These Alexandre Gondran
These Alexandre Gondran
These Alexandre Gondran
THÈSE
Discipline : Informatique
Modélisation et optimisation de
la planification des
réseaux locaux sans fil
Par
Alexandre Gondran
Jury
Remerciements 7
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Modélisation de la planification 55
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2 Modèle de placement . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.2.1 Modèle continu ou discret . . . . . . . . . . . . . . . . . . . . 59
2.2.2 Sites candidats . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.3 Modèle de paramétrage des émetteurs . . . . . . . . . . . . . . . . . . 63
2.3.1 Types d’AP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.3.2 Azimut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.3.3 Puissance d’émission . . . . . . . . . . . . . . . . . . . . . . . 65
4 TABLE DES MATIÈRES
3 Optimisation de la planification 97
3.1 Stratégies d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.1.1 Optimisation séquentielle . . . . . . . . . . . . . . . . . . . . . 101
3.1.2 Optimisation du placement avec coloration de graphe . . . . . 102
3.1.3 Optimisation du placement avec brouillage moyen entre AP . 104
3.1.4 Optimisation simultanée du placement et de l’affectation . . . 105
3.2 Expérimentations et résultats . . . . . . . . . . . . . . . . . . . . . . 105
3.2.1 Critère unique d’évaluation . . . . . . . . . . . . . . . . . . . 106
3.2.2 Expérimentations . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.2.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.3 Approche algorithmique . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.3.1 Algorithme glouton aléatoire de couverture . . . . . . . . . . . 114
3.3.2 Algorithme d’optimisation à voisinages variables aléatoires . . 117
3.3.3 Descente avec double contrôle de la dégradation dans les voi-
sinages de suppression, d’ajout et de remplacement . . . . . . 119
3.3.4 Algorithme multi-start d’amélioration du plan de fréquences
dans le voisinage fréquentiel . . . . . . . . . . . . . . . . . . . 121
3.3.5 Descente dans le voisinage intra-site . . . . . . . . . . . . . . . 121
3.3.6 Synthèse de l’algorithme à Voisinages Variables Aléatoires VVA122
3.4 Critères de Qualité de Service . . . . . . . . . . . . . . . . . . . . . . 123
3.4.1 Critère de sécurité . . . . . . . . . . . . . . . . . . . . . . . . 124
3.4.2 Critère géométrique . . . . . . . . . . . . . . . . . . . . . . . . 127
TABLE DES MATIÈRES 5
Conclusion 173
Publications 179
Bibliographie 183
Remerciements
Je tiens à remercier l’ensemble des membres du jury pour l’intérêt qu’ils ont
porté à mon travail. Merci à Olivier Hudry, dont j’avais déjà apprécié la pédagogie
hors du commun lorsque j’étais élève à l’ENST, pour les nombreux commentaires
et remarques qu’il m’a apportés. Les travaux qu’ont mené Jean-Marie Gorce et sa
thésarde Katia Runser m’ont permis d’entamer cette thèse sur des fondations solides.
Les remarques de Jean-Marie ont orienté mes travaux. Durant ces trois années, j’ai
eu la chance de rencontrer à plusieurs reprises Michel Minoux qui m’a orienté et
guidé au niveau de l’optimisation et de la théorie pour mener à bien ces travaux.
Je le remercie chaleureusement pour ses précieux conseils. Je remercie également
Philippe Galinier pour l’attention qu’il a porté à mon travail et la précision de ses
remarques qui m’ont permis de corriger certaines de mes erreurs. Ce travail aurait eu
peu d’intérêt sans Jean-François Morlier et plus généralement Orange Labs qui nous
ont fourni un problème réel à traiter. Merci à Jean-François pour sa disponibilité,
ses analyses et ses validations.
Evidemment ce travail n’aurait pas été ce qu’il est sans l’accompagnement de
mes encadrants Oumaya Baala et Alexandre Caminada. Alexandre a été pour moi
bien plus qu’un directeur de thèse : je le considère comme un modèle pour ma vie
professionnelle et il est aussi devenu un ami. Oumaya a également beaucoup compté
pour moi, sa disponibilité, son écoute et sa bonne humeur ont été un soutien et une
aide précieuse.
Je remercie, de façon plus générale, tous les membres de notre équipe avec qui j’ai
pu échanger et travailler ; tout spécialement Julien Fondrevelle, maître de conférence
à l’INSA de Lyon et Hakim Mabed, maître de conférence à Université de Franche-
Comté dont j’ai apprécié chez tous deux autant leurs compétences techniques que
leurs qualités humaines.
Enfin, je n’aurais pas tant apprécié ces trois années à l’UTBM de Belfort sans
les membres du laboratoire Système et Transport, partis ou toujours présents, et
je pense en particulier à Chibli Joumaa, Laurent Moalic, Mouhcine Chami, Mounir
Boussedjra, Sid Lamrous, Mustapha Oughdi, Isabelle Aldinger, Ariane Glatigny, Sa-
lah Merzouk, Nicolas Gaud, Jun Hu, Chris Dumez, Lyamine Bouhafs, Aiman Nouh,
8 TABLE DES MATIÈRES
d’optimisation mises en œuvre et présente des résultats comparés avec les méthodes
utilisant des sous-problèmes. Enfin, le quatrième chapitre propose des approfondis-
sements théoriques sur la prise en compte des interférences multiples, ce qui permet
d’améliorer les algorithmes proposés.
C’est donc dans le premier chapitre que sont présentés les travaux majeurs de
planification de réseaux radio aussi bien dans les réseaux cellulaires que dans les
WLAN. Le problème de planification de réseaux cellulaires (GSM, CDMA, UMTS...)
a été très étudié et constitue une base importante. La problématique des WLAN
diffère sur les aspects économiques et techniques et nécessite une modélisation qui
lui est propre. Le critère financier est moins important que dans les réseaux cellulaires
car le coût du matériel et des installations est bien moindre. Par contre, les services
offerts par les WLAN (services Internet à très haut débit) sont bien plus évolués et
demandent une qualité de service beaucoup plus importante que dans les réseaux
cellulaires. Dans ce chapitre, les critères de qualité de service sont regroupés en
trois grandes catégories : les critères de couverture, les critères liés à la gestion
des interférences et les critères de capacité du réseau. Nous rappelons ensuite les
algorithmes et stratégies de traitement mis en œuvre.
Le second chapitre fournit une modélisation du problème qui intègre tous les
paramètres de la planification : les données via la description des bâtiments, des ser-
vices demandés, du nombre de clients..., les inconnues via la description des empla-
cements utilisables, des équipements disponibles, des paramètres de chacun d’eux...
et les critères utilisés sous forme de contraintes et d’objectifs. Cette modélisation
permet une optimisation globale des problèmes de placement des émetteurs et d’al-
location des fréquences. Elle est basée sur le calcul du débit réel offert en chaque
point de demande de service du réseau. Nous montrons que ce critère de débit réel
permet une modélisation complète de la qualité de service. Il unifie les critères de
couverture en calculant les puissances reçues en chaque point du réseau, les critères
de gestion des interférences en calculant complètement et précisément le rapport
signal à interférences plus bruit et les critères de capacité en calculant la charge de
chaque émetteur et en modélisant les protocoles de communication (couche MAC
et procédure CSMA/CA). Notons que le calcul du débit réel nécessite de traiter
simultanément les problèmes de positionnement des émetteurs et d’allocation des
fréquences. C’est à la fois une contrainte pour le problème à optimiser, mais c’est
aussi la condition qui permet la synthèse.
Au troisième chapitre, nous comparons les différentes stratégies d’optimisation
de la littérature avec notre stratégie globale, basée sur la modélisation du second
chapitre, qui optimise simultanément le placement des émetteurs et l’affectation des
fréquences. Outre notre stratégie d’optimisation globale, nous proposons également
une seconde stratégie d’optimisation, séquentielle, mais qui tient compte lors du
placement des émetteurs d’un brouillage moyen entre eux. Tout cela nous permet
12 TABLE DES MATIÈRES
de comparer les performances des approches basées sur le problème complet ou dé-
composé. Ces stratégies sont mises en œuvre par une heuristique de recherche locale
nouvelle dite à Voisinages Variables Aléatoires VVA : à chaque itération, le type de
voisinage est tiré au hasard parmi un ensemble des voisinages possibles. Cet algo-
rithme est très modulaire et permet facilement de combiner les deux sous problèmes
(placement et affection). Une partie du travail a été effectuée en collaboration avec
Orange Labs pour les calculs de propagation et la production des scénarios de test.
Enfin dans le but d’améliorer les performances des algorithmes précédents, le
quatrième chapitre développe un cadre formel pour tenir compte des interférences
multiples. Habituellement le cadre formel du traitement des interférences est défini
par la T -coloration de graphe qui exprime les contraintes binaires donc les interfé-
rences simples. Une analyse de l’impact des interférences dans les réseaux sans fil
nous permet de construire plusieurs modèles du problème d’affectation de fréquences.
Des problèmes de satisfaction de contraintes, concernant des niveaux de rapport si-
gnal à interférence plus bruit à respecter, et des problèmes de T -coloration de graphe
sont ainsi construits. Puis nous introduisons une généralisation du problème de T -
coloration pour les hypergraphes afin de rendre compte des interférences multiples.
Nous définissons alors une procédure dynamique qui construit des problèmes de T -
coloration de graphe et d’hypergraphe associés au problème complet d’allocation de
fréquences des WLAN et nous montrons des résultats sur des scénarios théoriques
de test.
Chapitre 1
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
14 Chapitre 1. Etat de l’art sur la planification
1.1 Le développement des réseaux locaux sans fil 15
Remarque :
Comme chacun des deux sous problèmes de planification (localisation des installa-
tions et affectation des fréquences) est un problème NP-difficle, les problèmes de
planification de réseaux locaux (WLAN), comme de réseaux cellulaires (GSM),
sont donc des problèmes NP-difficiles.
De plus, dans un problème classique de couverture (avec ou sans association de
clients), l’ajout d’une nouvelle installation ne fait qu’améliorer la qualité de service
de la solution, même si elle augmente son coût financier. Dans les problèmes où il
existe des interférences, comme dans notre problème de planification, l’ajout d’une
nouvelle installation peut améliorer, mais peut aussi dégrader fortement la qualité
de service de la solution. Cela rend le problème combinatoire beaucoup plus complexe
qu’un problème de couverture. [Gondran & Minoux, 1995] définissent des relations
de réduction et d’équivalence au sens fort sur des problèmes d’optimisation combi-
natoire NP-difficiles, ce qui permet de les classer par ordre de difficulté croissante.
Les travaux récents de [Monnot et al., 2003] et de [Paschos, 2004] approfondissent
cette notion de forte réduction.
cellulaires ; le coût d’achat d’un AP Wi-Fi commence à 30e alors qu’il dépasse
facilement les 300e pour une antenne GSM. De même les coûts d’installation,
de raccordement au réseau filaire et d’exploitation sont bien moindres dans les
WLAN.
• Les WLAN utilisent des bandes de fréquences autour de 2400 MHz et de
5000 MHz tandis que les réseaux GSM utilisent les bandes de fréquences
900 MHz et 1800 MHz. La portée d’une onde Wi-Fi est donc bien plus faible
- une centaine de mètres maximum - que la portée d’une onde GSM qui peut
atteindre une cinquantaine de kilomètres. L’affaiblissement d’une onde radio
est inversement proportionnelle au carré de la fréquence utilisée (cf. formule
de Friis [Friis, 1946]).
• Les WLAN concernent le plus souvent des réseaux d’intérieur, avec des phé-
nomènes de propagation spécifiques : réflexion, diffraction, interférence...
• Les services des WLAN prétendent à des débits théoriques de 54 Mbps alors
que les débits théoriques sont de 9.6 kbps pour le GSM, de 171.2 kbps pour le
GPRS, de 384 kbps pour l’EDGE et 1.92 Mbps pour l’UMTS.
L’objectif est de concevoir un réseau afin qu’il réponde au mieux aux exigences
financières et de qualité de service souhaitées.
La planification de réseaux WLAN peut, au même titre que celle des réseaux
cellulaires, être décomposée en deux sous-problèmes : le positionnement des AP ,
accompagné éventuellement du choix de son diagramme de rayonnement et du pa-
ramétrage de la puissance d’émission et de l’azimut (qui correspond à la direction
d’émission dans le cas d’antennes sectorielles), et l’affectation de fréquences. Ces
deux problèmes sont très souvent traités successivement mais ils peuvent parfois être
traités simultanément [Rodrigues et al., 2000], [Lee et al., 2002], [Bahri et al., 2005],
[LIN05].
Deux approches différentes peuvent être adoptées pour aborder le problème de
positionnement, selon que l’ensemble des positions candidates des AP est infini ou
fini :
• Une optimisation dite continue, où l’ensemble des positions candidates des AP
(coordonnées dans le plan pour un problème 2D ou dans l’espace pour un
problème 3D) est infini. Si l’on exclut les contraintes de domaine qui imposent
par exemple aux AP de se trouver à l’intérieur du bâtiment à couvrir, aucune
autre restriction ne s’applique généralement pour ces positions.
18 Chapitre 1. Etat de l’art sur la planification
Le nombre maximum d’AP à placer est de l’ordre d’une centaine : pmax ≈ 100,
et nous estimons qu’il est nécessaire de 10 sites candidats pour sélectionner 1 site, ce
qui représente environ 1000 sites candidats. Notons que 100 AP permettent d’écouler
un débit réel d’environ environ 1,3 Gbps (à raison de 13 Mbps par AP ) soit de servir
2600 clients simultanément à 500 kbps.
Il faut choisir le type d’AP à installer sur chaque site sélectionné, un type d’AP
est caractérisé par son diagramme de rayonnement. Il existe principalement 3 ca-
tégories d’AP : les AP omnidirectionnels (sans direction privilégiée), les AP bi-
directionnels (avec deux directions privilégiées opposées) et les AP directionnels
(avec une seule direction privilégiée). On peut se limiter à ces 3 types d’AP avec 8 azi-
muts possibles pour l’AP directionnel, 4 azimuts possibles pour l’AP bi-directionnel
et aucun azimut possible pour l’AP omnidirectionnel. Ce qui porte à 8 + 4 + 1 = 13
possibilités de configurations pour le type d’AP avec azimuts.
Il est aussi nécessaire de déterminer la puissance d’émission des AP sélectionnés.
On peut estimer que nous avons le choix, pour chaque type d’AP, entre 4 valeurs
possibles environ. De plus, il y a le choix entre 13 canaux de fréquence d’émission
pour la norme IEEE 802.11b ou g. Le nombre total de solutions possibles d’un
problème de planification d’un réseau WLAN de 100 AP est :
100
C1000 × (13 × 4 × (8 + 4 + 1))100 = C1000
100
× (676)100 ∼ 10422
L’espace des solutions est donc considérable mais la plus grande difficulté
du problème provient de la gestion des interférences. En effet, si l’on omet
le problème d’allocation de fréquence, on est réduit à un problème de couverture,
certes avec une grosse combinatoire, mais le problème est conservatif par rapport
à la qualité, c’est-à-dire que l’ajout d’un nouveau point d’accès par exemple ne fait
qu’améliorer la qualité de service de la solution même si elle en augmente le coût
financier. Tandis que lorsque l’on considère les interférences, le problème devient
bien plus complexe car l’ajout d’un nouveau point d’accès peut améliorer,
mais aussi, peut dégrader fortement la qualité de service de la solution.
La gestion des interférences rend le problème combinatoire beaucoup plus complexe
car non conservatif par rapport à la qualité.
Pour définir les zones à couvrir et évaluer une solution, un maillage du bâtiment
est souvent nécessaire. Les mailles à couvrir sont appelées points de service. Le
nombre de points de service dépend du pas de maille, si celui ci est de un mètre
carré, le nombre de points de service total maximal est de 100 000 (pour le bâtiment
de 100 000 mètres carrés). Il faudra déterminer si une solution couvre ou pas chacun
de ces points de service. Cent mille est donc l’ordre de grandeur du nombre maximum
de contraintes de notre problème.
1.2 Critères de planification 21
et donc qu’il n’y a pas d’autre équipement à installer que les bornes radio, et qu’il
n’y a pas de câbles de connexion au réseau ou d’alimentation électrique à instal-
ler. Or dans un WLAN la partie la plus onéreuse du réseau est constituée par la
partie filaire (coût de pose des câbles) et par les équipements actifs de cette partie
(concentrateurs, commutateurs...).
Le nombre d’AP à installer est très largement le critère économique le plus uti-
lisé dans la littérature. Le problème revient alors à minimiser ce nombre comme
dans [Bahri et al., 2005]. Rappelons cependant que dans le contexte de la plani-
fication des réseaux de téléphonie mobile (par exemple, les réseaux GSM ) la pro-
blématique financière constitue un enjeu fondamental, du fait du coût unitaire des
stations de base (de l’ordre de 300 000 e). Ce n’est plus véritablement le cas pour
les réseaux de type WLAN, pour lesquels le coût est beaucoup plus faible (de 40 à
quelques centaines d’euros). En outre, les dimensions des zones à couvrir sont beau-
coup moins importantes (il s’agit de réseaux locaux qui n’excèdent pas la centaine
d’antennes), tandis que pour les réseaux cellulaires, le déploiement peut se faire à
l’échelle d’un pays. Par conséquent, le critère du nombre d’AP a plutôt tendance à
être formulé comme une contrainte du problème, en étant par exemple limité inférieu-
rement (nombre d’AP minimum pour assurer la couverture) et / ou supérieurement
(budget maximal autorisé) [Unbehaun & Kamenetsky, 2003]. Une seconde possibilité
consiste à l’inclure dans une fonction de coût en l’agrégeant à d’autres critères [Mac-
Gibney & Klepal, 2005], ou à l’optimiser conjointement à d’autres fonctions dans
un cadre multi-objectif [Tang et al., 2001], [Maksuriwong et al., 2003]. Enfin, un
certain nombre de travaux supposent tout simplement que le nombre d’AP soit un
paramètre fixé a priori, déterminé en amont [Ji et al., 2002].
Le critère du coût économique du réseau ne peut pas être utilisé seul, un critère
de qualité de service doit obligatoirement lui être associé. Un problème économique
très standard que l’on retrouve dans de nombreux domaines est le problème de
couverture (SCP, Set Covering Problem). Il a pour objectif de minimiser le coût
d’installation des AP sous la contrainte d’une couverture complète des clients.
Remarque :
Dans les problèmes de planification de réseaux radio, les interférences transforment
radicalement le problème de couverture. S’il est toujours vrai que plus il y a d’an-
tennes plus on couvre le bâtiment, on sait aussi que plus il y a d’antennes, plus il
y a d’interférences et donc moins on couvre le bâtiment. Ces deux phénomènes ont
des effets antagonistes sur le nombre d’antennes à installer. Il en résulte un équilibre
qui gère le nombre total d’antennes.
nombre d’AP à installer. Cependant si l’on souhaite vraiment estimer le prix d’un
WLAN qui tienne compte à la fois du coût d’achat des AP et de leur raccordement
au réseau filaire, alors il est nécessaire d’avoir une liste finie de sites potentiels pour
lesquels on a défini un coût financier d’installation (main d’œuvre et raccordement
au LAN et au réseau éclectique). Nous intégrerons ce type de critère financier, non
encore étudié dans la littérature, dans notre modélisation présentée au chapitre 2.
Le premier critère de qualité de service d’un réseau sans fil est sa couverture,
c’est-à-dire la zone de l’espace couverte par ce réseau. L’estimation de la couverture
nécessite d’utiliser un modèle de propagation d’ondes radio qui calcule la puissance
des signaux reçus en tout point de l’espace. Le terme de couverture est ambigu, nous
précisons donc les termes suivants. Un point de l’espace est couvert en puissance
s’il reçoit d’un AP un signal dont la puissance est supérieure à un seuil pmin donné.
Dans la littérature, la couverture en puissance est simplement appelé couverture et
nous adopterons cette appellation. Un point de l’espace est couvert en service
si le rapport signal à interférence plus bruit calculé en ce point est supérieur à un
seuil SIN Rmin donné. Un client situé sur ce point de l’espace aura une qualité radio
suffisante pour établir un connexion avec le réseau local. La couverture en service
implique la couverture en puissance mais l’inverse est faux car la couverture en ser-
vice tient compte des interférences. Les interférences se produisent principalement à
cause d’autres AP utilisant le même canal de fréquences ou des canaux de fréquences
voisins. Dans cette partie "Critères de couverture", on ne traite que la couverture
en puissance. La couverture en service est traitée dans le paragraphe 1.2.3 avec les
critères concernant les interférences.
Introduire un critère de couverture implique nécessairement de définir des points
de service, c’est-à-dire des zones ou points de l’espace pour lesquels nous calculons
la puissance reçue provenant des AP. Selon les articles de la littérature les points
de service sont appelés points de test, points de demande, usagers, clients, stations
ou blocs rectangulaires homogènes quand il s’agit de zones. Les caractéristiques
associées à un point de service sont plus ou moins évoluées. [Battiti et al., 2003],
[Rodrigues et al., 2000] et [Wertz et al., 2004] attribuent à chaque point de service
un coefficient de priorité traduisant l’importance relative des différentes régions
de l’espace à couvrir. En général, c’est un nombre entier compris entre 0 et 5. Il peut
être également associé un coefficient rendant compte de la superficie correspondant
au point de service [Rodrigues et al., 2000].
On remarque que dans la grande majorité des articles de la littérature, les auteurs
supposent que chaque point de service se connecte avec l’AP qui lui offre le plus
24 Chapitre 1. Etat de l’art sur la planification
Pour cette raison, certains auteurs [Mathar & Niessen, 2000] consi-
dèrent cette matrice qu’ils appellent matrice de couverture des
points de service, plutôt que la matrtice des puissances.
Dans ce cas l’association client/serveur est un problème à part entière ; ce pro-
blème est intéressant lorsque l’on considère que la capacité de chaque AP est limitée,
il est alors utile de transférer des points de service d’un AP surchargé vers un AP
moins chargé : c’est l’équilibrage de charge (en anglais, load balancing). Nous en
reparlerons dans le paragraphe 1.2.4 traitant justement des critères de capacité.
Remarque :
Un critère de couverture nécessite de calculer les puissances reçues aux points de
service. Ce calcul est, soit préalable à la phase d’optimisation, soit effectué durant
l’optimisation. Pour effectuer le calcul durant l’optimisation, les auteurs définissent
généralement un modèle empirique de propagation du signal fondé sur la formule
de [Friis, 1946]. Comme ce modèle de propagation est peu fiable, il est préférable
d’avoir défini un nombre de sites candidats finis et de calculer préalablement les puis-
sances reçues aux différents points de service. De plus, effectuer le calcul des puis-
sances durant l’optimisation ralentit considérablement l’exécution de l’algorithme.
Pratiquement cela rend non envisageable le traitement des problèmes de grande taille.
Seul [Runser, 2005] a construit un modèle de propagation fondé sur une véritable
propagation de proche en proche du signal. Ce modèle fournit une bonne estima-
1.2 Critères de planification 25
tion de la puissance reçue aux points de service et le calcul est rapide, de l’ordre
de la seconde par carte de couverture, ce qui permettra sous certaines conditions de
l’intégrer à la phase d’optimisation.
avec a, b, c ∈ IR.
Problèmes de couverture
[Anderson & McGeehan, 1994] définissent une pénalité pour chaque point de
service i non couvert égale à l’écart entre la puissance reçue (pi ) et la puissance seuil
(pmin ), le problème d’optimisation est alors :
X
trouver x qui minimise max(0, pmin − pi ).
i∈I
Ce critère exprimé en objectif du problème est utilisé par [Sherali et al., 1996] et
tous les autres formalismes basés sur celui-ci ( [Ji et al., 2002] [Kamenetsky & Unbe-
haun, 2002] [Unbehaun & Kamenetsky, 2003] [Kouhbor et al., 2005]). [Runser, 2005]
considère également ce critère mais lui fixe une valeur maximale puisque ce critère
n’est pas borné.
