Enrutamiento en WSN basado en clústeres con optimización MOGA y LSA

Redes más inteligentes para un mundo conectado

Desde la monitorización ambiental hasta fábricas y ciudades inteligentes, pequeños sensores inalámbricos recogen y retransmiten datos a nuestro alrededor. Sin embargo, estos dispositivos alimentados por baterías tienen un límite: cuando se agota su energía, la red puede fallar. Este artículo explora una nueva forma de organizar y enrutar la información en redes de sensores inalámbricas para que duren más, desperdicien menos energía y entreguen los datos con mayor fiabilidad, necesidades clave para el futuro del Internet de las Cosas y los entornos inteligentes.

Por qué los sensores diminutos enfrentan un gran problema energético

Las redes de sensores inalámbricos constan de muchos dispositivos pequeños distribuidos en un área, cada uno midiendo temperatura, movimiento, contaminación u otras señales. Enviar datos inalámbricamente, especialmente a largas distancias, consume mucho más energía que la propia detección. Si cada sensor hablara directamente con una estación base central, los dispositivos más alejados agotarían rápidamente sus baterías, creando huecos en la cobertura y acortando la vida útil de todo el sistema. Para frenar este agotamiento, los ingenieros agrupan sensores en clústeres. Dentro de cada clúster, un único sensor actúa como “líder” que recopila datos de sus vecinos y los reenvía a la estación base. Elegir qué sensores deben ser líderes y cómo debe viajar la información entre ellos resulta ser un rompecabezas complejo con múltiples objetivos en competencia.

Combinando dos estrategias digitales de “evolución”

Los autores proponen un método de optimización híbrido que combina dos algoritmos inspirados en la naturaleza: un Algoritmo Genético Multiobjetivo (MOGA) y el Algoritmo de Búsqueda por Rayos (LSA). MOGA imita la evolución tratando las posibles elecciones de líderes de clúster como cromosomas que pueden seleccionarse, cruzarse y mutarse. Evalúa cada configuración en varios frentes a la vez: mantener corta la distancia media entre sensores y su líder, mantener a los líderes cerca de la estación base y favorecer líderes con abundante energía de batería restante. A lo largo de muchas generaciones, MOGA converge hacia un conjunto de elecciones de líderes que equilibran estos trade-offs, evitando que una zona de la red se sobrecargue o agote demasiado rápido.

Encontrando las mejores rutas a través de la red

Una vez que se han elegido buenos líderes, el siguiente reto es cómo deben saltar los datos de líder en líder hasta llegar a la estación base. Existen muchas rutas multi-salto posibles, y seleccionar la mejor es nuevamente un problema con múltiples facetas. Aquí entra en juego el Algoritmo de Búsqueda por Rayos. Inspirado en la ramificación y convergencia de los rayos, LSA parte de las rutas candidatas implícitas en la disposición de clústeres propuesta por MOGA y luego explora rutas alternativas. Para cada ruta posible pondera cuánta energía total consume, cuánto tarda la información en viajar desde la fuente al sumidero y con qué fiabilidad se entregan los paquetes. Al mejorar iterativamente las rutas y escapar de los callejones locales, LSA converge hacia rutas globales que minimizan conjuntamente el uso de energía y la latencia, mientras maximizan la entrega exitosa.

Cómo funciona el nuevo método en la práctica

Para probar su enfoque, los investigadores simularon redes de sensores con 100 nodos usando herramientas estándar y compararon su marco híbrido MOGA–LSA con varios métodos conocidos, incluidos LEACH, esquemas basados en PSO y otros diseños metaheurísticos híbridos. A lo largo de miles de rondas de datos simuladas, el nuevo método redujo el consumo energético global en alrededor de un 48 por ciento, mantuvo el drenaje de energía mucho más equilibrado entre los nodos y amplió de forma significativa el tiempo hasta que murió el primer sensor y la red colapsó. Al mismo tiempo, alcanzó tasas de entrega de datos muy altas —por encima del 99 por ciento— al tiempo que mantenía baja la latencia de un extremo a otro de la red. Pruebas estadísticas confirmaron que estas ganancias no se debieron al azar, sino que reflejaron una ventaja consistente del diseño híbrido.

Límites y próximos pasos para el uso en el mundo real

Si bien el método funciona bien para configuraciones estáticas o de cambio lento, los autores señalan que condiciones altamente dinámicas —como nodos en movimiento o canales inalámbricos que cambian rápidamente— pueden reducir su eficacia. En tales casos, la estructura de clústeres y las rutas óptimas podrían necesitar ser recalculadas con mayor frecuencia, añadiendo sobrecarga y posiblemente compensando los ahorros de energía. El artículo sugiere que trabajos futuros podrían explorar otras combinaciones de algoritmos de búsqueda, extender el diseño a disposiciones tridimensionales (por ejemplo, en edificios o bajo el agua) y adaptar el enfoque a redes donde los nodos se mueven con mayor frecuencia.

Qué significa esto para la tecnología cotidiana

En términos sencillos, el estudio muestra que coordinar cuidadosamente cómo se agrupan los sensores y cómo transmiten datos puede extender considerablemente la vida útil y la fiabilidad de las redes de sensores inalámbricas. Al permitir que dos estrategias de optimización complementarias trabajen juntas —una para elegir los líderes locales adecuados y otra para encontrar las mejores rutas globales— el sistema utiliza la energía de la batería de forma mucho más inteligente. Para tecnologías cotidianas basadas en el Internet de las Cosas, desde hogares inteligentes hasta agricultura de precisión, enfoques como este podrían significar menos reemplazos de baterías, monitorización más estable y despliegues a gran escala más sostenibles.

Cita: Tan, W., Wang, F. Cluster based WSN routing with MOGA and LSA optimization. Sci Rep 16, 9953 (2026). https://doi.org/10.1038/s41598-026-35584-5

Palabras clave: redes de sensores inalámbricas, enrutamiento energético eficiente, redes basadas en clústeres, optimización metaheurística, internet de las cosas