Маршрутизация в WSN на основе кластеров с оптимизацией MOGA и LSA

Умные сети для связанного мира

От мониторинга окружающей среды до «умных» фабрик и городов — крошечные беспроводные датчики тихо собирают и пересылают данные вокруг нас. Но у этих устройств на батарейках есть жесткое ограничение: когда энергия заканчивается, сеть может перестать работать. В статье исследуется новый способ организации и маршрутизации данных в таких беспроводных сенсорных сетях, который позволяет им дольше работать, тратить меньше энергии и надежнее доставлять данные — ключевые требования для будущего Интернета вещей и «умных» сред.

Почему у крошечных датчиков большая энергетическая проблема

Беспроводные сенсорные сети состоят из множества небольших устройств, разбросанных по территории, каждое из которых измеряет температуру, движение, загазованность или другие параметры. Передача данных по воздуху, особенно на большие расстояния, расходует значительно больше энергии, чем само измерение. Если бы каждый датчик напрямую передавал данные на центральную базовую станцию, удаленные устройства очень быстро сели бы, создавая пробелы в покрытии и сокращая срок жизни всей системы. Чтобы замедлить этот разряд, инженеры группируют датчики в кластеры. Внутри каждого кластера один датчик выполняет роль «лидера», собирая данные от соседей и пересылая их на базовую станцию. Выбор того, какие датчики должны стать лидерами, и как данные должны передаваться между ними, оказывается сложной задачей с множеством противоречивых целей.

Смешение двух цифровых «эволюционных» стратегий

Авторы предлагают гибридный метод оптимизации, который объединяет два алгоритма, вдохновленные природой: многоцелевой генетический алгоритм (MOGA) и алгоритм поиска молнии (LSA). MOGA имитирует эволюцию, рассматривая возможные варианты выбора лидеров кластеров как хромосомы, которые можно отбирать, скрещивать и мутировать. Он оценивает каждую конфигурацию по нескольким критериям одновременно: минимизация среднего расстояния между датчиками и их лидером, приближение лидеров к базовой станции и предпочтение лидеров с большим оставшимся зарядом батареи. За многие поколения MOGA сходится к набору решений по выбору лидеров, которое балансирует эти компромиссы, чтобы никакая область сети не была чрезмерно нагружена или слишком быстро не разряжалась.

Поиск лучших путей через сеть

После выбора хороших лидеров возникает следующая задача: каким образом данные должны перескакивать от лидера к лидеру на пути к базовой станции. Существуют многочисленные возможные маршруты с несколькими пересадками, и выбор лучшего снова является многокритериальной задачей. Здесь вступает в действие алгоритм поиска молнии. Вдохновленный ветвлением и схождением разрядов молнии, LSA стартует от кандидатных маршрутов, заданных кластерной схемой MOGA, и затем исследует альтернативные пути. Для каждого возможного маршрута он оценивает общее потребление энергии, задержку доставки от источника до стока и надежность доставки пакетов. Итеративно улучшая пути и избегая локальных тупиков, LSA находит глобальные маршруты, которые совместно минимизируют энергопотребление и задержку при максимизации успешной доставки.

Как новый метод показывает себя на практике

Чтобы протестировать подход, исследователи смоделировали сенсорные сети с 100 узлами с использованием стандартных инструментов и сравнили их гибридную MOGA–LSA схему с несколькими известными методами, включая LEACH, схемы на базе PSO и другие гибридные метаэвристические решения. В ходе тысяч раундов моделирования новый метод сократил общее энергопотребление примерно на 48 процентов, сделал расход энергии гораздо более равномерным между узлами и существенно увеличил время до первой потери датчика и отказа сети. При этом достигались очень высокие показатели доставки данных — выше 99 процентов — при низкой задержке передачи через сеть. Статистические тесты подтвердили, что эти улучшения не случайны, а отражают устойчивое преимущество гибридной конструкции.

Ограничения и дальнейшие шаги для практического применения

Хотя метод хорошо работает для статичных или медленно меняющихся развёртываний датчиков, авторы отмечают, что в условиях высокой динамики — например при подвижных узлах или быстро меняющихся беспроводных каналах — его эффективность может снижаться. В таких случаях структуру кластеров и оптимальные маршруты, возможно, потребуется пересчитывать чаще, что добавляет накладные расходы и может свести на нет экономию энергии. В статье предлагается в будущем исследовать другие комбинации алгоритмов поиска, расширить схему на трёхмерные раскладки (например, в зданиях или под водой) и адаптировать подход для сетей с более подвижными узлами.

Что это значит для повседневных технологий

Проще говоря, исследование показывает, что аккуратная координация группировки датчиков и передачи данных между ними может значительно продлить срок службы и повысить надёжность беспроводных сенсорных сетей. Позволяя двум дополняющим друг друга стратегиям оптимизации работать вместе — одной для выбора локальных лидеров и другой для поиска лучших глобальных маршрутов — система использует батарейную энергию гораздо разумнее. Для повседневных технологий на базе Интернета вещей, от «умных» домов до точного земледелия, такие подходы могут означать реже меняющиеся батареи, более стабильный мониторинг и более устойчивые развертывания в больших масштабах.

Цитирование: Tan, W., Wang, F. Cluster based WSN routing with MOGA and LSA optimization. Sci Rep 16, 9953 (2026). https://doi.org/10.1038/s41598-026-35584-5

Ключевые слова: беспроводные сенсорные сети, энергоэффективная маршрутизация, кластерная сеть, метаэвристическая оптимизация, интернет вещей