du bloc
C laide des flux entrants. La matrice ncessaire ce calcul est la matrce P1 , (appele
downlink, ou D) et est gale la transpose de la matrice uplink. Ltape de descente
prsente une complexit suprieure la monte car il faut effectuer le calcul dans tous les
MR-blocs. Pour une pyramide rgulire, on peut montrer que le cot associ la descente
dun tage est le mme quelque soit le niveau, pour un cot total qui est en (N 2 log2 (N )).
La figure 3.6 illustre le calcul de champ en un point de rception uniquement. Pour obtenir
une carte de couverture complte, ltape de monte est identique, mais il faut rtro-
propager les flux dans ltape de descente, vers tous les blocs constitutifs de lenvironnement
la rsolution voulue.
Conformment Eq.3.1, la puissance reue au niveau 1 1 est donne par le carr du
module de la somme des flux :
X d
Resolution(1, 1) : = k F k2 (3.13)
dN,W,S,E
100
Au contraire, pour un bloc de taille suprieure L H, la puissance moyenne est calcule

par la moyenne du carr des valeurs absolues des 2 (L + H) flux entrants :
1 X X

Resolution(L, H) : = . k f (x) k2 (3.14)
Nf lux
d{N,S,W,E} xD
avec :
[1, L] si d {N, S},
D= (3.15)
[1, H] si d {E, W }.
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 Dcoupage adaptatif de lenvironnement

Objectifs de construction dune structure adaptative
La construction dun arbre binaire rgulier est thoriquement celui qui contiendra le
moins de MR-blocs. Cependant, cela ne conduit pas forcment la structure la plus opti-
male pour les raisons suivantes
re-utilisation : lorque 2 MR-blocs sont strictement identiques dans lenvironnement
(mme taille et mmes matriaux constitutifs), ils possdent les mmes matrices
de diffusion. Construire une structure qui cherche la redondance des blocs devrait
diminuer le temps de pr-traitement et la place mmoire ncessaire au stockage de la
pyramide.
blocs homognes : pour que le calcul de puissance moyenne prsent prcdemment
ait un sens, il faut que le bloc en question soit entirement situ dans la mme pice.
Ainsi, la puissance moyenne associe un bloc cheval sur 2 pices naurait pas de
rel sens. Un bloc homogne est dfini comme suit :
Definition 9
Un bloc homogne Bhl est dfinit comme tant le MR-bloc le plus grand appartenant
une branche de larbre MR-FDPF constitu uniquement dair.
Il nexiste quun seul bloc homogne par branche de larbre. Il est donc possible de
dfinir un pavage irrgulier de lenvironnement laide des seuls blocs homognes. Il
semble ds lors intressant dessayer dadapter la structure de la pyramide lenvi-
ronnement de faon privilgier lobtention de gros blocs homognes. Un exemple
de carte de couverture cette rsolution est prsent un peu plus loin la figure
3.11-(a), p. 106.

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 re-
dcoupe 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.
... ...
(4) (4)
BH BH
(1)
(2) (2)
(3) (3)
... ...
Fig. 3.7 Dcoupage rgulier dun environnement.
Ce type de dcoupage cre des blocs homognes de taille relativement faible. Ainsi une
carte de couverture la rsolution des blocs homognes reste constitue dun nombre im-
portant de blocs. Plus le nombre de blocs homognes est lev, plus le temps de propagation
descendante est important pour obtenir une carte de couverture cette rsolution.
Par contre ce dcoupage est celui qui minimise le nombre de MR-blocs et leur taille
dans la structure pyramidale et minimise donc la place mmoire occupe. Il ne favorise
cependant pas la rutilisation spatiale des matrices de diffusion.
102
(1a) (1b)
(2)
(2)
(4)
BH
BH (3)
(4)
BH (4)
BH
(3)
(3)
... ... ...
Fig. 3.8 Dcoupage irrgulier selon la plus grande discontinuit.
Dcoupage irrgulier. Ce dcoupage a pour objectif de crer les plus grands blocs
homognes possibles. On dcoupe toujours un bloc selon sa plus grande dimension. Pour
obtenir rapidement des blocs homognes, on dcoupe le bloc selon la plus grande disconti-
nuit, cest--dire le long de la ligne o il y a le plus de changements de matriau.
La figure 3.8 prsente le dcoupage vertical dans un bloc trs simple. Le dcoupage
est ralis selon la colonne prsentant le plus de changement de matriau avec la colonne
suivante. Pour cela, on calcule pour chaque colonne de dcoupe ci ; i [1, sx1] un nombre
de discontinuits D(i) qui compte le nombre de lignes o on a observ une variation de
matriau avec la ligne de dcoupe suivante. D(i) est dfini comme suit :
s
X
D(i) = 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)
avec C(i) = 1 | ico p

co | et co lindice du milieu du MR-bloc.
La valeur de p est donne par :

0 si m < L
p= (3.18)
K si m L
Fig. 3.9 Macro-algorithme du dcoupage hybride.
K et L sont les paramtres du modle choisir pour raliser le compromis entre le

dcoupage rgulier et irrgulier.
Quand un MR-bloc a sa plus grande dimension infrieure L, il est dcoup de faon
irrgulire. Dans le cas contraire, le choix de lindice de dcoupage est un compromis entre
la valeur de la discontinuit maximale et la distance au centre co du bloc.
3.1.6 Implantation et performances

La mthode MR-FDPF a t dveloppe en Java et a t teste sur un PC travaillant
une frquence CPU de 2.8GHz et comportant1 Go de mmoire vive.
Phase de pr-traitement
Pour mettre en oeuvre lalgorithme de dcoupage hybride, les valeurs optimales de K et
L ont t recherches de faon empirique pour garantir la fois un temps de pr-traitement
faible, une occupation mmoire de larbre MR-FDPF faible et la cration de grands blocs
homognes. Le tableau suivant compare pour lenvironnement de test, de taille 120 60
mtres les performances des trois heuristiques. Cet environnement est celui qui est utilis
au chapitre 5 et qui est reprsent figure 5.1 la page 148. La recherche dun temps de
pr-traitement faible a t privilgie. Les valeurs optimales (L = 32, K = 6) prsentent
une dure de pr-traitement trs faible pour cet environnement, infrieure au temps de
traitement dun dcoupage rgulier.
104
Dcoupage rgulier hybride (L=32,K=6) irrgulier

Taille mmoire 48 MO 62 MO 87 MO
Dure du prtraitement 17 s 11 s 32 s
Nb Blocs Homognes 18705 6308 5715
Nb Blocs Types 2607 861 771
p20 37% 55% 54%
Fig. 3.10 Performance des trois algorithmes de dcoupage.
Dans ce tableau, p20 reprsente le pourcentage de blocs homognes dont la plus grande
dimension est suprieure 20 pixels. Le nombre de blocs types est le nombre de blocs de
taille et de constitution diffrents que comprend la pyramide. Le passage dun temps de
pr-traitement de 17s. pour le dcoupage rgulier 32s. pour le dcoupage irrgulier est d
laugmentation de la taille des blocs des tages suprieurs de la pyramide. La mthode
hybride ne ncessite qu11s de pr-traitement car la redondance de blocs dans la pyramide
est importante (cf. le nombre de blocs types). On se rend compte que lapproche hybride
ralise plus quun compromis entre les 2 autres approches. La taille mmoire de larbre,
le temps de pr-traitement et la taille des blocs homognes sont satisfaisants. Cest cet
algorithme de dcoupage qui est choisi pour WILDE.
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.
Tab. 3.1 Temps de calcul.

Pre- Propagation Propagation Propagation
traitement niveau 1 1 niveau 6 6 blocs homognes
Temps 28 s 10 s 0.8 s 0.5 s
La propagation elle-mme ne dure que 10 secondes la rsolution la plus fine. De plus,

on observe que plus la rsolution Rcouv est grande, plus le temps de traitement est faible.
Contrairement au lancer de rayons, o le temps de calcul est rduit en limitant le nombre
de rayons ou le nombre de rflexions, le temps de calcul est ici limit par lquivalent dun
moyennage qui tient compte de tous les trajets.
Les proprits de la mthode MR-FDPF sont trs intressantes pour la planification
dun rseau sans fil. Dune part, au vu de la rapidit du temps de traitement, il est possible
de tester rapidement diffrentes configurations dmetteurs. Dautre part, il est possible
dutiliser une rsolution grossire dans le calcul de couvertures sans pour autant fausser
lestimation de couverture radio.
105
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 heuris-
tiques de planification.
Limplantation que nous avons ralise ne charge en mmoire que les MR-blocs nces-
saires 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 Mise en oeuvre pour les rseaux sans fil
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 nces-
saire 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
Comme nous lavons mentionn ds le dbut de cette section, le moteur de prdiction

WILDE est bas sur une approche 2D. De ce fait, lattnuation de la puissance simule suit
un modle daffaiblissement en 1r . La figure 3.12 prsente le profil de la puissance simule
avec WILDE pour une source place au centre dun environnement libre ne comprenant
que de lair. Ces profils sont calculs deux frquences de simulation distinctes. On observe
bien une diminution de la puissance de 10dB par dcade. Or, dans un environnement en 3
dimensions, la propagation en espace libre se caractrise par un affaiblissement en r12 qui
suit la loi de pertes suivante :
2
P L(r, ) = (3.19)
(4..r 2 )
Pour essayer de compenser ce problme, nous avons introduit un coefficient daffaiblis-

sement 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 tho-
rique 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
45
Puissance (dBm)
50
55
60
65
70
0 1 2 3
10 10 10 10
Distance numerique (echelle logarithmique)
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

La frquence s de simulation contraint le choix du pas de discrtisation R . Ces
grandeurs sont en effet lies par la relation R s /6 vue au dbut de ce chapitre. Ainsi,
si lon souhaite effectuer des simulations la frquence relle de 2.4 GHz pour calculer
le champ lectrique issu dun metteur 802.11b, R doit tre infrieur 2 centimtres. A
une telle rsolution, un environnement de 100m 100m conduit un espace de plus de
5000 5000 pixels, ce qui ne permet pas de remplir nos exigences de temps de calcul. Sans
compter le fait que larrive du WiFi 5GHz augmente encore plus ce problme.
Pour rduire le nombre de pixels et ainsi diminuer la charge de calcul, la frquence de
simulation s est choisie comme un sous-multiple de la frquence relle. La modification de
la frquence nintroduit pas dartefacts de simulation pour les phnomnes de rflexion des
ondes radio puisquils ne dpendent pas de la frquence de simulation. Par contre on peut
observer des erreurs dans le rendu de la diffraction et plus particulirement dans la distri-
bution des interfrences. En effet, le choix dune longueur donde diffrente de la frquence
relle modifie la position des zones dinterfrences destructives et constructives. En choi-
sissant un multiple de la frquence relle, on espre de faon purement empirique, pouvoir
mieux conserver un certain ralisme. Notons que pour le dploiement dun rseau sans-fil,
il nest pas ncessaire de connatre en dtail la distribution spatiale des interfrences. Il
est mme prfrable de sen affranchir, car la prsence du mobilier ou des personnes, non
prise en compte, modifie forcment significativement le schma dinterfrences dans len-
vironnement. Il nous a sembl ds lors plus intressant de raisonner partir de lobjectif
de simulation. Soit Rcouv la rsolution laquelle nous souhaitons simuler le champ moyen.
108
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 Les paramtres des matriaux

Lindice de rfraction n et le coefficient dabsorption dun matriau sont dtermins
exprimentalement par la mesure de la permittivit lectrique relative r et de la conduc-
tivit . La valeur de ces grandeurs physiques peut varier en fonction de plusieurs facteurs
externes tels que la frquence de londe, la temprature ou encore la quantit deau prsente
dans le matriau.
Ainsi ces grandeurs nauront pas les mmes valeurs pour le bton mouill et le bton
sec. Pour des matriaux conducteurs (mtaux, ...), la permabilit magntique relative r

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 construc-
tions 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) 0.9 -1.8 1.9 - 4.3 3 - 24

Brique sche 2.14 - 2.02
Bton sec 2.2 - 2.6
Bton lger 1.4 - 1.5
Bton arm 2.64
Tab. 3.2 Valeurs de lindice de rfraction n.
Les coefficients dabsorption

Pour des briques sches, le coefficient dabsorption est de 1.525 m1 la frquence
de 1.7 GHz. Ceci signigie que lamplitude de londe transmise est attnue une distance
d du dioptre par un facteur de la forme ea d . Dans notre modle de prdiction, le facteur
109
dattnuation est calcul pour la distance unit (largeur du pixel). Ainsi, pour une dis-
tance 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

La mthode de prdiction MR-FDPF dtermine une valeur relative du niveau de
puissance en un point donn. La valeur simule s ne reprsente pas la puissance du
champ rel au point i exprim en dBm, mais une valeur numrique en dB. Il est donc
ncessaire de calibrer les prdictions du moteur laide dun facteur de mise lchelle
. La valeur prdite pred, en dBm, est donne par :
pred = s + (3.20)
Il est difficile de driver thoriquement ce facteur de mise lchelle car la mthode pr-
sente 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 mi-
nimiser 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 pr-
dite 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)) (3.21)
m
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 daffai-
blissement 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
Pour chaque jeu s de 2N + 1 paramtres n et , il est possible de dterminer loffset

optimum comme prsent prcdemment. La valeur prdite pred est alors connue
et lon pourra calculer la valeur de lerreur quadratique moyenne de prdiction formule
par lquation 3.22. Cest le critre doptimisation minimis au cours du processus de
calibration.
v v
u m u m
u1 X u1 X
f (s) = t 2
k mes (i) pred(i) k = t k mes (i) (s (i) + (s)) k2
m m
i=0 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 plu-
sieurs 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
Validation des prdictions
4
Ce chapitre a pour objectif dvaluer la validit des prdictions du modle MR-FDPF
pour les technologies wLAN.
La qualit des simulations dpend du jeu de paramtres prsent au chapitre prcdent,
section 3.2. Comme nous avons pu lobserver au cours de nos travaux, la fonction de cot
de calibration (cf. equation 3.22) nest pas convexe et trouver les paramtres optimaux
est un problme difficile. Il est impossible de tester tous les jeux de paramtres par une
recherche exhaustive, ce qui nous a men mettre en oeuvre une heuristique de recherche.
Pour montrer que cette heuristique de recherche fonctionne correctement, nous avons
choisi dans un premier temps danalyser linfluence des diffrents paramtres de propagation
du modle sur la qualit des prdictions. Pour cela, nous avons simplifi le problme en
rduisant le nombre de variables. Cette analyse nous a permis de mieux apprhender le
problme sur les points suivant :
les plages de variation significatives des paramtres,
la sensibilit des paramtres,
limpact des paramtres sur les prdictions.
Toute cette analyse est prsente dans la partie 4.1 qui traite des diffrents rglages du
simulateur.
La partie 4.2 a pour objectif de tester les performances de lalgorithme que nous avons
choisi pour dterminer les valeurs optimales des paramtres du moteur. Cet algorithme, d-
nomm DIRECT (cf. partie 2.2.2), converge dans la plus grande partie des scnarios tests.
Cependant, le temps de traitement augmente rapidement avec le nombre de variables.
La stabilit de ces rsultats est tudie dans la partie 4.3 partir dune nouvelle srie
de mesures.
4.1 Rglage du simulateur

Le critre doptimisation nest pas une fonction analytique des paramtres des mat-
riaux 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 lenviron-
nement CITI 1 puis 2 matriaux. Pour chaque partie, les deux types de jeux de mesures
113
CHAPITRE 4. VALIDATION DES PRDICTIONS
(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 Environnements de test et protocole de mesures
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 direc-
tivit 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, cer-
taines 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 5
0 0
80 75 70 65 60 55 95 90 85 80
Puissance (dBm) Puissance (dBm)
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 cou-
verture, 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 prci-
sion 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.
Fig. 4.3 Rpartition des points du jeu de mesures BuildingG.
4.1.2 Modlisation un matriau.

