Um algoritmo inteligente, bioinspirado, multiobjetivo e escalável de agrupamento assistido por VANTs em redes ad hoc aéreas

Enxames de Drones Mais Inteligentes no Céu

Imagine frotas de drones trabalhando em conjunto para procurar sobreviventes após um terremoto, monitorar incêndios florestais ou vigiar plantações. Para fazer isso bem, centenas de robôs voadores precisam se comunicar rapidamente sem esgotar suas baterias. Este artigo explora como organizar esses “enxames de drones” para que se mantenham conectados, reajam rapidamente e fiquem mais tempo no ar, emprestando ideias de uma fonte improvável: o comportamento de caça da ave-secretária.

Por Que Redes Aéreas São Difíceis de Domar

Drones modernos podem formar o que engenheiros chamam de Flying Ad Hoc Networks, ou FANETs—teias sem fio que existem apenas no ar. Ao contrário das redes terrestres, esses drones se movem em três dimensões, mudam de direção rapidamente e dependem de energia limitada das baterias. Se cada drone tentasse falar diretamente com todos os outros, os sinais colidiriam, os atrasos aumentariam e as baterias se esgotariam rapidamente. Uma solução popular é formar clusters: pequenos grupos de drones liderados por um “cabeça de cluster” que coordena mensagens locais e se comunica com outros líderes. Mas escolher quais drones devem se tornar líderes e quando reatribuir esses papéis à medida que o enxame se move é um quebra-cabeça em constante mudança.

Emprestando Truques de uma Ave Predadora

Os autores recorrem a uma ideia bioinspirada chamada Secretary Bird Optimization Algorithm (SBOA). As aves-secretárias são conhecidas por vasculhar amplas áreas, aproximar-se e golpear suas presas com chutes precisos. O SBOA reproduz esse padrão em software. Começa explorando muitas maneiras possíveis de designar cabeças de cluster pelo enxame de drones e, gradualmente, concentra-se nas opções mais promissoras. A cada etapa, faz três perguntas: os drones dentro de cada cluster estão suficientemente próximos? Os líderes escolhidos ainda têm carga de bateria suficiente? E a carga de trabalho está distribuída de forma justa, de modo que nenhum líder fique sobrecarregado enquanto outros ficam ociosos? Ao tratar isso como um problema multiobjetivo, o algoritmo equilibra distância, energia e justiça simultaneamente.

Testando Enxames de Drones em Mundos Virtuais

Para verificar se essa estratégia inspirada na ave ajuda, a equipe construiu simulações computacionais detalhadas. Eles colocaram entre 30 e 160 drones em espaços virtuais 3D de tamanhos variados, de um quilômetro quadrado até uma caixa vasta de 15 por 15 quilômetros, e os fizeram voar usando um modelo de mobilidade simples. O alcance de comunicação variou de 100 a 900 metros. Para cada cenário, o SBOA competiu contra três alternativas avançadas que também imitam comportamentos naturais: Fire Hawk Optimization (FHOA), Portia Spider Optimization (PSOA) e um método multiobjetivo baseado em fecundação de esperma (MOSFP). Os pesquisadores acompanharam quantos clusters se formaram, quão rápido uma estrutura estável emergiu, quão uniformemente as funções de liderança foram distribuídas e quanta “aptidão” as soluções alcançaram, combinando distância, consumo de energia e equilíbrio em uma única pontuação.

O Que as Simulações Revelaram

Em quase todos os testes, o SBOA saiu na frente. Regularmente obteve até 15% a mais de aptidão do que seus rivais, com cerca de 10% mais eficiência no agrupamento e aproximadamente 40% melhor equilíbrio de carga entre os líderes. Em experimentos baseados no tempo, a abordagem inspirada na ave-secretária alcançou um padrão de cluster estável em menos quadros de simulação, especialmente à medida que o número de drones aumentava. Mesmo em áreas 3D grandes e esparsas, onde os drones estão distantes, o SBOA manteve mais de 85% da melhor aptidão alcançável, o que indica que ele pode se adaptar tanto a enxames densos quanto a formações espalhadas. Ferramentas visuais, como gráficos de superfície, mapas t-SNE e diagramas violino, confirmaram que o SBOA produziu clusters mais compactos e distintos com menor variação na carga de trabalho dos líderes do que os outros métodos.

Da Simulação às Missões Reais

O estudo conclui que uma estratégia inspirada na ave-secretária oferece uma receita poderosa para gerenciar enxames de drones: mantém os drones agrupados de forma eficiente, distribui o trabalho de maneira justa entre os líderes e reage suavemente conforme as condições mudam. Para um leitor leigo, isso significa que frotas futuras de drones de resgate, agrícolas ou de monitoramento poderão permanecer conectadas por mais tempo, desperdiçar menos bateria e responder com mais confiabilidade, simplesmente organizando-se melhor. Os autores observam que fatores do mundo real—como rajadas de vento, erros de GPS e interferência de rádio—ainda precisam ser testados, e propõem adicionar previsão de movimento baseada em aprendizado e roteamento mais inteligente a seguir. Mas como um passo rumo a redes aéreas robustas, o SBOA mostra que observar como a natureza caça na savana pode ajudar a tornar nossos ajudantes robóticos muito mais capazes no céu.

Citação: Aslam, Z., Rahman, T., Husnain, G. et al. An intelligent bio-inspired multi-objective and scalable UAV-assisted clustering algorithm in flying ad hoc networks. Sci Rep 16, 4870 (2026). https://doi.org/10.1038/s41598-026-35196-z

Palavras-chave: enxames de drones, comunicação sem fio, algoritmos bioinspirados, redes energeticamente eficientes, redes ad hoc aéreas