Summary
Denna studie ger en metod för att använda en kvantprocessorenhet för att beräkna rutterna för olika trafikdynamiker som arbetar för att överträffa klassiska metoder i litteraturen för att maximera nätverkets livslängd.
Abstract
Metoden för energibesparing i sensornätverk, som är en användningshybrid av en klassisk dator och kvantprocessor, har visat sig fungera bättre än den heuristiska algoritmen med en klassisk dator. I detta manuskript presenteras och motiveras den tekniska kontexten för metodens betydelse. Sedan demonstreras de experimentella stegen i en operationssekvens med illustrationer om det skulle behövas. Metoden har validerats av positiva resultat över en slumpmässigt genererad provuppsättning av nätverkstopologier. De framgångsrika experimentella resultaten av denna metod har gett ett bättre tillvägagångssätt för problem med maximering av sensornätverkens livslängd och visat att den nuvarande kvantprocessorn har kunnat lösa stora praktiska tekniska problem med meriter som åsidosätter nuvarande metoder i litteraturen. Med andra ord kan kvantfördelen utnyttjas på bästa sätt. Det har gått längre än till konceptbevis till bevis på genomförbarhet.
Introduction
Energibesparing i sensornätverk har varit en mycket kritisk fråga inom design1. Klassiska metoder angriper normalt problemet med hjälp av en ad hoc-metod 2,3,4,5,6. Som sagt, dessa metoder emulerar sensornoderna som individuellt hanterade intelligenta tillgångar som också kan samarbeta för att tjäna både individens och samhällets intressen. På grund av den flyktiga miljön där sensorer arbetar introduceras i vissa verk slumpmässiga algoritmer för att fånga miljöosäkerheterna, medan biointelligens i andra fall lånas för att utforma heuristiska algoritmer som kan uppnå godtagbara resultat med sunt förnuft7. För att illustrera ytterligare, för dessa slumpmässiga algoritmer, för å ena sidan, kan miljöosäkerheter inte vara lika slumpmässiga som den slumpmässiga sekvens som genereras av en klassisk CPU, för andra sidan, även om miljöosäkerheterna är absolut slumpmässiga, kan de inte fångas av den slumpmässiga processsimulatorn som genereras av klassisk CPU; För dessa biointelligensalgoritmer har för det första ingen rigorös matematisk analys härletts för att få ett konceptuellt bevis att fungera, för det andra kan konvergensen till sanningen eller feltoleransgränsen endast konfigureras givet en informerad grundsanning - även om en betydande mängd arbeten i litteraturen i viss utsträckning har visat att dessa heuristiska algoritmer fungerar. För det första analyseras dessa algoritmer (inte simuleras) mot väldefinierade användningsfall, de stannar vid vissa kriterier som fortfarande är värda att begrunda i vidare forskning, för det andra, som tidigare nämnts, har en majoritet av algoritmerna inte validerats mot mjukvarusimulering som lättare kan användas i de mikroprocessorer som gör en sensor till sin varelse8.
Vi tar inte hänsyn till maskininlärning (ML) här eftersom den måste använda dataanalys som kräver en relativt stor volym beräkningskraft som inte är portabel i sensorenheter9.
För att åtgärda ovan nämnda problem tillhandahåller vi en hybridkvantalgoritm. Algoritmen är hybrid på så sätt att mekanismen för val av klusterhuvud implementeras med hjälp av en klassisk slumpmässig algoritm under routningsberäkningarna som utförs med hjälp av en kvantprocessor när nätverkstopologin har konfigurerats. Metoden är motiverad på följande sätt: (1) Som diskuterades i första stycket om miljöosäkerheter vill vi inte sträva efter att ytterligare tillämpa en kvantsekvensgenerator för att fånga miljödynamiken eftersom den kan vara historiskt spårbar. Den miljödynamik som historiskt kan spåras har motiverats av olika forskningsarbeten inom maskininlärning inom nätverksvetenskap. För det nuvarande skedet håller vi oss till det klassiska tillvägagångssättet. (2) Den exakta metoden som bygger på abstrakt matematisk analys garanterar att man kommer fram till den grundläggande sanningen. Kvantexperimentell fysik har hittills fått sofistikerat stöd av fysikalisk matematik. Dessutom har algoritmapplikationer som Shor-algoritmen10 funnits för att bevisa denna avrundade teori.
