אופטימיזציה רב‑מטרית לפריסת רשת חיישנים הטרוגנית תלת‑ממדית באמצעות אלגוריתם כריש גנגיס חאן משופר

חיישנים חכמים בעולם תלת־ממדי

מעקב אחר צמרות יער ועד ניהול מבנים חכמים ומפעלי תעשייה — רשתות חיישנים אלחוטיות הופכות למעין המערכת העצבים הלא־נראית של תשתיות מודרניות. אך לקבוע היכן למקם מאות חיישנים במרחב תלת־ממדי מורכב — תוך שמירה על קישוריות ועל תקציב — הוא אתגר לא טריוויאלי. מאמר זה מציג אלגוריתם חדש המסייע למהנדסים לתכנן אוטומטית רשתות כאלו כך שיכסו כל פינה, יתקשרו באופן אמין ביניהן ויעשו זאת ללא בזבוז כספי.

למה מיקום חיישנים קשה יותר ממה שהוא נראה

בהקשרים רבים החיישנים אינם פרושים רק במישור שטוח. הם מותקנים על תקרות וקירות, מובלים דרך מכונות או תלויים באוויר או במים. לכל סוג חיישן טווח חישה ותקשורת שונה וגם מחיר שונה. רשימת המשאלות של המתכננים פשוטה להסבר אך קשה להגשים: כל נקודה חשובה בנפח צריכה להיות מנוטרת על ידי מספר חיישנים (לאמינות), כל חיישן חייב לדעת להעביר את המידע שלו לתחנת בסיס באמצעות שרשרת שכנים, והעלות הכוללת חייבת להישאר במסגרת התקציב. ניסיון לעמוד בשלושת היעדים יחד הופך את התכנון למבוך של בחירות מתנגשות שאינן ניתנות לפתרון מדויק עבור מערכות גדולות.

לאזן צפייה, תקשורת והוצאות

הכותבים מתארים את אתגר התכנון הזה כבעיה «רב־מטרית»: הם מבקשים למקסם בו־זמנית את הכיסוי (כמה חיישנים רואים כל נקודת יעד), למקסם את הקישוריות (כמה שכנים כל חיישן יכול להגיע אליהם) ולמזער את העלות הכוללת. הם ממדלים את הנפח המנוטר כמערכת של אתרי חיישן אפשריים ונקודות יעד מפוזרות בתלת־ממד. כמה אתרים יקרים יותר להתקנה, למשל בגלל גישה קשה. החיישנים שייכים למספר קטגוריות, שלכל אחת מהן רדיוס חישה, טווח תקשורת ומחיר משלה. תכנון מועמד הוא בחירה כן/לא איזה סוג חיישן, אם בכלל, למקם בכל אתר. התכנון חייב לציית לכללים מחמירים: כל יעד צריך להיות מנוטר על ידי לפחות מספר מסוים של חיישנים, וכל חיישן מותקן חייב שיהיו לו מספיק שכנים כדי לשמור על חוזק הרשת.

מסיבת חיפוש בהשראת הטבע

כדי לחקור את מרחב התכנונים האדיר, המאמר בונה על שיטת חיפוש מבוססת־עדר בהשראת התנהגות ציד, הנקראת ממטב כריש גנגיס חאן. הגרסה המשופרת, EnMOGKSO, מתייחסת לכל תכנון רשת אפשרי כפרט באוכלוסייה שנע במרחב החיפוש. הפרטים נודדים ברישול בהתחלה, ואז מתרכזים בהדרגה סביב אזורים מבטיחים, בחיקוי של חקירה וציד. מהותי לכך הוא שהשיטה שומרת שתי זיכרונות: אחד המאחסן את התכנונים הטובים שנמצאו עד כה ואחר ששומר תכנונים בלתי שגרתיים או נדירים שנחקרו מעט. הזיכרון הכפול הזה מסייע להימנע מהיתקעות במשפחת פתרונות צרה אחת ובה במקום זאת להחזיר תפריט רחב של פשרות בין כיסוי, קישוריות ועלות.

ממספרים חלקים לתכניות מוחשיות

מאחר שההחלטות הממשיות — להתקין סוג חיישן כאן או לא — הן בחירות כן/לא שקשה לשנותן בעדינות, EnMOGKSO מפשטת את הדברים בעבודה תחילה עם "ציונים" מספריים חלקים שמבטאים עד כמה כל סוג חיישן מועדף באותו אתר. בכל שלב הערכה מתורגמים הציונים האלה לפריסה ממשית על‑ידי בחירה של לא יותר מסוג חיישן אחד לכל אתר ואפשרות להשאיר מקומות ריקים. התכנון המתקבל נבדק: האלגוריתם מחשב כמה חיישנים רואים כל נקודת יעד, בונה גרף תקשורת שמראה אילו חיישנים יכולים לתקשר זה עם זה ומסכם את עלות ההתקנה. תכניות שמפרות את כללי הכיסוי או הקישוריות אינן נפסלות מיד; במקום זאת הן מדורגות לפי חומרת הכישלון שלהן, מה שמאפשר לחיפוש לטפס בהדרגה לעבר פתרונות תקפים לחלוטין.

בחינת המתודולוגיה

כדי להראות שהגישה שלהם אינה מותאמת לדוגמה יחידה, המחברים בוחנים תחילה את EnMOGKSO על סט סטנדרטי של בעיות מתמטיות קשות המשמשות לבחינת אלגוריתמים רב־מטריים. על‑ידי מדידת קרבת תוצאות האלגוריתם לעקומות הפשרה האידיאליות הם מגלים ש־EnMOGKSO בדרך כלל משיג פיזור ודיוק טובים יותר ממספר שיטות מוכרות, כולל שיטות אבולוציוניות ושיטות עדר חלקיקים פופולריות. לאחר מכן הם פונים לתרחישי פריסה תלת־ממדיים מציאותיים לחיישנים. במגוון מצבים שמשנים את דרישות הרדונדנציה של הכיסוי ואת חומרת דרישות הקישוריות, EnMOGKSO באופן עקבי מוצא תכנונים שמכסים יותר יעדים ואתרו קישורי תקשורת צפופים יותר מאמצעים מתחרים, בעלות שהיא גבוהה אך יחסית יציבה.

מה זה אומר לרשתות חיישנים בעולם האמיתי

עבור מתכננים, התוצאה המרכזית אינה פריסה "הטובה ביותר" יחידה אלא אוסף של בחירות איכותיות המגלות את הפשרה בין ביצועי המערכת וההוצאה. האלגוריתם החדש נוטה לאכלס משטח פשרות זה באופן שלם יותר, מה שמקל על מהנדסים לבחור תכנון התואם לסובלנות הסיכון ולקצבתם. המאמץ מציע כי שיטות עדר מדוקדקות, המכבדות הן את פיזיקת החישה והן את לוגיקת חיבורי הרשת, יכולות להפוך את חידת התכנון הבלתי ניתנת להתמודדות לתרגיל תכנוני ניהולי למשימות ניטור תלת־ממדיות במבנים, מפעלים והסביבה.

ציטוט: 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

מילות מפתח: רשתות חיישנים אלחוטיות, פריסה תלת־ממדית, אופטימיזציה רב־מטרית, אינטליגנציה מושכתית, כיסוי וקישוריות ברשת