Optimización de la posición de transmisores inalámbricos mediante algoritmos heurísticos

Abstract

Diseñar redes inalámbricas dentro de edificios representa uno de los retos más complejos en la ingeniería de telecomunicaciones actual, Los muros, estructuras arquitectónicas y todo tipo de obstáculos físicos causan pérdidas importantes en como viajan las ondas de radiofrecuencia creando espacios donde la señal es débil generando interferencias y desperdiciando el potencial de la red. Por eso, elegir correctamente donde colocar los transmisore inalámbricos es fundamental si queremos mantener una calidad de servicio decente y una cobertura confiable. Este trabajo presenta una estrategia para mejorar la posición de transmisores inalámbricos en entornos interiores mediante métodos heurísticos de optimización. La metodología toma como base los planos arquitectónicos de edificios procesándolos con algoritmos de procesamiento de imágenes para reconocer automáticamente donde están las paredes, zonas habitables y cuales sitios es posible instalar equipos transmisores. Posteriormente, se implementa un modelo de propagación basado exclusivamente en pérdidas por muros y pisos, el cual permite estimar el nivel de potencia recibida en cada punto del escenario. La optimización se realiza mediante los algoritmos heurísticos Particle Swarm Optimization y Mean-Variance Mapping Optimization; los cuales buscan maximizar un indicador clave de desempeño basado en el porcentaje de cobertura del área habitable. La metodología considera restricciones relacionadas con la distancia entre transmisores, distancia mínima a muros y exclusión de zonas no aptas como pasillos estrechos o áreas externas al plano. Los resultados obtenidos hacen posible establecer de forma automática las mejores posiciones donde colocar transmisores inalámbricos en interiores con distintas medidas y formas, consiguiendo una mejora sustancial en la cobertura de la red frente a los esquemas tradicionales. Se lleva a cabo un análisis comparativo entre Particle Swarm Optimization y Mean-Variance Mapping Optimization, lo cual facilita reconocer sus fortalezas y debilidades con respecto al desempeño de las soluciones y la velocidad en que convergen.