LLM - Assissted Wireless Sensor Coverage Optimization
Translated title
Base station optimization using LLM
Author
Xie, Yutao
Term
4. semester
Education
Publication year
2026
Submitted on
2026-06-03
Abstract
This thesis examines how to place and control wireless sensors so they cover as large an area as possible, while limiting energy use, the number of active nodes, or movement costs. Instead of only searching for good numeric deployment configurations, the thesis explores how large language models (LLMs) can help design the actual search procedures (heuristics) at the program level. Using the OpenEvolve framework, simple seed programs are gradually rewritten and improved by an LLM into executable run_design programs. The work considers two main scenarios: one with fixed sensors, where the task is to decide which sensors are active and what sensing radius they use, and one with mobile sensors that can be moved (redeployment). These settings allow program‑level search to be tested both for discrete decisions (on/off choices and radius selection) and for continuous geometric movement. Three experiments are presented. In Experiment 1, the LLM evolves a prune‑shrink‑repair heuristic: it first removes sensors that only add overlapping coverage (exclusive‑coverage pruning), then systematically reduces their sensing radii using a binary‑search strategy (radius shrinking), and finally applies a safety repair step to avoid coverage holes. Experiment 2 shows that refining and adjusting the prompt can steer the search away from dense, high‑coverage solutions toward sparser solutions that still achieve nearly full coverage, thereby trading coverage density for fewer active sensors. In Experiment 3, the LLM first develops a force‑based policy for moving mobile sensors, and this policy is then manually refined with human guidance using ideas from Voronoi diagrams and circumcenters—geometric tools for distributing points evenly over an area. The results do not claim that LLM‑based program evolution is a universally superior optimization method. Instead, they demonstrate that LLM‑evolved heuristic programs can be competitive, transparent to inspect, and well suited for further improvement through human‑LLM collaboration.
Denne afhandling handler om, hvordan man bedst placerer og styrer trådløse sensorer, så de dækker så stort et område som muligt, uden at bruge unødigt meget energi eller have for mange sensorer aktive på én gang. I stedet for kun at lede efter gode talværdier for sensorernes placering, undersøger afhandlingen, hvordan store sprogmodeller (LLM’er) kan hjælpe med at udvikle selve de programmer (heuristikker), der styrer søgeprocessen. Det sker gennem OpenEvolve‑rammeværket, hvor simple startprogrammer gradvist omskrives og forbedres af en LLM til nye run_design‑programmer, som kan køres direkte. Afhandlingen ser både på et scenarie, hvor sensorer står fast og man vælger, hvilke der skal være aktive og med hvilken rækkevidde, og på et scenarie, hvor sensorer kan flyttes (mobil redeployment). De to situationer gør det muligt at undersøge program‑niveau søgning både ved diskrete valg (tænd/sluk og radiusvalg) og ved kontinuerte geometriske bevægelser. Der gennemføres tre eksperimenter. I eksperiment 1 udvikler LLM’en en heuristik efter en prune‑shrink‑repair‑struktur: først fjernes sensorer, der kun bidrager med overlappende dækning (exclusive‑coverage pruning), derefter justeres deres rækkevidde systematisk med en binærsøgnings‑strategi (binary‑search shrinking), og til sidst foretages en sikkerhedsreparation for at undgå huller i dækningen. I eksperiment 2 vises, at det at ændre og præcisere prompten kan få LLM’en til at søge efter løsninger, der ikke kun maksimerer dækningen, men også bruger færre sensorer – altså skifte fokus fra meget tætte høj‑dækningsløsninger til mere spredte løsninger med næsten fuld dækning. I eksperiment 3 udvikler LLM’en først en kraft‑baseret strategi for at flytte mobile sensorer, og derefter forbedres strategien manuelt med menneskelig hjælp inspireret af Voronoi‑diagrammer og cirkumcentre (geometriske begreber til at fordele punkter jævnt i et område). Resultaterne viser ikke, at LLM‑baseret programevolution altid er den bedste optimeringsmetode. De viser derimod, at LLM‑udviklede heuristiske programmer kan være konkurrencedygtige, gennemskuelige og velegnede til videre forbedring gennem samarbejde mellem mennesker og LLM’er.
[This abstract has been rewritten with the help of AI based on the project's original abstract]
Keywords