Remarque :
En
P réalité [Anderson &2 McGeehan, 1994] considèrent la somme des carrés des écarts
(max(0, pmin − pi )) . En effet, plusieurs auteurs préfèrent des formulations qua-
i∈I
dratiques. En particulier [Runser, 2005] évalue tous les critères (fi )i∈I concernant
rP les
points de service par le calcul de la norme euclidienne pondérée : || f ||µ = µi fi2
i∈I
avec µi le pourcentage de surface couvert par le point de service i par rapport à la
1.2 Critères de planification 27
Cette façon de maximiser la zone de couverture est utilisée par [Tang et al., 2001],
[Battiti et al., 2003] et [MacGibney & Klepal, 2005] ou par [Fortune et al., 1995]
et [Wright, 1998] qui expriment cela en pourcentage de couverture.
Enfin, certains auteurs comme [Sherali et al., 1996] ou [Rodrigues et al., 2000]
introduisent plusieurs seuils permettant de caractériser plusieurs niveaux de qualité
du signal reçu. A chaque seuil est alors associée une pénalité spécifique, qui croît
à mesure que la qualité du signal se dégrade. L’approche de [He et al., 2004] qui
minimise le taux d’erreur binaire (BER, Bit Error Rate) correspond à définir une
suite continue de pénalités en fonction du niveau de puissance. Selon le service que
l’on souhaite mettre en place, [Runser et al., 2003] associent à chaque point de
service, un seuil minimal de puissance reçue à respecter : pmin
i .
Homogénéité de la couverture
Enfin les derniers critères de couverture présentés sont des critères d’homogénéité
de la couverture. Par exemple [Battiti et al., 2003] maximise la plus faible puissance
reçue par les points de service (le plus mauvais best serveur) :
trouver x qui maximise min(pi ).
i∈I
De façon analogue [Sherali et al., 1996] (et tous les autres formalismes basés sur
celui-ci [Ji et al., 2002] [Kamenetsky & Unbehaun, 2002] [Unbehaun & Kamenetsky,
2003] [Kouhbor et al., 2005]) minimisent la perte maximale de signal comme [Tang
et al., 2001] et utilisent ce critère accompagné de deux autres critères de couverture.
Enfin [Runser, 2005] définit un critère de couverture homogène sous forme qua-
dratique :
trouver x qui minimise ||max(0, p̄ − pi )||µ ,
où p̄ = µi pi est la moyenne des puissances reçues sur les points de service et
P
i∈I
p
i∈I µi fi .
2
P
||fi ||µ =
28 Chapitre 1. Etat de l’art sur la planification
Remarque :
[MacGibney & Klepal, 2005] introduisent la notion de zones interdites ou zones
restreintes correspondant à des endroits qu’ils ne souhaitent pas couvrir. Ils péna-
lisent alors leur fonction objectif si la zone interdite est couverte.
Remarque :
Certains travaux ne tiennent pas compte des interférences : cela revient à considérer
tous les AP indépendamment les uns des autres. La couverture du réseau est simple-
ment la somme des couvertures de chaque point d’accès. Ce problème se réduit alors
à un problème de couverture. Cette approximation reste tout de même correcte pour
les deux cas suivants :
• Les AP sont très éloignés les uns des autres ; c’est-à-dire qu’il n’existe pas
de zone de recouvrement (une zone de recouvrement est une zone de l’espace
couverte par au moins deux AP à la fois).
1.2 Critères de planification 29
• Tous les AP travaillent sur des canaux différents. C’est en réalité rarement le
cas ; en effet pour la norme IEEE 802.11b ou g, par exemple, il existe seulement
3 canaux totalement disjoints, ce qui a pour conséquence que des interférences
peuvent apparaître à partir du positionnement de quatre AP.
Une zone de recouvrement est une zone de l’espace couverte par au moins deux
AP à la fois. Toute zone de recouvrement ne sera pas forcément une zone d’inter-
férence puisque l’on a plusieurs canaux de fréquences à notre disposition. Pénaliser
toutes les zones de recouvrement revient donc à sur-contraindre le problème. [Bosio
et al., 2007] présentent une modélisation dont l’objectif est de minimiser les zones
de recouvrement entre cellules sous contraintes de couverture totale :
XX X
trouver x qui minimise aij xj s.c. ∀i ∈ I, aij xj ≥ 1. (1.3)
i∈I j∈J j∈J
Remarque :
[Bosio et
Pal., 2007] font remarquer que si on pose comme coût d’installation de l’AP
j :fj = aij qui correspond au nombre de points de service couverts par l’AP, alors
i∈I
ce problème (1.3) est un cas particulier du problème de couverture SCP formulé en
(1.2).
Les critères de recouvrement sont des critères cellulaires ; c’est-à-dire qu’ils concernent
les AP. Pourtant les interférences sont mesurées au niveau de chaque point de service
i grâce au SINR :
[pi ]mW
SIN Ri = P
[pinterférent ]mW × γ(|cserveur − cinterférent |) + [pB ]mW
interférents
Plus le SINR est important plus la qualité de la liaison radio est bonne et plus
il est possible de mettre en place un codage et une modulation du signal complexe
qui permet un haut débit nominal. Un point de service peut établir une connexion
avec un AP si et seulement si son SINR est supérieur à un seuil SIN Rmin .
1.2 Critères de planification 31
Remarque :
Si nous considérons γ(|cserveur − cj |) = 0, c’est-à-dire qu’il n’y a aucune inter-
férence dans le réseau, alors SIN Ri = [p[pBi ]]mW
mW
= [pi − pB ]linéaire et la contrainte
SIN Ri ≥ SIN Rmin devient pi ≥ pB + [SIN Rmin ]dB = pmin . Nous retombons dans
ce cas sur un problème de niveau de puissance que l’on a déjà présenté dans les
critères de couverture.
c’est-à-dire le rapport entre le signal le plus élevé et la somme des autres signaux.
[Stamatelos & Ephremides, 1996] font cette approximation et minimisent le
nombre de points de service non couverts, c’est-à-dire n’ayant pas un SINR suffissant
pour établir une communication :
X
trouver x qui minimise δSIN Ri <SIN Rmin (1.4)
i∈I
avec δSIN Ri <SIN Rmin = 1 si SIN Ri < SIN Rmin et δSIN Ri <SIN Rmin = 0 sinon.
[Anderson & McGeehan, 1994] complètent leur modèle de maximisation de la
couverture en ajoutant une pénalité supplémentaire tenant compte du rapport signal
à interférences souhaité :
X
trouver x qui minimise max(0, SIN Rmin − SIN Ri ). (1.5)
i∈I
Ecarts de puissances
Dans ce cas la contrainte SIN Ri ≥ SIN Rmin est ramenée à considérer un écart de
puissance : pi − pij ≥ [SIN Rmin ]dB . [Aguado-Agelet et al., 2002] traitent ce cas en
maximisant l’écart entre le serveur et le plus fort des interférents :
X
trouver x qui maximise min (pi − pij xj ).
j∈J\{j ∗ }
i∈I
Les écarts de puissances sont plus simples à calculer que le SINR puisqu’il s’agit
de simple comparaison de valeurs entre elles. La modification du paramétrage d’un
AP implique de recalculer seulement ses valeurs de puissance reçue. La couverture,
basée sur la mesure du rapport signal à interférences, demande un effort de calcul plus
important puisqu’il s’agit de combiner l’ensemble des signaux reçus pour calculer
une valeur unique comparée à un seuil. Toute modification du paramétrage d’un AP
implique de recalculer aussi les combinaisons de SINR.
En GSM, [Reininger & Caminada, 2001] et [Jedidi, 2004] identifient les signaux
interférents désirables qui servent au handover 2 et qui ne poseront pas de pro-
blème d’interférences. Il sera possible d’allouer à ces signaux un canal de fréquences
non interférent avec le canal de fréquences du serveur. Les autres signaux poseront
des problèmes d’interférences et sont donc appelés signaux interférents indési-
rables. Les signaux interférents sont ordonnés par ordre de puissance décroissante
et les h premiers signaux interférents sont alors considérés désirables, les suivantes
indésirables.
h est le nombre de signaux interférents désirables.
Pour les GSM, h = 6 c’est-à-dire que les six premiers signaux interférents servent
au handover, les autres sont indésirables. Les auteurs souhaitent que les signaux
interférents indésirables soient inférieurs à un seuil de puissance donné pmin2 :
X X
trouver x qui minimise xj max(pij − pmin2 , 0).
i∈I j∈interférents
indésirables
Le handover est pas défini par la norme 802.11 mais cette modélisation peut être vue
comme une stratégie de gestion des interférents : les h premiers signaux interférents
ne poseront pas de problème d’interférence car il sera possible de leur allouer un
canal de fréquence non interférent avec le canal du serveur. [Runser, 2005] reprend
ce critère pour le 802.11 et minimise l’écart du seuil avec le premier signal interférent
indésirable, en 802.11b/g, c’est le troisième signal interférent :h = 3.
Dans le cas des réseaux cellulaires, la taille des entrées des problèmes ne permet
pas de concevoir un algorithme qui fournisse une bonne approximation de la solution
optimale de façon efficace i.e. en temps polynomial. Les deux problèmes sont traités
séparément avec des interactions successives jusqu’à l’obtention d’une solution glo-
balement satisfaisante. Mais dans le cas des réseaux WLAN, la dimension réduite
de l’espace de travail et du nombre de fréquences rendent la plupart des problèmes
réels d’ingénierie abordables. Quelques articles témoignent de travaux menés en ce
sens, cependant, nous pouvons regretter que les jeux de données ne concerne que
des problèmes de petite taille (quelques AP, 5 ou 6).
L’objectif de l’étape d’affectation de fréquences est de faire en sorte que les
zones de couverture de deux AP qui se chevauchent ne partagent pas le même canal
(interférences co-canal), ce qui entraînerait des phénomènes d’interférences et donc
une dégradation des performances du réseau. En dehors des interférences co-canal,
l’utilisation des canaux adjacents pour des AP voisins dépend du système : pour la
norme a les canaux sont totalement disjoints ce qui autorise l’utilisation de canaux
adjacents sur le spectre ; pour les normes b/g, les canaux adjacents se recouvrent
partiellement (un écartement de 5 canaux sur le spectre de fréquences est nécessaire
pour que deux canaux soient totalement disjoints) et il est donc nécessaire d’écarter
le maximum possible les canaux pour des AP voisins.
Les travaux de la littérature qui traitent les deux problèmes simultanément ne
considèrent que les interférences co-canal. Nous notons :
K est l’ensemble des canaux de fréquences autorisés par la norme.
yjk est la variable d’affectation du canal k ∈ K à l’AP j ∈ J.
yjk = 1 si on affecte le canal k à l’AP j et yjk = 0 sinon.
j∗ est l’AP serveur du point de test i, j ∗ ∈ J.
Le SINR co-canal est alors :
[pi ]mW
SIN Ri = P P . (1.6)
k∈K j∈J\{j ∗ } yjk yj ∗ k xj [pij ]mW
Le travail présenté par [Wertz et al., 2004] inclut dans la fonction de coût ce calcul
du SIR co-canal avec 3 canaux de fréquences seulement.
X
trouver x et y qui maximise SIN Ri .
i∈I
[Bahri et al., 2005] utilisent aussi cet type de contrainte mais les calculs sont effectués
non pas au niveau des points de service mais seulement au niveau des AP. La notion
de seuil est critique car difficile à déterminer. [Prommak et al., 2002] utilisent trois
classes de service correspondant chacune à un niveau de qualité radio et à un seuil
donné. Il aurait été intéressant de prendre pmin3 = pi + [SIN Rmin ]dBm pour relier le
seuil directement au SIN Ri de l’équation (1.6).
Nous retrouvons dans [Rodrigues et al., 2000], [Lee et al., 2002], [Mathar &
Niessen, 2000] des contraintes portant sur la distance minimale en canaux à respecter
pour des sites potentiellement interférents, ces sites étant représentés par le graphe de
recouvrement Gr (J, V ) que nous avons présenté page 29. Sa matrice d’incidence était
(bjj 0 )j,j 0 ∈J . Deux AP voisines ne devraient pas utiliser le même canal de fréquence.
[Mathar & Niessen, 2000] minimisent alors l’utilisation simultanée de ces AP :
X X
trouver x et y qui minimise bjj 0 yjk yj 0 k xj xj 0 .
k∈K j,j 0 ∈J
Dans [Rodrigues et al., 2000], [Lee et al., 2002] les critères de gestion des inter-
férences sont mis en contrainte du problème :
X
∀k ∈ K, ∀(j, j 0 ) ∈ V, yjk xj + yj 0 l xj 0 ≤ 1
l∈{max(1,k−d+1),
...,min(k+d−1,|K|)}
la solution :
|K|
X X b0jj 0 yjk yj 0 k xj xj 0
trouver x et y qui minimise ,
j,j 0 ∈J d=|k−k0 |=0
(1 + |k − k 0 |)n
avec b0jj 0 la pondération de chaque arête du graphe Gr que nous avons présenté dans
la partie 1.2.3. Les auteurs prennent dans leur exemple n = 2. Cette formulation est
intéressante car elle intégre implicitement un problème de T -coloration de graphe à
13 couleurs au problème de positionnement des AP.
Pour évaluer la performance d’un réseau, quel qu’il soit, une mesure fondamentale
et assez naturelle consiste à estimer sa capacité à écouler le trafic demandé (ou émis)
par les différents utilisateurs. Ce n’est cependant pas le cas de toutes les études de la
littérature, dont un grand nombre considère implicitement ou explicitement [Tang
et al., 2001] que la capacité des AP est largement suffisante pour absorber l’ensemble
du trafic des utilisateurs.
[Prommak et al., 2002] et [Bahri et al., 2005] imposent que la capacité de chaque
AP CAP soit suffisante pour permettre l’écoulement du trafic des points de demande
qui lui sont rattachés :
X
∀j ∈ J, di zij ≤ CAP (1.8)
i∈I
En effet di zij est la demande écoulée par l’AP j. A cette capacité maximale,
P
i∈I
[Prommak et al., 2002]
garantissent également qu’une portion α ∈ [[0, 1]] de la de-
mande totale di est réellement servie ; c’est une contrainte de capacité mini-
P
i∈I
male : XX X
di zij ≥ α di
j∈J i∈I i∈I
1.2 Critères de planification 37
X
trouver x et z qui minimise max di zij . (1.9)
j∈J
i∈i
Ils proposent de faire évoluer leur modèle en considérant une capacité d’AP
variable Cj
P
di zij
i∈i
trouver x et z qui minimise max .
j∈J Cj
Certaines études estiment de façon plus précise la capacité réelle des AP. Il est
nécessaire de rendre compte du protocole d’accès au canal CSMA/CA (Carrier Sen-
sing Multiple Access with Collision Avoidance) de la couche MAC de la norme IEEE
802.11. Une étude très référencée a été réalisée par [Bianchi, 2000] pour calculer la
probabilité des clients d’accéder au canal et in fine la capacité de l’AP en régime
saturé en fonction du nombre de clients et de la répartition des clients selon leur
débit nominal. Elle utilise une chaîne de Markov pour modéliser l’accès au canal.
[Ling & Yeung, 2005] utilisent les calculs de [Bianchi, 2000] pour déterminer la
probabilité d’accéder au canal d’un point de service i. Ils maximisent alors la somme
des débits de chaque point de service :
X
trouver x et z qui maximise β dri .
i∈I
avec :
38 Chapitre 1. Etat de l’art sur la planification
paccès
i est la probabilité d’accéder au canal du point de service i :
paccès
i (x, z). Son calcul est basé sur les travaux de [Bianchi, 2000].
r
di est le débit réel du point de service i :
dri = paccès
i × dni × efficacitéi .
Zones de blocage
[Amaldi et al., 2004a] [Amaldi et al., 2004b] ont une démarche originale : ils
se penchent sur le mécanisme d’accès au canal CSMA/CA qui limite la capacité
d’accès au réseau lorsqu’il y a des interférences entre cellules. En effet, un client,
situé dans une zone d’interférences, appartient à plusieurs cellules à la fois. Il reçoit
des signaux de différents AP et s’associe avec l’un d’entre eux (AP serveur). Lorsqu’il
communique avec son AP serveur, il bloque les communications des clients de
l’ensemble des cellules auxquelles il appartient.
1.2 Critères de planification 39
Ils définissent donc des zones de blocages que l’on peut représenter par une
matrice (uii0 )i,i0 ∈I telle que : uii0 = max(aij ai0 j xj ) avec (aij )i∈I la matrice binaire de
j∈J j∈J
Ils formulent aussi leur objectif sous forme quadratique et proposent également une
optimisation homogène qui tente à maximiser les points de service pénalisant le plus
la capacité du réseau :
1
trouver x et y qui maximise min P .
i∈I
i0 ∈I vii0
Remarque :
Le problème d’allocation de fréquences est un problème en soi et nous n’allons pas
dresser un panorama de l’ensemble des méthodes utilisées pour ce problème lorsque
42 Chapitre 1. Etat de l’art sur la planification
celui-ci est traité seul, c’est-à-dire non conjointement avec le placement des AP. No-
tons cependant deux travaux récents et originaux pour l’allocation de fréquences des
WLAN [De La Roche et al., 2006] et de [Haidar et al., 2008]. Ces auteurs basent
leur optimisation sur le calcul du SINR et rendent ainsi compte des interférences
des signaux adjacents en permettant l’utilisation de tous les canaux de fréquences.
Remarque :
Le calcul de la propagation des signaux montants (c’est-à-dire émis par les stations
clients, les signaux descendants étant les signaux émis par les AP) peut être inté-
ressant pour estimer les interférences et les nœuds cachés. Cependant très peu de
travaux de la littérature [Runser, 2005], [Wong et al., 2005] les considèrent. Ceci est
dû au temps trop long nécessaire aux calculs de la propagation des signaux montants.
Les travaux qui traitent de 10 à 20 AP sont plus récents : [Ling & Yeung,
2005], [Runser, 2005], [Wong et al., 2005], [Maksuriwong et al., 2003].
Les travaux qui traitent de plus 20 AP sont a priori ceux qui nous intéressent
le plus. Cependant les problèmes sont souvent non réalistes : pas de bâtiment
réel, topologie aléatoire, approximation circulaire de la propagation, [Amaldi et al.,
2004a], [Bosio et al., 2007], et [Lee et al., 2002], avec des modèles de propagation
de type équation de Friis trop simplistes [Mathar & Niessen, 2000] et [Bahri et al.,
2005].
On constate donc que les modèles les plus complets sont souvent appliqués à
des instances de petite taille tandis que les modèles les moins réalistes peuvent
traiter des problèmes de grande taille. Cependant de bons compromis ont été réalisés
par [Runser, 2005] ou [Bahri et al., 2005] par exemple. Notre but est de faire les bons
choix pour, à la fois avoir un bon modèle de propagation des ondes radio, considérer
l’ensemble des paramètres des AP, traiter les problèmes de placement et d’allocation
de fréquences simultanément et rendre compte des interférences par le calcul complet
du SINR, cela pour des problèmes de grande taille.
Remarque :
A priori, il n’y a pas de restriction sur les algorithmes à utiliser pour résoudre les
problèmes de planification de réseaux locaux sans fil. La littérature offre d’ailleurs
une grande variété d’exemples comme le montre la table 1.2. Cependant, les mé-
thodes exactes ne sont pas adaptées aux problèmes qui nous intéressent, c’est-à-dire
de grande taille. Elles sont tout de même parfois utilisées dans la littérature. Leur
intérêt est de prouver que sur de très petits exemples de quelques AP, la solution trou-
vée par un algorithme approché est identique à celle de la méthode exacte et donc
optimale. C’est le cas de l’énumération proposée par [Runser, 2005] pour valider sa
recherche Tabou. Lorsque le problème a été modélisé sous la forme de programmes
linéaires en variables binaires ( [Rodrigues et al., 2000], [Lee et al., 2002]) le logi-
ciel CPLEX d’ILOG est souvent utilisé et trouve la solution optimale sur de petites
instances. Cependant dès que les problèmes sont de plus grande taille, CPLEX est
utilisé comme un algorithme approché puisqu’il est stoppé après un temps d’exécu-
tion donné. [Mathar & Niessen, 2000] utilisent aussi CPLEX pour trouver l’optimum
global au problème relaxé (variables réelles), ce qui donne une borne minimale à leur
problème à variables entières.
1.4 Méthodes d’évaluation 45
Table 1.2 : Tableau récapitulatif des stratégies d’optimisation des articles de la littérature
Bien souvent l’évaluation analytique des solutions de réseaux est faite en conser-
vant les mêmes formulations que les critères d’optimisation mais en faisant varier
les paramètres de charge du réseau. On teste donc dans ce cas la robustesse du
réseau solution par rapport à la variation de la demande. Un réseau solution est
robuste si la variation de donnés d’entrée (demande, carte des puissances reçues...)
n’entraine pas une variation trop importante de la qualité de la solution.
[Lee et al., 2002] évaluent le critère de charge du canal mentionné à l’équation
(1.9) sur un réseau dont on accroît le nombre de points de service. L’étude montre
que la courbe d’utilisation du canal par AP est à rendement décroissant et admet
une asymptote. Il serait également intéressant de tester la robustesse d’un réseau
solution par rapport à la variation des puissances reçues.
[Hills et al., 2004] développent un modèle qui permet d’évaluer la puissance du
signal dans un bâtiment lors d’une reconfiguration d’un réseau WLAN existant. En
effet lorsqu’une configuration a réellement été mise en place dans un bâtiment et que
l’on a mesuré expérimentalement le signal dans le bâtiment, il est souvent nécessaire
de faire quelques corrections en augmentant ou en diminuant la puissance d’un AP
ou en déplaçant certains AP. Les auteurs ont développé un modèle qui permet
d’estimer les nouvelles puissances du signal lorsque l’on effectue ces modifications.
Cette méthode appliquée dans les bâtiments de leur université a donné de bons
résultats. Les écarts de puissance avec les valeurs mesurées sont en général de l’ordre
de 3 dB et sont inférieurs à 5 dB. Dans leur modèle, ils représentent un bâtiment
de plusieurs étages sous forme d’un graphe dont les sommets sont soit des AP soit
des points de mesure du signal. Les sommets de type point de mesure sont pondérés
par une valeur qui correspond à la différence entre la puissance réellement reçue
par le point de mesure (mesure effectuée lors de la configuration mise en place) et
l’estimation de la puissance reçue par le point de mesure (estimation effectuée avec
1.4 Méthodes d’évaluation 47
la formule de Friis [Friis, 1946] en vue directe). Les arêtes du graphe, reliant les
AP spatialement les plus proches, sont pondérées par la différence des poids de leurs
deux AP adjacents. C’est la pondération de ces arêtes qui va permettre de recalculer
la puissance du signal lorsque l’on déplace un AP. Notons que pour ce modèle, un
AP peut être déplacé sur n’importe quel point de mesure.
[Bianchi, 2000] propose un modèle analytique de débit pour estimer les per-
formances d’un réseau 802.11 utilisant DCF (Distributed Coordination Function).
Le modèle est restreint au cas où le nombre de clients est fini et dans des conditions
de canal idéales i.e. sans interférences. Le modèle est basé sur une chaîne de Markov
pour simuler les états du backoff du protocole d’accès et prend en compte les méca-
nismes RTS/CTS (Request-To-Send/Clear-To-Send ). Les problèmes de conception
étudiés dans [Runser, 2005] utilisent ce modèle pour la partie évaluation du débit et
donc permettent une vue plus précise du fonctionnement des réseaux optimisés.
Des techniques de simulation peuvent être employées pour représenter des phé-
nomènes stochastiques faisant intervenir des probabilités dont on ne dispose pas
d’expression analytique.
