Wielkoskalowy, energooszczędny routing sieci czujników przy użyciu procesora kwantowego

Protokół ten okazuje się być bardziej energooszczędny niż starsze protokoły. Z perspektywy badań nad przetwarzaniem treści, protokół ten pokazuje, że obecne wąskie gardło w postaci głośnego problemu z kubitami nie stanowi pułapu dla komercjalizacji technologii przetwarzania treści. Techniki te demonstrują wykonalność zastosowania obecnych, najnowocześniejszych metod przetwarzania treści do rozwiązywania problemów sieciowych.

Ponadto przedstawiono zalety stosowania metod przetwarzania treści do rozwiązywania problemów sieciowych w porównaniu ze starszymi metodami. Aby rozpocząć, pobierz i zainstaluj narzędzia Ocean z podanego linku. W terminalu wpisz python space minus m space venv space ocean, a następnie ocean/bin/activate.

Następnie wpisz git space clone space https:github.com/dwavesystems/dwave-ocean-sdk. git, następnie cd space dwave-ocean-sdk, a następnie python space setup. py space install.

Po pobraniu i zainstalowaniu Cplex, w terminalu wpisz space install space cplex. Korzystając ze skryptu notacji programowania w języku Python, skonfiguruj parametry konfiguracji eksperymentu. Po wykonaniu skryptu język bazowy będzie przetwarzał zmienne w pamięci RAM.

Następnie utwórz skrypty Pythona, aby wygenerować 198 pozycji 2D węzłów czujników, które są równomiernie rozproszone na sześć sektorów, i podziel okrągły obszar o promieniu 50 metrów. W każdym sektorze upewnij się, że 33 węzły czujników są rozmieszczone losowo w rozkładzie normalnym. Zapisz pozycje 2D w plikach tekstowych według każdego sektora pod regułą pisowni nazwy jako posdata z pojedynczym cudzysłowem, plus podkreślenie sektora bez plus txt z pojedynczym cudzysłowem.

Podziel okrągły obszar o promieniu 50 metrów na sześć sektorów. Dla indeksu sektora I ustaw długość bieguna dla węzła czujnika j-tego, wprowadzając wskazane polecenie. Jeśli indeks sektora wynosi L, ustaw wartość kątową dla j-tego węzła czujnika.

Następnie ustaw współrzędne kartezjańskie węzła czujnika j-tego w i-tym sektorze. Aby przygotować początkowe poziomy energii dla wszystkich 198 węzłów czujnika, podziel je równo, przydzielając energię początkową 0,5 dżula połowie węzłów czujnika i jeden dżul drugiej połowie. Kontynuuj tworzenie tablicy do przechowywania poziomu energii każdego węzła i użyj pętli, aby przypisać komórkom sekwencjonowanym w liczbach parzystych wartość jeden, a tym sekwencjonowanym w liczbach nieparzystych wartość 0,5.

Następnie przygotuj funkcjonalny skrypt, aby wybrać głowicę klastra. Dla każdego węzła czujnika osiągnij liczbę losową z zakresu od zera do jednego, threshold_rm równą losowości. losowy nawias.

Jeśli threshold_RM jest mniejsza niż t_n, wybierz ten węzeł czujnika jako głowicę klastra. Dla każdego węzła noncluster_head wybierz najbliższy mu węzeł czujnika głowicy klastra jako jego nagłówek klastra. Przygotuj wiersze poleceń do obliczenia procesu wyczerpywania się energii w całej sieci dla tej rundy.

Na koniec oblicz wymagane metryki rundy transmisji. Aby przygotować skrypt hybrydowego algorytmu kwantowego, uruchom procedurę wyboru w pętli, aby upewnić się, że liczba głowic klastra wynosi sześć. Następnie dla każdego z węzłów innych niż cluster_head_valid oblicz odległość do każdego wybranego nagłówka klastra i przypisz go do głowicy klastra, której rozmiar klastra nie przekroczył sześciu i w którym wartość odległości była najmniejsza.

Następnie przygotuj skrypt podfunkcji, w którym tworzony jest problem z optymalizacją rootowania dla każdego klastra i przesyłany do interfejsu API Dwave. Korzystając ze skryptu Pythona, oblicz wyczerpanie energii w całej sieci, aby ilościowo ocenić algorytm według czasu życia sieci pod względem liczby rund transmisji. Następnie nagraj moment, w którym pierwszy węzeł jest opróżniany i kiedy połowa węzłów jest opróżniana.

W tym badaniu zaobserwowano, że hybrydowy algorytm kwantowy ma większą wydajność niż algorytm advanced_leach. W tym miejscu przedstawiono również złożoność czasową hybrydowego algorytmu kwantowego i hybrydowego algorytmu kwantowego, który jest zgodny z advanced_leach. Metody te można zastosować do innych systemów w celu optymalizacji.

Na przykład komunikacja maszyna-maszyna w przemyśle wytwórczym. Zgodnie z fizyką treści, teoria treści utorowała problemy dla każdego ustalonego ustawienia gry. Może to prowadzić do nowych badań w dziedzinie nauk społecznych i ekonomii.