Ottimizzazione multi-obiettivo per il dispiegamento 3D eterogeneo di WSN usando un algoritmo Genghis Khan shark potenziato

Sensori più intelligenti in un mondo tridimensionale

Dall'osservazione delle chiome forestali alla gestione di edifici intelligenti e impianti industriali, le reti di sensori wireless stanno diventando il sistema nervoso invisibile delle infrastrutture moderne. Ma decidere dove collocare centinaia di sensori in uno spazio tridimensionale complesso — mantenendo tutto connesso e nel rispetto del budget — è tutt'altro che banale. Questo articolo presenta un nuovo algoritmo che aiuta gli ingegneri a progettare automaticamente tali reti in modo che sorveglino ogni angolo, comunichino in modo affidabile tra loro e lo facciano senza sprechi economici.

Perché posizionare i sensori è più difficile di quanto sembri

In molti contesti reali i sensori non sono semplicemente sparsi su un piano. Sono montati su soffitti e pareti, integrati nelle macchine o sospesi in aria o acqua. Ogni tipo di sensore può osservare e comunicare a distanze diverse e ha un costo diverso. La lista dei desideri dei progettisti è facile da enunciare ma difficile da soddisfare: ogni punto importante del volume dovrebbe essere monitorato da più sensori (per affidabilità), ogni sensore deve poter inoltrare i propri dati a una stazione base attraverso una catena di vicini, e il costo totale deve rimanere entro il budget. Cercare di raggiungere contemporaneamente questi tre obiettivi trasforma la progettazione in un labirinto di scelte conflittuali che non può essere risolto esattamente per sistemi di grandi dimensioni.

Bilanciare osservazione, comunicazione e spesa

Gli autori descrivono questa sfida progettuale come un problema “multi-obiettivo”: vogliono massimizzare contemporaneamente la copertura (quanti sensori osservano ogni punto target), massimizzare la connettività (quanti vicini raggiunge ogni sensore) e minimizzare il costo totale. Modellano il volume monitorato come un insieme di possibili siti per i sensori e punti target distribuiti in tre dimensioni. Alcuni siti sono più costosi di altri da installare, per esempio per difficoltà di accesso. I sensori appartengono a diverse classi, ciascuna con il proprio raggio di rilevamento, portata di comunicazione e prezzo. Un progetto candidato è una scelta sì/no su quale tipo di sensore, se presente, posizionare in ciascun sito. Il progetto deve rispettare regole rigorose: ogni target deve essere osservato da almeno un certo numero di sensori e ogni sensore installato deve avere abbastanza vicini per mantenere la rete robusta.

Una spedizione di ricerca ispirata alla natura

Per esplorare l'enorme spazio delle possibili soluzioni, l'articolo si basa su un metodo di ricerca basato sugli sciami ispirato al comportamento di caccia, chiamato Genghis Khan shark optimizer. La versione potenziata, EnMOGKSO, tratta ogni possibile progetto di rete come un individuo in una popolazione che si muove nello spazio di ricerca. Questi individui vagano ampiamente all'inizio, poi si concentrano gradualmente intorno alle regioni promettenti, imitando esplorazione e caccia. Elemento cruciale è che il metodo mantiene due banche della memoria: una che conserva i migliori progetti trovati finora e un'altra che preserva soluzioni insolite o esplorate raramente. Questa memoria duplice aiuta a evitare il blocco su un'unica famiglia ristretta di soluzioni e consente invece di recuperare un ampio ventaglio di compromessi tra copertura, connettività e costo.

Dai numeri continui a layout concreti

Poiché le decisioni reali — installare questo tipo di sensore qui o no — sono scelte sì/no, sono difficili da modificare in modo graduale. EnMOGKSO evita questo problema lavorando prima con “punteggi” numerici continui che esprimono quanto ogni tipo di sensore sia favorito in ciascun sito. Ad ogni valutazione, questi punteggi vengono tradotti in un layout effettivo scegliendo al più un tipo di sensore per sito e lasciando eventualmente alcune posizioni vuote. Il progetto risultante viene quindi testato: l'algoritmo calcola quanti sensori osservano ogni punto target, costruisce un grafo di comunicazione che mostra quali sensori possono parlare tra loro e somma il costo di installazione. I progetti che violano le regole di copertura o connettività non vengono scartati immediatamente; vengono invece classificati in base a quanto gravemente falliscono, permettendo alla ricerca di salire progressivamente verso soluzioni pienamente valide.

Mettere il metodo alla prova

Per dimostrare che il loro approccio non è tarato su un singolo esempio, gli autori valutano prima EnMOGKSO su una suite standard di difficili problemi matematici di test usati per confrontare algoritmi multi-obiettivo. Misurando quanto i risultati dell'algoritmo si avvicinano alle curve di compromesso ideali, riscontrano che EnMOGKSO raggiunge tipicamente una migliore distribuzione e accuratezza rispetto a diverse alternative ben note, incluse metodologie evolutive e di particle swarm popolari. Successivamente affrontano scenari realistici di dispiegamento tridimensionale di sensori. In molte configurazioni che variano la ridondanza richiesta per la copertura e la rigidità della connettività, EnMOGKSO trova costantemente progetti che coprono più target e mantengono collegamenti di comunicazione più densi rispetto ai metodi concorrenti, a un costo che è più elevato ma relativamente stabile.

Cosa significa per le reti di sensori nel mondo reale

Per i professionisti, l'esito chiave non è un singolo layout “migliore” ma una raccolta di scelte di alta qualità che rivelano il compromesso tra prestazioni e spesa. Il nuovo algoritmo tende a popolari più completamente questa superficie di compromesso, rendendo più facile per gli ingegneri scegliere un progetto che corrisponda alla loro tolleranza al rischio e al budget. Il lavoro suggerisce che metodi di sciame accuratamente progettati, che rispettano sia la fisica del sensing sia la logica delle connessioni di rete, possono trasformare un enigma progettuale altrimenti intrattabile in un esercizio di pianificazione gestibile per attività di monitoraggio tridimensionale in edifici, fabbriche e ambiente.

Citazione: 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

Parole chiave: reti di sensori wireless, dispiegamento 3D, ottimizzazione multi-obiettivo, intelligenza degli sciami, copertura e connettività di rete