Ainsi, le modèle d’optimisation de la conception des réseaux mobiles utilisant des
antennes adaptatives présenté dans [Stamatelos & Ephremides, 1996] fait appel à la
simulation pour traiter de manière précise les interférences. Les auteurs emploient
une distribution de Poisson pour obtenir une répartition des mobiles dans chaque
cellule et le processus de simulation est composé des étapes suivantes : pour une
configuration donnée des stations de base, les cartes de couverture et d’interférences
sont établies grâce à un modèle de lancer de rayons (qui est plus précis mais plus coû-
teux que le modèle d’atténuation statistique utilisé lors de la phase d’optimisation).
Ensuite, une génération aléatoire des mobiles dans l’environnement est réalisée. Pour
chaque mobile situé dans la zone d’interférences, on détermine les faisceaux activés
qui s’intersectent en ce point et on teste la présence d’interférences.
Bien que la description de la démarche ne soit pas complètement détaillée, [Jin
et al., 2003] utilisent le logiciel de simulation OPNET dans le cadre de la mise en
place d’un réseau WLAN dans une salle de classe. La simulation leur permet de
déterminer les paramètres du modèle à employer et d’estimer leur impact sur la
qualité du résultat, en terme de débit. Les auteurs s’intéressent ainsi aux distances
entre les stations, à la taille des buffers pour la carte d’interface réseau, ainsi qu’à
la taille des fragments de données. Deux topologies différentes sont testées pour le
placement des AP : il ressort des expériences menées qu’une configuration en étoile,
où l’AP est placé au centre des clients est plus efficace qu’une configuration classique
48 Chapitre 1. Etat de l’art sur la planification
pour les salles de classe, pour laquelle l’AP est placé devant les clients alignés. Ces
résultats sont confirmés par des mesures effectuées sur le terrain.
1.5 Synthèse
Entre les stratégies d’optimisation continue ou combinatoire pour le choix des po-
sitions des bornes, la stratégie combinatoire est plus proche de la réalité physique des
déploiements du fait des très nombreuses contraintes d’installation qui empêchent
de placer les émetteurs n’importe où. Sous sa forme combinatoire le problème est
NP -difficile. Par conséquent il convient d’adopter pour sa résolution une approche
adéquate et efficace qui propose un bon compromis entre temps de calcul et précision.
Compte tenu de la taille des problèmes à traiter, il n’est pas envisageable d’utili-
ser une méthode exacte mais plutôt une méthode approchée. De même, le temps
d’évaluation d’une solution intégrant un calcul de propagation complet est rédhi-
bitoire lorsqu’on est amené à parcourir un grand nombre de solutions de l’espace
de recherche. En particulier, le cas d’un algorithme évolutionnaire avec une grande
population pour la résolution du problème peut se révéler assez pénalisant. L’opti-
1.5 Synthèse 51
Modélisation de la planification
Sommaire
1.1 Le développement des réseaux locaux sans fil . . . . . . . 15
1.2 Critères de planification . . . . . . . . . . . . . . . . . . . 21
1.3 Performances algorithmiques . . . . . . . . . . . . . . . . 40
1.4 Méthodes d’évaluation . . . . . . . . . . . . . . . . . . . . 45
1.5 Synthèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
56 Chapitre 2. Modélisation de la planification
2.1 Introduction 57
2.1 Introduction
Le problème de planification revient à trouver une configuration de réseau WLAN
à moindre coût en optimisant la qualité de service. L’état de l’art nous a montré
une grande diversité des problèmes à optimiser liée à un grand nombre de critères
de qualité de service (couverture, interférence, capacité...).
Dans ce chapitre, nous allons voir qu’il est possible de proposer un problème
d’optimisation qui correspond à une synthèse des modèles précédents.
Pour réaliser cette synthèse, nous approfondissons l’analyse du fonctionnement
physique d’un réseau WLAN de la norme IEEE 802.11 en proposant un modèle
de cette réalité physique. Nous en présentons une modélisation possible qui nous
permet de définir les liaisons entre les différents paramètres du modèle physique de
fonctionnement : puissance, fréquence, interférence, capacité, débit...
Nous verrons par cette analyse que le calcul du débit réel en chaque point de
service permet de synthétiser les critères de qualité de service habituels tels que la
couverture, l’interférence, la capacité... En particulier, il permet de supprimer toute
pondération relative entre ces critères. C’est la modélisation que nous proposons
pour le problème à optimiser.
Le modèle de la réalité physique et le problème à optimiser sont les deux premières
étapes du processus décrit à la figure 2.1, et sont présentés dans ce chapitre. La
troisième étape correspondant à l’algorithme d’optimisation est présentée au chapitre
3. La quatrième étape liée au modèle physique d’évaluation a été présentée dans l’état
de l’art (section 1.4).
Ces modèles seront développés dans les cinq premières parties de ce chapitre
en précisant les paramètres qu’ils utilisent pour communiquer entre eux (entrées
et sorties de chaque module). Enfin dans une dernière partie, nous présenterons le
problème complet à optimiser déduit des cinq sous-modèles précédents de la réalité
physique.
Parmi les inconvénients nous retiendrons essentiellement qu’il est nécessaire d’ef-
fectuer une phase de prétraitement pour définir les sites candidats en amont de la
phase d’optimisation. Cette phase peut s’avérer longue et délicate car la liste devient
alors prépondérante pour atteindre les objectifs de qualité souhaités.
2.2 Modèle de placement 61
Constituer une liste de sites candidats est complexe, il existe des approches ma-
nuelles ou automatiques ou des compromis entre les deux méthodes.
La liste des sites candidats doit être la plus réaliste possible pour permettre
de concevoir un réseau en phase avec les objectifs de service et les contraintes de
déploiement. Le choix des sites candidats doit en particulier tenir compte des points
suivants :
• Distribution des sites en fonction de la localisation des services et des volumes
de trafic attendus : il faut prévoir une densité de sites plus importante si le
service correspond aux tranches supérieures de débit ou si le nombre de clients
prévus est élevé.
• Distribution des sites en fonction de la localisation des perturbations électro-
magnétiques les plus sensibles : distance minimale à respecter avec les points
d’eau (sanitaires, toilettes...), les structures métalliques et les équipements élec-
troniques (baies de brassage...) ou rayonnants (fours micro-ondes, systèmes de
sécurité...).
Lorsqu’une liste est générée automatiquement, les critères de génération sont
essentiellement basés sur la propagation radio. [Runser, 2005] construit une liste
automatique par bloc homogène vis-à-vis de la propagation. Schématiquement, une
pièce constitue un bloc et les positions sont définies au centre des blocs. Cependant,
il est nécessaire de définir une borne minimale de taille de blocs pour gérer les petits
espaces et une borne maximale pour gérer les espaces ouverts. Le premier paramètre
supprime des sites candidats voisins localisés dans des pièces distinctes. Le deuxième
paramètre induit plusieurs emplacements candidats par pièce. Un exemple d’étude
sur un bâtiment de 119 × 60 m2 crée 418 positions candidates pour une taille de
bloc comprise entre 9 m2 et 18 m2 . Bien entendu le résultat dépend totalement de
la configuration du bâtiment.
La liste des sites candidats a un impact sur la qualité du résultat et sur le temps
de recherche des solutions. [Prommak et al., 2002] présentent une comparaison inté-
ressante : l’efficacité d’une liste de sites candidats dans toutes les pièces et couloirs
et d’une liste de sites uniquement dans les espaces de type couloir. Cette compa-
raison est utile pour un bâtiment classique de bureaux où le trafic est relativement
uniforme dans les pièces autour des couloirs. Ces deux types de listes sont testés
dans le même bâtiment, avec le même algorithme et les mêmes conditions de trafic
(90 clients pour lesquels il faut tester le niveau de service à chaque itération). Les
configurations comparées à l’issue de l’exécution sont supposées satisfaire les mêmes
critères de couverture, de service, etc. La liste restreinte propose une solution 1000
fois plus rapide avec les AP uniquement dans les couloirs. Mais curieusement, avec
62 Chapitre 2. Modélisation de la planification
la liste complète, aucun site retenu n’est situé dans les couloirs du bâtiment de test.
Cette hypothèse mériterait d’être vérifiée.
Pour pallier cet inconvénient majeur du choix des sites candidats et pour que
l’optimisation discrète soit efficace, l’espace doit être bien quadrillé par la liste de
sites candidats. Comme méthode d’ingénierie, nous recommandons qu’un site candi-
dat soit retenu par pièce de type bureau, par exemple au centre de la pièce, et que les
espaces ouverts soient quadrillés en considérant une distance inter-site qui dépende
du service demandé sur cet espace, i.e. une distance inversement proportionnelle au
débit souhaité pour ce service. Ces distances pourront être définies par des mesures
en espace ouvert donc parfaitement génériques.
Variables
Les sites candidats sont des positions repérées par des coordonnées dans le bâti-
ment d’étude. On définit donc :
S ensemble des sites candidats.
S
n nombre de sites candidats : nS = |S|.
s le s-ième site candidat avec s ∈ {1, ..., nS }. Il est représenté par ses
coordonnées dans l’espace (Oxyz).
S
cs coût d’installation d’un AP sur le site s. Ce coût comprend no-
tamment la difficulté d’accès au site, le coût de fixation, le coût de
rattachement au réseau filaire... Ces coûts peuvent être différenciés
si nécessaire.
Dans un bâtiment, des AP peuvent être déjà installés. Ils forment le réseau
WLAN natif ; notre but est alors de le compléter. Nous considérerons comme hypo-
thèse que ces AP ne peuvent pas être déplacés et leurs paramètres ne doivent pas
être modifiés.
SI ensemble de sites sur lesquels un AP a déjà été installé :
S I ⊂ S.
∀s ∈ S I , cSs = 0 e, étant donné que l’AP est déjà installé.
nI nombre d’AP déjà installés : nI = |S I |.
Une option possible du modèle est de supposer que, sur chaque site candidat,
nous pouvons placer un à plusieurs AP en fonction de la demande. Plusieurs AP
permettent d’obtenir un débit plus important sur une zone de forte demande. La
notion de secteur est définit comme étant un emplacement pour AP sur un site
donné.
Un secteur n’est donc pas une position géographique définie par ses coordonnées
mais un numéro d’emplacement sur un site donné. Cette option ne sera pas présentée
dans la suite du modèle pour ne pas alourdir les notations.
2.3 Modèle de paramétrage des émetteurs 63
Variables
Pour chaque site sélectionné, nous avons le choix d’y placer différents types d’AP.
A ensemble des différents types d’AP disponibles.
nA nombre de types d’AP différents : nA = |A|.
a le a-ième type d’AP, a ∈ A = {1, ..., nA }. Un type d’AP est carac-
térisé par le diagramme de rayonnement de son antenne.
cA
a prix d’achat et d’installation indépendamment du site de l’AP de
type a.
2.3.2 Azimut
Etant donné que les antennes ne sont pas toutes omnidirectionnelles, l’azimut est
un paramètre qui a toute son importance. L’azimut s’exprime en degrés et désigne
l’angle entre le nord géographique et la direction préférentielle de l’antenne dans le
plan horizontal. La direction préférentielle d’une antenne est définie par la puissance
d’émission maximale.
Il est intéressant d’un point de vue combinatoire de limiter le nombre d’azimuts
possibles lors de la phase de recherche du placement des AP. Le diagramme d’une
antenne est donné pour chaque degré en horizontal et en vertical. Les variations
d’un degré ont en général un impact très limité sur la propagation du signal. Notre
étude sur les variations du pas d’azimut pour une antenne directionnelle montre
dans [Baala et al., 2007] que considérer un pas inférieur à 30˚ n’améliore pas sensi-
blement les résultats de planification. Par conséquent, nous préconisons de considérer
les 8 orientations de base (nord, nord-ouest, ouest, sud-ouest, sud, sud-est, est, nord-
est) pour la recherche de l’azimut d’une antenne directionnelle lors de la phase de
placement des émetteurs. Dans une étape ultérieure au placement, les positions des
2.3 Modèle de paramétrage des émetteurs 65
AP étant connues, le paramétrage peut alors être affiné en considérant des varia-
tions de l’azimut à un pas plus fin, tous les 10˚par exemple, pour rendre compte du
diagramme.
Variables
Pour chaque type d’AP, il faut définir une liste d’azimuts possibles :
Ha ensemble des azimuts (angles horizontaux) que peut prendre un AP
de type a. Nous travaillerons sur une combinatoire réduite du choix
de l’azimut mais le modèle accepte de traiter 360˚ si nécessaire.
Ha = {0˚} pour une antenne omnidirectionnelle.
Ha = {0˚, 45˚, 90˚, 135˚} pour une antenne bi-directionnelle.
Ha = {0˚, 45˚, 90˚, 135˚, 180˚, 225˚, 270˚, 315˚} pour une antenne di-
rectionnelle.
nH
a nombre de valeurs d’azimut possibles pour un AP de type a : nH a =
|Ha |.
Les puissances en radio sont souvent exprimées en décibel par milliwatt (dBmW
ou plutôt dBm) plutôt qu’en Watts. Le dBm est une échelle logarithmique par
rapport au milliwatt (mW ). Nous avons :
La puissance d’émission des antennes 802.11 est réglementée par la loi française.
La PIRE (Puissance Isotrope Rayonnée Equivalente ou puissance rayonnée à la
sortie de l’antenne) moyenne maximale autorisée est de :
• 100 mW ou 20 dBm dans la bande de fréquences 2400-2480 M Hz (norme
802.11b/g).
• 200 mW ou 23 dBm dans la bande de fréquences 5150-5350 M Hz en intérieur
(norme 802.11a).
66 Chapitre 2. Modélisation de la planification
Variables
Nous avons donc un ensemble discret de valeurs de puissance pour chaque type
d’AP :
Pa ensemble des puissances que peut prendre un AP de type a. La
puissance s’exprime en dBm (décibels par milliwatt). Par exemple :
Pa = {5, 10, 15, 20}.
nPa nombre de puissances d’émission possibles pour un AP de type a :
nPa = |Pa |.
3. pE
s puissance émise par l’AP installé sur le site s : pE
s ∈ Pws
(figure 2.4). Ces canaux sont espacés de 20 MHz et ont 20 MHz de largeur,
ils sont donc totalement disjoints. La ressource spectrale sans interférence est
donc plus importante pour la norme a que pour les normes b/g.
Variables
réaliste possible mais de modéliser les grandes caractéristiques d’un réseau WLAN
pour le planifier.
• Nous ne considérons pas l’état d’inactivité d’un client. Cela revient à considérer
le pire cas : tous les clients se connecteront au réseau en même temps. C’est
une hypothèse peu réaliste puisqu’il est rare qu’un équipement se connecte
en permanence au réseau WLAN. Cependant c’est une hypothèse qui nous
garantit une solution robuste : qui peut le plus, peut le moins. Ce mode de
travail est nommé habituellement modèle de trafic en régime saturé. Il est
également possible de définir une probabilité d’activité ou un taux d’activité
(pourcentage) de chaque client et ainsi de pondérer la demande en débit de
chaque client par ce taux d’activité. Une probabilité d’activité est prise en
compte dans le modèle.
• Nous tenons uniquement compte des liaisons descendantes, i.e. de l’AP
au client. Ceci permet de simplifier considérablement le problème. En effet,
lorsque nous considérons uniquement les signaux issus des AP dont on connaît
la position et le nombre, il est possible d’estimer la propagation de ces ondes et
par conséquent la couverture du réseau. Par contre, si nous tenons compte des
liaisons montantes, i.e. du client à l’AP, la tâche d’estimation de la propagation
de ces signaux devient beaucoup plus complexe et beaucoup moins fiable du
fait que les clients peuvent être mobiles et que leur nombre n’est pas fixe. En
général, dans la littérature, les problèmes de planification ne considèrent que
les liaisons descendantes. Des estimations plus fines peuvent être mises en place
en tenant compte des liaisons montantes [Runser, 2005], [Wong et al., 2005],
mais le temps de calcul peut être important. Dans ce contexte, l’estimation
du SINR n’est jamais totalement fiable puisque l’utilisation des fréquences est
sous-estimée du fait de la non prise en compte des liens montants. Cependant,
en général les modèles en régime saturé montrent un fonctionnement pessimiste
du réseau par rapport à la réalité.
70 Chapitre 2. Modélisation de la planification
zone de service est décomposée en points de service selon le maillage choisi pour le
bâtiment.
Une maille est considérée comme appartenant à une zone de service si et seule-
ment si le centre de la maille est inclus dans le polygone qui définit la zone de service.
Le nombre de points de service dépend donc du pas de maillage du bâtiment. L’en-
semble des points de service décrit la demande offerte du réseau.
Variables
précédent, les zones de priorité sont définies par des polygones. Nous caractérisons
la priorité d’une zone par un nombre entier de -1 à 5. La valeur 5 est la valeur de
priorité maximale. La valeur 0 caractérise une zone sans importance du point de vue
de l’utilisation du réseau (zone de faible usage), comme par exemple des toilettes. La
valeur négative -1 est utilisée pour caractériser une zone ne devant pas être couverte
par le réseau WLAN comme l’extérieur d’un bâtiment pour des raisons de sécurité
par exemple. Ces zones de priorité négative sont également appelées zones interdites.
pt valeur de priorité attribuée au point de service t. Par défaut, la
valeur de priorité des points de servicve est fixée à 1, sinon elle prend
la valeur de priorité à laquelle elle appartient. pt ∈ {−1, 0, 2, 3, 4, 5}.
TI ensemble des points de service interdits. Les points de service
interdits sont les points de service ayant une valeur de priorité
négative. Les autres points sont appelés points de service client.
Notre approche est mixte et comporte deux étapes. Dans un premier temps
(phase de propagation), nous calculons pour chaque site candidat au placement
d’un AP les puissances reçues en chaque point du bâtiment grâce au modèle de pro-
pagation. Ces premières estimations de puissances sont réalisées avec des paramètres
par défaut qui donnent la couverture maximale à partir de chaque site (puissance
d’émission maximale et diagramme de rayonnement isotrope) et donnent lieu à ce
que nous appelons données de base par site. Cette étape est effectuée préalablement
à la phase d’optimisation. Elle peut être longue si l’on souhaite des résultats précis.
Dans un second temps (phase d’optimisation), nous ajustons la valeur de ces don-
nées de base en choisissant un diagramme de rayonnement, l’azimut de l’antenne et
la puissance réelle d’émission. Nous obtenons ainsi la valeur réelle de la puissance
reçue pour chaque AP installé et configuré. Ces ajustements sont très rapides à ef-
fectuer, ils sont donc intégrés à la phase d’optimisation. La figure 2.8 présente la
décomposition de ces étapes.
74 Chapitre 2. Modélisation de la planification
Variables
pR
st puissance du signal reçu par le point de service t provenant de l’AP
installé sur le site s. Cette puissance, exprimée en dBm, tient compte
du paramétrage complet de l’AP. La mesure est faite à 1, 20 m du
sol. Ce calcul est effectué à l’aide d’un modèle de propagation des
ondes radio et en connaissant la topologie du bâtiment.
Dans cette partie, nous nous intéressons au mode d’association entre les points
d’accès et les clients. De quelle manière une station et un AP s’associent pour établir
une connexion ? Les règles d’association ne sont pas fixées par la norme 802.11 et
les constructeurs ont la liberté d’implémenter les règles de leur choix.
Il n’existe pas de règle commune adoptée par tous. Cependant une règle se dégage
des autres : un client s’associe avec le point d’accès qui lui offre le signal le plus fort.
Cette règle n’est pas unanime, les cartes d’accès CISCO s’associent en priorité avec
des points d’accès CISCO même en présence d’autres AP fournissant un signal plus
fort mais provenant d’un constructeur différent. Dans notre modèle, nous avons donc
choisi d’utiliser ce type d’association, appelé association au meilleur signal.
Il existe d’autres modes d’association plus évolués que certains constructeurs
tentent de mettre en place. Nous en présentons ici deux exemples : un client s’associe
non pas avec l’AP lui offrant le signal le plus fort mais avec l’AP qui lui offre le débit
nominal le plus important. En effet, nous verrons dans la prochaine partie que le
niveau de SINR détermine également le débit nominal établi entre le client et l’AP.
Quelle que soit la puissance du signal, si le SINR est faible le débit nominal sera
dégradé. Dans ce cas, il est donc préférable que le client s’associe avec un AP lui
fournissant un signal de moindre puissance mais dont le SINR est plus important.
Cette association est appelée association au meilleur débit nominal.
Un mode d’association encore plus évolué, appelé association au meilleur débit
réel, est possible. Il s’agit de mieux équilibrer la charge du réseau sur l’ensemble des
AP. En effet, un client peut recevoir un signal très fort issu d’un AP, mais si cet AP
est déjà en charge d’un nombre important de clients le débit qu’il lui fournira peut
être très faible. Rappelons que le débit offert par un AP est à partager entre tous
les clients de sa cellule. Le client en question aura peut-être intérêt à s’associer avec
un AP lui fournissant un signal moins fort mais en charge de moins de clients et par
conséquent, lui fournissant un meilleur débit réel. Il s’agit d’équilibrage de charge
(load balancing en anglais) pour ce mode d’association.
L’association au meilleur débit est complexe à mettre en œuvre car fortement
sensible à l’évolution temporelle de la demande : la sortie du réseau d’un seul client
peut entrainer une cascade de désassociassions/associations. Cependant, elle est in-
téressante à mettre en œuvre lorsque le réseau est déjà déployé. Mais en tenir compte
lors de la planification du réseau a peu de sens, notre but n’étant pas de faire une
simulation fine d’un réseau trop coûteuse en temps de calcul mais d’estimer rapide-
ment le débit réel pour les clients.
Une quatrième option d’association possible serait de représenter cet aspect dy-
namique du réseau par un modèle plus stable que l’association au meilleur débit que
76 Chapitre 2. Modélisation de la planification
nous appellerons association continue. Dans ce cas, un client s’associe avec plusieurs
AP à la fois, il répartit ainsi sa charge entre plusieurs AP selon la puissance reçue
par chacun des AP. Ce type d’association n’est pas réaliste actuellement car une sta-
tion ne peut pas communiquer avec plusieurs AP à la fois comme c’est le cas pour
l’UMTS. Cependant, il a l’avantage de traduire la notion dynamique d’équilibrage
de charge sous forme statique.
Prenons un exemple d’application de l’association continue pour illustrer notre
proposition : un client reçoit trois signaux issus des AP A, B et C. Les débits
nominaux permis pour ces trois AP sont dA = 1 M bps, dB = 2 M bps et dC =
1 M bps. le client répartit sa charge, égale à 1, entre les trois AP selon le rapport
di
dA +dB +dC
avec i = A, B ou C, soit 14 pour les AP A et C, et 21 pour l’AP B.
Variables
Dans notre travail de planification, pour définir le débit nous faisons le choix de
limiter l’association des points de service t au point d’accès offrant le signal le plus
fort. Nous définissons donc ust la variable d’association.
SIN RC niveau de SINR minimal pour établir une communication.
Un client ayant un SINR supérieur à ce seuil est garanti d’obtenir
au moins le débit minimum. Ce seuil est valable pour une norme
donnée : nous distinguons donc SIN RCb pour la norme 802.11b,
SIN RCg pour la norme 802.11g et SIN RCa pour la norme 802.11a.
ust le point de service t est associé au site s dont il reçoit le signal le
plus fort si ce site lui garantit au moins le débit minimum. Ce qui
donne :
(
pR R
st = max(pst )
1 si s∈S O
∀t ∈ T, ∀s ∈ S O , ust = SIN Rt ≥ SIN RC (2.2)
0 sinon
Ainsi
P:
Si ust = 1 alors le point de service t est associé au site s du
s∈S O
réseau.
Si ust = 0 alors le point de service t n’est associé à aucun site
P
s∈S O
du réseau.
Remarque :
Pour les points de service interdits on ne parle pas d’association, on ne calcule pas
2.6 Modèle de débit 77
le SINR. En effet, ces points de service ne représentent pas des clients, on souhaite
simplement qu’ils ne soient pas couverts par un AP. Un point de service t est couvert
par un AP s si la puissance qu’il reçoit de cet AP pR
st est supérieure à un seuil donné.