En tillräcklig mängd litteraturstudier ges nedan för jämförelse. HEESR-protokollet som föreslås11 har påvisbara fördelar i resultat, men författarna har specificerat simuleringskonfigurationsparametrarna väl, till exempel den exakta slumpmässiga fördelningsfunktionen för nodpositionen, den korrekta motiveringen av klusterhuvudets procentandel p (0,2 %) och skalningsparametern för fördelning av energinivå (1-2 joule) mellan noder a_i. Den förbjöd författaren att gå vidare med att duplicera experimenten och genomföra jämförelsen. Power routing-mekanismen12 använder kurvanpassningsmetoden för att approximera konvergerade kontinuerliga funktioner från diskreta datamängder som erhållits från ospecificerat provutrymme för determinanter som påverkar beslutsprocessen för den optimala nätverksroutningen. Kurvanpassningsmetod13 kräver förhandsinformation om nätverkstopologin. Verkliga omständigheter kanske inte har förhandsinformation lätt tillgänglig. Även om det finns tidigare information kanske nätverkstopologin inte är tillräckligt regelbunden för att kunna mappas till anpassningskurvor som kan underlätta härledda beräkningar. Enligt samma logik har DORAF-protokoll14 inte motiverat hur och varför man ska låna Boltzmann-funktionen och Logistic Function för att approximera nätverksdeterminanterna. Ismail et al.15 har tillhandahållit en bra referens för framtida forskningsinsatser om energieffektiv routingprotokolldesign i undervattensnätet.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Ställa in Dwave Ocean Environment
- Ladda ner och installera havsverktygen från länken: https://docs.ocean.dwavesys.com/en/stable/overview/install.html
- I terminalen skriver du python -m venv ocean.
- Vid terminalen skriver du . ocean/bin/activate, som visas i figur 1.
- I terminalen skriver du git clone https://github.com/dwavesystems/dwave-ocean-sdk.git
Skriv sedan cd dwave-ocean-sdk, som du ser i bild 2.
Skriv sedan python setup.py installera
Bild 1: Aktivering av virtuell havsmiljö. Ocean-paketet, som D-wave API integrerat, ger en molnig användarupplevelse över användarens egen dator till D-wave-maskinens lokal. Klicka här för att se en större version av denna figur.
Bild 2: Installation av Ocean SDK. Ocean-paketet tillhandahåller nödvändiga verktygssatser för utvecklare, inklusive en praktisk Cplex-installation. Klicka här för att se en större version av denna figur.
2. Installation av Cplex Python API-gränssnitt
- Ladda ner och installera Cplex: https://pypi.org/project/cplex/
- Vid terminalen skriver du pip install cplex.
3. Konfigurationsparametrar för experiment
- Konfigurera experimentkonfigurationsparametrarna som nämns i tabell 1 med hjälp av Python-programmeringsnotation i skriptet, som du ser i kompletterande bild 1. När skriptet har körts och körts bearbetas det underliggande språket för att lagra variablerna i RAM-minnet. En skärmdump av Python-koderna där parametrarna tilldelas respektive värden bifogas (kompletterande figur 1).
| d0 | 87.7085 m |
| E | 50 * 1 x 10-09 joule |
| epson_fs | 1 * 10-12 * 10 joule |
| epson_mp | 0,0013 * 1 * 10-12 joule |
| Paketets storlek | 4000 bitar |
Tabell 1: Parametrar för energimodell och inställningar för paketstorlek.
Kompletterande figur 1: Skript 1. Skript för att konfigurera experimentparametrarna. Klicka här för att ladda ner den här filen.
4. Python-skript
- Förbered Python-skripten för att generera 198 2D-positioner för sensornoder som är jämnt utspridda i sex sektorer som delar det cirkulära området med en radie på 50 m.
