Summary
توفر هذه الدراسة طريقة لاستخدام وحدة المعالج الكمي لحساب المسارات لديناميكيات حركة المرور المختلفة التي تعمل على التفوق على الطرق الكلاسيكية في الأدب لزيادة عمر الشبكة إلى أقصى حد.
Abstract
أثبتت طريقة الحفاظ على طاقة شبكة المستشعر ، وهي عبارة عن مزيج استخدام للكمبيوتر الكلاسيكي والمعالج الكمومي ، أنها تعمل بشكل أفضل من الخوارزمية الإرشادية باستخدام الكمبيوتر الكلاسيكي. في هذه المخطوطة ، يتم تقديم السياق الفني لأهمية الطريقة وتبريره. ثم يتم عرض الخطوات التجريبية في تسلسل تشغيلي مع الرسوم التوضيحية إذا لزم الأمر. تم التحقق من صحة الطريقة من خلال النتائج الإيجابية عبر مجموعة عينة تم إنشاؤها عشوائيا من طبولوجيا الشبكة. قدمت النتائج التجريبية الناجحة لهذه الطريقة نهجا أفضل لمشاكل تعظيم عمر شبكة المستشعر وأظهرت أن المعالج الكمومي الحالي كان قادرا على حل المشكلات الهندسية العملية الكبيرة بمزايا تتجاوز الأساليب الحالية في الأدبيات. بمعنى آخر ، يمكن استغلال الميزة الكمومية بأفضل الجهود. لقد تجاوز مرحلة إثبات المفهوم إلى إثبات الجدوى.
Introduction
كان الحفاظ على الطاقة في شبكات الاستشعار قضية حرجة للغاية في التصميم1. عادة ما تعالج الطرق الكلاسيكية المشكلة باستخدام نهج مخصص2،3،4،5،6. ومع ذلك ، فإن هذه الأساليب تحاكي عقد المستشعر كأصول ذكية مدارة بشكل فردي يمكن أن تتعاون أيضا لخدمة مصالح الفرد والمجتمع. نظرا للبيئة المتقلبة حيث تعمل المستشعرات ، في بعض الأعمال ، يتم إدخال خوارزميات عشوائية من أجل التقاط أوجه عدم اليقين البيئية ، بينما في حالات أخرى ، يتم استعارة الذكاء الحيوي لابتكار خوارزميات إرشادية يمكن أن تحقق نتائج مقبولة من الفطرةالسليمة 7. لمزيد من التوضيح ، بالنسبة لتلك الخوارزميات العشوائية ، من ناحية ، قد لا تكون أوجه عدم اليقين البيئية عشوائية مثل التسلسل العشوائي الناتج عن وحدة المعالجة المركزية الكلاسيكية ، من ناحية أخرى ، حتى لو كانت أوجه عدم اليقين البيئية عشوائية تماما ، لا يمكن التقاطها بواسطة محاكي العملية العشوائية الناتجة عن وحدة المعالجة المركزية الكلاسيكية ؛ بالنسبة لخوارزميات الذكاء الحيوي هذه ، أولا وقبل كل شيء ، لم يتم اشتقاق أي تحليل رياضي صارم لعمل دليل مفاهيمي ، وثانيا ، لا يمكن تكوين التقارب إلى الحقيقة أو حدود التسامح مع الخطأ إلا في ضوء حقيقة أرضية مستنيرة - على الرغم من أن كمية كبيرة من الأعمال في الأدب قد أثبتت إلى حد ما أن هذه الخوارزميات الإرشادية تعمل ، لسبب واحد ، يتم تحليل هذه الخوارزميات (وليس محاكاة) مقابل سيناريوهات حالة استخدام محددة جيدا ، فهي تتوقف عند معايير معينة لا تزال تستحق التفكير في مزيد من البحث ، لسبب آخر ، كما قيل من قبل ، لم يتم التحقق من صحة غالبية الخوارزميات مقابل محاكاة البرامج التي يمكن نشرها بسهولة أكبر في المعالجات الدقيقة التي تجعل المستشعر في كونه8.