La couverture ne garantit donc pas un service.
Pour se connecter à un réseau WLAN, un équipement doit être doté d’une carte
d’accès ou un adaptateur sans fil. Ils contiennent une antenne qui leur permet de
communiquer avec un AP. La qualité de la liaison radio entre ces deux antennes
est primordiale pour définir le débit utilisé pour la communication. La norme 802.11
définit un certain nombre de codages et de types de modulation et les différents débits
78 Chapitre 2. Modélisation de la planification
Table 2.1 : Codages et modulations pour les débits nominaux définis par les normes
802.11b/g/a (les seuils de sensibilité et de SINR sont ceux des cartes Cisco
Aironet 802.11b/g et 802.11a)
La caractéristique principale d’une carte d’accès ou d’un adaptateur sans fil est
son seuil de sensibilité. Selon la puissance du signal reçu par la carte, le seuil de
sensibilité donne le débit nominal qu’il est possible d’établir entre la carte et l’AP
émetteur du signal. Un exemple de seuil de sensibilité est donné dans la table 2.1.
La puissance du signal reçu est donc le premier critère qui intervient dans la qualité
d’une liaison radio.
Le seuil de sensibilité ne tient compte que de la puissance du signal porteur de
l’information et pas de l’environnement électromagnétique c’est-à-dire des signaux
brouilleurs ou interférents. En réalité, le seuil de sensibilité caractérise le niveau
de puissance du signal porteur par rapport au bruit thermique. Le bruit thermique
correspond à l’agitation de porteur de charge au voisinage de l’antenne. La puissance
du bruit thermique est égale à pB = kB BT avec kB la constante de Boltzmann (kB =
1, 3806 × 10−23 W.s.K −1 ), B la largeur de bande (B = 22 M Hz pour les normes
b/g et B = 20 M Hz pour la norme a) et T la température ambiante (T = 300 K).
Le bruit thermique vaut approximativement −100 dBm pour les normes b/g et
−101 dBm pour la norme a.
2.6 Modèle de débit 79
Nous notons donc dans la table 2.1 le seuil de sensibilité comme étant la valeur
nominale de puissance du signal reçu pour que le rapport signal à bruit noté S/N
ou SNR pour Signal-to-Noise-Ratio soit supérieur à un seuil qui permette la com-
munication au débit souhaité. Considérant l’échelle linaire qu’est le Watt, le SNR
est un rapport de deux puissances exprimées en Watt donc sans unité tandis qu’en
échelle logarithmique, le SNR est une soustraction de deux puissances exprimées en
dBm donc son unité est le dB.
Pour généraliser cette définition et considérer tous les brouilleurs, et pas unique-
ment le bruit thermique, nous utilisons alors le rapport signal à interférence plus
bruit noté S/(I+N) ou SINR pour Signal-to-Interference-plus-Noise-Ratio. Ce rap-
port intègre tous les éléments intervenant dans la qualité de la liaison radio : 1) la
puissance du signal porteur de l’information, 2) les puissances des signaux interfé-
rents, 3) la puissance du bruit et comme nous allons voir 4) les écarts de fréquence
des signaux interférents par rapport à la fréquences du signal porteur.
Remarque :
Pour caractériser la qualité de la liaison radio, différents critères de mesure ont été
définis : le taux d’erreur binaire (BER pour Bit Error Ratio), le taux de block er-
roné pour les données (BLER pour BLock Error Rate) ou le taux d’effacement des
trames pour la voix (FER pour Frame Erasure Rate). Ces indicateurs sont utiles
lorsque l’on travaille au niveau de la couche physique ou de liaison car ils indiquent
directement le taux de retransmission d’une trame. Cependant pour notre problème
de planification, nous ne descendons pas à ce niveau de spécification et nous utilise-
rons le rapport signal à interférence plus bruit, SINR, comme critère de mesure de
la qualité radio.
Il existe des tables de correspondance entre le SINR et les critères évoqués pour le
802.11 mais nous ne les utiliserons pas dans ce mémoire. Nous retiendrons simple-
ment que selon la valeur du SINR calculée au niveau d’un client, il est possible de
déterminer le débit nominal à utiliser entre le client et l’AP émetteur du signal.
un débit plus faible), afin de transmettre correctement les informations. La table 2.1
donne les débits nominaux possibles selon le niveau de SINR pour les normes b/g
et a. Par exemple, pour un SINR de 22 dB le débit nominal pour la norme g est de
36 M bps.
Un canal est caractérisé par une fréquence centrale appelée fréquence porteuse.
Comme indiqué au paragraphe 2.3.4, les 14 canaux des normes b et g étant espacés
de seulement 5 MHz cela implique qu’ils se chevauchent (cf. figure 2.3). Par consé-
quent deux points d’accès communiquant sur des canaux adjacents se brouillent
mutuellement si leurs cellules se chevauchent : il y a interférence donc diminution
du SINR et du débit. Au contraire, lorsque deux AP communiquent sur des canaux
totalement disjoints, par exemple 1 et 6, ils n’interfèrent pas entre eux même si les
deux AP sont proches spatialement l’un de l’autre.
Pour un client utilisant un canal donné, un signal interférent est qualifié d’interférent
co-canal s’il utilise le même canal que le client, et d’interférent adjacent s’il utilise
un canal adjacent à celui du client. Pour un client, il existe deux types de signaux
interférents selon leur provenance : les signaux descendants provenant des AP autres
que l’AP auquel il est associé et les signaux montants provenant des clients associés
aux AP voisins en supposant que les clients associés au même AP que lui n’émettent
pas en même temps donc ne génèrent pas de brouillage.
Actuellement dans la littérature et en pratique, seuls les signaux provenant des
AP sont pris en compte pour quantifier les interférences [Wong et al., 2005] [Runser,
2005]. Dans le modèle de propagation, nous avons déjà évoqué cet aspect : seules les
liaisons descendantes de l’AP vers le client sont prises en compte. En effet, les clients
étant potentiellement très nombreux et mobiles il est impossible de calculer dans un
temps acceptable la propagation de ces signaux dans tout le bâtiment. Considé-
rer uniquement les signaux interférents provenant des AP a un avantage pratique
certain puisque les AP sont fixes et leur nombre maximum limité. De plus, cette
approximation est justifiée théoriquement par deux aspects. D’une part, les retours
d’expérience de réseaux de type 802.11 ont montré que la charge était essentiel-
lement descendante c’est-à-dire que c’est très majoritairement l’AP qui occupe le
canal (3,7 fois plus [Allio, 2007]) et non les clients de la BSS. D’autre part, le signal
provenant d’AP interférents peut être vu comme la moyenne des signaux interférents
provenant de clients de cette BSS. Une autre approche serait de raisonner avec des
probabilités de coupure de communication.
Remarque :
Les bruits électromagnétiques produits par des équipements autres que les points d’ac-
cès comme des fours à micro-onde ou des appareils industriels utilisant aussi les fré-
quences de la bande ISM (Industriel, Scientifique et Médical) sont considérés comme
des signaux interférents pour les AP. Ils ne sont pas pris en compte dans notre
2.6 Modèle de débit 81
étude ; cependant, ils pourraient être ajoutés aux interférences si on sait précisément
où ils se trouvent et quel est leur niveau de puissance.
Variables
pR
st t
= B (2.6)
pR
P
p + s0 t γ(|fst − fs0 |)
s0 ∈S O \{st }
Dans cette formule, les notations sont linéaires : les puissances sont
toutes exprimées en milliwatts (mW ) et non en décibel par milli-
watts (dBm). Une division de deux puissances exprimées en mW
correspond à une soustraction de ces deux puissances exprimées en
dBm, nous pouvons donc écrire aussi :
X
SIN Rt[dBm] = pR
st t[dBm] −
pB
[mW ] + pR
s0 t[mW ] γ(|fst − fs0 |)[lin]
(2.7)
s0 ∈S O \{s t}
[dBm]
dN
t débit nominal exprimé en Mbps établi entre le point de demande t
et son serveur : dN N
t ∈ D ∪ {0}
Si le point t n’est pas associé, donc n’a pas de site serveur, son débit
nominal est nul : dN t = 0.
N
dt est une fonction qui donne le débit nominal maximum que per-
met une technologie en fonction du rapport signal à interférences
plus bruit au point t : dNt (SIN Rt ). Cette fonction est valable pour
une norme donnée : nous distinguons donc dN t
b
pour la norme
Ng
802.11b, dt pour la norme 802.11g et dt pour la norme 802.11a.
Na
Lorsqu’une station veut émettre des données, elle écoute le canal. Si le canal est
inoccupé pendant une durée DIFS (pour Distributed InterFrame Space, T DIF S =
50 µs, pour la norme 802.11b/g), on dit que le canal est libre. La station entre
alors dans un processus d’attente appelé algorithme de backoff. Le principe est le
suivant : la station tire un délai d’attente aléatoire compris entre 0 et n time slot
(n = 31 pour la norme 802.11b/g, l’intervalle [[0, n]] est appelé fenêtre de contention)
et décrémente ce compteur lorsque le canal est libre. Le time slot est une unité de
temps qui sert à décompter un temps d’attente, T Slot = 20 µs (les données de temps
sont pour la norme b/g). La station dont le compteur passe à 0 en premier se voit
réserver l’utilisation du canal le temps de la transmission d’un paquet de données.
84 Chapitre 2. Modélisation de la planification
Les autres stations bloquent leur compteur pendant la durée de cette transmission et
recommencent à le décrémenter dès que le canal est à nouveau libre. Si deux stations
ont la même valeur de compteur une collision se produira au niveau du récepteur. Ces
stations devront alors retirer un nouveau délai, compris cette fois entre 0 et 2 × n (62
pour la norme 802.11b/g) car on double l’intervalle de temps à chaque échec, avant
de pouvoir retransmettre le paquet perdu. Si la taille de la fenêtre de contention
atteint sa valeur maximale (correspondant à 8 retransmissions 8 × 31 = 248 pour
la norme 802.11b/g), le paquet est définitivement perdu ; la station passe au paquet
suivant et réinitialise sa fenêtre de contention à [[0, n]]. Cet algorithme permet aux
stations d’accéder au support avec la même probabilité, mais sans garantie de délai.
Lorsque le point d’accès veut émettre des données, il procède exactement de la même
façon qu’une station.
Les figures 2.9 et 2.10 résument le cycle CSMA/CA en cas de succès de la trans-
mission. Une fois un paquet de données transmis, la station destinataire accuse
bonne réception du paquet par l’envoi d’un message ACK (pour ACKnowledgment).
La trame ACK est envoyée après une durée SIFS (pour Short InterFrame Space,
T SIF S = 10 µs pour la norme 802.11b/g). La durée SIFS est inférieure à la durée
DIFS afin que les autres stations ne pensent pas que le canal est libre. Le canal
redevient libre une fois qu’une durée DIFS s’est écoulée après la fin de l’envoi de
la trame ACK. Dans le cas de liaison descendante comme illustré en figure 2.9, les
données sont émises par l’AP et reçues par les stations. Seul l’AP accède au canal,
les autres stations n’envoient que des acquittements. Il n’y a donc pas de collisions
possibles.
Figure 2.9 : Protocole CSMA/CA d’accès au canal dans le cas de trafic descendant
aussi à l’impact des stations cachées 2 sur la capacité réelle [Duda, 2008] et au pro-
blème des trois paires parallèles [Chaudet, 2004] dans lequel deux cellules bloquent
systématiquement l’accès au canal d’un client associé à une troisième cellule située
entre elles.
Notre modèle est plus simple puisqu’en trafic descendant, nous considérons le
temps moyen de backoff constant puisqu’il n’y a pas de collision car seul l’AP accède
au canal. Notre analyse est donc volontairement simplifiée pour déterminer une
approximation de la capacité au niveau de la couche MAC. Nous formulons les
hypothèses de calcul suivantes :
• Nous considérons que seul l’AP accède au canal donc nous gérons un trafic
uniquement descendant.
• Nous considérons qu’il n’y a aucune retransmission de trames. Les retransmis-
sions de trames ont lieu soit s’il y a des collisions entre trames, ce qui ne peut
pas se produire dans le cas descendant puisque seul l’AP accède au canal, soit
si la trame reçue est erronée (taux d’erreur par bit trop important) du fait
d’interférences avec des brouilleurs externes au réseau ou de chemins multiples
trop longs. Nous négligeons ces retransmissions puisque nous supposons que le
débit nominal utilisé pour la communication entre l’AP et le client est choisie
justement pour éviter un taux d’erreur par bit trop important.
• Nous considérons le régime saturé, c’est-à-dire que l’AP a toujours une trame
à transmettre ; cela correspond à calculer la capacité maximale que l’AP doit
fournir pour satisfaire la demande. L’accès au canal étant partagé équitable-
ment entre les clients, nous supposons en moyenne que l’AP envoit le même
2. Deux stations sont dites cachées si elles sont associées au même AP mais ne sont pas en
visibilité radio l’une de l’autre. Dans ce cas, une station peut croire que le canal est libre et envoyer
des données à l’AP alors que l’autre station est déjà en train de communiquer avec l’AP, une
collision se produira donc au niveau de l’AP.
86 Chapitre 2. Modélisation de la planification
nombre de trames à tous ses clients. Il y a donc une périodicité comme nous le
constatons dans la figure 2.9, après avoir envoyé une trame au premier et au
second client, l’AP recommence à envoyer une trame au premier client.
Variables
Soient :
duréeBO la durée moyenne du back-off. Etant donné que nous considérons
uniquement le trafic descendant, il n’y a pas de collision possible
sur le canal puisque seul l’AP y accède. Dans ce cas, la durée du
back-off reste toujours comprise entre 0 × T Slot et n × T Slot où n est
la taille de la fenêtre de contention initiale (n = 31 pour la norme
802.11b/g). La durée moyenne est donc : duréeBO = n2 × T Slot . La
durée moyenne du back-off est une constante.
tailleM
t
SDU
la taille de la trame MSDU du point de service t. Cette taille est
caractéristique du service souhaité par le point de service. Pour la
suite, nous fixons tailleM
t
SDU
arbitrairement à la taille de la trame
MSDU moyenne noté tailleM SDU = 8184 bits = 1023 octets.
δk la durée d’un cycle CSMA/CA (cf. figure 2.10) pour une trame
tailleM SDU et pour une transmission au k-ième débit nominal
k ). Pour des réseaux fonctionnant en mode 802.11b ou en mode
(dN
mixte (avec des stations en mode 802.11b et des stations en mode
802.11g), nous avons :
Les autres données, récapitulées dans le tableau 2.3, sont définies par la norme.
Une analyse plus fine de la capacité des réseaux 802.11 est réalisée dans le chapitre
V de la thèse de Sylvain Allio [Allio, 2007] dont sont extraites ces valeurs.
Remarque :
Pour le mode RTS/CTS le calcul est analogue. Il est également possible d’ajouter un
terme au dénominateur pour tenir compte des retransmissions.
Pour estimer la capacité d’un AP, il suffit donc de connaître le nombre de clients
à sa charge et la répartition de ces clients selon les débits nominaux η = (ηk )k∈K .
Les autres paramètres dépendent uniquement de la norme utilisée. Comme présenté
dans la partie précédente, le débit nominal d’un client est déterminé par son SINR.
La répartition η est donc uniquement en fonction du SINR des liaisons descendantes.
cAP
st
dO
t = (2.11)
nTst
Nous en déduisons pour chaque point de service l’écart entre la demande en débit
et le débit réel fourni par le réseau. Cet écart sera considéré par la suite comme un
indicateur fondamental de la qualité du réseau à concevoir.
∆t écart entre le débit souhaité par le point de service t et le débit
fourni par le réseau :
∆t = dOt − dt
S
(2.12)
Concernant les notations, les règles générales suivantes ont été adoptées :
• Les ensembles sont décrits par une lettre majuscule.
• Les paramètres, variables et éléments d’ensemble sont définis par une lettre
minuscule.
• Une lettre en exposant d’un paramètre est utilisée uniquement pour clarifier
la signification de ce paramètre ; elle fait partie de la définition du paramètre,
en aucun cas elle ne peut varier.
• Une lettre en indice d’un paramètre fait toujours référence à un élément d’un
ensemble ; cet indice aura toujours pour valeur un entier naturel. Cela implique
que le paramètre concerné est un vecteur ou une matrice.
90 Chapitre 2. Modélisation de la planification
dN
t débit nominal établi entre le point de demande t et son serveur.
ηsk nombre de clients associés au site s et communiquant au k-ième débit
nominal.
cAP
s capacité fournie par l’AP situé sur le site s en régime saturé.
dO
t débit réel en kbps fourni par le réseau au point de demande t.
∆t écart entre le débit souhaité par le point de service t et le débit fourni
par le réseau.
Table 2.6 : Rappel des données intermédiaires du problème calculées à l’aide des données
d’entrée et des variables de décision
Sachant qu’il existe nS − nI sites possibles (les sites déjà installés ne pouvant être
modifiés), pour placer n points d’accès, le nombre de combinaisons possibles est :
!n
X
CnnS −nI × nF × nH P
a × na = CnnS −nI × (nC )n (2.14)
a∈A
∀t ∈ T, ∆t ≥ 0 (2.17)
objectif du problème plutôt que comme contrainte. Dans ce cas, nous calculons le
débit souhaité par les points de service et non satisfaits par cette configuration de
réseau. Cette quantité est mesurée en nombre de kilobits par seconde :
X
max(0; −pt κt ∆t ) (2.18)
t∈T
Plus cette quantité est importante, plus le réseau est de mauvaise qualité et ne
répond pas à la demande des clients.
Pour conserver une qualité minimale sur le réseau, nous pouvons dans ce cas
déterminer une nouvelle contrainte garantissant un débit minimum à tous les clients :
Précisément, cette contrainte garantit que tous les points de service ont un SINR
supérieur au SINR minimal pour établir une communication.
Cette contrainte est équivalente à :
∀t ∈ T, SIN Rt ≥ SIN RC
⇔ ∀t ∈ T, dO
t > 0 : tous les points de service ont un débit non nul.
C
⇔ T0 = : il n’y a pas de zone blanche.
: tous les points de service sont associés à un AP.
P
⇔ ∀t ∈ T, ust = 1
s∈S O
Concernant les points de service interdits qu’il est souhaitable de ne pas couvrir,
nous avons un critère à prendre en compte comme contrainte qui s’écrit :
∀t ∈ T I , @s ∈ S O , pR C
st ≥ SIN R + p
B
(2.20)
2.7.4 Synthèse
Le problème que nous avons à traiter est de déterminer les variables de décision
w, f, pE , h avec ∀s ∈ S, ws ∈ A ∪ {0} ⊂ IN, fs ∈ FA ⊂ IN, pE s ∈ Pws ⊂ IN et
hs ∈ Hws ⊂ IN, afin de minimiser :
X X
cSs + cA (2.21)
ws + β × max(0; −pt κt ∆t )
s∈S O \S I t∈T
2.8 Conclusion
Optimisation de la planification
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2 Modèle de placement . . . . . . . . . . . . . . . . . . . . . 59
2.3 Modèle de paramétrage des émetteurs . . . . . . . . . . . 63
2.4 Modèle de trafic . . . . . . . . . . . . . . . . . . . . . . . . 68
2.5 Modèle de propagation . . . . . . . . . . . . . . . . . . . . 72
2.6 Modèle de débit . . . . . . . . . . . . . . . . . . . . . . . . 74
2.7 Le problème à optimiser . . . . . . . . . . . . . . . . . . . 89
98 Chapitre 3. Optimisation de la planification
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
99
100 Chapitre 3. Optimisation de la planification
Dans ce cas, l’affectation des fréquences sera très difficile et les résultats en terme
de qualité de service seront médiocres.
proches (écart inférieur à 5 canaux). Dans la plupart des publications, les auteurs
se limitent donc à l’usage de trois canaux disjoints : 1, 6 et 11 par exemple, ce
qui simplifie le problème d’AFP. Dans ce cas il n’y a plus d’interférences entre
canaux adjacents, seules existent les interférences co-canal, entre AP utilisant le
même canal. En effet, avec seulement trois fréquences lorsque nous installons plus de
trois AP nous devons réutiliser un canal déjà affecté à un autre AP. Dans ce cas, soit
γ(|fst −fs | = 0) = 1 si les AP s et st utilisent le même canal, soit γ(|fst −fs | ≥ 5) = 0
si les AP s et st utilisent des canaux disjoints. Alors le SINR devient :
pR
st
SIN Rt ' (3.4)
pR
P B
st + p
s, co-canal
Dans cette stratégie, nous affectons bien des fréquences aux configurations d’AP,
mais sur un espace limité. Le problème d’affectation de fréquences ainsi réduit à trois
couleurs (1, 6 et 11) correspond au problème bien connu de coloration de graphe à 3
couleurs (3-Graph coloring). [Ling & Yeung, 2005] ont une approche similaire mais
au lieu de calculer le SINR correspondant à la stratégie, ils estiment directement le
débit en fonction de la probabilité de collision.
pR
st t
SIN Rt ' P R B
(3.5)
s6=st γ̄ × pst + p
3.2.2 Expérimentations
De nombreuses études numériques ont été réalisées pour évaluer ces différentes
stratégies d’optimisation [Gondran et al., 2007b] [Gondran et al., 2008]. Nous avons
utilisé notre application WIFIOPT pour tester l’ensemble des stratégies en modifiant
le paramètrage ou les calculs de manière à reproduire les 4 cas. Par contre l’instance
du problème à optimiser, le fonctionnement de la procédure d’optimisation et la
machine de test (Pentium 4 à 3.2 GHz ) sont identiques.
L’optimisation nécessite de calculer préalablement les cartes de couverture des
sites potentiels qui sont les données d’entrée du problème d’optimisation. Pour cela,
nous avons utilisé une application propriétaire de Orange Labs qui est un logiciel de
propagation d’ondes radio en milieu indoor ; il est basé sur la méthode de lancer de
rayons dans les trois dimensions de l’espace [Chaigneaud et al., 2001]. Le nombre de
rayons et de réflexions à considérer pour le calcul est paramètrable. Les phénomènes
de diffraction sont également pris en compte.
Le problème à optimiser correspond à un bâtiment de deux étages décrit par la
figure 3.2. Chaque étage est un rectangle de 120 mètres de long pour 40 mètres de
large. Nous définissons 94 sites potentiels d’installation d’AP répartis sur les deux
étages. Pour se focaliser sur les différentes stratégies d’optimisation on a réduit la
combinatoire du problème : un seul type d’AP est disponible avec un diagramme
de rayonnement omnidirectionnel et deux niveaux de puissance d’émission possibles.
Le nombre maximum d’AP à installer est fixé à 30.
3.2 Expérimentations et résultats 107
Pour définir la demande en trafic, nous utilisons des zones de service représentées
par des polygones couvrant une partie du bâtiment. Chaque zone est caractérisée
par un nombre de clients et un débit souhaité par chacun des clients de cette zone.
Une zone de service est définie en vert sur la figure 3.2 sur chaque étage du bâtiment.
300 clients sont uniformément répartis sur chaque zone de service et chacun d’entre
eux souhaite 500 kbps. La demande globale est donc de 300 M bps. Les deux zones
de service couvrent 7728 mètres carrés, nous définissons donc 7728 points de service
pour le calcul du SINR.
Préalablement à l’optimisation, il est nécessaire de calculer les 94 cartes de cou-
verture des 94 sites potentiels. Chaque carte compte 7728 pixels (mètres carrés) plus
les pixels qui font le contour du bâtiment. La durée de calcul des 94 cartes par le
modèle de propagation d’Orange Labs demande environ 1h30.
3.2.3 Résultats
Pour chaque stratégie, notre algorithme est exécuté trois fois pendant une du-
rée d’une heure. Nous présentons le meilleur résultat des trois exécutions. Notons
que pour chacune des stratégies, les trois exécutions sont relativement homogènes,
les résultats que nous présentons ne sont pas affectés par le choix de la meilleure
exécution.