OBS: Den cirkulära grafen är uppdelad i 6 sektorer. I varje sektor behandlas positionen för varje nod med två motsvarande variabler. Den ena är vinkeln och den andra är radien. Tilldela värden till både vinkel och radie med hjälp av en enhetlig slumpmässig fördelningsgenerator. Det detaljerade förfarandet visas i kompletterande figur 2 och kompletterande figur 3. - Inom varje sektor, se till att de 33 sensornoderna sprids slumpmässigt med en normalfördelning. Spara 2D-positionerna i textfiler för varje sektor under stavningsregeln för namn som "posdata"+sector_no+".txt" (figur 3 och figur 4).
- Dela upp det cirkulära området med en radie på 50 m i sex sektorer. Startvinkelvärdena för dessa sex sektorer gör vektorn A= [60,120,180,240,300,360].
- Antag att sektorindexet är i, ställ in pollängden för j:e sensornoden som l_{i,j}=50*random.random()
- Antag att sektorindexet är i, ställ in vinkelvärdet för jth sensornoden som ang_{i,j}=(60*random.random() + A_i - 60) * 2 * pi / 360
- Ställ in de kartesiska koordinaterna för den j:te sensornoden iden andra sektorn som
x_{i,j}=l_{i,j}*cos(ang_{i,j})
y_{i,j}=l_{i,j}*sin(ang_{i,j})
- Dela upp det cirkulära området med en radie på 50 m i sex sektorer. Startvinkelvärdena för dessa sex sektorer gör vektorn A= [60,120,180,240,300,360].
Kompletterande figur 2: Skript 2. Skript för att konfigurera de två dimensionspositionsplatserna för varje nod efter sektor. Klicka här för att ladda ner den här filen.
Kompletterande figur 3: Skript 3. Skript för att konfigurera varje nodpositionsvärden inom 1 sektor. Klicka här för att ladda ner den här filen.
Figur 3: Nodpositioner som genereras och lagras separerade i 6 filer som var och en motsvarar en sektor. Tvådimensionella positionsplatser sparas i 6 posdata+'idx'-filer. Var och en presenterar en sektor. Klicka här för att se en större version av denna figur.
Figur 4: Nodpositioner lagrade i sektor 0. Positionerna är i två dimensioner och genereras med hjälp av en enhetlig slumpgenerator. Den första kolumnen är de vågräta platserna och den andra kolumnen är de lodräta platserna. Klicka här för att se en större version av denna figur.
5. Förbereda de initiala energinivåerna
- Förbered de initiala energinivåerna för alla 198 sensornoder. Tilldela hälften av dem med initial energi vid 0,5 J och den andra hälften med initial energi vid 1 J. Skapa en matris för att lagra varje nods energinivå och använd en slinga för att tilldela celler sekvenserade i jämna tal värdet 1 och de sekvenserade i udda tal värdet 0,5. Kompletterande figur 4 visar Python-koderna och resultatet visas i figur 5.
Kompletterande figur 4: Skript 4. Skript för att tilldela hälften av nodens energi på 1 joule och de andra 0,5 joule. Klicka här för att ladda ner den här filen.
Bild 5: Energy_buffer första tilldelningen. Hälften av noderna tilldelas energi 1 joule, medan de andra halvorna tilldelas 0,5 joule. Klicka här för att se en större version av denna figur.
6. Förbereda Advanced_Leach algoritmskript (figur 6 och figur 7)
- Förbered ett funktionellt skript där klusterhuvudet väljs och klustret bildas.
OBS: Klustret väljs med hjälp av en slinga under förutsättning att antalet valda klusterhuvuden är mindre än det totala antalet noder dividerat med 6. Villkoret är att se till att källnodens mängd i varje kluster är lika med eller mindre än 6. I loopen tilldelas varje nod ett slumptal mellan [0,1]. De som är mindre än ett visst kriteriumnummer blir klusterhuvudet, medan andra blir källnoderna. Det detaljerade förfarandet visas i kompletterande figur 5. Med en fast pool med klusterhuvuden väljer resten av källnoderna sina klusterhuvuden inom det kortaste avståndet, med tanke på att klusterhuvudet inte har varit värd för fler än 6 källnoder ännu. Det detaljerade förfarandet visas i kompletterande figur 6.- Ange T_n=P/(1-P*(count%(1/P))), där P = 0,2 (den proportionella hastigheten för antalet klusterhuvuden till den totala nätverksstorleken) och antalet är mängden överföringsavrundning fram till datum.
