Routage WSN basé sur des clusters avec optimisation MOGA et LSA

Des réseaux plus intelligents pour un monde connecté

De la surveillance environnementale aux usines et villes intelligentes, de minuscules capteurs sans fil recueillent et transmettent discrètement des données tout autour de nous. Pourtant, ces dispositifs alimentés par batterie ont une limite nette : une fois leur énergie épuisée, tout le réseau peut tomber en panne. Cet article explore une nouvelle façon d’organiser et d’acheminer l’information dans ces réseaux de capteurs sans fil afin d’allonger leur durée de vie, de réduire le gaspillage d’énergie et d’assurer une transmission de données plus fiable — des besoins essentiels pour l’avenir de l’Internet des objets et des environnements intelligents.

Pourquoi les petits capteurs ont un gros problème d’énergie

Les réseaux de capteurs sans fil sont composés de nombreux petits dispositifs disséminés sur une zone, chacun mesurant la température, le mouvement, la pollution ou d’autres signaux. Envoyer des données sans fil, en particulier sur de longues distances, consomme beaucoup plus d’énergie que la mesure elle‑même. Si chaque capteur communiquait directement avec une station de base centrale, les appareils situés loin s’épuiseraient rapidement, créant des zones de couverture manquantes et réduisant la durée de vie du système entier. Pour ralentir cette consommation, les ingénieurs regroupent les capteurs en clusters. Au sein de chaque cluster, un capteur unique joue le rôle de « leader » qui collecte les données de ses voisins et les transmet à la station de base. Choisir quels capteurs doivent devenir leaders, et comment les données doivent circuler entre eux, s’avère être un casse‑tête complexe aux objectifs souvent concurrents.

Combiner deux stratégies numériques d’« évolution »

Les auteurs proposent une méthode d’optimisation hybride qui combine deux algorithmes inspirés de la nature : un algorithme génétique multi‑objectif (MOGA) et l’algorithme de recherche par éclair (LSA). Le MOGA imite l’évolution en traitant les choix possibles de leaders de cluster comme des chromosomes susceptibles d’être sélectionnés, croisés et mutés. Il évalue chaque configuration sur plusieurs critères simultanément : maintenir la distance moyenne entre les capteurs et leur leader courte, garder les leaders proches de la station de base et favoriser les leaders ayant une grande réserve d’énergie restante. Sur de nombreuses générations, le MOGA converge vers un ensemble de choix de leaders qui équilibrent ces compromis, de sorte qu’aucune zone du réseau n’est surchargée ou ne s’épuise trop rapidement.

Trouver les meilleurs chemins dans le réseau

Une fois que de bons leaders ont été choisis, le défi suivant est de déterminer comment les données doivent sauter de leader en leader pour atteindre la station de base. Il existe de nombreuses routes multi‑sauts possibles, et choisir la meilleure est à nouveau un problème multi‑critères. C’est là que l’algorithme de recherche par éclair entre en jeu. Inspiré du branching et de la convergence des éclairs, le LSA part des routes candidates implicites dans la configuration de clusters issue du MOGA, puis explore des chemins alternatifs. Pour chaque route possible, il évalue la consommation d’énergie totale, le délai de transmission des données de la source au puits et la fiabilité de livraison des paquets. En améliorant itérativement les chemins et en échappant aux impasses locales, le LSA converge vers des routes globales qui minimisent conjointement la consommation d’énergie et le délai tout en maximisant la réussite de livraison.

Performances de la nouvelle méthode en pratique

Pour tester leur approche, les chercheurs ont simulé des réseaux de capteurs de 100 nœuds avec des outils standards et comparé leur cadre hybride MOGA–LSA à plusieurs méthodes bien connues, dont LEACH, des schémas basés sur PSO et d’autres conceptions métaheuristiques hybrides. Sur des milliers de cycles de simulation, la nouvelle méthode a réduit la consommation d’énergie globale d’environ 48 %, a équilibré beaucoup mieux la dépense d’énergie entre les nœuds et a considérablement prolongé le temps avant la mort du premier capteur et l’effondrement du réseau. Parallèlement, elle a atteint des taux de livraison de données très élevés — supérieurs à 99 % — tout en maintenant un faible délai d’un bout à l’autre du réseau. Des tests statistiques ont confirmé que ces gains n’étaient pas dus au hasard mais reflétaient un avantage constant du design hybride.

Limites et prochaines étapes pour une utilisation réelle

Alors que la méthode fonctionne bien pour des configurations de capteurs statiques ou à évolution lente, les auteurs soulignent que des conditions hautement dynamiques — comme des nœuds mobiles ou des canaux radio changeant rapidement — peuvent réduire son efficacité. Dans de tels cas, la structure des clusters et les routes optimales pourraient devoir être recalculées plus fréquemment, ajoutant des surcoûts et pouvant compenser les économies d’énergie. L’article suggère que des travaux futurs pourraient explorer d’autres combinaisons d’algorithmes de recherche, étendre le design à des agencements tridimensionnels (par exemple dans des bâtiments ou sous l’eau) et adapter l’approche aux réseaux où les nœuds se déplacent plus fréquemment.

Ce que cela signifie pour la technologie quotidienne

En termes simples, l’étude montre qu’une coordination soignée de la façon dont les capteurs se groupent et transmettent les données peut grandement prolonger la durée de vie et la fiabilité des réseaux de capteurs sans fil. En laissant deux stratégies d’optimisation complémentaires travailler ensemble — l’une pour sélectionner les leaders locaux appropriés et l’autre pour trouver les meilleures routes globales — le système utilise l’énergie des batteries de manière beaucoup plus judicieuse. Pour les technologies quotidiennes fondées sur l’Internet des objets, des maisons intelligentes à l’agriculture de précision, des approches de ce type pourraient signifier moins de remplacements de batteries, une surveillance plus stable et des déploiements à grande échelle plus durables.

Citation: 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

Mots-clés: réseaux de capteurs sans fil, routage économe en énergie, réseautage basé sur des clusters, optimisation métaheuristique, internet des objets