Les résultats des quatre stratégies sont présentés sur la figure 3.3. Pour chaque
108 Chapitre 3. Optimisation de la planification
Figure 3.3 : Résultats des quatre stratégies : nombre d’AP sélectionnés, nombre de points
de service non satisfaits, nombre de points de service non couverts. Il y a
7728 points de service au total.
Considérons d’abord le nombre d’AP sélectionnés pour les 4 solutions. Les stra-
tégies 2, 3 et 4 ont sélectionné 30 AP, ce qui est le maximum permis, la stratégie
1 en a sélectionné seulement 11. Cette limitation est dûe aux interférences : pour
cette stratégie, lorsqu’un nouveau AP est ajouté lors de la phase ACP il fournit
une connexion à de nouveaux points de service, ce qui justifie son ajout, mais il
détériore également la qualité des liaisons radio de nombreux points de service car
c’est un interférant supplémentaire en co-canal. Cet équilibre limite le nombre d’AP
installés à 11. Ce résultat montre que cette stratégie, pénalisant dans un premier
temps tous les recouvrements sans utiliser les fréquences, sur-contraint le problème
de planification WLAN. De ce fait, 11 AP ne suffisent pas à satisfaire la demande et
cette stratégie donne les pires résultats en terme de points de service non couverts
et non satisfaits. A noter que cette stratégie est celle qui est la plus couramment
employée car sa modélisation est la plus accessible.
Les figures 3.4 et 3.5 montrent respectivement les couvertures des quatre straté-
gies pour le premier et le second étage du bâtiment. Le bleu clair indique l’extérieur
du bâtiment. Les pixels noirs indiquent les points de service non couverts, les pixels
3.2 Expérimentations et résultats 109
verts foncés les points de service non satisfaits mais couverts. Les pixels verts clairs
indiquent les points de service satisfaits, c’est-à-dire pour lesquels le débit réel offert
est supérieur à celui souhaité. Enfin, les pixels blancs localisent les positions des AP
sélectionnés par les quatre solutions.
Figure 3.4 : Couverture du 1er étage du bâtiment pour les quatre stratégies
Figure 3.5 : Couverture du 2ème étage du bâtiment pour les quatre stratégies
garder à un niveau relativement faible. A contrario, avec 3 canaux disjoints, les points
de service avec interférences sont moins nombreux mais le niveau de l’interférence est
plus important, ce qui détériore plus la Qualité de Service d’un réseau. L’approche
globale avec 3 canaux conduit à un minimum local et les points de service à problème
ne sont pas rattrapables lors de l’AFP complémentaire avec 13 canaux.
Nous obtenons de meilleurs résultats avec la stratégie séquentielle n˚3 qu’avec
la stratégie globale n˚2 et des résultats bien meilleurs que la stratégie séquentielle
n˚1. Ce résultat surprenant signifie qu’il est intéressant de traiter simultanément
les problèmes ACP/AFP uniquement sous la condition d’utiliser tous les canaux de
fréquences. Ceci correspond à une avancée significative dans la résolution séquentielle
des problèmes d’affectation de fréquences en général, que ce soit en WLAN ou en
réseaux cellulaires comme le GSM.
Enfin la stratégie 4 obtient les meilleurs résultats avec près de trois fois moins
de points de service non satisfaits que pour la stratégie 3. Tout d’abord cela prouve
qu’il est maintenant possible de réaliser une optimisation globale du problème de
planification sur des réseaux de grande taille. En effet, il est possible de planifier
des réseaux de plus d’une centaine d’AP. Par ailleurs, les deux principales carac-
téristiques de cette stratégie (traitement simultané des problèmes de placement et
d’affectation et utilisation de toutes les fréquences disponibles) doivent être utilisées
simultanément pour obtenir les meilleurs résultats puisque les stratégies 2 et 3 sont
dominées.
Malgré des résultats moins bons que pour la stratégie 4, la stratégie 3 est très
prometteuse puisqu’elle permet de séparer les deux problèmes sans perte de qualité
trop importante. Elle présente l’avantage d’avoir une combinatoire beaucoup plus
faible et d’avoir un modèle de calcul moins sophistiqué que la stratégie 4. De plus
cette méthode peut être améliorée. Au lieu de fixer le facteur de protection moyen γ̄
à une valeur unique pour toute l’expérience (ici, γ̄ = 0, 1), il est possible d’employer
plusieurs valeurs selon les différentes zones du bâtiment. Par exemple, si l’on souhaite
un débit moins important sur le premier étage, ce qui signifie moins d’AP et donc
moins d’interférences, on peut baisser le facteur de protection moyen γ̄ à 0, 05 ;
inversement on peut fixer γ̄ = 0, 5 sur une zone de forte densité d’AP. Il est également
envisageable de faire évoluer le coefficient γ̄ au cours de l’optimisation en fonction
de la densité d’AP. Ces propositions font parties des perspectives de notre travail.
tion du modèle décrit dans le chapitre précédent et pour fournir les résultats des
quatre stratégies d’optimisation que nous avons évaluées.
Le problème de planification de réseaux locaux sans fil est un problème NP -
difficile pour lequel de nombreuses métaheuristiques et méthodes exactes ont été
utilisées : Recherche Tabou, algorithmes évolutionnaires, recuit simulé, branch and
bound, programmation linaire...
La taille des problèmes que l’on souhaite résoudre écarte l’usage de méthodes
exactes. Deux caractéristiques principales de notre problème ont orienté le choix de
la métaheuristique à utiliser. D’une part, nous avons choisi de réaliser une estimation
précise de la Qualité de Service d’un réseau en calculant le débit réel en chaque
point de service du réseau. Ce calcul complexe comprenant l’affectation des points
de service aux AP serveurs, le calcul du SINR, le calcul du débit nominal pour tous
les points de service et pour finir l’estimation de la capacité de chaque AP, nécessite
un temps de traitement important et par conséquent l’évaluation d’une solution par
l’application est longue. Cette caractéristique a écarté les métaheuristiques à base
de population (algorithmes évolutionnaires, algorithmes par colonies de fourmis,
optimisation par essaims particulaires...) et nous a orienté vers des algorithmes de
recherche locale permettant un calcul rapide des variations de la fonction à optimiser
basées autant que possible sur des évaluations incrémentales à partir de l’évaluation
courante pour éviter de refaire tous les calculs.
D’autre part, comme nous l’avons souvent répété, le problème de planification
de réseau est composé de deux sous problèmes, le placement et paramétrage des AP
et l’affectation des fréquences. Nous avons réussi à unifier ces deux problèmes en
calculant le débit réel par client, cependant il y a fondamentalement deux classes de
variables de décision : les variables concernant les configurations d’AP (site, type
d’antenne, azimut, puissance d’émission) et les variables concernant l’affectation de
fréquence (canal). Cela nous a conduit à construire différents types de voisinage
selon qu’ils concernent les variables de configuration, les variables de fréquences
ou les deux. Etant donné qu’un minimum local est relatif à un type de voisinage,
c’est-à-dire qu’il n’est pas forcément le minimum pour un autre type de voisinage,
il est intéressant d’utiliser un algorithme de haut niveau basé sur plusieurs types de
voisinage.
Par conséquent, nous avons défini un algorithme basé sur un principe simple et
relativement peu étudié explicitement dans la littérature : le changement aléa-
toire de voisinage durant la recherche. C’est-à-dire qu’à chaque itération de
la recherche, le type de voisinage est tiré au hasard. De plus, l’exploration du type
de voisinage choisi suit une procédure plus ou moins complexe qui accepte ou non
la détérioration de la solution courante. Cela peut être une métaheuristique connue
(descente simple, Recherche Tabou, recuit simulé...) ou toute autre heuristique. Nous
3.3 Approche algorithmique 113
Algorithme VVA
Données d’entrée :
N := {N1 , ..., Nn } l’ensemble des n voisinages.
H := {H1 , ..., Hn } l’ensemble des heuristiques associées aux voisinages.
P := {p1 , ..., pn } l’ensemble des probabilités associées aux voisinages.
s := GenererU neSolutionInitiale()
s∗ := s
TANT QUE le critère d’arrêt n’est pas atteint
i := ChoisirV oisinageAleatoirement(P )
// on applique l’heuristique Hi à la solution s dans le voisinage Ni .
s := Hi (s, Ni )
SI f (s) < f (s∗ )
s∗ := s
FIN SI
FIN TANT QUE
Nous préciserons plus loin les voisinages et heuristiques choisis dans notre cas.
Si les Hi sont toutes des heuristiques de descentes simples alors VVA peut être
vu comme un algorithme de descente à voisinages variables (VND, Variable Neigh-
borhood Descent [Hansen & Mladenovic, 1999]) à la différence que le changement de
voisinage se fait aléatoirement et non systématiquement.
Notre approche peut également être vue comme une hyper-heuristique [Burke
et al., 2003] et [Meignan, 2008] puisque plusieurs heuristiques sont utilisées. Dans
notre cas, chaque type de voisinage utilise une heuristique particulière. Un état de
l’art complet des recherches locales utilisant plusieurs structures de voisinage est
réalisé dans la thèse d’Isabelle Devarenne [Devarenne, 2007].
114 Chapitre 3. Optimisation de la planification
Nous décrivons plus précisément cet algorithme au paragraphe 3.3.2. Pour l’ini-
tialiser il s’appuie sur une solution réalisable ; pour cela nous utilisons un algo-
rithme glouton aléatoire [Mezani, 2005] basé sur la couverture des points de
service que nous présentons au paragraphe 3.3.1.
Données d’entrée :
S : ensemble des configurations déjà sélectionnées par l’algorithme.
Initialement, S := ∅ ou s’il existe un réseau déjà en place :
S := {configurations d’AP déjà en place}
m : nombre de points de service qui reste à couvrir.
nmax : nombre maximum de configurations d’AP à sélectionner.
E : ensemble des configurations d’AP possibles.
T : ensemble des configurations d’AP ne couvrant aucun point de service non
encore couvert par S.
T = ∅ s’il n’y a pas de réseau existant.
exp(ne /θ)
pe = P (3.6)
exp(ne0 /θ)
e0 ∈E\{S∪T }
S := S ∪ {e∗ }.
POUR e ∈ E\{S ∪ T }
mise à jour des ne : on retranche à ne les points de service
nouvellement couverts par e∗ .
SI ne = 0
T := T ∪ {e}.
FIN SI
FIN POUR
FIN TANT QUE
Comme pour le recuit simulé, nous avons ici le choix de la variable de température
θ.
A la fin de l’algorithme glouton aléatoire de couverture, nous attribuons aléatoi-
rement un canal de fréquences à chaque AP sélectionné. Puis pour améliorer loca-
lement ce plan de fréquences, une procédure de descente simple est réalisée : pour
116 Chapitre 3. Optimisation de la planification
chacun des AP pris dans l’ordre d’apparition nous parcourons toutes les fréquences
possibles et nous affectons celle qui améliore le plus la fonction de coût donnée par
l’équation (2.21). Ce cycle est réitéré jusqu’à n’avoir aucune amélioration sur l’en-
semble des AP. Le processus est appelé algorithme multi-start d’amélioration
du plan de fréquences dans la mesure où nous réitérons la procédure de descente
en prenant plusieurs plans de fréquences aléatoires pour démarrer (10 relances).
Une solution s du problème est notée : s = {(S1 , f1 ), ..., (Sn , fn )}. Les Si repré-
sentent les n configurations d’AP séléctionnées par la solution s. Si ∈ E avec E
l’ensemble des configurations d’AP possibles. Les fi sont les fréquences allouées aux
configurations Si . Le pseudo code suivant décrit l’algorithme multi-start d’amélio-
ration du plan de fréquences noté Hmulti−start .
Données d’entrée :
nb_multi_start : nombre d’appel de la procédure.
s : solution courante.
s∗ := s
k := 1
TANT QUE k 6 nb_multi_start
s0 := ∅
TANT QUE s0 6= s
s0 := s
POUR i := 1 à n
POUR f ∈ F \ {fi }
s00 := s \ {(Si , fi )} ∪ {(Si , f )}
// i.e. s00 = {(S1 , f1 ), ..., (Si , f ), ..., (Sn , fn )}
SI f (s00 ) < f (s)
s := s00
FIN SI
FIN POUR
FIN POUR
FIN TANT QUE
SI f (s) < f (s∗ )
s∗ := s
FIN SI
POUR i := 1 à n
fi0 := choisirAleatoirementDans(F )
FIN POUR
3.3 Approche algorithmique 117
mêmes sites que la solution courante et ne diffèrent que par les autres variables
(type d’antenne, puissance d’émission, azimut, plan de fréquences).
s0 = {(Si0 , fi0 ), ∀1 6 i 6 n} ∈ Nintra−site (s) si ∀i, site(Si0 ) = site(Si ) et fi0 ∈ F
avec site(Si ) la fonction qui retourne le site de la configuration Si .
Remarquons que Nf req (s) ⊂ Nintra−site (s).
Pour un type de voisinage, l’exploration des solutions voisines peut être rapide ou
lente selon la simplicité ou la complexité des mouvements permis dans ce voisinage.
L’heuristique à mettre en place pour chaque type de voisinage doit donc tenir compte
de ce critère de temps pour établir s’il est raisonnable d’explorer tout ou partie des
solutions voisines.
De plus, si certains voisinages sont plus aisés à explorer que d’autres du fait du
calcul, il est intéressant de les choisir plus souvent. A chaque itération de l’algorithme
à voisinages variables aléatoires, chaque type de voisinage a une probabilité
fixée dès le départ d’être choisi. Ces probabilités sont approximativement inverse-
ment proportionnelles à la durée d’exploration de chaque voisinage.
Figure 3.6 : Schéma général d’un algorithme à voisinages variables aléatoires VVA
Pour notre problème, chaque type de voisinage utilise une heuristique particulière
que nous présentons ci-dessous.
3.3 Approche algorithmique 119
Données d’entrée :
s : la solution courante.
s∗ : la meilleure solution rencontrée.
m : nombre de solutions explorées dans le voisinage.
N : voisinage utilisé par l’heuristique (N = Nsuppl , Najout ou Nrempl ).
proba : probabilité de dégrader la solution courante (0 ≤ proba ≤ 1).
degrad1 : coefficient de dégardation par rapport à la meilleure solution.
degrad2 : coefficient de dégardation par rapport à la solution courante.
POUR i := 1 à m
s0 := ChoisiAléatoirement(N (s))
SI f (s0 ) < f (s)
s := s0
SINON
// contrôle de l’amplitude maximale de la détérioration
SI f (s0 ) ≤ f (s∗ ) × (1 + degra1 ) + f (s) × degrad2
120 Chapitre 3. Optimisation de la planification
Données d’entrée :
s : la solution.
n : nombre de configurations d’AP sélectionnées par la solution s.
F : l’ensemble des fréquences disponibles.
122 Chapitre 3. Optimisation de la planification
POUR i := 1 à n
POUR S ∈ E tel que site(S) = site(Si )
POUR f ∈ F
s0 := s \ {(Si , fi )} ∪ {(S, f )}
SI f (s0 ) < f (s)
s := s0
FIN SI
FIN POUR
FIN POUR
FIN
// on applique l’algorithme de multi-start
s := Hmulti−start (s)
La figure 3.7 résume l’algorithme complet mis en œuvre avec les 5 voisinages et
les heuristiques utilisées. Les probabilités appliquées ont été fixées empiriquement
en fonction du temps de calcul de chaque voisinage et de leur efficacité observée. Par
rapport aux notations du pseudo-code donné dans la partie 3.3 pour l’algorithme
VVA nous avons défini cinq (n = 5) triplets voisinage/heuristique/probabilité de
type (Ni , Hi , pi ) : (Nsupp , Hdouble−controle , 0.25), (Najout , Hdouble−controle , 0.25),
(Nrempl , Hdouble−controle , 0.479), (Nf req , Hmulti−start , 0.02) et
(Nintra−site , Hintra−site , 0.001).
Il est possible de construire d’autres types de voisinage et d’autres heuristiques
afin d’enrichir les possibilités d’exploration. Alterner les phases d’intensification et
de diversification dans l’algorithme est un des aspects critiques de l’optimisation.
Notre algorithme d’optimisation à voisinages variables aléatoires VVA permet faci-
lement de mettre en place cette alternance. En effet, certains voisinages permettent
d’intensifier la recherche à partir de la solution (voisinage intra-site et voisinage fré-
quentiel), d’autres autorisent la dégradation (voisinages de suppression, d’ajout et
de remplacement) et permettent ainsi une diversification de la recherche à partir de
la solution.
Les probabilités attachées à chaque voisinage pilotent cette alternance. Dans
l’application WIFIOPT, la probabilité de chaque voisinage est fixe durant toute la
durée de l’optimisation. Cependant, il peut être intéressant de remplacer ces pro-
babilités par des probabilités conditionnelles afin de faire évoluer les poids au cours
de l’optimisation. C’est le cas de la méthode ALNS (Adaptive Large Neighborhood
3.4 Critères de Qualité de Service 123
Search [Ropke & Pisinger, 2006]) où plusieurs voisinages sont utilisés et choisis avec
une probabilité qui s’adapte dynamiquement lors de la recherche en fonction de
l’efficacité de chaque voisinage.
L’algorithme d’optimisation à voisinages variables aléatoires VVA que nous avons
présenté n’est pas propre à notre problème et peut être considéré comme un algo-
rithme général d’optimisation.
Les nombreuses expériences que nous avons menées sur les zones interdites montrent
que dans une très grande majorité des cas, lorsqu’il n’y a pas de zones interdites, seuls
les AP avec les antennes ayant un diagramme de rayonnement omnidirectionnel sont
sélectionnées dans les meilleures solutions de réseaux. L’usage des antennes bidi-
rectionnelles ou directionnelles s’avère utile presque exclusivement pour
3.4 Critères de Qualité de Service 125
Figure 3.9 : Configurations interdites avec une antenne directionnelle (seuls trois azi-
muts sont autorisés)
première dans les conditions que l’on vient de présenter, la seconde en ajoutant au
problème une zone à ne pas couvrir. Cette zone interdite est située sur le côté droit
du bâtiment à l’étage 1 (cf. le rectangle rouge sur la figure 3.11).
La première solution sans zone interdite sélectionne trois sites pour couvrir
l’ensemble des zones, cf. figure 3.10. Les trois AP que l’algorithme installe sur ces
sites ont des diagrammes de rayonnement omnidirectionnel. Le coût financier du
réseau (achat et installation des 3 AP ) est de 3800 euros. Pour cette configuration
de réseau, les 92 clients sont satisfaits, le réseau leur fournit le débit souhaité. La
seconde solution avec la zone interdite a sélectionné cinq sites pour couvrir les
mêmes zones, cf. figure 3.11. Cependant les cinq AP installés sur ces sites ont tous
des diagrammes de rayonnement directionnel, la flèche bleue indique l’orientation de
l’azimut. Pour cette configuration de réseau, les 92 clients sont également satisfaits.
L’installation de ce réseau coûte 7300 euros.
Dans cet exemple volontairement simple, nous constatons que pour garantir un
critère de sécurité comme la non couverture d’une zone, l’algorithme propose un
réseau non trivial, plus coûteux et avec des antennes au diagramme de rayonnement
directionnel. La sécurité des réseaux WLAN a donc un impact fort sur l’ingénierie de
la couverture radio et demande des règles spécifiques d’aménagement non triviales
sans l’aide d’un algorithme d’optimisation.
Le second critère sur lequel nous avons travaillé porte sur la forme des cellules.
Dans les réseaux cellulaires de type GSM ou UMTS, des études [Mabed & Caminada,
2006] ont montré que la non prise en compte de critères de connexité et de géomé-
trie sur les cellules peut aboutir à des réseaux hétérogènes dans lesquels certaines
cellules sont composées de plusieurs zones isolées les unes des autres. D’une part,
ces situations ont tendance à augmenter les phénomènes d’interférences et à rendre
le problème d’allocation de fréquences plus complexe. D’autre part, elles conduisent
à un grand nombre de transferts intercellulaires ou handovers en cas de mobilité.
Or les transferts favorisent les risques d’interruption des communications, ils sont
la cause d’environ 70% des coupures, et ils engendrent des charges supplémentaires
sur le réseau non facturables au client. Dans le cas des réseaux WLAN ce type de
critère n’a pas encore été étudié.
Théoriquement, la forme géométrique idéale pour une cellule correspond à un
hexagone, dans la mesure où il s’agit de la figure la plus proche du cercle correspon-
dant à un rayonnement omnidirectionnel qui permet d’obtenir un pavage régulier du
plan et une distance fixe entre les AP de cellules adjacentes.
Le peu de travaux de la littérature qui tient compte de la forme de la cellule
comme critère d’impact sur la Qualité de Service d’un réseau concerne les réseaux
128 Chapitre 3. Optimisation de la planification
cellulaires. [Hao & Vasquez, 2000] ont utilisé la notion de connectivité de cellule
définie par [Reininger & Caminada, 2001] durant une phase de pré-optimisation
de planification de réseau. [Jedidi et al., 2004] ont introduit un critère cellulaire
mesurant la distorsion par rapport à un disque. [Mabed & Caminada, 2006] ont
approfondi ce critère et étudié son impact sur les interférences en GSM. Nous avons
adapté ce critère au contexte des WLAN et avons étudié son impact sur la Qualité
de Service.
Le critère géométrique de [Mabed & Caminada, 2006] se formule par :
P
V (b)
b∈C
G(C) = p (3.8)
8 × |C| − 6 × π × |C|
Figure 3.12 : Variation de la fonction G pour deux cellules de tailles proches dans le
contexte d’un réseau GSM.
L’environnent spécifique des WLAN où les zones à couvrir sont souvent des
bâtiments de plusieurs étages demande à généraliser l’indicateur pour tenir compte
des 3 dimensions de l’espace. Dans un environnement 3D, les mailles d’une cellule C
sont réparties sur les différents étages k du bâtiment. Nous notons C = ∪k Ck avec
Ck la cellule 2D correspondant à l’étage k. Nous calculons les indicateurs 2D G(Ck )
pour chaque étage du bâtiment par la formule (3.8) et nous définissons l’indicateur
3.4 Critères de Qualité de Service 129
L’indicateur géométrique 3D G3D est lui aussi compris entre 0 et 1. Pour estimer
la qualité géométrique d’un réseau WLAN, nous définissons l’indicateur géométrique,
GW LAN qui est la moyenne pondérée des indicateurs géométriques 3D de toutes les
cellules du réseau :
X |C|
GW LAN = P 0 G3D (C) (3.10)
C
|C |
C0
Comme le montre la figure 3.14, cet indicateur porte une information importante
sur la connexité et la compacité des cellules d’un réseau. Plus la valeur est proche de
130 Chapitre 3. Optimisation de la planification
1, plus la connexité et la compacité des cellules du réseau sont bonnes. Par consé-
quent dans un contexte de mobilité dans les réseaux WLAN pour des services de
téléphonie Wi-Fi par exemple, nous pourrons utiliser le critère GW LAN pour limiter
le handover c’est-à-dire les changements de cellule pour un client en déplacement :
plus le critère est proche de 1, moins il y a de changement de cellule lors d’un
déplacement.
De plus, dans la figure 3.14, nous remarquons que plus GW LAN est élevé, plus le
nombre moyen de cellules voisines est faible. Le nombre moyen de cellules voisines
est de 5.9 pour la figure du haut (GW LAN = 0.91) alors qu’il est de 4.9 pour la figure
du bas (GW LAN = 0.94). Cette corrélation se retrouve dans de nombreux exemples.
Or, plus le nombre moyen de cellules voisines est faible, plus le problème d’allocation
de fréquences est facile à résoudre puisque cela diminue le nombre de contrainte de
réutilisation des fréquences. Dans un contexte d’optimisation séquentielle des pro-
blèmes de placement des AP et d’affectation des fréquences, cet indicateur permettra
à l’étape de placement des AP d’évaluer la réalisabilité de l’allocation de fréquences.
