使用增强的成吉思汗鲨鱼算法进行3D异构无线传感器网络部署的多目标优化

三维世界中的更智能传感器

从监测森林冠层到管理智能建筑与工业厂区，无线传感器网络正成为现代基础设施的无形神经系统。但在复杂的三维空间中决定数百个传感器的放置位置——同时保证彼此连通并控制成本——远非易事。本文提出了一种新算法，帮助工程师自动设计这类网络，以覆盖每个角落、实现可靠通信，并在不浪费资金的前提下运行。

传感器布置比看上去更难

在许多实际场景中，传感器并非仅散布在平面上。它们可能安装在天花板和墙面上，穿插于机械设备之间，或悬挂在空气或水体中。不同类型的传感器在感知与通信距离以及价格上各不相同。设计者的愿望清单很容易表述但难以满足：体积内每个重要点应由若干传感器同时监测（以提高可靠性），每个传感器必须能够通过邻居链将数据传回基站，并且总成本应控制在预算内。试图同时满足这三项目标，会将设计问题变成充满冲突选择的迷宫，对于大规模系统无法精确求解。

在监测、通信与开支之间取得平衡

作者将这一设计挑战描述为“多目标”问题：他们希望同时最大化覆盖（有多少传感器能看到每个目标点）、最大化连通性（每个传感器能到达多少邻居）并最小化总成本。他们将被监测体积建模为一组可能的传感器安装点和分布在三维空间的目标点。有些安装点因难以到达而安装成本更高。传感器分为若干类别，每类具有各自的感知半径、通信范围和价格。一个候选设计即为在每个位置是否放置传感器以及放置哪类传感器的二元选择。设计必须遵守严格规则：每个目标必须至少被一定数量的传感器监测，且每个已安装的传感器必须拥有足够的邻居以保证网络的鲁棒性。

受自然启发的搜索队伍

为探索庞大的可能设计空间，论文基于一种受狩猎行为启发的群体搜索方法——成吉思汗鲨鱼优化器。增强版本 EnMOGKSO 将每个可能的网络设计视为种群中的个体，在搜索空间中移动。这些个体起初广泛漫游，随后逐步聚焦于有前景的区域，模拟探索与猎取过程。关键是，该方法保留了两个记忆库：一个存储迄今为止发现的最佳设计，另一个保存不寻常或稀疏探索到的设计。这种双重记忆有助于避免陷入单一狭窄解族，而是恢复覆盖、连通性与成本之间更广泛的折衷方案集合。

从连续分数到具体布局

由于实际决策（此处放置哪类传感器或不放）是二元的，很难进行平滑调整。EnMOGKSO 通过首先使用连续的“分数”来表达每个安装点上各传感器类型的偏好程度来规避这一问题。在每次评估步骤，这些分数被转换为实际布局：每个位置最多选择一种传感器类型，也可能留空。然后对生成的设计进行测试：算法计算有多少传感器能看到每个目标点，构建表示传感器间可通信关系的通信图，并统计安装总成本。违反覆盖或连通性规则的设计并不会被直接丢弃；相反，它们按失败程度被排序，使搜索能够稳步朝向完全合规的解爬升。

将方法付诸检验

为了证明其方法并非针对单一示例进行调参，作者首先在用于多目标算法基准测试的一组标准困难数学测试问题上评估 EnMOGKSO。通过衡量算法结果与理想折衷曲线的接近程度，他们发现 EnMOGKSO 通常在分布广度和精度上优于若干知名替代方法，包括流行的进化算法和粒子群方法。随后他们将方法应用于现实的三维传感器部署场景。在多种设置中（改变所需覆盖冗余和连通性严格程度），EnMOGKSO 一致地找到比竞争方法覆盖更多目标并维持更密集通信链路的设计，代价虽略高但相对稳定。

对现实传感器网络的意义

对实践者而言，关键结果不是单一“最佳”布局，而是一组高质量的可选方案，揭示了性能与费用之间的权衡。该新算法倾向于更完整地填充这一折衷曲面，使工程师更容易选择符合其风险承受度和预算的设计。研究表明，精心设计的群体方法在尊重感知物理特性与网络连接逻辑的同时，能够将原本难以处理的设计难题，转化为可管理的三维监测规划任务，适用于建筑、工厂与环境监测等场景。

引用: 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

关键词: 无线传感器网络, 三维部署, 多目标优化, 群体智能, 网络覆盖与连通性