- För varje sensornod uppnår du ett slumptal mellan [0,1] threshold_rm = random.random()
- Om threshold_rm är mindre än T_n väljer du den här sensornoden som klusterhuvud.
- För var och en av noderna som inte cluster_head väljer du den sensornod för klusterhuvud som ligger närmast den som klusterhuvud. Med en fast pool med klusterhuvuden väljer resten av källnoderna sina klusterhuvuden inom det kortaste avståndet, med tanke på att klusterhuvudet inte har varit värd för fler än 6 källnoder ännu. Det detaljerade förfarandet visas i kompletterande figur 6.
- Förbered kommandoraderna för att beräkna energiutarmningsprocessen över hela nätverket för den här omgången. För varje körning av algoritmen som slutför en batch med leveranser av paketen från källnoderna till mottagaren, kommer energilagringsmatrisen som förberedd att uppdateras för att ha reducerade cell för cell i värden. Energiförbrukningen längs vägen blir summan av energiförbrukningen per nod-till-nod-rutt, som beräknas enligt en energimodell1. Det detaljerade förfarandet visas i kompletterande figur 7.
- Beräkna de nödvändiga mätvärdena för överföringsrundan.
OBS: För varje körning av algoritmen för att slutföra en batch paketleverans uppdateras energimatrisen, körmängden och antalet dränerade noder räknas. Om värdet är större eller lika med 1 är FND (första nodmatrisen) lika med den aktuella körmängden. Om värdet är större eller lika med hälften av nodmängden är HND(halva nodtärningen) lika med den aktuella körningsmängden. Om värdet är lika med det totala nodbeloppet är AND(all node die) lika med den aktuella körningsmängden. Det detaljerade förfarandet visas i kompletterande figur 8.
Bild 6: Klusterhuvudmatris. Sekvensnumren för de noder som har valts som klusterhuvuden. Klicka här för att se en större version av denna figur.
Bild 7: Indexmatris för klusterhuvud. Eftersom det finns sex sektorer, var och en med 33 sensornoder, i klusterhuvudets indexmatris, anger numret sekvensnumret för klusterhuvudet som motsvarande sensornod tillhör. Matrisens positionsindex motsvarar sekvensnumret för varje sensornod. För sensornoden som har valts som klusterhuvud är det nummer som tilldelats dess plats i matrisen sekvensnumret för sig självt. Klicka här för att se en större version av denna figur.
Kompletterande figur 5: Skript5. Skript för att välja klusterhuvudet. Klicka här för att ladda ner den här filen.
Kompletterande figur 6: Skript 6. Skript för att tilldela källnoder till kluster. Klicka här för att ladda ner den här filen.
Kompletterande figur 7: Skript 7. Skript för att uppdatera energibufferten för alla källnoder genom minskning av mängden energi som förbrukas genom överföring. Klicka här för att ladda ner den här filen.
Kompletterande figur 8: Skript 8. Skript för att beräkna antalet avrundningar uppåt som den första noden dör till och hälften av noderna dör. Klicka här för att ladda ner den här filen.
7. Förbereda skript för hybridkvantalgoritm
- Förbered ett fungerande skript där klusterhuvudet väljs och klusterhuvudet bildas.
- Eftersom den maximala klusterstorleken är 6 i detta experiment1, se till att antalet klusterhuvuden inte är mindre än current_valid_node_amount/6, urvalsproceduren kommer att köras i en slinga tills detta kriterium är uppfyllt.
Om current_valid_node_amount inte är större än 6 utgör dessa giltiga noder ett och endast kluster själva. - För var och en av de icke-cluster_head_valid noderna beräknar du avståndet mellan den och var och en av de valda klusterhuvudena och tilldelar det klusterhuvudet vars klusterstorlek inte har överskridit 6 där avståndsvärdet är minst.
I figur 8 beräknas alla icke-cluster_head_valid noders avstånd till det valda klusterhuvudet 24 och alla valda klusterhuvuden visas i figur 9. Bild 10 visar att alla noder har tilldelats motsvarande klusterhuvud, och bild 11 visar gruppering av varje klusters medlemsnoder i en vektormatris.