Que ce soit pour la mobilité ou l’affectation de fréquences, l’indicateur GW LAN offre
des perspectives d’évolution intéressantes au travail que nous avons engagé sur la
géométrie.
3.5 Conclusion 131
3.5 Conclusion
En complément de deux stratégies usuelles d’optimisation des problèmes de pla-
nification de réseau sans fil, une méthode purement séquentielle et une méthode de
placement avec coloration de graphe, nous avons proposé deux nouvelles stratégies :
• Une méthode globale, qui optimise simultanément le placement des AP et
l’affectation des fréquences, et qui utilise les 13 canaux de fréquences autorisés
en France. Cette méthode est complexe par certains calculs effectuées mais elle
explore toutes les ressources disponibles pour la planification.
• Une méthode séquentielle qui tient compte lors du placement des AP d’un
brouillage moyen entre AP puis qui résout le problème AFP pour les sites
séléctionnés en utilisant la même fonction d’évaluation que pour le problème
ACP. Cette fonction d’évaluation, basée sur le calcul du débit réel en chaque
point de service, tient compte à la fois des variables de placement sur les sites
et des fréquences.
Nous avons montré que l’optimisation globale permet de planifier automati-
quement des WLAN de grande taille composés d’une centaine d’AP et qu’elle
donne les meilleurs résultats des quatre approches. L’optimisation séquentielle
avec brouillage moyen donne souvent des résultats très proches et s’est avérée
beaucoup plus performantes que les méthodes séquentielles usuelles.
Ces stratégies sont mises en œuvre par une heuristique nouvelle dite à voisi-
nages variables aléatoires VVA : à chaque itération de cette recherche locale le
type de voisinage est pris au hasard. Cet heuristique est très modulaire et permet
facilement de combiner les deux sous problèmes que sont le placement et l’affecta-
tion. C’est une heuristique qui n’est pas propre à notre problème et qui peut être
considérée comme un mécanisme général d’optimisation.
Sur la base de nos travaux un programme utilisant l’optimisation globale, WI-
FIOPT, a été développé et livré à Orange Labs. Il permet de proposer aux entreprises
des solutions sans fil de haute qualité de service. Un autre programme basé sur l’op-
timisation séquentielle avec brouillage moyen est utilisé par la start-up TRINAPS
pour proposer des solutions de réseau à ses clients.
Ces stratégies d’optimisation globale et d’optimisation séquentielle à brouillage
moyen sont a priori généralisables à tous les problèmes de planification de réseaux
de radiocommunications tels le GSM, le GPRS, l’UMTS...
Notons enfin, que les deux stratégies permettent de prendre en compte diverses
notions de Qualité de Service, notamment certains problèmes de sécurité et de ges-
tion du handover. En effet, lorsque nous ne souhaitons pas couvrir certaines zones
pour des raisons de sécurité, l’usage d’antennes directionnelles devient très pra-
132 Chapitre 3. Optimisation de la planification
tique et apporte des solutions adaptées. Par ailleurs, sachant que les technologies
permettant la mobilité dans les WLAN sont en plein développement, l’indicateur
géométrique que nous proposons évalue la forme des cellules et apporte une solution
efficace pour limiter le nombre de changement de cellules lors d’un déplacement.
Dans le chapitre suivant, nous verrons comment il est encore possible d’améliorer
les deux méthodes que nous avons conçues en remplaçant les contraintes liées aux
SINR par des contraintes de T -coloration de graphe ou d’hypergraphe.
Chapitre 4
T -coloration de graphe et
d’hypergraphe
Nous nous intéressons dans ce chapitre aux phénomènes d’interférences dans les
problèmes d’affectation de fréquences. A partir des contraintes sur le rapport signal
à interférences plus bruit, nous définissons un problème de T -coloration de graphe
associé. Puis nous introduisons un nouveau problème, la T -coloration d’hypergraphe
afin de rendre compte des interférences multiples. Les interférences multiples sont
très rarement prises en compte dans les modèles alors qu’elles constituent la diffi-
culté principale de l’optimisation de la qualité de service. Les équivalences entre les
problèmes sont étudiées, et des propriétés et des tests sont présentés.
Ce travail a fait l’objet d’une publication lors de la conférence 19th IEEE Interna-
tional Symposium on Personal, Indoor and Mobile Radio Communications, PIMRC
2008 : Hypergraph T-Coloring for Automatic Frequency Planning problem in Wire-
less LAN.
Sommaire
3.1 Stratégies d’optimisation . . . . . . . . . . . . . . . . . . . 100
3.2 Expérimentations et résultats . . . . . . . . . . . . . . . . 105
3.3 Approche algorithmique . . . . . . . . . . . . . . . . . . . 111
3.4 Critères de Qualité de Service . . . . . . . . . . . . . . . . 123
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
134 T -coloration de graphe et d’hypergraphe
4.1 Introduction 135
4.1 Introduction
Afin d’améliorer les algorithmes présentés dans le chapitre précédent, nous nous
intéressons dans ce chapitre au phénomène d’interférences dans les problèmes d’af-
fectation de fréquences. Une analyse de l’impact des interférences dans les réseaux
sans fil nous permet de construire plusieurs modèles du problème d’affectation de
fréquences.
Nous commençons par une approche simplifiée du problème où il s’agit de vérifier
que les différents rapports signal à interférences plus bruit SINR (en anglais, Signal-
to-Interference-plus-Noise-Ratio) calculés aux points de service du réseau dépassent
des seuils donnés. C’est donc un problème de décision. Puis, nous montrons que ces
contraintes sur les SINR induisent les contraintes d’un problème de T -coloration
de graphe. Cependant, la notion de graphe est restrictive car elle correspond à des
relations binaires sur les ensembles qui ne prennent pas en compte les interférences
multiples.
En effet, pour simplifier l’étude du phénomène d’interférence, il est de coutume
de considérer les sources d’interférences indépendantes les unes des autres. Ainsi,
il est plus facile d’estimer l’impact d’un signal interférent sur le signal porteur de
l’information comme s’il était l’unique interférent. Dans ce cas, l’interférence est
dite binaire et un graphe permet de représenter cette influence. Cependant, c’est
l’action conjuguée de tous les signaux interférents qu’il faut réellement considérer.
Dans ce cas, l’interférence est dite multiple car elle fait intervenir plusieurs signaux
interférents.
Nous introduisons donc un nouveau problème, la T -coloration d’hypergraphe
afin de rendre compte des interférences multiples. Cela représente plus finement
la réalité du phénomène et un hypergraphe permet de représenter ces influences
136 T -coloration de graphe et d’hypergraphe
Suite au problème de décision où il s’agit de comparer les SINR à des seuils, nous
présentons une procédure qui construit le problème de T -coloration de graphe ou
d’hypergraphe associé au problème complet d’allocation de fréquences des WLAN.
Cette procédure fixe dynamiquement les seuils de SINR pour toutes les contraintes
afin de satisfaire les demandes en débit du réseau.
Les deux dernières parties introduisent des algorithmes qui utilisent les modèles
de graphe et d’hypergraphe. D’une part, nous proposons des règles pour réduire la
taille des graphes et des hypergraphes dans le cadre de problèmes de T -coloration. La
réduction a pour objectif de rendre les problèmes plus faciles à traiter. D’autre part,
nous montrons comment utiliser les problèmes de T -coloration dans un contexte
d’optimisation et non de décision. Nous faisons alors une analyse des résultats d’op-
timisation en T -coloration de graphe et d’hypergraphe sur un ensemble de scénarios
de réseaux.
Dans le chapitre 2, la table 2.1 donne une série de niveaux de SINR nécessaires
pour établir une connexion à un débit nominal donné. Cette table nous a permis de
faire le lien entre la qualité radio et la qualité de service. En effet, au chapitre 2 la
satisfaction du client a toujours été exprimée par comparaison entre le débit souhaité
en un point de service t et le débit réel fourni par le réseau. Dans cette partie, nous
nous intéressons seulement à la qualité radio c’est-à-dire au SINR et pas au débit.
Ainsi nous considèrerons par la suite des objectifs de qualité radio plutôt que de
qualité de service.
137
CtSIN R : SIN Rt ≥ qt
pR
st t
SIN Rt = P R
pst γ(|fst − fs |) + pB
s6=st
138 T -coloration de graphe et d’hypergraphe
où
pR
st est la puissance du signal reçu par le point de service t pro-
venant de l’AP installé sur le site s ∈ S. Cette puissance,
exprimée en mW, tient compte du paramétrage complet de
l’AP. L’AP serveur du point de service t étant st , pR
st t est la
puissance porteuse de l’information.
pB est la puissance du bruit thermique. pB = −100dBm pour
les normes b/g et pB = −101dBm pour la norme a.
γ est le facteur de protection entre deux canaux. C’est une
fonction qui donne l’affaiblissement du signal entre deux ca-
naux en fonction de leur écartement sur le spectre de fré-
quences. Elle est décroissante de 1 à 0 et définie sur les entiers
compris entre [[0; 12]] pour la norme 802.11b/g, cf. table 2.2.
Pour la norme 802.11a, les 8 canaux de fréquence étant to-
talement disjoints, l’utilisation de canaux adjacents ne crée
pas d’interférences : γ(x > 0) = 0, il n’existe que des inter-
férences co-canal : γ(0) = 1.
Ces contraintes SINR sont des contraintes n-aires qui font intervenir au moins
deux variables.
Ce premier problème, CSPSIN R , est appelé problème de satisfaction de contraintes
SINR à seuil. Il est défini par le triplet (f, F , CSIN R ). Le problème consiste à trouver
les valeurs à assigner aux variables fs telles qu’elles satisfassent toutes les contraintes
CSIN R ou à établir qu’une telle affectation n’existe pas. C’est un problème de déci-
sion.
Avant de transformer ces contraintes CSIN R en contraintes binaires puis n-aires
nous allons rappeler dans le paragraphe suivant le cadre habituellement utilisé pour
traiter l’affectation de fréquences avec des contraintes binaires : la T -coloration de
graphe.
Soit un graphe non orienté G = (V, E). Colorier un graphe consiste à affecter
une couleur ci à chaque sommet vi ∈ V du graphe. Pour le problème de coloration
simple, la contrainte est que deux sommets adjacents ne doivent pas avoir la même
couleur. La seconde contrainte est que le nombre maximum de couleurs est limité à
k.
139
En T -coloration, les couleurs sont ordonnées les unes par rapport aux autres,
donc pour caractériser cet ordre, nous associons à chaque couleur un nombre entier.
Nous notons alors ci ∈ IN la couleur affectée au sommet vi ∈ V . Pour le problème
de T -coloration, les contraintes portent sur des écarts de couleur à respecter entre
deux sommets adjacents.
On définit ces contraintes de couleur entre sommets adjacents du graphe en
introduisant la collection d’ensembles : T = {Tij ⊂ IN / (vi , vj ) ∈ E}. Chaque
Tij indique les écarts de couleur interdits entre deux sommets adjacents. Chaque
Tij contient au moins l’élément zéro et se compose d’un ensemble d’entiers positifs
comme l’ensemble {0, 2, 4, 7}.
Dans le cas général, une T -coloration du graphe G(V, E) associée à la collection
d’ensembles T = {Tij ⊂ IN, /(vi , vj ) ∈ E} est une coloration ci de chaque sommet
vi de V qui respecte les contraintes suivantes : ∀(vi , vj ) ∈ E, |ci − cj | ∈
/ Tij .
Si tous les Tij = {0}, alors le problème de T -coloration est ramené à un problème
de coloration simple. Le problème de coloration simple étant NP -complet, la T -
coloration de graphe l’est aussi.
Si chaque Tij ∈ T est un ensemble d’entiers consécutifs de la forme Tij =
{0, 1, ..., tij − 1}, alors la contrainte de couleur devient : ∀(vi , vj ) ∈ E, |ci − cj | ≥ tij .
T peut alors être représentée par une matrice T = (tij )i,j∈V symétrique dont la
diagonale est nulle avec ∀(vi , vj ) ∈ / E, tij = 0.
Si ∀(vi , vj ) ∈ E, tij = 1, alors Tij = {0} et la matrice T est la matrice d’adjacence
du graphe G. La T -coloration est bien une généralisation de la coloration. Dans la
suite du mémoire, nous ne considérerons que ce type de T -coloration.
∀t = 1, ..., nT , SIN Rt ≥ qt
pR
st t
⇔ P R ≥ qt
pst γ(|fst − fs |) + pB
s6=st
X pR
st t
⇔ pR
st γ(|fst − fs |) ≤ − pB (4.1)
s6=st
qt
Ces contraintes indiquent que la somme des interférents doit être inférieure ou
égale à un niveau donné. L’idée la plus simple est d’abord de relâcher ces contraintes
n-aires en contraintes binaires. En effet si la somme des interférents doit être infé-
rieure à une valeur, alors chaque interférent doit au moins être inférieur à cette
valeur. Ceci est vrai car toutes les valeurs sont positives. Chaque contrainte SINR
est ainsi transformée en (nO − 1) contraintes binaires :
pR
(4.1) ⇒ ∀t ∈ T, ∀s 6= st , pR
st γ(|fst − fs |) ≤ st t − pB
q
Rt
p st t B
q
−p
⇒ ∀t ∈ T, ∀s 6= st , |fst − fs | ≥ γ −1 t R := λst (4.2)
pst
Proposition 4.1.
Toute solution du problème CSPSIN R est également solution du problème
de T -coloration de graphe CSPTg = (f, F , Cb ) associé.
Proposition 4.2.
Si tous les points de service sont équivalents binaires, alors les problèmes
CSPSIN R et CSPTg sont équivalents.
Démonstration. En effet pour toute solution f de CSPTg , on a |fs − fs0 | ≥ tss0 , donc
puisque γ est décroissante et que les puissances pR B
st sont positives ainsi que p , nous
obtenons :
pR
st t pR
st t
SIN Rt = P R B
≥ P R
= SIN Rt
pst γ(|fst − fs |) + p pst γ(tsst ) + pB
s6=st s6=st
142 T -coloration de graphe et d’hypergraphe
Par conséquent puisque tous les points de service sont équivalents binaires (i.e.
SIN Rt ≥ qt ), on a ∀t, SIN Rt ≥ qt .
Dans les cas de non équivalence binaire, pour se rapprocher d’une équivalence
entre les problèmes, nous généralisons le problème de T -coloration aux hypergraphes.
∀k = 1...m, Ek 6= ∅
et ∪k Ek = V
Remarque :
Si pour tout αk il existe un j tel que
1 pour i = j
αki = tij pour i = ik
0 sinon
|fik − fj | ≥ tij
fonction décroissante qui atteint 0 à partir d’un certain écart, t+t st s0 existe toujours et
est égal à :
R
X p st t
t+t
st s0 = min
u ∈ IN∗ , pR
s0 t γ(ts0 st + u) + pR
st γ(tsst ) ≤ − pB
0
qt
s∈Γ(st )\{s }
Proposition 4.3.
Si une solution f de CSPb est telle que ∀t, ∃s ∈ Γ∗ (st ) : |fst −fs | ≥ tst s +t+t
st s
alors f est aussi solution de CSPSIN R .
En d’autres termes :
Cb
⇒ CSIN R
∀t ∈ T, ∃s ∈ Γ∗ (st ), |fst − fs | ≥ tst s + t+t
st s
s
Proposition 4.4.
Si pour tous les points de service t non équivalents binaires, les
AP interférents sont tous significatifs : Γ∗ (st ) = Γ(st ) et tous
les écarts supplémentaires sont égaux à 1 : t+t
ss0 = 1 alors
Cb
⇔ CSIN R
∀t ∈ T, ∃s ∈ Γ∗ (st ), |fst − fs | ≥ tst s + 1
Démonstration.
Soit un point de service t non équivalent binaire.
Puisque tous les écarts
P supplémentaires Psont égaux à 1, la contrainte n-aire linéaire
associée à t est : |fst − fs | ≥ tst s + 1.
s∈Γ∗ (st ) s∈Γ∗ (st )
Montrons par l’absurde que ∃s ∈ Γ(st ) : |fst − fs | ≥ tst s + 1.
Supposons donc que ∀s ∈ Γ(st ), |fst − fs | < tst s + 1. Par définition de la matrice T ,
on a ∀s ∈ Γ(st ), |fst − fs | ≥ tst s . Par conséquent, on a : ∀s ∈ Γ(st ), |fst − fs | = tst s ,
ce qui n’est pas possible puisque t est un point de service non équivalent binaire.
146 T -coloration de graphe et d’hypergraphe
Pour illustrer cette construction, prenons l’exemple d’un seul point de service
et de trois AP numérotés 1, 2 et 3. Puisqu’il n’y a qu’un seul point de ser-
vice, l’indice t est omis. Les puissances reçues par ce point de service sont
pR
1 = 10
−6 mW (= −60 dBm), pR = 6, 31 × 10−8 mW (= −72 dBm) et
2
p3 = 5, 01 × 10−8 mW (= −73 dBm). Nous rappelons la valeur du bruit ther-
R
mique : pB = 10−10 mW (= −100 dBm). L’AP serveur est l’AP 1 car il offre le
plus fort signal. L’hyperarête correspondant à ce point de service pointe vers l’AP
1, nous la notons E = (1, {2, 3}). Le seuil SINR de qualité de service demandé en
ce point de service est q = 31, 62(= 15 dB), donc la contrainte SINR CSIN R est
SIN R ≥ q, c’est-à-dire
pR1
≥q
pR
2 γ(|f1 − f2 |) + p R γ(|f − f |) + pB
3 1 3
c’est-à-dire :
CSIN R ⇔ Cb
147
pR1
SIN R = = 27, 77 < q
pR
2 γ(2) + p R γ(3) + pB
3
Le point de service n’est plus équivalent binaire : les écarts ne sont pas suffisants,
il est nécessaire de les augmenter.
Si |f1 − f2 | = 2, quel est l’écart minimum de |f1 − f3 | pour que SIN R ≥ q, i.e.
quelle est la valeur minimale de t+ 13 pour que
pR
1
≥q ?
p2 γ(2) + p3 γ(3 + t+
R R
13 ) + p
B
On trouve t+ + +
13 = 1 ; de façon analogue nous obtenons t12 = 1. Dans ce cas (t12 =
+
t13 = 1), la proposition 4.4 entraine :
|f1 − f2 | ≥ 2
|f1 − f3 | ≥ 3
SIN R ≥ q ⇔
|f1 − f2 | ≥ 3
ou |f1 − f3 | ≥ 4
Exemple 2 (suite) :
|f1 − f2 | + |f1 − f3 | ≥ 6
Proposition 4.5.
Soit un point de service t non équivalent binaire.
∗ +t
Si ∀s
∈ Γ (st ), tst s = 1,
Cb Cb
alors ∗ ⇔
∃s ∈ Γ (st ), |fst − fs | ≥ tst s + 1 Ctnaire = (f, st , αt)
149
Démonstration.
Puisque la contrainte n-aire linéaire s’écrit : tst s + 1 et que
P P
|fst − fs | ≥
s∈Γ∗ (st ) s∈Γ∗ (st )
∀s ∈ Γ∗ (st ), |fst − fs | ≥ tst s alors ∃s ∈ Γ∗ (st ), tel que |fst − fs | ≥ tst s + 1 étant
donné que les fs ∈ IN.
Exemple 2 (suite) :
1/t+t si t+t
st s st s 6= 0
avec ∀s 6= st , αts := et αtst := 1 +
P
tsst αtst
0 sinon s6=st
!
∗ R pR
et t+k
st s = min u ∈ IN , pst γ(tsst + u) + pR st t
− pB
P
s0 t γ(ts0 st ) ≤ qt
s0 ∈Γ(s t )\{s}
Nous avons défini dans la proposition 4.2, une condition d’équivalence entre le
problème initial CSPSIN R et le problème de T -coloration de graphe associé CSPTg .
Nous présentons quelques conditions d’équivalence entre le problème CSPSIN R et le
problème de T -coloration d’hypergraphe associé CSPTh .
150 T -coloration de graphe et d’hypergraphe
Proposition 4.6.
Si pour tous les points de service t non équivalents binaires, les AP interfé-
rents sont tous significatifs : Γ∗ (st ) = Γ(st ) et tous les écarts supplémentaires
sont égaux à 1 : t+t
ss0 = 1, alors il y a équivalence entre le problème CSP
SIN R
Démonstration.
Soit un point de service t non équivalent binaire.
Puisque tous les écarts
P supplémentaires Psont égaux à 1, la contrainte n-aire linéaire
associée à t est : |fst − fs | ≥ tst s + 1.
s∈Γ∗ (st ) s∈Γ∗ (st )
Montrons par l’absurde que ∃s ∈ Γ(st ), |fst − fs | ≥ tst s + 1
Supposons donc que ∀s ∈ Γ(st ), |fst − fs | < tst s + 1
Par définition de la matrice T , on a ∀s ∈ Γ(st ), |fst − fs | ≥ tst s
Par conséquent, on a : ∀s ∈ Γ(st ), |fst − fs | = tst s
Ce qui n’est pas possible puisque t est un point de service non équivalent binaire.
Puisque ∀s ∈ Γ(st ), |f Pst −fs | ≥ tst s et que
P l’on vient de montrer que ∃s ∈ Γ(st ), |fst −
fs | ≥ tst s + 1 alors |fst − fs | ≥ tst s + 1
s∈Γ(st ) s∈Γ(st )
Comme Γ∗ (st ) = Γ(st ), on a :
P P
|fst − fs | ≥ tst s + 1
s∈Γ∗ (st ) s∈Γ∗ (st )
Remarque :
On peut généraliser la proposition 4.6 pour le cas où il existe pour chaque point de
service t non équivalent binaire, un unique écart supplémentaire supérieur ou égal à
1:
∃!s0 , t+t
st s0 ≥ 1 et ∀s ∈ Γ(st )\{s }, tst s = 1.
0 +t
De même, puisque γ est quasi convexe sur IR+ , d’autres généralisations sont pos-
sibles ; notamment pour le cas où deux AP s1 et s2 ont des écarts supplémentaires
égaux à 2 : ∀s ∈ Γ(st )\{s1 , s2 }, t+t
st s = 1, tst s1 = 2 et tst s2 = 2.
+t +t
approximations ont été présentées dans la partie 2.6.3 "Capacité maximale d’un AP
en régime saturé" et consiste à ne considérer que le trafic descendant en régime
saturé.
Les données que l’on ajoute au problème décrivent la demande offerte dans le
réseau : répartition des clients, services et débits demandés. C’est ce que l’on a appelé
le modèle de trafic dans le chapitre 2.
κt est le nombre de clients situés sur le point de service t.
dSt est le débit en kbps souhaité par les clients du point de service t.
Rappelons que st ∈ S O désigne l’AP serveur du t-ième point de service.
nTs est le nombre de clients appartenant à la cellule de l’AP s :
X
nTs = κt
t∈T / s=st
cSs est la capacité cible de l’AP s, elle correspond au débit utile total
que souhaite écouler
P l’ensemble des clients de l’AP s.
O S S
∀s ∈ S , cs = dt κt
t∈T / s=st
∀s = 1, ..., nO , cAP
s ≥ cSs (4.10)
où, cAP
s est la capacité réelle maximale de kbps que peut écouler le s-ème AP. Nous
appellerons ce problème le problème complet. Dans le chapitre 2 Modélisation,
la capacité d’un AP en régime saturé lorsque l’on considère uniquement un trafic
descendant et sans aucune retransmission de trame est donnée par :
On montre ici l’impact important de la répartition des clients selon les débits
nominaux sur la capacité d’un AP. [Heusse et al., 2003] ont montré qu’en régime
saturé, un client au débit nominal 1 Mbps a le même débit utile qu’un client de la
même cellule au débit nominal de 11 Mbps : le protocole d’accès au canal CSMA/CA
est équitable entre tous les clients d’une même cellule. En d’autres termes, un client
à faible débit nominal ralentira l’ensemble des clients de la cellule.
