本发明涉及一种基于大语言模型驱动的多智能体自动化基站选址方法及系统，属于通信网络优化。
背景技术：
1、作为移动通信网络的骨干，基站不仅为移动用户提供无缝连接，确保通信的连续性和可靠性，还支持不断增长的高数据吞吐量需求，让用户即使在移动中也能享受高速网络服务[cui w,zhang y,wei l,et al.optimizing base stations deployment inwireless access networks for smart grids[c]//2015international conference onwireless communications&signal processing(wcsp).ieee,2015:1-5.]。随着智能手机和移动设备的普及，移动用户数量激增，用户对数据传输的速度和质量的需求相应上升。因此，基站选址问题变得尤为关键和具有挑战性，因为它直接影响网络覆盖的广度和深度，以及用户服务体验的质量。
2、传统的基站选址方法主要依赖道路测试和用户反馈来评估网络性能和确定需要改进的区域，并以此作为标准确定新建基站的种类和位置。存在两个问题：(1)道路测试通过在特定地理区域部署测量设备收集信号质量数据，尽管这种方法能提供有价值的见解，但其耗时且不切实际，尤其在人口密集的城市环境中[tayal s,garg p k,vijays.optimization models for selecting base station sites for cellular networkplanning[c]//applications of geomatics in civil engineering:selectproceedings of icgce 2018.springer singapore,2020:637-647.]。此外，道路测试仅捕获特定时间和地点的数据，无法充分反映网络性能随时间的动态变化；(2)用户投诉和反馈是传统方法中识别覆盖问题和服务质量缺陷的另一种手段。然而，这种反应性策略意味着通常要等问题严重到引发用户投诉时才会启动网络改进[kulin m,kazaz t,de poortere,et al.a survey on machine learning-based performance improvement ofwireless networks:phy,mac and network layer[j].electronics,2021,10(3):318.]。此外，收集到的反馈可能不代表整个用户基础，从而导致数据偏差或不完整。工程师需要分析这些反馈，建模基站选址问题，开发解决方案，部署新基站，并重新评估网络性能，从而形成一个连续和迭代的过程。
3、综上，传统方法不仅耗时，还要求工程师具备广泛的通信、网络和优化方面的专业知识，从而导致了解决基站选址问题需要的漫长的周期和巨大的人力开销。
技术实现思路
1、针对现有基站选址方法的不足，本发明提供了一种基于大语言模型驱动的多智能体自动化基站选址方法，使用大模型生成准确可靠并且实时高效的选址方案。
2、具体来说，本发明提出了一个基站选址问题求解“团队”，具体包括：manager、formulator、programmer和evaluator。其中manager负责统筹协调、任务分解以及选择相应的大模型执行任务；formulator负责针对基站选址问题进行数学建模，包括对目标函数以及各种约束条件的数学表示；programmer负责基于formulator建立的数学模型进行python代码的编程求解，以及对代码出现的错误和不合理之处进行修改；evaluator负责验证programmer生成的代码是否存在错误以及是否满足约束条件。通过这种多个大模型合作的方法，大模型可以充分利用各自的优势来共同解决复杂的基站选址问题。这种方法不仅提高了解决问题的效率，而且显著减少了人工干预的需要。在多个大模型的协同努力下，该系统可以快速适应不断变化的需求和环境条件，并提供灵活且高效的基站选址解决方案。
3、本发明还提供一种基于大语言模型驱动的多智能体自动化基站选址系统。
4、术语解释：
5、1、manager，任务管理智能体；
6、2、formulator，数学建模智能体；
7、3、programmer，代码编程智能体；
8、4、evaluator，方案验证智能体；
