面向软件定义无线传感器网络部署的细菌觅食优化算法

A Bacteria Foraging Optimization Algorithm for Software-Defined Wireless Sensor Network Deployment

摘要

软件定义无线传感器网络（SDWSN）能够更好地解决路由数据的聚合和网络拓扑控制问题。然而，如何将这种集中控制模式与WSN的分布式结构部署相结合仍然面临着资源限制、节点异构性等诸多挑战。针对以上问题，提出一种基于细菌觅食优化算法的SDWSN部署方案，用于实现控制节点的部署和传感器节点网络动态自适应聚类。该自适应函数包含能量、距离和负载均衡3个因素，通过控制节点间的协作和自适应调整来提升网络弹性和运行效率。仿真结果表明，所提方案在能量消耗、网络效率和网络寿命3个方面均优于基于基因突变的鲸鱼优化算法（GM-WOA）和非线性加权粒子群优化算法（NWPSO）等对比方案。

Abstract

Software-defined wireless sensor networks (SDWSN) are considered to better address the issue of routing data aggregation and network topology control. However, it still faces many challenges such as resource limitation and node heterogeneity how to integrate this centralized control mode with the distributed deployment of WSN. To solve the above problems, an SDWSN deployment scheme based on bacterial foraging optimization algorithm is proposed, which is utilized to realize the deployment of control nodes and dynamic adaptive clustering of sensor node network. Three factors, namely energy, distance and load balancing, are incorporated into the adaptive function. The collaboration among nodes and the adaptive adjustment are controlled by using the function to enhance the network resilience and operational efficiency. Simulation results indicate that compared with genetic mutation-based whale optimization algorithm (GM-WOA) and non-linear weight particle swarm optimization algorithm (NWPSO), superior performance is achieved by using the proposed scheme in energy consumption, network efficiency and network lifetime.

Graphical abstract

关键词

软件定义网络 / 无线传感器网络 / 细菌觅食优化算法 / 控制节点 / 网络寿命

Key words

software-defined networks / wireless sensor networks / bacteria foraging optimization algorithm / control node / network lifetime

软件定义网络（Software-Defined Network, SDN）为解决分布式网络的集中管理提供全新的思路^[1]。由于其能够实现控制平面和数据转发功能的分离，并利用OpenFlow^[2]协议通过南向接口为控制平面和数据平面间提供通信，因此其为网络管理提供一个集中视图，从而为管理分布式结构的物联网提供极大的便利，提升规模日益增加的无线传感器网络的管理效率。软件定义无线传感器网络（Software-Defined Wireless Sensor Network, SDWSN）是低速率无线个域网（Low-Rate Wireless Personal Area Networks, LR-WPAN）的新兴范例，其通过将SDN模型融入到WSN中来实现。SDWSN应用范围广泛^[3]，其在自然灾害环境监测、智能家居、交通运输应用、工业环境、农作物产量和生长方面都能够发挥显著作用。此外，SDWSN能够实现各种军事应用需求，如战场监视、攻击检测、敌方部队动态等。依靠控制服务器（Controller Server, CS）对战场传感器节点的动态配置，无需人工介入就能够执行多项任务。由于集成拓扑发现、路由管理、流规则安装和数据聚合，SDWSN在提高WSN效率和网络互操作性方面发挥显著作用^[4]。同时，如何提高能效和网络自适应管理机制一直是其研究热点。

针对以上问题，提出一种基于细菌觅食优化算法（Bacteria Foraging Optimization Algorithm, BFOA）的SDWSN管理方案，以解决网络运行过程中面临的能耗优化和网络拓扑自适应管理问题。该方案能在相同的数据管理规模下降低能耗和提升网络寿命，提高网络管理效率，如包交付率、时延、抖动。

1 相关工作

1.1 WSN的拓扑管理

WSN设计和拓扑管理的关键挑战是功耗控制以及实现路由决策、数据聚合等^[5]。汇聚节点（Sink Node, SN）具有一定自组织能力，可以实现轻量级的自组织网络并有效控制和管理。文献[6-10]提出一系列方法来解决WSN的最佳接收器放置、动态自适应分层传播机制、拓扑级联鲁棒性、负载均衡和能量优化路由等问题。各个模型通过状态变量变化和环境变化的动态调整，确保方案能提升网络传输效率、降低能耗和延长网络寿命。

由于缺少基础设施的支持，SN在功率、存储、计算能力方面均有诸多限制^[11]。需要全新的通信协议和强大的网络资源管理能力来缓解这种限制并提升网络可靠性。SDN具备独立集中的控制能力，其被认为是一种有前途的解决方案。物联网中，传感器网络结构地理分散，单靠传感器自身无法完全处理生成的异构数据。传感器单纯的协作模式无法实现对网络资源的有效管理。决策智能化对网络管理者提出更高的要求。相较于传统WSN网络拓扑，支持SDN的WSN是基于软件的，因此能够对网络资源管理提供更大的灵活性^[12]。