Pour déterminer la capacité totale d’un AP, il est nécessaire de connaître la
répartition des clients selon les débits nominaux. Ensuite, en régime saturé, cette
capacité est partagée équitablement entre tous les clients quelque soit leur débit
nominal.
Il est particulièrement intéressant de connaître l’impact relatif de chaque débit
sur la capacité totale. Pour donner un ordre d’idée, un client supplémentaire au
débit nominal de 1 Mbps ralentit autant les autres clients de la cellule que 15 (=
154 T -coloration de graphe et d’hypergraphe
CSM A/CA
δl
Figure 4.1 : Nombre de clients équivalents au débit nominal 54 Mbps : CSM A/CA
δ9
CSM A/CA
δ1
CSM A/CA ) clients supplémentaires au débit 54 Mbps. Pour calculer ce rapport, il
δ9
suffit de comparer les durées de transmission d’une trame MSDU dans les deux cas.
La figure 4.1 donne pour chaque débit nominal k, le nombre de clients équivalents
au débit 54 Mbps (k = 9). Nous constatons clairement que les débits les plus faibles,
en particulier les 3 premiers, dégradent considérablement la capacité de l’AP. Par
conséquent, modifier l’allocation de fréquences du réseau pour augmenter le débit
nominal d’un client lent sera beaucoup plus intéressant que d’augmenter celui d’un
client qui en a déjà un bon.
Exemples de répartition
Sur des exemples optimisés par l’algorithme WIFIOPT, nous présentons quelques
profils de répartition de clients selon leur débit nominal. Nous constatons que les
cellules peuvent se classer en deux groupes en fonction de la modalité de la répartition
de leurs clients selon le débit nominal :
• Une modalité croissante caractéristique de la figure 4.2 de gauche : plus le
débit nominal est important, plus on a de clients.
• Une modalité à une bosse : le nombre de clients augmente avec le débit puis
diminue et enfin ré-augmente. La figure 4.2 de droite en donne un exemple.
Il existe toute une variété de modalités selon que la bosse est plus ou moins
marquée.
La capacité totale d’un AP est indépendante du nombre de clients. Elle est
de 11, 24 M bps pour la modalité croissante (figure de gauche) et de seulement
6, 25 M bps pour la modalité à une bosse (figure de droite) (pour tailleM SDU = 1300
155
Figure 4.2 : Répartition des clients au sein d’une cellule selon leur débit nominal (extrait de
tests réalisés avec WIFIOPT). La figure de gauche montre une modalité croissante
et celle de droite une modalité à une bosse.
octets).
La chute de la Qualité de Service provient des cellules avec une modalité à une
bosse car des clients restent "bloqués" à un débit faible.
Table 4.1 : Débits nominaux mis en place en fonction du SINR pour la norme IEEE
802.11b/g. Ces valeurs peuvent changer d’un équipement à un autre (cartes
et points d’accès), mais nous les considérons fixes. Exemple : si un client a
un SIN R = 15 dB, alors sSIN 5
R ≤ SIN R < sSIN R et donc le débit nominal
6
utilisé par le client est dN
5 = 18 M bps.
Le débit nominal d’un point de service est directement lié à la valeur de son
SINR via cette table. Ainsi en agissant uniquement sur l’allocation des fréquences,
156 T -coloration de graphe et d’hypergraphe
on modifie le SINR des clients et donc la répartition selon les débits nominaux et in
fine la capacité de l’AP.
Si tous les clients d’une cellule s ont tous le même débit nominal k : ηsk = nTs ,
alors la capacité réelle de l’AP (équation 4.11) devient :
tailleM SDU
cAP
s = (4.12)
duréeBO + δk
La figure 4.3 donne les capacités réelles maximum d’un AP lorsque ses clients
ont tous le même débit nominal (pour une taille de trame MSDU, tailleM SDU = 1023
octets). Cette capacité ne dépend pas du nombre de clients. Ce panel de capacité
fournit un ordre de grandeur de la capacité maximale offerte pour un trafic descen-
dant ; elle varie approximativement entre 1 et 13 M bps.
Dans ce cas, la capacité est à un niveau de SINR.
On appelle T = (tss0 )s,s0 ∈S O la matrice des écarts des canaux de fréquences entre
les AP s et s0 .
Pour tout ensemble de seuil de SINR : q = (qs )s∈S O , correspond comme nous
l’avons montré au paragraphe 4.2.2 un ensemble de contraintes binaires (4.3) c’est-
à-dire une matrice symétrique T fonction de q.
Figure 4.3 : Capacité réelle maximum (régime saturé) en Mbps d’un AP pour un trafic
uniquement descendant et lorsque les clients de la cellule ont tous le même
débit nominal. Elle ne dépend pas du nombre de clients.
Remarque :
La matrice T construite par la procédure précédente correspond à un niveau qs de
SINR pour chaque AP s. Nous définissons la matrice T− qui correspond au niveau
qs − 1 de SINR pour chaque AP s. Ainsi le problème d’allocation de fréquences est
borné par deux problèmes de T-coloration de graphe, l’un sur-contraint avec la ma-
trice d’écart T et l’autre sous-contraint avec la matrice d’écart T− .
Supposons que nous cherchions une T -coloration du graphe G(V, E) avec k cou-
leurs. Pour chaque sommet vi ∈ V , si le poids de l’ensemble de ces arêtes adjacentes
vérifie : X
(2tij − 1) ≤ k − 1
vj / (vi ,vj )∈E
alors le sommet vi et ses arêtes peuvent être supprimés du graphe. Plus précisément
on a :
Figure 4.6 : Exemple de réduction par degré pour la T-coloration avec 13 couleurs
En effet, si nous savons colorier Γ(vi ) et vi avec k couleurs, nous pouvons colorier vj
avec la même couleur que vi .
163
(t, p)-clique
En 802.11b/g, si nous avons une (4, 4)-clique, alors nous ne pouvons affecter que
les fréquences 1-5-9-13 à ces 4 sommets. Il y a 4! = 24 colorations possibles de la
(4, 4)-clique correspondant aux 24 permutations.
En 802.11b/g, si nous avons une (3, 5)-clique, alors nous ne pouvons affecter que
les fréquences 1-4-7-10-13 à ces 5 sommets. Il y a 5! = 120 colorations possibles de
la (3, 5)-clique correspondant aux 120 permutations.
En 802.11b/g, si nous avons une (2, 7)-clique, alors nous ne pouvons affecter que
les fréquences 1-3-5-7-9-11-13 à ces 7 sommets. Il y a 7! = 5040 colorations possibles
de la (2, 7)-clique correspondant aux 5040 permutations.
Fusion de sommets
tik = 2), alors vi et vj sont de la même couleur et peuvent alors être fusionnés de la
façon suivante : chaque voisin de vi devient voisin de vj avec la même pondération
d’arête, puis vi et ses arêtes adjacentes sont supprimés du graphe. En effet dans ce
cas vj et vi ont la même couleur.
Proposition 4.10.
Si le point de service t domine le point de service t0 alors :
Démonstration.
Puisque ∀s 6= st , pR R
st ≥ pst0 et sachant que γ est une fonction positive et que st = st0 ,
alors
P quelque soit la solution
P R f, on a :
R
pst γ(|fs − fst |) ≥ pst0 γ(|fs − fst0 |)
s6=st s6=st
166 T -coloration de graphe et d’hypergraphe
et pR B
pR B
P P
st γ(|fs − fst |) + p ≥ st0 γ(|fs − fst0 |) + p
s6=st s6=st
Comme pR R
st t ≤ pst0 t0 , on en déduit que :
pR pR
s 0
st t t0 t
P
pR B ≤ P
pR γ(|fs −fst0 |)+pB
st γ(|fs −fst |)+p st0
s6=st s6=st
L’inégalité est stricte puisque l’une des deux inégalités précédentes l’est.
@t0 ∈ T : t0 domine t
Proposition 4.11.
Soit une population T de points de service et T ∗ les points de service Pareto
optimaux de T . Les problèmes de T -coloration d’hypergraphe construits par
la procédure de la figure 4.5 à partir de T et de T ∗ sont identiques.
Démonstration.
Une solution satisfait un point de service si elle vérifie les contraintes créées par
ce point de service lors de la procédure (figure 4.5). Les points de service Pareto
optimaux de T sont les points de service les plus difficiles à satisfaire puisqu’ils sont
non dominés. D’après la proposition 4.10, si une solution les satisfait alors cette
solution satisfait également tous les points de service de T .
Remarque :
La façon de relâcher dépend beaucoup du contexte applicatif du problème et cor-
respond à une nouvelle modélisation du problème : deux problèmes équivalents de
satisfaction de contraintes ne vont certainement pas être équivalents une fois re-
lâchés. Contrairement aux problèmes de décision, où l’on conserve seulement les
contraintes les plus dures, car on est dans une optique de tout ou rien, il est sou-
vent nécessaire dans le cas de problème de minimisation de pénalités de garder l’en-
semble des contraintes pour que la fonction de coût rende compte de la granularité
des contraintes.
relâcher. C’est donc le problème 2 qui nous intéresse dans ce paragraphe. Le problème
3 est aussi très étudié notamment dans les systèmes de communications militaires
où il est nécessaire de dimensionner le plan de fréquence en utilisant le moins de
spectre possible du fait des interférences entre réseaux déployés sur le terrain. C’est
le cas par exemple des travaux référençant les problèmes du CELAR [Dupont et al.,
2005] [Devarenne et al., 2008].
Dans ce cas il suffit qu’une seule contrainte du groupe soit non satisfaite pour
que les clients du point de service soient non satisfaits.
On n’a pas précisé le type de contraintes utilisé ici. Cela peut être des contraintes
de niveau de SINR, des contraintes binaires (T -coloration de graphe) ou des contraintes
n-aires linéaires (T -coloration d’hypergraphe). Ces contraintes sont issues des algo-
rithmes présentés aux figures 4.4 et 4.5.
Nous avons validé cette approche en testant sur un benchmark de 7 instances
le problème d’optimisation de T -coloration d’hypergraphe. Différents types d’algo-
rithmes (plusieurs Recherches Tabou et algorithmes évolutionnaires) ont été testés.
Le benchmark et les résutats sont accessibles sur le site :
http ://alexandre.gondran.free.fr/benchmaks/hypergraph_T-coloring
La table 4.3 présente les résultats des 7 instances de problèmes. Pour chaque
instance (pb n˚) nous indiquons le nombre d’AP installés sur le réseau (nb. AP ), le
nombre total de contraintes (nb. contraintes), le nombre de points de service (nb. pts
service), le nombre total de clients (nb. clients) et la durée d’optimisation en seconde
(durée d’optim.), elle correspond au critère d’arrêt des algorithmes. Les exécutions
ont été réalisées sur un Pentium 4 de 3.2 GHz. Plusieurs méthodes de Recherche
Tabou et d’algorithmes évolutionnaires ont été développées et nous présentons les
résultats des deux meilleurs algorithmes de chaque catégorie. La fonction de coût
pour les deux métaheuristiques est donnée par l’équation (4.13) et correspond au
nombre de clients non satisfaits. Pour chaque instance du problème, l’algorithme est
exécuté 5 fois et nous indiquons dans la colonne moy., la moyenne des fonctions de
coût finales des 5 exécutions et dans la colonne meill., la meilleure des fonctions de
coût des 5 exécutions.
Les instances des problèmes ont été créées en suivant la procédure décrite à
la figure 4.5 et à partir de bâtiments réels en utilisant le modèle de propagation
d’Orange Labs, à l’exception de l’instance 7. Dans ces premiers résultats il est diffi-
cile de déterminer laquelle des deux méthodes, la Recherche Tabou et l’algorithme
évolutionnaire, fournit les meilleurs résultats.
D’autre part nous avons évalué l’intérêt de la modélisation par T -coloration
d’hypergraphe par rapport à la T -coloration de graphe en réalisant une série de
tests dont les résultats sont présentés dans la table 4.4. Chaque ligne du tableau
caractérise un réseau test : ID indique le numéro identifiant le réseau test, nS et
nT indiquent respectivement le nombre d’AP installés et le nombre de points de
service considérés sur le réseau test, SINR donne le seuil de SINR à respecter pour
l’ensemble des nT points de service.
170 T -coloration de graphe et d’hypergraphe
Table 4.3 : Resultats des 7 instances du benchmark pour une Recherche Tabou et un
algorithme évolutionnaire.
nage aléatoire présenté au chapitre 3. Il suffit pour cela de créer un nouveau type de
voisinage. Concernant les fréquences, nous avons déjà défini un voisinage fréquen-
tiel au chapitre 3 paragraphe 3.3.2 utilisant un algorithme multi-start d’améliora-
tion du plan de fréquences. Le nouveau voisinage à développer, appelé voisinage
de T -coloration, doit commencer par créer les contraintes n-aire linéaires grâce à
l’algorithme de la figure 4.5 puis à minimiser le nombre de clients non satisfaits
(formulation 4.13) en appliquant à l’hypergraphe un algorithme de descente simple
avec multi-start aléatoire.
4.6 Conclusion
172 T -coloration de graphe et d’hypergraphe
4.6 Conclusion
En analysant le fonctionnement des réseaux locaux sans fil IEEE 802.11 et les
protocoles d’accès au canal, nous avons proposé une procédure qui modélise le pro-
blème d’affectation de fréquences en un problème bien connu de T -coloration de
graphe. Cette transformation est fondée sur des seuils de SINR à respecter. La pro-
cédure fixe dynamiquement ces seuils, afin de satisfaire les demandes en débit du
réseau. Cette procédure peux être utilisée par toutes applications fondées sur le
calcul du SINR.
Comme le problème de T -coloration de graphe ne permet d’exprimer que les
interférences binaires, nous avons généralisé sa définition pour rendre compte des
interférences multiples. Nous avons pour cela introduit une nouvelle classe de pro-
blème, la T -coloration d’hypergraphe. L’intérêt du passage à l’hypergraphe a été
confirmé numériquement par des tests, pour lesquels la T -coloration d’hypergraphe
a donné de bien meilleurs résultats que la T -coloration de graphe.
Nous avons montré dans la proposition 4.2 (respectivement la proposition 4.6)
que la T -coloration de graphe (respectivement la T -coloration d’hypergraphe) est
équivalente au problème d’allocation de fréquences sous certaines conditions restric-
tives et que la T -coloration d’hypergraphe est toujours une très bonne approximation
dans le cas général.
Par ailleurs, des règles de réduction de la taille des graphes et des hypergraphes
ont été proposées dans le contexte de la norme IEEE 802.11, et peuvent être géné-
ralisées à d’autres technologies de radiocommunications. Quelques applications sur
des réseaux tests ont montré que cela pouvait réduire très fortement le nombre de
calcul à réaliser, parfois jusqu’à 90% de réduction sur le nombre de points de service
à considérer.
Nous avons aussi montré comment transformer le problème de décision en un
problème d’optimisation de T -coloration de graphe et d’hypergraphe. Cette refor-
mulation du problème peut être intégrée à l’optimisation présentée au chapitre pré-
cédant (WIFIOPT ) et en améliorer les performances en utilisant des algorithmes
adaptés.
Conclusion
Dans ce mémoire, nous avons montré qu’il est possible de réaliser une modé-
lisation et une optimisation du problème de planification des réseaux WLAN en
abordant simultanément les problèmes de placement et de paramétrage des émet-
teurs et d’affectation des fréquences. Notre travail est fondé sur une estimation fine
de la qualité de service utilisant le calcul complet du SINR en tous les points du
réseau.
Jusqu’alors, le problème du placement des émetteurs habituellement nommé ACP
pour Automatic Cell Planning et le problème d’allocation des fréquences nommé
AFP pour Automatic Frequency Planning étaient traités en séquence de part leur
complexité de modélisation et leur nature combinatoire. Le problème de planification
des WLAN se modélisait par un problème de couverture avec ou sans capacité auquel
des critères concernant les interférences étaient ajoutées. Une fois les émetteurs fixés,
le problème d’allocation de fréquences était optimisé selon de nouveaux critères
d’interférences. Cette séparation des problèmes menait à des solutions sous-optimales
car la gestion des interférences est justement l’aspect difficile du problème. En effet
ce problème se distingue des problèmes de couverture car il est non conservatif en
qualité, c’est-à-dire que l’ajout d’un nouvel émetteur peut dégrader la qualité globle
d’un réseau. Les rares travaux qui intègrent l’allocation de fréquences simultanément
avec le placement des émetteurs restent dans une logique d’agrégation de critères
ce qui ne permet pas d’avoir une vision unifiée du problème. Par ailleurs, la taille
des instances de problèmes traitées dans la littérature restait faible, de l’ordre de la
dizaine d’émetteurs et le passage à une planification à grande échelle se faisait au
prix d’une dégradation significative de la qualité des modèles.
Le travail que nous avons réalisé a été possible grâce à une analyse détaillée
du fonctionnement des WLAN qui nous a permis d’identifier le débit réel comme
le critère unifiant les différentes caractéristiques de qualité de service : couverture,
interférences et capacité. Cette modélisation, basée sur le calcul du débit réel, per-
met de supprimer toute pondération relative entre les anciens critères de qualité
de service. Le calcul du débit réel nécessite de traiter simultanément les problèmes
de positionnement des émetteurs et d’allocation des fréquences. C’est à la fois une
174 T -coloration de graphe et d’hypergraphe
contrainte pour le problème d’optimisation, mais c’est aussi la condition qui permet
cette synthèse. De plus, notre modèle de planification de réseaux WLAN permet
d’optimiser tous les paramètres liés aux points d’accès : type d’antenne, azimut et
puissance d’émission. Il intègre aussi des zones de priorité traduisant l’importance
relative des différentes régions de l’espace à couvrir. Enfin, l’usage du débit réel
permet d’exprimer naturellement et simplement les besoins des clients du réseau. Il
suffit de spécifier la carte des débits (ou des services) souhaités et la répartition des
clients dans le bâtiment. Notre modèle minimise l’écart entre le débit souhaité par
les clients du réseau et le débit que le réseau leur fournit réellement. Notre modèle
calcule également le coût économique du réseau qui inclut l’achat du matériel, son
installation et son raccordement au réseau filaire et l’agrège à la fonction à minimiser.
La contrainte de notre problème est de fournir au moins à tous les clients du réseau
un débit minimal. On s’interdit également de couvrir certaines zones intérieures ou
extérieures au bâtiment pour des raisons de confidentialité ou de sécurité. Enfin, un
réseau initial existant et nombre maximum d’émetteurs peut également être imposé.
Pour optimiser les problèmes de planification de réseaux sans fil, nous avons
proposé deux nouvelles stratégies :
• Une stratégie globale qui optimise simultanément le placement des émetteurs
et l’affectation des fréquences et utilise les 13 canaux de fréquences autorisés
en France pour la norme 802.11g. Cette méthode est complexe par certains
calculs effectués mais elle explore toutes les ressources disponibles pour la
planification.
• Une stratégie séquentielle qui tient compte lors du placement des émetteurs
d’un brouillage moyen entre eux, puis qui résoud le problème AFP pour les sites
sélectionnés en utilisant la même fonction d’évaluation que pour le problème
ACP. Cette fonction d’évaluation, basée sur le calcul du débit réel en chaque
point de service, utilise à la fois les variables de placement sur les sites et les
fréquences.
Nous avons comparé ces stratégies avec deux stratégies usuelles d’optimisation,
l’une purement séquentielle qui enchaîne l’ACP et AFP et qui pénalise tout recou-
vrement de cellules lors de l’ACP, et l’autre qui traite l’ACP et l’AFP simultanément
mais seulement avec des canaux de fréquences disjoints. Cette étude nous a montré
que notre optimisation globale donne les meilleurs résultats et que l’optimisation
séquentielle avec brouillage moyen donne souvent des résultats très proches de l’ap-
proche globale et s’est avérée beaucoup plus performante que les méthodes séquen-
tielles usuelles. Ces stratégies d’optimisation globale et d’optimisation séquentielle
à brouillage moyen sont a priori généralisables à tous les problèmes de planification
de réseaux de radiocommunications tels le GSM, le GPRS, l’UMTS...
Nos solutions ont donné lieu à des collaborations et partenariats industriels.
175
D’une part, l’application WIFIOPT, développé pour Orange Labs, utilise l’optimi-
sation globale. Elle permet de proposer aux entreprises des solutions sans fil de
haute qualité de service. D’autre part, notre optimisation séquentielle avec brouillage
moyen est utilisée par la start-up TRINAPS pour proposer des solutions de réseau
à ses clients.
Notons enfin, que les deux nouvelles stratégies permettent de prendre en compte
diverses notions de Qualité de Service, notamment certains problèmes de sécurité
et de gestion du handover. En effet, lorsque l’on ne souhaite pas couvrir certaines
zones pour des raisons de sécurité, l’usage d’antennes directionnelles devient très
pratique et apporte des solutions adaptées. Par ailleurs, sachant que les technologies
permettant la mobilité dans les WLAN sont en plein développement, l’indicateur
géométrique que l’on propose évalue la forme des cellules et apporte une solution
efficace pour limiter le nombre de changement de cellules lors d’un déplacement.
Du point de vue du traitement de la combinatoire du problème de planification
de réseau WLAN, nous avons géré deux classes de variables de décision : les va-
riables concernant les configurations d’AP (site, type d’antenne, azimut, puissance
d’émission) et les variables concernant l’affectation de fréquence (canal). Cela nous a
conduit à construire plusieurs types de voisinage selon qu’ils concernent les variables
de configuration, les variables de fréquences ou les deux. Etant donné la taille des
problèmes que l’on souhaite résoudre, nous nous sommes orienté vers des algorithmes
de recherche locale et avons développé une heuristique nouvelle dite à Voisinages Va-
riables Aléatoires (VVA) qui, à chaque itération de cette recherche locale, choisit au
hasard le type de voisinage parmi un ensemble des possibles. Etant donné qu’un mi-
nimum local est relatif au voisinage, c’est-à-dire qu’il n’est pas forcément le minimum
pour un autre voisinage, il est intéressant d’alterner la recherche dans les différents
voisinages. De plus, des heuristiques différentes définissent les règles d’exploration
de chacun des voisinages. Certaines de ces heuristiques permettent la dégradation
de la solution courante, d’autres intensifient autour de cette solution. Un algorithme
glouton aléatoire permet de construire la solution initiale de notre recherche locale.
En ce qui concerne les performances, notre algorithme réalise une planification
globale de réseaux réels comptant une trentaine d’émetteurs en quelques minutes
seulement. Les cas pratiques étudiés dans la littérature ne traitent que de petits ré-
seaux ne comptant qu’une dizaine d’émetteurs. A priori cet algorithme peut planifier
des réseaux de plus grande taille de plusieurs centaines d’émetteurs. Au final c’est un
algorithme très modulaire qui a prouvé par les résultats qu’il permet facilement de
combiner les deux sous problèmes (placement et affection). Cette heuristique n’est
pas propre à notre problème et peut être considérée comme un mécanisme général
d’optimisation.
Dans le quatrième chapitre, nous avons réalisé un approfondissement théorique
du problème d’affectation de fréquences dans les réseaux locaux sans fil. Nous avons
176 T -coloration de graphe et d’hypergraphe
Dans un autre domaine, mais toujours sur la modélisation, des études sont ac-
tuellement menées en collaboration avec l’université de Cardiff sur les réseaux mixtes
utilisant plusieurs technologies à la fois comme le 802.16 (WIMAX, acronyme pour
Worldwide Interoperability for Microwave Access) et 802.11 (Wi-Fi) ou plusieurs
normes simultanément comme le 802.11g et le 802.11a. Ces hybridations de tech-
nologies permettent d’augmenter les ressources radio en multipliant les canaux de
fréquences disponibles. C’est un enjeu très prometteur pour les années à venir pour
lequel il n’existe pas encore de modélisation adaptée.