نحن لا نعتبر التعلم الآلي (ML) هنا لأنه يحتاج إلى استخدام تحليلات البيانات التي تتطلب حجما كبيرا نسبيا من الطاقة الحسابية غير المحمولة في أجهزة الاستشعار9.
لمعالجة المخاوف المذكورة أعلاه ، نقدم خوارزمية كمومية هجينة. الخوارزمية مختلطة من حيث أن آلية اختيار رأس الكتلة يتم تنفيذها باستخدام خوارزمية عشوائية كلاسيكية أثناء حسابات التوجيه التي يتم إجراؤها باستخدام معالج كمي بمجرد إعداد طوبولوجيا الشبكة. الطريقة مبررة على النحو التالي: (1) كما تمت مناقشته في الفقرة الأولى فيما يتعلق بعدم اليقين البيئي ، لا نريد أن نسعى أكثر لتطبيق مولد تسلسل كمي لالتقاط الديناميكية البيئية لأنه قد يكون من الممكن تتبعه تاريخيا. تم تبرير الديناميكية البيئية التي يمكن تتبعها تاريخيا من خلال العديد من أعمال أبحاث التعلم الآلي في علوم الشبكات. بالنسبة للمرحلة الحالية ، نبقى مع النهج الكلاسيكي. (2) الطريقة الدقيقة التي تعتمد على التحليل الرياضي المجرد تضمن الوصول إلى الحقيقة الأساسية. تم دعم الفيزياء التجريبية الكمومية حتى الآن بشكل متطور من خلال الرياضيات الفيزيائية. علاوة على ذلك ، توجد تطبيقات خوارزمية مثل خوارزمية Shor10 لإثبات هذه النظرية المستديرة.
يتم توفير قدر كاف من مسح الأدبيات أدناه للمقارنة. بروتوكول HEESR المقترح11 له مزايا يمكن إثباتها في النتائج ، لكن المؤلفين حددوا معلمات تكوين المحاكاة جيدا ، على سبيل المثال ، وظيفة التوزيع العشوائي الدقيقة لموضع العقدة ، والتبرير المناسب لنسبة رأس الكتلة p (0.2٪) ، ومعلمة القياس لتوزيع مستوى الطاقة (1-2 جول) بين العقد a_i. ومنعت المؤلف من المضي قدما في تكرار التجارب وإجراء المقارنة. تستخدم آلية توجيه الطاقة12 طريقة تركيب المنحنى لتقريب الوظائف المستمرة المتقاربة من مجموعات البيانات المنفصلة التي تم الحصول عليها من مساحة عينة غير محددة للمحددات التي تؤثر على عملية اتخاذ القرار لتوجيه الشبكة الأمثل. تتطلب طريقة تركيب المنحنى13 معلومات مسبقة عن طوبولوجيا الشبكة. قد لا يكون للظروف الحقيقية معلومات مسبقة متاحة بسهولة. حتى في حالة وجود معلومات مسبقة ، قد لا تكون طوبولوجيا الشبكة منتظمة بما يكفي لتتمكن من تعيينها على منحنيات مناسبة قادرة على تسهيل الحساب المشتق. باتباع نفس المنطق ، لم يبرر بروتوكول DORAF14 كيف ولماذا استعارة وظيفة بولتزمان والوظيفة اللوجستية لتقريب محددات الشبكة. قدم Ismail et al.15 مرجعا سليما للمساعي البحثية المستقبلية في تصميم بروتوكول التوجيه الموفر للطاقة في الشبكة تحت الماء.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. إعداد بيئة المحيط Dwave
- قم بتنزيل وتثبيت أدوات المحيط من الرابط: https://docs.ocean.dwavesys.com/en/stable/overview/install.html
- في المحطة ، اكتب python -m venv ocean.
- في المحطة ، اكتب . ocean / bin / activate ، كما هو موضح في الشكل 1.
- في المحطة ، اكتب git clone https://github.com/dwavesystems/dwave-ocean-sdk.git
بعد ذلك ، اكتب cd dwave-ocean-sdk ، كما هو موضح في الشكل 2.