1.2 利用SDWSN增强拓扑控制

最大限度地缩短传感器节点与控制器之间的距离可以限制控制器的管理延迟，从而减少能量消耗。集中控制对于网络管理的能源消耗较高，且网络管理开销也会增大。放置一组本地控制节点（Controller Node, CN）来提升网络管理效能是一种可行的解决方案。由控制节点负责集群内的数据收集转发，只有在需要介入时，控制服务器才参与网络管理工作。文献[13-17]分别从优化时延、降低管理成本、提升链路可靠性和节能等方面提出对WSN的优化机制。通过SDN的灵活性构建网络模型分层机制，实现SDWSN网络拓扑动态控制，从而控制开销、提升吞吐量和能源效率。

大多数现有方法聚焦于网络流量优化、路由和流量调度，忽略通过SDN的灵活可扩展优势实现即时感知控制、能量成本优化和负载均衡。因此，将工作重点聚焦于对异构网络实现可扩展的动态管理，同时将要解决的问题归纳为以下3个方面。1）控制节点层的选取。合理选择控制节点不但能够提升能源效率，而且通过控制节点间的协作能够确保网络弹性，如负载均衡、故障应对、管理开销控制等。2）实现WSN的聚类。降低控制节点的能耗可以有效提升SDWSN的生存周期。形成的聚类能够减少各种类型的无线链路数据传输，这是降低能耗的一个重要方面。3）控制节点故障的情况下如何自适应调整。由于WSN具备一定生命周期，因此必须考虑系统负载不均衡可能导致的生命周期缩短问题。

2 SDWSN系统模型

2.1 网络模型

系统网络模型如图1所示。网络G（V,L）由节点V和有向链路集合L构成，其中节点V包含了软件定义传感器节点（Software-Defined Sensor Node, SDSN），以及由控制服务器选取的控制节点。首先做如下设定：控制服务器属于外部有源控制，其不存在能耗问题，且由于当前商用控制器已经非常成熟，因此可认为其运行过程中不受存储、处理能力的限制；网络中节点具有唯一标识，且邻居节点间的数据链路是双向的；针对应用环境的普遍性，所有软件定义传感器节点实施部署后都不再变换位置；软件定义传感器节点是无差别的，即具有相同的环境感知和数据传输能力，且通信和计算能力也相同；每个节点根据系统设定既可作为软件定义传感器节点，也可以作为控制节点负责数据收集；传感器部署后属于电池供电状态，且系统初始时所有传感器能量都相同。

2.2 能量模型

控制节点部署问题主要考虑通过优化网络结构布局，使节点间在数据通信过程中的能量消耗得到优化。由于SDWSN的模型架构是在传统WSN结构基础上进行构建的，因此可直接使用通信能耗模型计算能量消耗^[18]。该模型主要基于路径损失模型，在发送器和接收器之间的距离（d）基础上，考虑多径衰落信道（d⁴ power loss）和自由空间信道（d² power loss）两种模型。通过设定一个合适的阈值d_t来确定能量模型的使用。如果距离大于阈值d_t，则应用多径衰落模型；如果距离小于或等于阈值d_t，则使用自由空间模型。在距离d上一个普通节点传输k bit信息所消耗的能量可表示为：

E_{\mathrm{S}\mathrm{D}\mathrm{W}\mathrm{S}\mathrm{N}}(k,d)=\left\{\begin{array}{l}k\times E_{\mathrm{c}\mathrm{r}\mathrm{t}}+k\times E_{\mathrm{f}\mathrm{s}}\times d^{\mathrm{2}},d\le d_{\mathrm{t}};\\ k\times E_{\mathrm{c}\mathrm{r}\mathrm{t}}+k\times E_{\mathrm{m}\mathrm{p}}\times d^{\mathrm{4}},d>d_{\mathrm{t}}.\end{array}\right.（1）

控制节点的数据传输还需要考虑数据聚合，因此其数据传输的能量消耗可表示为：

E_{\mathrm{C}\mathrm{N}}(k,d)=\left\{\begin{array}{l}k\times (E_{\mathrm{c}\mathrm{r}\mathrm{t}}+E_{\mathrm{M}\mathrm{A}})+k\times E_{\mathrm{f}\mathrm{s}}\times d^{\mathrm{2}},d\le d_{\mathrm{t}};\\ k\times (E_{\mathrm{c}\mathrm{r}\mathrm{t}}+E_{\mathrm{M}\mathrm{A}})+k\times E_{\mathrm{m}\mathrm{p}}\times d^{\mathrm{4}},d>d_{\mathrm{t}}.\end{array}\right.（2）