9、5、遗传算法，genetic algorithm，ga，是一种模拟生物进化过程的搜索启发式算法。通过自然遗传机制(如选择、交叉、变异等)的模拟，对问题的潜在解进行进化，以期找到或逼近最优解。遗传算法在基站选址问题中的应用可以有效地平衡成本和性能，找到既经济又高效的基站布局方案。
10、6、粒子群优化，particle swarm optimization，pso，是一种基于群体智能的优化算法，其通过模拟鸟群或鱼群的社会行为来寻找最优解。粒子群优化算法在基站选址问题中能够有效地搜索解空间，找到成本效益比较高的基站布局方案。
11、7、模拟退火，simulated annealing，sa，是一种概率型优化算法，其受到物理过程中金属退火的启发，模拟了物质在加热后再慢慢冷却的过程。模拟退火算法将这一物理过程抽象化，用于解决优化问题。在问题规模较大或解空间复杂时，模拟退火算法的优势更为明显。
12、8、线性规划，linear programming，lp，是一种数学方法，用于在一组线性不等式或等式约束条件下，找到线性目标函数的最大值或最小值。通过线性规划，可以找到在满足所有约束条件下成本最低的基站位置和数量。
13、本发明的技术方案为：
14、一种基于大语言模型驱动的多智能体自动化基站选址方法，包括：
15、(1)数学建模：根据用户提供的相关信息将基站选址问题转换为以数学公式表示的数学模型；
16、(2)编程：根据数学模型筛选优化算法，并根据用户提供的python代码模版生成解决方案；
17、(3)代码验证：运行programmer生成的代码，判断代码中是否存在语法错误，进一步判断代码生成的新建基站坐标是否满足约束条件；
18、(4)统筹协调下，执行步骤(2)、(3)及(4)直至找到可行解决方案。
19、根据本发明优选的，步骤(1)中，根据用户提供的相关信息将基站选址问题转换为以数学公式表示的数学模型；具体包括：
20、1)收集用户提供的相关信息，包括已经建立的基站坐标，弱覆盖用户的坐标和业务量，以及不同种类基站的覆盖范围、建造成本、基站和基站之间的距离约束及用户设置的优化目标，不同种类基站包括宏基站和微基站；
21、2)分析数据，明确基站选址问题的目标函数和约束条件；包括识别需要优化的目标和需满足的限制条件；
22、目标是指：合理规划基站的位置和类型，在覆盖至少90％的业务量的前提下，最小化成本，确保合理布局和网络优化；限制条件是指：新基站之间以及新基站和现有基站之间的距离必须大于若干个网格；
23、3)使用latex定义目标函数和约束条件的数学表达式，并定义必要的符号表示参数和变量。
24、进一步优选的，以数学公式表示的数学模型如下所示：
25、
26、其中，
27、
28、式(i)和(ii)中，i表示第i个现有基站；h下标代表宏基站，ch代表宏基站的造价，dh表示宏基站的覆盖范围；xn代表第n个候选基站的横坐标；yn代表第n个候选基站的纵坐标；pi,h,t和pi,d,t分别表示位于位置t∈gi(坐标为(xt,yt))的设备被位于(xi,yi)的宏基站或微基站所覆盖的概率；gi表示网格i中的整个区域；wt表示与位置(xt,yt)相关的业务量；表示所有候选新建基站位置的坐标集；n表示网格点的总数；表示所有现有基站的坐标集；dh和dd分别表示宏基站和微基站的覆盖半径；ch和cd分别表示宏基站和微基站的成本；dmin表示任意两个基站之间的最小距离；pi和qi分别表示在网格i的中心点是否部署宏基站或微基站的布尔变量；(xi,yi)是网格i中心点的坐标；是现有基站j的坐标。
29、根据本发明优选的，步骤(2)中，根据数学模型筛选优化算法，并根据用户提供的python代码模版生成解决方案；包括：
30、1)根据生成的数学模型的特性确定数学模型的类型；数学模型的特性包括目标函数的形式、约束条件的复杂性、变量的数量和类型；数学模型的类型包括线性问题或非线性问题；
31、2)访问python内置的优化算法库，优化算法库包括适用于不同类型优化问题的多种算法；
32、3)评估候选算法的适用性，考虑算法的收敛速度、计算复杂度和解的质量、算法的通用性、稳定性和可扩展性因素，最终选择最佳的优化算法。
33、进一步优选的，步骤(2)中，用户提供python代码模版，包括：输出新建基站的种类和坐标，调用基于大模型生成的验证函数用于验证是否满足约束条件，并打印结果包括打印最终新建基站坐标和类型，以及绘制基站选址图；此外，python代码模版中加入加载数据集的代码和路径。
