Mehrzieloptimierung für 3D-homogene WSN-Bereitstellung unter Verwendung eines verbesserten Genghis-Khan-Hai-Algorithmus

Intelligentere Sensoren in einer dreidimensionalen Welt

Von der Überwachung von Waldbeständen bis zur Verwaltung intelligenter Gebäude und Industrieanlagen werden drahtlose Sensornetze zum unsichtbaren Nervensystem moderner Infrastruktur. Doch die Entscheidung, Hunderte von Sensoren in einem komplexen dreidimensionalen Raum zu platzieren — und dabei die Verbindungssicherheit und das Budget einzuhalten — ist alles andere als trivial. Dieser Beitrag stellt einen neuen Algorithmus vor, der Ingenieuren hilft, solche Netze automatisch zu entwerfen, sodass sie jeden Winkel überwachen, zuverlässig miteinander kommunizieren und dabei keine Ressourcen verschwenden.

Warum das Platzieren von Sensoren schwieriger ist, als es scheint

In vielen realen Umgebungen werden Sensoren nicht nur auf einer Ebene verteilt. Sie werden an Decken und Wänden montiert, durch Maschinen geführt oder in Luft oder Wasser aufgehängt. Jeder Sensortyp hat unterschiedliche Reichweiten beim Erfassen und Kommunizieren und verursacht unterschiedliche Kosten. Die Wunschliste der Planer ist leicht zu formulieren, aber schwer zu erfüllen: Jeder wichtige Punkt im Volumen sollte von mehreren Sensoren überwacht werden (zur Zuverlässigkeit), jeder Sensor muss seine Daten über eine Kette von Nachbarn zu einer Basisstation weiterleiten können, und die Gesamtkosten sollten im Budget bleiben. Der gleichzeitige Anspruch auf alle drei Ziele verwandelt die Planung in ein Labyrinth widersprüchlicher Entscheidungen, das sich für große Systeme nicht exakt lösen lässt.

Das Gleichgewicht zwischen Überwachen, Kommunizieren und Ausgeben

Die Autoren beschreiben diese Entwurfsaufgabe als ein „Mehrziel“-Problem: Sie wollen gleichzeitig die Abdeckung maximieren (wie viele Sensoren jeden Zielpunkt erfassen), die Konnektivität maximieren (wie viele Nachbarn jeder Sensor erreichen kann) und die Gesamtkosten minimieren. Sie modellieren das überwachte Volumen als Menge möglicher Sensorstandorte und Zielpunkte, die im dreidimensionalen Raum verteilt sind. Manche Standorte sind teurer zu installieren, beispielsweise wegen schlechter Zugänglichkeit. Sensoren gehören zu verschiedenen Klassen, jeweils mit eigener Erfassungsreichweite, Kommunikationsreichweite und Preis. Ein vorgeschlagener Entwurf ist eine Ja/Nein-Entscheidung, welcher Sensortyp, falls überhaupt, an jedem Standort platziert wird. Der Entwurf muss strenge Regeln einhalten: Jeder Zielpunkt muss von mindestens einer bestimmten Anzahl von Sensoren überwacht werden, und jeder installierte Sensor muss genug Nachbarn haben, um das Netzwerk robust zu halten.

Eine von der Natur inspirierte Suchmannschaft

Um den enormen Raum möglicher Entwürfe zu erkunden, baut die Arbeit auf einer schwarmbasierten Suchmethode auf, die vom Jagdverhalten inspiriert ist und Genghis-Khan-Hai-Optimizer genannt wird. Die verbesserte Version, EnMOGKSO, behandelt jeden möglichen Netzentwurf als Individuum in einer Population, das sich durch den Suchraum bewegt. Diese Individuen streifen zunächst weit umher und konzentrieren sich dann allmählich auf vielversprechende Regionen — ein Modell von Erkundung und Jagd. Entscheidend ist, dass die Methode zwei Gedächtnisspeicher pflegt: einen, der die besten bisher gefundenen Entwürfe speichert, und einen anderen, der ungewöhnliche oder wenig erforschte Entwürfe bewahrt. Dieses doppelte Gedächtnis hilft, das Feststecken auf eine enge Lösungsfamilie zu vermeiden und stattdessen ein breites Spektrum an Kompromissen zwischen Abdeckung, Konnektivität und Kosten zu liefern.

