仿真及结果分析优化技巧

为了验证算法的有效性，采用60个节点的航空信息网络拓扑，假设每个节点均可放置交换机，控制器部署在交换机的位置上。在航空信息网络拓扑中，采用时延作为链路的权重，链路权重为［1，10］的均匀随机数，单个节点和链路的中断概率为区间［0，0.02］和［0，0.04］的随机数，算法中其他参数如表8.2所示。实验仿真中，采用本文的多目标蚁群算法（multi-objective ant colony algorithm，MACA）对软件定义航空信息网络中的控制器部署问题进行寻优，算法迭代次数1 000次，算法迭代收敛过程如图8.7所示。

表8.2　参数设置

1）算法收敛特性分析

图8.7　各优化目标收敛曲线及Pareto解最优前沿

（a）目标函数f1收敛曲线；（b）目标函数f2收敛曲线；（c）目标函数f3收敛曲线；（d）Pareto解最优前沿

算法收敛性是进化算法性能的重要衡量指标，在节点规模为60的仿真场景中，设定控制器个数为k=10，分别记录迭代过程中每一代个体其目标函数f1，f2和f3的最优值（目标函数f1，f2和f3均进行了标准化处理），图8.7（a）～（c）分别给出了3个目标函数随迭代次数变化的进化曲线。多目标优化算法致力于逼近问题的Pareto解最优前沿，其优化结果并不是一个最优解，基于MACA得到的Pareto解最优前沿如图8.7（d）所示。(www.xing528.com)

由图8.7（a）～（c）可知，随着算法迭代过程的深入，3个目标值均逐步优化并已基本收敛，表明本章提出的多目标蚁群算法能够同时对多目标函数进行优化，算法优化有效性得到验证。由目标函数随迭代次数变化的曲线可知，在算法迭代前期（开始迭代至200代），3个目标函数值经历了多次快速收敛过程；同时在迭代中后期（200代至1 000代），目标函数值经历了多次递进寻优过程，这是因为算法引入了自适应的启发选择策略，在前期采用较大的启发选择比例q以提高算法收敛速率，后期减小启发选择比例q以增加种群多样性，使得算法具有自适应调整收敛速度和种群多样性的能力，优化过程表明算法在保持种群多样性、提高全局搜索能力方面具有优势。采用MACA获得的Pareto解最优前沿如图8.7（d）所示，由图可知，全网中断概率与节点-控制器平均时延、控制器负载失衡度成反比，而图中给出的Pareto解最优前沿是可以为网络决策者提供特定需求条件下的权衡解，最终决策者可根据需要选择出一个或一组“足够满意”的解作为控制器部署优化问题的最终解。

2）算法优化性能分析

在节点规模为60的航空信息网络环境中，分别取控制器个数为4～12个，通过比较MACA和两种对比算法OPA及NSGA-Ⅰ的优化性能，对算法的适用性和可行性进行了仿真验证。各算法对相同场景重复100次计算，在图8.8中利用误差线给出了优化结果的最小值、最大值以及平均值。其中x轴为不同的控制器个数，y轴为算法的目标函数优化结果。

图8.8　不同控制器个数下算法优化结果对比

（a）目标函数f1中断概率；（b）目标函数f2平均时延；（c）目标函数f3负载失衡度；（d）计算用时

由图8.8（a）可知，随着控制器个数的增加，全网中断概率逐渐降低，当控制器个数大于8时，全网中断概率趋于稳定；其中，当控制器个数从k=4增加至k=12，中断概率降低了8.57%，即在软件定义航空信息网络中增加控制器数量可有效提高网络可靠性；在不同的控制器数量条件下，MACA算法得到的部署方案结果中全网中断概率均小于NSGA-Ⅱ算法，平均减少了3.02%。图8.8（b）比较了两种算法优化所得部署方案结果中传输节点-控制器间的平均时延，由图可知随着控制器数量的增加，传输节点-控制器平均时延逐渐降低，平均降低了34.0%；不同控制器个数条件下，MACA算法得到的部署结果中平均时延均优于NSGA-Ⅱ算法，平均降低了4.96%。图8.8（c）是3种算法对资源负载失衡度的优化结果，当控制器个数较少时，网络中控制器接入节点个数分布不均衡，负载失衡度较高；随着控制器个数增加，网络中控制器负载失衡度降低了66.19%；MACA算法与NSGA-Ⅱ算法所得结果相当，表明两种算法均能对负载失衡度进行优化，两算法的优化结果均在0.36以下。由图8.8（a）～（c）可知，OPA算法通过对网络拓扑中控制器各部署位置的网络性能进行评估对比获得最优解，MACA算法中采用基于精英策略的选择机制，在扩大搜索空间的同时，能够保证优秀个体在进化过程中总能保留至下一代，有利于算法搜索过程快速收敛到Pareto最优前沿，MACA算法整体上接近OPA算法结果，显著优于NSGA-Ⅱ算法。同时由图8.8（d）可知，OPA算法计算时间远高于MACA及NSGA-Ⅱ算法，平均计算时间是MACA算法的40倍左右，由此可知MACA算法适用于大规模网络及动态网络环境中的控制器部署问题。