式中：d表示任意两个发射机和接收机之间的距离；E_crt表示运行发射机或接收机时每比特产生的能量消耗，主要包括量化编码、调制解调、数字滤波等；E_MA表示数据聚合的能量消耗；E_mp和E_fs分别表示多径衰落和自由空间系数，主要取决于发射机的放大器型号，以得到可接受的误码率。传输距离阈值d_t可表示为

d_{\mathrm{t}}=\sqrt[]{E_{\mathrm{f}\mathrm{s}}/E_{\mathrm{m}\mathrm{p}}}（3）

为接收k bit的信息，无线传输需要消耗的能量可表示为

E_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{e}}(k)=k\times E_{\mathrm{c}\mathrm{r}\mathrm{t}}（4）

2.3 适应度函数

控制节点作为集群的中心，既负责数据的汇聚，还要协调数据的传输。控制节点负责给集群中的节点分配任务，并通过广播SCHEDULE-MSG实施时分多址调度，能够有效避免数据消息传递可能存在的冲突，并降低系统能耗。在提高频谱利用效率的同时，其能够根据任务内容自适应调整网络拓扑。在网络运行传输阶段，控制节点对数据的调度需要随时接收来自控制服务器的同步脉冲，并收集集群内软件定义传感器节点的数据，完成聚合后发送至控制服务器请求处理。使用优化算法求解问题时，需将待优化的问题进行编码，并定义其对应的适应度函数。由于所选取的控制节点具备一定的控制功能，因此在考虑节能的条件下，应按网络管理设备对待控制节点，即需要考虑簇的负载均衡，从而使SDWSN具备一定的抗节点故障和节点死亡的鲁棒性。

2.3.1 能量因子

控制节点需要将传感任务分配给集群内其他节点，其所消耗的能量将要比普通节点多。因此，控制服务器倾向于选择剩余能量较高的节点作为控制节点。

普通节点的平均剩余能量可表示为

E_{\mathrm{a}\mathrm{v}\mathrm{e}\mathrm{r}\_\mathrm{r}\mathrm{e}\mathrm{s}\mathrm{i}}=\frac{\mathrm{1}}{N}{\displaystyle \sum _{n=\mathrm{1}}^N}{E}_{\mathrm{r}\mathrm{e}\mathrm{s}\mathrm{i},n}（5）

式中：N表示节点的数目；E_resi,n 表示每个节点的剩余能量。因此，可通过计算得到当前一轮过后控制节点的平均剩余能量（E_{CN_aver}）和SDSN的平均剩余能量（E_{SDSN_aver}），并将它们的比值作为适应度因子f₁，可表示为

f_{\mathrm{1}}=\sum _{\forall E_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\_\mathrm{a}\mathrm{v}\mathrm{e}\mathrm{r},\mathrm{j}}\in E_{\mathrm{C}\mathrm{N}\_\mathrm{a}\mathrm{v}\mathrm{e}\mathrm{r},\mathrm{k}}}{\displaystyle \sum _{k=\mathrm{1}}^{n_{\mathrm{C}\mathrm{N}}}}{E}_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\_\mathrm{a}\mathrm{v}\mathrm{e}\mathrm{r},j}/E_{\mathrm{C}\mathrm{N}\_\mathrm{a}\mathrm{v}\mathrm{e}\mathrm{r},k}（6）

2.3.2 距离因子

由于在无线传输中，距离与能耗成正比，使用欧几里得距离^[19]来衡量网络节点之间的距离。控制节点与普通节点之间的平均距离，以及控制节点与控制服务器之间的平均距离，可表示为：

d_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{N}}=\frac{\mathrm{1}}{n_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}}}{\displaystyle \sum _{j=\mathrm{1}}^{n_{\mathrm{C}\mathrm{N}}}}{\displaystyle \sum _{i=\mathrm{1}}^{n_{\mathrm{S}\mathrm{D}\mathrm{S}{\mathrm{N}}_j}}}\sqrt[]{((x_{\mathrm{C}\mathrm{N}}{)}_j-(x_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}}{)}_i{)}^{\mathrm{2}}+((y_{\mathrm{C}\mathrm{N}}{)}_j-(y_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}}{)}_i{)}^{\mathrm{2}}}（7）

d_{\mathrm{C}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{S}}=\frac{\mathrm{1}}{n_{\mathrm{C}\mathrm{N}}}{\displaystyle \sum _{i=\mathrm{1}}^{n_{\mathrm{C}\mathrm{N}}}}\sqrt[]{((x_{\mathrm{C}\mathrm{N}}{)}_i-x_{\mathrm{C}\mathrm{S}}{)}^{\mathrm{2}}+((y_{\mathrm{C}\mathrm{N}}{)}_i-y_{\mathrm{C}\mathrm{S}}{)}^{\mathrm{2}}}（8）