- Eftersom den maximala klusterstorleken är 6 i detta experiment1, se till att antalet klusterhuvuden inte är mindre än current_valid_node_amount/6, urvalsproceduren kommer att köras i en slinga tills detta kriterium är uppfyllt.
- Förbered underfunktionsskriptet, där routningsoptimeringsproblemet per kluster bildas och skickas till D-wave-API:et (figur 12). Routningssökvägarna beräknas kluster för kluster.
- Med hjälp av Python-skript kan du beräkna energiutarmningsprocessen över hela nätverket för att kvantitativt utvärdera algoritmen efter nätverkets livslängd när det gäller antalet överföringsrundor.
OBS: För varje körning av algoritmen som slutför en batch med leveranser av paketen från källnoderna till diskbänken, kommer energilagringsmatrisen som förberetts att uppdateras för att ha reducerats cell för cell i värden. Energiförbrukningen längs vägen kommer att vara summan av energiförbrukningen per nod-till-nod-rutt, beräknad enligt en energimodell1. Det detaljerade förfarandet visas i kompletterande figur 7. - Med hjälp av Python-skript registrerar du det ögonblick då den första noden töms ut och när hälften av noderna töms ut. Det detaljerade förfarandet visas i kompletterande figur 8.
Bild 8: toClusterHeadDistance Matris för icke-cluster_head nod med index 24. Den första kolumnen är avståndet och den andra kolumnen är klusterhuvudets indexnummer Klicka här för att se en större version av denna figur.
Bild 9: CHID_buff matris. Sekvensnummer för de sensornoder som har valts som klusterhuvuden. Klicka här för att se en större version av denna figur.
Bild 10 CHIdx_buff matrisen. Tilldelat sekvensnummer för klusterhuvudsensornoder till varje motsvarande sensornod. Klicka här för att se en större version av denna figur.
Bild 11: CH_BUFF matris. Klustergrupp per sensornod för klusterhuvud som motsvarar matrisens CHID_buff. Varje klustergrupp består av 0 eller fler än 0 sensornoder. Varje klustergruppmatris visar sekvensnumren för sensornoder som finns i den. Klicka här för att se en större version av denna figur.
Bild 12: Beräkning av routningsbana per sektor. För varje sektor beräknas routningssökvägarna för alla källnoder. Klicka här för att se en större version av denna figur.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Resultat från ett körningsexempel visas i tabell 2, tabell 3 och tabell 4. Detaljerade datamaterial för de tre materialpartierna finns i mappen Kompletterande uppgifter 1 .
| Datauppsättning 1 | ||
| 198 noder i ett cirkulärt område med en radie på 50m | Hybrid kvantalgoritm | Advanced_Leach algoritm |
| FNS | 1442 | 727 |
| HND | 2499 | 1921 |
Tabell 2: Omgång 1 av resultaten från försöket.
| Datauppsättning 2 | ||
| 198 noder i ett cirkulärt område med en radie på 50m | Hybrid kvantalgoritm | Advanced_Leach algoritm |
| FNS | 757 | 1463 |
| HND | 1925 | 2500 |
Tabell 3: Omgång 2 av resultaten från försöket.
| Datauppsättning 3 | ||
| 198 noder i ett cirkulärt område med en radie på 50m | Hybrid kvantalgoritm | Advanced_Leach algoritm |
| FNS | 790 | 1461 |
| HND | 1888 | 2500 |
Tabell 4: Omgång 3 av resultaten från försöket.
Tre mätvärden väljs med definitionerna4 enligt nedan:
FNS - första nod dör. Antalet sändningar avrundas uppåt till vilka den första sensornodens energi dräneras;
HND - halv nod matris. Antalet sändningar avrundar uppåt till vilken hälften av sensornodernas energi dräneras ut;
LND - sista nodtärningen. Antalet sändningar avrundar uppåt till vilket hela sensornätverket är dött.
Från resultaten kan vi se att hybridkvantalgoritmen har mer effektivitet än advanced_leach-algoritmen.
Ytterligare resultat av tidskomplexiteten för den föreslagna metoden och överensstämmelsediagrammet visas i figur 13 respektive figur 14.
Bild 13: Tidskomplexitet för hybridkvantalgoritmen. Tid i sekundenheten som spenderas på att köra en cykel av HQA över olika nätverksstorlekar. Klicka här för att se en större version av denna figur.
