Optimisation multi-objectifs pour le déploiement 3D hétérogène de WSN utilisant un algorithme requin Genghis Khan amélioré

Des capteurs plus intelligents dans un monde tridimensionnel

Du suivi des canopées forestières à la gestion des bâtiments intelligents et des usines, les réseaux de capteurs sans fil deviennent le système nerveux invisible des infrastructures modernes. Mais décider où placer des centaines de capteurs dans un espace tridimensionnel complexe — tout en maintenant la connectivité et le respect du budget — est loin d’être trivial. Cet article présente un nouvel algorithme qui aide les ingénieurs à concevoir automatiquement de tels réseaux afin qu’ils surveillent chaque recoin, communiquent de façon fiable et n’engendrent pas de dépenses inutiles.

Pourquoi placer des capteurs est plus difficile qu’il n’y paraît

Dans de nombreux contextes réels, les capteurs ne sont pas simplement disséminés sur un plan. Ils sont fixés au plafond et aux murs, intégrés dans des machines, ou suspendus dans l’air ou l’eau. Chaque type de capteur a une portée de détection et de communication différente et un coût propre. La liste de souhaits des concepteurs est simple à énoncer mais difficile à satisfaire : chaque point important du volume doit être surveillé par plusieurs capteurs (pour la fiabilité), chaque capteur doit pouvoir transmettre ses données jusqu’à une station de base via une chaîne de voisins, et le coût total doit rester dans le budget. Chercher à atteindre ces trois objectifs simultanément transforme la conception en un labyrinthe de choix conflictuels qui ne peut être résolu exactement pour de grands systèmes.

Équilibrer surveillance, communication et dépenses

Les auteurs décrivent ce défi de conception comme un problème « multi‑objectifs » : ils cherchent à maximiser simultanément la couverture (combien de capteurs voient chaque point cible), la connectivité (combien de voisins chaque capteur peut atteindre) et à minimiser le coût total. Ils modélisent le volume surveillé comme un ensemble de sites potentiels pour capteurs et de points cibles dispersés en trois dimensions. Certains emplacements sont plus coûteux à équiper, par exemple en raison d’un accès difficile. Les capteurs appartiennent à plusieurs classes, chacune avec son rayon de détection, sa portée de communication et son prix. Une conception candidate est un choix binaire indiquant quel type de capteur, le cas échéant, installer à chaque site. La conception doit respecter des règles strictes : chaque cible doit être surveillée par au moins un certain nombre de capteurs, et chaque capteur installé doit disposer d’assez de voisins pour garantir la robustesse du réseau.

Une équipe de recherche inspirée par la nature

Pour explorer l’immense espace des conceptions possibles, l’article s’appuie sur une méthode de recherche par essaim inspirée du comportement de chasse, appelée Genghis Khan shark optimizer. La version améliorée, EnMOGKSO, traite chaque conception de réseau possible comme un individu d’une population qui se déplace dans l’espace de recherche. Ces individus errent largement au début, puis se concentrent progressivement autour des régions prometteuses, imitant l’exploration puis la chasse. De manière cruciale, la méthode conserve deux banques de mémoire : l’une stocke les meilleures conceptions trouvées jusqu’à présent et l’autre préserve des conceptions inhabituelles ou faiblement explorées. Cette double mémoire aide à éviter de rester coincé sur une seule famille étroite de solutions et permet plutôt de récupérer un large éventail de compromis entre couverture, connectivité et coût.

Des nombres continus aux configurations concrètes

Parce que les décisions réelles — installer tel type de capteur ici ou non — sont des choix binaires difficiles à ajuster en douceur, EnMOGKSO contourne ce problème en travaillant d’abord avec des « scores » numériques continus qui expriment à quel point chaque type de capteur est favorisé sur chaque site. À chaque étape d’évaluation, ces scores sont traduits en une configuration concrète en choisissant au maximum un type de capteur par site et en laissant éventuellement certains emplacements vides. La conception résultante est alors testée : l’algorithme calcule combien de capteurs voient chaque point cible, construit un graphe de communication indiquant quels capteurs peuvent dialoguer entre eux, et totalise le coût d’installation. Les conceptions qui enfreignent les règles de couverture ou de connectivité ne sont pas éliminées sur le champ ; elles sont plutôt classées en fonction de l’ampleur de leurs manquements, ce qui permet à la recherche de progresser régulièrement vers des solutions pleinement valides.

Mettre la méthode à l’épreuve

Pour montrer que leur approche n’est pas ajustée à un seul exemple, les auteurs évaluent d’abord EnMOGKSO sur une suite standard de problèmes mathématiques difficiles utilisée pour comparer les algorithmes multi‑objectifs. En mesurant la proximité des résultats de l’algorithme aux courbes de compromis idéales, ils constatent qu’EnMOGKSO obtient généralement une meilleure dispersion et une meilleure précision que plusieurs alternatives bien connues, y compris des méthodes évolutionnaires et des essaims particulaires populaires. Ils passent ensuite à des scénarios réalistes de déploiement de capteurs en trois dimensions. Dans de nombreux contextes qui font varier la redondance de couverture requise et la rigueur de la connectivité, EnMOGKSO trouve systématiquement des conceptions qui couvrent plus de cibles et maintiennent des liens de communication plus denses que les méthodes rivales, pour un coût qui est plus élevé mais relativement stable.

Ce que cela signifie pour les réseaux de capteurs réels

Pour les praticiens, le résultat clé n’est pas une seule configuration « optimale », mais un ensemble de choix de haute qualité qui révèlent le compromis entre performance et coût. Le nouvel algorithme a tendance à remplir cette surface de compromis de façon plus complète, facilitant le choix d’une conception adaptée à la tolérance au risque et au budget des ingénieurs. Ce travail suggère que des méthodes d’essaim soigneusement conçues, qui respectent à la fois la physique de la détection et la logique des connexions réseau, peuvent transformer un casse‑tête de conception autrement intraitable en un exercice de planification gérable pour les tâches de surveillance tridimensionnelle dans les bâtiments, les usines et l’environnement.

Citation: 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

Mots-clés: réseaux de capteurs sans fil, déploiement 3D, optimisation multi‑objectifs, intelligence en essaim, couverture et connectivité du réseau