Routage de réseau de capteurs économes en énergie à grande échelle à l’aide d’une unité de processeur quantique

Ce protocole s’avère plus économe en énergie que les protocoles existants. Du point de vue de la recherche sur l’informatique de contenu, ce protocole montre que le goulot d’étranglement actuel des problèmes de qubits bruités ne limite pas la commercialisation de la technologie de calcul de contenu. Cette technique démontre la faisabilité de l’application des méthodes actuelles de calcul de contenu à des problèmes de réseau.

De plus, il présente les avantages de l’application de méthodes de calcul de contenu aux problèmes de réseau par rapport aux méthodes traditionnelles. Pour commencer, téléchargez et installez les outils Ocean à partir du lien donné. Sur le terminal, tapez python space minus m space venv space ocean puis ocean/bin/activate.

Ensuite, tapez git space clone space https:github.com/dwavesystems/dwave-ocean-sdk. git puis cd space dwave-ocean-sdk, suivi de python space setup. Installation de l’espace py.

Après avoir téléchargé et installé Cplex, sur le terminal, tapez pip space install space cplex. À l’aide d’un script de notation de programmation Python, configurez les paramètres de configuration de l’expérience. Une fois le script exécuté, le langage sous-jacent va stocker les variables dans la RAM.

Ensuite, créez les scripts Python pour générer 198 positions 2D de nœud de capteur également dispersées en six secteurs, et divisez la zone circulaire avec un rayon de 50 mètres. À l’intérieur de chaque secteur, assurez-vous que les 33 nœuds de capteurs sont dispersés de manière aléatoire selon une distribution normale. Enregistrez les positions 2D dans des fichiers texte pour chaque secteur sous la règle d’orthographe du nom sous la forme posdata avec guillemet simple, plus le trait de soulignement du secteur pas plus txt avec un guillemet simple.

Segmentez la zone circulaire d’un rayon de 50 mètres en six secteurs. Pour l’index de secteur I, définissez la longueur du pôle pour le jème noeud de capteur en entrant la commande indiquée. Si l’index sectoriel est L, définissez la valeur angulaire du jème noeud de capteur.

Définissez ensuite les coordonnées cartésiennes du jème noeud du capteur dans le ième secteur. Pour préparer les niveaux d’énergie initiaux pour les 198 nœuds de capteurs, divisez-les de manière égale, en allouant une énergie initiale de 0,5 joule à la moitié des nœuds de capteur et un joule à l’autre moitié. Procédez à la création d’un tableau pour stocker le niveau d’énergie de chaque nœud et utilisez une boucle pour attribuer aux cellules séquencées en nombres pairs la valeur de un et à celles séquencées en nombres impairs la valeur de 0,5.

Ensuite, préparez un script fonctionnel pour sélectionner la tête de cluster. Pour chaque nœud de capteur, atteignez un nombre aléatoire compris entre zéro et un, threshold_rm égal à aléatoire. parenthèse aléatoire.

Si threshold_RM est inférieur à t_n, sélectionnez ce nœud de capteur comme tête de cluster. Pour chaque noeud noncluster_head, sélectionnez le noeud de capteur de tête de cluster le plus proche de celui-ci en tant que tête de cluster. Préparez les lignes de commande pour calculer le processus d’épuisement de l’énergie sur l’ensemble du réseau pour ce tour.

Enfin, calculez les métriques de cycle de transmission requises. Pour préparer un script d’algorithme quantique hybride, exécutez la procédure de sélection dans une boucle pour vous assurer que le nombre de têtes de cluster est égal à six. Ensuite, pour chacun des noeuds non cluster_head_valid, calculez la distance jusqu’à chaque tête de cluster sélectionnée et attribuez-la à la tête de cluster dont la taille de cluster n’a pas dépassé six et dont la valeur de distance était la plus petite.

Ensuite, préparez un script de sous-fonction où le problème d’optimisation de l’enracinement par cluster est formé et soumis à l’API Dwave. À l’aide d’un script Python, calculez l’épuisement de l’énergie sur l’ensemble du réseau pour évaluer quantitativement l’algorithme en fonction de la durée de vie du réseau en termes de nombre de cycles de transmission. Enregistrez ensuite le moment où le premier nœud est vidangé et où la moitié des nœuds sont évacués.

Dans cette étude, il a été observé que l’algorithme quantique hybride a plus d’efficacité que l’algorithme advanced_leach. La complexité temporelle de l’algorithme quantique hybride et de l’algorithme quantique hybride conforme à la advanced_leach sont également présentées ici. Ces méthodes peuvent être appliquées à d’autres systèmes dans le cadre de l’optimisation objective.

Par exemple, la communication de machine à machine dans l’industrie manufacturière. Selon la physique du contenu, la théorie du contenu a ouvert la voie à des problèmes pour chaque paramètre de jeu fixe. Elle peut déboucher sur de nouvelles recherches en sciences sociales et en économie.