Bild 14: Resultat av hybridkvantalgoritmen som överensstämmer med Advanced Leach-algoritmen. FNS och HND eller HQA och ALA har ett liknande mönster i diagrammets form. Klicka här för att se en större version av denna figur.
Kompletterande data 1: Datauppsättning för de tre experimentsatserna som utfördes i denna studie. Klicka här för att ladda ner den här filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Den nuvarande toppmoderna kommersiella kvantprocessorn kan användas i beräkningsproblem för alla nätverkstopologier1. Kvantprocessorprogrammet begränsas inte av antalet fysiska qbits som någon av kvantprocessorerna har kunnat implementera.
I design av förlängning av sensornätverkets livslängd visar resultaten ett framsteg i metoden för att uppnå ännu längre nätverkslivslängd genom att använda en kvantprocessor. Resultaten tyder på att kvantfördelen är redo att utnyttjas kommersiellt inom både offentlig och privat sektor.
När det gäller ledningens konsekvenser kan Quantum Advantage vara nästa milstolpe för att bana en lovande väg för ett hållbart välstånd inom en snar framtid med högteknologi. Nuvarande Hi-Tech, när det gäller inlärningsstrategi och/eller artificiell intelligens (AI), kräver i alla metoder kraftdrivkraften för att bearbeta/hålla data. Ur ett övergripande perspektiv på Green Globe framstår det inte som en bra kandidat16. ML/AI, även om det gör beräkningarna mer ekonomiskt effektiva, ger inte en analytisk lösning för grundorsaken eftersom effektiv databehandling byts ut mot beräkningsanläggningar med hög effekt. Därför är de i grunden avgränsade av den högpresterande datorn (HPC). Kvantdatorer, som revolutionerar datorparadigmet, har visat sig vara effektiva när det gäller att beräkna snabbare än äldre datorer i flera praktiska testtillämpningar17,18. Kvantassisterad ML, enligt författaren, är PML (probabilistisk maskininlärning). ML-algoritmen (skript/programmeringsspråk på hög till låg nivå) körs på en databehandlingsenhet som kan vara antingen en klassisk dator eller kvantberäkning. Med samma ML-algoritm för körbara kommandorader n kan f_cc(n) ange förbrukningen i beräkningen för klassiska datorer och f_qc(n) ange förbrukningen i beräkningen för kvantdatorer. f_cc(n) är en viktad summering av beräkningsförbrukningen av klassisk datorkörbar alpha_i för n-kommandoraderna. f_qc(n) är en lika viktad summering av beräkningsförbrukningen av körbara kvantdator alpha_j för samma n kommandorader. Vikterna förblir oförändrade eftersom ML-kommandoraderna på den övre nivån är lika desamma. Enkelt uttryckt har detta arbete och tidigare arbete1 visat att alpha_j alltid är mindre än alpha_i så f_qc(n) är alltid mindre än f_cc(n).
När det gäller akademiska implikationer används tidigare etablerade processorer/datoranläggningar konventionellt för att hjälpa forskare att tänka/generera/utveckla sina idéer och planer. Kvantdatorer visar att forskarnas metodologiska tillvägagångssätt väntar på en episk utveckling. Det kan vara omvälvande men optimistiskt. Från och med nu måste forskare som inte är vana vid teoretisk algoritmdesign/analys arbeta hand i hand för att utforma/generera kvantalgoritmer för att lösa sitt forskningsämne. De flesta kvantalgoritmer för praktisk forskning är inte lättillgängliga. I en mening förändrades forskarnas datorutrustning. Konfiguration av virtuell miljö och QPU API är helt beroende av en tillfredsställande internetanslutning.
Studiens begränsningar inkluderar: (i) Länkkapacitet har inte beaktats1. Paketförlustfrekvensen ignoreras. Framtida arbeten kommer att ta hänsyn till det underliggande sensornätverksprotokollet för att på lämpligt sätt formulera problemet med hänsyn till både energiförbrukning och förlustkontroll (antingen med ett återöverföringsschema eller inte). ii) Nätverkstopologin antas vara känd i förväg. Nodpositionerna är fasta. (iii) Den tid som krävs för att köra hybridkvantalgoritmen per omgång är längre än den avancerade leachalgoritmen, men med högre noggrannhet. (iv) Algoritmen kunde inte fungera offline.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Ingen
Acknowledgments
Arbetet stöds av Engineering and Physical Sciences Research Council of the UK (EPSRC) Grant number EP/W032643/1.
