O planejamento de expansÃo de infraestrutura em redes celulares à uma desafio que exige considerar diversos aspectos que nÃo podem ser separados em uma funÃÃo de otimizaÃÃo linear. Tal problema de posicionamento de estaÃÃes base à conhecido por ser do tipo NP-hard, que nÃo pode ser resolvido por qualquer mÃtodo determinÃstico. Assumindo caracterÃsticas bÃsicas da tecnologia Long Term Evolution (LTE)-Advanced (LTE-A), este trabalho procede à investigaÃÃo do uso de dois mÃtodos para otimizaÃÃo de posicionamento de estaÃÃes base: OtimizaÃÃo por Enxame de PartÃculas â Particle Swarm Optimization (PSO) â e EvoluÃÃo Diferencial â Differential Evolution (DE) â adaptados para posicionamento de mÃltiplas estaÃÃes base simultaneamente. O processo de otimizaÃÃo à orientado por dois tipos de funÃÃes custo com multiobjetivos, que medem o desempenho dos novos nÃs individualmente e de toda a rede coletivamente. A otimizaÃÃo à realizada em trÃs cenÃrios, dos quais um deles apresenta dados reais coletados de uma cidade. Para cada cenÃrio, sÃo exibidos o desempenho dos dois algoritmos em termos da melhoria na funÃÃo objetivo e os pontos encontrados no processo de otimizaÃÃo por cada uma das tÃcnicas
The infrastructure expansion planning in cellular networks, so called Base Station Placement (BSP) problem, is a challenging task that must consider a large set of aspects, and which cannot be expressed as a linear optimization function. The BSP is known to be a NP-hard problem unable to be solved by any deterministic method. Based on some fundamental assumptions of Long Term Evolution - Advanced (LTE-A) networks, this work proceeds to investigate the use of two methods for BSP optimization task: the Particle Swarm Optimization (PSO) and the Differential Evolution (DE), which were adapted for placement of many new network nodes simultaneously. The optimization process follows two multi-objective functions used as fitness criteria for measuring the performance of each node and of the network. The optimization process is performed in three scenarios where one of them presents actual data collected from a real city. For each scenario, the fitness performance of both methods as well as the optimized points found by each technique are presented.
