‫الجم ـ ـهـ ــوريـ ـ ـ ـ ـ ـ ـ ـ ــة الجـ ـ ـ ـ ـ ـ ـزائ ــري ـ ــة الديمـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـقـ ـراط ـي ـ ــة الـ ـشـ ـ ـ ـ ـ ـ ـ ـ ـ ـعـ

ـبـ ـي ـ ــة‬
Republique Algerienne Democratique Et Populaire
‫ـال والبـ ـ ـ ـ ـ ــحث الع ـ ـ ـ ـ ـ ـ ـل ـ ـم ـ ـ ـ ــي‬
‫وزارة الت ـ ـ ـ ـ ـ ـ ـ ـع ـ ــلي ـ ـ ــم الع ـ ـ ـ ـ ـ ي‬
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
‫ ت ـ ــبسـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ــة‬- ‫ج ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ـ ــامعة العرب ـ ـ ـ ـ ـ ـ ـ ــي التبس ـ ـ ـ ـ ـ ـ ـ ــي‬
Université Larbi Tébessi – Tébessa –
Faculté des Sciences et de la Technologie
Département de génie électrique

MEMOIRE
Présenté pour l’obtention du diplôme de Master Académique

En : Réseaux et Télécommunications

Spécialité : Réseaux et Télécommunications

Par : ABDELLATIF Belgacem.

MERZOUGUI Issam.

Sujet

OPTIMISATION DE MODELE DE PROPAGATION DE LA

COUVERTURE DU RESEAU LTE

Présenté et soutenu publiquement, le 14 / 06 / 2021, devant le jury composé de :

M. MEROUMIA Abdellah MCA Président

Mme. BOUCHEMHA Amel MCA Rapporteur

M. BENTAHAR Tarek MCB Examinateur

Promotion : 2020/2021
Remerciements
Notre mémoire était une expérience bien plus importante que tous les projets
que nous avons réalisés jusqu'à présent. Le fait de voir ce projet se transformer en un
accomplissement n'aurait jamais été possible sans le soutien de nombreuses
personnes.
Tous les louanges sont dues Au Seigneur ALLAH le tout puissant pour nous avoir
donné la patience et le courage de surmonter tous les obstacles auxquels nous avons
fait face au cours de réaliser ce travail.
Nous tenons à exprimer notre sincère gratitude à notre encadreur et mentor,
Madame BOUCHEMHA Amel, qui nous a guidé, encouragé, soutenus et qui a accepté
rien de moins que nos meilleurs efforts. C’était un honneur pour nous d'avoir la
chance de travailler avec vous.
Nous remercions profondément Madame DJELLAB Hanane pour avoir partagé
ses connaissances et son expérience dans ce domaine avec nous, et pour avoir été
d'un grand soutien dans l'élaboration de cette thèse.
Nous exprimons aussi notre reconnaissance à nos enseignants de l’université
de Larbi Tébessa – Tébessa ont si bien mené leur noble métier d’enseignement et qui
ont déployé leurs efforts pour assurer une formation aussi complète, pour aider et
soutenir toute la promotion le long du cycle.
Dédicace
Je dédie ce modeste travail qui est le fruit de plusieurs années d'étude:
A mon cher père, l’épaule solide, l’œil attentif, école de mon enfance, qui a été mon
ombre durant toutes les années des études, et qui a veillé tout au long de ma vie à
m’encourager, à me donner l'aide et à me protéger.
A ma mère, qui m'a donné la vie, le symbole de tendresse, qui s'est sacrifiée pour
mon bonheur et ma réussite,
Mes chers parents, tous ce que je peux vous offrir ne pourra exprimer l’amour et le
respect que je vous porte. Aucune dédicace ne saurait exprimer mes sentiments,
que dieu vous préserve et vous procure santé et longue vie.
En témoignage, je vous offre ce modeste travail pour vous remercier pour tes
sacrifices, et pour l’affection dont vous m’avez toujours entourée.
A ma chère sœur Sarra, Aucun langage ne saurait exprimer mon respect et ma
considération pour votre soutien et encouragements.
A mes chers, Taki et Sirine.
A mes grandes mères.
A mes oncles Salim et Noureddine.
A toute ma famille.
A mon binôme et chère ami ABDELLATIF Belgacem qui me participe pour faire un
bon mémoire.
A mes très chers amis Khaled, Med Ali, Mouaad, Sid Ahmed et Amjed.
A toute la classe de master 2 Réseaux et Télécommunications.

Issam.
 ‫ملخص‬
ً ً
‫أبدا منذ ظهوره األول للتشابه ى‬
Full-" ‫تدريجيا إل شبكات الجيل الرابع‬ ‫حت االنتقال‬ ‫لم يتوقف تطوير الهواتف المحمولة‬
ً
‫ تتمتع هذه‬.‫ تتم عملية انتشار التغطية وفقا لنماذج تجريبية تسمح بدراسة أداء الشبكة من حيث فقدان اإلشارة‬.IP" (4G)
‫ يقدم هذا العمل دراسة مقارنة لطريقة‬.‫للتقية لجعلها مناسبة لالستخدام يف جميع المناطق‬ ‫الطرازات بالقدرة عىل أن تكون قابلة ى‬

‫ واألدوات األساسية لتخطيط الراديو والتحسي يف شبكات‬،‫) لنماذج االنتشار‬PSO( ‫تحسي عن طريق خوارزمية أرساب الطيور‬
‫ بغية اإلستفادة من خدمات الراديو‬،‫الرئيس هو تحسي نماذج االنتشار من أجل ضمان جودة الوصول للجميع‬
‫ي‬ ‫ الهدف‬.‫المحمول‬
‫الت أجريت يف‬‫ى‬
‫ تم عرض نمذجة المشكلة ونتائج التنفيذ من خالل القياسات الالسلكية ي‬،G/LTE4 ‫عت شبكة‬ ‫المحمول وهذا ر‬
‫ى‬
‫ وقد تم التحقق من أن نماذج االنتشار المدروسة ي‬.‫مدينة تبسة بالجزائر‬
‫ تسمح جميعها بالحصول عىل نماذج‬PSO ‫الت تنبأ بها نهج‬
.‫الالسلك‬ ‫محسنة وموثوقة تسمح بالتنبؤ بدقة االنتشار ف بيئة ى‬
‫التدد‬ ّ
‫ي‬ ‫ي‬
:‫الكلمات المفتاحية‬
‫ن‬
.PSO ‫ خوارزمية أرساب الطيور‬،‫ خوارزمية‬،‫ نماذج االنتشار‬،‫ تغيطة الشبكة‬،4G/LTE ‫ شبكة الجيل الرابع‬،‫تحسي‬

Résumé
La téléphonie mobile n’a jamais arrêté de se développer depuis ses premières apparitions
de l’analogie jusqu’à arriver progressivement à passer aux réseaux « tout-IP » de la quatrième
génération (4G). L’opération de propagation de la couverture se réalise selon des modèles
empiriques qui permettent l’étude de performance de réseaux en termes d’affaiblissement
trajectoire. Ces modèles ont l’aptitude à être améliorable pour les rendre adéquats pour les utilises
dans toutes les milieux. Le présent travail présente une étude comparative de la méthode
d’optimisation PSO (Particule Swarm Optimization : Essaim de particules), de modèles de
propagation et les outils essentiels pour la planification et l’optimisation radio dans les réseaux
mobiles. Le but essentiel est l’optimisation les modèles de propagation pour garantir une qualité
d’accès pour tous aux services radio mobiles via le service 4G/LTE. La modélisation du problème et
les résultats de l’implémentation au travers des mesures radio faites dans la ville de Tebessa,
Algérie, ont été présentés. Il a été vérifié que les modèles de propagation étudiés prédits par
l’approche de PSO permettent tous d’avoir des modèles optimisés fiables et permettant de prédire
avec précision la propagation en environnement RF.

Les mots Clés :

Optimisation, 4G/LTE, Couverture réseau, Modèle de propagation, Affaiblissement, PSO

I
Abstract
The development of mobile telephony has never stopped since its first appearance of the
analogy until gradually moving to fourth generation "all-IP" networks (4G). The coverage
propagation operation is carried out according to empirical models which allow the study of
network performance in terms of path loss. These models have the ability to be upgradeable to
make them suitable for use in all settings. This work presents a comparative study of the PSO
(Particle Swarm Optimization) optimization method of propagation models; essential tools for radio
planning and optimization in mobile networks. The main goal is to optimize the propagation models
to guarantee a quality of access for all to mobile radio services via the 4G / LTE service. The modeling
of the problem and the results of the implementation through radio measurements made in the city
of Tebessa, Algeria, were presented. It has been verified that the studied propagation models
predicted by the PSO approach all allow having reliable optimized models allowing to accurately
predict the propagation in RF environment.

Key-Words:
Optimization, 4G/LTE, Network coverage, Propagation model, PathLoss, PSO

II
 Table des matières
Remerciements
Dédicaces
Résumé………………………………………………………………………….…………………………………………………….…………I
Liste des figures…………………………………………………………………………………………………………………….…..…VI
Liste des Tableaux……………………………………………………………………………………………………….…….…….…VIII
Liste des Abréviations……………………………………………………………………………………………………….……….…IX
Introduction générale……………………………………………………………………………………………………….…….…….1

I. Généralité et Etat de l’art de ............................................................................ 1

I.1 Introduction ............................................................................................................................ 3
I.2 Objectif de la 4G/LTE [1] .......................................................................................................... 4
I.3 Les caractéristiques de la norme 4G/LTE [3] ............................................................................. 4
I.4 Architecture du système LTE [4] ............................................................................................... 5
I.4.1 Equipement Utilisateur (UE) : Éléments du réseau LTE ................................................................................ 6
I.4.2 Réseau d’accès E-UTRAN .............................................................................................................................. 7
I.4.2.1 eNodeB ................................................................................................................................................. 7
I.4.2.2 Les interfaces ....................................................................................................................................... 8
I.4.3 Le cœur de réseau l'EPC (Evolved Packet Core) tout IP ................................................................................ 9
I.5 Principes de fonctionnement de l'interface radio LTE (Protocole et couche MAC) .................... 10
I.5.1 Les Canaux LTE [5]....................................................................................................................................... 10
I.5.2 La couche MAC (Medium Access Control) [5] ............................................................................................. 11
I.6 Allocation de bandes de Fréquences [6] ................................................................................. 12
I.6.1 Attribution des bandes de duplex à répartition de fréquence (FDD) ......................................................... 12
I.6.2 Bandes TDD (Time Division Duplex) ............................................................................................................ 13
I.7 La modulation ....................................................................................................................... 13
I.7.1 La modulation 16-QAM ............................................................................................................................... 14
I.7.2 La modulation 64-QAM ............................................................................................................................... 15
I.7.3 La modulation QPSK .................................................................................................................................... 15
I.8 Les différentes techniques d’accès LTE ................................................................................... 15
I.8.1 Time Division Multiple Access (TDMA) ....................................................................................................... 16
I.8.2 Frequency Division Multiple Access (FDMA) .............................................................................................. 16
I.8.3 Code Division Multiple Access (CDMA) ....................................................................................................... 16
I.8.4 Orthogonal Frequency-Division Multiplexing (OFDM) ............................................................................... 17
I.8.5 Orthogonal Frequency-Division Multiplexing Access (OFDMA).................................................................. 18
I.8.6 Single Carrier – Frequency Division Multiple (SF-FDMA) ............................................................................ 18

III
 I.9 LTE MIMO (Multiple Input Multiple Output)........................................................................... 19
I.10 Le Handover dans LTE ............................................................................................................ 19
I.11 Bilan de liaison ...................................................................................................................... 20
I.11.1 Paramètres du bilan de liaison ............................................................................................................... 21
I.11.2 Calcul du bilan de liaison pour les liens montant et descendant ........................................................... 22
I.12 Modèles de propagation........................................................................................................ 24
I.12.1 Introduction et définition d’un modèle de propagation ........................................................................ 24
I.12.2 Propagation en espace libre (Free Space) .............................................................................................. 25
I.12.3 Catégories des modèles de propagation ................................................................................................ 25
I.12.3.1 Modèle Macro-cellule ........................................................................................................................ 26
I.12.3.2 Modèle Micro-cellule ......................................................................................................................... 26
I.12.4 Différents types de Modèles de propagation RF .................................................................................... 26
I.12.4.1 Les modèles empiriques ..................................................................................................................... 26
I.12.4.2 Les modèles déterministes ................................................................................................................ 27
I.12.5 Les Modèles de propagation RF ............................................................................................................. 27
I.12.5.1 Les modèles pour les grandes cellules (Macro-Cells) ......................................................................... 28
I.[Link] Modèle de Hata ........................................................................................................................... 28
I.[Link] Modèle Okumura-Hata ................................................................................................................ 28
I.[Link] Modèle de COST231-Hata............................................................................................................ 29
I.[Link] Modèle d’Egli ............................................................................................................................... 29
I.[Link] Le Modèle SUI .............................................................................................................................. 29
I.[Link] Ericsson 9999 ............................................................................................................................... 31
I.12.5.2 Les modèles pour les petites cellules (micro-cells) ............................................................................ 31
I.[Link] Le modèle de LEE ......................................................................................................................... 31
I.[Link] Le modèle COST-CNET ................................................................................................................. 32

I.12. Conclusion ................................................................................................. 33

II. Optimisation du modèle de propagation RF ................................................... 35
II.1 Introduction .......................................................................................................................... 36
II.2 Principe de fonctionnement de l’optimisation d'Essaim de Particules (Particul Swarm
Optimization : PSO) .......................................................................................................................... 37
II.2.1 Définition de l’optimisation et de la fonction objective ............................................................................. 37
II.2.2 Motivation de l’utilisation de l’algorithme P.S.O ........................................................................................ 37
II.2.3 Les éléments de l’algorithme P.S.O [26] ..................................................................................................... 39
II.2.4 Définition de la position et de la vitesse courante associée à une particule .............................................. 39
II.3 Conception et déroulement de l’algorithme ........................................................................... 42
II.3.1 Conception de l’algorithme ........................................................................................................................ 42
II.3.2 Déroulement de l’algorithme PSO .............................................................................................................. 43
II.3.3 Inconvénient de l’algorithme PSO [26] ....................................................................................................... 44

IV
 II.4 Application de l’algorithme PSO à l’optimisation des modèles empiriques de propagation
OKUMURRA-HATTA et SUI ................................................................................................................ 45
II.4.1 Les données et l'analyse de l’affaiblissement ............................................................................................. 45
II.4.2 Algorithme PSO appliqué au modèle .......................................................................................................... 46
II.5 Conclusion. ........................................................................................................................... 48

III. RESULTATS ..................................................................................................... 49

III.1 Introduction .......................................................................................................................... 50
III.2 Résultats et Interprétations ................................................................................................... 51
III.2.1 Résultat de Chapitre I : Résultats et interprétation de la simulation de Pathloss pour les différents
modèles RF ............................................................................................................................................................... 51
III.2.1.1 Résultats de simulation pour le modèle empirique Okumura-Hata .................................................. 51
III.2.1.2 Résultats de simulation des modèles empiriques SUI et Ericsson ..................................................... 53
III.2.2 Résultats de Chapitre II : Optimisation des paramètres des modèles empiriques avec PSO ................. 58
III.2.2.1 Résultats d’optimisation de modèle Okumura-Hata avec PSO dans un milieu urbain ...................... 58
III.2.2.2 Résultats d’optimisation de modèle SUI avec l’algorithme PSO dans un milieu urbain .................... 61
III.2.3 Optimisation de modèle empirique expérimentale de la région de Tébessa ........................................ 62
III.2.3.1 Résultats et discussion de l’optimisation des modèles RF par PSO avec les mesures réelles ........... 63
III.3 Conclusion ............................................................................................................................ 65
Conclusion générale…………………………………………………………………………………………………….………..…….65

V
 Liste des figures
Figure I.1 : Architecture générale du réseau LTE [4] ........................................................................................................... 6
Figure I.2 : Architecture de l’accès radio (e-UTRAN) d’un réseau LTE [4] ........................................................................... 7
Figure I.3 : Vue d’ensemble de l’architecture de l’E-UTRAN ............................................................................................... 8
Figure I.4 : Architecture générale du LTE avec son cœur EPC [4]. ..................................................................................... 10
Figure I.5 : Association entre les canaux logiques, de transport et physique, (a) : voie montante, (b) : voie descendante
[5] ...................................................................................................................................................................................... 11
Figure I.6 : Les canaux de l’interface radio LTE et leurs imbrications. [5] ......................................................................... 12
Figure I.7 : Modulation Adaptative. .................................................................................................................................. 14
Figure I.8 : la modulation QPSK (2 bits / symbole) ; 16 QAM (4bits/symbole) et 64 QAM (6 bits / symbole) [11]. .......... 15
Figure I.9 : Schéma du principe du modulateur QPSK [13] ............................................................................................... 15
Figure I.10 : (a) Principe du TDMA ; (b) Principe du FDMA et (c). Principe du CDMA. [14] ............................................... 16
Figure I.11 : Modulation OFDM. ....................................................................................................................................... 17
Figure I.12 : Préfixe Cyclique. ............................................................................................................................................ 17
Figure I.13 : La différence entre OFDMA et SC-FDMA [11]. .............................................................................................. 18
Figure I.14 : (a) Principe de la technologie MIMO. [1-20], (b) Schéma représentatif des systèmes SISO, SIMO, MISO, et
MIMO ................................................................................................................................................................................ 19
Figure I.15 : Modèle de bilan de liaison montante. [11] ................................................................................................... 23
Figure I.16 : Modèle de bilan de liaison descendante. [11] ............................................................................................... 24
Figure I.17 : structure hiérarchique de cellules ................................................................................................................. 25
Figure I.18 : Plan de travail des modèles empiriques. ....................................................................................................... 27
Figure I.19 : Détermination des différentes hauteurs équivalentes de l'antenne d'émission. .......................................... 32
Figure I.20 : Profil E-R considéré par le modèle COST-CENT. ............................................................................................ 33
Figure II.1 : Essaims des oiseaux en vol ............................................................................................................................. 36
Figure II.2 : PSO - schéma de principe du déplacement d’une particule ........................................................................... 38
Figure II.3 : Différents topologies pour un essaim des particules ..................................................................................... 39
Figure II.4 : (a) schéma de principe du déplacement d’une particule, (b) schéma vectorielle du déplacement ............... 42
Figure II.5 : Organigramme générale de l’algorithme PSO ............................................................................................... 43
Figure II.6 : Organigramme de processus d'optimisation ................................................................................................. 47
Figure III.1 : Simulation de l’affaiblissement pour le modèle Okumura-Hata à 2100 ....................................................... 52
Figure III.2 : Simulation de l’affaiblissement pour le modèle Okumura-Hata à 1800 ....................................................... 52
Figure III.3 : Influence de la variation de la plage de fréquence sur l’affaiblissement pour le modèle Okumura-Hata .... 53
Figure III.4 : Simulation de l’affaiblissement pour le modèle SUI à 2100 .......................................................................... 54
Figure III.5 : Simulation de l’affaiblissement pour le modèle SUI à 1800 .......................................................................... 54
Figure III.6 : Influence de la variation de la plage de fréquence sur l’affaiblissement pour le modèle SUI ....................... 55
Figure III.7 : Simulation de l’affaiblissement pour le modèle Ericsson à 1800 et 2100 ..................................................... 55
Figure III.8 : Influence de la variation de la plage de fréquence sur l’affaiblissement pour le modèle Ericsson .............. 56
Figure III.9 : comparaisons entre le modèle Okumura-Hata et les résultats d’optimisation avec 5 itérations ................. 59
Figure III.10 : comparaisons entre le modèle Okumura-Hata et les résultats d’optimisation avec 100 itérations ........... 60
Figure III.11 : Comparaison entre le modèle Okumura-Hata et les meilleures optimisations .......................................... 61
Figure III.12 : comparaison entre le modèle SUI et le modèle SUI optimisé ...................................................................... 62
Figure III.13 : La localisation de l’eNodeB N° 12668 - Google Earth ................................................................................. 63
Figure III.14 : comparaison des modèles Okumura-Hata et sui avec les données réelles mesurées ................................. 64
Figure III.15 : comparaison des modèles okumura-hata et sui optimisées avec les données réelles mesurées................ 65

