Un algoritmo ibrido di crescita fungina e evoluzione differenziale per la pianificazione di traiettorie UAV a basso consumo energetico nella MEC

Perché contano percorsi più intelligenti per i droni

Miliardi di piccoli dispositivi oggi monitorano colture, tracciano battiti cardiaci e gestiscono semafori, ma condividono tutti lo stesso problema: batteria limitata e capacità computazionale modesta. Questo articolo esplora come aiutanti volanti, sotto forma di droni equipaggiati con piccoli data center, possano muoversi in modo più astuto nell’aria per raccogliere e processare informazioni da questi dispositivi sprecando meno energia. Ispirandosi al modo in cui i funghi si espandono nel terreno e combinando questo approccio con idee dal calcolo evolutivo, gli autori progettano un metodo di pianificazione che permette a flotte di droni di servire molti dispositivi in modo efficiente senza prosciugare le proprie batterie o quelle degli apparati supportati.

Aiutanti volanti per l’Internet delle cose

Lo studio considera un futuro in cui veicoli aerei senza pilota, o droni, trasportano apparecchiature di calcolo vicino al luogo in cui i dati vengono generati. Invece di inviare informazioni a server cloud lontani, i droni vicini possono ricevere, processare e restituire i risultati rapidamente, un concetto noto come mobile edge computing. In questa configurazione, ogni drone segue un percorso composto da diversi punti di hover dove si arresta per comunicare con i dispositivi a terra. La sfida è decidere quanti di questi punti siano necessari, dove posizionarli e in quale ordine il drone dovrebbe visitarli in modo che sia i droni sia i dispositivi a terra consumino quanta meno energia possibile, pur svolgendo tutti i compiti nei tempi richiesti.

Trasformare la crescita fungina in uno strumento di pianificazione

Per risolvere questo enigma, gli autori si ispirano al modo in cui le reti fungine si espandono nel terreno alla ricerca di nutrienti. I filamenti fungini si diramano, evitano regioni povere e si concentrano attorno a chiazze ricche. Il nuovo algoritmo, chiamato FGODE, imita questi comportamenti per esplorare molte possibili rotte dei droni. Allo stesso tempo, aggiunge un secondo ingrediente preso da un noto metodo evolutivo chiamato evoluzione differenziale, efficace nell’affinare soluzioni promettenti. Insieme, queste due idee bilanciano un’esplorazione ampia con un raffinamento accurato, aiutando i droni a sfuggire a rotte inefficienti e a stabilizzarsi su alternative migliori.

Codifica più intelligente dei punti di sosta dei droni

Un’intuizione chiave del lavoro è che il modo in cui si descrive una possibile rotta al computer può influenzare fortemente la qualità del piano finale. Piuttosto che costringere ogni soluzione di prova a portare una lunga lista di potenziali punti di sosta, molti dei quali non verranno mai usati, gli autori adottano una rappresentazione compatta che permette al numero e alla posizione dei punti di sosta di variare naturalmente. Operazioni semplici possono inserire un nuovo punto, rimuovere uno superfluo o sostituire una scelta debole con un candidato migliore. Accorgimenti aggiuntivi, come una regola greedy che concatena i punti di sosta in percorsi brevi e una punta di disturbo casuale, mantengono la ricerca variegata e aiutano a evitare di rimanere bloccati in schemi mediocri.

Mettere il metodo alla prova

I ricercatori testano FGODE in simulazioni al computer con quattro droni che servono tra 60 e 200 dispositivi distribuiti su un chilometro quadrato. Confrontano il loro metodo con diverse tecniche di pianificazione e ottimizzazione recenti, incluse sia algoritmi ispirati alla natura sia progetti ibridi. In tutti i casi, FGODE trova costantemente rotte che riducono il consumo energetico combinato di droni e dispositivi, mostrando inoltre risultati stabili tra una corsa e l’altra. Verifiche statistiche confermano che il suo vantaggio difficilmente è dovuto al caso. Inoltre, l’algoritmo converge verso buone rotte più velocemente rispetto ai concorrenti, il che significa che può fornire piani efficaci entro un budget computazionale realistico.

Cosa significa per i sistemi connessi

Per il lettore, il risultato principale è che questa ricerca offre una ricetta pratica per guidare flotte di droni affinché agiscano come corrieri aerei efficienti per i dati. Modellando i loro percorsi di volo in modo più pensato, il sistema riduce quanto forte i dispositivi a terra devono “gridare” per farsi ascoltare e quanto a lungo i droni devono stazionare o viaggiare, tagliando i consumi su entrambi i fronti. Pur essendo il lavoro dimostrato in simulazioni, esso indica la strada verso reti più intelligenti e flessibili nelle quali server mobili volanti possono supportare fattorie, città e zone di emergenza senza continui cambi di batteria o pesante infrastruttura, rendendo i sistemi connessi su larga scala più sostenibili.

Citazione: Othman, A.A., Elmanakhly, D.A. A hybrid fungal growth and differential evolution algorithm for energy-efficient UAV trajectory planning in MEC. Sci Rep 16, 16454 (2026). https://doi.org/10.1038/s41598-026-54288-4

Parole chiave: Pianificazione traiettoria UAV, mobile edge computing, efficienza energetica IoT, ottimizzazione metaeuristica, raccolta dati con droni