تعد الشبكات الاستشعارية التقليدية المعتمدة على البطاريات محدودة في عمرها التشغيلي، مما يؤثر سلبًا على استخدامها في البيئات النائية وغير المستجيبة. ومع ازدياد الحاجة إلى حلول فعّالة، ظهرت الشبكات الاستشعارية القابلة لإعادة الشحن لاسلكيًا (WRSNs) كأحد الحلول الواعدة لتوسيع فترة عمل الشبكة.

لكن هذه الشبكات تحمل في طياتها تحديات خطيرة، لاسيما في التوازن بين زيادة معدلات بقاء العقد (node survival rates) وزيادة كفاءة طاقة الشحن (charging energy efficiency) في ظل الظروف التشغيلية المتقلبة. في هذا السياق، يقترح بحث جديد خوارزمية ذكاء اصطناعي متطورة لحل هذه المشكلة.

تركز الدراسة على سيناريو حيث تتحرك الشواحن المتنقلة لشحن الحساسات، مما يساعد على الحفاظ على الاتصال بين الشبكة ويقلل من هدر الطاقة. وقد تم صياغة مسألة تحسين متعددة الأهداف (multi-objective optimization problem) تهدف إلى تحقيق أقصى معدل لبقاء العقد في الشبكة وكفاءة استخدام الطاقة للشاحن المتنقل على مدار فترات زمنية متعددة.

تمتاز الخوارزمية المقترحة بأنها تعتمد على نظام تعلّم عميق مستند إلى الذاكرة قصيرة وطويلة الأمد (LSTM) لتوقع الأنماط الزمنية، ونموذج متعدد الطبقات لتوقع حالات المستقبل، وطريقة تقييم متغيرة الزمن لتحسين تفضيلات الديناميكية. أظهرت نتائج المحاكاة أن هذه الخوارزمية تتفوق بشكل كبير على الطرق التقليدية، حيث تحسن من كفاءة بقاء العقد وتوزع حلول باريتو المتنوعة بشكل فعّال. إضافةً إلى ذلك، فإن شبكة LSTM التي تم تعزيزها بالذكاء الاصطناعي تتقارب أسرع بنسبة 25% مقارنة بالشبكات التقليدية، مما يعكس قدرتها على التكيف مع الظروف المتغيرة بشكل فعّال.