Von glatten Zahlen zu konkreten Layouts

Da die tatsächlichen Entscheidungen — diesen Sensortyp hier installieren oder nicht — Ja/Nein-Wahlen sind, lassen sie sich nur schwer stufenlos anpassen. EnMOGKSO umgeht dieses Problem, indem es zuerst mit glatten numerischen „Scores“ arbeitet, die ausdrücken, wie stark jeder Sensortyp an jedem Standort favorisiert wird. In jedem Bewertungsschritt werden diese Scores in ein konkretes Layout übersetzt, indem pro Standort höchstens ein Sensortyp gewählt und ggf. einige Positionen frei gelassen werden. Der resultierende Entwurf wird dann getestet: Der Algorithmus berechnet, wie viele Sensoren jeden Zielpunkt erfassen, baut einen Kommunikationsgraphen auf, der zeigt, welche Sensoren miteinander sprechen können, und summiert die Installationskosten. Entwürfe, die die Abdeckungs- oder Konnektivitätsregeln verletzen, werden nicht sofort verworfen; stattdessen werden sie nach dem Ausmaß ihres Versagens gerankt, sodass die Suche stetig zu vollständig gültigen Lösungen hinaufklettern kann.

Erprobung der Methode

Um zu zeigen, dass ihr Ansatz nicht auf ein einzelnes Beispiel zugeschnitten ist, evaluieren die Autoren EnMOGKSO zunächst anhand einer Standardreihe schwieriger mathematischer Testprobleme, die zur Benchmarking von Mehrzielalgorithmen verwendet werden. Durch die Messung, wie eng die Ergebnisse des Algorithmus idealen Kompromisskurven entsprechen, stellen sie fest, dass EnMOGKSO typischerweise bessere Streuung und Genauigkeit erzielt als mehrere bekannte Alternativen, darunter populäre evolutionäre und Partikel-Schwarm-Methoden. Anschließend wenden sie das Verfahren auf realistische dreidimensionale Szenarien der Sensoreinsatzplanung an. In vielen Einstellungen, die die geforderte Redundanz der Abdeckung und die Strenge der Konnektivität variieren, findet EnMOGKSO durchweg Entwürfe, die mehr Zielpunkte abdecken und dichtere Kommunikationsverbindungen aufrechterhalten als konkurrierende Methoden, bei Kosten, die zwar höher, aber vergleichsweise stabil sind.

Was das für reale Sensornetze bedeutet

Für Praktiker ist das wichtigste Ergebnis nicht ein einzelnes „bestes“ Layout, sondern eine Sammlung hochwertiger Optionen, die den Kompromiss zwischen Leistung und Kosten aufzeigen. Der neue Algorithmus neigt dazu, diese Kompromissfläche vollständiger zu füllen, wodurch es Ingenieuren leichter fällt, einen Entwurf auszuwählen, der ihrer Risikotoleranz und ihrem Budget entspricht. Die Arbeit legt nahe, dass sorgfältig entwickelte Schwarmmethoden, die sowohl die Physik des Erfasses als auch die Logik der Netzwerkverbindungen respektieren, ein sonst unlösbares Planungsproblem in eine handhabbare Aufgabe für die dreidimensionale Überwachung in Gebäuden, Fabriken und der Umwelt verwandeln können.

Zitation: Houssein, E.H., Ibrahim, I.E., Wazery, Y.M. et al. Multi-objective optimization for 3D heterogeneous WSN deployment using an enhanced Genghis Khan shark algorithm. Sci Rep 16, 12075 (2026). https://doi.org/10.1038/s41598-026-45399-z

Schlüsselwörter: drahtlose Sensornetze, 3D-Bereitstellung, Mehrzieloptimierung, Schwarmintelligenz, Netzabdeckung und Konnektivität