Optimización multiobjetivo para el despliegue 3D heterogéneo de WSN usando un algoritmo mejorado Genghis Khan shark

Sensores más inteligentes en un mundo tridimensional

Desde el seguimiento de la copa de los bosques hasta la gestión de edificios inteligentes y plantas industriales, las redes de sensores inalámbricos se están convirtiendo en el sistema nervioso invisible de la infraestructura moderna. Pero decidir dónde colocar cientos de sensores en un espacio tridimensional complejo —manteniendo todo conectado y dentro del presupuesto— está lejos de ser trivial. Este artículo presenta un nuevo algoritmo que ayuda a los ingenieros a diseñar automáticamente esas redes para que vigilen cada rincón, se comuniquen de forma fiable entre sí y lo hagan sin malgastar recursos.

Por qué colocar sensores es más difícil de lo que parece

En muchos entornos reales, los sensores no se distribuyen simplemente sobre un plano. Se montan en techos y paredes, se entrelazan con maquinaria o se suspenden en el aire o en el agua. Cada tipo de sensor puede ver y comunicarse a diferentes distancias y tiene un precio distinto. La lista de deseos de los diseñadores es fácil de enunciar pero difícil de satisfacer: cada punto importante del volumen debe ser observado por varios sensores (para mayor fiabilidad), cada sensor debe poder transmitir sus datos a una estación base a través de una cadena de vecinos, y el coste total debe mantenerse dentro del presupuesto. Intentar cumplir las tres metas a la vez convierte el diseño en un laberinto de decisiones contradictorias que no puede resolverse de forma exacta en sistemas de gran tamaño.

Equilibrando vigilancia, comunicación y gasto

Los autores describen este reto de diseño como un problema “multiobjetivo”: quieren maximizar simultáneamente la cobertura (cuántos sensores ven cada punto objetivo), maximizar la conectividad (a cuántos vecinos puede alcanzar cada sensor) y minimizar el coste total. Modelan el volumen monitorizado como un conjunto de posibles emplazamientos para sensores y puntos objetivo distribuidos en tres dimensiones. Algunos emplazamientos son más caros que otros, por ejemplo por dificultades de acceso. Los sensores pertenecen a varias clases, cada una con su propio radio de detección, alcance de comunicación y precio. Un diseño candidato es una decisión sí/no sobre qué tipo de sensor, si acaso alguno, colocar en cada emplazamiento. El diseño debe cumplir reglas estrictas: cada objetivo debe ser observado por al menos cierto número de sensores, y cada sensor instalado debe tener suficientes vecinos para mantener la robustez de la red.

Una búsqueda inspirada en la naturaleza

Para explorar el enorme espacio de diseños posibles, el artículo se apoya en un método de búsqueda basado en enjambres inspirado en comportamientos de caza, denominado Genghis Khan shark optimizer. La versión mejorada, EnMOGKSO, trata cada diseño de red posible como un individuo en una población que se desplaza por el espacio de búsqueda. Estos individuos se mueven ampliamente al principio y luego se concentran gradualmente alrededor de regiones prometedoras, imitando la exploración y la caza. De forma crucial, el método mantiene dos bancos de memoria: uno que almacena los mejores diseños encontrados hasta ahora y otro que preserva diseños inusuales o poco explorados. Esta doble memoria ayuda a evitar quedar atrapado en una única familia estrecha de soluciones y, en su lugar, recupera un menú amplio de compromisos entre cobertura, conectividad y coste.

De números continuos a disposiciones concretas

Dado que las decisiones reales —instalar este tipo de sensor aquí o no— son elecciones binarias, son difíciles de ajustar de forma gradual. EnMOGKSO elude esto trabajando primero con “puntuaciones” numéricas suaves que expresan cuánto favorece cada emplazamiento a cada tipo de sensor. En cada paso de evaluación, estas puntuaciones se traducen en una disposición real seleccionando, como máximo, un tipo de sensor por emplazamiento y dejando posiblemente algunas posiciones vacías. A continuación se prueba el diseño resultante: el algoritmo calcula cuántos sensores ven cada punto objetivo, construye un grafo de comunicación que muestra qué sensores pueden comunicarse entre sí y suma el coste de instalación. Los diseños que incumplen las reglas de cobertura o conectividad no se descartan por completo; en lugar de ello se clasifican según el grado de incumplimiento, lo que permite que la búsqueda progrese de manera sostenida hacia soluciones totalmente válidas.

Poniendo el método a prueba

Para demostrar que su enfoque no está afinado para un único ejemplo, los autores primero evalúan EnMOGKSO en una batería estándar de problemas matemáticos difíciles usada para evaluar algoritmos multiobjetivo. Midiendo la cercanía de los resultados del algoritmo a las curvas ideales de compromiso, encuentran que EnMOGKSO típicamente logra mejor dispersión y precisión que varias alternativas bien conocidas, incluidas métodos evolutivos y de enjambre de partículas populares. Luego aplican el método a escenarios realistas de despliegue de sensores en tres dimensiones. En numerosos entornos que varían la redundancia requerida de cobertura y la exigencia de conectividad, EnMOGKSO encuentra de forma consistente diseños que cubren más objetivos y mantienen enlaces de comunicación más densos que los métodos rivales, a un coste que es mayor pero comparativamente estable.

Qué significa esto para redes de sensores reales

Para los profesionales, el resultado clave no es una única disposición “óptima” sino una colección de opciones de alta calidad que revelan el compromiso entre rendimiento y gasto. El nuevo algoritmo tiende a poblar esta superficie de compromiso de forma más completa, lo que facilita a los ingenieros elegir un diseño acorde con su tolerancia al riesgo y su presupuesto. El trabajo sugiere que métodos de enjambre cuidadosamente diseñados, que respetan tanto la física de la detección como la lógica de las conexiones de red, pueden convertir un rompecabezas de diseño intratable en un ejercicio de planificación manejable para tareas de monitorización tridimensional en edificios, fábricas y el medio ambiente.

Cita: 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

Palabras clave: redes de sensores inalámbricos, despliegue 3D, optimización multiobjetivo, inteligencia de enjambre, cobertura y conectividad de red