34、根据本发明优选的，步骤(3)中，运行programmer生成的代码，判断代码中是否存在语法错误，进一步判断代码生成的新建基站坐标是否满足约束条件；包括：
35、4)先检查代码中是否存在编译错误；如果存在错误，将错误代码及programmer编程的代码的报错信息返回，根据反馈信息进行修改，再次检查代码；直到代码无错误为止；
36、5)运行代码，并检查代码输出的新建基站类型和坐标是否满足约束条件；如果不满足，将不满足的约束条件信息反馈，对代码进行针对性的修改；直至达到最大迭代次数或生成的基站种类和坐标满足所有约束条件为止。
37、本发明优选的，步骤(4)中，进行任务分解并协调管理，信息交互与合作，具体包括：
38、6)根据用户提供的信息将任务拆分为数学建模、编程和代码验证三个阶段；
39、7)信息交互；根据每个大模型返回的信息分析当前数学问题求解的进度和状态，并根据用户提供的每个大模型的特性选择合适的大模型执行任务。
40、一种基于大语言模型驱动的多智能体自动化基站选址系统，包括：
41、数学建模智能体，被配置为：根据用户提供的相关信息将基站选址问题转换为以数学公式表示的数学模型；
42、代码编程智能体，被配置为：根据数学模型筛选优化算法，并根据用户提供的python代码模版生成解决方案；
43、方案验证智能体，被配置为：运行programmer生成的代码，判断代码中是否存在语法错误，进一步判断代码生成的新建基站坐标是否满足约束条件；
44、任务管理智能体，被配置为：执行步骤数学建模、编程及代码验证，直至找到可行解决方案。
45、本发明的有益效果为：
46、针对传统基站选址方法存在的任务周期长、人力成本高以及无法实时反映网络性能随时间动态变化等不足，本发明提出了一种基于大语言模型驱动的多智能体自动化基站选址方法。本发明引入了由manager、formulator、programmer和evaluator组成的大模型“团队”。首先，formulator对基站选址问题进行数学建模，生成以latex表示的数学模型。然后，programmer基于数学模型分析问题的类型，选择合适的优化算法并生成python代码。最后，evaluator检查并运行代码，验证生成的基站类型和坐标是否满足约束条件。整个过程在manager的统筹协调下进行，manager负责各大模型之间的信息交互，分析问题求解的进度和状态，并选择合适的大模型执行任务。本发明在少量的人为参与下，有效地降低了基站选址过程的人力成本和选址周期。本发明提出的方法在满足最低业务量覆盖率的前提下，能够显著降低基站建造成本。
1.一种基于大语言模型驱动的多智能体自动化基站选址方法，其特征在于，包括：
2.根据权利要求1所述的一种基于大语言模型驱动的多智能体自动化基站选址方法，其特征在于，步骤(1)中，根据用户提供的相关信息将基站选址问题转换为以数学公式表示的数学模型；具体包括：
3.根据权利要求1所述的一种基于大语言模型驱动的多智能体自动化基站选址方法，其特征在于，以数学公式表示的数学模型如下所示：
4.根据权利要求1所述的一种基于大语言模型驱动的多智能体自动化基站选址方法，其特征在于，步骤(2)中，根据数学模型筛选优化算法，并根据用户提供的python代码模版生成解决方案；包括：
5.根据权利要求1所述的一种基于大语言模型驱动的多智能体自动化基站选址方法，其特征在于，步骤(2)中，用户提供python代码模版，包括：输出新建基站的种类和坐标，调用基于大模型生成的验证函数用于验证是否满足约束条件，并打印结果包括打印最终新建基站坐标和类型，以及绘制基站选址图；此外，python代码模版中加入加载数据集的代码和路径。
6.根据权利要求1所述的一种基于大语言模型驱动的多智能体自动化基站选址方法，其特征在于，步骤(3)中，运行programmer生成的代码，判断代码中是否存在语法错误，进一步判断代码生成的新建基站坐标是否满足约束条件；包括：
7.根据权利要求1所述的一种基于大语言模型驱动的多智能体自动化基站选址方法，其特征在于，步骤(4)中，进行任务分解并协调管理，信息交互与合作，具体包括：
8.一种基于大语言模型驱动的多智能体自动化基站选址系统，其特征在于，包括：