VI
 Liste des tableaux
Tableau I.1 : Les bandes de fréquences du LTE [5] ............................................................................................................ 13
Tableau I.2 : Les bandes de fréquences allouées au LTE TDD [5] ...................................................................................... 13
Tableau I.3 : Bilan de liaison montante [11] ..................................................................................................................... 23
Tableau I.4 : Bilan de li11aison descendante [11] ............................................................................................................ 24
Tableau I.5 : Différentes terrains et leurs paramètres. ..................................................................................................... 30
Tableau I.6 : les Valeurs de kn en fonction des environnements. ...................................................................................... 31
Tableau I.7 : Paramètres du modèle de Lee. ..................................................................................................................... 31
Tableau III.1 : Analyse comparative de modèles de propagation RF (Environnement Urbain, Suburbain et Rural) ......... 57
Tableau III.2 : Résultats obtenus pour l’optimisation Okumura-Hata par PSO (Iter=5 et N variables) ............................. 58
Tableau III.3 : Résultats obtenus pour l’optimisation Okumura-Hata par PSO (Iter=100 et N variables) ......................... 59
Tableau III.4 : Etude comparative de l’optimisation du modèle de propagation avec PSO .............................................. 60
Tableau III.5 : Résumé et comparaison des résultats d’optimisation des modèles Okumura-Hata et SUI ....................... 62
Tableau III.6 : Les spécifications de site étudié ................................................................................................................. 63
Tableau III.7 : Erreur quadratique moyenne entre les modèles empiriques et les mesures réelles .................................. 64
Tableau III.8 : Résultats de l’optimisation par PSO des mesures réelles par rapport aux modèles empirique Okumura-
Hata et SUI ........................................................................................................................................................................ 64

VII
Abréviation
3GGP : Third Generation Partnership Project HARQ : Hybrid automatic repeat request
4G : Quatrième Génération HLR : Home Local Register

A HOR : Handover Request

HSPA : High Speed Packet Access
AAS : Adaptive Antenna Systems
HSS : Home Subscriber Server
Access
AES : Advanced Encryption Standard
I
AMC : adaptive modulation coding IEEE : Institute of Electrical and Electronics

B Engineers
IMS : IP Multimedia Sub-system
BS : Base Station
IMSI : International Mobile Subscriber Identity
BTS : Base transceiver station
IP : Internet Protocol
C
L
CDMA : Code Division Multiple Access
LTE : Long Term Evolution
CENT : Centre National d’Etude des
Télécommunications M
CP : Clinical Prefix MAC : Medium Access Control
CS : Circuit Switched MAPL : Maximum Allowable Power Losses
D MCC : mobile country code
ME : Mobile Equipment
DECT : Digital enhanced cordless
MIMO : Multiple Input Multiple Output
telecommunications.
MISN : Mobile Subscriber Identification Number
E
MISO : Multiple Input Single Output
eNodeB : Evolved Node B MME : Mobility Management Entity
EPC : Evolved Packet Core MNC : Mobile Network Code

F MSE : Mean Square Error

FDD : Frequency Division Duplexing N

FDMA : Frequency Division Multiple Access NGN : Next Generation Network
FTR&D : France Télécom R&D NLOS : Non-Line Of Sight

G O
GSM : Global System for Mobile OFDM : Orthogonal Frequency Division

H Multiplexing.
OFDMA : Frequency Division Multiple

VIII
OSI : Open Radio Link Control TDD : Time Division Duplexing

P TDMA : Time Division Multiple Access

PCEF : Policy and Charging Enforcing Function

U
PCRF : Policy and Charging Rules Function UE : User Equipment
PDCCH : physical downlink control channel UMTS : Universal Mobile Telecommunications
PDN : Packet Data Network System
PDN-GW : Packet Data Network Gateway V
PDP : Packet Data Protocol
VHF : Very High Frequency
PDSCH : Physical Downlink Shared Channel
PIRE : Puissance isotrope rayonnée équivalente W
PRACH : Physical Random-Access Channel Wi-Fi : Wireless Fidelity
PS : Packet Switched WiMAX : Worldwide Interoperability for
PSO : Particle Swarm Optimization Microwave Access.

Q X
QAM : Quadrature Amplitude Modulation xDSL : Digital subscriber line
QPSK : Quadrature Phase Shift Keying

R
RAN : Radio access network
RF : Radio Frequency
RLC : Radio Link Control
RRC : Radio Resource Control
RRM : Radio Resource Management
RRU : Remote Radio Unit

S
SC-OFDMA : Single Carrier Frequency Division
Multiple Access
SGSN : Serving GPRS Support Node
S-GW : Serving Gateway
SIM : Subscriber Identity Module
SIMO : Single Input Multiple Output
SINR : Signal to Interference Ratio
SISO : Single Input Single output
SUI : Stanford University Interim

IX
 INTRODUCTION

GENERALE
Introduction Générale
Le besoin de connectivité en tout lieu, ajouté à la croissance continue du nombre
d'utilisateurs, a déclenché le déploiement et le développement successive de plusieurs générations
de normes de communication mobile au cours des dernières décennies (1G, 2G, 3G, 4G, 5G) ; pour
l'augmentation du débit afin d'atteindre la satisfaction des utilisateurs. Cela nécessite les opérateurs
mobiles de faire une bonne planification et dimensionnement de la couverture de leur réseau l'aide
des outils de planification, en intégrant notamment des modèles de propagation des ondes radio et
des algorithmes d’optimisation du paramétrage. Afin de minimiser les coûts et améliorer la qualité
du service au maximum. Pour cela on s’appuie sur les modèles de propagation pour le but
d'améliorer la qualité (couverture, transmission) des réseaux mobiles. Ces modèles peuvent être
classés en trois catégories : empirique, semi-empirique et déterministe. Le calcul de
l'affaiblissement sur le trajet des modèles de propagation des radiofréquences (RF) pour le réseau
4G à évolution à long terme (LTE) permet de choisir le meilleur modèle de propagation des
radiofréquences. Les modèles de propagation radio sont très importants lors de la planification de
tout système de communication sans fil.
Dans notre travail, une analyse comparative entre les modèles de propagation radio, par ex.
Modèle SUI, modèle Okumura-Hata et Ericsson 9999 qui sera utilisée pour la propagation en LTE.
Le modèle de propagation radio décrit le comportement du signal lorsqu'il est transmis de
l'émetteur vers le récepteur. Il donne une relation à la distance entre l'émetteur et le récepteur et
l'affaiblissement sur le trajet. A partir de la relation mathématique, on peut se faire une idée de
l'affaiblissement de trajet acceptable et de la portée maximale des cellules. L’affaiblissement
dépend de différents terrains et environnements (urbain, rural, urbain dense, suburbain, ouvert,
forêt, mer, etc.), de la situation atmosphérique et de la distance entre l'émetteur et le récepteur.
Pour adapter un modèle de propagation à une région, il existe plusieurs méthodes d’optimisation
et d’algorithmes méta-heuristiques qui permettent d’approximer le modèle en minimisant l’erreur
quadratique moyenne entre le modèle estimé et les mesures expérimentales réelles.
L’objectif de notre travail est de décrire le développement d'un modèle optimisé le plus
approprié à la zone de couverture urbaine dans le réseau d'évolution à long terme (LTE) dans la
bande de fréquence 1800 MHz dans la région urbaine de la cité du 1er novembre de la wilaya de
Tébessa, Algérie.

1
Ce mémoire est organisé en trois chapitres :
▪ Dans le premier chapitre, nous allons présenter les généralités et l’état de l’art de
réseau 4G/LTE, tout en précisant les différents modèles empiriques de propagation
utilisés et leurs formules mathématiques.
▪ Le deuxième chapitre sera consacré à l’étude du principe de fonctionnement de
l’Optimisation d'Essaim de Particules, ainsi que la conception et le déroulement de
l’algorithme PSO. Ensuite, l’algorithme d’optimisation des modèles de propagation
empiriques OKUMURA-HATA et SUI sera basé sur les calculs évolutifs qui dépendent
de l'intelligence de l'essaim.
▪ Le troisième sera consacré à l’implémentation et l’étude expérimentale et
comparative des modèles empiriques optimisés en utilisant l’algorithme PSO.
Enfin, nous terminerons par une conclusion générale.

2
CHAPITRE 01
I. Généralité et Etat de l’art de

Réseau 4G/LTE
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

I.1 Introduction
Les réseaux mobiles sont en constante évolution, où ces dernières années ont vu
l'émergence de plusieurs générations (1G, 2G, 3G, 4G et la 5G), les nouvelles générations à un débit
exceptionnel qui ne cesse d’augmenter et une bande passante de plus en plus large ce qui augmente
le nombre d'utilisateurs pouvant être supportés.
Le réseau sans fil de quatrième génération (4G) se caractérise par une mobilité plus élevée,
des services diverses et des débits plus élèves. Il offre des débits théoriques de 100 Mbps pour une
mobilité forte et jusqu'à 1 Gbps pour une faible mobilité.
Les principales normes 4G sont le LTE (Long Term Evolution) et le WiMAX. Le LTE a été
développé par le groupe 3GPP (Third Generation Partnership Project) et constitue une extension du
HSPA (High Speed Packet Access). Les réseaux mobiles 4G utilisent les technologies MIMO (Multiple
Input Multiple Output), OFDM (Orthogonal Frequency Division Multiplexing), AAS (Adaptive
Antenna Systems), AMS (Adaptive Modulation Schemes), AES (Advanced Encryption Standard) et IP
(Internet Protocol). Ces technologies leur permettent d'atteindre des débits de plusieurs dizaines
de Mbps et introduisent les principales fonctionnalités nécessaires pour permettre la mobilité à de
très grandes vitesses.
Dans ce chapitre, nous allons présenter une étude approfondie sur les réseaux LTE, ses
spécifications techniques, ses concepts de base et les calculs mathématiques nécessaires à l’étude
du réseau 4G sur le plan couverture tout en précisant les différents modèles empiriques de
propagation utilisés.

3
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

I.2 Objectif de la 4G/LTE [1]

Les opérateurs se battent actuellement sur le déploiement de la « 4G », cette fameuse
technologie qui devrait leur permettre de se différencier par la qualité de leur réseau. La 4G vise à
améliorer l’efficacité spectrale et à augmenter la capacité de gestion du nombre de mobiles dans
une même cellule. Elle tente aussi d’offrir de meilleurs débits aux usagers en établissant
l’interopérabilité entre différentes technologies existantes [2]. Elle permet aussi de rendre le
passage entre les réseaux transparent pour l’utilisateur, à éviter l’interruption des services durant
le transfert intercellulaire, et à basculer l’utilisation vers le tout-IP.
La 4G vise à améliorer la capacité de gestion du nombre de mobiles dans une même cellule.
Elle tente aussi d’offrir des débits élevés en situation de mobilité et à offrir une mobilité entre totale
à l’utilisateur en établissant.
Les principaux objectifs visés par les réseaux de 4G sont les suivants :
▪ Réduire les délais et le trafic de signalisation.
▪ Fournir une meilleure qualité de service.
▪ Optimiser l’utilisation des ressources.
▪ Réduire le délai de relève, le délai de bout-en-bout, la perte de paquets.
▪ Minimiser le cout de signalisation.
▪ Assurer la continuité de la session en cours.

I.3 Les caractéristiques de la norme 4G/LTE [3]

Plusieurs raisons ont poussé le groupe 3GPP à élaborer la norme LTE (Long Term Evolution) parmi
lesquelles on peut citer :
▪ La demande croissante de débit et de qualité de service.
▪ La nécessité d’assurer la continuité de la compétitivité du système 3G vis-à-vis des
technologies concurrentes (WiMAX).
▪ L’optimisation des systèmes à commutation de paquets.
▪ La réduction de la complexité.
Les caractéristiques principales de la norme LTE sont :
➢ Débit sur l’interface radio : L’interface radio E-UTRAN doit pouvoir supporter un débit
maximum descendant instantané (du réseau au terminal) de 100 Mbit/s toute en
considérant une allocation de bande de fréquence de 20 MHz pour le sens descendant, et
un débit maximum montant instantané (du terminal au réseau) de 50 Mbit/s en considérant
aussi une allocation de bande de fréquence de 20 MHz.

4
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

➢ Flexibilité de la bande passante : Possible d’opérer avec une bande de taille différente avec
les possibilités suivantes : 1.25, 2.5, 5, 10, 15 et 20 MHz, pour les sens descendants et
montant. L’intention est de permettre un déploiement flexible en fonction des besoins des
opérateurs et des services
➢ Efficacité du spectre Méthode de duplexage : LTE utilise une efficacité du spectre de 5bit/s/Hz
pour le sens Descendant, et 2,5 bit/s/Hz pour le sens montant.
➢ Méthode de duplexage : LTE utilise le Frequency Division duplexing (FDD) et le Time Division
Duplexing (TDD).
➢ Technologies d’accès : Pour offrir des débits élevés le LTE utilise la technologie Orthogonal
Frequency Division Multiple Access (OFDMA) pour le Sens descendant et Single Carrier
Frequency Division Multiple Access (SC-FDMA) et pour le Sens montant.
➢ Orthogonalité du DownLink et UpLink : La liaison montante et la liaison descendante des
utilisateurs sont orthogonales entre elles (pas d’interférence intracellulaire).
➢ Coexistence et Interfonctionnement avec la 3G : Le handover entre E-UTRAN (LTE) et
UTRAN (3G) doit être réalisé en moins de 300 ms pour les services temps-réel et 500 ms pour
les services non temps-réel. Donc, Le LTE prend en charge l’interconnexion et
l’interopérabilité avec les normes 2G et 3G, et les réseaux CDMA-2000. Contrairement à la
3G qui nécessite d’allouer une bande de fréquence de 5 MHz.
➢ Mobilité : La mobilité est assurée à des vitesses comprises entre 120et 350 km/h. Le
handover pourra s’effectuer dans des conditions où l’usager se déplace à grande vitesse.
➢ Technologie d’antenne : LTE utilise la technologie d’antenne Multiple Input Multiple Output
(MIMO)
➢ Support du multicast : Notamment pour les applications multimédia

I.4 Architecture du système LTE [4]

L'architecture du système LTE est basée sur l'IP (Internet Protocol) et est donc conçue pour
prendre en charge efficacement la transmission par paquets. L'infrastructure d'un réseau cellulaire
LTE comprend l'interface radio E-UTRA / E-UTRAN et le réseau cœur : Evolved Packet Core (EPC),
qui comprend les passerelles, la gestion de la mobilité et les bases de données d'abonnés. L'interface
radio et le réseau cœur permettent à l'utilisateur mobile LTE de se connecter à des réseaux de
données externes tels que l’Internet. Contrairement aux réseaux 2G et 3G, qui séparent les réseaux
voix et données, tous les médias sont transmis sous forme de paquets IP dans un réseau LTE. La
station de base LTE (Evolved Node B) se connecte à l'EPC via le Serving Gateway (S-GW), et l'EPC se
connecte au réseau de paquets via la passerelle de réseau de données par paquets (PDN-GW).

5
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

L'entité de gestion de la mobilité (MME) suit les mouvements de l'utilisateur, tandis que la base de
données du serveur d'abonné domestique (HSS) fournit des informations sur les abonnés similaires
au registre d'emplacement domestique (HLR) dans les réseaux 3G / UMTS.
La (Erreur ! Source du renvoi introuvable. représente l’architecture générale du réseau LTE :

Figure I.1 : Architecture générale du réseau LTE [4]

Comme tous les réseaux pour mobiles, celui de la 4G LTE se compose de trois parties comme le
montre la (Figure I.1) :
▪ L'UE: Les équipements mobiles (smartphone, tablette, laptop) qui doivent être compatibles
au réseau 4G.
▪ L'accès radio eUTRAN (evolved Universal Terrestrial Radio Access Network), qui contient
que des eNodeB qui assurent l’échange radio avec l’E-UTRAN.
▪ Le cœur de réseau l'EPC (Evolved Packet Core) tout IP
I.4.1 Equipement Utilisateur (UE) : Éléments du réseau LTE
C’est un équipement de téléphonie mobile cellulaire qui est compatible avec la technologie LTE et
qui peut travailler sur le domaine IP. Ce terminal est authentifié et autorisé à accéder au réseau
mobile de l’opérateur. L’UE se connecte par liaison radio aux stations de bases eNodeB, il assure
l’établissement de la connexion avec le réseau mobile la reconfiguration et la continuité de service
en mobilité avec la mise en œuvre des protocoles et mécanismes propres à cette technologie
mobile. Le User Equipement est l’association de deux éléments qui sont :
• Le terminal mobile : (En anglais Mobile Equipement ME), il s’agit d’un téléphone mobile,
d’un smartphone, d’une tablette tactile, d'un routeur 4G ou d’un ordinateur portable équipé
d'une clé 4G.

6
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

• La carte SIM : (subscriber identification module) représentant l'abonnement souscrit et qui

contient les paramètres clés le concernant. La carte SIM contient le numéro d’identification
de l’abonné (IMSI), constitué du code pays (MCC), de l'identifiant de l'opérateur (MNC), et
de l'identifiant de l'abonné (MSIN).
I.4.2 Réseau d’accès E-UTRAN
Evolved Universal Terrestrial Radio Access Network (E-UTRAN) désigne la partie radio de réseau
mobile LTE qui permet d’assurer les communications radio entre les terminaux mobiles et le cœur
de réseau LTE via une liaison radio VHF. Un EUTRAN est constitué d’antennes radio, de stations de
base eNodeB, ainsi que des liaisons en fibre optique, cuivre ou portées par un faisceau
hertzien raccordant ces équipements entre eux et avec le cœur de réseau. L’EUTRAN fait le
transport de trafic (voix et données) en utilisant les protocoles IP via des bandes passantes
attribuées ou vendues aux opérateurs mobiles par des autorités gouvernementales.

Figure I.2 : Architecture de l’accès radio (e-UTRAN) d’un réseau LTE [4]

I.4.2.1 eNodeB
Sont les stations de base des réseaux mobiles LTE. Équivalent du NodeB dans les
réseaux UMTS. Elles constituent l’élément principal du réseau radio LTE. Les eNodeB sont des
antennes fonctionnant comme une passerelle entre les UE et le réseau cœur du LTE via les RF air
interface. Ils assurent la gestion des ressources radio, les fonctions de control radio et la mobilité
intra ‐ LTE (le Handover) pour le système d'accès évolué. Une station de base eNodeB peut gérer
des cellules radio utilisant plusieurs bandes de fréquence sur différents secteurs. Un site radio a

7
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

généralement 3 secteurs, chacun couvrant un angle de 120°, et peut utiliser sur chaque secteur
plusieurs bandes de fréquences. Un eNodeB gère en général un site d'antennes locales et un ou
plusieurs sites distants.
I.4.2.2 Les interfaces
L’E-UTRAN fournit les informations générales sur les interfaces réseau S1 et X2. Ces deux interfaces
sont montrées dans la (Figure I.3) suivante :

Figure I.3 : Vue d’ensemble de l’architecture de l’E-UTRAN

a. L’interface X2
X2 est une interface logique maillée, qui était définie dans le but de transporter les paquets entre
les eNodeBs. Les échanges utilisant l'interface X2 incluent des informations de transfert, des
rapports de mesure et de coordination des interférences, des mesures de charge, les configurations
de eNodeB, la transmission des données utilisateur et de limiter les pertes de paquets durant le
Handover ou la signalisation sans faire intervenir le réseau cœur. L’eNodeB est relié au cœur du
réseau à travers l'interface S1.
b. L’interface S1
L'interface S1 c’est l’interface intermédiaire entre le réseau d’accès et le réseau cœur, est utilisée
pour connecter le MME / S ‐ GW et l'eNodeB. S1-U (S1-Usager) entre l'eNodeB ET le SGW.
L’interface entre eNodeB et S-GW est appelée S1-U et est utilisée pour transférer données
d'utilisateur. L'interface entre eNodeB et MME est appelée S1-MME et est utilisé pour transférer les
informations du plan de contrôle. Un exemple de plan de contrôle : les informations comprennent
la prise en charge de la mobilité, la pagination, la gestion des services de données, les services de
localisation et la gestion du réseau.