Pour les modèles théoriques que nous avons proposés, il serait intéressant de mo-
déliser en T -coloration d’hypergraphe d’autres problèmes d’allocation de ressources
avec contraintes n-aires. De plus, la procédure de transformation de la modélisation
présentée au chapitre 4 est directement réutilisable pour tous les problèmes basés
sur le calcul du SINR. La réutilisation dans le contexte du GSM et de l’UMTS est
quasi immédiate.
Sur le plan algorithmique, l’heuristique à Voisinages Variables Aléatoires ouvre
le champ à de très nombreux et nouveaux algorithmes. Il serait nécessaire d’en faire
un approfondissement théorique et de la comparer avec les autres heuristiques de
la littérature comme la Recherche Tabou, le recuit simulé, les algorithmes géné-
tiques... De plus il est intéressant d’étudier comment gérer les hybridations avec
ces metaheuristiques en s’inspirant des hyper-heuristiques. Une autre perspective
est de développer des algorithmes performants pour la T -coloration d’hypergraphe,
notamment en approfondissant et en généralisant les algorithmes de T -coloration de
graphe [Dorne & Hao, 1998]. Quelques travaux sur de tels algorithmes sont en cours
de développement.
Concernant la validité de nos résultats, nous menons actuellement des études
sur la robustesse de la solution trouvée par notre algorithme à Voisinages Variables
Aléatoires. En faisant varier la demande offerte au réseau, nous testons la capacité du
réseau à maintenir une certaine qualité de service. De même, en faisant varier aléa-
toirement les valeurs de puissances des signaux reçus par les clients, nous testons la
capacité du réseau à résister aux fluctuations très réelles liées aux changements d’en-
vironnement : portes ouvertes, déplacement de meuble, forte densité de personnes
dans les locaux, humidité de l’air...
Toujours en terme de validité, l’aspect sensible de l’optimisation séquentielle avec
brouillage moyen est la définition préalable du coefficient gamma. Il est donc envisa-
geable de considérer plusieurs valeurs de gamma selon les zones du bâtiment ou de le
faire évoluer au cours de l’optimisation en fonction de la densité des émetteurs. Il est
également possible d’itérer plusieurs fois consécutives le problème de placement avec
brouillage moyen et le problème d’allocation de fréquences. Le facteur de protection
moyen de chaque itération est déterminé grâce à la solution du problème d’alloca-
tion de fréquences de l’itération précédente ; il évolue ainsi à chaque itération. Ces
178 T -coloration de graphe et d’hypergraphe
Revue internationale
Gondran A., Caminada A., Fondrevelle J., Baala O., Wireless LAN planning : a
didactical model to optimise the cost and effective payback, International Journal
of Mobile Network Design and Innovation (IJMNDI), Inderscience, vol. 2, no. 2,
pp.13-25, 2007.
Gondran A., Baala O., Caminada A., Mabed H, Hypergraph T-Coloring for Automa-
tic Frequency Planning problem in Wireless LAN, 19th IEEE International Sympo-
sium on Personal, Indoor and Mobile Radio Communications 2008 (PIMRC 2008),
Cannes, France, September 15-18, 2008.
Gondran A., Baala O., Caminada A., Mabed H, Interference Management in IEEE
802.11 Frequency Assignment, 67th IEEE Vehicular Technology Conference Spring
2008 (VTC 2008), pp. 2238-2242, Singapore, May 11-14, 2008.
Gondran A., Baala O., Caminada A., Mabed H, 3-D BSS Geometric Indicator for
WLAN Planning, 15th International Conference on Software, Telecommunications
and Computer Networks (SoftCOM 2007), pp.1-5, Split, Croatia, September 27-29,
2007.
Gondran A., Baala O., Caminada A., Mabed H, Joint Optimization of Access Point
Placement and Frequency Assignment in WLAN, 3rd IEEE/IFIP International Confe-
rence in Central Asia on Internet (ICI 2007), pp. 1-5, Tashkent, Uzbekistan, Sep-
tember 26-28, 2007.
180 T -coloration de graphe et d’hypergraphe
Autres Conférences
Avec actes et comité de sélection
Gondran A., Caminada A., Baala O., Interferences multiples et coloration d’hy-
pergraphes, 10ième congres de la Societe Francaise de Recherche Operationnelle et
d’Aide a la Decision (ROADEF 2008), pp. 213-214, Clermont-Ferrand, France, Fe-
bruary 25-27, 2008.
Gondran A., Caminada A., Baala O., Analyse de capacite par niveau de debit pour
gerer la qualite de service d’un reseau 802.11, Journees Doctorales en Informatique
et Reseaux (JDIR’08), pp. 37-46, Villeneuve d’Ascq, France, January 16-18, 2008.
Gondran A., Baala O., Fondrevelle J., Caminada A., Un modele discret de pla-
nification des reseaux WLAN, 9e congres de la Societe Francaise de Recherche Ope-
rationnelle et d’Aide a la Decision (ROADEF 2007), pp. 215-216, Grenoble, France,
February 20-23, 2007.
Gondran A., Fondrevelle J., Baala O., Caminada A., Modélisation du problème théo-
rique de planification WLAN par fonctions d’ensembles, META 2006, Hammamet,
Tunisie, November 4-6, 2006.
Gondran A., Caminada A., Baala O., Mabed H., Joint Optimization of Access Point
Placement and Frequency Assignment in WLAN, Journees ResCom organisees par
le Groupe de Recherche Architecture, Systemes et Reseaux, ENSEEIHT/IRIT, Tou-
louse, France, September 20-21, 2007.
Gondran A., Baala O., Caminada A., Problemes intriques en planification de reseaux
WLAN, Reunion Reseau Grand Est (RGE), organisees par le Groupe de Recherche
Architecture Systemes et Reseaux, Montbeliard, France, June 7, 2007.
181
Gondran A., Nouveau modele de calcul du SINR pour les reseaux WIFI, Journees Re-
sCom, ENST, Paris, organisees par le Groupe de Recherche Architecture, Systemes
et Reseaux, September 25-26 2006.
Bibliographie
[Burke et al., 2003] Burke, E., Hart, E., Kendall, G., Newall, J., Hart, E., Ross, P.,
& Schulenburg, S. 2003. Handbook of Metaheuristics. Kluwer. Chap. 16 - Hyper-
Heuristics : An Emerging Direction in Modern Search Technology search, pages
457–474.
[Burton, 2002] Burton, M. 2002 (November). Channel Overlap Calculations for
802.11b Networks. White Paper. Cirond Technologies Inc.
[Calì et al., 2000] Calì, F., Conti, M., & Gregori, E. 2000. Dynamic IEEE 802.11 :
Design, Modeling and Performance Evaluation. IEEE Journal on Selected Areas
in Communications, 18(9), 1774–1786.
[Chaigneaud et al., 2001] Chaigneaud, L., Guillet, V., & Vauzelle, R. 2001 (Octo-
ber). A 3D ray-tracing tool for broadband wireless systems. Pages 2043–2047 of :
54th IEEE Vehicular Technology Conference, VTC 2001, vol. 4.
[Chaudet, 2004] Chaudet, C. 2004 (September). Autour de la réservation de bande
passante dans les réseaux ad hoc. Ph.D. thesis, INSA Lyon, France.
[De La Roche et al., 2006] De La Roche, G., Rebeyrotte, R., Jaffrès-Runser, K., &
Gorce, J.-M. 2006 (June). A QoS-based FAP criterion for Indoor 802.11 wire-
less LAN optimization. Pages 5676–5681 of : IEEE International Conference on
Communications (ICC2006), vol. 12.
[Devarenne, 2007] Devarenne, I. 2007 (Novembre). Études en recherche locale adap-
tative pour l’optimisation combinatoire. Ph.D. thesis, Université de Technologie
de Belfort Montbéliard, France.
[Devarenne et al., 2008] Devarenne, I., Mabed, H., & Caminada, A. 2008. Intelligent
neighborhood exploration in local search heuristics. International Journal on
Tools with Artificial Intelligence.
[Dorne & Hao, 1998] Dorne, R., & Hao, J.-K. 1998. Tabu Search for graph coloring,
T -coloring and Set T -colorings. Chap. 3, pages 33–48 of : S. Voss, S. Martello,
I.H. Osman, & Roucairol, C. (eds), Meta-heuristics : Advances and Trends in
Local Search Paradigms for Optimization. Kluwer.
[Doufexi et al., 2003] Doufexi, A., Armour, S., Beng-Sin, L., Nix, A., & Bull, D. 2003
(May). An evaluation of the performance of IEEE 802.11a and 802.11g wireless
local area networks in a corporate office environment. Pages 1196–1200 of : IEEE
International Conference on Communications, ICC’03, vol. 2.
[Duda, 2008] Duda, A. 2008 (September). Understanding the Performance of 802.11
Networks. In : IEEE International Symposium on Personal, Indoor and Mobile
Radio Communications, PIMRC’08.
[Dupont et al., 2005] Dupont, A., Vasquez, M., & Habet, D. 2005. Consistent Neigh-
bourhood in a Tabu search. Workshop on Combination of Metaheuristic and Local
Search with Constraint Programming techniques, University of Nantes, France.
BIBLIOGRAPHIE 185
[Eisenblätter et al., 2007] Eisenblätter, A., Geerdes, H.-F., & Siomina, I. 2007
(June). Integrated access point placement and channel assignment for Wireless
LANs in an indoor office environment. Pages 1–10 of : IEEE International Sym-
posium on a World of Wireless, Mobile and Multimedia Networks, WoWMoM
2007.
[Fortune et al., 1995] Fortune, S.J., , Gay, D.M., Kernighan, B.W., Landron, O.,
Valenzuela, R.A., & Wright, M.H. 1995. WISE Design of Indoor Wireless Sys-
tems : Practical Computation and Optimization. IEEE Computing in Science and
Engineering, 2(1), 58–68.
[Friis, 1946] Friis, H.T. 1946. A Note on a Simple Transmission Formula. Proceedings
of the IRE, 34(5), 254–256.
[Glaß er et al., 2005] Glaß er, C., Reith, S., & Vollmer, H. 2005. The complexity
of base station positioning in cellular networks. Discrete Applied Mathematics,
148(1), 1–12.
[Gondran et al., 2007a] Gondran, A., Baala, O., Caminada, A., & Mabed, H. 2007a
(September 27-29). 3-D BSS Geometric Indicator for WLAN Planning. In :
Proceedings of 15th International Conference on Software, Telecommunications
and Computer Networks, SoftCOM 2007.
[Gondran et al., 2007b] Gondran, A., Baala, O., Caminada, A., & Mabed, H. 2007b
(September 26-28,). Joint Optimization of Access Point Placement and Frequency
Assignment in WLAN. In : Proceedings of 3rd IEEE International Conference in
Central Asia on Internet The Next Generation of Mobile, Wireless and Optical
Communications Networks 2007.
[Gondran et al., 2008] Gondran, A., Baala, O., Caminada, A., & Mabed, H. 2008
(May 11-14). Interference Management in IEEE 802.11 Frequency Assignment.
In : IEEE Vehicular Technology Conference Spring 2008, VTC 2008.
[Gondran & Minoux, 1995] Gondran, M., & Minoux, M. 1995. Graphes et Algo-
rithmes. Eyrolles.
[Gorce et al., 2007] Gorce, J.-M., Jaffrèes-Runser, K., & De La Roche, G. 2007. A
Deterministic Approach for Fast Simulations of Indoor Radio Wave Propagation.
IEEE Trans on Antennas and Propagation, 55(3,2), 938–948.
[Haidar et al., 2008] Haidar, M., Ghimire, R., Al-Rizzo, M., Akl, R., & Chan, Y.
2008 (May). Channel Assignment in an IEEE 802.11 WLAN Based on Signal-to-
interference Ratio. Pages 1169–1174 of : Canadian Conference on Electrical and
Computer Engineering : Communications and Networking (CCECE 2008).
[Hansen & Mladenovic, 1999] Hansen, P., & Mladenovic, N. 1999. Meta-heuristics,
advances and trends in local search paradigms for optimisation. Kluwer. Chap.
An introduction to variable neighbourhood search, pages 433–458.
186 BIBLIOGRAPHIE
[Hao & Vasquez, 2000] Hao, J.-K., & Vasquez, M. 2000. Heuristic approach for
antenna positioning in cellular networks. Journal of Heuristics, 443–472.
[He et al., 2004] He, J., Verstak, A.A., Watson, L.T., Stinson, C.A., Ramakrish-
nan, N., Shaffer, C.A., Rappaport, T.S., Anderson, C.R., Bae, K.K., Jiang, J., &
Tranter, W.H. 2004. Globally optimal transmitter placement for indoor wireless
communication systems. IEEE Transactions on Wireless Communications, 3(6),
1906–1911.
[Heusse et al., 2003] Heusse, M., Rousseau, F., Berger-Sabbatel, G., & Duda, A.
2003 (March 30 - April 3,). Performance anomaly of 802.11b. Pages 836–843 of :
Proceedings of IEEE INFOCOM 2003, vol. 2.
[Hills, 2001] Hills, A. 2001. Large-scale wireless LAN design. IEEE Communications
Magazine, 39(September), 98–104.
[Hills et al., 2004] Hills, A., Sclegel, J., & Jenkins, B. 2004. Estimating Signal
Strengths in the Design of an Indoor Wireless Network. IEEE Transactions on
Wireless Communications, 3(January), 17–19.
[Jaffrès-Runser et al., 2006] Jaffrès-Runser, K., Gorce, J.-M., & Ubéda, S. 2006.
QoS constrained wireless LAN optimization within a multiobjective framework.
IEEE Wireless Communications, 13(6), 26–33.
[Jaffrès-Runser et al., 2008] Jaffrès-Runser, K., Gorce, J.-M., & Ubéda, S. 2008.
Mono- and multiobjective formulations for the indoor wireless LAN planning pro-
blem. Journal of Computers and Operations Research. Special Issue on Telecom-
munications Network Engineering, 35(12), 3885–3901.
[Jedidi, 2004] Jedidi, A. 2004 (May). Modélisation et optimisation de la topologie des
réseaux mobiles GSM. Ph.D. thesis, Université Joseph Fourier, Grenoble, France.
[Jedidi et al., 2004] Jedidi, A., Caminada, A., & Finke, G. 2004. 2-Objective Op-
timization of Cells Overlap and Geometry with Evolutionary Algorithms. Pages
130–139 of : Lecture Notes in Computer Science, vol. 3005. Washington, DC,
USA : IEEE Computer Society.
[Ji et al., 2002] Ji, Z., Sarkar, T.K., & Li, B.-H. 2002. Methods for optimizing the
location of base stations for indoor wireless communications. IEEE Transactions
on Antennas and Propagation, 50(10), 1481–1483.
[Jin et al., 2003] Jin, Z., Wu, X., Shu, Y., & Liu, F. 2003 (May). Optimal place-
ment of multiple 802.11b AP in a wireless classroom. Pages 741–744 of : Canadian
Conference on Electrical and Computer Engineering : Communications and Net-
working (CCECE 2003), vol. 2.
[Kamenetsky & Unbehaun, 2002] Kamenetsky, M., & Unbehaun, M. 2002. Coverage
planning for outdoor wireless LAN systems. Pages 1–6 of : International Zurich
Seminar on Broadband Communications, vol. 49.
BIBLIOGRAPHIE 187
[Kariv & Hakimi, 1979] Kariv, O., & Hakimi, S.L. 1979. An algorithmic approach
to network location problems. II : The p-medians. SIAM Journal on Applied
Mathematics, 37(3), 539–560.
[Karp, 1972] Karp, R.M. 1972. Reducibility Among Combinatorial Problems. Pages
85–103 of : Miller, R.E., & Thatcher, J.W. (eds), Complexity of Computer Com-
putations. Plenum Press.
[Kouhbor et al., 2005] Kouhbor, S., Ugon, J., Kruger, A., & Rubinov, A. 2005. Op-
timal Placement of Access Point in WLAN Based on a New Algorithm. Pages
592–598 of : Proceedings of the International Conference on Mobile Business,
ICMB’05. Washington, DC, USA : IEEE Computer Society.
[Lee et al., 2002] Lee, Y., Kim, K., & Choi, Y. 2002. Optimization of AP placement
and channel assignment in wireless LANs. Page 831 of : LCN’02 : Proceedings
of the 27th Annual IEEE Conference on Local Computer Networks. Washington,
DC, USA : IEEE Computer Society.
[Ling & Yeung, 2005] Ling, X., & Yeung, K.L. 2005. Joint access point placement
and channel assignment for 802.11 wireless LANs. Pages 1583–1588 of : IEEE
Wireless Communication and Networking Conference.
[Lu & Valois, 2006] Lu, J.-L., & Valois, F. 2006 (June). Performance evaluation of
802.11 WLAN in a real indoor environment. In : 2nd International Conference
on Wireless and Mobile Computing, Networking and Communications (WiMob).
IEEE, Montreal, Canada.
[Lu et al., 2006] Lu, J.-L., Runser, K., Gorce, J-M., & Valois, F. 2006 (June). Indoor
WLAN Planning with a QoS constraint based on a Markovian Performance Eva-
luation Model. Pages 152–158 of : 2nd International Conference on Wireless and
Mobile Computing, Networking and Communications (WiMob). IEEE, Montreal,
Canada.
[Mabed & Caminada, 2006] Mabed, H., & Caminada, A. 2006 (September). Geo-
metric criteria to improve the interference performances of cellular network. Pages
1–10 of : IEEE Vehicular Technology Conference, VTC 2006.
[Mabed et al., 2005] Mabed, H., Devarenne, I., Caminada, A., & Legendre, J.F.
2005 (Juin). ALGOPDF - Spécification détaillé d’algorithme d’optimisation de
fréquences pour PR4G. Tech. rept. Laboratoire SeT, UTBM, Belfort, France.
[MacGibney & Klepal, 2005] MacGibney, A., & Klepal, M. 2005. Tool for automa-
tic design and optimisation of large scale WLAN. In : 7th IFIP International
Conference on Mobile and Wireless Communication Networks.
[Maksuriwong et al., 2003] Maksuriwong, K., Varavithya, V., & Chaiyaratana, N.
2003 (Oct 5-8). Wireless LAN access point placement using a multi-objective ge-
netic algorithm. Pages 1944–1949 of : IEEE International Conference on Systems,
Man and Cybernetics, vol. 2.
188 BIBLIOGRAPHIE
[Mathar & Niessen, 2000] Mathar, R., & Niessen, T. 2000. Optimum positioning of
base stations for cellular radio networks. Wirel. Netw., 6(6), 421–428.
[Meignan, 2008] Meignan, D. 2008 (Décembre). Une approche organisationnelle et
multi-agent pour la modélisation de l’implantation de métheuristiques. Ph.D. the-
sis, Université de Technologie de Belfort Montbéliard, France.
[Mendes, 2005] Mendes, F. 2005. Méthodes de décomposition pour la coloration de
graphe. Ph.D. thesis, Université de Picardie, Amiens.
[Mezani, 2005] Mezani, N. 2005. Algorithmes approchés aléatoires. Ph.D. thesis,
Université de Paris IX, France.
[Mühlethaler & Najid, 2001] Mühlethaler, P., & Najid, A. 2001 (April). An efficient
Simulation Model for Wireless LANs Applied to the IEEE 802.11 Standard. INRIA
research report 4182. INRIA Rocquencourt, HIPERCOM, Rocquencourt, France.
[Monnot et al., 2003] Monnot, J., Paschos, V., & Toulouse, S. 2003. Approximation
polynomiale des problèmes NP-difficiles : optima locaux et rapport différentiel.
Hermès.
[Paschos, 2004] Paschos, V. 2004. Complexité et approximation polynomiale. Her-
mès.
[Prommak et al., 2002] Prommak, C., Kabara, J., Tipper, D., & Charnsripinyo, C.
2002. Next generation wireless LAN system design. Pages 473–477 of : IEEE
Proceedings of Milcom, vol. 1.
[Raniwala & Chiueh, 2004] Raniwala, A., & Chiueh, T. 2004 (November). Coverage
and capacity issues in enterprise LAN deployment. Tech. rept. IEEE Network
Magazine, Nov 2004 (in submission).
[Reininger & Caminada, 2001] Reininger, P., & Caminada, A. 2001. Multicriteria
design model for cellular network. Annals of Operation Research, 107, 251–265.
[Rodrigues et al., 2000] Rodrigues, R.C., Mateus, G.R., & Loureiro, A.A.F. 2000.
On the design and capacity planning of a wireless local area network. Pages
335–348 of : IEEE / IFIP Network Operation and Management Symposium.
[Ropke & Pisinger, 2006] Ropke, S., & Pisinger, D. 2006. An Adaptive Large Neigh-
borhood Search Heuristic for the Pickup and Delivery Problem with Time Win-
dows. Transportation Science, 40(4), 455–472.
[Runser, 2005] Runser, K. 2005 (October). Méthodologies pour la planification de
réseaux locaux sans-fil. Ph.D. thesis, INSA Lyon, France.
[Runser et al., 2003] Runser, K., Jullo, E., & Gorce, J.-M. 2003 (April). Wireless
LAN planning using the multi-resolution FDPF propagation model. Pages 80–83
of : 12th IEE International Conference on Antennas and Propagation, vol. 1.
BIBLIOGRAPHIE 189
[Sherali et al., 1996] Sherali, H.D., Pendyala, C.M., & Rappaport, T.S. 1996. Opti-
mal location of transmitters for micro-cellular radio communication system design.
IEEE Journal on Selected Areas in Comm., 14(4), 662–673.
[Stamatelos & Ephremides, 1996] Stamatelos, D., & Ephremides, A. 1996. Spectral
efficiency and optimal base placement for indoor wireless networks. IEEE Journal
on Selected Areas in Communications, 14(4), 651–661.
[Tang et al., 2001] Tang, K.-S., Man, K.-F., & S., Kwong. 2001. Wireless communi-
cation network design in IC factory. IEEE Transactions on Industrial Electronics,
48(2), 452–459.
[Unbehaun & Kamenetsky, 2003] Unbehaun, M., & Kamenetsky, M. 2003. On the
deployment of picocellular wireless infrastructure. IEEE Wireless Communica-
tions, 10(6), 70–80.
[Wertz et al., 2004] Wertz, P., Sauter, M., Landstorfer, F.M., Wolfle, G., & Hoppe,
R. 2004. Automatic optimization algorithms for the planning of wireless local area
networks. Pages 3010–3014 of : Proceedings of 60th IEEE Vehicular Technology
Conference, VTC’04.
[Wong et al., 2003] Wong, J.K.L., Neve, N.J., & Sowerby, K.W. 2003 (April). Uplink
and downlink SIR analysis for base station placement. Pages 112–116 of : Pro-
ceedings of the IEEE Vehicular Technology Conference, vol. 1.
[Wong et al., 2005] Wong, T., Bigras, P., & de Kelper, B. 2005. A Multi-
Neighborhood and Multi-Operator Strategy for the Uncapacitated Exam Proxi-
mity Problem. Systems, Man and Cybernetics, 2005 IEEE International Confe-
rence on, 4, 3810– 3816.
[Wright, 1998] Wright, M.H. 1998. Optimization methods for base station place-
ment in wireless applications. Pages 11513–11517 of : Proceedings of Vehicular
Technology Conference, VTC’98, vol. 89.
Table des figures
2.1 Codages et modulations pour les débits nominaux définis par les
normes 802.11b/g/a (les seuils de sensibilité et de SINR sont ceux
des cartes Cisco Aironet 802.11b/g et 802.11a) . . . . . . . . . . . . . 78
2.2 Facteur de protection γ(.) pour les normes 802.11b/g . . . . . . . . . 82
2.3 Paramètres physiques et MAC liés aux normes 802.11b, 802.11g et 802.11a . . . 87
2.4 Données du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
2.5 Variables de décision du problème . . . . . . . . . . . . . . . . . . . . 91
2.6 Données intermédiaires du problèmes . . . . . . . . . . . . . . . . . . 92
Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.
Alternative Proxies: