خوارزمية DV‑Hop المُحَسَّنة بمَسْرَب كمي لتحديد مواقع العقد الضعيفة بدقة في شبكات المستشعرات اللاسلكية

خرائط أذكى لشبكات غير مرئية

مليارات من المستشعرات الصغيرة التي تعمل ببطاريات تراقب الآن جسورنا وغاباتنا ومصانعنا ومواقع المعارك. تقيس بصمت درجة الحرارة أو الاهتزاز أو التلوث أو الحركة—ثم تُرسِل تقاريرها. لكن هذه القياسات لا تكون مفيدة إلا إذا علمنا موقع كل مستشعر بدقة. تتناول هذه الورقة سؤالًا يبدو بسيطًا ولكن له عواقب كبيرة: كيف نحدد مواقع مستشعرات رخيصة بلا نظام تحديد مواقع موزعة بشكل متقلب على تضاريس وعرة، بدقة وسرعة وباستهلاك طاقة منخفض؟

لماذا من الصعب العثور على الأجهزة الصغيرة

تشبه شبكات المستشعرات اللاسلكية الغبار الرقمي: تُنشر العديد من الأجهزة الصغيرة في منطقة وتُترك لتتشكّل ذاتيًا. عدد قليل من العقد «المرساة» فقط يعرف موقعه الحقيقي، عادةً عبر GPS. معظم المستشعرات لا تملك GPS لأنه مكلف ويستهلك الطاقة. طريقة كلاسيكية تُدعى DV‑Hop تقدر المسافة بوحدات «القفزات» عبر روابط الاتصال بين العقد ثم تُحول هذه القفزات إلى مسافة فعلية. DV‑Hop رخيص وبسيط، لكنه يواجه صعوبات عندما تُوزع المستشعرات بشكل غير متساوٍ أو يتغير طوبولوجيا الشبكة. تتشوه المسافات، وتنجرف المواقع، وقد تصبح الخرائط الناتجة غير دقيقة بما يكفي لمهام مثل إنذار الكوارث أو الاستهداف العسكري أو التحكم الصناعي الدقيق.

قطعان الحيوان وأفكار الكم لإنقاذ الموقف

يقترح المؤلفون لمستين جديدتين على DV‑Hop تستعيران استراتيجيات من الطبيعة وفيزياء الكم. الأولى، تحسين ابن الذئب الذهبي الكمي (QGJO)، مستوحاة من الصيد التعاوني لابنِ الذئب الذهبي. الثانية، تحسين سمك قرش الرأس الثور الكمي (QBSO)، تحاكي كيفية اكتشاف قرش الرأس الثور للفريسة ومحاصرتها ومهاجمتها. في كلتا الحالتين، تعمل «الحيوانات» كوكلاء رياضيين يستكشفون تخمينات مختلفة لمواقع كل مستشعر مجهول. عناصر بأسلوب الكم—مثل تمثيل الحلول المرشحة بشكل احتمالي—تساعد السرب على استكشاف احتمالات عديدة بالتوازي وتجنّب الوقوع في تخمينات محلية متوسطة الجودة. تُدمج هذه الأساليب في DV‑Hop بحيث تُصقل تقديرات المسافة المبنية على القفزات إلى توقعات موقع أدق بكثير.

استخدام أفضل للطُّرُق بين المستشعرات

التحسين ليس في سلوك السرب فحسب. يعيد المؤلفون أيضًا التفكير في كيفية استخدام مسارات الشبكة. بدل الاعتماد فقط على أقرب مرساة، ينظر كل مستشعر إلى مرساتٍ قريبة أخرى تشترك مسارات الاتصال إليها في العديد من العقد الوسيطة—ما يُسمى «المسارات المتشابهة». بقياس مقدار تداخل المسارات المختلفة، يعطي الخوارزم وزنًا أكبر لتلك التي تقدم معلومات متسقة حول المسافة. تغذي هذه المعلومات الممزوجة عن القفزات أسراب الكم، التي تضبط بعد ذلك مواقع المستشعرات لتقليل التفاوت بين المسافات المقدرة وبنية القفزات الفعلية للشبكة. النتيجة هي خريطة أكثر إحكامًا دون إضافة أجهزة جديدة أو الحاجة لقياسات مسافة مباشرة.

الاختبار مقابل معايير صارمة

لاختبار ما إذا كانت الخوارزميات المستوحاة من الحيوانات والملونة بلمسات كمية أكثر من مجرد استعارات ذكية، يجري المؤلفون تجارب حاسوبية واسعة النطاق. أولًا، يختبرون QGJO وQBSO على تسعة مناظر رياضية معيارية مليئة بالقمم والقيعان المضللة. تتفوق الطريقتان على عدة تقنيات تحسين محترمة، متقاربتين أسرع ومجدتين حلولًا أفضل. ثم يدمجون الخوارزميات في DV‑Hop ويقارنونها بطريقتين متقدمتين قائمَتَيْن على الحيتان (IWO‑DV‑Hop وEWO‑DV‑Hop) عبر 20 سيناريو شبكيًا مختلفًا. تختلف هذه السيناريوهات في حجم المنطقة وعدد المستشعرات ونسبة المراسي ونطاق الاتصالات وحتى التدخل والمحاكاة للحركة. في معظم الحالات تقريبًا، تقلل QGJO‑DV‑Hop وخاصة QBSO‑DV‑Hop متوسط خطأ التموقع بنحو 10–30% مقارنةً بالمنافسين المعتمدين على الحيتان، بينما تتقارب أيضًا في عدد أقل من التكرارات.

ماذا يعني هذا لشبكات العالم الحقيقي

بالنسبة لقارئ غير متخصص، الرسالة العملية واضحة: يبيّن المؤلفون أنه يمكننا تحديد مواقع العديد من المستشعرات البسيطة والرخيصة بدقّة أكبر عن طريق الذكاء، لا بإضافة أجهزة مكلفة. من خلال الجمع بين أدلة المسافة المبنية على القفزات والبحث بأسلوب السرب والعشوائية المستوحاة من الكم، تنتج طرقهم خرائط أكثر موثوقية لمواقع كل عقدة. وهذا بدوره يجعل بيانات هذه الشبكات أكثر مصداقية. بينما تم التحقق من العمل حاليًا عبر المحاكاة، فإنه يشير إلى إمكانية نشره في مساحات ثلاثية الأبعاد معقّدة—مثل تحت الماء، داخل المباني أو في أودية المدن—حيث يفشل GPS غالبًا. التموقع الأفضل يعني أنظمة إنذار مبكر أفضل، ومدنًا أكثر ذكاءً ورصدًا أكثر مرونة للأنظمة الحيوية التي نعتمد عليها يوميًا.

الاستشهاد: Khan, Z.U., Gao, H., Ma, J. et al. Quantum swarm-optimized DV-Hop algorithm for accurate localization of weak nodes in wireless sensor networks. Sci Rep 16, 9029 (2026). https://doi.org/10.1038/s41598-026-38364-3

الكلمات المفتاحية: شبكات المستشعرات اللاسلكية, تحديد مواقع العقد, تحسين بالسرب, خوارزميات مستوحاة من الكم, DV-Hop