8
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

I.4.3 Le cœur de réseau l'EPC (Evolved Packet Core) tout IP

Comparativement aux différents réseaux 2G et 3G qui utilisent les deux domaines de
commutation de circuits CS (Circuit Switched) et de commutation de paquet, PS (Packet Switched),
le réseau central (core network), opère avec un seul domaine de paquet appelé EPC (Evolved Packet
Core), qui offre tous ces services en IP. L’évolution majeure de l’EPC est la séparation des plans
contrôle et usage pour les équipements cœur. A l’image du NGN (Next Generation Network,
évolution portée par la Release 4 3GPP) pour le circuit, les flux « contrôle » et « usage » ne seront
plus, dans la plupart des cas, à destination des mêmes équipements. Les nouveaux éléments de la
4G (Figure I.4) :
❖ Le SGSN est séparé en deux entités fonctionnelles différentes : le MME (Mobile Management
Entity) pour le plan « contrôle » et le Serving Gateway pour le plan « usage ».
➢ Le MME va ainsi gérer les sessions (authentification, autorisations, session voix et donnée)
et la mobilité (localisation, « paging », « hand-over »,...) du terminal.
➢ La Serving Gateway sera responsable de l’acheminement des flux « utiles » dans le réseau
cœur (les communications voix, le trafic data, etc.).
❖ Le GGSN quant à lui est remplacé par une PDN Gateway (Paquet Data Network Gateway). La
PDN Gatewaye est responsable du lien avec les autres réseaux (publics ou privés), et
notamment avec le monde Internet.
❖ Le HLR est remplacé par un HSS (Home Subscriber Server). Le HSS est responsable d’à peu près
les mêmes fonctionnalités que le HLR (base des profils des abonnés, avec leurs droits et leurs
caractéristiques). Le HSS inclut en plus un lien possible avec le monde IMS, pour la gestion des
services de voix enrichis.
❖ Un nouvel élément du cœur de réseau 4G est le PCRF (Policy and Charging Rules Fonction), qui
permet la gestion dynamique de la facturation et de Policy de qualité de service des flux (flux
best effort, flux « premium » avec bande passante et latence garanties, tarification dynamique
suivant le flux, etc.).
❖ Le PCEF (Policy and Charging Enforcing Function), module fonctionnel logé dans la PDN
Gateway, applique les règles fixées par le PCRF. Enfin, l’IMS (IP Multimedia Subsystem), bien
que ne faisant pas partie véritablement de la 4G, est un ensemble d’éléments permettant
d’offrir des services multimédias sur les réseaux IP (et donc entre autres sur le réseau mobile).
❖ L’IMS permettra des services interpersonnels multimédia riches : voix sur IP, conférence vidéo,
agenda enrichi, messagerie instantanée, sonnerie sur plusieurs terminaux, etc.

9
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

Figure I.4 : Architecture générale du LTE avec son cœur EPC [4].

I.5 Principes de fonctionnement de l'interface radio LTE (Protocole et couche

MAC)
I.5.1 Les Canaux LTE [5]
Le système LTE, de manière similaire à l’UMTS, utilise le concept de canal afin d’identifier les
types des données transportées sur l’interface radio, les caractéristiques de qualité de service
associées, ainsi que les paramètres physiques liés à la transmission. Ces canaux sont des
composantes de l’architecture du système et sont donc à distinguer du canal de transmission (qui
capture les effets de la propagation radio) et du canal fréquentiel (ou porteuse) déjà rencontrés. On
distingue trois classes de canaux, selon les couches du modèle OSI auxquelles ils sont attachés.
• Les canaux logiques, qui opèrent entre les couches RLC et MAC et sont définis selon le type
d’information qu’ils transportent.
• Les canaux de transport, qui opèrent entre la couche MAC et la couche physique et sont
définis Par la manière et les caractéristiques selon lesquelles les données sont transportées
par l’interface Radio.
• Les canaux physiques, qui sont utilisés par la couche physique et sont définis par les
caractéristiques physiques de leur transmission.
La (Figure I.5) suivante décrit l’association entre les canaux logiques, de transport et physiques,
respectivement pour la voie montante (a) et la voie descendante (b).

10
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

(a) (b)
Figure I.5 : Association entre les canaux logiques, de transport et physique, (a) : voie montante, (b) : voie
descendante [5]

I.5.2 La couche MAC (Medium Access Control) [5]

La couche MAC est responsable du multiplexage et démultiplexage de données vers les
porteuses radios différents, ainsi qu’elle permet l’accès et l’adaptation au support de transmission.
Le but principal de la couche MAC (Medium Access Control) est de fournir un couplage efficace entre
les services de la couche RLC2 et la couche physique. De cette perspective, la couche MAC supporte
quatre fonctions principales :
▪ Le mappage entre les canaux logiques et de transport. En effet, quand le standard offre
différentes options pour le transport de données pour un canal logique donné, la couche
MAC s’occupe de choisir le canal de transport selon la configuration choisi par l’opérateur.
▪ La sélection du format de transport qui fait référence par exemple, au choix la taille du
‘Transport Block’ et le schéma de modulation.
▪ Gestion de propriété entre les connais logique d’une terminale ou entre plusieurs
terminaux.
▪ Correction d’erreur à travers le mécanisme HARQ.
Dans une configuration donnée de l’interface radio (déterminée par le protocole RRC), un
canal logique ne peut être porté que par un seul canal de transport, mais ce dernier peut transporter
plusieurs canaux logiques. La même règle s’applique pour les canaux de transport et les canaux
physiques. Enfin, certains canaux physiques ne sont associés à aucun canal de transport ni canal
logique, car ils portent uniquement des informations relatives à la couche physique. Ceci est illustré
par la (Figure I.6) suivante, sur laquelle trois canaux physiques sont représentés (PDSCH et PDCCH
pour le sens descendant, PRACH pour le sens montant).

11
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

Figure I.6 : Les canaux de l’interface radio LTE et leurs imbrications. [5]

I.6 Allocation de bandes de Fréquences [6]

Les bandes de fréquences hertziennes prévues par les normes 3GPP pour le LTE et le LTE
Advanced sont très nombreuses (plus de 30) et s'étalent de 450 MHz à 3,8 GHz. Celles situées dans
la zone des 450 à 900 MHz sont utilisables sur tous les territoires et sont particulièrement adaptées
aux zones rurales car elles ont une plus grande portée que les micro-ondes de fréquences plus
élevées. Le rayon de couverture de chaque cellule est variable, allant de quelques centaines de
mètres (débits optimaux en zones urbaines denses) jusqu'à 30 km (zones rurales) [7]. Beaucoup de
ces bandes sont néanmoins déjà utilisées par d’autres standards de téléphonie comme l’UMTS.
L'attribution des bandes de fréquences est la tâche la plus importante lors de la planification d'un
réseau. Étant donné que différentes régions du monde utilisent ne serait-ce qu'une seule fréquence
pour différents systèmes cellulaires [8], cela signifie que nous manquons de normes mondiales pour
les communications cellulaires. Le duplexage définit la manière dont sont séparées les transmissions
sur la voie descendante et sur la voie montante. La technologie LTE supporte les deux duplexages :
▪ Le duplex par répartition en fréquence (FDD).
▪ Le duplex par répartition dans le temps (TDD) sont utilisés comme techniques de duplexage
dans le réseau LTE.
I.6.1 Attribution des bandes de duplex à répartition de fréquence (FDD)
Le réseau LTE utilise un grand nombre de bandes de fréquences [5]. Le système FDD utilise
ces bandes. Les bandes de fréquences LTE-FDD sont présentées dans le (Tableau I.1), Nous citerons
quelques exemples :

12
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

Numéro de la LTE Liaison montante Liaison descendante Largeur de la bande Espace entre les
bande (MHZ) (MHZ) (MHZ) liaisons (MHZ)

1 1920 – 1980 2110 – 2170 60 130

3 1710 – 1785 7805 – 1880 75 20
4 1710 – 1755 2110 – 2155 45 355
9 1749.9 – 1784.9 1844.9 – 1879.9 35 60
10 1710 – 1770 2110 – 2170 60 340
11 1427.9 – 1452.9 1475.9 – 1500.9 20 28
15 1900 – 1920 2600 – 2620 20 680
16 2010 – 2025 2585 – 2600 15 560
17 704 – 716 734 – 746 12 18
19 830 – 845 875 – 890 15 30
20 832 – 862 791 – 821 30 71
21 1447.9 – 1462.9 1495.5 – 1510.9 15 33
Tableau I.1 : Les bandes de fréquences du LTE [5]
I.6.2 Bandes TDD (Time Division Duplex)
Il existe plusieurs attributions de fréquences non appariées associées au LTE-TDD [5]. Ces
attributions de bande, comme indiqué dans le (Tableau I.2), ne sont pas appariées. En fait, ils sont
multiplexés dans le temps, donc la fréquence n'est pas impliquée dans ces attributions.
Numéro de la bande LTE Allocation (MHz) Largeur de la bande (MHz)
33 1900 – 1920 20
34 2010 – 2025 15
35 1850 - 1910 60
36 1930 - 1990 60
38 2570 – 2620 50
39 1880 – 1920 40
40 2300 - 2400 100
41 2496 – 2690 194
42 3400 – 3600 200
Tableau I.2 : Les bandes de fréquences allouées au LTE TDD [5]

I.7 La modulation
Différents schémas de modulation sont utilisés pour différents types de communication dans la
technologie sans fil. Il est très important de sélectionner le schéma de modulation le plus efficace
qui réponde à toutes les exigences. En modulation, un signal en bande de base (signal basse
fréquence) est multiplié par un signal porteur ou un signal modulateur (normalement un signal
haute fréquence). Les signaux peuvent être transmis sur de longues distances grâce à l'utilisation de

13
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

la modulation. Le démodulateur démodule le signal à l'autre extrémité (récepteur). Il existe deux

types de modulations, les modulations analogiques et les modulations numériques [9]. La
modulation utilisée dans le LTE est une modulation adaptative (AMC), qui varie en fonction de la
distance qui sépare l’abonné de l’eNodeB. L'Adaptive Modulation and Coding (AMC) [11] est une
technique de modulation/codage adaptative de l'information, utilisée notamment dans les
transmissions radio, sur les réseaux de téléphonie mobile WiMAX, UMTS (HSDPA), LTE et depuis
2012 sur les faisceaux hertziens. Elle consiste à adapter les codes correcteurs et les modulations
utilisés en fonction de la qualité du signal. Chaque sous-porteuse est modulée à l'aide de différents
niveaux de modulation : QPSK (Quadrature Phase Shift Keying : 4-QAM), 16-QAM, 64-QAM
(Quadrature Amplitude Modulation). Chacune de ces modulations est utilisée pour un lien précis tel
que :
• Modulations Downlink : QPSK, 16QAM et 64QAM
• Modulations Uplink : QPSK et 16QAM

Figure I.7 : Modulation Adaptative.

I.7.1 La modulation 16-QAM
La modulation d'amplitude en quadrature (QAM) est une forme de modulation d'une
porteuse par modification de l'amplitude de la porteuse elle-même et d'une onde en quadrature
(une onde déphasée de 90° avec la porteuse) selon l'information transportée par deux signaux
d'entrée [10]. L'amplitude et la phase de la porteuse sont simultanément modifiées en fonction de
l'information à transmettre. La (Figure I.8) montre la constellation, qu'elle est en conséquence le
nombre de bits pouvant être transmis en une fois, peut être augmentée pour un meilleur débit
binaire, ou diminuée pour améliorer la fiabilité de la transmission en générant moins d'erreurs
binaires. Le nombre de points de la constellation est indiqué avant le type de modulation QAM.

14
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

Figure I.8 : la modulation QPSK (2 bits / symbole) ; 16 QAM (4bits/symbole) et 64 QAM (6 bits / symbole)
[11].

I.7.2 La modulation 64-QAM

Dans le cas d’une modulation, six bits sont mappés dans le symbole complexe [12,33]. La
constellation est constituée de 64 symboles (Figure I.8)
I.7.3 La modulation QPSK
Souvent connue sous le nom de 4-PSK ou QPSK, cette modulation utilise un diagramme de
constellation à quatre points [12], à équidistance autour d'un cercle. Avec quatre phases, QPSK peut
coder deux bits par symbole (Figure I.8). Chacun attaque un multiplieur. Le résultat de chaque
multiplication est sommé en sortie de façon à obtenir un signal modulé 𝑉𝑠(𝑡) ∶ 𝑉𝑠(𝑡) =
𝐼 𝑐𝑜𝑠(𝑤𝑡) + 𝑄 𝑠𝑖𝑛(𝑤𝑡). (voir figure suivante)

Pour des considérations électroniques, les

signaux I et Q sont centrés sur 0V. On peut
donc considérer que I et Q prennent
symboliquement deux niveaux +1, -1
correspondant aux états binaires.

Figure I.9 : Schéma du principe du modulateur QPSK [13]

I.8 Les différentes techniques d’accès LTE

L’interface radio assure le rôle de transfert, par la voie des airs les données issues de la
couche IP associées au service demandé par l’utilisateur. Dans les réseaux radio qui partagent le
canal radio entre plusieurs utilisateurs, il faut une technique d’accès qui permet à l’utilisateur
d’émettre ses paquets. Pour éviter des collisions, différentes techniques d’accès ont été proposées,

15
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

des plus simples aux plus complexes. La modulation du LTE est basée essentiellement sur l’utilisation
de la technologie OFDM et des technologies d'accès associés, OFDMA/SC-FDMA. Dans ce qui suit,
nous allons présenter les différentes techniques d’accès :
I.8.1 Time Division Multiple Access (TDMA)
Dans un système TDMA, une même bande de fréquence est partagée par un certain nombre
d’utilisateurs qui se voient attribuer un intervalle de temps (slot) unique (Figure I.10 (a)). Les
différents slots sont regroupés sur une trame, le système offrant ainsi plusieurs voies de
communication aux différents utilisateurs. Le TDMA est surtout utilisé dans les systèmes de
deuxième génération, tels que le GSM.

Figure I.10 : (a) Principe du TDMA ; (b) Principe du FDMA et (c). Principe du CDMA. [14]
I.8.2 Frequency Division Multiple Access (FDMA)
L’accès multiple par répartition de fréquences (FDMA) repose sur un multiplexage en fréquences
qui divise le spectre disponible en plusieurs sous-bandes appelées : porteuses (Figure I.10 (b))
Chaque porteuse ne peut transporter que le signal d’un seul utilisateur. La méthode d’affectation
d’un canal est alors basée sur une règle de type premier arrivé, premier servi. Cette méthode est
essentiellement utilisée dans les réseaux analogiques
I.8.3 Code Division Multiple Access (CDMA)
Le CDMA est une technique d’accès multiple grâce à laquelle les différents utilisateurs
peuvent communiquer simultanément dans une même bande de fréquence (Figure I.10 (c)). La
distinction entre les différents utilisateurs s’effectue grâce à un code qui leur est attribué et n’est
connu que par l’émetteur et le récepteur.
Dans ce qui suit, nous allons donner un aperçu détaillé que les techniques d’accès utilisées
dans la modulation du LTE :

16
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

I.8.4 Orthogonal Frequency-Division Multiplexing (OFDM)

Dans le multiplexage par répartition orthogonale de la fréquence (OFDM) (voir la Figure I.11),
un grand nombre de porteuses étroitement espacées sont utilisées. La modulation de ces porteuses
se produit à des débits de données inférieurs. L'interférence entre ces porteurs peut avoir lieu, mais
l'orthogonalité entre ceux-ci ne provoque aucune interférence mutuelle. L'orthogonalité signifie
rendre ces porteurs perpendiculaires les uns aux autres, ce qui signifie que l'espace entre ces
porteurs doit être égal à l'inverse de la période du symbole. Tous les porteurs occupent les données
transmises [16,33]. C’est une technique de modulation multi-porteuses à base de transformée de
Fourier rapide qui permet de diviser le flux de données à transmettre en N sous flux de données
parallèles, qui seront transmis sur des sous bandes orthogonales différentes. Cette technique
permet d’offrir une grande efficacité au niveau de l’utilisation du spectre et de la puissance grâce à
l’utilisation de N sous-porteuse orthogonales et très proche l’une de l’autre.

Figure I.11 : Modulation OFDM.

De plus, l’augmentation de la durée symbole accroit la robustesse de l’OFDM face au temps
de propagation du aux trajets multiples (NLOS). D’autre part, une grande immunité contre les
interférences inter-symboles crée par la propagation NLOS est apportée par l’insertion d’un temps
de garde appelé aussi préfixe cyclique (CP) (voir figure suivante). En effet, le symbole OFDM est
allongé avec ce préfixe qui doit être plus grand que le plus grand des retards qui apparaissent dans
le canal.

Figure I.12 : Préfixe Cyclique.

17
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

I.8.5 Orthogonal Frequency-Division Multiplexing Access (OFDMA)

Toujours côté radio, la 4G introduit, dans le sens descendant une nouvelle modulation,
l’OFDMA appelée également 'multi-carrier' (multi-opérateurs), déjà notamment utilisée en Wi-Fi,
en Wimax et en xDSL. Elle offre une meilleure efficacité spectrale, un faible temps de latence et
résiste mieux aux interférences. C’est une technique hybride de l’OFDM, TDMA et FDMA. Elle
permet d’augmenter le débit vu à la diversité fréquentielle et la robustesse multi trajet. Cette
technique de multiplexage d’accès consiste la répartition du signal sur des porteuses orthogonales
pour transmettre le signal indépendamment et à des fréquences différentes. L’OFDMA consiste à
introduire trois types de sous-porteuse :
• Sous porteuses pilotes pour la synchronisation et l’estimation du canal.
• Sous porteuses de données pour la transmission de données.
• Sous porteuses nulles au symbole pour lutter contre l’interférence co-canal.
LTE utilise la technique OFDMA en voie descendante car elle nécessite une alimentation importante
de l’amplificateur. Ceci ne pose pas problème pour une station de base fixe, mais cela n’est pas
adapté à un émetteur alimenté par une batterie (cas d’un terminal mobile). Pour cela, LTE utilise en
voie montante SC-FDMA qui est très similaire à OFDMA, mais plus efficace en consommation
d’énergie.
I.8.6 Single Carrier – Frequency Division Multiple (SF-FDMA)
Le SC-FDMA offre des performances et une complexité globale similaire à l’OFDMA mais
utilise une technique de multiplexage fréquentiel à une seule porteuse. La (Figure I.13) permet de
relever les points communs entre l’OFDMA et le SCFDMA

Figure I.13 : La différence entre OFDMA et SC-FDMA [11].