Materials
| Name | Company | Catalog Number | Comments |
| Dell Laptop | Dell | N/A | |
| Ubuntu 18.04.6 LTS | Canonical Ltd | 18.04.6 LTS | |
| Python3.8 | Python Software Foundation | 3.8.0 | |
| Dwave QPU | Dwave | https://docs.ocean.dwavesys.com/en/stable/overview/install.html |
References
- Chen, J., Date, P., Chancellor, N., Atiquazzaman, M., Cormac, S. Controller-based energy-aware wireless sensor network routing using quantum algorithms. IEEE Transactions on Quantum Engineering. 3, 1-12 (2022).
- Lin, H., Uster, H. Exact and heuristic algorithms for data-gathering cluster-based wireless sensor network design problem. IEEE/ACM Transactions on Networking. 22 (3), 903-916 (2014).
- Zhou, Y., Wang, N., Xiang, W. Clustering hierarchy protocol in wireless sensor networks using an improved PSO algorithm. IEEE Access. 5, 2241-2253 (2017).
- How long is the lifetime of a wireless sensor network. Seah, W. K. G., Mak, N. H. 2009 International Conference on Advanced Information Networking and Applications, Bradford, UK, , 763-770 (2009).
- Salahud din, M., Rehman, M. A. U., Ullah, R., Park, C., Kim, B. S. Towards network lifetime enhancement of resource constrained IoT devices in heterogeneous wireless sensor networks Sensors. 20, 4156 (2020).
- Wu, W., Xiong, N., Wu, C. Improved clustering algorithm based on energy consumption in wireless sensor networks. IET Network. 6 (3), 7-53 (2017).
- Kumar, N., Kumar, V., Ali, T., Ayaz, M. Prolong network lifetime in the wireless sensor networks: An improved approach. Arabian Journal for Science and Engineering. 46, 3631-3651 (2021).
- Faris, H., Aljarah, I., Al-Betar, M. A., Mirjalili, S. Grey wolf optimizer: A review of recent variants and applications. Neural Computing and Applications. 30, 413-435 (2018).
- Kaur, J., Arifkhan, M., Iftikhar, M., Imran, M., Haq, A. Machine learning techniques for 5G and beyond. IEEEAccess. 9, 23472-23488 (2021).
- Shor, P. Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer. SIAMJournalonComputing. 26 (5), 1484-1509 (1997).
- Qabouche, H., Sahel, A., Badri, A. Hybrid energy efficient static routing protocol for homogeneous and heterogeneous large scale WSN. Wireless Networks. 27, 575-587 (2021).
- Farooq, M., et al. POWER: probabilistic weight-based energy-efficient cluster routing for large-scale wireless sensor networks. The Journal of Supercomputing. 78, 12765-12791 (2022).
- Maddams, W. F. The scope and limitations of curve fitting. Applied Spectroscopy. 34 (3), 245-267 (1980).
- Wang, X., et al. A dynamic opportunistic routing protocol for asynchronous duty-cycled WSNs. IEEE Transactions on Sustainable Computing. , (2023).
- Ismail, A. S., Wang, X., Hawbani, A., Alsamhi, S., Aziz, S. Routing protocols classification for underwater wireless sensor networks based on localization and mobility. Wireless Networks. 28, 797-826 (2022).
- Garcia-Martin, E., Rodrigues, C. F., Riley, G., Grahn, H. Estimation of energy consumption in machine learning. Journal of Parallel Distributed Computing. 134, 75-88 (2019).
- Egger, D. J., et al. Quantum computing for finance: State-of-the-art and future prospects. IEEE Transactions on Quantum Engineering. 1, 1-24 (2020).
- Rasool, R. U., Ahmad, H. F., Rafique, W., Qayyum, A., Qadir, J. Quantum computing for healthcare : A review. TechRxiv. , (2021).
