一种网络覆盖容量优化的方法、装置及存储介质与流程

1.本发明涉及通信领域，尤其是涉及一种网络覆盖容量优化的方法、装置及存储介质。


背景技术：

2.在现有4g、5g无线通信网络系统中，通过多个基站小区组网实现网络的连续覆盖。
3.通常，整个网络的覆盖整体情况，取决于无线基站密度及无线小区的方向角、下倾角、功率等小区工参设置；而网络容量也与受小区工参影响的小区间的干扰水平息息相关。在选定基站位置的情况下，重叠覆盖、弱覆盖、越区覆盖及相邻小区间高干扰等覆盖容量问题，主要依靠小区工参调整改善。
4.而现有技术中，为实现小区覆盖和容量优化而提出的小区工参的配置方案，主要为针对覆盖容量异常的单小区进行该小区工参的独立优化，即网络工程师通过操作运维中心(operation and maintenance center，omc)的监控数据发现存在覆盖容量异常的若干小区后，依据规则和经验对该异常小区的工参进行逐个调整。使用这种方式进行工参调整，往往会产生其它小区的覆盖和干扰问题；而寻找全局和局部的工参配置最优解，复杂度高、难度大，并且在这个过程中使用的传统最优化算法如：遗传算法、蚁群算法、粒子束算法、模拟退火等效果不佳，且时间开销及计算资源开销大。
5.鉴于此，如何高效、准确的对网络的覆盖容量进行优化，成为一个亟待解决的技术问题。


技术实现要素：

6.本发明提供一种网络覆盖容量优化的方法、装置及存储介质，用以解决现有技术中存在的对网络覆盖容量的优化不够准确、及时的技术问题。
7.第一方面，为解决上述技术问题，本发明实施例提供的一种网络覆盖容量优化的方法的技术方案如下：
8.当无线网络内小区的覆盖容量指标的当前指标值低于预设指标值时，实时获取所述小区的小区工参的当前工参值；其中，所述小区工参为所述基站进行维护或所述无线网络进行优化所需的参数，所述覆盖容量指标用于标识所述小区与对应邻小区间覆盖与干扰的相关性和整体性；
9.每获取一次所述当前工参值，用预设模型对所述当前工参值和所述当前指标值进行计算，获得所述小区的工参调整值；其中，所述预设模型使用强化学习算法，让所述小区在所述无线网络中通过所述工参调整值调整所述小区工参，以使所述当前指标值趋近于所述预设指标值；
10.每获得一次所述工参调整值，向小区发送一次对应的所述工参调整值，使所述小区用所述工参调整值对所述小区工参进行一次调整，直至最新获取的当前指标值达到所述预设指标值且在预设误差范围内。
11.由于在计算小区的调整工参值时使用的是强化学习算法，让算法中模拟小区的智能体能够根据当前指标值对小区工参进行调整，得到趋近于预设指标值的收益，最终输出修正后续小区工参的工参调整值，让小区能够根据预设模型输出的工参调整值对小区工参进行调整，如此经过这样多次循环往复的调整小区工参，直至最新获取的当前指标值达到预设指标值且在预设误差范围内，从而可以高效、准确的对网络的覆盖容量进行优化。
12.一种可能的实施方式，实时获取无所述小区的小区工参的当前工参值和所述预设指标值，包括：
13.实时获取所述小区工参的原始工参值，以及对应覆盖容量指标的原始指标值；其中，所述原始指标值为参考信号接收功率rsrp与信号与干扰加噪声比sinr的加权和；
14.对所述原始工参值进行预处理，获得所述当前工参值；其中，所述预处理包括离散化处理；
15.计算所述小区和对应邻小区的原始指标值的加权和，获得所述当前指标值。
16.在预处理过程中通过对原始工参进行离散化处理，让原来的连续性数值变为离散性数值，可以减少后续预设模型的计算量，提高计算效率，并使信息损失最少。
17.而通过将小区和对应邻小区的原始指标值的加权和，作为小区的当前工参值，可以通过当前工参值反应小区与对应邻小区间覆盖与干扰的相关性和整体性，使得用预设模型进行计算时将小区对其邻小区的覆盖和干扰一并纳入考量，减少小区在进行工参调整时对邻小区的影响。
18.一种可能的实施方式，用预设模型对所述当前工参值和所述当前指标值进行计算，包括：
19.针对所有小区，以轮流调整的方式用所述预设模型对单个小区的所述当前工参值和所述当前指标值进行计算；
20.或，用所述预设模型对所有小区的所述当前工参值和所述当前指标值同时进行计算。
21.一种可能的实施方式，所述离散化处理，包括以下任一个：
22.专家打分、高斯离散、等距离散。
23.一种可能的实施方式，所述强化学习算法，包括以下任一个：
24.q-learning、deep q-learning、double dqn、sarsa。
25.一种可能的实施方式，所述预处理，还包括：
26.归一化处理、标准化处理、降维压缩处理中的任一个或任意组合。