式中：（x_{\mathrm{C}\mathrm{N}},y_{\mathrm{C}\mathrm{N}}）、（x_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}},y_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}}）和（x_{\mathrm{C}\mathrm{S}},y_{\mathrm{C}\mathrm{S}}）分别表示控制节点、软件定义传感器节点和控制服务器的x坐标和y坐标；n_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}}和n_{\mathrm{C}\mathrm{N}}分别表示SDSN和CN的节点数。

节点间的归一化平均距离可表示为

{\overline{d}}_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{N}}=\frac{d_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{N}}-\mathrm{m}\mathrm{i}\mathrm{n}(d_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{N}})}{\mathrm{m}\mathrm{a}\mathrm{x}(d_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{N}})-\mathrm{m}\mathrm{i}\mathrm{n}(d_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{N}})}（9）

式中，\mathrm{m}\mathrm{a}\mathrm{x}(d_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{N}})和\mathrm{m}\mathrm{i}\mathrm{n}(d_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{N}})分别表示簇内普通节点到CN的最大和最小距离。同理可得CN和CS之间的归一化平均距离。由于控制节点到控制服务器和控制节点到簇内的能量耗散同等重要，用适应度因子f₂ 表示平均簇内距离和控制器距离：

f_{\mathrm{2}}=\frac{\mathrm{1}}{\mathrm{2}}\left({\overline{d}}_{\mathrm{S}\mathrm{D}\mathrm{S}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{N}}+{\overline{d}}_{\mathrm{C}\mathrm{N}\mathrm{‑}\mathrm{C}\mathrm{S}}\right)（10）

2.3.3 负载均衡因子

为有效抵御节点故障带来的控制节点层波动，增加系统的生命周期，在无线传感器节点这种网络实时动态变化性很强的聚类过程中，必须考虑负载均衡对系统的影响。每个CN的负载包括两部分，即控制节点簇内的SDSN发给其的数据包以及控制节点j的邻居CN发给其的数据包，可表示为

L_{\mathrm{C}{\mathrm{N}}_j}={\displaystyle \sum _{i=\mathrm{1}}^{n_{SDS{N}_{{}^j}}}}Pack(i)+{\displaystyle \sum _{l=\mathrm{1}}^{n_{Neig{h}_{{}^j}}}}Pack(l)（11）

整个WSN内的CN负载可表示为

L_{\mathrm{C}\mathrm{N}}=\{L_{\mathrm{C}{\mathrm{N}}_{\mathrm{1}}},L_{\mathrm{C}{\mathrm{N}}_{\mathrm{2}}},\cdots ,L_{\mathrm{C}{\mathrm{N}}_n}\}（12）

对L_CN做归一化处理，能够得到：

{\overline{L}}_{\mathrm{C}\mathrm{N}}=\{{\overline{L}}_{\mathrm{C}{\mathrm{N}}_{\mathrm{1}}},{\overline{L}}_{\mathrm{C}{\mathrm{N}}_{\mathrm{2}}},\cdots ,{\overline{L}}_{\mathrm{C}{\mathrm{N}}_n}\}（13）

负载不平衡度可以作为适应度因子f₃ 来确保SDWSN的可靠性，可表示为

f_{\mathrm{3}}=\frac{\mathrm{1}}{n_{\mathrm{C}\mathrm{N}}}{\displaystyle \sum _{i=\mathrm{1}}^{n_{\mathrm{C}\mathrm{N}}}}\left|{\overline{L}}_{\mathrm{C}{\mathrm{N}}_i}-\mathrm{0.5}\right|（14）

为获取CN的最佳位置并顺利实现聚类，构建一个组合适应度函数用以实现各个优化目标之间的权衡，主要包含能量因子f₁、距离因子f₂，以及负载均衡因子f₃，可表示为

F=\alpha f_{\mathrm{1}}+\beta f_{\mathrm{2}}+\gamma f_{\mathrm{3}}（15）

式中，每个适应度因子都具有权重系数，且α+β+γ=1。考虑到节能在WSN中的重要性，各权值分别默认设定为0.4、0.3、0.3。

3 基于BFOA的启发式方案

BFOA^[20]模拟人类大肠杆菌觅食行为特征，是一种随机搜索的仿生进化算法，在寻优过程中收敛速度快且精度高，能有效跳出局部最优解^[21]。因此使用BFOA解决WSN聚类管理和能量消耗优化问题。

