其中 M 是一个大的正数。
我们根据上面的具体参数应用模拟退火算法 SAEOM 来求解 EOM 问题。冷却进度表的控制参数如下：初始接受率χ＝ 0.9 ， 次数内 目标＝ 0.38*3*20*100 ， 最大容许偏差 = 0.62*(3*m*n) ，最大生成极限＝ 4*M UB [21] 。在 HP-C180 的 UNIX 系统上用 C 语言执行了这个算法。
图 3 给出了一个初始可行解 ( 初始设计 ) 。具有相同阴影的相邻网格组成一个小区。总系统成本为 24349.68 。图 4 给出了用 SAEOM 算法求出的最优解。这个最优解是在用不同的初始可行解运行程序 10 次后才获得的。最终设计 f c (s) 的邻近最优系统成本是 20139.20 。小区数进一步减少了 6 个。图 5 显示了收敛记录，即用 SAEOM 算法求解 EOM 问题的退火曲线。退火需要的平均 CPU 时间为 34.65 分钟。
为了评估 SA 方法求得的解，我们把它与用 Aarts 和 Korst[15] 的本地搜索过程求得的最佳解和用随机生成过程获得的解比较。用本地搜索过程求得的最佳解为系统成本 f c (s) ＝ 20452.4 和小区数 n ＝ 13 。如成本函数 (19) 所示，每个小区的固定成本 
决定总系统成本。这意味着成本有效设计应该有较少的小区数和每个小区较高的平均话务负载。图 6 和图 7 分别表示用 SAEON 和本地搜索方法求得的最佳解中的话务量柱形图。图 8 表示在小区数也是 13 这种情况下，随机生成过程获得的解的话务量分布。虚线和实心条分别代表每个小区能提供的话务负载和需要的话务负载。从图 6-8 ，我们观察到用 SAEON 求得的逼近最优解在能提供的话务负载和需要的话务负载之间取得了好的折衷。与其它两个过程相比，每个小区的话务负载也呈均匀分布。如图 4 的最终设计所示，这个设计能满足覆盖要求，同时也努力用最小的小区数和最佳的小区安置适应非一致话务负载。
天线增益和发射功率的逼近最优值可从最佳解中获得。
在最后一步，基站和移动单元的所有参数都要根据所在小区内具体的地形数据和覆盖特征进行调整。从上面两层获得的结果能满足覆盖的质量要求，但并不能提供每个小区的所有预期话务量。在最后一层， Gamst[23] 技巧被用来确定要分配的信道数下界。然后进一步应用 Dugue-anton[20] 的信道分配过程去满足话务要求和避免干扰。
B. SA 算法的性能
模拟退火方法 SAEOM 的性能研究分两个方面：解的质量和执行时间 [13] 。我们把 SAEOM 求得的次优解比作用本地搜索方法及随机生成过程获得的最优解。如表 Ⅱ 和 Ⅲ 所示的四种不同大小的问题都应用了这些方法。
本地搜索算法是一种由 Aarts[15] 提出的贪婪算法，用本地搜索算法求得的解严重地依赖于初始解。计算时间的上界，即最差情况下的时间复杂度对很多问题而言都不可知 [15][13] 。给定次数 N 
对相同的问题用不同的初始值运行本地搜索算法 , 我们就得到了平均时间，平均 CPU 时间，最佳结果及进行大量优化获得最佳结果所花的总 CPU 时间 [15][8] 。
在对同样的问题运行 SAEOM10 次后就得到了模拟退火算法 SAEOM 的 CPU 时间和最佳结果的平均值。
表 Ⅱ 和 Ⅲ比较了这些算法的解。从中可注意到模拟退火方法能在较短的时间内求得较好的解。由于固定小区成本 