Multi-objectieve optimalisatie voor 3D-heterogene WSN-plaatsing met een verbeterd Genghis Khan shark-algoritme

Slimmere sensoren in een driedimensionale wereld

Van het monitoren van boskronen tot het beheren van slimme gebouwen en industriële installaties: draadloze sensornetwerken vormen steeds meer het onzichtbare zenuwstelsel van moderne infrastructuur. Maar bepalen waar honderden sensoren in een complexe driedimensionale ruimte geplaatst moeten worden—terwijl alles verbonden blijft en binnen budget blijft—is verre van triviaal. Dit artikel introduceert een nieuw algoritme dat ingenieurs helpt zulke netwerken automatisch te ontwerpen, zodat ze elke hoek bewaken, betrouwbaar met elkaar communiceren en geen geld verspillen.

Waarom sensoren plaatsen moeilijker is dan het lijkt

In veel praktijksituaties liggen sensoren niet gewoon op een vlak. Ze worden op plafonds en muren gemonteerd, door machines verweven of in lucht of water opgehangen. Elk sensortype kan op verschillende afstanden waarnemen en communiceren en heeft een andere prijs. De wensenlijst van ontwerpers is eenvoudig te formuleren maar lastig te vervullen: elk belangrijk punt in het volume moet door meerdere sensoren worden bewaakt (voor betrouwbaarheid), elke sensor moet zijn gegevens via een keten van buren naar een basisstation kunnen doorgeven, en de totale kosten moeten binnen het budget blijven. Pogingen om al deze drie doelen tegelijk te halen veranderen het ontwerp in een doolhof van conflicterende keuzes die voor grote systemen niet exact oplosbaar zijn.

Balanceren van waarnemen, communiceren en uitgeven

De auteurs beschrijven deze ontwerputdaging als een “multi-objectief” probleem: ze willen gelijktijdig de dekking maximaliseren (hoeveel sensoren elk doelpunt zien), de connectiviteit maximaliseren (hoeveel buren elke sensor kan bereiken) en de totale kosten minimaliseren. Ze modelleren het gemonitorde volume als een verzameling mogelijke sensorlokaties en doelfpunten verspreid in drie dimensies. Sommige locaties zijn duurder te installeren, bijvoorbeeld door moeilijke toegang. Sensoren horen bij verschillende klassen, elk met een eigen detectieradius, communicatiebereik en prijs. Een kandidaat-ontwerp is een ja/nee-keuze welk sensortype, zo aanwezig, op elke locatie geplaatst wordt. Het ontwerp moet strikte regels volgen: elk doelpunt moet door ten minste een bepaald aantal sensoren worden waargenomen, en elke geïnstalleerde sensor moet voldoende buren hebben om het netwerk robuust te houden.

Een door de natuur geïnspireerd zoekteam

Om de enorme ruimte van mogelijke ontwerpen te verkennen, bouwt het artikel voort op een zwermgebaseerde zoekmethode geïnspireerd door jachtgedrag, het Genghis Khan shark-optimizer genoemd. De verbeterde versie, EnMOGKSO, behandelt elk mogelijk netwerkontwerp als een individu in een populatie dat zich door de zoekruimte beweegt. Deze individuen dwalen eerst breed rond en concentreren zich vervolgens geleidelijk rond veelbelovende gebieden, wat exploratie en jacht nabootst. Cruciaal is dat de methode twee geheugenbanken bijhoudt: één die de beste tot nu toe gevonden ontwerpen opslaat en een andere die ongewone of dun verkende ontwerpen bewaart. Dit dubbele geheugen helpt te voorkomen dat de zoekopdracht vastloopt op één smalle familie van oplossingen en levert in plaats daarvan een breed palet van afwegingen tussen dekking, connectiviteit en kosten op.

Van vloeiende cijfers naar concrete lay-outs

Aangezien de feitelijke beslissingen—plaats dit sensortype hier of niet—ja/nee-keuzes zijn, zijn ze moeilijk soepel bij te stellen. EnMOGKSO omzeilt dit door eerst te werken met vloeiende numerieke "scores" die aangeven in welke mate elk sensortype bij elke locatie wordt bevoordeeld. Bij elke evaluatiestap worden deze scores vertaald naar een concrete lay-out door maximaal één sensortype per locatie te kiezen en mogelijk enkele posities leeg te laten. Het resulterende ontwerp wordt vervolgens getest: het algoritme berekent hoeveel sensoren elk doelfpunt zien, bouwt een communicatienetwerk op dat laat zien welke sensoren met welke kunnen praten, en telt de installatiekosten op. Ontwerpen die de dekkings- of connectiviteitsregels schenden worden niet direct weggegooid; in plaats daarvan worden ze gerangschikt naar hoe ernstig ze tekortschieten, waardoor de zoekopdracht gestaag kan klimmen naar volledig geldige oplossingen.

De methode op de proef gesteld

Om aan te tonen dat hun benadering niet op één voorbeeld is afgestemd, evalueren de auteurs EnMOGKSO eerst op een standaardset moeilijke wiskundige testproblemen die gebruikt worden om multi-objectieve algoritmen te benchmarken. Door te meten hoe dicht de resultaten van het algoritme bij ideale afwegingscurven liggen, vinden ze dat EnMOGKSO doorgaans betere spreiding en nauwkeurigheid behaalt dan meerdere bekende alternatieven, waaronder populaire evolutionaire en deeltjeszwermmethoden. Daarna richten ze zich op realistische driedimensionale sensordeploymentscenario’s. Over vele instellingen die variëren in vereiste redundantie van dekking en strengheid van connectiviteit, vindt EnMOGKSO consequent ontwerpen die meer doelen dekken en dichter communicatieverbindingen behouden dan concurrerende methoden, tegen een kostprijs die hoger maar relatief stabiel is.

Wat dit betekent voor sensornetwerken in de praktijk

Voor praktijkmensen is de belangrijkste uitkomst niet één "beste" lay-out maar een verzameling hoogwaardig keuzes die de afweging tussen prestaties en kosten blootleggen. Het nieuwe algoritme vult dit afwegingsoppervlak doorgaans vollediger, waardoor het eenvoudiger wordt voor ingenieurs om een ontwerp te kiezen dat past bij hun risicotolerantie en budget. Het werk suggereert dat zorgvuldig opgezette zwermmethoden, die zowel de fysica van detectie als de logica van netwerkverbindingen respecteren, een anders onoplosbare ontwerppuzzel kunnen omzetten in een beheersbare planningsoefening voor driedimensionale monitoringtaken in gebouwen, fabrieken en het milieu.

Bronvermelding: 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

Trefwoorden: draadloze sensornetwerken, 3D-plaatsing, multi-objectieve optimalisatie, zwermintelligentie, netwerkdekking en connectiviteit