18
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

I.9 LTE MIMO (Multiple Input Multiple Output)

La technique MIMO consiste en l’utilisation de plusieurs antennes à l’émission et à la réception. Le
but de la technique MIMO était d’améliorer le débit, d’augmenter l’efficacité spectrale, de diminuer
la probabilité de coupure du lien radio, etc. En effet, MIMO répond au besoin de la norme LTE-
Advanced en termes de capacité de transmission. Cette dernière limite le nombre d’antennes à
utiliser en raison de contraintes technologiques exigées. La technologie permet de régler ce
problème. Le principe de la technologie MIMO consiste à émettre dans un même canal des signaux
transmis sur des antennes différentes. A la réception aussi et avec un certain nombre d'antennes et
des traitements adéquats, il s'agit de simuler cette réception dans une même bande de n canaux
différents. Cela permet d’améliorer les performances des appareils, rapport signal à bruit et donc
du taux d’erreurs binaires. Lorsqu’un tel système comprend une seule antenne à l’émission et
plusieurs antennes à la réception, il est nommé SIMO (Single Input Multiple Output). De même,
lorsqu’il comprend plusieurs antennes à l’émission et une seule antenne à la réception, il est nommé
MISO (Multiple Input Single Output). Finalement, si les deux côtés comptent une antenne chacun,
le système est dit SISO (Single Input Single output).

(a) (b)
Figure I.14 : (a) Principe de la technologie MIMO. [1-20], (b) Schéma représentatif des systèmes SISO, SIMO,
MISO, et MIMO

I.10 Le Handover dans LTE

Dans LTE la gestion de mobilité est distribuée, les eNodeBs prennent la décision de Handover d’une
façon autonome sans implication des éléments : MME et S-GW. Les informations nécessaires au
Handover sont échangées entre les eNodeBs via une interface appelée X2. Le MME et le S-GW
recevront une notification avec un message complet de Handover après que la nouvelle connexion

19
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

aura été attribuée entre l’UE et la nouvelle eNodeB. Après réception du message, les Gateways
effectuent le chemin de commutation. Durant le Handover il y a un délai durant lequel l’UE n’est
pas connectée au système. Pour résoudre cela, une solution temporaire de Forwarding des données
perdues de l’ancien eNB vers le nouveau eNB est proposée.
Dans ce cas il n’y a pas de mémorisation des données au niveau des Gateways. L’intérêt de cette
solution est de minimiser la charge de signalisation au niveau de l’interface entre l’eNB et l’MME/S-
GW. Les principales étapes du Handover sont :
• Le Handover est déclenché par l’UE qui envoie un rapport de mesure à l’eNB source qui va
décider en se fondant sur le rapport reçu et sur les informations concernant la gestion des
ressources radio (RRM : Radio Resource Management).
• La phase de préparation du Handover commence par l’envoi d’une requête de Handover
(HORequest) de la part de l’eNB source vers l’eNB cible. Ce message contient toutes les
informations pertinentes sur le Handover (UE - RAN, PDP Context, etc…).
• L’eNB cible enregistre le contexte, prépare les couches 1 et 2 (L1/L2) pour le Handover et
répond à l’eNB source par un acquittement (HO RequestAck) qui fournira les informations
sur l’établissement de nouveau lien radio.
• L’eNB source transférera toutes les informations nécessaires à l’UE, et à ce moment-là, l’eNB
source arrête d’envoyer et de recevoir des données avec l’UE. Il fera alors suivre les données
à l’eNB cible.
• L’UE informe l’eNB cible du succès du Handover avec un message de confirmation. Jusqu‘à
cet instant l’eNB cible mémorise les données reçus de l’eNB source. Après avoir reçu le
message de confirmation il commence à envoyer les données bufférisées à l’UE.
• L’eNB cible initie le changement de chemin de données en envoyant un « Handover
Complete » aux passerelles. Les informations de localisation de l’UE seront ensuite mises à
jour au niveau des passerelles qui vont effectuer le changement de chemin pour que les
données soient envoyées directement vers l’eNodeB cible.
• L’MME/S-GW confirment le chemin par un message ‘Handover Complete Ack‘, et dès que
l’eNodeB cible reçoit ce message, il envoie une indication ‘release Source’ au eNodeB source
pour qu’il libère définitivement la connexion avec l’UE.

I.11 Bilan de liaison

Le bilan de liaison radio donne la perte de trajet maximale autorisée à partir de laquelle la
taille des cellules est calculée en se basant sur la fréquence de fonctionnement, le modèle de

20
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

propagation et les paramètres de l'émetteur (Tx) et du récepteur. Ce bilan est nécessaire pour savoir
si deux nœuds peuvent communiquer entre eux [11]. Le bilan de liaison permet de calculer les
pertes de propagation maximale admissible notée MAPL (Maximum Allowable Power Losses) pour
un mobile situé au bord de la cellule qui peut l’atteindre tout en gardant le niveau de sensibilité de
la station de base. Il dépend en particulier de l'eNodeB, de l'environnement radio et du modèle de
propagation entre l'émetteur et le récepteur.
I.11.1 Paramètres du bilan de liaison
[11] L’équation du bilan de liaison s’écrit :

𝑀𝐴𝑃𝐿 = 𝑃𝐼𝑅𝐸 − 𝑆𝑒𝑛𝑠𝑅𝑋 − ∑ 𝑝𝑒𝑟𝑡𝑒𝑠 − ∑ 𝑚𝑎𝑟𝑔𝑒𝑠 + ∑ 𝑔𝑎𝑖𝑛𝑠 ( I. 1)

Avec : 𝑃𝐼𝑅𝐸 : puissance isotrope rayonnée équivalente par sous porteuse (dBm) ; 𝑆𝑒𝑛𝑠𝑅𝑋 : sensibilité
de référence du récepteur (dB) ; ∑ 𝑝𝑒𝑟𝑡𝑒𝑠 : somme des pertes au cours de la propagation du signal
jusqu’au récepteur (dB) ; ∑ 𝑚𝑎𝑟𝑔𝑒𝑠 : somme des marges (dB) et ∑ 𝑔𝑎𝑖𝑛𝑠 : somme des gains au
niveau du récepteur (dBi). D’où :

𝑀𝐴𝑃𝐿 = (𝑃𝑇𝑋 + 𝐺𝑇𝑋 − 𝐿𝑇𝑋 − 𝐵𝐿𝑇𝑋 ) − 𝑆𝑒𝑛𝑠𝑅𝑋 − (𝐿𝑅𝑋 + 𝐵𝐿𝑅𝑋 + 𝑃𝐿) − (𝐼𝑀 + 𝑆𝑀) +
𝐵𝐿𝑅𝑋 (I. 2)

Avec PTX : puissance par sous porteuse (dBm), Pour la voie descendante, la puissance
maximale de l’émetteur est égale à la puissance de l’eNodeB (46 dBm), par contre pour la voie
montante cette puissance est celle émise par l’équipement usager (23 dBm).

𝑃𝑇𝑋 = 𝑃𝑇𝑋 𝑚𝑎𝑥 − 10 × 𝑙𝑜𝑔(𝑁𝑆𝑃 × 𝑁𝑃𝑅𝐵 ) (I. 3)

Avec : 𝑃𝑇𝑋 𝑚𝑎𝑥 : Puissance maximale de l’émetteur (dBm), ; 𝑁𝑆𝑃 : Nombre de sous porteuses ;
𝑁𝑃𝑅𝐵 : Nombre de ressources blocs de la bande passante du système.
▪ 𝐺𝑇𝑋 : Gain introduit au niveau de l’émetteur (dBi), Pour le lien descendant, le gain de
l’émetteur est le gain de l’antenne de la station de base. Pour le lien montant, le gain de
l’émetteur est le gain de l’UE qui est égal à 0dB
▪ 𝐿𝑇𝑋 : pertes de l'émetteur (dB), Les pertes de l’émetteur pour la liaison descendante sont les
pertes entre l'antenne et le RRU telles que la perte d'alimentation, la perte de connecteur
etc.

21
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

▪ 𝐵𝐿𝑇𝑋 : perte de type signal au niveau de l’émetteur (dB), c’est l’affaiblissement dû à

l’absorption d’une partie de l’énergie transmise par le corps humain. Dans les deux sens,
cette perte est nulle.
▪ 𝑆𝑒𝑛𝑠𝑅𝑋 : Sensibilité de référence du récepteur (dBm), La sensibilité du récepteur est le niveau
de signal minimum que le récepteur doit avoir pour éviter les coupures radio.

𝑆𝑒𝑛𝑠𝑅𝑋 = 𝑁𝑅𝑋 − 174 + 10 𝑙𝑜𝑔(15000) (I. 4)

Avec : SINR : Valeur de SINR (Signal-to-Interference Ratio) requise au récepteur (dBm) ; 𝑁𝑅𝑋 :
facteur de bruit.
▪ 𝐿𝑅𝑋 : pertes au niveau du récepteur (dB), Ce sont les pertes causées au niveau de la réception,
comme les pertes des câbles ou des composants électroniques. En liaison descendante,
normalement cette perte vaut 0, tandis qu’en liaison montante elle est égale aux pertes
rencontrées au niveau de l’eNodeB (0.5dB).
▪ 𝐵𝐿𝑅𝑋 : perte de type signal au niveau du récepteur (dB), C’est l’affaiblissement dû à
l’absorption d’une partie de l’énergie transmise par le corps humain.
▪ 𝑃𝐿 : perte de pénétration (dB), La perte de pénétration est due à l'obstruction par un
bâtiment. Elle est identique dans les deux sens.
▪ 𝐼𝑀 : marge d’interférence (dB), Compte tenu de l'interférence de la cellule voisine, la marge
d'interférence doit être entrée dans le bilan de liaison pour compenser l'augmentation du
bruit et maintenir l’équilibre. Elle est liée à la charge du système et à d'autres paramètres
▪ 𝑆𝑀 : marge de Shadowing (dB), C’est l’effet de masque, c’est-à-dire la variation du signal due
aux obstacles qui existent dans le milieu de propagation. Les mesures réelles du terrain ont
montré que l’effet de masque est une valeur aléatoire Log Normale.
▪ 𝐺𝑇𝑋 : gain au niveau du récepteur (dBi), Le gain du récepteur correspond au gain de diversité
de réception qui dépend du type d’antenne et du nombre d’antenne du récepteur.
I.11.2 Calcul du bilan de liaison pour les liens montant et descendant
Le bilan de liaison est établi sur la liaison descendante (Downlink) et la liaison montante (Uplink)
(voir les Figure I.15 et Figure I.16 suivantes).

22
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

• Formules de calcul pour la liaison Montante

Paramètres Unité Formule Valeur
Emetteur
Puissance d’émission dBm Ptx 18-23 dBm
Gain d’antenne émetteur dBi Ge -5 ➔ 10 dBi
Perte corps humain dB P 0 ➔ 5 dB
PIRE (Puissance isotrope rayonnée dBm PIRE = Ptx + Ge – P
équivalente
Récepteur–eNodeB
eNodeB noise figure dB eNoise 2 dB
Bruit thermique dB BruitT -118.4 dBm
Bruit récepteur dBm Bruit = eNoise + BruitT
SINR dB SINR -7 dB
Sensibilité du récepteur dBm SensR= Bruit + SINR
Marge d’interférence dB MargeInt 1 ➔ 10 dB
Pertes de câble dB Pc 1 ➔ 6 dB
Gain d’antenne récepteur dBi Gr 15 ➔ 21 dB
Marge de fading rapide dB MargeF 0 dB
Gain du soft handover dB Gh 0 dB
Path Loss Maximal dB PL = PIRE - MargeInt + Gr
- Pc + Gh - SensR
Tableau I.3 : Bilan de liaison montante [11]

Figure I.15 : Modèle de bilan de liaison montante. [11]

23
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

• Formules de calcul pour la liaison Descendante

Paramètres Unité Formule Valeur
Emetteur - eNodeB
Puissance d’émission dBm Ptx 43-46 dBm
Gain d’antenne émetteur dBi Ge 15 ➔ 18 dBi
Perte de câble dB P 1 ➔ 6 dB
PIRE (Puissance isotrope rayonnée dBm PIRE = Ptx + Ge – P
équivalente
Récepteur–UE
UE noise figure dB UENoise 6 ➔ 11 dB
Bruit thermique dB BruitT -104.5 dBm
Bruit récepteur dBm Bruit = UENoise + BruitT
SINR dB SINR -9 dB
Sensibilité du récepteur dBm SensR= Bruit + SINR
Marge d’interférence dB MargeInt 3 ➔ 8 dB
Control channel overhead dB Ctrl 0.4 ➔ 1 dB
Gain d’antenne récepteur dBi Gr -5 ➔ 10 dBi
Perte corps humain dB P 3 ➔ 5 dB
Path Loss Maximal dB PL = PIRE - MargeInt + Gr
- Ctrl + Pc - SensR
Tableau I.4 : Bilan de li11aison descendante [11]

Figure I.16 : Modèle de bilan de liaison descendante. [11]

I.12 Modèles de propagation

I.12.1 Introduction et définition d’un modèle de propagation
Le modèle de propagation est un processus important du débit de déploiement du réseau car il
permet une prédiction précise de la couverture [15]. Le modèle de propagation des ondes radio est
un modèle mathématique qui est donné par un certain nombre de paramètres (caractéristiques

24
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

techniques, type d'environnement géographique) et peut simuler la perte entre l'émetteur et le

récepteur [16]. Le modèle de propagation est une formule mathématique utilisée pour caractériser
la propagation de l'onde radio entre émetteur et récepteur, qui dépend des facteurs suivants :
➢ Type de terrain.
➢ Les hauteurs des antennes d'émission et de réception.
➢ Fréquence de l'onde.
➢ Distance parcourue par l'onde.
➢ Caractéristique et densité des bâtiments.
➢ Saison (hiver, printemps...)
I.12.2 Propagation en espace libre (Free Space)
Lorsqu'un signal traverse un milieu vide non obstrué, nous l'appelons propagation en espace libre.
Bien que ce modèle soit idéal, il peut être utilisé comme point de départ pour tout autre modèle.
L'affaiblissement de trajet en espace libre est donné par :
4𝜋𝑑𝐹
𝐿𝐹𝑆 = 20 𝑙𝑜𝑔 ( ) ( I. 5)
𝑐
Avec 𝑑, 𝐹 𝑒𝑡 𝑐 sont respectivement la distance parcourue, la fréquence et la célérité de la lumière.
I.12.3 Catégories des modèles de propagation
Sur la base de l'environnement radio (voir la Figure I.17), face à une demande croissante, les
opérateurs doivent densifier leurs réseaux : ils ont augmenté le nombre de stations de base et réduit
la taille des cellules. Une cellule est une zone couverte par une station de base. Il existe
généralement quatre types de cellules (figure). Ils indiquent l'emplacement physique spécifique de
l'antenne de la station de base et sa zone géographique déterminée : leurs caractéristiques sont
liées à l'emplacement, la puissance, la hauteur et l'environnement géographique de l'antenne de la
station de base.

Figure I.17 : structure hiérarchique de cellules

25
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

Les modèles de prédiction peuvent être classés en deux principales catégories :

• Modèle Macro-cellule.
• Modèle Micro-cellule.
I.12.3.1 Modèle Macro-cellule
Les modèles macro-cellulaires sont des modèles empiriques généralement fondés sur l’analyse du
profil vertical émetteur-récepteur et des obstacles qui s’y trouvent (colline, forêt, etc.). Ils sont
généralement basés sur des données géographiques [15]. Le milieu environnant est généralement
rural ou montagneux, et l'antenne de la station de base est située à une position très élevée. La
distance entre la station de base et le téléphone mobile peut être supérieure à dix kilomètres [17].
Cette zone géographique est peu urbaine et implique un certain nombre de trajets à forte latence
(jusqu'à 30 ms).
I.12.3.2 Modèle Micro-cellule
La petite cellule est différente de la macro-cellule [17]. Le modèle micro-cellulaire tente de prédire
une zone de couverture moins étendue mais plus précise, ce modèle peut utiliser efficacement le
spectre limité et fournir une infrastructure plus rentable, Ces modèles sont principalement ou
partiellement adaptés aux installateurs de réseaux mobiles en milieu urbain et semi-urbain [15]. Les
Antenne de la station de base (de 3 m à 10 m) il a une faible puissance de rayonnement (de 10 mW
à 1 W) [17].
I.12.4 Différents types de Modèles de propagation RF
Il existe deux méthodes principales pour prédire le comportement du canal de transmission
dans le domaine des communications radio mobiles, la première méthode effectue généralement
une simulation statistique du canal, et la deuxième méthode consiste à modéliser le chemin du
signal dans le milieu de propagation par l'utilisation de résolution analytique direct des équations
de propagation.
Il existe une autre méthode appelée méthode de rayon (déterministes) est basée sur des calculs
d’optique géométrique (réflexion, diffraction, etc.) [17,19].
I.12.4.1 Les modèles empiriques
Les deux principaux modèles dérivés de ces méthodes sont les modèles théoriques et les modèles
empiriques. Les modèles semi-empiriques utilisant des méthodes antérieures a également été
déterminé, ces derniers prennent en compte les équations théoriques de propagation et sont
paramétrés à l’aide des résultats de mesures réelles [17]. Les modèles empiriques reposent sur
l'analyse d'un grand nombre de mesures expérimentales, c'est-à-dire l'analyse statistique des

26
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

données de divers paramètre (la fréquence, la distance, la hauteur des antennes, l’affaiblissement,
et milieu géographique différent, etc.), il représentera correctement les données qui ont servi à
l’établir. L’élaboration de ces modèles basés sur la collecte de données liées à la mesure. Grâce à
l'analyse statistique des données on tire les équations donnant une valeur moyenne
d’affaiblissement pour une distance donnée [19,20].
La (Figure I.18) montre la topologie des modèles empiriques :

Paramètres:
Mesures Fréquence, Distance,
radio Polarisation, Hauteur
d’antenne, Climat, …

Modèle

Configuration à
Simulateur tester

Configuration à tester

Figure I.18 : Plan de travail des modèles empiriques.

