Мультизадачная оптимизация размещения гетерогенных 3D БСП с использованием усовершенствованного алгоритма Genghis Khan shark

Умные датчики в трёхмерном мире

От мониторинга крон леса до управления умными зданиями и промышленными объектами — беспроводные сенсорные сети становятся невидимой нервной системой современной инфраструктуры. Но решить, где разместить сотни датчиков в сложном трёхмерном пространстве, сохраняя при этом связность и укладываясь в бюджет, — задача далеко не тривиальная. В этой статье предложён новый алгоритм, который помогает инженерам автоматически проектировать такие сети так, чтобы они контролировали каждый угол, надёжно передавали данные друг другу и при этом не тратили средства впустую.

Почему размещать датчики сложнее, чем кажется

Во многих реальных условиях датчики размещаются не на плоскости. Их устанавливают на потолках и стенах, проводят через оборудование или подвешивают в воздухе или воде. Разные типы датчиков видят и передают данные на разные расстояния и имеют разную стоимость. Список требований прост в формулировке, но сложен в реализации: каждая важная точка в объёме должна контролироваться несколькими датчиками (для надёжности), каждый датчик должен иметь возможность передать данные к базовой станции через цепочку соседей, а общая стоимость должна укладываться в бюджет. Попытка одновременно удовлетворить все три цели приводит к множеству конфликтующих решений, которые для крупных систем нельзя решить точно.

Баланс наблюдения, связи и затрат

Авторы описывают эту задачу проектирования как «мультизадачную»: необходимо одновременно максимизировать покрытие (сколько датчиков видят каждую целевую точку), максимизировать связность (сколько соседей доступно каждому датчику) и минимизировать общую стоимость. Они моделируют мониторимый объём как набор возможных площадок для установки датчиков и целевых точек, разбросанных в трёх измерениях. Некоторые площадки дороже в установке, например из‑за труднодоступности. Датчики относятся к нескольким классам, каждый с собственным радиусом обнаружения, радиусом связи и ценой. Кандидатный план — это бинарный выбор, какой тип датчика (если вообще какой‑либо) установить на каждой площадке. Проект должен соблюдать строгие правила: каждая целевая точка должна контролироваться как минимум заданным числом датчиков, и каждый установленный датчик должен иметь достаточно соседей, чтобы сеть оставалась устойчивой.

Поиск, вдохновлённый природой

Чтобы исследовать огромное пространство возможных проектов, статья опирается на ройный метод поиска, вдохновлённый охотничьим поведением, — оптимизатор Genghis Khan shark. Усиленная версия, EnMOGKSO, рассматривает каждый возможный проект сети как индивидуум в популяции, который перемещается по пространству поиска. Эти индивиды сначала широко исследуют пространство, затем постепенно сужают поиск вокруг перспективных областей, имитируя разведку и охоту. Важно, что метод хранит две базы памяти: одну для лучших найденных проектов и другую для необычных или редко исследованных вариантов. Такая двойная память помогает избегать застревания на одном узком семействе решений и вместо этого восстанавливает широкий набор компромиссов между покрытием, связностью и стоимостью.

От плавных чисел к конкретным схемам

Поскольку реальные решения — устанавливать или не устанавливать конкретный тип датчика — представляют собой бинарные выборы, их трудно плавно корректировать. EnMOGKSO обходится с этой проблемой, работая сначала с гладкими числовыми «оценками», которые выражают, насколько предпочтителен каждый тип датчика на каждой площадке. На каждом шаге оценки эти оценки переводятся в реальную раскладку путём выбора не более одного типа датчика на площадке и возможного оставления некоторых позиций пустыми. Полученная конфигурация затем тестируется: алгоритм вычисляет, сколько датчиков видят каждую целевую точку, строит граф связи, показывающий, какие датчики могут передавать данные друг другу, и суммирует стоимость установки. Проекты, нарушающие правила покрытия или связности, не отбрасываются сразу; вместо этого им присваивается рейтинг по степени нарушения, что позволяет поиску постепенно продвигаться к полностью валидным решениям.

Проверка метода на практике

Чтобы показать, что их подход не настроен под один пример, авторы сначала оценивают EnMOGKSO на стандартном наборе сложных математических тестовых задач, используемых для бенчмаркинга мультизадачных алгоритмов. По измерению близости результатов алгоритма к идеальным кривым компромиссов они обнаруживают, что EnMOGKSO обычно достигает лучшего разнообразия и точности по сравнению с несколькими известными альтернативами, включая популярные эволюционные и методы ройной оптимизации. Затем они переходят к реалистичным трёхмерным сценариям размещения датчиков. В самых разных условиях, при изменении требуемой избыточности покрытия и строгости связности, EnMOGKSO последовательно находит проекты, которые охватывают больше целей и поддерживают более плотные коммуникационные связи, чем сопоставимые методы, при стоимости, которая выше, но сравнительно стабильна.

Что это даёт для реальных сетей датчиков

Для практиков ключевой результат — не единая «оптимальная» раскладка, а набор качественных вариантов, показывающих компромисс между производительностью и затратами. Новый алгоритм, как правило, заполняет эту поверхность компромиссов более полно, облегчая инженерам выбор конфигурации, соответствующей их допуску к риску и бюджету. Работа показывает, что тщательно сконструированные ройные методы, учитывающие как физику обнаружения, так и логику сетевых связей, способны превратить иначе неразрешимую задачу проектирования в управляемое планирование для трёхмерного мониторинга зданий, заводов и окружающей среды.

Цитирование: 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

Ключевые слова: беспроводные сенсорные сети, 3D размещение, мультизадачная оптимизация, роевая интеллект, покрытие и связность сети