Pour simplifier lanalyse de linfluence des paramtres de matriaux, la simulation de
lenvironnement du CITI a dabord t ralise avec un seul matriau dindice n et de
coefficient daffaiblissement (hormis lair). La premire partie prsente ltude de lindice
116
n, la seconde ltude du coefficient daffaiblissement et la dernire ltude du coefficient

daffaiblissement de lair air .
Dans un premier temps, lanalyse est faite en dissociant chaque variable. Ce choix a t
fait la suite de premiers tests qui semblaient montrer la faible influence des coefficients
daffaiblissement et air .
Ecart type de la fonction derreur en fonction de lindice n

12
Ecart Type (dB)
10
2
2 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3
Indice
Moyenne de la fonction erreur en fonction de lindice n

50
55
Moyenne (dB)
60
65
AVAYA1
70 AVAYA2
ALLIED
75
DLINK
80 HP
PROXIM
85
2 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3
Indice
Fig. 4.4 Haut : Evolution de lcart type de lerreur de prdiction e en fonction de

lindice n. Bas : Evolution de loffset de mise lchelle en fonction de lindice n.
Etude de lindice n
Critre 1 point daccs Les valeurs de f ont t calcules sur une grille unidimen-
tionnelle un pas fixe pn = 0.05 pour n [1.0, 10.0]. Les coefficients daffaiblissement sont
fixs 1. Pour tudier la stabilit du critre en fonction de la position de lAP, le calcul
a t effectu indpendamment pour chaque jeu de mesures associ chacun des 6 AP.
La figure 4.4 prsente lcart type de lerreur de prdiction e aprs mise a lchelle des
simulations par loffset optimal pour chaque valeur de n. On cherche sur ces courbes
le minimum de lcart type e (cf. partie 3.2.4) et on slectionne la valeur doffset corres-
pondant lindice optimal trouv. Seuls les points dindice n [2, 3] sont prsents sur la
courbe pour des raisons de lisibilit des minima. En dehors de cet intervalle, les fonctions
taient monotones et ne prsentaient donc pas dautre mimimas locaux.
Les valeurs dindice minimisant f = e sont donnes dans le tableau 4.1. Ce tableau
donne galement pour chaque AP les valeurs de loffset et les valeurs de lcart type du
minimum observ. La meilleure valuation est obtenue avec lAP ALLIED avec f = 3.76dB
derreur quadratique moyenne pour un indice n = 2.45.
117
Point daccs Nb. Points Indice n e Offset

AVAYA1 90 2.65 5.7 -55
AVAYA2 100 2.35 5.45 -63
HP 146 2.45 5.1 -60
DLINK 127 2.40 4.7 -61.5
ALLIED 175 2.45 3.8 -64
PROXIM 148 2.85 5.05 -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 =
2 + E 2 pour chaque jeu de test. et E sont respectivement lcart type et la moyenne

(esprance) de la fonction erreur calcule pour lindice nopt et loffset de mise lchelle
opt de la solution valuer. Pour chaque solution du tableau 4.1, on a calcul , E et
EQM pour les 6 jeux de mesures connus. On a ensuite moyenn les 6 valeurs relatives
chaque grandeur pour obtenir la moyenne des carts types , la moyenne des esprances E
et la moyenne des EQM pour quantifier la qualit des prdictions. Le tableau 4.2 prsente
les rsultats obtenus.
Point daccs Indice n Offset Moyenne Moyenne Moyenne

des EQM des des E
AVAYA1 2.35 -62 6.25 / (5.76) 5.85 / (5.36) -1.2 / (-1.5)
AVAYA2 2.35 -63 6.12 / (5.58) 5.86 / (5.33) -0.2 / (-0.65)
HP 2.45 -60 6.15 / (5.71) 5.73 / (5.22) 0 / (-0.11)
DLINK 2.40 -61.5 6.0 / (5.44 5.63 / (5.08) 0 / (-0.4)
ALLIED 2.45 -64 7.3 / (6.88) 5.72 / (5.27) 4.25 / (5.27)
PROXIM 2.85 -64 7.3 6.5 0.9
Tab. 4.2 Efficacit des 6 solutions.
Au vu des performances mdiocres de la solution obtenue avec le jeu de tests PROXIM,

nous avons galement calcul la moyenne de ces grandeurs en excluant ce jeu de test l.
Dans le tableau 4.2, la premire valeur des cases deux valeurs donne la valeur moyenne
118
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.
Fig. 4.5 Evolution de lcart type moyen moy en fonction de lindice n.
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
AVAYA1 AVAYA2 HP DLINK ALLIED PROXIM Moyenne

EQM 6.4 5.5 5.1 4.7 5.5 8.5 5.9 / 5.4
e 6.1 5.5 5.1 4.7 4 8.3 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
de mesure ALLIED, DLINK, HP et PROXIM. Laxe des abscisses reprsente la position du

point de mesure dans lenvironnement, parcouru ligne ligne, les lettres A I reprsentant
lordonne des points, telle que dfinie la figure 4.1.
Les estimations des jeux de test ALLIED, DLINK et HP sont bonnes. On observe par
contre pour PROXIM, que les points en limite de couverture (niveau de puissance infrieur
-80dBm) les erreurs sont fortes. Cette figure tend montrer que lerreur provient plus
probablement dun biais sur les mesures que sur les simulations. Avec cet AP, la distribution
normale qui caractrise le canal est tronque cause du seuil de dtection du rcepteur,
qui est probablement plus lev que pour les autres AP. Une grande partie des erreurs de
prdiction pour les points en limite de couverture peut donc tre impute la qualit des
mesures effectues. Ceci explique probablement que lon narrive pas calibrer correctement
les mesures de cet AP.
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 : linad-
quation de la modlisation un seul matriau, la non prise en compte dun affaiblissement
3D, mais galement le biais des mesures en limite de couverture.
AVAYA1 AVAYA2 HP DLINK ALLIED PROXIM

(dB) -60 -62 -61 -62 -65 -60
Tab. 4.4 Valeurs des offsets spcifiques chaque AP pour un indice n=2.4
.
Etude du coefficient daffaiblissement
Dans cette partie, nous considrons toujours que lenvironnement nest constitu que
dun seul matriau. On souhaite dterminer linfluence du coefficient daffaiblissement
du seul matriau prsent.
Compte tenu de ltude sur lindice des cloisons, nous avons choisi de fixer lindice du
matriau n = 2.4 et de ne faire varier que le coefficient pour observer son influence
sur le critre dvaluation. Des valeurs de f ont t calcules avec un pas logarithmique
p = 10x , x [1, 5] pour [0.9, 1.0]. Les valeurs dcart type et doffset sont
prsentes dans la figure 4.7. Les rsultats ont t prsent en fonction de la grandeur 1
sur une chelle logarithmique.
121
Ecart type obtenu pour chaque points daccess en fonction du coefficient daffaiblissement du materiau
9
8
Ecart type (dB)
3
5 4 3 2 1
10 10 10 10 10
1Alpha (echelle Logarithmique)
Erreur moyenne obtenue pour chaque points daccess en fonction du coefficient daffaiblissement du materiau
45
AVAYA1
AVAYA2
50
Erreur moyenne (dB)
ALLIED
DLINK
55 HP
PROXIM
60
65
70
5 4 3 2 1
10 10 10 10 10
1Alpha (echelle Logarithmique)
Fig. 4.7 Ecart type et Offset obtenus en fonction de laffaiblissement du matriau.
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 Sol. optim DIRECT Sol. = 1

n e n e
AVAYA1 2.67 0.9998 5.74 -55 2.65 5.74 -55
AVAYA2 2.37 0.9998 5.45 -62 2.35 5.45 -63
HP 2.42 0.9998 5.06 -60 2.45 5.08 -60
DLINK 2.41 0.9998 4.71 -61 2.40 4.72 -61.5
ALLIED 2.43 0.9907 3.74 -64 2.45 3.76 -64
PROXIM 2.85 0.9998 5.05 -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
120 AVAYA2
ALLIED
100
Ecart type (dB)
DLINK
HP
80
PROXIM
60
40
20
0
6 5 4 3 2 1
10 10 10 10 10 10
1AlphaAir (echelle Logarithmique)
Erreur moyenne obtenue pour chaque point dacces en fonction du coefficient daffaiblissement de lair
200
AVAYA1
150 AVAYA2
Erreur moyenne (dB)
ALLIED
100 DLINK
HP
PROXIM
50
50
100
6 5 4 3 2 1
10 10 10 10 10 10
1AlphaAir (echelle Logarithmique)
Fig. 4.8 Ecart type et Offset obtenus en fonction de laffaiblissement de lair air .
123
Etude du coefficient daffaiblissement de lair air

Etant donn lapproximation qui a t prsente dans la partie 3.2.1, le coefficient
daffaiblissement air est maintenant introduit comme variable problme. Cette partie a
pour objectif dvaluer son influence sur la qualit des prdictions. Nous avons fix les
paramtres n et du matriau 2.4 et 1.0. Les valeurs dair ont t calcules avec un
pas exponentiel p = 10x , x [1, 4] pour [0.9, 1.0]. Les courbes obtenues avec les 6
jeux de test sont prsentes dans la figure 4.8.
On nobserve aucune amlioration dans les prdictions en jouant sur ce coefficient daf-
faiblissement : la valeur optimale de air est gale 1. Il semble donc quon se rapproche
dun modle daffaiblissement en 1r .
Cependant, la recherche de lindice du matriau a t faite pour air = 1 et le choix de
lindice de n = 2.4 permet peut-tre dj de modliser correctement le canal. Pour pouvoir
conclure, un calcul du critre 6 points daccs a t ralis sur une grille 2D en faisant
varier dune part lindice des cloisons dun pas fixe de 0.1 entre 1 et 4 et dautre part en
faisant varier le coefficient daffaiblissement de lair dun pas progression exponentielle
entre 0.9 et 1.0. Le rsultat est prsent dans la figure 4.9.
Evolution de lecart type en fonction de lindice du materiau et du coefficient dabsorption de lair
140
120
100
80
60
40
20
0
1
10
2
4
10 3.5
3
3 2.5
10
2
1.5
4
1AlphaAir (echelle logarithmique) 10 1
Indice
Fig. 4.9 Evolution de lcart type en fonction de lindice et du coefficient daffaiblissement

de lair.
Le minimum obtenu sur la grille prsent dans la figure 4.9 est obtenu pour un in-
dice n=2.4 et toujours pour un coefficient daffaiblissement de lair qui vaut 1.0. On peut
conclure que les prdictions de WILDE qui suivent en espace libre un modle dattnuation
en 1r sont proches des mesures effectues dans le laboratoire CITI. En effet, le btiment
de test prsente plusieurs tages, rguliers, spars par des dalles en bton relativement
paisses. Il peut donc tre modlis par un milieu en couches. Grce aux rflexions au
sol et au plafond, laffaiblissement dans une des couches est finalement assez proche dun
124
affaiblissement en 1r .
Pour vrifier cette affirmation, nous avons trac sur la figure 4.10 la courbe des puis-
sances 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 mesure-
simulation 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 co-
efficient 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 Modlisation deux matriaux.

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.
Critre 1 point daccs
Les minima obtenus lors du calcul des grilles en deux dimensions pour chaque jeu
de mesures sont prsents dans le tableau 4.6. Les deux dernires colonnes du tableau
rappellent les valeurs dcart type et doffset obtenues avec un seul mattiau. La figure
4.11 donne la rpartition de lcart type e sur la grille des indices pour chaque jeu de
mesures.
Ecart type ALLIED Ecart type AVAYA1 Ecart type AVAYA2

1 10 1 10 1 10
1.5 9 1.5 9 1.5 9
8 8 8
indice Beton
indice Beton
indice Beton
2 2 2
2.5 7 2.5 7 2.5 7
3 6 3 6 3 6
3.5 5 3.5 5 3.5 5
4 4 4
1 2 3 1 2 3 1 2 3
indice Cloison indice Cloison indice Cloison
Ecart type DLINK Ecart type HP Ecart type PROXIM

1 10 1 10 1 10
1.5 9 1.5 9 1.5 9
8 8 8
indice Beton
indice Beton
indice Beton
2 2 2
2.5 7 2.5 7 2.5 7
3 6 3 6 3 6
3.5 5 3.5 5 3.5 5
4 4 4
1 2 3 1 2 3 1 2 3
indice Cloison indice Cloison 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
Solutions 2 matriaux Critres 1 matriau.

Point daccs Indice nb Indice ncl e P si e P si
AVAYA1 2.3 3.3 4.6 -66 5.74 -62
AVAYA2 2.5 1.2 3.4 -69 5.45 -63
HP 1.6 3.3 4.35 -70 5.08 -60
DLINK 2.5 2.4 4.4 -61 4.72 -61.5
ALLIED 2.7 2.4 3.8 -66 3.76 -64
PROXIM 1.1 3 5.0 -71 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 Indice Indice Offset Moyenne Moyenne Moyenne

Bton nb Cloison ncl me des EQM des des E
AVAYA1 2.3 3.3 -66 7.9 5.9 -3.2
AVAYA2 2.5 1.2 -69 6.5 6.1 -1.5
HP 1.6 3.3 -70 7.0 5.8 -1.3
DLINK 2.5 2.4 -61 5.9 5.5 5.5
ALLIED 2.7 2.4 -66 6.8 5.5 3.8
PROXIM 1.1 3 -71 7.7 6.9 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
Critre N point daccs
Quand on augmente le nombre de matriaux et donc le nombre de variables, il est

ncessaire de prendre en compte des mesures issues de plusieurs points daccs pour calibrer
les prdictions. La figure 4.12 reprsente le critre calcul avec les donnes de mesures
relatives aux six points daccs. Sur cette figure, on observe une zone optimale distincte,
ce qui nest pas le cas pour les cartes de la figure 4.11.
Ecart type moyen apres calibration observe pour les predictions relatives aux 6 points dacces
1
13
1.5
12
11
2
Indice Beton
10
2.5
9
3 8
7
3.5
1 1.5 2 2.5 3 3.5

Indice Cloisons
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 solu-
tion 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.
En observant les figures 4.13 et 4.6, la diffrence en terme destimation de puissance

pour les solutions S1 et S2 nest pas trs prononce. Les erreurs sont regroupes dans les
zones o la puissance mesure est faible comme pour S1 .
Le tableau 4.8 prsente sur sa premire ligne lvaluation de la solution S2 en terme

derreur quadratique moyenne appliqu tous les jeux de tests. La seconde ligne reprend
les valuations obtenues avec la solution S1 obtenue avec 1 seul matriau.
129
Nb. mat. AVAYA1 AVAYA2 HP DLINK ALLIED PROXIM Moy.

2 6.15 5.3 4.6 5.2 5.0 7.3 5.6
1 6.4 5.5 5.1 4.7 5.5 8.5 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 mo-
dlise 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 AVAYA2 HP DLINK ALLIED PROXIM

-64 -64 -65 -65 -68 -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 pr-
dire 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 mon-
tr 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 pr-
diction. Ainsi le modle daffaiblissement 2D intrinsque au simulateur est appropri la
prdiction de couverture dans des btiments semblables lenvironnement de test. Nan-
moins, 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 lg-
rement 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 Mise en oeuvre de DIRECT

Lanalyse de la fonction dvaluation nous a permis dobserver que les solutions obte-
nues 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 tra-
vailler 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 dvalua-
tions 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 re-
cherche exhaustive. La dernire ligne du tableau expose les rsultats obtenus pour le critre
constitu avec N = 6 jeux de mesures.
Jeu de test Sol. optim DIRECT Sol. Grille NBI NBE T (min)
n e n e
AVAYA1 2.68 5.74 -56 2.65 5.74 -55 4 20 20
AVAYA2 2.38 5.45 -62 2.35 5.45 -63 3 14 14
HP 2.43 5.05 -61 2.45 5.08 -60 4 20 20
DLINK 2.42 4.75 -60 2.40 4.72 -61.5 4 18 18
ALLIED 2.46 3.76 -64 2.45 3.76 -64 4 18 18
PROXIM 2.83 5.05 -63 2.85 5.05 -64 4 18 18
6 AP 2.42 5.94 -61.3 2.40 5.9 -62 4 20 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
forcment slectionn, ce qui favorise une convergence rapide. Le choix de lintervalle de

dpart influence grandement la vitesse de convergence comme cest le cas ici.
Il est important de remarquer que DIRECT converge trs doucement une fois quil a
trouv un hyper-rectangle de faible taille contenant le minimum actuel. Ceci augmente le
temps de traitement mais a lavantage de faciliter la recherche dautres minima. Cest le
paramtre qui rgle ce compromis. Plus est faible, plus on favorise une recherche locale
et plus la convergence est rapide. En effet, on slectionne alors des hyper-rectangles de
faible taille que lon re-dcoupe. Le comportement de lalgorithme se rapproche de celui
dun algorithme de descente. Mais on peut noter que mme si vaut 0, on continue
slectionner quelques hyper-rectangles de grande taille pour raliser une recherche globale.
Si est proche de 1, les hyper-rectangles de faible taille ne sont pas slectionns dans
lensemble des hyper-rectangles optimaux. On ralise une recherche globale en redcoupant
des blocs de grande taille. De ce fait, la convergence est plus lente. Pour les instances
choisies, nous avons fix empiriquement 104 pour converger rapidement vers une
solution locale.
Lalgorithme se termine quand il ny a plus dhyper-rectangle potentiellement optimal
slectionn. Cette fin permet dexplorer tout lensemble des solutions mais ne permet pas
de sarrter rapidement. De plus, mme si est proche de 0, on slectionne des blocs trs
petits explorer et la recherche de solution est plus longue. Pour viter ce comportement
de lalgorithme, une condition darrt a t rajoute. Cette condition sapplique la taille
minimale des hyper-rectangles. Les hyper-rectangles trop petits ne sont pas slectionns.
La limite de taille est dfinie en fonction de la sensibilit des indices. Dans la partie
4.1.2, la sensibilit des indices a t dtermine 0.05. Ainsi, tous les hyper-rectangles
possdant une demi-diagonale infrieure 21 0.05 3 0.045 ne sont pas re-dcoups dans
le processus. Ceci permet de ne pas chantillonner trop finement la fonction dvaluation.
4.2.2 Modlisation deux matriaux

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 hyper-
rectangles vaut 0.045. On rappelle que les valeurs de la grille ont t calcules 0.01 prs.
Jeu de test Sol. optim DIRECT Sol. Grille NBI NBE T (min)
nb ncl e nb ncl e
AVAYA1 2.26 3.26 4.6 -66 2.3 3.3 4.6 -66 11 100 100
AVAYA2 2.44 1.2 3.34 -69 2.5 1.2 3.4 -69 13 115 115
HP 1.6 3.3 4.4 -70 1.6 3.3 4.35 -70 25 315 315
DLINK 2.5 2.4 4.4 -61.5 2.5 2.4 4.4 -61.5 29 289 289
ALLIED 2.5 2.4 4.4 -61.5 2.7 2.4 3.76 -66 13 136 136
PROXIM 1.1 3.0 4.7 -71 1.1 3 5 -71 99 1440 1440
6 AP 3.99 2.4 5.57 -65 3.9 2.4 5.6 -65 9 80 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
6 Avaya2
HP
Dlink
5.5
5
e
4.5
3.5
3
0 1 2
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
7.5
7
Ecart type e
6.5
5.5
0 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 b-

ton 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 Modlisation trois matriaux.

