جدولة مُحسّنة للطاقة في شبكات المستشعرات اللاسلكية باستخدام نهج هجين مستوحى من الطبيعة وتعلّم التعزيز

مستشعرات أذكى لعالم مترابط

من الحقول الزراعية إلى أرضيات المصانع، تراقب المستشعرات اللاسلكية بهدوء شبكات الطاقة والمحاصيل والجسور وحتى مناطق الكوارث. لكن هناك مشكلة: هذه الأجهزة الصغيرة تعمل ببطاريات محدودة وغالبًا ما تُوزّع في أماكن يصعب الوصول إليها. استبدال البطاريات الميتة عبر آلاف المستشعرات مكلف أو مستحيل. تستكشف هذه الورقة طريقة جديدة لاتخاذ قرار أي المستشعرات يجب أن تبقى مستيقظة وأيها يمكنها النوم بأمان، بحيث تستمر الشبكة بأكملها لفترة أطول، تبقى موثوقة، وتستهلك أقل قدر ممكن من الطاقة.

تحدي المراقبة المستمرة

تشبه شبكات المستشعرات اللاسلكية بطانيات غير مرئية تنتشر فوق منطقة، تقيس درجة الحرارة أو الحركة أو التلوث أو إشارات أخرى وترسلها إلى محطة أساس. إذا تُرك كل مستشعر في وضع التشغيل طوال الوقت، تكون البطانية كثيفة لكن قصيرة العمر: تنفد البطاريات بسرعة وتموت الشبكة مبكرًا. إذا تم إيقاف عدد كبير من المستشعرات، تصبح التغطية متقطعة وقد لا تصل الرسائل إلى محطة الأساس. التحدي المركزي هو إبقاء عدد كافٍ فقط من المستشعرات نشطة، في الأماكن الصحيحة وفي الأوقات المناسبة، للحفاظ على تغطية واتصال جيدين مع إطالة عمر البطاريات قدر الإمكان.

التعلّم من النمل والطيور والتجربة

لطالما استعار الباحثون أفكارًا من الطبيعة لمعالجة هذا النوع من المشكلات. تَستخدم الطرق المستوحاة من النمل "نملًا" افتراضيًا يتحرّك عبر الشبكة، ويقوّي تدريجيًا المسارات الجيدة كما تترك النملات الحقيقية آثار الفرمون. وتعالج الطرق المستوحاة من الطيور كل ترتيب ممكن للمستشعرات النشطة كـ"جسيم" في سرب يتحرك نحو حلول أفضل مع مرور الوقت. تعمل هذه الأساليب جيدًا في كثير من الحالات، لكنها تواجه صعوبة عندما تتغير الشبكة—عند استنزاف البطاريات أو تعطل المستشعرات أو تغيّر التخطيط. فهي تميل إلى اتباع قواعد ثابتة ولا تستطيع تعديل سلوكها بسهولة عندما يخرج البيئة عن الإعدادات التي صُممت من أجلها.

دماغ هجين يبدّل الاستراتيجيات

يقترح المؤلفون نهجًا هجينًا يسمى RL-HAPSO يضيف لمسة جديدة: فهو لا يستخدم البحث الشبيهة بالنمل أو الطيور فحسب، بل يتعلم أيضًا متى يستدعي كل منهما. في مرحلة خارجية، يختار جزء من النظام مجموعة من المستشعرات الموفّرة للطاقة لتفعيلها، بينما يعيد جزء آخر ترتيب كيفية تقاسم هذه المستشعرات النشطة للعمل لتقليل التداخل والحفاظ على التغطية. فوق ذلك، يراقب وحدة تعليمية أداء الشبكة—نسبة المنطقة المغطاة، وكمية الطاقة المتبقية، ومقدار التكرار أو الازدواجية. استنادًا إلى هذه الحالة، تقرر في كل خطوة جدولة ما إذا كانت تعتمد بشكل أساسي على البحث الشبيه بالنمل، أو على تحسينات شبيهة بالطيور، أو على الهجين المدمج. مع مرور الوقت يكتشف متعلّم المستوى الفوقي أي اختيار يميل لأن يكون الأفضل تحت ظروف مختلفة.

اختبار النظام

لاكتشاف ما إذا كان هذا المجدول المدفوع بالتعلّم أكثر من مجرد فكرة أنيقة، أجرى الفريق محاكيات واسعة على شبكات بتخطيطات مختلفة: مستشعرات متناثرة عشوائيًا، شبكات منظمة، ومجموعات متكتلة تُحاكي عمليات نشر واقعية. قارنوا بين طرق تستند إلى النمل فقط، وطرق تستند إلى الطيور فقط، وهجين ثابت يجمع بينهما، والنسخة الهجينة الموجهة بالتعلّم لديهم. قاسوا كمية الطاقة التي استخدمها كل أسلوب، ومدى التغطية، وسرعة الوصول إلى نمط ثابت، ومدى اتساق النتائج عبر تكرارات متعددة. لم تصل الطريقة الموجهة بالتعلّم إلى حلول جيدة بسرعة فحسب، بل حققت تكلفة إجمالية أقل—بمعنى تغطية أفضل مع هدر طاقة أقل—مع الحفاظ على أداء مستقر حتى عند فشل العقد أو انخفاض مستويات الطاقة.

ما الذي يعنيه هذا للتكنولوجيا اليومية

بعبارات بسيطة، تُظهر الدراسة أن شبكات المستشعرات اللاسلكية يمكن أن تدير نفسها بذكاء أكبر من خلال اعتبار قواعد جدولة عملها شيئًا يجب تعلّمه، وليس تحديده مسبقًا. يعمل RL-HAPSO كقائد ذكي لأوركسترا غير مرئية من المستشعرات، يقرر أي الأدوات يجب أن تعمل وأيها يمكنها أن ترتاح، وحتى أي نَمَط من صنع القرار يناسب اللحظة. هذا يسمح للشبكات بالاستمرار لفترات أطول، والتكيف مع الظروف المتغيرة، وتقديم بيانات موثوقة لتطبيقات مثل الزراعة الذكية، ومراقبة البنى التحتية الحرجة، والاستجابة للطوارئ. ومع توسع إنترنت الأشياء، تشير مثل هذه الأساليب إلى شبكات مستشعرات ليست مجرد متصلة، بل قابلة للتكيّف وواعية بالموارد.

الاستشهاد: Sarobin, M.V.R., Akil, S., Shalu, S.B. et al. Energy optimized scheduling in wireless sensor networks (WSNs) using hybrid bio-inspired reinforcement learning approach. Sci Rep 16, 13109 (2026). https://doi.org/10.1038/s41598-026-35077-5

الكلمات المفتاحية: شبكات المستشعرات اللاسلكية, جدولة موفّرة للطاقة, تعلّم التعزيز, التحسين المستوحى من الطبيعة, إنترنت الأشياء