Otimização multiobjetivo para implantação 3D heterogênea de RRS usando um algoritmo aprimorado Genghis Khan shark

Sensores mais inteligentes em um mundo tridimensional

Do monitoramento das copas das florestas à gestão de edifícios inteligentes e instalações industriais, as redes de sensores sem fio estão se tornando o sistema nervoso invisível da infraestrutura moderna. Mas decidir onde colocar centenas de sensores em um espaço tridimensional complexo — mantendo tudo conectado e dentro do orçamento — está longe de ser trivial. Este artigo apresenta um novo algoritmo que ajuda engenheiros a projetar automaticamente tais redes para que vigiem cada canto, se comuniquem de forma confiável entre si e façam isso sem desperdiçar recursos.

Por que posicionar sensores é mais difícil do que parece

Em muitos cenários reais, os sensores não estão apenas distribuídos num plano. Eles são montados em tetos e paredes, entrelaçados em maquinário ou suspensos no ar ou na água. Cada tipo de sensor pode detectar e comunicar a diferentes distâncias e tem um custo distinto. A lista de desejos dos projetistas é fácil de enunciar, mas difícil de satisfazer: cada ponto importante no volume deve ser monitorado por vários sensores (para confiabilidade), todo sensor deve ser capaz de encaminhar seus dados até uma estação base por meio de uma cadeia de vizinhos, e o custo total deve permanecer dentro do orçamento. Tentar atingir esses três objetivos ao mesmo tempo transforma o projeto num labirinto de escolhas conflitantes que não pode ser resolvido exatamente para sistemas de grande porte.

Equilibrando vigilância, comunicação e gastos

Os autores descrevem esse desafio de projeto como um problema “multiobjetivo”: querem simultaneamente maximizar a cobertura (quantos sensores veem cada ponto alvo), maximizar a conectividade (quantos vizinhos cada sensor alcança) e minimizar o custo total. Eles modelam o volume monitorado como um conjunto de possíveis locais para sensores e pontos-alvo espalhados em três dimensões. Alguns locais são mais caros que outros para instalação, por exemplo por causa de difícil acesso. Os sensores pertencem a várias classes, cada uma com seu próprio raio de detecção, alcance de comunicação e preço. Um projeto candidato é uma escolha sim/não de qual tipo de sensor, se houver algum, instalar em cada local. O projeto deve obedecer regras estritas: cada alvo deve ser monitorado por pelo menos um certo número de sensores, e cada sensor instalado deve ter vizinhos suficientes para manter a robustez da rede.

Uma busca inspirada na natureza

Para explorar o enorme espaço de projetos possíveis, o artigo baseia-se em um método de busca por enxame inspirado no comportamento de caça, chamado otimizador Genghis Khan shark. A versão aprimorada, EnMOGKSO, trata cada projeto de rede possível como um indivíduo em uma população que se movimenta pelo espaço de busca. Esses indivíduos vagueiam amplamente no início e depois gradualmente se concentram em regiões promissoras, imitando exploração e caça. De forma crucial, o método mantém dois bancos de memória: um que armazena os melhores projetos encontrados até o momento e outro que preserva projetos incomuns ou pouco explorados. Essa memória dupla ajuda a evitar ficar preso a uma única família estreita de soluções e, em vez disso, recupera um cardápio amplo de trade-offs entre cobertura, conectividade e custo.

De números suaves a layouts concretos

Como as decisões reais — instalar este tipo de sensor aqui ou não — são escolhas sim/não, elas são difíceis de ajustar de forma gradual. O EnMOGKSO contorna isso trabalhando primeiro com “pontuações” numéricas suaves que expressam quanto cada tipo de sensor é favorecido em cada local. A cada etapa de avaliação, essas pontuações são traduzidas em um layout real escolhendo, no máximo, um tipo de sensor por local e possivelmente deixando algumas posições vazias. O projeto resultante é então testado: o algoritmo calcula quantos sensores veem cada ponto-alvo, constrói um grafo de comunicação mostrando quais sensores podem conversar entre si e totaliza o custo de instalação. Projetos que violam as regras de cobertura ou conectividade não são descartados imediatamente; em vez disso, são ranqueados por quanto falham, permitindo que a busca avance gradualmente rumo a soluções totalmente válidas.

Colocando o método à prova

Para mostrar que sua abordagem não é ajustada a um único exemplo, os autores primeiro avaliam o EnMOGKSO em um conjunto padrão de problemas matemáticos difíceis usados para testar algoritmos multiobjetivo. Medindo quão próximos os resultados do algoritmo ficam das curvas ideais de trade-off, eles constatam que o EnMOGKSO tipicamente alcança melhor dispersão e precisão que várias alternativas bem conhecidas, incluindo métodos evolutivos e de enxame de partículas populares. Em seguida, aplicam-no a cenários realistas de implantação tridimensional de sensores. Em muitos cenários que variam a redundância exigida da cobertura e a rigidez da conectividade, o EnMOGKSO consistentemente encontra projetos que cobrem mais alvos e mantêm links de comunicação mais densos que métodos rivais, a um custo que é maior, porém comparativamente estável.

O que isso significa para redes de sensores no mundo real

Para os praticantes, o resultado-chave não é um único layout “melhor”, mas uma coleção de escolhas de alta qualidade que revelam o trade-off entre desempenho e despesa. O novo algoritmo tende a povoar essa superfície de trade-off de forma mais completa, facilitando para os engenheiros a escolha de um projeto que corresponda à sua tolerância ao risco e ao orçamento. O trabalho sugere que métodos de enxame cuidadosamente elaborados, que respeitam tanto a física da detecção quanto a lógica das conexões de rede, podem transformar um quebra-cabeça de projeto intratável em um exercício de planejamento manejável para tarefas de monitoramento tridimensional em prédios, fábricas e no ambiente.

Citação: 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

Palavras-chave: redes de sensores sem fio, implantação 3D, otimização multiobjetivo, inteligência de enxame, cobertura e conectividade de rede