Lalgorithme DIRECT a t lanc sur lenvironnement CITI constitu de 3 matriaux
(cf. Fig. 4.1, p.115). Les trois indices dterminer sont les indices des cloisons ncl , du bton
nb et des cloisons vitres ncv . Lindice des cloisons peut varier de 1.0 4.0, lindice du bton
de 3.0 8.0 et lindice des cloisons vitres de 1.0 5.0. est fix comme prcdement
1.104 et la taille limite des hyper-rectangles a t fixe 0.045. Les instances de test sont
135
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 nb ncl ncv e Itrations Evaluations T (min)

AVAYA1 2.46 2.51 1.81 3.9 -59 86 985 985
AVAYA2 2.45 1.2 1.0 3.3 -70 373 4461 4461
HP 4.25 2.35 2.65 4.35 -67 87 1453 1453
DLINK 2.45 2.4 5.0 3.85 -64 127 1685 1685
ALLIED 2.5 2.4 2.8 3.3 -66 9 99 99
PROXIM 2.35 3.5 2.65 4.7 -69 148 2287 2287
6 AP 5.4 2.4 1.3 5.4 -65 313 5573 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 opti-
misant 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
5
e
4.5
3.5
3
0 1 2 3
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 DI-
RECT 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 proba-
blement 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 Indice Indice Indice Offset Moyenne Moyenne Moyenne

test nb ncl ncv des EQM des des E
AVAYA1 2.46 2.5 1.8 -59 6.5 5.8 0.7
AVAYA2 2.45 1.2 1.0 -70 6.4 6.0 0.8
HP 4.25 2.35 2.65 -67 5.4 5.0 -0.4
DLINK 2.45 2.4 5.0 -64 5.65 5.05 0.2
ALLIED 2.5 2.4 2.8 -66 6.6 5.1 -3.8
PROXIM 2.35 3.5 2.65 -69 10.3 6.7 2.7
6 AP 5.4 2.4 1.3 -65 5.3 5.2 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 Nb. Indice Indice Indice Offset Moyenne des EQM

matriaux nb ncl ncv Offset Offsets Adapts
S1 1 2.4 -62 5.9 5.6
S2 2 5.0 2.4 -65 5.6 5.3
S3 3 5.4 2.4 1.3 -65 5.3 5.2
Tab. 4.14 Solutions optimales obtenues pour chaque environnement de test.
Condition darrt de lalgorithme. Comme on peut sen rendre compte sur les figures
4.17 et 4.16, dterminer une condition darrt est dlicat. En effet, la convergence locale de
DIRECT est lente. Pour palier cela, il est possible soit de borner le nombre ditrations,
soit de stopper lalgorithme si lamlioration du critre nest pas suffisante au bout dun
temps T fix ou encore terminer la recherche en utilisant un algorithme de descente.
La dernire proposition ncessite la cration dun algorithme de recherche qui utilise
le mme processus de slection des hyper-rectangles potentiellement optimaux et de d-
coupage, mais qui, partir dune taille dhyper-rectangle L fixe, lance un algorithme de
recherche locale partir du centre de ces hyper-rectangles. Les hyper-rectangles qui nau-
ront pas men une solution meilleure au sens du critre ne seront plus slectionns par la
suite. On considre alors que cette partie de lespace de recherche sera totalement explore.
Lefficacit de lalgorithme dpendra de la taille L. Plus L est faible, plus il faudra dit-
rations de DIRECT pour converger, mais plus on aura de chances de trouver loptimum
global. Plus L est grand, plus le nombre ditrations de DIRECT sera faible. La taille de L
doit tre choisie en fonction de la rugosit du critre doptimisation. Si la fonction dva-
138
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 de-
vrait 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 DI-
RECT : 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 pr-
traitement 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 dva-
luations 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 interpola-
tion 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 Rsultats et conclusions

4.3.1 Mode de validation
Dans les 2 parties prcdentes, nous avons toujours travaill avec le mme jeu de don-
nes. Dans cette partie, la qualit des trois solutions S1 , S2 et S3 trouves pour lenviron-
nement 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 nou-
veau 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 AL-
LIED. 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 puis-
sance 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 et de moyenne Me des erreurs de prdiction. Nous en avons dduit la valeur de lerreur

quadratique moyenne EQM. La dernire colonne donne les mmes grandeurs pour le jeu
de mesure regroupant les mesures des 3 points daccs.
Solution AVAYA1 AVAYA2 ALLIED 3AP

e Me EQM e Me EQM e Me EQM e Me EQM
S1 4.0 -3 6.1 6.1 -2 6.4 4.9 -7 8.5 5.1 -5 7.1
S2 4.9 -2 5.3 4.5 -2 4.9 4.6 -5 6.8 4.6 -3.5 5.8
S3 4.3 -2 4.8 5.0 -2 5.4 5.3 -5 7.3 5.0 -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 e Me EQM
S1 4.0 dB -3 dB 6.1 dB
S2 4.9 dB -2 dB 4.5 dB
S3 4.3 dB -2 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
La stabilit dans le temps
Pour cette analyse, nous nous intressons aux rsultats relatifs aux points daccs
AVAYA1 et AVAYA2 du second jeu de tests du CITI. Leurs positions sont les mmes
dans les deux jeux de test relatifs au CITI. Il est important de noter que les positions des
points de mesure dans le nouveau jeu de tests sont diffrentes des positions du jeu de test
de calibration.
Pour observer la stabilit dans le temps des diffrentes solutions, il faut comparer les
EQM obtenues avec le jeu de tests de calibration et les EQM du nouveau jeu de test pour
chaque solution. Le tableau 4.17 prsente pour chaque ligne les EQM pour AVAYA1 et
AVAYA2 relatives aux deux jeux de tests. Les termes calibration et jeu2 font rfrence
respectivement au jeu de tests utilis pendant la calibration et au nouveau jeu de tests.
Solution AVAYA1 AVAYA2

Calibration Jeu 2 Calibration Jeu 2
S1 6.4 dB 6.1 dB 5.5 dB 6.4 dB
S2 6.1 dB 5.3 dB 5.3 dB 4.9 dB
S3 5.1 dB 4.8 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 en-
vironnement. 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 Jeu de calibration Jeu 2

e Me EQM e Me EQM
S1 4.5 dB -3 dB 5.5 dB 4.9 dB -7 dB 8.5 dB
S2 4.0 dB -3 dB 5.0 dB 4.6 dB -5 dB 6.8 dB
S3 4.4 dB -2 dB 4.8 dB 5.3 dB -5 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
environnements possdant les mmes caractristiques. Dautre part, comme la calibration

de loffset uniquement est trs rapide car elle ne ncessite pas de recalculer la pyramide, il
est probablement intressant deffectuer systmatiquement pour un nouvel environnement,
le rglage de loffset par calibration, mme en gardant les indices de matriaux par dfaut.
Cest cette calibration minimale qui a t introduite par dfaut dans la version logicielle
de WILDE.
4.3.3 Conclusions
Le but de ce chapitre tait de dfinir un processus de calibration de WILDE et dtudier
la qualit de ses prdictions.
Aprs avoir prsent les campagnes de mesures effectues, un travail danalyse de la
fonction dvaluation utilise a t men avant le lancement proprement parler de la ca-
libration. Cette analyse a permis de conclure sur le peu dinfluence des coefficients daffai-
blissement des matriaux. Nous avons donc supprim ces variables du problme. De mme,
laffaiblissement fictif de lair pour compenser le modle 2D ne sest pas avr ncessaire.
Nous avons cependant choisi de garder cette possibilit, afin de tester des environnements
plus ouverts dans lavenir.
Concernant les AP, 3 recommandations ont pu tre tablies. Tout dabord, le fait de
travailler avec des AP identiques facilitera le travail de calibration. En effet, du fait de la
directivit verticale des antennes, et des diffrents rglages possibles, tous les quipements
nont pas la mme puissance de rayonnement quivalente dans le plan. Il est cependant pos-
sible de fixer un offset propre chaque type dAP. La deuxime recommandation concerne
la phase de mesures. Nous avons montr quil tait important de positionner plusieurs AP
pour permettre une calibration robuste du moteur. Enfin, la troisime recommandation
concerne le systme de mesure. Sil est possible dutiliser lquipement WiFi standard pour
faire les mesures, il faut pralablement bien tudier le seuil rel de mesure, garantissant
des mesures de puissance moyenne non biaises. On en a vu les consquences avec lAP
PROXIM
Concernant la modlisation, nous avons pu voir que laugmentation du nombre de
matriaux diffrents permet bien damliorer la qualit des prdictions mais au dtriment
dun temps de calibration plus important et au risque dobtenir un rglage spcifique la
configuration tudie.
Finalement, nous avons mis en oeuvre un algorithme de recherche directe, pour effectuer
la calibration. Cet algorithme fonctionne correctement, mais prsente un temps de calcul
relativement long ds que lon veut travailler avec plusieurs paramtres. Ce temps de calcul
est li la phase de pr-traitement qui est longue. Nous avons propos quelques pistes
pour rduire ce temps de calcul, mais sans les implanter. En dfinitive, les mesures que
nous avons faites ont montr que lon pouvait fixer les indices des matriaux partir de
nos mesures, et effectuer une calibration en jouant uniquement sur loffset. Dans ce cas
la calibration est trs rapide. La calibration fine des indices est donc faire dans le cas
o on se trouve dans un environnement constitu de matriaux inhabituels, ou avec des
quipements non tests. Pour le reste du temps, la calibration des mesures avec loffset
est suffisante. Il est dailleurs possible de lvaluer. On propose lapproche suivante lors du
dploiement sur site. Linstallateur pourra commencer par faire une premire calibration
rapide avec loffset uniquement, en conservant les paramtres que nous avons estim. Sil
arrive un critre rsiduel infrieur 6dB, il pourra considrer que sa modlisation est
correcte. Au contraire, si lerreur reste suprieure, il pourra alors mettre en oeuvre une
calibration fine pour essayer damliorer les rsultats de prdiction.
143
Partie III : Stratgies de planification
wLAN
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 planifica-
tion. Nous avons choisi dadopter un formalisme principalement combinatoire du problme
doptimisation. Lespace des solutions est de ce fait discret et le choix des positions can-
didates 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
Modlisation du problme
5 wLP
5.1 Variables et contraintes
Nous avons choisi de dfinir un ensemble discret des positions candidates pour les
raisons suivantes :
1. la limitation de la taille de lespace des solutions,
2. la similarit des positions candidates proches. On peut raisonnablement affirmer que

les variations locales des simulations ne sont pas reprsentatives de la ralit.
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 Placement des points daccs candidats
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.
Contraintes sur la taille des blocs homognes
La figure 5.1, dnomm Foch, dcrit la rpartition des positions candidates des AP
placs au centre de tous les blocs homognes de la pyramide MR-FDPF. Lenvironnement
reprsent est de taille 119 60 mtres et constitu de 2336 blocs homognes dair.
147
CHAPITRE 5. MODLISATION DU PROBLME WLP
Fig. 5.1 Rpartition des positions candidates au centre des blocs homognes de lenvi-
ronnement 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 candi-
dats. 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 in-
frieure 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
Rpartitions des AP candidats obtenus La figure 5.2 prsente la rpartition des AP

obtenue pour un btiment avec prise en compte dune borne minimale Amin = 1200 pixels2
et une borne maximale Amax = 8000 pixels2 . Dans ce cas, on slectionne des blocs dont
la taille est comprise entre 34 34 pixels et 90 90 pixels. Le pas de discrtisation R
est de 10 cm, ce qui revient placer des AP candidats dans des zones dont la surface est
comprise entre 3 3 mtres et 9 9 mtres.
Le premier btiment, de taille 119 60 mtres et initialement constitu de 2336 blocs
homognes, est ici dcoup en une liste de 418 blocs candidats. Les AP candidats placs au
centre des blocs sont rpartis de faon homogne sur le plan. Au vu des valeurs de Amin et
Amax , on suppose que chaque AP candidat est reprsentatif du comportement dAP placs
dans le mme bloc homogne.
Fig. 5.2 Rpartition des positions candidates avec prise en compte de Amin et Amax .
Dfinition des zones de placement
Nous avons propos un placement des AP candidats sur tout le plan. Pour avoir un
ensemble de positions candidates ralisables, il faut permettre de slectionner des zones
o lon pourra rellement installer des AP. Par exemple, on peut supposer quil nest pas
possible dinstaller un AP lextrieur du btiment prsent sur la figure 5.2.
Ainsi, connaissant la liste des blocs candidats, on ne slectionnera que les blocs appar-
tenant une liste de zones de placement des AP. Dans la figure 5.3, nous avons slectionn
267 positions candidates pour placer les AP lintrieur du btiment. Cest lenvironne-
ment de cette figure qui sera utilis pour prsenter les rsultats de planification du chapitre
6.
149
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 an-
tennaires 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 calcu-
ler 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 MR-
FDPF, 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

Au dbut du processus de planification, nous calculons les cartes de couverture des M
points daccs candidats. Toutes les cartes de couverture sont calcules pour une mme
liste de blocs couvrir. De ce fait, il est possible de regrouper toutes les prdictions dans
une matrice qui liste pour chaque AP la puissance reue en chaque bloc couvrir.
Cette matrice, de taille M Nc , est appele HomogenCoverMatrix et a la forme sui-
vante :
F11 . . . Fj1 . . . FN1 c

... ... ... ... ...
F1i . . . Fji . . . FNi c

HCM =

(5.1)
... ... ... ... ...
F1M . . . FjM . . . FNMc
avec Fji la puissance reue au bloc j par le point daccs potentiel i.
Quand on tient compte de la variable azimut, la ligne i reprsente la carte de couverture
dun point daccs avec un azimut donn. Dans ce cas, la matrice comprend M ND lignes.
Il est possible partir la matrice HCM dvaluer toutes les solutions dun problme
de planification o lon recherche le sous-ensemble des AP candidats optimal. Le problme
wLP revient chercher la combinaison optimale des lignes de la matrice.
On peut alors reprsenter une solution par un vecteur S ~c de taille M de la forme
suivante :
~c = (s1 , . . . , si , . . . , sM )
S (5.2)
~c

0 si APi 6 S
si = (5.3)
(P, ) sinon
o P et sont respectivement la puissance et lazimut de lantenne slectionne dans

~c . Cest le formalisme que nous allons utiliser dans la suite du manuscrit.
la solution S
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 ca-
ractrise 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 ]
l = Al /Atot reprsente le pourcentage de surface couverte par le bloc Bl par rapport

la surface totale couvrir. Ces critres de planification prsentent une structure aux
moindres carrs. Ils permettent de minimiser la fois la valeur moyenne
et la variance de
la mesure de performance du rseau. Nous rappelons que EQM = m + 2 , o m dsigne
2
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 puis-
sance 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) (5.6)

o F BS est la moyenne des puissances FlBS
calcule pour lensemble des Nc couvrir.
Le critre de couverture bas sur cette fonction de mesure nest jamais nul, mais plus il
est faible, plus la rpartition des puissances infrieures F BS est proche de la moyenne
152
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.
Analyse du critre fhom
La figure 5.4 prsente deux cartes de couvertures pour un environnement o 3 points

daccs sont positionns. Cet environnement, le CITI, est de taille 93 23 mtres. La carte
suprieure prsente un placement des 3 points daccs o fhom est minimal. Cest la solution
SOK . La carte infrieure prsente un placement des 3 points daccs o fhom est important.
Cest la solution SN OK .
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
40 60
30
40
20
20
10
0
100 90 80 70 60 50 40 30 0
100 90 80 70 60 50 40 30
Puissance (dBm) Puissance (dBm)
Fig. 5.5 Histogramme des solutions SOK et SN OK .
Le tableau 5.1 prsente quelques grandeurs reprsentatives de ces deux solutions. On

y trouve la valeur du critre, la valeur moyenne F BS , lcart-type de la distribution
des puissances et le pourcentage de la surface couverte avec une puissance suprieure
-80dBm, note PF 80dBm .
fhom F BS PF 80dBm
SOK 3.1 -51 dBm 19 dB 100 %
SN OK 13.8 -64 dBm 5 dB 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.
Critre seuil progressif
Plusieurs objectifs de couverture radio ont t traits dans la littrature (cf. 1.3.2,
p.24). Dans cet ensemble de critres, ce sont les critres seuil de puissance qui sont le
plus souvent proposs. La forme la plus simple de ces critres est prsente dans lquation
1.8.
Nous avons propos un formalisme gnral de ce type de critres dans la partie 1.3.2. La
figure 1.11 de la page 27 prsente plusieurs fonctions de mesure possible. Nous avons choisi
de travailler avec la fonction reprsente 1.11-(c) car, sans tre aussi brutale quun seuil,
elle permet de borner la pnalisation dun bloc. Cette fonction est de la forme suivante :
154
si FlBS SM ,

0
fmesl = | SM Fl | si Sm FlBS SM ,
BS (5.7)
| SM Sm | si FlBS Sm ,

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 transmis-
sion 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
Analyse du critre fslope .