27.在对原始工参进行离散化处理后，还可以进一步的进行归一化处理、标准化处理、降维压缩处理等，这样可以让预设模型能更好的适应复杂的网络环境，进一步提高计算效率。
28.一种可能的实施方式，所述预设模型是通过最近一次所述覆盖容量指标的历史当前指标值达到所述预设指标值且在所述预设误差范围内训练得到的模型。
29.由于预设模型是通过最近一次覆盖容量指标的历史当前指标值达到覆盖容量指标的预设指标值，且在预设误差范围内训练得到的模型。这样可以使预设模型不断进行迭代优化，从而可以有效的节约预设模型的训练时间，在覆盖容量指标的当前指标值低于预设指标值时，可以快速响应和及时应变。
30.第二方面，本发明实施例还提供一种网络覆盖容量指标优化的装置，包括存储器，收发机，处理器：
31.存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并执行以下操作：
32.当无线网络内小区的覆盖容量指标的当前指标值低于预设指标值时，实时获取所述小区的小区工参的当前工参值；其中，所述小区工参为所述基站进行维护或所述无线网络进行优化所需的参数，所述覆盖容量指标用于标识所述小区与对应邻小区间覆盖与干扰的相关性和整体性；
33.每获取一次所述当前工参值，用预设模型对所述当前工参值和所述当前指标值进行计算，获得所述小区的工参调整值；其中，所述预设模型使用强化学习算法，让所述小区在所述无线网络中通过所述工参调整值调整所述小区工参，以使所述当前指标值趋近于所述预设指标值；
34.每获得一次所述工参调整值，向小区发送一次对应的所述工参调整值，使所述小区用所述工参调整值对所述小区工参进行一次调整，直至最新获取的当前指标值达到所述预设指标值且在预设误差范围内。
35.一种可能的实施方式，所述处理器还用于：
36.实时获取所述小区工参的原始工参值，以及对应覆盖容量指标的原始指标值；其中，所述原始指标值为参考信号接收功率rsrp与信号与干扰加噪声比sinr的加权和；
37.对所述原始工参值进行预处理，获得所述当前工参值；其中，所述预处理包括离散化处理；
38.计算所述小区和对应邻小区的原始指标值的加权和，获得所述当前指标值。
39.一种可能的实施方式，所述处理器还用于：
40.针对所有小区，以轮流调整的方式用所述预设模型对单个小区的所述当前工参值和所述当前指标值进行计算；
41.或，用所述预设模型对所有小区的所述当前工参值和所述当前指标值同时进行计算。
42.一种可能的实施方式，所述离散化处理，包括以下任一个：
43.专家打分、高斯离散、等距离散。
44.一种可能的实施方式，所述强化学习算法，包括以下任一个：
45.q-learning、deep q-learning、double dqn、sarsa。
46.一种可能的实施方式，所述预处理，还包括：
47.归一化处理、标准化处理、降维压缩处理中的任一个或任意组合。
48.一种可能的实施方式，所述预设模型是通过最近一次所述覆盖容量指标的历史当前指标值达到所述预设指标值且在所述预设误差范围内训练得到的模型。
49.第三方面，本发明实施例提供了一种网络覆盖容量指标优化的装置，包括：
50.获取单元，用于当无线网络内小区的覆盖容量指标的当前指标值低于预设指标值时，实时获取所述小区的小区工参的当前工参值；其中，所述小区工参为所述基站进行维护或所述无线网络进行优化所需的参数，所述覆盖容量指标用于标识所述小区与对应邻小区间覆盖与干扰的相关性和整体性；
51.计算单元，用于每获取一次所述当前工参值，用预设模型对所述当前工参值和所述当前指标值进行计算，获得所述小区的工参调整值；其中，所述预设模型使用强化学习算法，让所述小区在所述无线网络中通过所述工参调整值调整所述小区工参，以使所述当前指标值趋近于所述预设指标值；
52.调整单元，用于每获得一次所述工参调整值，向小区发送一次对应的所述工参调整值，使所述小区用所述工参调整值对所述小区工参进行一次调整，直至最新获取的当前指标值达到所述预设指标值且在预设误差范围内。
53.一种可能的实施方式，所述获取单元还用于：
54.实时获取所述小区工参的原始工参值，以及对应覆盖容量指标的原始指标值；其中，所述原始指标值为参考信号接收功率rsrp与信号与干扰加噪声比sinr的加权和；
55.对所述原始工参值进行预处理，获得所述当前工参值；其中，所述预处理包括离散化处理；
56.计算所述小区和对应邻小区的原始指标值的加权和，获得所述当前指标值。
57.一种可能的实施方式，所述计算单元还用于：
58.针对所有小区，以轮流调整的方式用所述预设模型对单个小区的所述当前工参值和所述当前指标值进行计算；