3.1 趋化操作

大肠杆菌在觅食过程中不停进行两个基本的活动：游动和翻转。在开始觅食时，细菌会首先执行一个翻转操作以产生一个随机移动方向，并沿着该方向前进一步。通常细菌会在食物丰富或酸碱度适中的区域较多地游动，而在食物匮乏或酸碱度偏高的地方进行翻转。由于要最小化适应度函数，因此如果细菌在该处的适应度值比上一步所处位置的适应度值高，进行翻转操作。如果细菌在新方向上的适应度值比上一步的要低，则沿着该随机方向继续游动。细菌的趋化操作可表示为：

{\theta }_i(j+\mathrm{1},k,l)={\theta }_i(j,k,l)+C(i)\varphi (i)（16）

\varphi (i)=\mathit{\Delta }(i)/\sqrt[]{{\mathit{\Delta }}^{\mathrm{T}}(i)\cdot \mathit{\Delta }(i)}（17）

式中：{\theta }_i(j,k,l)表示第i个细菌在第j次趋化、第k次繁殖和第l次迁徙操作时所处的位置； Δ 表示随机方向上的一个单位向量；C(i)表示细菌i的移动步长；ϕ(i)表示通过翻转随机选择的一个前进方向。

3.2 聚集操作

在细菌觅食过程中，细菌个体通过相互间的作用来达到聚集行为。细菌会以群体的形式向营养浓度高的方向聚集，并向周围同伴传达自身所在位置的营养物浓度，同时也会发出排斥力信号，确保细菌保持一定的独立性。因此，细菌间既存在引力，也存在斥力。细菌间的聚集性行为表达式可表示为

\begin{array}{l}{J}_{\mathrm{c}\mathrm{c}}(\theta ,P(j,k,l))={\displaystyle \sum _{i=\mathrm{1}}^S}{J}_{\mathrm{c}\mathrm{c}}(\theta ,{\theta }_i(j,k,l))=\\ {\displaystyle \sum _{i=\mathrm{1}}^S}[-d_{attr}exp(-{\omega }_{attr}{\displaystyle \sum _{m=\mathrm{1}}^D}({\theta }_m-{\theta }_{i_m}{)}^{\mathrm{2}})]+\\ {\displaystyle \sum _{i=\mathrm{1}}^S}[-h_{repe}exp(-{\omega }_{repe}{\displaystyle \sum _{m=\mathrm{1}}^D}({\theta }_m-{\theta }_{i_m}{)}^{\mathrm{2}})]\end{array}（18）

式中：P(j,k,l)=\left\{{\theta }_i(j,k,l)\left|i=\mathrm{1,2},\dots ,S\right.\right\}表示菌群中所有个体在第j次趋向、第k次繁殖、第l次迁徙操作时所处的位置；S表示菌群的细菌总数；J_{\mathrm{c}\mathrm{c}}(\theta ,P(j,k,l))表示其他个体对细菌i的作用力；d_attr和ω_attr分别表示引诱信号的释放量和扩散率；h_repe和ω_repe分别表示排斥信号的释放量和扩散率。由于在趋化循环中引入聚集操作，细菌的觅食受到群体聚类感知行为的影响，细菌i的适应度值计算调整为

J_i(j+\mathrm{1},k,l)=J_i(j,k,l)+J_{\mathrm{c}\mathrm{c}}({\theta }_i(j+\mathrm{1},k,l),P(j,k,l))（19）

3.3 繁殖操作

随着不断摄入营养，细菌长度随之增加。通过“优胜劣汰”，觅食能力弱的细菌淘汰死亡。而另一些搜寻食物能力强的个体，由于找到丰富食物将会存活并继续繁殖。BFOA将这种行为称为繁殖操作。将健康度函数定义为细菌个体在上一轮趋化操作循环中适应度值的综合，可表示为

J_{\mathrm{h}\mathrm{e}\mathrm{a}\mathrm{l}\mathrm{t}\mathrm{h}}={\displaystyle \sum _{j=\mathrm{1}}^{N_c+\mathrm{1}}}{J}_i(j,k,l)（20）

式中，N_c表示趋化次数。对所有细菌个体进行健康度排序，认为前一半为健康个体，后一半为病态个体。后一半个体直接死亡，并将前一半个体进行二分裂繁殖。类似遗传算法的繁殖操作，该步骤起到种群规模不变的情况下改善群体适应度值的作用。

3.4 迁徙操作

细菌的迁徙操作主要是以特定的概率选取部分细菌随机迁徙到其他位置，剩余细菌的位置不变。该操作可以避免细菌遭遇偶然事件死亡，或生存环境发生突变等各种突发事件。为保持菌群规模不变，当一个个体消失时，解空间中就会随机产生一个新个体。迁徙操作增加了细菌跳出局部最优解的可能性。为确保得到更加精确的解，对迁徙概率实施动态调整，可表示为