I.12.4.2 Les modèles déterministes
Ces modèles s’appuient sur les lois fondamentales de la physique du signal radioélectrique
ainsi que sur des modèles de l’atmosphère et des modèles de terrain. Les modèles déterministes
sont très complexes, leur utilisation nécessite une connaissance très approfondie du sujet. Ils sont
donc mieux utilisés pour la recherche, ce qui les rend incompatibles avec les conceptions de réseaux
radio-mobiles qui nécessitent des outils d'exploitation rapides. De plus, les performances de ces
modèles ne répondent pas toujours aux résultats atteints de cette méthode [17]. De plus, ils sont
longs à calculer et sont généralement réservés à des lieux spécifiques qui ne sont pas disponibles
pour d'autres modèles.
I.12.5 Les Modèles de propagation RF
Le modèle est basé sur tous les calculs pouvant être effectués par le logiciel radio (niveau de champ
radio reçu, calcul des interférences, analyse du Handover, etc…). Ce logiciel apporte une aide
précieuse pour le dimensionnement du réseau. Cela devrait également minimiser le temps de calcul

27
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

pour la couverture du champ, vous devez donc faire très attention aux différents paramètres
d'entrée du modèle.
I.12.5.1 Les modèles pour les grandes cellules (Macro-Cells)
Il s’agit de cellules dont le rayon de service est de 1 à 35km. Elles caractérisent les liaisons en milieu
suburbain et rural.
I.[Link] Modèle de Hata
Le modèle de Hata s’applique aux fréquences comprises entre 150 et 1500 MHz. En milieu urbain,
l’affaiblissement en dB appelé ici L50 est donné par [18].
𝐿50 = 69.55 + 26.16 𝑙𝑜𝑔(𝑓𝑐 ) − 13.82 𝑙𝑜𝑔(ℎ𝑏 ) − 𝑎(ℎ𝑟 ) + (44.9 − 6.55 𝑙𝑜𝑔(ℎ𝑏 )) × 𝑙𝑜𝑔(𝑑) ( I. 6)
Le paramètre a(h,) est un facteur de correction dépendant de la hauteur de l’antenne de la station
mobile et de l’environnement dont la valeur est :
• Une petite à moyenne ville :
𝑎(ℎ𝑟 ) = (1.1 𝑙𝑜𝑔(𝑓𝑐 ) − 0.7) ℎ𝑟 − (1.56 𝑙𝑜𝑔(𝑓𝑐 ) − 0.8) , 𝑒𝑛 𝑑𝐵 ( I. 7)
• Grande ville (fc < 300 MHz):
𝑎(ℎ𝑟 ) = 8.29 (𝑙𝑜𝑔 1.54 × ℎ𝑟 )2 − 1.1 , 𝑒𝑛 𝑑𝐵 (I. 8)
• Grande ville (fc > 300MHz) :
𝑎(ℎ𝑟 ) = 3.2 (𝑙𝑜𝑔 11.75 × ℎ𝑟 )2 − 4.97 , 𝑒𝑛 𝑑𝐵 (I. 9)
En milieu suburbain nous devons apporter une correction à la formule ci-dessus :
𝑓𝑐 2
𝐿50 (𝑠𝑢𝑏𝑢𝑟𝑏𝑎𝑛) = 𝐿50 (𝑢𝑟𝑏𝑎𝑛) − 2 ( 𝑙𝑜𝑔 ( ) ) − 5.4 (I. 10)
28
En milieu rural :
• Environnement dégagé :
𝐿50 (𝑟𝑢𝑟𝑎𝑙) = 𝐿50 (𝑢𝑟𝑏𝑎𝑖𝑛) − 4.78 (𝑙𝑜𝑔(𝑓𝑐 ))2 − 18.33 𝑙𝑜𝑔 (𝑓𝑐 ) − 40.94 (I. 11)
• Environnement semi-dégagé :
𝐿50 (𝑟𝑢𝑟𝑎𝑙) = 𝐿50 (𝑢𝑟𝑏𝑎𝑖𝑛) − 4.78 (𝑙𝑜𝑔(𝑓𝑐 ))2 − 18.33 𝑙𝑜𝑔 (𝑓𝑐 ) − 35.94 I. 12)
I.[Link] Modèle Okumura-Hata
Le Modèle Okumura-Hata est le modèle le plus fréquemment utilisé, basé sur les mesures
d’Okumura prises dans la région de Tokyo [19]. Ce modèle prend en considération plusieurs
facteurs, essentiellement la nature de l’environnement en spécifiant son degré d’urbanisation
(urbain, urbain dense, sous urbain, rural). L’affaiblissement de ce modèle est donné par :
Urbain :
𝐿𝑈 = 69.55 + 26.16 𝑙𝑜𝑔 (𝑓𝑐 ) − 13.82 𝑙𝑜𝑔(ℎ𝑏 ) − 𝑎(ℎ𝑟 ) + [44.9 − 3.55 𝑙𝑜𝑔(ℎ𝑏 )] 𝑙𝑜𝑔 (𝑑) (I. 13)
Avec :

28
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

𝑎(ℎ𝑟 ) = [1.1 𝑙𝑜𝑔 (𝑓𝑐 ) − 0.7] × ℎ𝑟 − [1.56 𝑙𝑜𝑔 (𝑓𝑐 ) − 0.8] (I. 14)
Rural :
𝐿𝑅 = 𝐿𝑈 − 4.7 [(𝑙𝑜𝑔(𝑓𝑐 ))2 + 18.33 𝑙𝑜𝑔 (𝑓𝑐 ) − 𝛼 (I. 15)
α = 40.94 si la zone est rurale ouverte. Où : LU et LR = affaiblissement total dans les zones Urbains
et ruraux, en dB ; 𝑓𝑐 = fréquence, en MHz ; 𝑑 =la distance entre la station mobile et BTS, en Km ;
hb, hr = les hauteurs respectivement de BTS et de la station mobile, en m. Avec f désigne la
fréquence en MHz 150 < f < 1000
I.[Link] Modèle de COST231-Hata
Les membres du projet européen COST231 ont proposé d’étendre le modèle de Hata à des
fréquences supérieures [20], notamment à cause du déploiement des réseaux GSM 1800 (Europe)
et GSM 1900 (USA) aux milieux urbain et suburbain. La formule suivante a été proposée :
𝐿50 = 46.3 + 33.9 𝑙𝑜𝑔 (𝑓𝑐 ) − 13.82 𝑙𝑜𝑔(ℎ𝑏 ) − 𝑎(ℎ𝑟 ) + [44.9 − 6.55 𝑙𝑜𝑔(ℎ𝑏 )] 𝑙𝑜𝑔(𝑑) +
𝐶𝑀 I. 16)
Avec : CM = 0 dB pour les villes de tailles moyenne et CM = 3 dB pour les grands centres
métropolitains. a(hr) est identique à celui du modèle de Hâta. Le domaine de validité de ce modèle
est :
1500 MHz < f < 2000 MHz, 30 m < hte < 200m, 1m < hre 10m,1 km < d < 20 km
I.[Link] Modèle d’Egli
L'un des modèles statistiques les plus connus pour prédire l'affaiblissement de propagation
dans le milieu urbain ou milieu rural est celui de Egli . Comme dans le cas d'Okumura-Hata, il n'inclut
pas les pertes de diffraction provoquée par propagation sur un terrain irrégulier ; Toutefois,
Okumura prend implicitement en compte l'effet des bâtiments, ce qui n'est pas le cas pour Egli.
Selon Egli, les pertes de propagation sont exprimées en tant que :
76.3 − 10 𝑙𝑜𝑔 (ℎ𝑟 ), ℎ𝑟 ≤ 10𝑚
𝑃𝐿 = 20 𝑙𝑜𝑔(𝑓𝑐 ) + 40 𝑙𝑜𝑔(𝑑) − 20 𝑙𝑜𝑔(ℎ𝑏 ) + { (I. 17)
76.3 − 10 𝑙𝑜𝑔 (ℎ𝑟 ), ℎ𝑟 ≥ 10𝑚
Où : PL = affaiblissement total, en dB ; fc = fréquence, en MHz ; d = la distance entre la station
mobile et BTS, in Km ; ht, hr = les hauteurs respectives de BTS et de la station mobile, en m.
I.[Link] Le Modèle SUI
Stanford University Interim (SUI) est un modèle développé pour IEEE 802.16 par l’Université
stanford [21, 22]. Il est utilisé pour les fréquences supérieures à 1900 MHz. Dans ce modèle de
propagation, trois types différents de terrains ou de zones sont pris en compte. Ceux-ci sont appelés
terrains A, B et C.

29
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

Terrain (A) représente une zone avec la perte de chemin la plus élevée, il peut être une
région peuplée très dense tandis que le terrain (B) représente une zone avec une perte modérée de
chemin, un environnement suburbain. Le terrain (C) à la moindre perte de trajectoire qui décrit une
zone rurale ou plate. Dans le (Tableau I.5), ces différents terrains et différents facteurs utilisés dans
le modèle SUI sont décrits.

Paramètres Terrain A Terrain B Terrain C

a 4.6 4 3.6
b(1/m) 0.0075 0.0065 0.005
c(m) 12.6 17.1 20
Tableau I.5 : Différentes terrains et leurs paramètres.
L’affaiblissement de propagation dans le modèle SUI peut être décrite comme :
𝑑
𝑃𝐿 = 𝐴 + 10 𝛾 𝑙𝑜𝑔 ( ) + 𝑋𝑓 + 𝑋ℎ + 𝑆 (I. 18)
𝑑0
Où : PL : La perte de chemin en dB ; d : La distance entre l’émetteur et le récepteur ; d0 : La
distance de référence (Ici sa valeur est de 100m) ; Xf : Le facteur de correction de fréquence ; Xh :
Le facteur de correction pour la hauteur BTS ; A : L'affaiblissement du trajet en espace libre ; γ :
L'exposant de l'affaiblissement du chemin ; S : Le facteur d'ombrage.
L'exposant de l'affaiblissement du chemin est décrit comme :
𝑐
𝛾 = 𝑎 − 𝑏ℎ𝑏 + I. 19)
ℎ𝑏
Où hb est la hauteur de la station de base et 𝑎, 𝑏 𝑒𝑡 𝑐 sont des facteurs de terrain listés
comme indiqué dans le (Tableau I.5).
4𝜋𝑑0
𝐴 = 20 𝑙𝑜𝑔 ( ) (I. 20)
𝜆
Où : A : L'affaiblissement en espace libre ; d0 : est la distance entre Tx et Rx ; λ : est la
longueur d'onde.
Les facteurs de correction pour la fréquence et la hauteur de la station de base sont les suivants :
𝑓𝑐
𝑋𝑓 = 6 𝑙𝑜𝑔 ( ) (I. 21)
2000
ℎ𝑟
𝑋ℎ = 10.8 𝑙𝑜𝑔 ( ) (I. 22)
2000
Où : fc : La fréquence en MHz ; hr : La hauteur de l'antenne du récepteur.
Ces expressions sont utilisées pour les terrains de type (A) et (B). Pour le terrain (C), l'expression ci-
dessous est utilisée.
ℎ𝑟
𝑋ℎ = 20 𝑙𝑜𝑔 ( ) (I. 23)
2000

30
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

𝑆 = 0.65 (𝑙𝑜𝑔(𝑓𝑐 ))2 − 1.3 𝑙𝑜𝑔 (𝑓𝑐 ) + 𝛼 (I. 24)

Avec α = 5,2 dB pour les environnements ruraux et suburbains (terrains C et B) et 6,6 dB pour
l'environnement urbain (terrain A).
I.[Link] Ericsson 9999
Le modèle Ericsson [23,24] est un modèle fourni par la société Ericsson à utiliser pour la
planification des réseaux sans fil. Ce modèle a été développé sur la base du modèle Okumura-Hata
modifié pour être utilisé dans différents environnements de propagation selon les paramètres
indiqués dans le tableau suivant. L’affaiblissement est donné par :
𝑃𝐿 = 𝐾0 + 𝐾1 𝑙𝑜𝑔 (𝑑) + 𝐾2 𝑙𝑜𝑔(ℎ𝑏 ) + 𝐾3 𝑙𝑜𝑔(ℎ𝑏 ) 𝑙𝑜𝑔(𝑑) − 3.2[𝑙𝑜𝑔(11.75 × ℎ𝑏 )2 ]
+ 44.9 𝑙𝑜𝑔(𝑓𝑐 ) − 4.78 (𝑙𝑜𝑔(𝑓𝑐 ))2 (I. 25)
k0, k1, k2 et k3 : sont des valeurs qui sont modifiées en fonction des environnements (c'est-à-dire
les zones). Pour les différentes zones, les paramètres sont décrits dans le (Tableau I.6) ci-dessous :
Environnement (type) k0 k1 k2 k3
Rurale 45.95 100.6 12 0.1
Suburbaine 43.20 68.63 12 0.1
Urbaine 36.20 30.20 12 0.1
Tableau I.6 : les Valeurs de kn en fonction des environnements.
I.12.5.2 Les modèles pour les petites cellules (micro-cells)
Contrairement aux modèles statistiques grandes-cellules qui prédisent une couverture radio
moyenne et pas très précise essentiellement en milieu ouvert. Les modèles Micro-cellules essaient
de prédire une zone de couverture moins étendue mais plus précise. Ces modèles sont
essentiellement destinés aux installateurs de réseaux mobiles en environnement urbain ou semi-
urbain [25]. Ces cellules ont un rayon de service de 1 à 4km. Elles sont adaptées à l’environnement
urbain dense.
I.[Link] Le modèle de LEE
Le modèle de Lee (LEE, 1982) est basé sue des mesures réalisées dans différents environnement
(espace libre, espace ouvert, périurbain, urbain) voir le (Tableau I.7).
Environnement N P0
Espace Libre 2 -45
Espace Ouvert 4,35 -49
Suburbain 3,84 -61,7
Urbain : Philadelphie 3,68 -70
Newark 4,31 -64
Tokyo 3,05 -84
New York City 4,08 -77
Tableau I.7 : Paramètres du modèle de Lee.

31
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

L’affaiblissement total est donné par la relation suivante :

𝑃𝐿 = 10 𝑛 𝑙𝑜𝑔(𝑑) − 20 𝑙𝑜𝑔 (ℎ𝑏 𝑒𝑓𝑓 ) − 𝑃0 − 10 𝑙𝑜𝑔(ℎ𝑟 ) + 29 (I. 26)

Avec : PL : affaiblissement total ; d : longueur de la liaison (en kilomètres) ; n et P0 :

paramètres déduits à partir de mesures faites sur le terrain Et dont la valeur est fonction du milieu
géographique ; hr: hauteur du mobile; hb (eff): hauteur effective (voir la Figure I.19) de l’antenne
d’émission.

Figure I.19 : Détermination des différentes hauteurs équivalentes de l'antenne d'émission.

La hauteur effective de l'antenne d'émission est déterminée en projetant la pente du terrain
à proximité du dispositif mobile sur l'emplacement de la station de base portant l'émetteur. La
(Figure I.19) schématise la variation de la hauteur effective de l’antenne d’émission (h a, hb, hc) pour
différentes positions du mobile en fonction de la pente du terrain (avec A, B, C : pente du terrain
plus 1.5 mètres, correspondant à la position du mobile).
I.[Link] Le modèle COST-CNET
L’amélioration des moles de propagation purement statistiques pour les petites cellules en
milieu périurbain et urbain est obtenue par l’intégration du mode profil et de différents algorithmes
de diffraction multiple sur une succession d’arêtes. Le modèle COST-CNET est un modèle semi
empirique en 2D qui a été développé pour modéliser le signal radio des petites cellules (micro
cellules) d’un réseau radio mobile, particulièrement adapté à l’ingénierie du GSM à 900 MHz et du
DECT156 à 1800 MHz, avec une émission de 5 à15 mètres au-dessus des toits. Il a été élaboré par
FTR&D (anciennement CNET : Centre National d’Etude des Télécommunications) dans le cadre du
programme européen COST 231 (voir la Figure I.20).

32
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

Figure I.20 : Profil E-R considéré par le modèle COST-CENT.

Avec : ℎ: Hauteur des bâtiments ; b : Distance entre les bâtiments ; W : Largeur de la rue
dans laquelle est localisé le mobile ; w1 : Distance entre le mobile et le bâtiment sur lequel l’onde
radio est diffractée, w2 : Distance entre le mobile et le bâtiment sur lequel l’onde radio est réfléchie ;
N : Arêtes des bâtiments (façades, coins de bâtiment) ; t1 : Trajet de l’onde diffractée par la dernière
arête au niveau du toit ; t2 : Trajet de l’onde réfléchie sur la façade de l’immeuble opposé ; Α : Angle
formé entre l’horizontale et la direction de propagation de l’onde radio émise depuis l’émetteur ;
M : Le mobile ; E : L’émetteur.
Les formules de calcul permettent alors de calculer l’affaiblissement total de la liaison qui
est en fait la somme de 3 composantes :
𝑃𝐿𝑡𝑜𝑡𝑎𝑙 = 𝑃𝐿0 + 𝑃𝐿𝑚𝑠𝑑 + 𝑃𝐿𝑟𝑠𝑡 + 𝑃𝐿𝑑𝑒𝑔 I. 27

Avec : PLtotal : Affaiblissement total ; PL0 : Affaiblissement d’espace libre ; PLmsd : Affaiblissement de

diffraction multiple sur les n-1 arêtes ; PLrst : Affaiblissement dans la rue du mobile (superposition

du trajet 1 et du trajet 2) ; PLdeg : Affaiblissement lié à la diffraction sur l’arête principal

I.12. Conclusion
Dans ce chapitre, nous avons présenté un aperçu des différents composants et caractéristiques
de la technologie LTE (quatrième génération) afin de présenter par la suite la terminologie des
termes utilisés dans cette technologie. Nous nous sommes aussi intéressés à la présentation des
modèles empiriques pour la prédiction de la propagation RF les plus couramment utilisés. Ces
modèles de propagation ne sont que des formules mathématiques obtenues à partir des statistiques
sur un très grand nombre de mesures dans réalité et dans différents environnements. Ils traduisent
l’affaiblissement en fonction de plusieurs paramètres tels que les hauteurs des bâtiments, du mobile, de la
station de base, des distances etc. Toutefois un ajustement de quelques paramètres pour améliorer la
précision des modèles doit être faite. Le modèle de propagation des ondes radio ou perte de trajet modèle
joue un rôle très important dans la planification. Dans ce travail, une comparaison sera faite entre les

33
 Chapitre I Généralité et Etat de l’art de réseau 4G/LTE

différents modèles de propagation radio proposés qui seraient utilisés pour le LTE, comme : le modèle
Stanford University Interim (SUI), le modèle Okumura-Hata. Dans le chapitre suivant, nous allons présenter
l’algorithme PSO pour l’optimisation de ces modèles empiriques.

34
CHAPITRE 02
II. Optimisation du modèle de propagation RF

Par l’algorithme PSO

 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

II.1 Introduction
Les métaheuristiques, avec leur aspect stochastique (dépend de variables aléatoires) sont
reconnues pour être des algorithmes d’optimisation performants visant à résoudre des problèmes
d’optimisation difficile qui n’ont pas de méthode classique plus efficace [13]. En comportant comme
des algorithmes de recherche, elles tentent à apprendre les caractéristiques d’un problème afin
d’en trouver une meilleure solution. Il existe un grand nombre de métaheuristiques différentes, qui
permettent d’être adaptées à une large gamme de problèmes différents. L'optimisation par Essaim
de particule (OEP) ou bien (PSO Particle Swarm Optimization), est une technique d'optimisation
stochastique développée par Russel Eberhart (ingénieur en électricité) et James Kennedy (socio-
psychologue) en 1995 [26], inspirée du comportement social des oiseaux en vol (voir figure II.1) ou
des poissons en bancs et basée sur la notion de collaboration entre les particules aux capacités
assez limitées pour arriver à résoudre un problème quelconque en trouvant l'ensemble des
paramètres qui maximise/minimise un objectif particulier[26]. Ainsi, grâce à des règles de
déplacement très simples (dans l'espace des solutions), les particules peuvent converger
progressivement vers un optimum global. Le système qui est initialisé avec une population de
solutions aléatoires, recherche un optimum en actualisant les générations. Les solutions
potentielles, appelées particules, volent à travers l'espace du problème en suivant les particules
optimales actuelles [26].
Dans ce chapitre, nous allons présenter le principe de fonctionnement de l’Optimisation d'Essaim
de Particules (PSO), ainsi que la conception et comment se déroule l’algorithme PSO. Ensuite, nous
allons élaborer l’algorithme d’optimisation des modèles de propagation empiriques OKUMURA-
HATA et SUI basé sur des calculs évolutifs qui dépendent de l'intelligence de l'essaim. Nous
intéressons aussi à l’application du PSO sur un modèle empirique de prédiction pour plusieurs
régions en comparant aussi les mesures expérimentales réelles prise dans la région de la wilaya de
Tébéssa, Algérie.

Figure II.1 : Essaims des oiseaux en vol

36
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

II.2 Principe de fonctionnement de l’optimisation d'Essaim de Particules (Particul

Swarm Optimization : PSO)
II.2.1 Définition de l’optimisation et de la fonction objective
L'optimisation mathématique est la sélection du meilleur élément, au regard d'un certain
critère, à partir d'un ensemble d'alternatives disponibles. L’optimisation consiste à trouver les
"meilleures valeurs disponibles" d'une fonction objective donnée à maximiser ou minimiser en
choisissant systématiquement des valeurs d'entrée dans un ensemble autorisé et en calculant la
valeur de la fonction [13]. Le terme fonction objective désigne une fonction qui sert à déterminer la
meilleure solution à un problème d'optimisation. En associant une valeur à une instance d'un
problème d'optimisation. Le but du problème d'optimisation est alors de minimiser ou de maximiser
cette fonction jusqu'à l'optimum, par différents procédés comme l'algorithme PSO. Concrètement,
ces fonctions objectives parcourent l'ensemble des solutions possibles de l'espace de recherche
local et sont, à chaque itération, comparés à des optimums définis [13]. Leur égalité (ou presque
égalité dans le cas d'une garantie de performance) conduit alors à l'état final et ainsi à la solution.

