Квантово-ройный оптимизированный алгоритм DV-Hop для точной локализации слабых узлов в беспроводных сенсорных сетях

Более умные карты для невидимых сетей

Миллиарды крошечных сенсоров на батарейках теперь наблюдают за мостами, лесами, заводами и полями боя. Они тихо измеряют температуру, вибрацию, загрязнение или движение — а затем передают данные. Но эти показания полезны только если мы знаем, где именно находится каждый сенсор. В статье рассматривается на первый взгляд простая, но важная проблема: как с высокой точностью, быстро и с минимальным энергопотреблением определить местоположение дешёвых сенсоров без GPS, разбросанных по неровной местности?

Почему найти крошечные устройства так трудно

Беспроводные сенсорные сети похожи на цифровую пыль: множество маленьких устройств разбрасывают в зоне и оставляют самоорганизоваться. Лишь некоторые «якорные» узлы знают свои координаты, обычно с помощью GPS. Большинство сенсоров этого не делает, поскольку GPS дорог и энергозатратен. Классический метод DV-Hop оценивает расстояние в «хопах» по каналам связи между узлами, а затем переводит эти хопы в физическое расстояние. DV-Hop дешев и прост, но испытывает трудности при неравномерном расположении сенсоров или изменениях топологии сети. Расстояния искажаются, оценки местоположений смещаются, и полученные карты могут быть слишком неточными для задач вроде оповещения о бедствиях, военных целей или точного промышленного управления.

Помощь от стай животных и квантовых идей

Авторы предлагают два новых подхода к DV-Hop, позаимствованных у природы и квантовой физики. Первый — Quantum Golden Jackal Optimization (QGJO) — вдохновлён кооперативной охотой золотых шакалов. Второй — Quantum Bullhead Shark Optimization (QBSO) — имитирует способы, которыми бычьеголовые акулы обнаруживают, окружают и атакуют добычу. В обоих случаях «животные» — это математические агенты, исследующие разные гипотезы о местоположении неизвестных сенсоров. Квантоподобные элементы — например представление кандидатных решений в вероятностной форме — помогают рою параллельно изучать множество вариантов и избегать застревания в посредственных локальных оптимумах. Эти методы интегрированы в DV-Hop, благодаря чему оценки расстояний в хопах превращаются в существенно более точные предсказания координат.

Лучшее использование путей между сенсорами

Улучшение касается не только поведения роя. Авторы также переосмысливают использование путей сети. Вместо того чтобы опираться только на ближайший якорь, каждый сенсор учитывает как ближайший якорь, так и другие якоря, чьи коммуникационные пути имеют много общих промежуточных узлов — так называемые «похожие пути». Измеряя степень перекрытия разных путей, алгоритм придаёт больший вес тем, которые дают согласованную информацию о расстоянии. Смешанная информация о хопах поступает в квантовые рои, которые затем корректируют положения сенсоров, минимизируя несоответствие между оценёнными расстояниями и фактической структурой хопов в сети. В результате получается более точная карта без добавления нового оборудования или прямых измерений расстояния.

Испытания на жёстких эталонах

Чтобы проверить, не являются ли эти метафоры лишь красивой картинкой, авторы провели обширные компьютерные эксперименты. Сначала они испытали QGJO и QBSO на девяти стандартных математических функциях, известных множеством обманчивых пиков и впадин. Оба метода превзошли несколько признанных методов оптимизации, сходясь быстрее и находя лучшие решения. Затем алгоритмы встроили в DV-Hop и сравнили с двумя продвинутыми методами на базе китов (IWO-DV-Hop и EWO-DV-Hop) в 20 различных сценариях сети. Эти сценарии варьировали размер области, число сенсоров, долю якорей, радиус связи и даже моделировали помехи и подвижность. В почти всех случаях QGJO‑DV-Hop и особенно QBSO‑DV-Hop снизили среднюю ошибку позиционирования примерно на 10–30 процентов по сравнению с методами на базе китов, при этом требуя меньше итераций для сходимости.

Что это значит для сетей в реальном мире

Практический вывод ясен: авторы показывают, что можно локализовать множество простых дешёвых сенсоров гораздо точнее, действуя умнее, а не добавляя дорогое оборудование. Комбинируя подсказки о расстоянии на основе хопов с ройным поиском и квантоподобной случайностью, их методы дают более надёжные карты расположения узлов. Это, в свою очередь, делает данные из таких сетей гораздо более достоверными. Хотя работа пока подтверждена симуляциями, она указывает путь к будущим внедрениям в сложных трёхмерных средах — например под водой, внутри зданий или в городских каньонах — где GPS часто недоступен. Лучшая локализация означает более эффективные системы раннего оповещения, «умные» города и более устойчивый мониторинг критически важных систем, от которых мы зависим ежедневно.

Цитирование: Khan, Z.U., Gao, H., Ma, J. et al. Quantum swarm-optimized DV-Hop algorithm for accurate localization of weak nodes in wireless sensor networks. Sci Rep 16, 9029 (2026). https://doi.org/10.1038/s41598-026-38364-3

Ключевые слова: беспроводные сенсорные сети, локализация узлов, ройная оптимизация, алгоритмы с квантовым вдохновением, DV-Hop