Les deux cartes de couverture de la figure 5.6 prsentent deux solutions, SOK et SN OK ,
pour lenvironnement du CITI. Elles reprsentent une bonne et une mauvaise valuation
du critre fslope calcule partir des seuils 802.11g. Le nombre dAP est fix 2.
Pour la solution SOK , le critre fslope vaut 0. Par contre, pour la solution SN OK , le
critre vaut 16.5. On observe que lon pnalise bien la solution qui prsente des trous
de couverture. Le tableau 5.2 prsente quelques caractristiques des deux solutions. On y
retrouve les valeurs des deux critres fslope et fhom , les pourcentages de surface avec une
puissance suprieure au seuil minimal PF Sm et au seuil PF SM .
fslope fhom PF Sm PF SM
SOK 0.0 4.2 100 % 100 %
SN OK 16.5 12.9 86 % 55 %
Tab. 5.2 Performances des solutions SOK et SN OK obtenues avec le critre seuil pro-
gressif.
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 commu-
nications 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

Comme nous lavons prsent dans la premire partie de ce manuscrit, la qualit du
canal de transmission wLAN est fortement dgrade par la prsence dinterfrences. Le
moyen trouv pour lutter contre ce phnomne est la rpartition spatiale des canaux fr-
quentiels. Or, la bande spectrale alloue et la largeur des canaux complexifie le problme
car il nexiste pour 802.11b que 4 canaux totalement disjoints. Le plan de frquences est
dautant plus complexe raliser quil existe un nombre important de zones de service qui
se recouvrent en un mme point.
156
Nous pourrions utiliser la modlisation des interfrences qui a t propose au chapitre

1. Cependant elle ncessite pour chaque configuration dAP tester, deffectuer un FAP,
destimer la qualit de services avec une distribution de mobiles pour obtenir une estimation
de la fonction dvaluation. On prfre simplifier le problme en essayant de favoriser des
solutions facilitant lallocation de frquences. Pour cela, il est ncessaire de dfinir un
critre qui rduit le recouvrement entre les zones de services des diffrents AP prsents
sur le plan. Le critre dinterfrences que nous utilisons est une version modifie du critre
propos par Adel Jedidi [18] et Philippe Reininger [127] dans leurs travaux de thse relatifs
la planification cellulaire.
Le critre de recouvrement
Le recouvrement de canaux est utile pour assurer la continuit du service sil y a mobilit
du terminal. Dans ce cas, il faut un recouvrement suffisant de deux canaux pour raliser un
changement de cellule (handover) avec succs. Comme prsent dans [18] et [127], il est
possible de rpartir les interfrents dune cellule de rseau mobile en 2 classes de signaux :
les signaux utiles et les signaux interfrents.
Son critre utilise la notion de cellule Ck qui est dfinie par lensemble des pixels bl
servis par la mme station de base et dont la puissance reue est suprieure au seuil de
sensibilit des terminaux Sm (cf. dfinition 1.3 p. 24). On peut rpartir les signaux reus
sur un bloc bl de la cellule Ck du plus puissant au plus faible :
kh+1
Flk Flk1 . . . Flkh Fl . . . Sm . . . (5.8)
avec h le nombre de signaux utiles au handover. Pour minimiser le recouvrement, il

faut minimiser la taille de lensemble des interfrents I k dfinie par lquation suivante :
I k = {Flki / i > h ; Flki Sm , l / bl Ck } (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 :
N X
X
f= max(Fq Sm , 0) (5.10)
k=1 Fq I k
Modification du critre dAdel Jedidi

Si lon exprime la puissance en dcibels et que lon suppose que le canal nest pas
trop charg, le bruit rsultant des interfrences est quivalent linterfrent de puissance
maximale. Ainsi, pour une configuration donne, le rapport signal bruit est dautant plus
efficace que lcart entre le dernier signal utile de puissance Flkh et le premier interfrent
k
Fl h+1 est grand. On peut alors modifier le critre finterf (Eq.5.10) en contraignant linter-
frent de puissance maximale rester infrieur au seuil de sensibilit Sm pour chaque pixel
bl .
Nous exprimons les critres suivants en utilisant la notion de bloc Bl . Nous cherchons
pour chaque bloc Bl maximiser lcart entre la puissance du signal best serveur FlBS et
linterfrent maximal Flh+1 . Ce nouveau critre de pnalisation sexprime alors par :
157
s X
finterf = l . max(Flh+1 Sm , 0)2 (5.11)
Bl Nc
Ici, la fonction de mesure utilise est de la forme :
fmesl = max(Flh+1 Sm , 0) (5.12)
Comme pour certains critres de couverture de la littrature (cf. p. 26), ce critre ne

prsente pas de borne maximale. De ce fait, nous prfrons utiliser une fonction de mesure
de type rampe pour borner la pondration maximale due un interfrent trs important.
Dans ce cas, la fonction de mesure utilise pour le recouvrement devient la suivante :
si F h+1 P n ,

0
h+1
fmesl = | SM Fl | si P n F h+1 SM , (5.13)
| SM P n | si F h+1 SM ,

Le critre de recouvrement est alors dfini partir de lquation 5.5 et de la fonction

de mesure prsente ci-avant. P n donne la valeur du bruit ambiant minimal (-98dBm) et
SM la valeur de la puissance ncessaire pour atteindre un dbit dmission de 11 Mbits/sen
802.11b et de 54 Mbits/sen 802.11g. Ainsi, le critre de recouvrement est born dans
lintervalle [0, SM P n ].
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.
Lagrgation de ce critre un critre de couverture permet de trouver le nombre dAP
N optimal car le critre de couverture tend augmenter N et le critre de recouvrement
diminuer N .
Analyse du critre finterf .
Comme pour les critres de couverture, nous illustrons le critre de recouvrement avec
deux solutions SOK et SN OK qui prsentent une bonne et une mauvaise valuation du
critre finterf . Ces deux solutions ont t analyses aprs avoir ralis une assignation des
canaux laide dun algorithme FAP classique prsent ci-aprs. Connaissant la rpartition
des canaux, on peut alors calculer la carte des interfrences en prenant en compte ou non
une rpartition des utilisateurs.
158
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 lenvi-
ronnement 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
Fig. 5.8 Zones de services et canaux allous aux solutions SOK et SN OK .
Pour la solution SOK , on observe qu lintrieur des btiments, il nexiste plus din-
terfrences aprs assignation des canaux. Pour une assignation basique des canaux, il est
donc possible de garantir un rapport signal sur bruit correct dans le btiment.
Par contre, pour la solution SN OK , il nest pas possible de trouver une allocation des
canaux avec notre simple heuristique FAP qui garantisse un recouvrement optimal. En effet,
si lon observe le centre du btiment, cette solution prsente une zone de recouvrement o 5
AP sont visibles. Il est donc trs difficile, avec le nombre de canaux disponibles en 802.11b,
160
de trouver une solution qui limite les interfrences.

Le tableau 5.3 prsente, pour les deux solutions, la valeur des critres finterf , fhom
et fslope. Il donne galement PS (I1 ), PS (I2 ), PS (I3 ) et PS (I4 ) qui sont le pourcentage de
surface de la zone couvrir o les signaux interfrents numro 1, 2, 3 et 4 sont suprieurs
au seuil de bruit.
finterf fslope fhom PS (I1 ) PS (I2 ) PS (I3 ) PS (I4 )

SOK 3.6 3.0 7.0 99 % 34 % 5.5 % 0%
SN OK 23.5 6.15 11.0 100 % 93 % 87 % 85 %
Tab. 5.3 Performances des solutions SOK et SN OK obtenues avec le critre de recouvre-
ment.
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 dapplica-
tion (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
Chaque zone de service dun AP est dfinie par lensemble des points o la puissance
R , P R , R (1, 2, 5.5, 11) pour lequel la couche physique
reue appartient un intervalle Pm M
transmet avec la rapidit de modulation de R Mbits/s. Ces seuils dpendent de la nature
de lquipement de transmission utilis. Connaissant la densit des utilisateurs et la surface
des zones de service de lAP AR , R (1, 2, 5.5, 11), nous calculons le nombre de noeuds
prsents dans chaque zone de service : nR = AR . Dn , R (1, 2, 5.5, 11).
Sachant le nombre de noeuds nR , R (1, 2, 5.5, 11), le modle dvaluation de dbit
dtermine le dbit total fournit par un AP dans chacune de ses zones de service R
Mbits/s, R (1, 2, 5.5, 11). Le dbit par utilisateur dul disponible au bloc Bl appartenant
la zone de service R est :
dR
dul = (5.14)
nR
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 :
fmes = max((ds)dB (dul )dB , 0) (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.
Analyse du critre fdebit .
Le critre de dbit dfini par lquation 5.15 permet de discriminer des solutions qui
prsentent un dbit par utilisateur suprieur aux seuils de dbit fixs. Pour pouvoir obtenir
une solution intressante en terme de dbit, nous avons agrg le critre de QoS aux critres
de recouvrement finterf et de couverture seuil progressif fslope . Il est ncessaire de prendre
en compte le critre dinterfrences pour pouvoir assigner aisment les canaux aux AP.
162
SOK
SNOK
Fig. 5.9 Zones de services et canaux allous aux solutions SOK et SN OK .
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 homo-
gne 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: le dbit moyen par utilisateur calcul pour les seuls utilisateurs couverts,
PS (du ds ) : le pourcentage de surface o le dbit offert est suprieur P n (ds ),
PS (I1 ) : le pourcentage de surface o le premier interfrent est suprieur P n (ds ),
PS (I2 ) : le pourcentage de surface o le second interfrent est suprieur P n (ds ).
fdebit finterf fslope fhom d PS (du ds ) PS (I1 ) PS (I2 )

SOK 1.7 1.5 3.6 7.5 257 Kbits/s 21.4 % 94 % 15.5 %
SN OK 21 15 12 16 264 Kbits/s 23.8 % 77 % 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
Histogramme des debits pour S NOK
OK
70
40
35 60
30
50
Pourcentage de surface
Pourcentage de surface
25
40
20
30
15
20
10
10
5
0
0 0 200 400 600 800 1000 1200
0 200 400 600 800 1000 1200
Debits en Kbits/s Debits en Kbits/s
Fig. 5.10 Histogramme des dbits des solutions SOK et SN OK .
Les points couverts prsentent un dbit lev pour la solution SN OK , mais plus de
60 % de la surface nest pas couverte et leur dbit (nul) nest pas comptabilis. Pour la
solution SOK , la petite valeur du critre de QoS sexplique par le fait que plus de 64 % de
la surface prsente un dbit suprieur 200 Kbits/s. Le critre de QoS a bien diffrenci
une solution qui prsente une rpartition des dbits proche du dbit voulu dune rpartition
peu favorable.
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 me-
surant 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 :
S~M = (FM
1 l
, . . . , FM N
, . . . , FM ).
FMl est la puissance provenant du point daccs l. Si le signal F l nest pas mesur, on a
M
l = si on raisonne en dcibels, soit F l = 0 si on raisonne en milliwatts.
soit FM M
Base de donnes. La localisation se fait partir dune base de donnes Db de taille

NDb qui rpertorie des vecteurs signaux pour un ensemble T de blocs Bl du plan. Ces
vecteurs sont obtenus soit par mesure, soit par simulation dans une tape de traitement
dite offline. Si les simulations sont effectues avec le moteur de prdiction de couverture
WILDE, les vecteurs signaux peuvent tre dtermins partir des puissances reues sur
des blocs homognes Bl .
Chaque vecteur signal S ~l de la base de donnes Db possde N lments et est donn
par :
~l = (F 1 , . . . , F l , . . . , F N ).
S l l l
Localisation. Connaissant S~M et lensemble des vecteurs S ~l de la base de donnes, il faut

dterminer le bloc Bl qui possde une rpartition des niveaux de puissance S ~l similaire
celle de S~M . Il existe deux familles de techniques de recherche dans la base de donnes :
Les techniques dterministes : elles recherchent le bloc l T qui minimise la

distance euclidienne dans lespace des signaux entre S~M et le vecteur S~l Db. (cf.
travaux de P. Bahl et V. N. Padmanabhan dans [129], [130] sur le systme RADAR).
Les techniques probabilistes : elles utilisent une base de donnes qui stocke tout
lhistogramme des puissances reues au bloc l pendant la mesure. Cette approche
recherche alors la position du vecteur signal qui maximise la probabilit de ressem-
blance entre S~M et S~l Db. (cf. travaux de M. Youssef et al. [131] sur le systme
HORUS)
165
Ces algorithmes de localisation chouent quand il existe des vecteurs puissance S ~l si-
milaires dans la mme base de donnes Db. Dans ce cas, il nexiste plus de bijection entre
lespace des signaux et lespace des positions, ce qui cr une indtermination dans la re-
cherche. Ce phnomne est dautant plus important que le canal est bruit. Pour que la
localisation soit ralisable, il faut que les signaux enregistrs dans la base soient les plus
distincts possibles. Ces algorithmes ont t implants et analyss par Mlle Thanh-H Le
dans le cadre de son DEA [46].
Critre bas sur la distance

Pour obtenir les vecteurs signaux de la base de donne les plus diffrents possibles, on
peut dfinir un premier critre de planification qui pnalise les solutions qui prsentent de
~l de la base Db. Pour un couple de signaux (S
faibles distances entre les signaux S ~l , S
~m ),
on dfinit le critre suivant :
X X 1 ~l , S
~m )
floc = P (S (5.16)
Nc
lT mT
m <> l
Nc donne le nombre de couples. Cette valeur est gale au nombre de combinaisons 2

lments dans un ensemble T lments.
La fonction de pnalisation dun couple de signaux a la forme suivante :

~l , S
P (S ~m ) = f dk [(il , jl ), (im , jm )] g dk [S
~l , S
~m ] (5.17)
~ B)
dk (A, ~ =k A ~ B ~ kk reprsente ici le calcul de la norme k.
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
Fig. 5.11 Fonctions f (.) et g(.) du critre de localisation floc .
Les deux fonctions f (.) et g(.) sont continues, dfinies sur lintervalle [0, +[ et res-
pectivement croissante et dcroissante. La figure 5.11 donne deux exemples pour chaque
fonction. La pnalisation ainsi dfinie est dautant plus importante que la distance entre
les deux points proche dans lespace des signaux est grande dans lespace physique.
166
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 dis-
tance, 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 recou-
vrement 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 respective-
ment 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 )] 1
f dk [(il , jl ), (im , jm )] g dk [S (5.18)
~
dk [S ~
l , Sm ]
0.9
0.8 Fmes S
NOK
Fmes SOK
0.7
Distribution cumule
0.6
0.5
0.4
0.3
0.2
0.1
0
0.5 1 1.5 2 2.5 3
Rapport D reelle / Dsignal
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 inf-
rieure 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
Fig. 5.14 Carte de couverture de la solution SOK .
168
Fig. 5.15 Zones de services de la solution SOK .
Cette solution prsente galement un bon critre de dbit : fdebit = 2.3 avec un dbit
moyen de 235 Kbits/s pour un dbit seuil de ds = 256Kbits/s. Pour vrifier que les erreurs
de localisation sont plus faibles pour SOK que pour SN OK , il faudrait implanter une heu-
ristique de localisation (RADAR, HORUS) et comparer ses performances avec ces deux
solutions de planification. Ce travail est en cours de ralisation.
5.2.5 Fonction de cot agrge.