P_{\mathrm{s}\mathrm{e}\mathrm{l}\mathrm{f}}=P_{ed}\times (J_{max}-J_i)/(J_{max}-J_{min})（21）

式中：J表示适应度值；P_ed是原始迁徙概率。

由上可知，BFOA通过循环执行趋化、繁殖和迁徙3个重要算子，最终获得最优解或相对最优解。这3个算子不是单纯地顺序循环，而是构成3层嵌套。其中：趋化算子在最里层；繁殖算子在中间层；迁徙算子在最外层。首先，把问题可行解的空间映射为菌群集合的搜索空间；其次，利用定义的适应度函数，实施趋化、聚集、繁殖和迁徙操作，在新旧个体中选择优胜者形成新的种群；最后，判断这些细菌是否满足要求。若没有达到优化标准，则利用刚产生的菌群继续进行新一轮的4个步骤操作。若达到优化标准，则将种群中的最优菌群还原成为一个可行解作为该问题的最优解。

3.5 基于BFOA的启发式解决方案

系统运行过程包含初始化、控制节点选择、聚类形成、以及利用BFOA实现聚类的动态调整等步骤。根据系统需求部署S个传感器节点到相应区域，并上传坐标到系统。所有节点都具有相同的初始能量。假设系统需要部署q个控制节点，则需要寻找q组二维坐标。

1）控制节点选择。通过每个节点的一跳邻居数来计算节点度^[22]，并选取具有最大节点度的q个节点作为初始控制节点。2）聚类形成。未被选取为控制节点的，作为普通软件定义传感器节点参与网络运转。初始划分考虑每个普通节点与控制节点的距离，将所有剩余节点划分给各个控制节点。3）BFOA的动态调整。系统设定在运转一定轮数后，开始借助BFOA实现WSN的动态调整。每轮过后通过计算J_last与J_health掌握传感器所处位置的优劣，并在趋化、聚集、繁殖和迁徙操作结束后分配新的控制节点。

设种群规模为S，生命期内的趋化次数为N_c，繁殖操作次数为N_re，迁徙行为次数为N_ed。在趋化算子中，游动次数为N_s，移动步长为C(i)。在迁徙算子中，基本迁徙概率为P_ed。细菌觅食优化算法的主要伪代码如算法1所示。

算法1 细菌觅食优化算法

1. 参数初始化：S,N_s,N_c,N_re,P_ed,C(i),θ_i, j=k=l=0

2. for l=0 to N_ed //迁徙循环

3. for k=0 to N_re //繁殖循环

4. for j=0 to N_c //趋化循环

5. for each i∈S do

6. 计算J_i ( j,k,l)=J_i ( j,k,l)+J_cc(θ_i ( j,k,l),P( j,k,l))

7. J_last=J_i ( j,k,l)

8. 翻转：产生随机向量 Δ (i)

9. 使用式（16）移动一步

10. 使用式（19）计算J_i ( j+1,k,l)

11. m=0

12. While m<N_s

13. m=m+1

14. if J_i ( j+1,k,l)<J_last

15. J_last=J_i ( j+1,k,l)

16. 同步骤9执行移动操作

17. else

18. m=N_s

19. end while

20. if J_i ( j+1,k,l)<J_best

21. J_best=J_i ( j+1,k,l)

22. end for

23. end for

24. 使用式（20）计算每个细菌的J_health

25. 将种群健康度值按升序排序

26. 种群的前半部分执行繁殖，后半部分被淘汰

27. end for

28. for each i∈S

29. 使用式（21）执行迁徙操作

30. end for

31. end for

32. return J_best

4 实验分析

为验证所提方案的性能，在不同实验场景和不同参数设置下，进行广泛的实验以便验证模型的特点。实验在16 GB RAM的Intel第12代i7处理器上运行，仿真工具使用MATLAB 2016b。为方便实验进行，使用理想MAC层并忽略信号冲突和干扰。实验中用到的网络参数如表1所示。引诱信号的释放量（d_attr）和扩散率（ω_attr）分别设置为0.1和0.2，排斥信号的释放量（h_repe）和扩散率（ω_repe）分别设置为0.1和10^[23]。

为分析结果的多样性，使用4个不同规模数量的传感器节点集合进行评估。实验场景如表2所示。

4.1 评价指标和对比方案

实验测试基于在相同环境中使用物联网的常用评估标准对模型性能进行分析。1）平均能量消耗：所有传感器节点的能量消耗平均值；2）剩余能量水平：传感器剩余能量总和与初始能量总和之比；3）包交付率：发送数据包与接收数据包的比值，显然包交付率越高，网络数据传输效率越高；4）平均延迟：每个数据包传输过程中产生的延迟总和的平均值；5）平均抖动：不同数据包时延差值的均值，用于评估网络时延的波动情况。