ثم اكتب python setup.py تثبيت
الشكل 1: تنشيط البيئة الافتراضية للمحيطات. توفر حزمة Ocean ، مثل D-wave API المدمجة ، تجربة مستخدم غائمة عبر كمبيوتر المستخدم الخاص بفرضية آلة D-wave. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 2: تركيب Ocean SDK. توفر حزمة Ocean مجموعات الأدوات اللازمة للمطورين ، بما في ذلك تثبيت Cplex سهل الاستخدام. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
2. تثبيت واجهة واجهة برمجة تطبيقات Cplex Python
- تحميل وتثبيت Cplex: https://pypi.org/project/cplex/
- في المحطة ، اكتب pip install cplex.
3. معلمات تكوين التجربة
- قم بإعداد معلمات تكوين التجربة المذكورة في الجدول 1 باستخدام تدوين برمجة Python في البرنامج النصي ، كما هو موضح في الشكل التكميلي 1. بمجرد تشغيل البرنامج النصي وتنفيذه ، ستتم معالجة اللغة الأساسية لتخزين المتغيرات في ذاكرة الوصول العشوائي. يتم إرفاق لقطة شاشة لرموز Python حيث يتم تعيين قيم المعلمات على التوالي (الشكل التكميلي 1).
| د0 | 87.7085 م |
| E | 50 * 1 × 10-09 جول |
| epson_fs | 1 * 10-12 * 10 جول |
| epson_mp | 0.0013 * 1 * 10-12 جول |
| حجم الحزمة | 4000 بت |
الجدول 1: معلمة نموذج الطاقة وإعدادات حجم الحزمة.
الشكل التكميلي 1: البرنامج النصي 1. البرنامج النصي لإعداد معلمات التجربة. الرجاء الضغط هنا لتنزيل هذا الملف.
4. نصوص بايثون
- قم بإعداد نصوص Python النصية لإنشاء 198 موقعا لعقدة المستشعر 2D منتشرة بالتساوي في ستة قطاعات تقسم المنطقة الدائرية بنصف قطر 50 مترا.
ملاحظة: الرسم البياني الدائري مقسم إلى 6 قطاعات. في كل قطاع ، يتم التعامل مع موضع كل عقدة بمتغيرين مطابقين. أحدهما هو الزاوية ، والآخر هو نصف القطر. قم بتعيين قيم لكل من الزاوية ونصف القطر باستخدام مولد توزيع عشوائي منتظم. ويرد الإجراء التفصيلي في الشكل التكميلي 2 والشكل التكميلي 3. - داخل كل قطاع ، تأكد من أن عقد المستشعر ال 33 مبعثرة بشكل عشوائي من خلال التوزيع الطبيعي. احفظ المواضع ثنائية الأبعاد في ملفات نصية حسب كل قطاع تحت قاعدة تهجئة الاسم ك "posdata" + sector_no + ".txt" (الشكل 3 والشكل 4).
- قسم المساحة الدائرية التي نصف قطرها ٥٠ م إلى ستة قطاعات. القيم الزاوية الأولية لهذه القطاعات الستة تجعل المتجه A = [60,120,180,240,300,360].
- لنفترض أن مؤشر القطاع هو i ، اضبط طول القطب لعقدة مستشعر jth ك l_{i,j} = 50 * random.random ()
- لنفترض أن مؤشر القطاع هو i ، اضبط القيمة الزاوية لعقدة مستشعر jth ك ang_{i,j}=(60*random.random() + A_i - 60) * 2 * pi / 360
- اضبط الإحداثيات الديكارتية لعقدةالمستشعر j th في القطاع ith ك
x_{i,j}=l_{i,j}*cos(ang_{i,j})
y_{i,j}=l_{i,j}*sin(ang_{i,j})
- قسم المساحة الدائرية التي نصف قطرها ٥٠ م إلى ستة قطاعات. القيم الزاوية الأولية لهذه القطاعات الستة تجعل المتجه A = [60,120,180,240,300,360].
الشكل التكميلي 2: السيناريو 2. برنامج نصي لتكوين موقعي موضع البعدين لكل عقدة حسب القطاع. الرجاء الضغط هنا لتنزيل هذا الملف.