Le problme de planification de rseaux locaux sans-fil est un problme multicritre.
Un outil de planification doit permettre lingnieur radio de spcifier les critres qui lui
importent pour le rseau. De plus, il doit fournir non pas une solution unique, mais un jeu
de solutions qui sera confront lexpertise de lingnieur.
La premire faon de prendre en compte plusieurs critres de planification est de les
agrger dans une seule fonctionnelle optimiser comme suit :
i=Nf
X
fagr = i fi (5.19)
i=1
La premire fonction de cot tudie dans ces travaux est la fonction qui agrge les
critres de couverture fslope et de recouvrement finterf :
1 1
fCI = fslope + finterf (5.20)
2 2
La seconde fonction de cot agrge les critres de recouvrement finterf et de dbit

fdebit .
1 1
fQI = fdebit + finterf (5.21)
2 2
169
La troisime fonction de cot agrge un critre dinterfrences finterf et de localisa-

tion floc .
1 1
fLI = floc + finterf (5.22)
2 2
Comme les deux fonctions fQI et fLI ne garantissent pas la couverture, nous avons
introduit la contrainte suivante :
max
fslope fslope (5.23)
Cette contrainte permet dviter les valuation de fonctions inutiles. En effet, si la

solution ne remplit pas la contrainte de couverture, les autres fonctions de cot ne sont pas
ralises. Pour pouvoir tout de mme classer les solutions qui ne remplissent pas le critre
de couverture, nous avons introduit un coefficient de pnalisation P . Ainsi, lvaluation
dune solution non couverte vaut fslope P . La valeur de P a t choisie pour que fQI ou
fLI soient infrieurs fslope P si la solution remplie la contrainte de couverture.
max est fixe 3 dB car de ce fait on autorise en moyenne un cart de
La valeur de fslope
moiti au seuil haut utilis dans le critre fslope. P est un entier suprieur ou gal 1000.
Les coefficients i de la fonction dvaluation fagr permettent de pondrer limportance
des critres sur le choix de la solution finale. Ils ont donc un rle important mais il est diffi-
cile de dterminer les valeurs optimales de ces coefficients. Comme tous les critres dfinis
ont le mme ordre de grandeur, nous avons quipondr les critres. Ces trois fonctions
agrges sont values et analyses dans la partie qui traite des rsultats de lalgorithme
de recherche Tabou.
170
CHAPITRE
Heuristiques de planifica-
6 tion
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 multicri-
tre est propose dans la partie 6.2. Cette heuristique est drive de lheuristique tabou
mono-objectif.
6.1 Algorithmes mono-objectifs

6.1.1 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 distribu-
tion 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.
La recherche de ces solutions est exhaustive. Lespace des solutions est de taille CM N.
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
CHAPITRE 6. HEURISTIQUES DE PLANIFICATION
La recherche locale
Dans cet algorithme, les notations suivantes sont utilises :
~c :
S La solution courante.
Pworst : ~c .
La position du plan la moins bien couverte par S
APtest : LAP de test positionn en Pworst .
APmove : LAP dplacer.
Pnew : 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 macro-
algorithme suivant :
Calcul de la carte de couverture de la solution courante S ~c ,

Recherche de la position Pworst la moins bien couverte par S ~c ,
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
Fig. 6.1 Macro-algorithme de la recherche dterministe.
Cette heuristique est base sur le principe de rciprocit de la propagation des ondes
radio. La figure 6.2 illustre ce principe. La puissance reue de AP1 la position de AP2
est la mme que la puissance reue de AP2 au niveau de AP1 . Elle vaut dans cet exemple
-64 dBm. Lide de lheuristique dterministe est de quantifier lamlioration apporte par
le dplacement dun AP pour compenser un trou de couverture. En plaant un AP de test
dans le trou de couverture, on peut dterminer quel AP augmente le plus la puissance reue
au niveau du trou de couverture et par quel dplacement il est possible de raliser cela.
Le calcul de la carte de couverture complte de la solution courante S ~c se fait la
rsolution des blocs homognes. La recherche de la position Pworst se dcompose en deux
tapes : la recherche du bloc homogne le moins bien couvert et la recherche fine de la
position Pworst dans ce bloc. La recherche fine ncessite de poursuivre le calcul de couverture
en descendant dans la pyramide jusquau niveau 1 1 pixel. De mme, au moment de la
recherche de la position Pnew , la carte de couverture dAPtest est calcule la rsolution
1 1 au niveau du bloc homogne contenant APmove . Ceci permet de dterminer finement
la nouvelle position de APmove .
Cet algorithme de recherche locale peut rapidement osciller entre deux solutions. En
effet, quand le dplacement dun lAP cre un autre trou de couverture important aprs
dplacement, litration suivante il y a de fortes chances que le mme AP soit dplac
pour combler ce nouveau trou de couverture. Pour viter cela, une petite mmoire de
taille unit a t implante qui empche le dplacement du mme AP pour deux itrations
conscutives.
172
AP 1
AP1
AP 2
AP2
Fig. 6.2 Rciprocit de la propagation des ondes radio.
Quelques rsultats
Les principaux rsultats sont prsents dans mon mmoire de DEA [132] et dans larticle
[32]. Un exemple de rsolution pour linstance de problme suivante est donn dans ce
manuscrit :
Instance du problme :
Environnement de Test : CITI, 73 20 mtres. (cf. fig. 6.3)
Nombre M de sites candidats : 56
Nombre de blocs couvrir : 56
Variables : Position
Nombre N dAP : 3
Nombre Nf de critres : 1
Critre : Couverture Homogne fhom
Heuristique : Heuristique dterministe N fixe
La distribution des AP candidats et des blocs couvrir a t obtenue en fixant Amin

2 mtres et en ne posant pas de condition sur Amax . Les 56 blocs de test et sites candidats
sont reprsents sur la figure 6.3.
Les 6 meilleures solutions de la recherche exhaustives ont t slectionnes. Leur va-
luation avec le critre fhom se trouve dans le tableau suivant :
S~1 S~2 S~3 S~4 S~5 S~6

fhom 0.289 0.290 0.299 0.300 0.311 0.315
Tab. 6.1 Evaluation des 6 meilleures solutions de la recherche combinatoire.
173
Fig. 6.3 Rpartition des AP candidats et des blocs couvrir pour lheuristique dtermi-
niste.
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
Fig. 6.4 Solutions de lheuristique dterministe : (a) aprs la recherche combinatoire et

(b) aprs la recherche locale.
La recherche locale converge trs rapidement (3 itrations) et modifie peu la solution

combinatoire de dpart. Pour utiliser cette heuristique dterministe, il est ncessaire de
dfinir des tailles plus importantes de blocs homognes pour positionner les AP candidats.
Ce nest que pour des blocs suffisamment grands que la recherche locale a un intrt. Si
les blocs sont trop petits, la recherche locale amliore trs peu la solution combinatoire.
La recherche combinatoire prsente un temps de traitement important alors que la qualit
des solutions dpend principalement de cette recherche exhaustive. Cest pourquoi nous
174
avons choisi de concentrer nos efforts sur la mise en oeuvre dune heuristique de recherche
combinatoire plus performante.
6.1.2 Mtaheuristique tabou
Nous avons choisi dimplanter un algorithme doptimisation gnrique pour pouvoir

utiliser un nombre plus important de critres de planification. Notre choix sest orient
vers un algorithme de recherche combinatoire car il est ais de dfinir un ensemble de
positions candidates des points daccs intressant. En effet, dans la partie 5.1 (cf. p.147),
nous avons montr que lutilisation de la structure multi-rsolution du modle MR-FDPF
permet de slectionner automatiquement un ensemble discret dAP candidats.
Nous avons choisi de travailler avec une heuristique tabou car elle permet dviter
lcueil des minima locaux par lintroduction dune mmoire. Lheuristique tabou est d-
crite ci-aprs en prsentant la structure de voisinage, les caractristiques de la liste tabou
employe, le critre daspiration et les conditions darrt choisis.
Les notations suivantes sont employes :
~ :
S ~ = (s1 , . . . , sM )
Une solution S
si : Variable binaire dfinie comme suit :
~c

0 si APi 6 S
si = (6.1)
(Pi , di ) sinon
Pi : Puissance de lAP candidat i t.q. Pi P = {p1 , . . . , pNP }.

Di : Direction dmission de lAP candidat i t.q. Di D = {d1 , . . . , dNP }.
~c :
S Solution courante traite par lalgorithme.
~c ) :
V (S Lensemble des solutions voisines de S ~c .
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
pour crer le voisinage de S~c pour les paramtres de position, de puissance dmission, de
directivit et quand le nombre dAP est variable.
Le voisinage relatif la position des AP est cr en dplaant successivement les

AP slectionns en chaque position candidate non slectionne. Une solution voisine de
~c a le mme nombre dAP slectionns. Voici lalgorithme de construction des solutions
S
~c :
voisines de S
175
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
Ajout(V (S ~vois )
fin
fin
fin
fin
Fig. 6.5 Construction du voisinage relatif la position des AP.
Par exemple, les solutions voisines de S ~c = (0, (15, 0), 0) sont S

~1 = ((15, 0), 0, 0) et
~
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
des AP slectionn. Lalgorithme de construction des solutions voisines de S ~c par rapport
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
Fig. 6.6 Construction du voisinage relatif la puissance des AP.
Par exemple, si P = {14, 15, 16}, les solutions voisines de S ~c = (0, (15, 0), 0) sont
~ ~
S1 = (0, (14, 0), 0) et S2 = (0, (16, 0), 0). Pour chaque AP slectionn, (NP 1) solutions
sont cres en plus des solutions issues du voisinage de position, soit N (NP 1) voisines
de puissance au total.
Le voisinage de direction est cr de la mme faon que le voisinage de puissance. Len-

semble des directions dmission D est galement discret, de cardinal ND . Pour chaque AP
slectionn, une nouvelle solution du voisinage est cre pour chaque lment de lensemble
des directions. Le cardinal du voisinage de direction vaut N (ND 1).
176
Si la variable de direction est prise en compte dans la recherche, le voisinage de direction

sajoute aux voisinages de position et de puissance.
Le voisinage relatif au nombre dAP est constitu de solutions cres avec un AP

slectionn de plus ou de moins. N solutions sont cres en supprimant un des AP de la
solution courante. (M N ) solutions sont cres en ajoutant un AP candidat la solution
courante parmi des AP candidats non slectionns. Lajout dun AP se fait toujours avec
la mme puissance et direction dmission. La prise en compte dun nombre variable dAP
rajoute donc M solutions V (S~c ).
Le voisinage complet dpend du nombre et de la nature des variables que lon sou-
haite prendre en compte dans la recherche. Le voisinage ainsi cr permet datteindre
tout lespace des solutions. La voisinage de taille minimale est constitu du voisinage
relatif la position des AP, de cardinal N (M N ) et correspond au problme
nombre dAP, puissance et direction fixe. Le voisinage de taille maximale est constitu
de N . ((M N ) + (ND 1) + (NP 1)) + M solutions.
~c
Heuristique de choix de S
Il est maintenant possible dvaluer les solutions du voisinage avec le critre choisi et
slectionner la meilleure solution de cet ensemble de solutions. Loptimum local devient
alors la solution courante S~c exploite litration suivante. Si cette nouvelle solution
courante est meilleure que la solution optimale S~opt , cette dernire est mise jour.
Liste tabou
La principale caractristique dun algorithme tabou est de mmoriser le trajet ou des
caractristiques du trajet parcouru par la recherche pour limiter lapparition de boucles.
Cette mmoire, la liste Tabou, est une liste de type FIFO (First In First Out) qui stocke
des solutions compltes ou des parties des solutions parcourues. La taille de cette liste est
importante car en fonction des problmes, elle permet dviter les boucles et de converger
plus ou moins rapidement vers loptimum.
Nous avons choisi de crer une liste tabou dynamique qui stocke les AP candidats qui ont
t modifis. Ainsi, si une des caractristiques de lAP candidat i a t modifie (position,
puissance ou direction), il est stock dans la liste tabou. Si une solution du voisinage modifie
un AP de la liste, la solution est tabou. Pour quune solution soit tabou, il faut quun des
AP slectionns ait exactement les mme caractristiques (position, puissance, direction)
quun AP de la liste tabou.
Si le nombre dAP est une variable du problme, la liste tabou va soit empcher lajout
dun AP aprs une suppression dAP, soit empcher la suppression aprs un ajout. Pour
cela, deux AP particuliers sont crs qui prsentent respectivement les caractristiques
dun AP supprim et dun AP ajout. Ces deux AP ne comportent pas dinformation de
position. LAP qui caractrise un AP ajout est stock dans la liste sil y a eu suppression
dAP et lAP qui caractrise un AP supprim est stock sil y a eu ajout.
Pour tester si une solution est tabou ou non au moment de lajout (resp. de suppression)
dun AP, il suffit de regarder sil existe un AP dajout (resp. de suppression) dans la liste
tabou.
La liste tabou utilise prsente une dure variable. A chaque itration, sa dure est
tire alatoirement dans un intervalle [Tmin , Tmax ]. Nous avons choisi les valeurs de cet
177
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 dva-
luations 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 Rsultats de planification avec la recherche mono-objectif tabou

Lalgorithme tabou a t test avec le critre de couverture homogne et les trois fonc-
tions 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
Optimisation de la couverture et des interfrences
Environnement de Test : Foch (cf. p. 149)
Variables : Position, nombre dAP N
Nombre N dAP initial : 6
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.
Convergence de lheuristique. Le calcul des 258 cartes de couverture a dur 227

secondes. Une solution a t obtenue au bout de 27 itrations en 26 secondes et 36886
valuations ( 1s. par itration en moyenne). Celle-ci compte 3 points daccs et un critre
agrg de fagr = 1.6760. Les critres fslope et finterf valent respectivement 2.9 et 0.4.
La valeur du critre de couverture optimal qui vaut 2.9 nest pas imputer la prsence
de trous de couverture car quasiment 100 % de la surface est couverte avec une puissance
suprieure -80 dBm. Comme le critre est calcul pour des seuils de sensibilit relatifs
la norme 802.11g, la valeur du critre est imputer aux 26 % de la surface couverte entre
-80 dBm et -69 dBm.
Cest le critre de recouvrement qui prime dans le choix de la solution optimale. Les
variations de finterf par rapport aux variations des paramtres de position et de nombre
dAP sont plus fortes que celle de fslope . De ce fait, la rechercher privilgie la slection de
solutions avec un faible critre dinterfrences, mme si les critres sont quipondrs.
179
9
Itration 0
6
finterf avec h=1
X: 2.915
0 Y: 0.4369
2 3 4 5 6 7 8
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
des solutions courantes S ~c dans lespace des fonctions. Chaque point reprsente la solution
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
f
slope
8 f
interf
f
agr
Nb APs N
5
Critre / Nb APs
0
0 20 40 60 80 100 120
Nombre ditrations
Fig. 6.8 Evolution de fslope , finterf , fagr et de N au cours de la recherche.
On observe sur ces courbes une diminution nette du nombre dAP. Cest au passage
4 AP que le critre dinterfrences diminue rellement. Puisque le nombre de signaux utiles
h est fix 1, cela signifie que cest partir du 3e signal le plus lev du bloc que finterf
est pnalise.
Impact des coefficients de pondration pour loptimisation des in-

terfrences et du trafic
Critres : Interfrences finterf avec h = 2
Trafic fD , ds = 256 Kbits/s
Contrainte max = 3dB
Couverture seuil progressif fslope avec fslope
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 pond-
ration 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 pla-
181
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.
Analyse des coefficients de pondration debit et interf . Comme nous lavons

vu pour loptimisation des critres de couverture et dinterfrences, le jeu de coefficients
(slope = 1/2, interf = 1/2) favorise la recherche selon finterf . Nous allons commencer par
appliquer ce jeu de coefficients et pour observer son impact sur la recherche, nous avons
fait varier le nombre de noeuds de trafic prsents dans lenvironnement. La tableau 6.2
montre comment volue le nombre de AP et les critres en fonction du nombre de noeuds
de trafic pour un pondration identique des critres (interf = 1/2, debit = 1/2).
Nb Noeuds N
fagr
fdebit
finterf
fslope d(Kbits/s) P (F kh+1 > P n ) NI T (s.)
50 5 0 0 0 2.8 527 0% 7 12.5
100 5 0.46 0.64 0.3 2.8 255 2.3% 527 654
150 5 1.4 2.5 0.3 2.8 162 2.3% 504 655
200 6 2.0 3.5 0.5 2.4 145 7.3% 1384 1900
250 6 2.5 4.5 0.5 2.4 113 7.3% 143 189
300 6 3.0 5.7 0.3 2.7 92 3.4% 370 481
Tab. 6.2 Performances des solutions en fonction du nombre de noeuds prsents pour
(interf = 1/2, debit = 1/2).
P (F kh+1 > P n ) reprsente le pourcentage de surface o le quatrime signal le plus

puissant est suprieur la puissance du bruit P n . Ce pourcentage reprsente la portion
du plan o la pnalisation du critre dinterfrences nest pas nulle. N I donne le nombre
ditrations ncessaires lobtention de loptimum local.
Lanalyse de ce tableau nous montre que lordre de grandeur du critre de recouvrement
favorise lobtention dune solution qui minimise le recouvrement au dtriment du dbit.
Pour 50 noeuds, il existe plusieurs solutions au problme pos. Les solutions optimales
obtenues avec 100 et 150 noeuds sont les mmes. Il en est de mme pour les solutions avec
200 et 250 noeuds. Le dbit moyen par utilisateur, d, diminue beaucoup avec laugmentation
du nombre de noeuds.
A nombre de noeuds fix, les solutions qui prsenteraient un nombre dAP lev ne sont
pas slectionnes. Lamlioration du critre de dbit due lajout dun AP est contreba-
lance par le critre dinterfrences. Pour limiter cet effet, nous avons cherch pondrer
diffremment les deux critres pour augmenter linfluence du critre de dbit dans la re-
cherche.
Le tableau suivant prsente des simulations obtenues avec la pondration interf =
1/10 et debit = 9/10. Avec cette pondration, nous limitons linfluence du critre de
recouvrement pour obtenir un meilleur dbit.
182
Nb Noeuds N
fagr
fdebit
finterf
50 5 0 0 0 2.7 516 0% 395 236
100 7 0.26 0 2.6 2.8 374 25% 557 878
150 8 0.73 0.01 7.15 2.8 273 53% 1248 3219
200 10 1.5 0.01 15 2.2 283 89% 741 6942
250 16 1.9 0.01 19 2.8 312 93% 1031 12942
300 17 2.3 0.01 23 2.1 292 99% 1374 30440
Tab. 6.3 Performance des solutions en fonction du nombre de noeuds pour (interf =
1/10; debit = 9/10).
Avec la pondration (interf = 1/10, debit = 9/10), on optimise principalement le dbit

au dtriment des interfrences. En effet, pour un nombre lev de noeuds, le nombre dAP
permet de fournir suffisamment de bande passante mais les interfrences cres sont trop
importantes (P (F kh+1 > P n ) = 89% pour 200 noeuds). Des performances plus quilibres
ont t obtenues avec la pondration (interf = 1/4, debit = 3/4). Elles sont prsentes
dans le tableau suivant :
Nb Noeuds N
fagr
fdebit
finterf
50 5 0 0 0 2.7 480 0% 402 306
100 6 0.6 0.4 1.2 3.0 311 17% 808 1057
150 7 1.5 1.15 2.6 2.8 237 29% 648 1305
200 8 2.3 2.15 2.9 2.3 199 25% 14 24
250 8 3.0 3.0 2.9 2.3 156 26% 914 2264
300 8 3.6 3.8 2.9 2.3 127 25% 1307 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 plu-

sieurs 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
6
= 1/2 = 1/2
debit interf
= 3/4 = 1/4
debit interf
5 debit = 9/10 interf = 1/10
4
debit
3
f
0
0 2 4 6 8 10 12 14 16 18 20
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 lappli-
cation 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
Variables : Position, nombre dAP N , puissance dmission
Trafic fD , ds = 256 Kbits/set nombre de noeuds = 200
Pondration : interf = debit = 1/2
(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 simu-
lations 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).
N
fagr
fdebit
finterf
fslope d(Kbits/s) P (F kh+1 > P n ) NI
Pe Fix 8 2.3 2.15 2.9 2.3 199 25% 14
Pe Variable 8 2.12 1.25 4.7 2.9 199 39% 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
Localisation floc
Pondration : interf = loc = 1/2
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 itra-

tions. 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 recouvre-
ment 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 pou-
voir 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 et f
interf loc
1
0.8
0.6
Critres
f
interf
0.4 floc
0.2
0
0 20 40 60 80 100 120 140 160
Itrations
Evolution du nombre dAPs

9
8
Nombre dAPs
4
0 20 40 60 80 100 120 140 160
Itrations
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

Les deux algorithmes proposs ne fonctionnent quavec un unique critre dvaluation.
Ainsi, pour les utiliser pour rsoudre le problme multicritre de planification, il est nces-
saire dagrger les objectifs en une unique fonctionnelle. De ce fait, les solutions obtenues
sont le rsultat dun compromis unique entre les Nf critres traits. Si ce compromis ne
donne pas de solution satisfaisante pour linstallateur, il doit relancer la recherche en pon-
drant diffremment ses critres de choix pour obtenir une nouvelle solution.
Pour permettre linstallateur de choisir directement entre plusieurs compromis, nous
avons implant un algorithme multiobjectif. Lheuristique que nous proposons se base sur
une stratgie de recherche tabou. Plusieurs propositions de mise en oeuvre dune heuristique
tabou pour la recherche multiobjectifs ont dj t ralises : [133], [134], [135], [136].
Lheuristique qui se rapproche le plus de la notre est dcrite par Armentano et Claudio
dans [133].
6.2.1 Heuristique multiobjectif tabou

Notations.
Dans cette partie nous utilisons les notations suivantes :
Fc (i) : le Front de Recherche Courant de litration i constitu des K

solutions courantes {S ~ck (i), k [1..K]}.
~ck (i) :
S la solution numro k du front Fc (i).
V (S~ck (i)) : le voisinage de la solution k de Fc (i).
V (Fc (i)) : le voisinage de toutes les solutions de Fc (i).
FP P (i) : le Front de Pareto Intermdiaire obtenu la fin de litration i.
FP P : le Front de Pareto Pratique obtenu la fin de la recherche.
FP T : le Front de Pareto Theorique du problme.
R: rang de Pareto dun front ou dune solution.
PR : loprateur qui un ensemble de solutions A associe lensemble des
solutions non-domines de rang infrieur R : A PR (A).
La dfinition de la dominance et du front de Pareto thorique est donne en page 44.

Le front de Pareto thorique est dtermin partir dune recherche exhaustive de lespace
des solutions. Si S reprsente lensemble des solutions du problme, on a FP T = P0 (S).
Le front de Pareto F0 de rang R = 0 dun ensemble de solutions B0 est lensemble des
solutions non-domines au sens de Pareto. Le front Fr de rang R = r est lensemble des
solutions non-domines de lensemble des solutions dfini comme suit :
Br = B0 \ r1
i=0 Fi
Macro-algorithme.
Au lieu de travailler avec une seule solution courante, lalgorithme considre un ensemble
de K solutions courantes quil fait voluer. Cest le front de recherche courant Fc . Ces K
solutions voluent indpendamment les unes des autres. Chaque solution possde sa propre
liste tabou. La solution k du front de recherche litration (i + 1), S ~ k (i + 1), est issue
c
du voisinage de la solutions k de litration i, S ~ k (i). On peut interprter ces solutions
c
comme K recherches tabou parallles. Un front de Pareto pratique stocke chaque itration
188
les solutions non-domines obtenues par toutes les k recherches tabou. Voici le macro-
algorithme qui prsente une itration de recherche de lheuristique implante :
A litration i :
1- Pour chaque solution S ~ k du front courant Fc (i) :
c
a Calcul du voisinage de position de la solution V (S ~ck ) ;
b Slection de lensemble PR (V (S ~c ) ) des solutions non-domines
k
de rang R Rmax de lensemble V (S ~ck ) ;

c Ajout de PR (V (S~c )k ) dans le front optimal FP P ;
d Slection alatoire dune des solutions de PR (V (S ~c )k ) et
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).
Fig. 6.12 Macro-algorithme de lheuristique multiobjectif.
Calcul du nouveau front de recherche courant Fc (i + 1).
Le voisinage de chacune des K solutions du front courant est dtermin comme dans
lalgorithme tabou mono-objectif (cf. algorithme de construction dun voisinage de position
p.176). Pour chaque construction du voisinage dune solution S ~ck , lensemble PR (V (S
~c )k )
des solutions non-domines de rang infrieur ou gal R est extrait. PR (V (Sc ) ) peut ~ k
sassimiler une bande de Pareto qui contient toutes les solutions de rang intrieur R.
Les ensembles PR (V (S~c )k ), k [1..K] issus des K solutions sont utiliss pour constituer le
nouveau front de recherche courant Fc (i+1). Fc (i+1) est construit en ajoutant une solution
de chaque ensemble PR (V (S ~c )k ), k [1..K]. Ces solutions sont slectionnes alatoirement
selon une loi de probabilit uniformment rpartie.
Il est possible, dans une volution de lheuristique, dintroduire dautres critres de
choix. On pourrait par exemple guider la recherche de chaque solution vers un compromis
fix lavance. Par exemple, choisir une solution qui sapproche le plus dune direction
fixe au lancement de lalgorithme. Cette approche revient une agrgation des critres
mais elle a lavantage de dfinir la direction optimale sans avoir choisir des coefficients
de pondration qui sont biaiss par la recherche.
Obtention du front de Pareto optimal FP P .
Le front optimal est obtenu aprs avoir uni tous les ensembles PR (V (S ~c )k ), k [1..K]
issus des voisinages des solutions courantes au front optimal de litration prcdente :
~c )k ), k [1..K]
FP P (i + 1) = FP P (i) PR (V (S
Comme lunion de ces ensembles prsente des solution domines, il faut supprimer ces
solutions la fin de litration pour ne garder que les solution non-domines de rang 0. La
taille de cet ensemble nest pas borne.
189
La mmoire tabou.
Une liste tabou par solution du front de recherche est cre, soit K listes tabou. Quand
une nouvelle solution S~ k (i + 1) du front de recherche est slectionne, la liste tabou numro
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
ce fait, au moment de la construction du voisinage dune solution courante S ~ k , seules les
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 mau-
vaises 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 opti-

males 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
tance dans lespace des fonctions entre une solution S ~j . Cette distance
~ ~
normalise d(Si , Sj ) admet lexpression suivante :
190
v
u n
uX 2
~ ~ fq (i) fq (j)
d(Si , Sj ) = t (6.3)
max(fq ) min(fq )
q=1
Nous avons galement n = Nf , le nombre de critres et pour un front de Pareto de

taille P :
max(fq ) = max fq (l) et min(fq ) = min fq (l)

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 Rsultats de la recherche multiobjectifs

Evaluation des performances de lalgorithme.
Daprs Colette et Siarry [103], les performances dune mthode doptimisation mul-
tiobjectif sont mesurables en analysant la qualit du front de Pareto pratique obtenu. En
effet, luniformit de la rpartition des points du front est un paramtre important. Si la
rpartition des points est uniforme, il est ais de choisir une alternative une solution du
front qui ne convient pas linstallateur.
Des mtriques ont t dfinies par Van Veldhuizen dans [138] pour quantifier les per-
formances dalgorithmes multiobjectifs. Les mtriques suivantes ont t utilises sur un
exemple pour prsenter les performances de notre heuristique.
Le rapport derreur Ce rapport permet de mesurer la non convergence dune mthode

vers la surface de compromis. Il est dfini comme suit :
n
X
ei
i=1
E= (6.4)
n
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 :
n
!1/p
dpi
X
i=1
G= (6.5)
n
191
En gnral, on choisit p=2. On a :

n : le nombre dlments dans lensemble des solutions FP P .
di : la distance entre la solution i et la solution la plus proche appartenant la surface
de compromis FP T .
Application des mtriques un problme test. Le front de Pareto thorique FP T

a t calcul pour lenvironnement de test suivant :
Instance du problme de test :

Environnement de Test : CITI (cf. p. 153)
Variables : Position
Nombre N dAPs : 3
Critres : Couverture seuil progressif fslope pour 802.11g
3
La figure suivante reprsente toutes les C129 = 428536 solutions du problme dans
lespace des fonctions de cot. Les points rouges sont les solutions qui appartiennent la
surface de compromis. Ils sont au nombre de 18.
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
20 Front Thorique
18
16
interf
f
14
12
10
8
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
f
slope
Fig. 6.14 Fronts de Pareto pratiques FP P et thorique FP T .
ce rsultat. Ce nombre dvaluations reprsente un cinquime de la taille de lespace des

solutions.
La figure 6.14 prsente les fronts FP P obtenus au bout de 0, 2 et 10 itrations. Au bout
de 10 itrations, il est dj difficile de discerner une diffrence entre le front thorique et le
front pratique.
Ces premiers tests nous permettent de conclure, pour un problme de petite taille,
que lheuristique propose converge bien vers la surface de compromis optimale. De plus,
le nombre ditrations ncessaire lobtention dune telle surface est limit. Les parties
suivantes prsentent les rsultats doptimisation multiobjectifs pour la combinaison des
critres de couverture, recouvrement et dbit.
Pour valider plus en avant cette heuristique, il faudrait tester ses performances sur des
problmes tests de la littrature (problmes tests de Deb et de Hanne [103]). Ces problmes
tests permettent de mesurer la capacit dune heuristique multiobjectif trouver des sur-
faces de compromis non-convexes, non-uniformes, discontinues ou encore multimodales. Il
serait galement intressant de comparer ses performances des heuristiques gntiques
standard (MOGA, MOEA.. cf. partie 2.2.4, p.81).
Rsolution multiobjectifs de loptimisation des interfrences et du

recouvrement.
Lheuristique multiobjectif a t utilise pour rsoudre la mme instance du problme
de planification prsente prcdemment, au paragraphe 6.1.3, page 181. Ici, les critres
applique sont les critres de couverture, dinterfrences et de recouvrement.
Variables : Position, nombre dAPs N
Nombre N dAPs initial : 6
193
Critres : Couverture seuil progressif fslope

Trafic fD , ds = {256} Kbits/set Nb Noeuds = 200
Heuristique : Heuristique Multiobjectif Tabou N variable,

Rmax = 2 et K = 15.
Analyse du front optimal pratique Au bout de 500 itrations, le front FP P (500)

obtenu comporte 1202 solutions. Le front thorique na pas t calcul au vu de la taille de
lespace desPsolutions. En effet, si lon considre que le nombre dAPs N peut varier de 1
25, il existe 25 i 34
i=1 C258 =810 solutions. La figure 6.15 reprsente le front optimal pratique
dans lespace des trois critres fslope, finterf et fdebit . Deux vues en trois dimensions du
front sont reprsentes pour amliorer la visualisation de cette surface de compromis. La
couleur de chaque solution correspond au nombre de points daccs qui la constituent. On
peut noter que plus le nombre dAPs est lev, plus le critre de dbit chute et la couverture
samliore, au dtriment du critre dinterfrences.
Le tableau 6.6 prsente la rpartition des solutions de FP P en fonction du nombre
dAPs N quelles comportent. Pour chaque groupe, on retrouve la valeur moyenne f et
lcart-type calcul pour chaque groupe de solution nombre dAPs identique.
N KN f slope slope f interf interf f debit debit

4 43 3.01 1.68 0.30 0.44 4.99 0.24
5 33 5.56 1.65 0.49 0.82 4.05 0.34
6 78 3.23 1.92 2.90 1.51 3.50 0.23
7 83 2.44 1.48 5.53 1.92 2.73 0.28
8 171 3.23 1.87 6.30 2.17 2.22 0.52
9 160 1.56 1.55 10.13 3.06 1.88 0.50
10 216 2.94 1.84 11.05 3.11 1.07 0.35
11 122 1.69 1.53 15.44 2.24 0.77 0.34
12 139 1.96 1.92 17.74 1.73 0.37 0.30
13 46 2.24 2.10 19.09 1.95 0.20 0.25
14 60 2.49 2.18 18.09 2.43 0.20 0.15
15 22 0.31 0.15 21.70 1.07 0.24 0.27
16 28 0.17 0.17 23.68 0.85 0.32 0.52
17 1 5.98 0.0 22.93 0.0 0.26 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
5 NbAP = 6
NbAP = 7
4
NbAP = 8
3 NbAP = 9
fDbit
NbAP = 10
2
NbAP = 11
1
NbAP = 12
0 NbAP = 13
NbAP = 14
9
NbAP = 15
NbAP = 16
8
NbAP = 17
0
2
5
10
1 15
20
fslope 0 25
30
finterf
NbAP = 4
6
NbAP = 5
NbAP = 6
NbAP = 7
NbAP = 8
5
NbAP = 9
NbAP = 10
NbAP = 11
4 NbAP = 12
NbAP = 13
NbAP = 14
NbAP = 15
fDbit
3 NbAP = 16
NbAP = 17
0 0
1
5 2
10 3
15 4
5
20 6
25 7
8
9
30
f
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 di-
minue 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 opti-
male 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
se demander si toutes les solutions S ~ck ont produit des solutions du front optimal. Pour
rpondre cette question, on peut observer lhistogramme de la figure suivante :
18
16
Proportion de solutions du front par chemin
14
12
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Numro du chemin de filiation
Fig. 6.16 Rpartition des solutions de FP P en fonction de leur filiation.
On observe que le parcours des solutions initiales 8 et 14 a fourni plus du tiers des
solutions optimales alors que les solutions 3,4 et 9 ont fournit moins de 3% des solutions
du front optimal. Toutes les solutions nont pas le mme comportement. La figure 6.17
reprsente FP P en rpartissant les solutions en fonction de leur filiation.
196
Filiation Solution 1
6 Filiation Solution 3
fdebit
0
0
0 1
5 2
10 3
4
15 5
20 6
25 7
8
30
9
fslope
Fig. 6.17 Rpartition des solutions de FP P en fonction de leur filiation.
Evolution de lalgorithme. Au bout de 500 itrations, lalgorithme a test 19 033 840

solutions, ce qui reprsente une part trs petite de lespace des solutions ( 2.4 1026 %).
La figure 6.18-(gauche) prsente lvolution de la taille de la surface de compromis optimale
pratique pour chaque itration. Au cours des 5 dernires itrations, le front optimal pratique
na pas connu de modification mais cela ne signifie en rien quil ait atteint un tat stable.
4
x 10
1400 4.6
4.4
1200
4.2
Taille du front optimal pratique
1000 4
Taille du voisinage
3.8
800
3.6
600
3.4
400 3.2
3
200
2.8
0 2.6
0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500
Nombre ditrations Nombre ditrations
Fig. 6.18 Evolution de la taille du front de Pareto pratique FP P (gauche) et de la taille

du voisinage courant (droite).
Evolution de la taille du voisinage. La figure 6.18-(droite) prsente lvolution de la

taille du voisinage du front courant. La taille maximale du voisinage est obtenue au bout
de 127 itrations. Chaque liste tabou prsente une taille variant entre 51 et 129 solutions.
La taille de chaque liste volue indpendamment. Il nest pas illogique de trouver une
diminution du nombre de solutions du voisinage aprs 127 itrations car partir de ce
moment, les listes tabou sont remplies.
197
4
fdbit
0 0
0 2
5 4
10
15 6
20 8
25
10
30
f
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 :
N fslope finterf fdebit

1 12 0.81 17.20 0.73
2 10 1.29 12.26 1.39
3 9 3.86 5.60 1.97
4 9 1.54 8.10 2.35
5 15 0.06 22.11 0.16
6 11 4.15 9.82 0.95
7 8 2.53 3.76 3.03
8 11 4.20 15.08 0.36
9 8 5.34 3.40 2.81
10 10 5.67 5.67 1.13
Tab. 6.7 Valeurs des fonctions de cot des 10 solutions de FP P slectionnes .
La figure suivante prsente les cartes de couverture des solutions 5, 7 et 10. La solution
5 comporte 15 AP et de ce fait des critres de couverture et de dbit trs faibles et un
critre dinterfrences lev. Cette solution aurait pu tre obtenue en noptimisant que
198
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
(a) Solution Optimale 5
fslope = 2.53
finterf = 3.75
fdebit = 3.03
dBm (b) Solution Optimale 7

-40
fslope = 5.67
finterf = 5.67
fdebit = 1.13
-80
(c) Solution Optimale 10

Fig. 6.20 Reprsentation des solutions 5, 7 et 10.
199
Parmi les trois solutions prsentes, seule la solution 7 semble rellement intressante
pour un dploiement radio. Les deux autres configurations prsentent des compromis dif-
frents 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 valua-
tions 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
Dans ce chapitre, nous avons propos un ensemble de critres de planification et trois
heuristiques doptimisation.
Les critres doptimisation Les critres que nous proposons sont tous des critres
quadratiques permettant de minimiser simultanment la moyenne et la variance de chaque
critre. Ceci nous permet dtre plus discriminant dans le choix des solutions car nous ne
minimisons pas quune erreur moyenne, mais une erreur quadratique moyenne des valeurs
dune fonction de mesure calcule pour tous les blocs couvrir.
Nous avons vrifi par simulation que linfluence de chaque critre sur les rsultats
est bien conforme nos attentes. Le critre de couverture homogne peut tre aisment
utilis indpendamment des autres critres car il garantit la fois une couverture radio et
une rpartition homogne de la puissance. Dans ce cas, le nombre dAP doit tre fix
lavance. Les critres dinterfrences et de couverture seuil progressif sont complmentaires
et permettent de dterminer un nombre optimal dAP. Le seul paramtre choisir est le
nombre de signaux interfrents autoriss sur le plan. Plus celui-ci est faible, plus le critre
dinterfrences prsente une pente importante et devient prpondrant dans le choix dune
solution optimale.
Nous avons dfini deux critres de qualit de service : lun garantit un dbit par utilisa-
teur minimal et lautre favorise la localisation de stations mobiles. Aprs avoir valid leur
performances par simulation, il faudra les valider exprimentalement. Pour cela, on pourra
envisager de mettre en oeuvre une plate-forme de tests pour mesurer les dbits et localiser
des noeuds mobiles. Des solutions optimales et non optimales devront tre dployes.
Les heuristiques doptimisation Les trois algorithmes que nous avons prsents ont
t tests sur des environnements rels. Ils exploitent tous les trois un ensemble de positions
candidates rparties laide du dcoupage de lenvironnement issu du modle de prdiction
de couverture MR-FDPF. Nous avons montr que ce dcoupage slectionne un ensemble
reprsentatif des placements possibles des AP. Les rsultats relatifs au premier algorithme
dterministe nous ont confort dans le choix dune formulation combinatoire du problme.
En effet, la recherche locale de cette heuristique namliore pas de faon significative les
rsultats de la recherche combinatoire.
Lheuristique tabou optimise une fonctionnelle unique qui agrge les critres de pla-
nification choisis. Le rsultat obtenu reflte un compromis qui est dtermin par le choix
des coefficients de pondration. Nous avons mis en vidence dans nos tests que le choix de
ces coefficients nest pas trivial. En effet, la recherche nest pas seulement guide par les
200
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 directe-
ment 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 in-
troduire 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 se-
rait 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
7
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 descrip-
tion 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 simu-
lateur exploitable par des ingnieurs radio nous a men introduire un certain nombre
dhypothses simplificatrices prsentes dans le chapitre 3. Pour dune part limiter les ar-
tefacts inhrents ces simplifications et dautre part adapter les prdictions diffrents
202
CHAPITRE 7. CONCLUSIONS
environnements, un processus de calibration des simulations a t propos. Ce processus

est un problme didentification des paramtres de propagation du modle que sont les
indices et coefficients dabsorption des matriaux prsents dans le btiments. Ce problme
doptimisation aux moindres carrs minimise lerreur quadratique moyenne observe entre
les prdictions et les mesures relles.
Le chapitre 4 prsente la mise en oeuvre de ce processus de calibration. Ces travaux ont
permis de dfinir la sensibilit et quelques valeurs type pour les paramtres de propagation
de matriaux standards (bton, pltre, vitres). Les valeurs obtenues ont t valides dans
quelques environnements de test. Nous avons montr que ces prdictions prsentent une er-
reur quadratique moyenne satisfaisante (de lordre de 5dB). Il a galement t montr quil
est prfrable de ne pas modliser tous les matriaux prsents dans lenvironnement. En
effet, ceci permet dune part de rduire le temps de calibration et dautre part dobtenir des
paramtres qui ne sont pas trop spcifiques lenvironnement de calibration. Nous avons
utilis un algorithme de recherche continue dnomm DIRECT pour obtenir le jeu de para-
mtres optimaux. Nous avons observ que cet algorithme converge rapidement si le nombre
de dimensions est faible. Dans le cas contraire, la convergence intervient tardivement, ce
qui rend son utilisation dlicate pour une calibration rapide du moteur.
Pour pouvoir amliorer les temps de calcul de calibration, nous envisageons dappliquer
des mthodes de recherche de type Response Surface Modeling. Ces techniques estiment
chaque itration la surface de la fonction de cot par interpolation des valuations des solu-
tions dj calcules aux itrations prcdentes. La recherche de loptimum se fait alors sur
cette surface interpole. Ces mthodes devraient ncessiter moins dvaluations de fonction
que lalgorithme DIRECT.
Le jeu de mesures utilis pour la calibration recouvre tout lenvironnement de test.
Puisque chaque nouvelle valuation de fonction ncessite la construction complte de la
structure pyramidale MR-FDPF, plus lenvironnement de test est tendu, plus une va-
luation cote cher. Il serait intressant dobserver comment les paramtres de propagation
voluent si la calibration se fait sur une sous-partie de lenvironnement. Si les paramtres
changent peu, il sera alors possible de rduire la dure de la calibration.
La troisime partie de manuscrit prsente les stratgies de planification wLAN que

nous avons dveloppes. Nous avons opt pour une formulation combinatoire du problme
en exploitant le dcoupage de lenvironnement propos par le modle de prdiction MR-
FDPF. Ce dcoupage favorise la cration de blocs homognes que nous avons exploits
pour rpartir judicieusement les AP candidats.
Le chapitre 5 se concentre sur la dfinition et lanalyse de critres de planification ra-
listes, garantissant plusieurs niveaux de qualit de service du rseau. Ainsi, des critres
de couverture radio, de minimisation des interfrences, doptimisation de la bande pas-
sante et damlioration des services de localisation ont t proposs. Les critres dfinis
ont t analyss pour observer leur impact sur la distribution des AP aprs planification.
Une instance du problme wLP est alors dfinie par un ou plusieurs critres optimiser.
Il restera valider exprimentalement les rsultats de planification issus des critres de
dbit et de localisation. Cette tape nous permettra dassocier le nombre de noeuds du
modle de dbit un nombre raliste dutilisateurs wLAN. Les solutions obtenues pour la
localisation seront testes en simulation et exprimentalement avec plusieurs algorithmes
de localisation. Limpact de la planification sur les erreurs de localisation sera analys.
Le dernier chapitre de ce mmoire dcrit les heuristiques de rsolution que nous pro-
posons. Une premire heuristique dterministe optimisant la couverture a radio a t pr-
sente. Cette heuristique prsente une tape de recherche combinatoire et une tape de
203
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 doptimisa-
tion Tabou a t implant. Cette heuristique permet dobtenir une solution unique. Lva-
luation 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 so-
lution 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 lal-
gorithme. 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 pour-
rait 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 fonc-
tionnement 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
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 priodi-
quement la position des noeuds matres car ces derniers sont sujets une consommation
dnergie bien plus importante quun autre capteur du cluster. Avec notre heuristique mul-
ticritre, il est possible dobtenir plusieurs rpartitions possibles des noeuds matres. Ces
solutions peuvent tre utilises alternativement dans le rseau pour assurer son bon fonc-
tionnement 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
1. Modle pour lestimation de
bande passante
Prise en compte du canal radio
Connaissant la position des points daccs et la rpartition des noeuds mobiles, le modle
dvaluation de performances prsent ici permet de calculer le dbit utile dun point daccs
pour chacune des zones de couverture 11 Mbits/s, 5.5 Mbits/s, 2 Mbits/set 1 Mbits/s.
Le modle analytique exploite le nombre de noeuds qui travaillent dans les cinq zones de
services dbit de transmission diffrent : 11Mbits/s, 5.5Mbits/s, 2Mbits/s, 1Mbits/set
sans couverture.
Pour modliser lapparition derreurs dans un paquet due au caractre alatoire du

mdium de transmission, une probabilit derreur est introduite dans le modle : pe . Cette
probabilit modlise le fait quil y existe au moins un bit incorrect dans le paquet reu. pe
est considr comme une variable du modle dvaluation de performances et permet de
rendre compte des canaux de transmission plus ou moins difficiles.
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 ba-
ckoff dune station au temps t. Chaque tat de la chane reprsente un tat du processus
{s(t), b(t)} en deux dimensions.
208
ANNEXE . 1. MODLE POUR LESTIMATION DE BANDE PASSANTE
Tab. 1 Parameter definition

Parametre Dfinition Valeurs
W0 Taille minimale de la fentre de contention. 32

m Dfinit la taille maximale de la fentre de contention 2m W . 5
m Nombre de retransmissions maximal. 7
TIF S Dure dun IFS (SIFS, DIFS and EIFS)
TACK Dure dune trame de confirmation ACK. 56s
Tslot Dure dun slot vide. 20s
TH Dure de len-tte de la couche physique et de la couche MAC. 192s
PS Taille des donnes de la trame MAC. 1028 octets
Delai de propagation 1s
Probabilit quune station arrive mettre dans un slot donn.
n Nombre total de noeuds dans le rseau.
ni Nombre de noeuds dans la zone de servce i.
pc Probabilit de collision.
pe Probabilit derreur dans un packet.
pr Probabilit de retransmission. pe + pc
S Dbit dmission.
Si Taux doccupation du canal de la zone de service i.
La figure 1 reprsente le processus de Markov. La chane verticale reprsente le processus

s(t). A chaque tat de la chane correspond une tentative de retransmission. La probabilit
de passer dun tat lautre est donne par la probabilit de retransmission pr . Les chanes
horizontales de la figure reprsentent la chane b(t) qui donne les tats du backoff pour un
slot donn. Ces chanes sont diffrentes car chaque retransmission, la valeur du backoff
est tire dans une fentre de contention de taille diffrente.
On peut calculer la taille Wi de la fentre de contention pour chaque tat i du backoff

avec lquation suivante :
2i W0 i m

Wi = (1)
2m W0 i m
Sur la figure 1, m reprsente ltat maximal de la fentre de backoff, cest--dire le

nombre maximal de retransmissions possibles. Cette valeur peut tre plus grande que m.
Dans ce cas, la fentre de contention est toujours gale sa valeur maximale CWmax .
209
Fig. 1 Chaine de Markov pour le schma de backoff du mode DCF
Les seules probabilits de transition non-nulles sont donnes par les quations 2. Ces
probabilits de transition reprsentent 4 vnements : i) la dcrmentation du timer de
backoff ; ii) la remise 0 du backoff si la transmission est russie ; iii) le changement dtat
du backoff sil y a retransmission ; iv) la remise 0 du backoff dans ltat maximal de
backoff, que la transmission soit russie ou non.

P {i, k|i, k + 1} = 1 k [0, Wi 2]i [0, m]
P {0, k|i, 0} = (1 pr )/W0 k [0, W0 1]i [0, m 1]

(2)

P {i, k|i 1, 0} = pr /Wi k [0, Wi 1]i [1, m]
P {0, k|m, 0} = 1/W0 k [0, W0 1]

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 :
(1 pr ) m1

Wi k
P
bi,k = j=0 bj,0 + bm,0 , i=0
(4)
Wi pr bi1,0 , 0<im
Avec lquation (3), lexpression de bi,k peut tre simplifie par :

Wi k
bi,k = bi,0 , 0 i m (5)
Wi
La somme de toutes les probabilits de la chane vaut 1. On peut en dduire la proba-
bilit de ltat initial b0,0 = :

2(12pr )(1pr )

W0 (1(2pr )m+1 )(1pr )+(12pr )(1pm+1 )
, m m
2(12pr )(1pr )
r
(6)
m +1 m+1 m m +1
mm , m m
W0 (1(2pr ) )(1pr )+(12pr )(1pr )+W 2 pr (12pr )(1pr )
210
On peut dduire de la valeur de b0,0 la probabilit de chaque tat bi,k . La probabilit

quune station mette en un slot de temps quelconque peut sexprimer par la somme de
tous les tats bi,0 .
1 pm+1
r
= b0,0 (7)
1 pr
Comme il a t dj t dfini, une retransmission rsulte soit dune collision soit de la
rception dun paquet erron, comme le prsente lquation suivante :
pr = pc + pe (8)
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)
La probabilit pe est considre comme un paramtre reprsentatif de la qualit du

mdium radio. Dans des conditions de rception standard, on considre que le BER (Bit
Error Rate) pour un quipement 802.11b est denviron 105 . On peut en dduire une valeur
thorique de pe de 0.08 daprs lquation suivante :
pe = 1 (1 BER)LP (10)
LP est la taille de la trame totale comprenant la fois lentte physique et MAC. En

regroupant les quations (7), (8), (9) et (10), on obtient le systme deux quations non-
linaires de lquation (11). Les deux inconnues sont et pr . Ce systme peut-tre rsolu
laide de techniques de calcul numrique (cf. [45]).
( m+1
= 1p
1pr b0,0
r
(11)
pr = 1 (1 )n1 + 1 (1 BER)LP
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 (12)
n (1 )n1 (1pe )
Ps = Ptr
n (1 )n1 (1pe ) (13)
= 1(1 )n
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}).
R
PtrR = 1 (1 )n (14)
nR . (1 )n1 (1pe )
PsR = (15)
1(1 )nR
211
Il est galement possible de calculer le taux doccupation du canal pour chaque type
de noeud :
PsR PtrR TR
SR = R {11, 5.5, 2, 1M bits/s} (16)
PsR PtrR TsR + (1 PsR )PtrR TrR
P P
(1 Ptr )Tslot +
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 :
(18)
P
S = SR R, R {11, 5.5, 2, 1M bits/s}
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 in-
door propagation fast computation with MR-FDPF algorithm." in IASTED Interna-
tional 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.
Confrences nationales avec comit de lecture.

[6] G. De La Roche, R. Rebeyrotte, K. Runser and J.-M. Gorce, "Prdiction de couverture
radio pour les rseaux locaux sans fil par une approche 2D multi-rsolution." in Actes
des 14mes journes nationales micro-ondes, Nantes, France, Mai 2005
[7] K. Runser, P. Buhr, G. De La Roche and J.-M. Gorce, Validation de la mthode de
prdiction de couverture radio MR-FDPF" in Actes ALGOTEL 2004, Batz sur Mer,
France, pp. 21-26, Mai 2004.
[8] K. Runser, S. Ubeda and J.-M. Gorce, Optimisation de rseaux locaux sans fils" in 5e
congrs de la Socit Franaise de Recherche Oprationnelle et dAide la Dcision,
Avignon, France, pp. 205-251, February 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. Techni-
cal report, Broadband Radio Access Network BRAN, Disponinble sur : http ://por-
tal.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 ://por-
tal.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 algo-
rithms for downlink UMTS radio planning. In Proceedings of IEEE Wireless Com-
munications 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) spe-
cifications. Technical report, IEEE Std 802.11-1997, Disponible sur : http ://stan-
dards.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 ://stan-
cifications : 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.
cifications. Technical report, IEEE Std 802.11g-2003, Disponible sur : http ://stan-
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. In-
door 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. IEEE Communications Magazine,
40(11) :98104, November 2001.
[18] A. Jedidi. Modlisation et optimisation de la topologie des rseaux mobiles GSM.
PhD thesis, Grenoble 1 : Universit Joseph Fourier, Laboratoire Leibnitz, Institut
National Polytechnique de Grenoble, May 2004, 211p.
[19] Patrice Calgari, Frdric Guidec, Pierre Kuonen, and Frank Nielsen. Combinatorial
optimization algorithms for radio network planning. Theoretical Computer Science,
263 :235345, 2001.
[20] B. Chamaret, S. Josselin, P. Kuonen, M. Pizarosso, B. Salas-Manzanedo, S. Ubeda,
and D. Wagner. Radio network optimization with maximum independent set search.
In Proceedings of the IEEE Vehicular Technology Conference, pages 770774, Phoe-
nix, USA, May 1997.
[21] M. Vasquez and J.-K. Hao. A heuristic approach for antenna positioning in cellular
networks. Journal of Heuristics, 7(5) :443472, 2001.
[22] S. Hurley. Planning effective cellular mobile radio networks. IEEE Transactions on
Vehicular Technology, 51(2) :243253, 2002.
[23] J.S. Fortune, D.M. Gray, O. Landron, R.A. Valenzuela, and M. Wright. WISE de-
sign of indoor wireless systems : Practical computation and optimization. IEEE
Computational Science and Engineering, 2 :5868, March 1995.
[24] D. Stamatelos and A. Ephremides. Spectral efficiency and optimal base placement
for indoor wireless networks. IEEE Journal on Selected Areas in Communications,
14(4) :651661, May 1996.
[25] H.D. Sherali, M. Pendyala, and T. Rappaport. Optimal location of transmitters for
micro-cellular radio communication system design. IEEE Journal on Selected Areas
in Communications, 14(4) :662673, May 1996.
[26] K.W. Cheung and R.D. Murch. Optimizing indoor base-station locations in coverage-
and interference-limited indoor environments. In IEE Proceedings in Communica-
tions, volume 6, pages 445450, December 1998.
[27] M. Unbehaun and M. Kamenetky. On the deployment of picocellular wireless infra-
structure. Wireless Communications, IEEE, 10(6) :7080, December 2003.
[28] J. He, A. Verstack, L.T. Watson, C.A. Stinson, N. Ramakrishnan, C.A. Shaffer, T.S.
Rappaport, and C.R. Anderson. Globally optimal transmitter placement for indoor
wireless communication systems. IEEE Transactions on wireless communications,
2002.
[29] G.R. Mateus, A.A.F. Loureiro, and R.C. Rodrigues. Optimal network design for
wireless local area network. Annals of Operations Research, 106 :331145, 2001.
216
BIBLIOGRAPHIE
[30] F. Aguado-Agelet, A. Martinez Varela, L.J. Alvarez-Vazquez, J-M. Hernando Ra-

banos, 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 Propaga-
tion, 50(10) :14811483, October 2002.
[32] K. Runser, E. Jullo, and J-M. Gorce. Wireless LAN planning using the multi-
resolution 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 Techno-
logy 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 opti-
mization 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. Pren-
tice 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 go-
verning 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 site-
specific 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 geome-
try. 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
[62] A. Neskovic, N. Neskovic, and G. Paunovic. Modern approaches in modeling of

mobile radio systems propagation environment. IEEE communication surveys, pages
212, October 2000.
[63] H. L. Bertoni, W. Honcharenko, L. R. Maciel, and H. H. Xia. UHF propagation pre-
diction for wireless personal communications. Proceedings of the IEEE, 82(9) :1333
1359, 1994.
[64] K-W. Cheung, J. H-M Sau, and R.D. Murch. A new empirical model for indoor
propagation prediction. IEEE transactions on Vehicular Technology, 47(3) :9961001,
August 1998.
[65] M. Hassan-Ali and K. Pahlavan. A new statistical model for site-specific indoor radio
propagation prediction based on geometric optics and geometric probability. IEEE
transactions on Wireless Communications, 1(1) :112124, January 2002.
[66] S. Fortune. Algorithms for prediction of indoor radio propagation. Technical report,
ATT Bell Laboratories report, January 1998.
[67] R. A. Valuenzuela, S. Fortune, and J. Ling. Indoor propagation prediction accuracy
and speed versus number of reflexions in image-based 3-d ray-tracing. In proc. of the
IEEE Vehicular Technology Conference, volume 1, pages 539543, may 1998.
[68] G. Wlfle, R. Wahl, P. Wildbolz, and P. Wertz. Dominant path prediction model for
indoor and urban scenarios. In 11th COST 273, Germany, September 2004.
[69] G. Wlfle, R. Wahl, P. Wertz, P. Wildbolz, and F. Landstorfer. Dominant path
prediction model for indoor scenarios. In German Microwave Conference (GeMIC),
Ulm, Germany, April 2005.
[70] C.-F. Yang, B.-C. Wu, and C.-J. Ko. A ray-tracing method for modeling indoor
wave propagation and penetration. IEEE transactions on Antennas and Propagation,
46(6) :907919, June 1998.
[71] G. Wlfle and F.M. Landstorfer. Dominant path for the field strength prediction. In
IEEE Vehicular Technology Conference VTC, pages 552556, Ottawa, Ontario, May
1998.
[72] R. Hoppe, P. Wertz, F.M. Landstorfer, and G. Wlfle. Advanced ray-optical wave
propagation modelling for urban and indoor scenarios including wideband properties.
European Transactions on Telecommunications, 14 :6169, 2003.
[73] H. Suzuki and A. S. Mohan. Ray tube tracing method for predicting indoor channel
characteristics map. Electronics Letters, 33 :14951496, August 1997.
[74] H. Suzuki and A. S. Mohan. Frustum ray tracing technique for high spatial resolution
channel characteristic map. In RawCon98 proceedings, pages 253256, Colorado
Springs, CO, august 1998.
[75] H. Suzuki and A. S. Mohan. Measurement and prediction of high spatial resolution
indoor radio channel characteristic map. IEEE Transactions on Vehicular Technology,
49(4) :13211333, July 2000.
[76] T. Imai and T. Fujii. Fast algorithm for indoor microcell area prediction system using
ray-tracing method. Electronics and Communications in Japan, part 1, 85(6) :4152,
2002.
[77] Z. Ji, B.-H. Li, H.-X. Wang, H.-Y. Chen, and T.K. Sarkar. Efficient ray-tracing
methods for propagation prediction for indoor wireless propagation. IEEE Antennas
and Propagation Magazine, 43(2) :4149, April 2001.
219
BIBLIOGRAPHIE
[78] Z. Chen, H. L. Bertoni, and A. Delis. Progressive and approximate techniques in

ray-tracing-based radio wave propagation prediction models. IEEE transactions on
Antennas and Propagation, 52(1) :240251, January 2004.
[79] F. Aguado Agelet, J.M. Hernando-Rbanos, F.I. de Vicente, and F.P. Fontan. Ef-
ficient ray-tracing acceleration techniques for radio propagation modeling. IEEE
transactions on Vehicular Technology, 49(6) :20892104, November 2000.
[80] F. Aguado Agelet, F.P. Fontan, and A. Formella. Fast ray tracing for microcellular
and indoor environments. IEEE transactions on Magnetics, 33(2) :14841487, March
1997.
[81] K. Rizk, J.F. Wagen, and F. Gardiol. two-dimensional ray-tracing modeling for pro-
pagation prediction in microcellular environments. IEEE Transactions on Vehicular
Technology, 46(2) :508518, Spring 1995.
[82] Georgia E. Athanasiadou and Andrew R. Nix. Investigation into the sensitivity
of the power predictions of a microcellular ray tracing propagation model. IEEE
transactions on Vehicular Technology, 49(4) :11401151, July 2000.
[83] CW.Trueman, R.Paknys, J.Zhao, D.Davis, and B. Segal. Ray tracing algorithm for
indoor propagation. In Proc 16th Annual Review of Progress in Applied Computa-
tional Electromagnetics, pages 493500, Monterey, CA., March 2000.
[84] Y. Pousset, R. Vauzelle, and P. Combeau. Optimizing the computation time of the
radio coverage predictions for microcellular mobile systems. IEE Proc. Microwave,
Antennas and Propagation, 150(5) :360364, October 2003.
[85] Z. Chen, A. Delis, and H. L. Bertoni. Radio-wave propagationprediction using ray-
tracing technique on a network of workstations (now). Journal of Parallel and Dis-
tributed Computing, pages 11271156, July 2004.
[86] R. Hoppe, G. Wlfle, P. Wertz, and F.M. Landstorfer. Advanced ray-optical wave
propagation modeling for indoor environments including wideband properties. In
European Wireless, Firence, Italy, February 2002.
[87] Guy Cohen. Convexit et Optimisation. Ecole Nationale des Ponts et Chaus-
ses, Disponible sur http://www-rocq.inria.fr/metalau/cohen/enseign-f.html
(25.08.2005), 2000. Cours donn en 1999-2000 lEcole Nationale des Ponts et Chaus-
ses en France.
[88] J. Dreo, A. Petrowski, P. Siarry, and E. Taillard. Metaheuristiques pour loptimisation
difficile. Editions Eyrolles, Paris, July 2003, 356p.
[89] CPLEX. ILOG CPLEX mathematical programming optimizers. Technical report,
ILOG, Disponible sur http://www.cplex.com (25.08.2005).
[90] R. Hooke and T.A. Jeeves. Direct search solution of numerical and statistical pro-
blems. J. Assoc. Comput. Mach., 8 :212229, 1961.
[91] R.M. Lewis, V. Torczon, and M.W. Trosset. Direct search methods : Then and now.
Journal of Computational and Applied Mathematics, 124 :191207, 2000.
[92] M.J.D. Powell. Direct search algorithms for optimization calculations. Acta Nume-
rica, 7 :287336, 1998.
[93] M.J.D. Powell. An efficient method for finding the minimum of a function of several
variables without calculating derivatives. Computer Journal, 7 :155162, 1964.
[94] W. Spenley, G.R. Hext, and F.R. Himsworth. Sequential application of simplex
designs in optimisation and evolutionary operation. Technometrics, 4 :441461, 1962.
220
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 nonstatio-
nary 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. He-
roux, 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 frequency-
domain 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 frequency-
domain 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 mate-
rials. In Proceedings of the 12th International Conference on Antennas and Propa-
gation, 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 Mi-
crowave 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
[129] P. Bahl and V. N. Padmanabhan. Radar : An in-building RF-based user location

and tracking system. In Proceedings of IEEE Infocom 2000, pages 775784, Tel-Aviv,
Israel, March 2000.
[130] P. Bahl, A. Balachandran, and V.N. Padmanabhan. Enhancements to the RA-
DAR user location and tracking system. Technical report, Microsoft Research, cite-
seer.ist.psu.edu/bahl00enhancements.html, February 2000.
[131] M. Youssef, A. Agrawala, and U. Shankar. WLAN location determination via cluste-
ring and probability distributions. In IEEE PerCom 2003, Dallas-Forth Worth, TX,
USA, March 2003.
[132] K. Runser. Algorithme de planification wLAN exploitant le modle de propagation
MR-FDPF. Masters thesis, DEA Images et Systmes. Lyon : INSA de Lyon, 2002.
[133] V.A. Armentano and J.E. Claudio. An application of a multi-objective tabu search
algorithm to a bicriteria flowshop problem. Journal of Heuristics, 10(5) :463481,
September 2004.
[134] M.P. Hansen. Tabu search for multiobjective combinatorial optimization : TAMOCO.
Control and Cybernetics, 29(3) :799818, 2000.
[135] S.L. Ho, S.Y. Yang, G.Z. Ni, and H.C. Wong. A tabu method to find the pareto
solutions of multiobjective optimal design problems in electromagnetics. IEEE Tran-
sactions on Magnetics, 38(2) :10131016, March 2002.
[136] K.C. Tan, E.F. Khor, T.H. Lee, and Y.J. Yang. A tabu-based exploratory evo-
lutionary algorithm for multiobjective optimization. Artificial Intelligence Review,
19(3) :231260, May 2003.
[137] K. Deb. Evolutionary Algorithms for Multi-Criterion Optimization in Engineering
Design. In Kaisa Miettinen, Marko M. Mkel, Pekka Neittaanmki, and Jacques Per-
iaux, editors, Evolutionary Algorithms in Engineering and Computer Science, pages
135161. John Wiley & Sons, Ltd, Chichester, UK, 1999.
[138] D.A. Van Veldhuizen. Multiobjective evolutionary algorithms : classifications, ana-
lyses and new innovations. PhD thesis, Ohio, USA : Graduate School of Engineering.
Air Force Institute of Technology. Wright Patterson AFB, January 1999.
223
FOLIO ADMINISTRATIF
THESE SOUTENUE DEVANT LINSTITUT NATIONAL DES SCIENCES APPLIQUEES DE LYON
NOM : RUNSER DATE de SOUTENANCE : 27 octobre 2005

Prnoms : Katia Emmanuelle
TITRE : Mthodologies pour la planification de rseaux locaux sans-fil.
NATURE : Doctorat Numro dordre : 05 ISAL
Ecole doctorale : Informatique et Information pour la Socit

Spcialit : Tlcommunications
Cote B.I.U. - Lyon : T 50/210/19 / 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). La qualit dune telle stratgie dpend en grande partie du modle de prdic-
tion de couverture radio utilis. La premire partie de ces travaux a donc t consacre au dveloppement et la validation des pr-
dictions 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 qua-
dratique 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 heuristi-
que multiobjectif. Ces travaux ont mis en vidence les avantages dune recherche multiobjectif car elle permet dobtenir plusieurs so-
lutions 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 lensem-
ble 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 deve-
lopment and validation of an original propagation prediction model : the adaptive Multi-Resolution Fourier Domain ParFlow (MR-
FDPF) 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 weigh-
tings. 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 : Laboratoire CITI, Projet ARES-INRIA, INSA de Lyon.

Directeurs de thse : M. Jean-Marie GORCE, MdC., INSA de Lyon,
M. Stphane UBEDA, Pr., INSA de Lyon.
Prsident de jury :
Composition du jury : M. Alexandre CAMINADE, Pr., UTBM, Belfort, (Rapporteur)
M. Jean-Marie GORCE, MdC., INSA de Lyon,
M. Xavier LAGRANGE, Pr., ENST Bretagne, Brest (Rapporteur)
M. David SYMPLOT-RYL, Pr., Universit de Lille,
M. Stphane UBEDA, Pr., INSA de Lyon,
M. Rodolphe VAUZELLE, MdC., Universit de Poitiers.

Méthodologies Pour La Planifi Cation de Réseaux Locaux

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Méthodologies Pour La Planifi Cation de Réseaux Locaux

Transféré par

Droits d'auteur :

Formats disponibles

M

ethodologies pour la planification de r

To cite this version:

HAL Id: tel-00406342

HAL is a multi-disciplinary open access Larchive ouverte pluridisciplinaire HAL, est

Mthodologies pour la planification

Encadre par M. Jean-Marie Gorce et M. Stphane Ubda

Ecole doctorale : Informatique et Information pour la Socit

Soutenue le 27 octobre 2005 devant la Commission dexamen

Alexandre Caminada Professeur (UTBM, Belfort) Rapporteur

Partie I : Ingnirie des rseaux locaux sans-fil 8

1 La planification dun rseau wLAN 8

Partie II : Modlisation de la propagation dans les btiments 91

3 La mthode Multi-Rsolution FDPF adaptative 93

4 Validation des prdictions 113

Partie III : Stratgies de planification wLAN 146

5 Modlisation du problme wLP 147

6 Heuristiques de planification 171

1. Modle pour lestimation de bande passante 208

Je remercie tout particulirement M. Jean-Marie Gorce et M. Stphane Ubda, mes

Les rseaux locaux sans-fil

WAN (Wide Area Network)

MAN (Metropolitan Area Network)

LAN (Local Area Network)

PAN (Personal Area Network)

Fig. 1 Catgories de rseaux sans-fil. (Source [1])

Fig. 2 Rseau wLAN (1) en mode ad-hoc (2) en mode infrastructure

Le mode infrastructure utilise le mme principe de fonctionnement que les rseaux

Plan des travaux de thse

La deuxime partie de ce manuscrit sattache la prsentation et la validation des

Le troisime chapitre prsente un nouveau modle de prdiction de couverture radio,

Le quatrime chapitre sattache la validation des prdictions du modle. La premire

Le dernier chapitre prsente les heuristiques de planification dveloppes au cours

Definition 1 Le problme wLP a pour objectif de dterminer la configuration des points

1.1 Le standard IEEE 802.11

Bande de frquences Nombre de Canaux PIRE

1.1.1 Les normes

1.1.2 Les couches physiques 802.11

5180 5200 5220 5240 5260 5280 5300 5320 MHz

83 MHz 200 MHz

(1) Domaine Temporel (2) Domaine Frquentiel

Spectre 802.11b Freq. (MHz) Spectre 802.11g

La couche HR-DSSS [11]

La couche OFDM [12]

802.11 802.11b 802.11a

FHSS DSSS HR-DSSS (CCK) OFDM

Dbits (Mbits/s) 1 2 1 2 5.5 11 6 9 12 18 24 36 48 54

Fig. 1.4 Rcapitulatif de larchitecture des couches physiques IEEE 802.11

canal, il ne sera pas possible de comprendre un message o plusieurs symboles arrivs

Rapidit de modulation et qualit du signal

1 Mbits/s 2 Mbits/s 5.5 Mbits/s 11 Mbits/s

1.1.3 La couche MAC 802.11

Contention Free Period Contention Period

Fig. 1.5 Structure temporelle de la super-trame PCF

Cette super-trame permet de rgir le partage du temps daccs au canal de communi-

Le mode DCF est compos des lments suivants :

Carrier Sense Multiple Access / Collision Avoidance (CSMA/CA). Dans les

La transmission dans lenvironnement radio ne permet pas dutiliser la mme technique

Fig. 1.6 Accs au canal en mode DCF. Source [15]

Backof f T ime = Random() aSlotT ime

Le mcanisme RTS/CTS. Ce mcanisme optionnel est une technique de contrle du

Fig. 1.7 Disposition de noeuds cachs.

cycle de transmission complet (RTS/CTS, trame de donnes et accus de rception). Ceci