对比方案如下。1）非线性加权粒子群优化算法（Non-linear Weight Particle Swarm Optimization algorithm, NWPSO）^[18]：利用非线性权重粒子群优化算法来解决控制节点选取的NP难问题。控制节点能够实施动态任务分配，以便提高网络能效。2）基于基因突变的鲸鱼优化算法（Genetic Mutation-Based Whale Optimization Algorithm, GM-WOA）^[24]：综合考虑节点的能量、距离、密度和比较偏差参数以平衡集群大小。通过分析SN节点的能量异构性，提出调整惯性权重的策略来提高收敛速度。

4.2 能量消耗

在SDSN数为150时，对3种方案的平均能量消耗和剩余能量水平进行比较，如图2和图3所示。随着轮数不断增加，平均能量消耗也在不断增加。BFOA方案比GM-WOA和NWPSO展现出更低的平均能量消耗。在经过500轮后，BFOA的平均能量消耗比GM-WOA和NWPSO分别降低22.1%和50.7%。而在剩余能量水平方面，在500轮过后，BFOA仍保持高于对比方案的剩余能量水平。BFOA的剩余能量水平分别比GM-WOA和NWPSO提高8%和29%。可见，使用基于BFOA的方案提高了系统寻找全局最优解的能力。

4.3 网络效率

在网络效率方面，主要分析包交付率、平均延迟和平均抖动这3个指标。图4是对4个场景中具备不同SDSN节点数时得到的实验结果。

在图4（a）中，无论各场景节点密度如何变化，BFOA始终保持了相对较高的包交付率。在4个实验场景中，BFOA的包交付率分别比GM-WOA提高6%、9.3%、12.5%、4.7%。同样BFOA的包交付率分别比NWPSO提高13.7%、28.2%、22.6%、22.1%。图4（b）是不同实验场景下的平均延迟变化情况。可以看到，BFOA依然比其他方案保持相对较低的平均延迟。在场景4中，BFOA的平均延迟分别比GM-WOA和NWPSO低10.1%和18.8%。同样，在图4（c）中也有相似的结论。即由于采用了负载均衡策略，使用BFOA的网络表现出更好的抗网络抖动能力。在场景4中，BFOA的平均抖动分别比GM-WOA和NWPSO低10.4%和16.1%。

4.4 网络寿命

图5是3种场景下经历不同轮数后的存活节点数量。在网络运行过程中，仅选择存活节点实施数据路由，因此剩余节点数也反映了网络寿命。随着时间不断推移，剩余网络节点数量也在减少。经历相同轮数的情况下，BFOA在3种场景下的剩余节点数都要比两种对比方案多。因此BFOA对SDWSN寿命具备较好的改善效果。

由于在数据中转中承担重要作用，控制节点死亡是所实施网络管理方案由平衡状态转向衰亡状态的标志。因此，相比首个节点死亡，首个控制节点“被动”死亡对评估网络性能更具实际参考意义。图6是分别在4个场景中，首个控制节点死亡所经历轮数对比。由于具备较强动态自调整能力，BFOA的控制节点生命周期更长。

5 结束语

考虑在综合多个优化指标的情况下，SDWSN所面临的优化管理问题。由于既要权衡CN的数据管理能耗和网络的整体能耗，又要提升网络的数据传输效率，因此使用了基于细菌觅食优化算法的寻优方案来实现CN的选取和聚类的调整。考虑到负载均衡对网络性能的提升效果，通过设立多目标适应度函数，并结合仿生学算法寻求问题的最优解。与现有方案的对比结果证明了所提方案的有效性。下一步的工作可以考虑将网络功能虚拟化结合到SDWSN的管理中来。此外，必须考虑增强的安全解决方案，以便解决SDWSN中的数据安全传输。

参考文献

[1] SOOD K， YU S， XIANG Y. Software-defined wireless networking opportunities and challenges for internet-of-things： a review［J］. IEEE Internet of Things Journal， 2016，3（4）：453-463.

[2] LARA A， KOLASANI A， RAMAMURTHY B. Network innovation using OpenFlow： a survey［J］. IEEE Communications Surveys & Tutorials， 2014，16（1）：493-512.

[3] NARWARIA A， MAZUMDAR A P. Software-defined wireless sensor network： a comprehensive survey［J］. Journal of Network and Computer Applications， 2023，215：No.103636.