II.2.2 Motivation de l’utilisation de l’algorithme P.S.O

Plusieurs métaheuristiques sont développées afin de résoudre un problème d'optimisation.
La difficulté réside alors dans le choix de la méthode la plus appropriée. De nombreuses
métaheuristiques mettent en œuvre une certaine forme d’optimisation stochastique, la plus
courante est la descente stochastique : on part d’une solution initiale, on la compare à tous ses
voisins en conservant à chaque fois le meilleur résultat [13]. L’optimisation par essaim particulaire
a gagné la popularité croissante parmi des chercheurs et des praticiens comme une technique
robuste et efficace pour résoudre des problèmes d’optimisation difficiles, facile à programmer,
quelques lignes de code suffisent dans n’importe quel langage évolué. Cette technique est fondée
sur la notion de coopération et l’échange d’information entre les particules. Les individus de
l’algorithme sont appelés particules et la population est appelée essaim [26].
Chaque individu dans l’essaim est représenté par un vecteur dans l’espace de recherche
multidimensionnel. Ce vecteur a également un vecteur assigné qui détermine le prochain
mouvement de la particule et s’appelle le vecteur de vitesse. Chaque particule interroge chaque
congénère de proximité sur sa meilleure performance. Sur la base des informations dont elle
dispose, chaque particule modifie sa vitesse d’une manière stochastique en fonction de sa propre
vitesse actuelle, sa meilleure performance et la meilleure performance de ses voisins [26].

37
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

Le déplacement d’une particule est influencé par trois composantes (Figure II.2) : (1) une
composante physique : la particule tend à suivre sa direction courante de déplacement ; (2) une
composante cognitive : la particule tend à se diriger vers le meilleur site par lequel elle est déjà
passée ; (3) une composante sociale : la particule tend à se fier à l’expérience de ses congénères et,
ainsi, à se diriger vers le meilleur site déjà atteint par ses voisins [26].

Figure II.2 : PSO - schéma de principe du déplacement d’une particule

Le voisinage constitue la structure du réseau social. Les particules à l’intérieur d’un voisinage
communiquent entre-elles. Différents voisinages ont été étudiés [26]. Les particules à l’intérieur
d’un voisinage communiquent entre-elles, et sont connues comme une sociométrie qui suit trois
types de topologie (Anneau, Etoile, Rayon) représentés comme ce suit (voir la Figure II.3) :
- Topologie en anneau : chaque particule communique avec n voisines immédiates. Chaque
particule tend à se déplacer vers la meilleure dans son voisinage local [26].
- Topologie en étoile : le réseau social est complet, donc une communication complète et une
attirance vers la meilleure particule [26].
- Topologie en rayon : une particule « centrale » est connectée à toutes les autres. Seule cette
particule centrale ajuste sa position vers la meilleure, si cela provoque une amélioration
l’information est propagée aux autres [26].
Le choix de la topologie de voisinage a un grand effet sur la propagation de la meilleure solution
trouvée par l’essaim. Cependant, en utilisant les topologies anneau et rayon ralentiront la
convergence parce que la meilleure solution trouvée doit propager par plusieurs voisinages
avant d’affecter toutes particules dans l’essaim. Cette propagation lente permettra aux
particules d’explorer plus les secteurs dans la recherche espacent et diminuent ainsi la chance
de la convergence [26].

38
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

Topologie en anneau Topologie en étoile Topologie en rayon

.
Figure II.3 : Différents topologies pour un essaim des particules

II.2.3 Les éléments de l’algorithme P.S.O [26]

Pour appliquer la PSO, il faut définir un espace de recherche constitué de particules et
une fonction objective à optimiser. Le principe de l’algorithme est de déplacer ces particules afin
qu’elles trouvent l’optimum. Chacune de ces particules est dotée :
✓ D’une position, c'est-à-dire ses coordonnées dans l’ensemble de définition.
✓ D’une vitesse qui permet à la particule de se déplacer. De cette façon, au cours des
itérations, chaque particule change de position. Elle évolue en fonction de son meilleur
voisin, de sa meilleure position, et de sa position précédente. C'est cette évolution qui
permet de tomber sur une particule optimale.
✓ D’un voisinage, c'est-à-dire un ensemble de particules qui interagissent directement sur la
particule, en particulier celle qui a le meilleur critère.
A tout instant, chaque particule connait :
✓ Sa meilleure position visitée. On retient essentiellement la valeur du critère calculée ainsi
que ses coordonnées.
✓ La position du meilleur voisin de l’essaim qui correspond à l'ordonnancement optimal.
✓ La valeur qu’elle donne à la fonction objective car à chaque itération il faut une comparaison
entre la valeur du critère donnée par la particule courante et la valeur optimale.
Le voisinage d’une particule est le sous-ensemble de particules de l’essaim avec lequel il a
une communication directe. Ce réseau de rapports entre toutes les particules est connu comme la
sociométrie, ou la topologie de l’essai.

II.2.4 Définition de la position et de la vitesse courante associée à une particule

Chaque particule représente une solution potentielle dans l’espace de recherche. Une
particule est décrite par leurs propriétés ayant deux caractéristiques : position et vitesse [26]. La
nouvelle position d’une particule est déterminée en fonction de sa propre valeur et celle de ses

39
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

⃗⃗⃗𝑖 (𝑡) la position de la particule 𝑃𝑖 au temps (𝑡). La position est modifiée en ajoutant
voisines. Soit 𝑋

une vitesse ⃗⃗𝑉𝑖 à sa position courante ; les propriétés des particules changent à chaque itération.
Elles sont mises à jour par les équations [26] :
▪ La position au temps (𝑡 ) de la particule est alors définie par :
⃗⃗⃗𝑖 (𝑡) = 𝑋
𝑋 ⃗⃗⃗𝑖 (𝑡 − 1) + ⃗⃗𝑉𝑖 (𝑡) (II. 1)

▪ La vitesse au temps (𝑡) De la particule est alors définie par :

𝑉𝑖𝑗 (𝑡) = 𝜔 𝑉𝑖𝑗 (𝑡 − 1) + 𝑐1 . 𝑟𝑎𝑛𝑑1[𝑃𝑏𝑒𝑠𝑡𝑖𝑗 (𝑡 − 1)– 𝑋𝑖𝑗 (𝑡 − 1)]
(II. 2)
+𝑐2 . 𝑟𝑎𝑛𝑑2[𝑔𝑏𝑒𝑠𝑡𝑗 (𝑡 − 1)– 𝑋𝑖𝑗 (𝑡 − 1)]

Avec : 𝑖 = 1,2, … . 𝑁𝑝 ; 𝑗 = 1,2, … … 𝑁𝑑 .

Où :
- 𝑵𝒑 : Le nombre de particules de l’essaim.
- 𝑵𝒅 : Le nombre de variables du problème (dimension d’une particule).
- 𝒊𝒕𝒆𝒓𝒎𝒂𝒙 : Le nombre maximal d’itération.
- 𝑽𝒊𝒋 : La vitesse de la jième composante de la iième particule de l’essaim.
- 𝑷𝒃𝒆𝒔𝒕𝒊𝒋 : est la jième composante de la meilleure position occupée par la iième particule de
l’essaim, enregistrée dans les itérations précédentes (particule best).
- 𝒈𝒃𝒆𝒔𝒕𝒋 : La jième composante de la meilleure position occupée par la meilleure particule
globale de l’essaim (global best).
- 𝑿𝒊𝒋 : La jième coordonnée de la position actuelle de la particule i.
- 𝒄𝟏 𝒆𝒕 𝒄𝟐 : Les coefficients d’accélération (c1 contrôle le comportement cognitif de la
particule et c2 contrôle l’aptitude sociale de la particule), dont le but de caractériser la
capacité de la particule à chercher dans un autre endroit de l’espace de recherche. Ces
coefficients contrôlent l'influence stochastique des composantes cognitive et sociale sur la
vitesse globale d'une particule. Les constantes c1 et c2 sont également appelées paramètres
de confiance, où c1 exprime le degré de confiance d'une particule en elle-même, tandis que
c2 exprime le degré de confiance d'une particule en ses voisins. En général on choisit et tels
que : randm1 et randm2 sont deux nombres aléatoires compris entre 0 et 1. Pour une bonne
convergence de l’algorithme, les valeurs de 𝑐1 𝑒𝑡 𝑐2 ne doivent pas être choisies
indépendamment l’un de l’autre. En pratique le premier doit être un peu inférieure à 2 et le
second peut être calculé par la formule :
𝑐2 = (2/0 , 97725) 𝑐1 (II. 3)
- 𝝎: Une pondération qui change à chaque itération (coefficient d’inertie) pour contrôler

40
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

l’influence de la direction de la particule sur le déplacement futur. Le but de l’introduction

de ce paramètre est de réaliser un équilibre entre la recherche locale (exploitation) et la
recherche globale (exploration). Elle est calculée par l’expression :
𝜔𝑚𝑎𝑥 − 𝜔𝑚𝑖𝑛
𝜔(𝑖𝑡𝑒𝑟) = 𝜔𝑚𝑎𝑥 𝑖𝑡𝑒𝑟 (II. 4)
𝑖𝑡𝑒𝑟𝑚𝑎𝑥
Avec :

- Iter : Le rang de l’itération actuelle

- 𝝎𝒎𝒂𝒙 : la valeur initiale de la pondération, on la prend généralement égale à 0.9.
- 𝝎𝒎𝒊𝒏 : la valeur finale de la pondération, elle est comprise entre 0.3 et 0.4
L’évolution de la vitesse d’une particule est la somme des trois parties qui ont les qui significations
suivantes :
▪ Le premier partie :(𝜔 𝑉𝑖𝑗 (𝑡 − 1)) : correspond la direction précédente (déplacement
physique). Il signifie que la particule continue d’évoluer dans le même sens. Ce terme de mémoire
peut être vue comme élan, qui empêche la particule de la direction rigoureusement changeante, et
à la polarisation vers la direction courante. Ce composant désigné également sous le nom du
composant d'inertie.
▪ La deuxième partie :(𝑐1 . 𝑟𝑎𝑛𝑑1[𝑃𝑏𝑒𝑠𝑡𝑖𝑗 (𝑡 − 1)– 𝑋𝑖𝑗 (𝑡 − 1)]) : correspond à la composante
cognitive. Il indique la direction vers la meilleure position déjà occupée par la particule 𝑋𝑡𝑗 (elle fait
confiance à ça propre expérience). Le composant cognitif ressemble la mémoire individuelle de la
position qui était la meilleure pour la particule. L'effet de ce terme est que ces particules sont
attirées à leurs propres meilleures positions, ressemblant la tendance des individus de retourner
aux situations ou aux endroits qui les ont satisfaits plus dans le passé. Kennedy et Eberhart se sont
également référés au composant cognitif comme « nostalgie » de la particule.
▪ La troisième partie :(𝑐2 . 𝑟𝑎𝑛𝑑2[𝑔𝑏𝑒𝑠𝑡𝑗 (𝑡 − 1)– 𝑋𝑖𝑗 (𝑡 − 1)]) : correspond à la composante
sociale du déplacement. Il indique la direction vers la meilleure position déjà occupée par
l’ensemble de l’essaim (elle fait confiance au groupe). Conceptuellement, la composante sociale
ressemble à une norme de groupe que les individus cherchent à atteindre. L'effet du composant
social est que chaque particule est attirée vers la meilleure position trouvée par son voisinage.
Ensuite, chacun de ces trois termes est pondéré par un coefficient qui permet de favoriser l’un ou
l’autre de ces trois termes puisqu’à la fin on fait leur somme. La (Figure II.4) illustre ce principe.

41
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

(a) (b)
Figure III.3 : (a) schéma de principe du déplacement d’une particule, (b) schéma vectorielle
Figure II.4 : (a) schéma de principe du déplacement d’une particule, (b) schéma vectorielle du déplacement
du déplacement.

II.3 Conception et déroulement de l’algorithme

II.3.1 Conception de l’algorithme
Un algorithme PSO trouve une solution en recherchant un extremum (maximum ou minimum) sur
un ensemble de solutions possibles. L’ensemble des solutions est appelé espace de recherche. Le
principe de l’algorithme PSO est appliqué pour résoudre un problème de minimisation ou de
maximisation, considérons le problème d’optimisation suivant [13]:
𝑚𝑖𝑛{(𝑋𝑗 )} 𝑎𝑣𝑒𝑐 𝑗 = 1,2,3 … 𝑑 (II. 5)

La fonction fitness (fonction objective) associée est définie par :

𝑓𝑖𝑡𝑛𝑒𝑠𝑠(𝑋𝑗 ) = 𝑓(𝑋𝑗 ) (II. 6)

L'algorithme est construit en utilisant la procédure décrite ci-dessous :

a. Initialisation : Les particules sont initialisées avec des positions et des vitesses aléatoires et
les paramètres nécessaires.
b. Évaluation : La valeur de la fonction objective est mesurée pour chaque particule.
c. Trouver le 𝑷𝒃𝒆𝒔𝒕𝒊𝒋 : Si la valeur de la fonction objective pour la particule i est meilleure que
𝑃𝑏𝑒𝑠𝑡𝑖𝑗 celle de la particule i, la valeur actuelle de la fonction objective est définie comme la
nouvelle 𝑃𝑏𝑒𝑠𝑡𝑖𝑗 de la particule i.
d. Trouver le 𝒈𝒃𝒆𝒔𝒕𝒋 : Si n'importe quel 𝑃𝑏𝑒𝑠𝑡𝑖𝑗 est meilleur que le 𝑔𝑏𝑒𝑠𝑡𝑗 , la valeur actuelle de
𝑔𝑏𝑒𝑠𝑡𝑗 est fixée à la valeur actuelle.
e. Mise à jour de la vitesse et de la position : La vitesse de chaque particule est mise à jour selon
l'équation (de vitesse), et la particule est déplacée vers la position suivante selon l'équation
(de déplacement).

42
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

f. Critère d'arrêt : Si le nombre d'itérations est atteint, l'algorithme est arrêté, sinon il retourne
à l'étape b.
Les étapes de l’algorithme PSO sont résumées dans l’organigramme suivant :

Initialisation
Arrêt
Non Évaluation de la fonction
𝒇𝒊𝒕𝒏𝒆𝒔𝒔(𝑿𝒋 ) = 𝒇(𝑿𝒋 )
Oui

Critère satisfait Mise à jour de la meilleure

position locale 𝑷𝒃𝒆𝒔𝒕𝒊𝒋

Non
Mise à jour de la position et
la vélocité de chaque Si 𝒇(𝑷𝒃𝒊 )>𝒇(𝑷𝒈 )
particule (𝑿𝒋 , 𝑽𝒋 )
Oui
Mise à jour de la meilleure
position globale 𝑷𝒈

Figure II.5 : Organigramme générale de l’algorithme PSO

L’algorithme PSO à six paramètres à prendre en considération pour sone déroulement :

• La dimension du problème.
• Le nombre de particules (la taille d’essaim).
• Les valeurs des coefficients.
• La taille du voisinage.
• La vitesse maximale.
• L’inertie.

II.3.2 Déroulement de l’algorithme PSO

Si l’on considère N particules et que chaque particule compare sa nouvelle position à sa
meilleure position obtenue, c'est-à-dire qu’on ne prend pas compte du voisinage puisqu’on utilise
uniquement l’amélioration obtenue sur la particule elle-même, cela donne l’algorithme 1. f : étant
la fonction fitness.
Algorithme PSO. Sans considération de voisinage [26]

43
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

(Les variables et paramètres de l’algorithme)

N : nombre de particule
Xi : Position de la particule Pi
Vi : Vitesse de la particule Pi
Pbesti : meilleure fitness obtenue pour la particule Pi
Yi : Position de la particule Pi pour la meilleure fitness
𝜌 : Valeur aléatoire positive
[Initialisation]
Initialiser aléatoirement la population
Pour chaque particule i ∈ , …, N Faire
Initialiser aléatoirement Xi,
Initialiser aléatoirement Vi (ou bien Vi=0)
yi=xi ;
Fin pour
[Traitement]
Répéter
Pour i de 1 à N faire
Si (f(xi) > pbesti) Alors
Pbesti  f(xi)
yixi ;
Fin si
Vi(t+1)  Vi(t) + 𝜌(yi(t) - xi(t))
xi(t+1)  xi(t) + vi(t+1))
Fin pour
Jusqu’à ce que (le processus converge)

II.3.3 Inconvénient de l’algorithme PSO [26]

Le PSO et d'autres algorithmes de recherche stochastiques ont deux principaux inconvénients :
➢ Le premier inconvénient est que l'essaim peut prématurément converger :
▪ Quand des individus attirent l’essaim vers un optimum local.
▪ Une mauvaise initialisation de la population.

44
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

Bien que le PSO trouve de bonnes solutions dans un temps beaucoup plus court que d'autres
algorithmes évolutionnaires, l’amélioration de la qualité des solutions ne peut être garantie en
augmentant le nombre d’itération.
➢ Le deuxième inconvénient est que les approches stochastiques ont un problème de
dépendance. Cette dépendance résulte habituellement des arrangements de paramètres de
chaque algorithme. Ainsi, en utilisant de différents arrangements de paramètres pour un
seul algorithme de recherche stochastique on obtient des résultats de haute performance.
Mais en général, l’arrangement d’un paramètre ne peut être appliqué à tous les problèmes.

II.4 Application de l’algorithme PSO à l’optimisation des modèles empiriques de

propagation OKUMURRA-HATTA et SUI
Dans cette partie, nous allons présenter l’optimisation par la technique PSO, des paramètres
prédéfinis des modèles empiriques choisis (voir le Déroulement de l’algorithme PSO).

II.4.1 Les données et l'analyse de l’affaiblissement

Le PathLoss, ou L'affaiblissement du trajet est la réduction de la densité de puissance
(atténuation) d'une onde électromagnétique lorsqu'elle se propage dans l'espace. L'affaiblissement
du trajet est une composante majeure de l'analyse et de la conception du bilan de liaison d'un
système de télécommunication. Ce terme est couramment utilisé dans les communications sans fil
et la propagation des signaux. Il peut être dû à de nombreux effets, tels que l'affaiblissement en
espace libre, la réfraction, la diffraction, la réflexion. Il est également influencé par les contours du
terrain, l'environnement (urbain ou rural), le milieu de propagation (air sec ou humide), la distance
entre l'émetteur et le récepteur, ainsi que la hauteur et l'emplacement des antennes.
Dans les cas pratiques, le PathLoss est calculé à l'aide de diverses approximations à l’aide
méthodes statistiques (également appelées stochastiques ou empiriques) qui sont basées sur des
pertes mesurées et moyennées le long de classes typiques de liaisons radio. Ces méthodes sont
également connues sous le nom de modèles de propagation des ondes radio l’un des modèles plus
utilisés est le modèle Okumura-Hata.
L'approche d'optimisation du modèle de propagation proposée ici est basée sur l'algorithme
d'optimisation par essaims de particules (PSO). Elle permet d'optimiser les cinq paramètres du
modèle Okumura-Hata et quatre paramètres dans le modèle de propagation SUI. PSO peut produire
non seulement une solution, mais un ensemble de solutions possibles, parmi lesquelles la meilleure
est sélectionnée.
- Le Modèle Okumura-Hata : L’affaiblissement selon ce modèle est donné par :

45
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

• Dans un milieu Urbain :

𝐿𝑢 = 69.55 + 26.16 𝑙𝑜𝑔 10 (𝑓) – 13.82 𝑙𝑜𝑔 10 (ℎ𝑏) – 𝑎(ℎ𝑚)
+ [44.9 – 6.55 𝑙𝑜𝑔 10 (ℎ𝑏)] 𝑙𝑜𝑔10 (𝑑)
Avec : 𝒂 (𝒉𝒎) = [1.1 𝑙𝑜𝑔 10 (𝑓) – 0.7] ∗ ℎ𝑚 – [1.56 𝑙𝑜𝑔 10 (𝑓) – 0.8]
• Dans un milieu Rural :
𝐿𝑟 = 𝑙𝑢 – 4.7 [𝑙𝑜𝑔 10 (𝑓)]2 + 18.33 𝑙𝑜𝑔 10 (𝑓)– 𝛼
Avec : α = 40.94 si la zone est rurale ouverte ; où : 𝐿𝑢 𝑒𝑡 𝐿𝑟 : Affaiblissement total dans une région
urbain et rurale, en dB.
- Le modèle SUI : L’affaiblissement selon ce modèle peut être décrite comme :
𝑑
𝑃𝐿 = 𝐴 + 10 𝛾 𝑙𝑜𝑔 ( ) + 𝑋𝑓 + 𝑋ℎ + 𝑆
𝑑0
Où : PL : La perte de chemin en dB ;
d : La distance entre l’émetteur et le récepteur ; d0 : La distance de référence (100m) ;
Xf : Le facteur de correction de fréquence ; Xh : Le facteur de correction pour la hauteur BTS ;
A : L'affaiblissement du trajet en espace libre ; γ : L'exposant de l'affaiblissement du chemin ;
S : Le facteur d'ombrage.
𝑐
𝛾 = 𝑎 − 𝑏ℎ𝑏 +
ℎ𝑏
Où hb est la hauteur de la station de base et 𝑎, 𝑏 𝑒𝑡 𝑐 sont des facteurs de terrain listés.

