Protocolo de agrupamiento eficiente en energía en redes de sensores inalámbricos usando un algoritmo híbrido de optimización adaptativa

Por qué los pequeños dispositivos inalámbricos necesitan trabajar en equipo de forma más inteligente

El mundo se está llenando de pequeños sensores alimentados por batería que vigilan cultivos, puentes, fábricas e incluso pacientes en hospitales. Estos dispositivos inalámbricos forman la columna vertebral del Internet de las Cosas, enviando datos a la nube de forma silenciosa. Pero la mayoría se despliega en lugares donde cambiar o recargar baterías es difícil o imposible. Este artículo explora una nueva forma de organizar esas redes de sensores para que desperdicien menos energía, duren mucho más y sigan entregando datos fiables —un paso clave hacia ciudades, explotaciones agrícolas e industrias inteligentes más sostenibles.

Cómo las redes de sensores actuales malgastas sus baterías

En una red de sensores inalámbrica típica, decenas o cientos de nodos pequeños recogen medidas y las envían a una estación base central. Para evitar el caos en las ondas, muchos sistemas usan “agrupamiento”: sensores cercanos envían sus datos a un vecino más potente llamado cabeza de clúster, que agrupa y reenvía la información. Esto reduce el número total de transmisiones inalámbricas largas, que consumen mucha energía. Sin embargo, en la mayoría de los protocolos existentes la elección de las cabezas de clúster es en parte aleatoria o se basa en reglas limitadas. Nodos con poca energía pueden seguir siendo seleccionados como líderes, los clústeres pueden volverse descompensados y grandes, y los sensores cercanos a la estación base a menudo se sobrecargan como relés. El resultado es que algunos nodos mueren muy pronto, la cobertura se vuelve irregular y la vida útil global de la red se acorta.

Un cerebro híbrido de “inteligencia de enjambre” para la red

Los autores abordan este problema con un método de optimización sofisticado inspirado en el comportamiento colectivo en la naturaleza. Su algoritmo WIFN mezcla ideas de varias estrategias de “inteligencia de enjambre” y evolutivas, inicialmente modeladas en animales como las ballenas y las ratas topo desnudas, así como reglas de búsqueda abstractas inspiradas en la física. En lugar de codificar rígidamente dónde deben estar las cabezas de clúster, el algoritmo trata cada posible disposición de roles de los sensores como una solución candidata y la evalúa según varios objetivos: bajo consumo de energía, clústeres compactos y bien separados, altos niveles de batería restantes y baja latencia en la entrega de datos. A lo largo de muchas generaciones simuladas, WIFN refina estas disposiciones, favoreciendo las mejores y descartando las peores, mientras mecanismos especiales evitan que se quede atrapado en óptimos locales. El resultado final es un patrón descubierto automáticamente de qué nodos deben liderar y cómo deben agruparse.

Diseñar clústeres que respeten la energía y la distancia

En el protocolo de agrupamiento propuesto basado en WIFN, solo los nodos cuya energía restante está por encima del promedio de la red pueden convertirse en cabezas de clúster. Esta regla simple evita sobrecargar nodos débiles. El algoritmo también considera la distancia de cada sensor a su posible líder y la distancia de los líderes a la estación base. Los clústeres se forman de modo que ninguna cabeza esté demasiado lejos de sus miembros, y las cabezas más cercanas a la estación base tienden a atender grupos más pequeños, reduciendo su carga de trabajo. Para grandes distancias entre una cabeza de clúster y la estación base, el protocolo cambia automáticamente a una ruta de dos saltos, de modo que un líder distante puede pasar sus datos a través de un vecino mejor posicionado en lugar de transmitir directamente a larga distancia. En conjunto, estas decisiones distribuyen el coste energético de forma mucho más pareja por toda la red.

Lo que revelan las simulaciones sobre la duración de la red

Para probar su enfoque, los investigadores simularon una red de 100 sensores en un área de 100 por 100 metros, comparando su protocolo con varios métodos de agrupamiento ampliamente usados. Midieron cuántas rondas de recolección de datos podía completar la red antes de que muriera el primer nodo (el “periodo de estabilidad”), cuándo fallecía la mitad de los nodos y cuándo casi todos estaban agotados. También rastrearon cuánta energía tenía cada nodo a lo largo del tiempo y cuán equitativamente se consumía esa energía. Tanto en redes uniformes como en configuraciones más realistas mixtas con nodos “avanzados” de mayor energía, el protocolo basado en WIFN mantuvo los nodos activos por más tiempo y conservó una distribución de energía más uniforme. En muchos casos, la muerte del primer nodo se retrasó cientos o incluso miles de rondas en comparación con protocolos clásicos, y la energía media por nodo disminuyó más lentamente.

Por qué esto importa para sistemas inteligentes del mundo real

Para un público no especializado, el mensaje clave es que la forma en que organizamos los sensores inalámbricos puede importar tanto como el propio hardware. Al permitir que un algoritmo inteligente y adaptativo elija qué dispositivos asumen mayores responsabilidades de comunicación y cuándo retransmitir datos en uno o dos saltos, la red desperdicia menos batería y evita “puntos calientes” donde algunos nodos mueren mucho antes que otros. El método propuesto incrementa ligeramente el esfuerzo de cálculo en la estación base, pero la recompensa es un sistema de sensado mucho más duradero y estable —una ventaja clara para aplicaciones a largo plazo como monitorización ambiental, agricultura de precisión, automatización industrial y respuesta a desastres, donde cambiar un sensor muerto puede ser costoso, arriesgado o simplemente imposible.

Cita: Goel, S., Sharma, K.P., Mittal, N. et al. Energy efficient clustering protocol in wireless sensor networks using an adaptive hybrid optimization algorithm. Sci Rep 16, 6300 (2026). https://doi.org/10.1038/s41598-026-36957-6

Palabras clave: redes de sensores inalámbricos, internet de las cosas, ruteo eficiente en energía, algoritmos de agrupamiento, optimización metaheurística