59.或，用所述预设模型对所有小区的所述当前工参值和所述当前指标值同时进行计算。
60.一种可能的实施方式，所述离散化处理，包括以下任一个：
61.专家打分、高斯离散、等距离散。
62.一种可能的实施方式，所述强化学习算法，包括以下任一个：
63.q-learning、deep q-learning、double dqn、sarsa。
64.一种可能的实施方式，所述预处理，还包括：
65.归一化处理、标准化处理、降维压缩处理中的任一个或任意组合。
66.一种可能的实施方式，所述预设模型是通过最近一次所述覆盖容量指标的历史当前指标值达到所述预设指标值且在所述预设误差范围内训练得到的模型。
67.第四方面，本发明实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如第一方面所述的方法。
68.通过本发明实施例的上述一个或多个实施例中的技术方案，本发明实施例至少具有如下技术效果：
69.在本发明提供的实施例中，当无线网络内，用于标识小区与对应邻小区间覆盖与干扰的相关性和整体性的覆盖容量指标的当前指标值低于预设指标值时，通过实时获取小区的小区工参的当前工参值；并在每获取一次当前工参值时，用预设模型对当前工参值和当前指标值进行计算，获得小区的工参调整值，同时向小区发送一次对应的工参调整值，使小区用工参调整值对小区工参进行一次调整，经过这样多次循环往复的调整小区工参，直至最新获取的当前指标值达到预设指标值且在预设误差范围内；其中，预设模型使用强化学习算法，让小区在无线网络中通过工参调整值调整小区工参，以使当前指标值趋近于预设指标值，小区工参为基站进行维护或无线网络进行优化所需的参数。由于在计算小区的调整工参值时使用的是强化学习算法，让算法中模拟小区的智能体能够根据当前指标值对
小区工参进行调整，得到趋近于预设指标值的收益，最终输出修正后续小区工参的工参调整值，让小区能够根据预设模型输出的工参调整值对小区工参进行调整，如此经过这样多次循环往复的调整小区工参，直至最新获取的当前指标值达到预设指标值且在预设误差范围内，从而可以高效、准确的对网络的覆盖容量进行优化。
附图说明
70.图1为本发明实施例提供的一种网络覆盖容量优化方法的流程图；
71.图2为本发明实施例提供的覆盖容量指标优化的示意图；
72.图3为本发明实施例提供的一种网络覆盖容量优化装置的结构示意图一；
73.图4为本发明实施例提供的一种网络覆盖容量优化装置的结构示意图二。
具体实施方式
74.本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
75.本技术实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
76.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，并不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
77.本技术实施例提供了医治网络覆盖容量优化的方法、装置及存储介质，用以解决现有技术中存在的对网络覆盖容量的优化不够准确、及时的技术问题。
78.其中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
79.本技术实施例提供的技术方案可以适用于多种系统，如4g系统、5g系统。例如适用的系统可以是全球移动通讯(global system of mobile communication，gsm)系统、码分多址(code division multiple access，cdma)系统、宽带码分多址(wideband code division multiple access，wcdma)通用分组无线业务(general packet radio service，gprs)系统、长期演进(long term evolution，lte)系统、lte频分双工(frequency division duplex，fdd)系统、lte时分双工(time division duplex，tdd)系统、高级长期演进(long term evolution advanced，lte-a)系统、通用移动系统(universal mobile telecommunication system，umts)、全球互联微波接入(worldwide interoperability for microwave access，wimax)系统、5g新空口(new radio,nr)系统等。这多种系统中均包括终端设备和网络设备。系统中还可以包括核心网部分，例如演进的分组系统(evloved packet system,eps)、5g系统(5gs)等。
