Multiobjektiv optimering för 3D-heterogen WSN-utplacering med en förbättrad Genghis Khan-hajalgoritm

Smartare sensorer i en tredimensionell värld

Från övervakning av skogstak till styrning av smarta byggnader och industrianläggningar blir trådlösa sensornätverk det osynliga nervsystemet i modern infrastruktur. Men att bestämma var hundratals sensorer ska placeras i ett komplext tredimensionellt utrymme—samtidigt som allt hålls ihop och inom budget—är långt ifrån enkelt. Denna artikel presenterar en ny algoritm som hjälper ingenjörer att automatiskt utforma sådana nätverk så att de bevakar varje hörn, kommunicerar pålitligt med varandra och gör det utan onödiga kostnader.

Varför sensorns placering är svårare än den ser ut

I många verkliga miljöer ligger sensorer inte bara utspridda på en plan yta. De monteras i tak och på väggar, träs genom maskiner eller hänger i luft eller vatten. Varje sensortyp har olika räckvidd för detektering och kommunikation och har olika pris. Utformarnas önskelista är lätt att formulera men svår att uppfylla: varje viktigt ställe i volymen bör bevakas av flera sensorer (för tillförlitlighet), varje sensor måste kunna föra sin data vidare till en basstation genom en kedja av grannar, och de totala kostnaderna måste hållas inom budget. Att försöka uppnå alla tre målen samtidigt förvandlar utformningen till en labyrint av motstridiga val som inte går att lösa exakt för stora system.

Att väga bevakning, kommunikation och kostnad

Författarna beskriver denna utmaning som ett ”multiobjektivt” problem: de vill samtidigt maximera täckning (hur många sensorer som ser varje målpunk), maximera anslutbarhet (hur många grannar varje sensor kan nå) och minimera totalkostnaden. De modellerar den övervakade volymen som en uppsättning möjliga sensorplatser och målpunkter spridda i tre dimensioner. Vissa platser är dyrare att installera på, till exempel på grund av svår åtkomst. Sensorer tillhör flera klasser, var och en med sin egen detekteringsradie, kommunikationsräckvidd och pris. En kandidatlösning är ett ja/nej-val om vilken sensortyp, om någon, som ska placeras på varje plats. Utformningen måste följa strikta regler: varje mål måste bevakas av minst ett visst antal sensorer, och varje installerad sensor måste ha tillräckligt många grannar för att hålla nätverket robust.

En naturinspirerad sökexpedition

För att utforska det enorma rummet av möjliga utformningar bygger artikeln på en svärmbaserad sökmetod inspirerad av bytesjakt, kallad Genghis Khan shark optimizer. Den förbättrade versionen, EnMOGKSO, behandlar varje möjlig nätverksutformning som en individ i en population som rör sig genom sökutrymmet. Dessa individer vandrar vida i början för att sedan gradvis fokusera runt lovande regioner, vilket efterliknar utforskning och jakt. Viktigt är att metoden behåller två minnesbanker: en som lagrar de bästa designen som hittills hittats och en annan som bevarar ovanliga eller glest utforskade designalternativ. Detta dubbla minne hjälper till att undvika att fastna i en smal familj av lösningar och istället erbjuda en bred palett av kompromisser mellan täckning, anslutbarhet och kostnad.

Från släta siffror till konkreta layouter

Eftersom de faktiska besluten—att installera denna sensortyp här eller inte—är ja/nej-val är de svåra att justera mjukt. EnMOGKSO kringgår detta genom att först arbeta med släta numeriska ”poäng” som uttrycker hur mycket varje sensortyp föredras på varje plats. Vid varje utvärderingssteg översätts dessa poäng till en faktisk layout genom att välja högst en sensortyp per plats och eventuellt lämna vissa positioner tomma. Den resulterande designen testas sedan: algoritmen beräknar hur många sensorer som ser varje målpunk, bygger en kommunikationsgraf som visar vilka sensorer som kan prata med vilka, och summerar installationskostnaden. Designer som bryter mot täcknings- eller anslutningsreglerna kasseras inte omedelbart; istället rankas de efter hur allvarligt de misslyckas, vilket tillåter sökningen att stadigt klättra mot fullt giltiga lösningar.

Sätta metoden på prov

För att visa att deras angreppssätt inte är finjusterat för ett enda exempel utvärderar författarna först EnMOGKSO på en standarduppsättning svåra matematiska testproblem som används för att jämföra multiobjektiva algoritmer. Genom att mäta hur nära algoritmens resultat ligger idealiska kompromisskurvor finner de att EnMOGKSO vanligtvis uppnår bättre spridning och noggrannhet än flera välkända alternativ, inklusive populära evolutionära och partikel-svärmmetoder. De går sedan vidare till realistiska tredimensionella scenarier för sensurutplacering. I många olika inställningar som varierar krav på redundans i täckning och strikthet i anslutbarhet hittar EnMOGKSO konsekvent lösningar som täcker fler mål och upprätthåller tätare kommunikationslänkar än konkurrerande metoder, till en kostnad som är högre men jämförelsevis stabil.

Vad detta betyder för verkliga sensornätverk

För praktiker är det viktigaste resultatet inte en enda ”bästa” layout utan en samling högkvalitativa alternativ som visar avvägningen mellan prestanda och kostnad. Den nya algoritmen tenderar att fylla denna avvägningsyta mer helt, vilket gör det enklare för ingenjörer att välja en design som matchar deras tolerans för risk och budget. Arbetet antyder att väl utformade svärmmetoder, som respekterar både fysiken i detektering och logiken i nätverksanslutningar, kan förvandla ett annars olösligt designpussel till en hanterbar planeringsuppgift för tredimensionell övervakning i byggnader, fabriker och i miljön.

Citering: 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

Nyckelord: trådlösa sensornätverk, 3D-utplacering, multiobjektiv optimering, svärmintelligens, nätverkstäckning och anslutbarhet