II.4.2 Algorithme PSO appliqué au modèle

En formulant le problème à résoudre comme une équation mathématique L de modèle
Okumura-Hata, on obtient cinq variables k1, k2, k3, k4, k5 évaluées par une fonction de sortie à un
critère d'arrêt qui dépend de la performance de celui-ci. Cette fonction de sortie est généralement
définie comme la MSE (Erreur Quadratique Moyenne : Mean Square Error). Avec, k1, k2, k3, k4, k5
: les facteurs de Modèle de propagation optimisé. On va adapter le PSO pour notre problème
comme suit :

46
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

Modèles Empirique : Données Réelles et

Okumura-Hata, SUI. Expérimentales de La
Région de Tébessa

Optimisation Par
l’Algorithme PSO

No
Critère d’arrêt
n
Satisfait

Oui

Modèle Optimisé Pour la Région

Etudié

Figure II.6 : Organigramme de processus d'optimisation

L’Optimisation par PSO emploie une population composée de 𝑁𝑝 particules, avec un nombre
d’itération i entre 5 et 100. Avec la définition de la fonction objective de fitness. En exécutant
l’algorithme itération par itération, les particules de la population changes de position et de vitesse
en se rapprochant de plus en plus l’optimum. Jusqu’à atteindre le nombre maximum d’itération.
- Pour un nombre total de particules 𝑁𝑝 de dimension 𝑁𝑑 =5 ayant les positions
(𝑋𝑖1 , 𝑋𝑖2 , 𝑋𝑖3, 𝑋𝑖4 , 𝑋𝑖5 ) = (𝑘𝑖1 , 𝑘𝑖2 , 𝑘𝑖3 , 𝑘𝑖4, 𝑘𝑖5 ) , et les facteurs cognitifs c1=0,5 et c2=0,8.
Le processus de l’algorithme est résumé par les étapes suivantes :
• Etape 1 : Initialiser de manière aléatoire les positions de 𝑘𝑖1 , 𝑘𝑖2 , 𝑘𝑖3 , 𝑘𝑖4, 𝑘𝑖5 et les vitesses
des particules avec des valeurs distribuées respectivement, et avec tous les parametres nécessaires.
• Etape 2 : Evaluer la fonction objectif min (𝐋(𝑘𝑖1 , 𝑘𝑖2 , 𝑘𝑖3 , 𝑘𝑖4, 𝑘𝑖5 ) ) à chacune des
0
positions 𝑋𝑖𝑗 à l’itération initiale 𝑛 = 0 et déterminer 𝑃𝑏𝑒𝑠𝑡𝑖𝑗 et 𝑔𝑏𝑒𝑠𝑡𝑗 .
𝜔𝑚𝑎𝑥 −𝜔𝑚𝑖𝑛
• Etape 3 : Evaluer la pondération 𝜔(𝑖𝑡𝑒𝑟) = 𝜔𝑚𝑎𝑥 𝑖𝑡𝑒𝑟
𝑖𝑡𝑒𝑟𝑚𝑎𝑥

Avec 𝑖𝑡𝑒𝑟 = {1, . . 𝑖𝑡𝑒𝑟𝑚𝑎𝑥 }.

• Etape 4 : Déterminer la fonction fitness ( 𝑋𝑖𝑗 ) = 𝐋( 𝑋𝑖𝑗 ) et évaluer la fonction objective
associée à chacune des postions𝑋𝑖𝑗 et mettre à jour la position et la vitesse de chaque particule. Si

47
 Chapitre II Optimisation du modèle de propagation RF par l’algorithme PSO

la valeur de la position 𝑋𝑖𝑗 est meilleure que son 𝑃𝑏𝑒𝑠𝑡𝑖𝑗 courante, 𝑃𝑏𝑒𝑠𝑡𝑖𝑗 prend cette nouvelle
valeur. Si la meilleure valeur de 𝑃𝑏𝑒𝑠𝑡𝑖𝑗 est meilleure que 𝑔𝑏𝑒𝑠𝑡𝑗 Courante, 𝑔𝑏𝑒𝑠𝑡𝑗 est remplacé par
cette meilleure valeur et la position qui correspond à cette meilleure valeur est ainsi stockée.
• Etape 5 : Vérifier à chaque fois le critère d’arrêt. Si le critère d'arrêt n'est pas satisfait, aller
vers l'étape 2, Si le critère d'arrêt est satisfait le programme se termine, est
produite (𝑋𝑖1 , 𝑋𝑖2 , 𝑋𝑖3, 𝑋𝑖4 , 𝑋𝑖5 ) = ( 𝑘𝑖1 , 𝑘𝑖2 , 𝑘𝑖3 , 𝑘𝑖4, 𝑘𝑖5 ).

II.5 Conclusion.
Dans ce chapitre nous avons présenté l’algorithme d’optimisation par essaim particulaire PSO
basé sur la simulation du comportement des oiseaux. Simple à comprendre, à programmer et à
utiliser, PSO présente un fort potentiel d'application pratique qui semble à être très efficace pour
optimiser une large gamme des fonctions. En plus de ses liens avec la vie ordinaire, l'optimisation
par essaims de particules a des liens directs avec le calcul évolutif (un ensemble initial de solutions
candidates est généré et mis à jour de manière itérative). L'ajustement vers pbest et gbest par PSO
dépend fortement des processus stochastiques pour converger vers des "meilleures" solutions.
Nous avons opté pour l’algorithme PSO car il est bien adapté au problème posé et très performant
en termes de la précision des solutions trouvées, du temps de calcul et du nombre de paramètres à
ajuster. Dans le chapitre suivant, nous allons présenter les résultats obtenus pour l’optimisation par
PSO des modèles empiriques choisis à savoir le modèle Okumura-Hata et le modèle SUI. Pour valider
cette optimisation, nous avons aussi testé et élaboré un algorithme pour optimiser les valeurs
mesurées et expérimentales de l’affaiblissement dans l’antenne 4G de l’université de Tébessa,
TEBESSA, Algérie.

48
CHAPITRE 03
III. RESULTATS

ET INTERPRETAIONS
 Chapitre III Résultats et interprétations

III.1 Introduction
La problématique étudiée dans ce mémoire étant la simulation de l’algorithme
d’optimisation des performances des réseaux LTE (4G), et en particulier les paramètres de
l’affaiblissement (PathLoss) implémenter dans les différentes zones et en utilisant plusieurs modèles
empiriques. Les modèles empiriques ont l’avantage d’être simple et de faiblement dépendre des
caractéristiques d’un site. C’est pourquoi ils sont couramment employés pour les communications
cellulaires pour une première estimation de la perte de propagation. L'affaiblissement (PathLoss)
du trajet est une composante majeure de l'analyse et de la conception du bilan de liaison d'un
système de télécommunication. Ce terme est couramment utilisé dans les communications sans fil
et la propagation des signaux. Il peut être dû à des nombreux paramètres, tels que l'affaiblissement
en espace libre, la réfraction, la diffraction, la réflexion, etc… Il est également influencé par les
contours du terrain, l'environnement (urbain ou rural), le milieu de propagation (air sec ou humide),
la distance entre l'émetteur et le récepteur, ainsi que la hauteur et l'emplacement des antennes. Le
deuxième objectif visé par notre travail est de pouvoir ajustés et prédire ces valeurs en minimisant
l’erreur entre les valeurs prédites et les valeurs réelles pour le choix du modèle le plus approprié et
le plus robuste pour chaque zone. Pour arriver à ces fins, nous avons choisi l’utilisation de
l’algorithme PSO pour l’optimisation des modèles empirique. Ce chapitre sera consacré aux résultats
obtenus pour l’étude de l’influence de la variation de certains paramètres sur l’affaiblissement des
trois modèles empiriques choisis. Ensuite, les résultats de l’optimisation de ces modèles RF par PSO
avec une simulation réelle de la région de Tébessa et ceci pour valider le modèle choisi.

L’Environnement de travail :
L'environnement de programmation est Matlab R2015a, afin de bénéficier de ses Toolbox. La
configuration matérielle utilisée dans notre implémentation est :
- MATLAB R2015a.
Le processus d’implémentation des méthodes sera exécuté sur un pc Dell Inspiron 3542 qui a les
spécifications suivantes :
- Processeur: Intel(R) Celeron(R) 2957U @ 1.40GHz (2 CPUs), 1.4GHz.
- RAM: 4096MB (4.00 GB).
- System d’opération: Windows 10 Pro 64-bit version 20H2 (10.0, Build 19042).

50
 Chapitre III Résultats et interprétations

III.2 Résultats et Interprétations

III.2.1 Résultat de Chapitre I : Résultats et interprétation de la simulation de Pathloss
pour les différents modèles RF
Dans cette section, nous allons étudier un certain nombre de modèles d'affaiblissement de
trajet pour prédire l'affaiblissement de propagation pour le mobile. Ils représentent un ensemble
d'équations mathématiques et d'algorithmes utilisés pour la propagation de signaux radio dans des
zones définies. Nous avons travaillé sur les modèles empiriques car ces modèles sont basés sur des
données utilisées pour prédire, pas pour expliquer un système et sont basés uniquement sur
l'observation et la mesure. Les modèles empiriques choisis dans notre travail sont Okumura-Hata,
SUI et Ericsson. Les mesures expérimentales des caractéristiques de propagation radio sont
effectuées en zones urbaines, suburbaines et rurales pour un système 4G/LTE fonctionnant à
1800/2100 MHz.
III.2.1.1 Résultats de simulation pour le modèle empirique Okumura-Hata
Le pathloss est calculé en utilisant les équations mathématiques données précédemment
pour les modèles de propagation RF. Les graphes d’affaiblissement obtenus sont tracés entre
eNodeB et le terminal mobile pour le modèle Okumura-Hata à l'aide de MATLAB. Dans nos calculs,
À contacter l’encadreur
nous utilisons différents paramètres tels que les fréquences porteuses, la distance entre l'émetteur
et le récepteur, la hauteur du récepteur et la hauteur de la station de base. Les paramètres de
simulation des modèles de propagation sont :
- La distance (d) : de 0 à 10 km.
- La fréquence (𝑓𝑐 ) : 1800 MHz et 2100 MHz.
- Hauteur de l’eNodeB (Hb1, Hb2) : 10 m et 30 m.
- Hauteur de terminale mobile (Hm) : 1.5 m.
Les figures suivantes donnent les résultats de simulation pour l'affaiblissement de trajet dans le
modèle Okumura-Hata pour 2100 MHz et 1800 MHz respectivement. Nous avons choisi pour la
simulation deux hauteurs eNodes (Hb1=10m et Hb1=30m).

51
 Chapitre III Résultats et interprétations

Figure III.1 : Simulation de l’affaiblissement pour le modèle Okumura-Hata à 2100

À contacter l’encadreur

Figure III.2 : Simulation de l’affaiblissement pour le modèle Okumura-Hata à 1800

Après la simulation de l’Influence de variation de la distance entre l’émetteur et le récepteur sur
l’affaiblissement. Dans ce qui suit, nous allons opter pour l’influence de la fréquence ; pour cela, la
plage de variation de fréquence choisie est [900 à 2100 Mhz]. Les résultats obtenus sont illustrés
sur la figure suivante pour une distance fixe d= 5 Km.

52
 Chapitre III Résultats et interprétations

Figure III.3 : Influence de la variation de la plage de fréquence sur l’affaiblissement pour le modèle
Okumura-Hata
On remarque qu’il y’a une relation propotionnelle entre l’affaiblissement et la fréquence
utilisée. Alors que sur les figures précédentes , on remarque une relation inverssement
À contacter l’encadreur
propotionnelle avec la hauteur de l’eNoeud et l’atténuation c.à.d. : Si Hb augmente Affaiblissement
diminue. On remarque aussi qu’il y a une relation de proportionnalité entre la distance de
séparation et l’atténuation. C'est-à-dire on remarque aussi que les pertes sont moins pour les zones
libres (dégagé).
III.2.1.2 Résultats de simulation des modèles empiriques SUI et Ericsson
En suivant le même protocole expérimental et avec les mêmes paramètres. Les graphes
obtenus d’affaiblissement pour les modèles SUI et Ericsson en fonction de distance, puis en fonction
de fréquence pour les différents environnements (urbain, suburbain, rural) sont représentés sur les
figures suivantes.
• Pour le modèle SUI
Dans ce modèle de propagation, trois types différents de terrains ou de zones sont considérés. Ceux-
ci sont appelés terrains A, B et C. Le terrain A représenté une zone avec le plus haut affaiblissement,
et c'est une zone densément peuplée. L'environnement suburbain est représenté comme le Terrain
B avec un affaiblissement modéré. La zone rurale est indiquée comme étant le terrain C et avec un
affaiblissement faible. Le (Tableau I.5), montre les différents terrains et facteurs utilisés dans le

53
 Chapitre III Résultats et interprétations

modèle SUI. Pour 2100 et 1800 MHz, les résultats pour l'affaiblissement sur le trajet des régions
urbaines, suburbaines et rurales sont présentés dans la (Figure III.4) et (Figure III.5) :

Figure III.4 : Simulation de l’affaiblissement pour le modèle SUI à 2100

À contacter l’encadreur

Figure III.5 : Simulation de l’affaiblissement pour le modèle SUI à 1800

Nous avons aussi, étudié l’influence de la variation de la plage de fréquence [900 2100MHz]. Le
graphe illustré sur le graphe suivant représente la relation de proportionnalité entre
l’affaiblissement en dB et la fréquence pour une distance fixe.

54
 Chapitre III Résultats et interprétations

Figure III.6 : Influence de la variation de la plage de fréquence sur l’affaiblissement pour le modèle SUI

• Pour le modèle empirique Ericsson 9999 :

Dans ce modèle, nous pouvons ajuster les paramètres en fonction du scénario donné. Les figures
À contacter l’encadreur
suivantes représentent les résultats obtenus concernant l’affaiblissement et l’influence de la
variation des fréquences pour le modèle Ericsson 9999.

Figure III.7 : Simulation de l’affaiblissement pour le modèle Ericsson à 1800 et 2100

55
 Chapitre III Résultats et interprétations

Figure III.8 : Influence de la variation de la plage de fréquence sur l’affaiblissement pour le modèle Ericsson

À contacter l’encadreur
En comparant les résultats de l’affaiblissement trouvés pour les trois types d’environnement
; nous distinguons que : Pour les modèles Okumura-Hata et SUI, l’affaiblissement s’élève si on
augmente la fréquence, et se réduit si on augmente la hauteur de eNodeB.
Contrairement aux modèles précédents, l’affaiblissement pour le modèle Ericsson se réduit
si on augmente la fréquence, et s’élève si on augmente la hauteur de l’eNodeB. Le (Tableau III.1)
résume les résultats obtenus pour les différents modèles empiriques :

56
 Chapitre III Résultats et interprétations

Modèle Fréquence Distance Hauteur de Hauteur de Pathloss

MHz (Km) eNodeB (m) mobile (m) dB
Zone urbain
1800 10 10 1,5 179,2
Okumura- 30 169,5
Hata 2100 10 10 1,5 180,1
30 171,3
1800 10 10 1,5 415,9
SUI 30 370,3
2100 10 10 1,5 421,2
30 357,6
1800 10 10 1,5 228,2
Ericsson 30 241,7
2100 10 10 1,5 224,1
30 237,4
Zone suburbaine
1800 10 10 1,5 167,3
Okumura- 30 157,6
Hata 2100 10 10 1,5 168,5
30 158,8
1800 10 10 1,5 411,7
SUI 30 351,7
2100 10 10 1,5 417,1
30 357,1
1800 10 10 1,5 323,7
Ericsson À contacter l’encadreur
2100 10
30
10 1,5
337,2
319,5
30 332,9
Zone rurale
1800 10 10 1,5 147,3
Okumura- 30 137,6
Hata 2100 10 10 1,5 148,2
30 138,5
1800 10 10 1,5 471.2
SUI 30 405.2
2100 10 10 1,5 476,5
30 410,6
1800 10 10 1,5 400.1
Ericsson 30 413.5
2100 10 10 1,5 395,8
30 409,3
Tableau III.1 : Analyse comparative de modèles de propagation RF (Environnement Urbain, Suburbain et
Rural)

Le modèle Okumura-Hata donne un meilleur affaiblissement pour les trois types des milieux (urbain,
suburbain et rural), entre 138 et 180 dB par rapport aux modèles SUI et Ericsson (de 351 à 476 dB
et de 228 à 413 dB respectivement).

57
 Chapitre III Résultats et interprétations

III.2.2 Résultats de Chapitre II : Optimisation des paramètres des modèles empiriques

avec PSO
Les modèles de propagation sont des outils essentiels pour la planification et l’optimisation
radio dans les réseaux mobiles. Les résultats présentés dans cette partie concernent une étude
comparative de l’optimisation par l’algorithme PSO de deux modèles de propagation à savoir :
Okumura-Hata et SUI. L’approche proposée prend en compte le modèle à K facteurs pour ensuite
utiliser le PSO afin d’optimiser le modèle standard de Okumura-Hata ou SUI pour l’adapter au milieu
physique de l’antenne proche de l’université de Tébessa. L’évaluation de la racine carrée de l’erreur
quadratique moyenne (REQM) entre les données de prédiction et celles mesurées permet de valider
la précision de l’approche proposée. Une étude comparative est faite avec le modèle théorique,
ensuite avec les valeurs expérimentales mesurées de l’affaiblissement du modèle afin de valider le
modèle prédit.
III.2.2.1 Résultats d’optimisation de modèle Okumura-Hata avec PSO dans un milieu urbain
Le modèle Okumura-Hata est choisi pour cette étude, Formulant le problème à résoudre
comme une seule équation mathématique a cinq variables (k1, k2, k3, k4, k5) qui doivent être défini
d’une manière à rendre ce modèle adapté.
À contacter l’encadreur
Le modèle de propagation K facteurs est défini par :
𝐿𝑈 = 𝑘1 + 𝑘2 𝑙𝑜𝑔 (𝑓𝑐 ) − 𝑘3 𝑙𝑜𝑔(ℎ𝑏 ) + [𝑘4 − 𝑘5 𝑙𝑜𝑔(ℎ𝑏 )] 𝑙𝑜𝑔 (𝑑) − 𝑎(ℎ𝑟 )
Les valeurs des paramètres 𝑘𝑖 varient en fonction du type de terrain et des caractéristiques
de l’environnement de propagation des villes. A l’issu de l’implémentation de l’algorithme PSO. Les
résultats de simulation en variant le nombre d’itération et le nombre de particules de l’algorithme
seront présentés dans les tableaux et figures suivantes. Le critère d’arrêt est le minimum de l’erreur
quadratique moyenne (MSE : Mean Square Error).
• Résultats d’optimisation avec 5 itérations et N qui varie entre 30 et 250 particules :
N° des particules 30 50 100 150 200 250
RMSE 0,6244 13,7409 6,3764 0,8653 2,3076 11,4326
k1 38,6265 61,6440 27,3115 28,9187 40,8926 42,4990
Coefficients K

k2 36,6448 38,0552 37,5175 44,5693 48,7609 32,5614

k3 52,6157 46,6083 78,5061 64,6710 52,0370 79,6250
k4 15,0856 8,1885 41,0760 24,9581 13,1832 45,0978
k5 15,5541 36,7546 6,6319 29,8290 50,3740 2,4096
Temps d’exécution (s) 6,122261 11,347581 19,301990 28,434593 38,129937 47,9095
Tableau III.2 : Résultats obtenus pour l’optimisation Okumura-Hata par PSO (Iter=5 et N variables)

D’après le (Tableau III.2) et la (Figure III.9 : comparaisons entre le modèle Okumura-Hata et les
résultats d’optimisation avec 5 itérations, on remarque que l’optimisation de 30 particules et 5

58
 Chapitre III Résultats et interprétations

itérations à une valeur d'erreur minimale par rapport celles des autres optimisations. Le graphe de
cette optimisation est le plus proche au graphe de modèle Okumura-Hata. Les valeurs des
paramètres sont :
k1=38,6265, k2= 36,6448, k3=52,6157, k4=15,0856, k5=15,5541.