80.本实施例涉及的强化学习算法主要包含四个元素：智能体(agent)、环境状态、动作、收益、强化学习的目标就是获得最多的累计收益。强化学习算法是一种序贯决策的策略，即智能体能够依据当前环境状态给予环境相应的动作并得到执行动作后的收益信息和环境状态改变，继而修正后续动作，如此反复直至环境运行达到理想目标。
81.请参考图1，本发明实施例提供一种网络覆盖容量优化的方法，该方法的处理过程如下。
82.步骤101：当无线网络内小区的覆盖容量指标的当前指标值低于预设指标值时，实时获取小区的小区工参的当前工参值；其中，小区工参为基站进行维护或无线网络进行优化所需的参数，覆盖容量指标用于标识小区与对应邻小区间覆盖与干扰的相关性和整体性。
83.在无线网络内，小区的覆盖容量指标及小区工参通常是由omc进行定期收集，并放在设定的存储单元中的，其它设备或装置可以根据需要，从该存储单元中获取omc收集的覆盖容量指标及小区工参。小区工参例如可以是方位角、下倾角、发射功率、经纬度、海拔等。
84.当无线网络内小区的覆盖容量指标的当前指标值低于预设指标值时，实时获取无所述小区的小区工参的当前工参值和所述预设指标值，可以采用下列方式实现：
85.实时获取小区工参的原始工参值，以及对应覆盖容量指标的原始指标值；原始指标值为参考信号接收功率rsrp与信号与干扰加噪声比sinr的加权和。
86.对原始工参值进行预处理，获得当前工参值；其中，预处理包括离散化处理。离散化处理可以是专家打分、高斯离散、等距离散中的任一个。
87.在预处理过程中通过对原始工参进行离散化处理，让原来的连续性数值变为离散性数值，可以减少后续预设模型的计算量，提高计算效率，并使信息损失最少。
88.预处理还可以包括：归一化处理、标准化处理、降维压缩处理中的任一个或任意组合。即，在对原始工参进行离散化处理后，还可以进一步的进行归一化处理、标准化处理、降维压缩处理等，这样可以让预设模型能更好的适应复杂的网络环境，进一步提高计算效率。
89.计算小区和对应邻小区的原始指标值的加权和，获得当前指标值。
90.例如，小区1的邻小区包括小区3、小区5、小区6，它们的加权值依次被设置为y1、y3、y5、y6，当前获取到小区1、小区3、小区5、小区6的原始指标值依次为s1、s3、s5、s6，对它们进行加权和计算，得到小区1的当前值指标值为：s1
×
y1 s3
×
y3 s5
×
y5 s6
×
y6。同理，其它小区工参的当前指标值采用的算法与此类似，不再一一赘述。
91.通过将小区和对应邻小区的原始指标值的加权和，作为小区的当前工参值，可以通过当前工参值反应小区与对应邻小区间覆盖与干扰的相关性和整体性，使得用预设模型进行计算时将小区对其邻小区的覆盖和干扰一并纳入考量，减少小区在进行工参调整时对邻小区的影响。
92.步骤102：每获取一次当前工参值，用预设模型对当前工参值和当前指标值进行计算，获得小区的工参调整值；其中，预设模型使用强化学习算法，让小区在无线网络中通过工参调整值调整小区工参，以使当前指标值趋近于预设指标值。
93.在本发明提供的实施例中，强化学习算法可以是value-based强化学习算法，可以是q-learning、deep q-learning、double dqn、sarsa中的任一种。
94.在本发明提供的实施例中，以整个无线网络作为强化学习算法中的环境，以无线网络中的每个小区作为强化学习算法中的独立智能体，以小区的当前工参值作为强化学习算法中的环境状态，以当前指标值作为强化学习算法中的收益，以工参调整值作为智能学习算法中的动作。一个小区的当前工参值和当前指标值传递到预设模型中的智能体后，通过计算得到对应小区的工参调整值。
95.需要理解的是，预设模型可以同时输出无线网络中所有小区的每个小区工参对应的工参调整值。
96.在预设模型中通过使用强化学习，能够依据网络环境的变化持续提供对各小区的小区工参进行调整的工参调整值，直至覆盖容量指标的当前值到预设值且稳定在预设误差范围内。这样既满足对多小区的多各小区工参同时进行调整，又能兼顾本小区和邻小区的覆盖容量指标。
97.在本发明提供的实施例中，当前使用的预设模型是通过最近一次覆盖容量指标的历史当前指标值达到覆盖容量指标的预设指标值，且在预设误差范围内训练得到的模型。这样可以使预设模型不断进行迭代优化，从而可以有效的节约预设模型的训练时间，在覆盖容量指标的当前指标值低于预设指标值时，可以快速响应和及时应变。
98.在无线网络中通常包括多个小区，在预设模型中，一个智能体对应一个小区，在预设模型中为了对整个无线网络进行覆盖容量指标的优化，可以采用智能体轮流调整小区工参或多个智能体同时调整小区工参的方式进行优化，计算出各小区的工参调整值。
99.因此，在本发明提供的实施例中，用预设模型对所述当前工参值和所述当前指标值进行计算，可以有以下两种方式：
100.第一种方式：针对所有小区，以轮流调整的方式用预设模型对单个小区的当前工参值和当前指标值进行计算。即在预设模型内，在一个时间点内只有一个智能体可生成动作(即只有一个小区可以调整小区工参)，而其它智能体保持静默(即其它小区不能调整小区工参)。
101.第二种方式：用预设模型对所有小区的当前工参值和当前指标值同时进行计算。即，在预设模型内，同一个时间点内所有智能体都可以动作(即对各自对应小区的小区工参进行调整)。
102.需要说明的是，在预设模型中每个智能体对应小区的所有小区工参，如方位角、下倾角和发射功率等均可一次计算出对应的工参调整值，使小区用这些工参调整值对本地的所有小区工参一次调整到位。
103.在获得小区的工参调整值之后，便可执行步骤103。
104.步骤103：每获得一次工参调整值，向小区发送一次对应的工参调整值，使小区用工参调整值对小区工参进行一次调整，直至最新获取的当前指标值达到预设指标值且在预设误差范围内。
105.为了使本领域的技术人员能充分理解本方案，下面将提供一个例子进行说明。
106.请参见图2为本发明实施例提供的覆盖容量指标优化的示意图。
107.在图2中，无线网络包括基站1、基站2，基站1包括小区1、小区6、小区7，基站2包括小区2～小区4，由omc对它们进行管理，omc可以定期从基站1、基站2收集各小区的原始工参值和覆盖容量指标的原始指标值，omc可以对每个小区及其邻小区的原始指标值进行加权和运算，得到对应的当前指标值，以及对原始工参值进行预处理得到当前工参值，并存储在omc本地的一个存储区域中。如小区1的邻小区包括小区2～小区6，则小区1的当前指标值为小区1～小区6的原始指标值的加权和。
108.假设omc确定小区1～小区3的当前指标值低于预设指标值时，可以启用预设模型，将整个无线网络作为预设模型中智能体所在的环境、将小区1～小区3作为预设模型中的智
能体(分别与智能体1～智能体3对应)、将当前工参值作为预设模型中的环境状态、将覆盖容量指标作为预设模型中智能体的收益，将工参调整值作为预设模型中智能体执行的动作，在将小区1～小区3的当前工参值和当前指标值传输到预设模型中对应的智能体后，智能体1～智能体3根据各自对应的当前工参值和当前指标值对小区工参进行调整，得到趋近于预设阈值的收益，使预设模型最终输出小区1～小区3后续修正各自小区工参的工参调整值，omc从预设模型得到这些工参调整值之后，将这些工参调整值发送给各自对应的小区进行工参调整，在调整后，omc进行新一轮收集后，预设模型再从omc获取小区1～小区3的当前工参值和当前指标值，并重复执行上一轮的计算过程，如此往复，直至获取到的当前指标值达到预设指标值且在预设误范围内。
109.需要说明的是，若小区的当前指标值是由基站直接提供的，则omc无需直接存储即可。在图2中，只是示意性的提供了2个基站和几个小区，而在实际应用中，一个无线网络下通常包括数量众多的基站，而每个基站又包括多个小区，因此图2并不能代表实际无线网络中的小区数量。
110.如图3所示，本发明实施例提供的一种网络覆盖容量指标优化的装置，包括存储器301，收发机302，处理器303：
111.存储器301，用于存储计算机程序；收发机302，用于在所述处理器303的控制下收发数据；处理器303，用于读取所述存储器301中的计算机程序并执行以下操作：
112.当无线网络内小区的覆盖容量指标的当前指标值低于预设指标值时，实时获取所述小区的小区工参的当前工参值；其中，所述小区工参为所述基站进行维护或所述无线网络进行优化所需的参数，所述覆盖容量指标用于标识所述小区与对应邻小区间覆盖与干扰的相关性和整体性；
113.每获取一次所述当前工参值，用预设模型对所述当前工参值和所述当前指标值进行计算，获得所述小区的工参调整值；其中，所述预设模型使用强化学习算法，让所述小区在所述无线网络中通过所述工参调整值调整所述小区工参，以使所述当前指标值趋近于所述预设指标值；
114.每获得一次所述工参调整值，向小区发送一次对应的所述工参调整值，使所述小区用所述工参调整值对所述小区工参进行一次调整，直至最新获取的当前指标值达到所述预设指标值且在预设误差范围内。
115.一种可能的实施方式，所述处理器303还用于：
116.实时获取所述小区工参的原始工参值，以及对应覆盖容量指标的原始指标值；其中，所述原始指标值为参考信号接收功率rsrp与信号与干扰加噪声比sinr的加权和；
117.对所述原始工参值进行预处理，获得所述当前工参值；其中，所述预处理包括离散化处理；
118.计算所述小区和对应邻小区的原始指标值的加权和，获得所述当前指标值。
119.一种可能的实施方式，所述处理器303还用于：
120.针对所有小区，以轮流调整的方式用所述预设模型对单个小区的所述当前工参值和所述当前指标值进行计算；
121.或，用所述预设模型对所有小区的所述当前工参值和所述当前指标值同时进行计算。
122.一种可能的实施方式，所述离散化处理，包括以下任一个：
123.专家打分、高斯离散、等距离散。
124.一种可能的实施方式，所述强化学习算法，包括以下任一个：
125.q-learning、deep q-learning、double dqn、sarsa。
126.一种可能的实施方式，所述预处理，还包括：
127.归一化处理、标准化处理、降维压缩处理中的任一个或任意组合。
128.一种可能的实施方式，所述预设模型是通过最近一次所述覆盖容量指标的历史当前指标值达到所述预设指标值且在所述预设误差范围内训练得到的模型。
129.收发机302，用于在处理器303的控制下接收和发送数据。
130.其中，在图3中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器303代表的一个或多个处理器和存储器301代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机302可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器303负责管理总线架构和通常的处理，存储器301可以存储处理器303在执行操作时所使用的数据。
131.处理器303可以是中央处埋器(cpu)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或复杂可编程逻辑器件(complex programmable logic device，cpld)，处理器也可以采用多核架构。
132.在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
133.基于同一发明构思，本发明一实施例中提供一种网络覆盖容量指标优化的装置，该装置的网络覆盖容量指标优化方法的具体实施方式可参见方法实施例部分的描述，重复之处不再赘述，请参见图4，该装置包括：
134.获取单元401，用于当无线网络内小区的覆盖容量指标的当前指标值低于预设指标值时，实时获取所述小区的小区工参的当前工参值；其中，所述小区工参为所述基站进行维护或所述无线网络进行优化所需的参数，所述覆盖容量指标用于标识所述小区与对应邻小区间覆盖与干扰的相关性和整体性；
135.计算单元402，用于每获取一次所述当前工参值，用预设模型对所述当前工参值和所述当前指标值进行计算，获得所述小区的工参调整值；其中，所述预设模型使用强化学习算法，让所述小区在所述无线网络中通过所述工参调整值调整所述小区工参，以使所述当前指标值趋近于所述预设指标值；
136.调整单元403，用于每获得一次所述工参调整值，向小区发送一次对应的所述工参调整值，使所述小区用所述工参调整值对所述小区工参进行一次调整，直至最新获取的当前指标值达到所述预设指标值且在预设误差范围内。
137.一种可能的实施方式，所述获取单元401还用于：
138.实时获取所述小区工参的原始工参值，以及对应覆盖容量指标的原始指标值；其
flash)、固态硬盘(ssd))等。
156.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
157.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
158.这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中，使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
159.这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
160.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。