[4] MATHEBULA I， ISONG B， GASELA N， et al. Analysis of energy-efficient techniques for SDWSN energy usage optimization［C］∥Proceedings of the 2020 2nd International Multidisciplinary Information Technology and Engineering Conference. Piscataway， USA： IEEE， 2020. DOI： 10.1109/IMITEC50163.2020.9334084 .

[5] YICK J， MUKHERJEE B， GHOSAL D. Wireless sensor network survey［J］. Computer Networks， 2008，52（12）：2292-2330.

[6] HEMANAND D， SENTHILKUMAR C， SALEH O S， et al. Analysis of power optimization and enhanced routing protocols for wireless sensor networks［J］. Measurement： Sensors， 2023，25：No.100610.

[7] MAZUMDAR N， ROY S， NAG A， et al. An adaptive hierarchical data dissemination mechanism for mobile data collector enabled dynamic wireless sensor network［J］. Journal of Network and Computer Applications， 2021，186：No.103097.

[8] FU X， PACE P， ALOI G， et al. Topology optimization against cascading failures on wireless sensor networks using a memetic algorithm［J］. Computer Networks， 2020，177：No.107327.

[9] RAZA U， BOGLIOLO A， FRESCHI V， et al. A two-prong approach to energy-efficient WSNs： wake-up receivers plus dedicated， model-based sensing［J］. Ad Hoc Networks， 2016，45：1-12.

[10] THAMMAWICHAI M， LUANGWILAI T. An energy-optimization topology control for three-dimensional wireless sensor networks［J］. Journal of Communications and Networks， 2023，25（6）：778-788.

[11] HADJIDJ A， SOUIL M， BOUABDALLAH A， Y， et al. Wireless sensor networks for rehabilitation applications： challenges and opportunities［J］. Journal of Network and Computer Applications， 2013，36（1）：1-15.

[12] BUZURA S， DADARLAT V， IANCU B， et al. Self-adaptive fuzzy QoS algorithm for a distributed control plane with application in SDWSN［C］∥Proceedings of the 2020 22nd IEEE International Conference on Automation， Quality and Testing， Robotics. Piscataway， USA： IEEE， 2020. DOI：10.1109/AQTR49680.2020.9129922 .

[13] ZHANG X M， ZHANG Y， YAN F， et al. Interference-based topology control algorithm for delay-constrained mobile ad hoc networks［J］. IEEE Transactions on Mobile Computing， 2015，14（4）：742-754.

[14] KOBO H I， ABU-MAHFOUZ A M， HANCKE G P AND. Fragmentation-based distributed control system for software-defined wireless sensor networks［J］. IEEE Transactions on Industrial Informatics， 2019，15（2）：901-910.

[15] VEISI F， MONTAVONT J， THÉOLEYRE F AND. Enabling centralized scheduling using software defined networking in industrial wireless sensor networks［J］. IEEE Internet of Things Journal， 2023，10（23）：20675-20685.

[16] DING Z M， SHEN L F， CHEN H Y， et al. Energy-efficient topology control mechanism for IoT-oriented software-defined WSNs［J］. IEEE Internet of Things Journal， 2023，10（15）：13138-13154.

[17] SUJA S， SHINY G， MURUGAN K. TSDN-WISE： automatic threshold-based low control-flow communication protocol for SDWSN［J］. IEEE Sensors Journal， 2021，21（17）：19560-19569.

[18] XIANG W， WANG N， ZHOU Y. An energy-efficient routing algorithm for software-defined wireless sensor networks［J］. IEEE Sensors Journal， 2016，16（20）：7393-7400.

[19] NORI M K， SHARIFIAN S. EDMARA2： a hierarchical routing protocol for EH-WSNs［J］. Wireless Networks， 2020，26（6）：4303-4317.

[20] PASSINO K M. Biomimicry of bacterial foraging for distributed optimization and control［J］. IEEE Control Systems Magazine， 2002，22（3）：52-67.

[21] NIU B， WANG H， WANG J W， et al. Multi-objective bacterial foraging optimization［J］. Neurocomputing， 2013，116：336-345.

[22] CHEN D， SU H S. Identification of influential nodes in complex networks with degree and average neighbor degree［J］. IEEE Journal on Emerging and Selected Topics in Circuits and Systems， 2023，13（3）：734-742.

[23] HEINZELMAN W B， CHANDRAKASAN A P， BALA-

[24] KRISHNAN H. An application specific protocol architecture for wireless microsensor networks［J］. IEEE Transactions on Wireless Communications， 2002，1（4）：660-670.

[25] TYAGI V， SINGH S. GM-WOA： a hybrid energy efficient cluster routing technique for SDN-enabled WSNs［J］. The Journal of Supercomputing， 2023，79：14894-14922.