À contacter l’encadreur
Figure III.9 : comparaisons entre le modèle Okumura-Hata et les résultats d’optimisation avec 5 itérations

• Résultats d’optimisation avec 100 itérations et N qui varie entre 30 et 250 particules :
N° des particules 30 50 100 150 200 250
MSE 42.4500 39.4246 1.3444 1.8137 15.5458 5.6395
k1 29,4675 19,3995 26,9994 23,8818 39,1326 30,1548
Coefficients K

k2 53,5409 52,9753 50,0600 46,2364 37,2247 52,6310

k3 31,3015 64,3565 70,1103 53,0382 57,0457 50,0571
k4 5,7176 38,9521 31,0004 14,3994 26,9884 5,0772
k5 44,3644 33,5076 41,6251 31,0787 11,1551 58,1086
Temps d’exécution 94,373712 161,584051 316,102284 471,561960 521,244312 882,048003
(s)
Tableau III.3 : Résultats obtenus pour l’optimisation Okumura-Hata par PSO (Iter=100 et N variables)

D’après le (Tableau III.3) et la (Figure III.10), on remarque que l’optimisation de 100particules

et 100 itérations à une valeur d'erreur minimale par rapport celles des autres optimisations. Le
graphe de cette optimisation est le plus proche au graphe de modèle Okumura-Hata. Les valeurs
des paramètres sont :
k1=26,9994, k2= 50,0600, k3=70,1103, k4=31,0004, k5=41,6251.

59
 Chapitre III Résultats et interprétations

Figure III.10 : comparaisons entre le modèle Okumura-Hata et les résultats d’optimisation avec 100
itérations
• À contacter l’encadreur
Etude comparative entre les meilleures optimisations
Chaque paramètre de l’algorithme PSO a une influence importante sur le comportement des
particules et donc de la convergence de l’algorithme ; et même si la méthode PSO présente des
résultats satisfaisants, le choix du bon paramétrage de la méthode reste un point critique en tant
qu’une des clés de succès pour tout algorithme PSO. À noter, qu’un simple changement de la valeur
d’un paramètre peut changer grandement le résultat, et peut même mener à une convergence
prématurée. Une fois le même protocole expérimental établi, le tableau suivant représente une
étude comparative entre les deux meilleurs optimisations (5 et 100 itérations).
N° des itérations 5 Itérations 100 Itérations
N° des particules 30 100
MSE 0,6244 1.3444
k1 38,6265 26,9994
Coefficients K

k2 36,6448 50,0600
k3 52,6157 70,1103
k4 15,0856 31,0004
k5 15,5541 41,6251
Temps d’exécution (s) 6,122261 316,102284
Tableau III.4 : Etude comparative de l’optimisation du modèle de propagation avec PSO

60
 Chapitre III Résultats et interprétations

On remarque que les meilleures performances ont été obtenues pour la combinaison (30
particules, 5 itérations) que ce soit au niveau temps d’exécution que soit en terme du meilleur
affaiblissement. En comparant les deux optimisations, l'erreur MSE est nettement faible pour la
combinaison (30 particules et 5 itérations) que la combinaison (100 particules et 100 itérations).

À contacter l’encadreur
Figure III.11 : Comparaison entre le modèle Okumura-Hata et les meilleures optimisations

III.2.2.2 Résultats d’optimisation de modèle SUI avec l’algorithme PSO dans un milieu urbain
En suivant le même protocole expérimental et en choisissant les mêmes paramètres de l’algorithme
PSO. Nous avons procédé à l’optimisation du modèle SUI avec PSO sachant que nous avons choisi
quatre paramètres dans le modèle empirique K facteurs devient :
𝑑
𝑃𝐿 = 𝐴 + 10𝑘1 𝑙𝑜𝑔 ( ) + k2 + k3 + 𝑘4
𝑑0
Après plusieurs tests, nous avons choisi la meilleure combinaison 70 particules et 15
itérations, les paramètres obtenus sont :
• k1=5,3249, k2= 0,4485, k3=82,3268 et k4=24,9655.
Avec l’erreur MSE minimale = 2,8924 et le Temps d’exécution=18,237 s. Les résultats obtenus sont
illustrés sur le graphe suivant qui représente le modèle SUI et le nouveau modèle SUI optimisé avec
PSO.

61
 Chapitre III Résultats et interprétations

Figure III.12 : comparaison entre le modèle SUI et le modèle SUI optimisé

À contacter l’encadreur
D’après les tableaux et les figures précédentes, nous arrivons à la conclusion que
l’optimisation PSO est très efficace et performante en termes d’exactitude des calculs et de temps
écoulé (Cela dépend aussi aux performances de l’ordinateur utilisé). Entre les deux modèles
empiriques Okumura-Hata et SUI, le premier donne les meilleurs résultats d’optimisation où l’erreur
globale et le temps d’exécution sont les plus faibles par rapport au modèle SUI. Le (Tableau III.5)
montre une comparaison entre les meilleures les résultats obtenus :

Modèle N° d’itérations N° des particules MSE Temps d’exécution

Okumura-Hata 5 30 0,6244 6,122261
SUI 25 70 2,8924 18,236749
Tableau III.5 : Résumé et comparaison des résultats d’optimisation des modèles Okumura-Hata et SUI

III.2.3 Optimisation de modèle empirique expérimentale de la région de Tébessa

Pour notre étude, Les mesures réelles sont prises dans la région de Tébessa de L’eNodeB
d’operateur Mobilis N°12668, situé dans la zone urbaine « cité 1er Novembre 1994 » sous les
coordonnées : 35°25’34’’ Nord et 8°03’42’’ Est couvrant un rayon de 2.5 km. La localisation de
l’eNodeB est représentée sur la carte comme ce suit :

62
 Chapitre III Résultats et interprétations

Figure III.13 : La localisation de l’eNodeB N° 12668 - Google Earth

Les spécifications de site sont représentées dans le (Tableau III.6):

Paramètres
ÀTypecontacter
de région
Hauteur d’émetteur (eNodeB)
l’encadreur
Urbaine
15 m
Hauteur de récepteur (mobile) 1.5 m
Fréquence 1800 MHz
Tableau III.6 : Les spécifications de site étudié
Nous avons mesuré les données réelles de 5 à 500 mètres de l'extrémité de l’émetteur avec
l’application Android G-NetTrack Pro. C’est une application de surveillance du réseau et un outil de
test pour les réseaux mobiles. Il permet de surveiller et d'enregistrer les informations relatives aux
cellules en service et aux cellules voisines mobiles sans utiliser d'équipement spécialisé. Pour
calculer l’affaiblissement en dB nous avons utilisé le bilan de liaison pour la voie descendante (voir
le chapitre 1), les résultats des mesures réelles sont illustrés sur les graphes suivants.
III.2.3.1 Résultats et discussion de l’optimisation des modèles RF par PSO avec les mesures
réelles
En premier étape, nous allons simuler et tracer les graphes des modèles empiriques Okumura-Hata,
SUI et les données réelles mesurées pour une comparaison graphique. Ensuite, on calcule l’erreur
quadratique des deux modèles empiriques avec les mesures réelles.

63
 Chapitre III Résultats et interprétations

Figure III.14 : comparaison des modèles Okumura-Hata et sui avec les données réelles mesurées
Le (Tableau III.7) montre le RMSE calculé entre chaque modèle utilisé et les mesures réelles :
Modèle empirique Okumura-Hata SUI
RMSE 3662,2 2465,3
À contacter l’encadreur
Tableau III.7 : Erreur quadratique moyenne entre les modèles empiriques et les mesures réelles

D’après la (Figure III.14) et le (Tableau III.7), on remarque que le modèle SUI a une valeur
d'erreur globale de 2465,3 minimale par rapport à celle du modèle Okumura-Hata de 3662,2.
Résultats d’optimisation des modèle Okumura-Hata et SUI avec les mesures réelles en utilisant le
PSO
En appliquant l’algorithme PSO pour améliorer les modèles Okumura-Hata et SUI pour les
rendre adaptatifs avec les valeurs réelles mesurées. Après plusieurs tests en variant le nombre de
particules et le nombre des itérations les résultats optimaux sont présentés dans le (Tableau III.8) :
Modèle empirique Okumura-Hata SUI
N° des particules 70 70
N° des itérations 25 25
RMSE 174.4434 1556,6
k1 40,0657 4,8719
Coefficients K

k2 55,7039 0,5991
k3 34,7003 67,4986
k4 6,0012 30,5403
k5 39,6904 /
Temps d’exécution (s) 55.221787 49,260998
Tableau III.8 : Résultats de l’optimisation par PSO des mesures réelles par rapport aux modèles empirique
Okumura-Hata et SUI

64
 Chapitre III Résultats et interprétations

Pour une comparaison graphique, on trace les graphes des modèles empiriques optimisés
Okumura-Hata, SUI chacun avec ses paramètres prédits et les données réelles mesurées.

À contacter l’encadreur

Figure III.15 : comparaison des modèles okumura-hata et sui optimisées avec les données réelles mesurées

On remarque que le modèle Okumura-Hata a une valeur d’erreur globale de 174.4434

minimale par rapport à celle du modèle SUI où l’erreur est égale à 1556,6. On remarque que malgré
que le modèle SUI était plus proche des affaiblissements réelles mesurées en terme d’erreur, on a
pu avec l’algorithme PSO ajusté les paramètres du modèle empirique Okumura-Hata pour le rendre
le plus proche possible des mesures réelles et de l’adapter à l’eNodeB du site de la région de Tébessa
étudié. Le modèle Okumura-Hata optimisé avec des nouveaux paramètres (k1=40,0675,
k2=55,7039, k3=34,7003, k4= 6,0012, k5= 39,6904) donne des meilleurs résultats plus proches au
mesures réelles par rapport au modèle SUI optimisé.

III.3 Conclusion
Dans la première partie de la simulation, nous avons étudié trois modèles empiriques macro-
cellules. Nous avons montré l’influence d’un ensemble de paramètres tel que : le mode de
propagation, la variation de la distance entre l’émetteur et le récepteur, la hauteur de l’eNodeB, et
la fréquence sur les performances de la liaison radio d’un système 4G/LTE. D’après les résultats
obtenus, les types de milieu sur lesquels se propage les ondes électromagnétiques influent
directement sur l’affaiblissement alors que la propagation est meilleure lorsque les obstacles sont
réduits. Dans notre cas, le modèle empirique Okumura-Hata a montré une robustesse et des
performances. Le travail proposé s'est concentré aussi sur l'optimisation d'un modèle de

65
 Chapitre III Résultats et interprétations

propagation le mieux adapté pour une meilleure prédiction de l’affaiblissement d’un réseau 4G LTE
dans un environnement urbain, nous avons choisi la région de Tébessa. L'affaiblissement mesuré a
été comparé à l'affaiblissement à 1800 MHz. Le modèle Okumura-Hata s'est avéré le plus précis
pour l'environnement Tébessa et un modèle Okumura-Hata optimisé a été développé et jugé
satisfaisant pour l'environnement.

66
 CONCLUSION

GENERALE
Conclusion Générale
Dans le cadre de notre étude, nous nous sommes intéressés au problème d’affaiblissement
de trajet dans les réseaux de la quatrième génération de la téléphonie mobile. L’objectif principal
est d’optimiser la propagation de la couverture radio de ce réseau.
A partir des calculs ci-dessus, nous concluons que lorsque la hauteur de la station de base
change, la valeur de l'affaiblissement sur le trajet diminue pour ces modèles de propagation
empiriques RF. Il est donc clair que la hauteur de la station de base joue un rôle essentiel dans la
détermination de l'affaiblissement sur le trajet pour ces modèles de propagation en LTE. En
revanche, lorsque la fréquence augmente, l'affaiblissement sur le trajet augmente mais ce
changement n'est pas très remarquable. Ainsi, la fréquence et la hauteur ont un effet majeur sur
l'affaiblissement.
L’objectif de notre travail, consiste à établir un modèle empirique optimisé pour le rendre
plus approprié à la zone de couverture désirée. Pour résoudre un tel problème d’optimisation, on
utilise une technique méta-heuristique populaire basée sur l’intelligence par essaim basée sur le
calcul du minimum global d’une fonction coût en minimisant l’erreur quadratique moyenne entre
les données de prédiction établies par ce modèle à optimiser, ainsi les mesurés réels établis sur le
terrain. Ces mesures sont prélevées de la région de Tébessa. Chaque paramètre de l’algorithme PSO
a une influence importante sur le comportement des particules et donc de la convergence de
l’algorithme ; et même si la méthode PSO présente des résultats satisfaisants, le choix du bon
paramétrage de la méthode reste un point critique en tant qu’une des clés de succès pour tout
algorithme PSO. À noter, qu’un simple changement de la valeur d’un paramètre peut changer
grandement le résultat, et peut même mener à une convergence prématurée.
Les différences entre les valeurs moyennes de pathloss mesurées et les valeurs modifiées du
modèle ont été optimisées à l'aide de l'algorithme d'optimisation de l'essaim de particules pour
l'adéquation du terrain. Les résultats obtenus ont montré à travers les métriques d'erreur que la
technique PSO a donné un meilleur résultat par rapport au modèle modifié, le modèle Okumura-
Hata et d'autres modèles existants pour le système LTE à 1800MHz. Par conséquent, le modèle
optimisé PSO pourrait être déployé de manière appropriée pour l'amélioration de l'atténuation du
signal pour le réseau LTE dans la région urbaine de Tébessa.

68
Références
[1] BCHINI.T, « Gestion de la mobilité, de la qualité de service et interconnexion de réseaux mobiles de
nouvelle génération », Thèse de doctorat, Université de Toulouse, 2010.
[2] A. Hanane, M. Radjaa Asma, « Optimisation de la couverture radio 4G (LTE-A) des opérateurs de
télécommunications », Mémoire Master en Télécommunications, Télémcen, 2017/2018.
[3] Maciej Stasiak et al, ‘’Modelling and Dimensioning of Mobile Wireless Networks : From GSM to LTE”,
Livre Edition Willy, 2010.
[4] X. ZHANG, « LTE Optimization Engineering Handbook », Wiley-IEEE Press, 2017.
[5] Yannick Bouguen, Éric Hardoin, François-Xavier Wolff, « LTE et les réseaux 4G », Groupe Eyrolles, 2012.
[6] J. KIEFFER, « Contribution au dimensionnement des PLL pour des modulations polaires larges bandes »,
Thèse de doctorat, Université Grenoble Alpes, 4 Juillet 2014.
[7] N. SHABBIR et al, « Comparison of Radio Propagation Models for Long Term Evolution (LTE) Network,
International Journal of Next-Generation Networks, Vol.3, No.3, 2011.
[8] DJEDDI FATMA, OUTALEB FAIZA, ‘’Planification et optimisation d’un réseau 4G LTE’’, Mémoire de
Master, Université de Tizi-Ouzou, 2017
[9] BOUGUERRA YAAQOUB ET DELLOUM SARRA, « Optimisation paramétrique pour estimation des pertes
dans un réseau GSM utilisant l’algorithme PSO », mémoire de Master, Université de M’sila, 2017.
[10] ASAD SAEED, HABIB UR, REHMAN MUHAMMAD, HASSAN MASOOD, « Performance Analysis and
Comparison of Radio Frequency Propagation Models for Outdoor Environments in 4G LTE Network », Thesis
of Master, Electrical Engineering Blekinge Institute of Technology 2013.
[11] T. Houda, « Optimisation de la couverture radio du réseau 4G de Tunisie Telecom », Mémoire Master
en Télécommunications et Réseaux, Tunis, 2015-2016.
[12] B.S. Riyad, B. Hadjer, « Etude des performances des réseaux 4G (LTE) », Mémoire Master en
Télécommunications, Université de Tlemcen, 2013.
[13] Nourredine TABIA, « MODELES ET ALGORITHMES POUR L’OPTIMISATION ROBUSTE DANS LES SELF-
ORGANIZING NETWORK », Thèse de Doctorat, université Technologie, Belfort-Montbéliard, 2013.
[14] Karoling, « FDMA, TDMA_ja_CDMA_graafiline_võrdlus » [Link], 2013. [En ligne].
[15] [Link], [Link], « Calibration de modèles de propagation pour les réseaux GSM, WCDMA et
LTE», Mémoire Master, Sciences et technologies de l’Information et de la Communication-Option RST, Tunis,
2012-2013.
[16] [Link], « Etude et estimation des pertes dans réseau GSM », Mémoire Master en
Télécommunications, Université de M’sila, 2015.
[17] [Link], « Planification radio d’une solution de couverture indoor », Rapport de projet de fin d’étude,
Tunis, 2004-2005.
[18] [Link], « Empirical formula for propagation loss in land mobile radio services », IEEETrans, [Link],
[Link]-29, no.3, pp.317-325, August 1980.
[19] [Link], [Link], « Outil de planification et de dimensionnement dans l’E-UTRAN LTE-Advanced »,
Tunis, 2011-2012.
[20] Hashim A, « Location Management in LTE Networks using Multi-Objective Particle Swarm
Optimization », Computer Networks, vol. 157, pp. 78-88, 2019.
[21] J. Milanovic, S. Rimac-Drlje, K. Bejuk, « Comparison of propagation model accuracy for WiMAX on 3.5GHz
», 14th IEEE International conference on electronic circuits and systems, Morocco, 2007, pp. 111-114.
[22] V.S. Abhayawardhana, I.J. Wassel, D. Crosby, M.P. Sellers, M.G. Brown, « Comparison of empirical
propagation path loss models for fixed wireless access systems », 61th IEEE Technology Conference,
Stockholm, pp. 73-77, 2005.
[23] O. Ajose, A. Imoize, « Propagation measurements and modelling at 1800 MHz in Lagos Nigeria », Wireless
and Mobile Computing, vol. 6, no. 2, pp. 165-174, 2013.
[24] P. Kumar, B. Patil, and S. Ram, « Selection of radio propagation model for long term evolution (LTE)
network », Engineering Research and General Science, vol. 3, no.1, pp. 372-379, 2015.
[25] Eunice Abdjarah « PLANIFICATION GLOBALE DES RESEAUX MOBILES DE LA QUATRIEMEGENERATION
(4G) », Université de Montréal 2014.
[26] KENNEDY. J, EBERHART. R, « Particle Swarm Optimization, Proceedings of the IEEE International Joint
Conference on Neural Networks », IEEE Press, vol. 8, no. 3, pp. 1943–1948. 1995.