الشكل التكميلي 3: السيناريو 3. برنامج نصي لتكوين قيم موضع كل عقدة داخل قطاع 1. الرجاء الضغط هنا لتنزيل هذا الملف.
الشكل 3: تم إنشاء مواضع العقدة وتخزينها مقسمة إلى 6 ملفات يتوافق كل منها مع قطاع واحد. يتم حفظ مواقع الموضع ثنائية الأبعاد في 6 ملفات posdata + 'idx'. كل يقدم قطاعا. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 4: مواضع العقدة المخزنة في القطاع 0. المواقف في بعدين ويتم إنشاؤها باستخدام مولد عشوائي موحد. العمود الأول هو المواقع الأفقية ، والعمود الثاني هو المواقع الرأسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
5. إعداد مستويات الطاقة الأولية
- قم بإعداد مستويات الطاقة الأولية لجميع عقد المستشعر البالغ عددها 198. قم بتعيين نصفهم بالطاقة الأولية عند 0.5 J والنصف الآخر بالطاقة الأولية عند 1 J. قم بإنشاء مصفوفة لتخزين مستوى طاقة كل عقدة ، واستخدم حلقة لتعيين الخلايا المتسلسلة بأرقام زوجية القيمة 1 وتلك المتسلسلة بأرقام فردية بقيمة 0.5. يوضح الشكل التكميلي 4 رموز Python ، وتظهر النتيجة في الشكل 5.
الشكل التكميلي 4: السيناريو 4. برنامج نصي لتعيين نصف طاقة العقدة البالغة 1 جول والآخر 0.5 جول. الرجاء الضغط هنا لتنزيل هذا الملف.
الشكل 5: Energy_buffer التعيين الأولي. يتم تخصيص نصف العقد بطاقة 1 جول ، بينما يتم تعيين النصفين الآخرين ب 0.5 جول. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
6. إعداد البرنامج النصي Advanced_Leach الخوارزمية (الشكل 6 والشكل 7)
- قم بإعداد برنامج نصي وظيفي حيث يتم تحديد رأس الكتلة وتشكيل المجموعة.
ملاحظة: يتم تحديد الكتلة باستخدام حلقة بشرط أن يكون عدد رؤوس الكتلة المحددة أقل من العدد الإجمالي للعقد مقسوما على 6. الشرط هو التأكد من أن مقدار العقدة المصدر داخل كل مجموعة يساوي أو أقل من 6. داخل الحلقة ، يتم تعيين رقم عشوائي لكل عقدة بين [0,1]. تصبح تلك الأصغر من رقم معيار معين هي رأس المجموعة ، بينما يصبح البعض الآخر العقد المصدر. ويرد الإجراء التفصيلي في الشكل التكميلي 5. ثم بالنظر إلى مجموعة ثابتة من رؤوس المجموعات ، تحدد بقية العقد المصدر رؤوس مجموعاتها ضمن أقصر مسافة ، نظرا لأن رأس الكتلة لم يستضيف أكثر من 6 عقد مصدر حتى الآن. ويرد الإجراء التفصيلي في الشكل التكميلي 6.- اضبط T_n=P/(1-P*(count٪(1/P)))، حيث P = 0.2 (المعدل النسبي لعدد رؤوس المجموعات إلى الحجم الكلي للشبكة) والعدد هو مقدار تقريب الإرسال حتى الآن.
- لكل عقدة مستشعر ، احصل على رقم عشوائي بين [0,1] threshold_rm = random.random()
- إذا كان threshold_rm أقل من T_n، فحدد عقدة المستشعر هذه كرأس نظام المجموعة.
- لكل عقد من العقد غير cluster_head، حدد أقرب عقدة مستشعر رأس الكتلة إليها كرأس المجموعة. بالنظر إلى مجموعة ثابتة من رؤوس المجموعات ، تحدد بقية العقد المصدر رؤوس مجموعاتها ضمن أقصر مسافة ، نظرا لأن رأس الكتلة لم يستضيف أكثر من 6 عقد مصدر حتى الآن. ويرد الإجراء التفصيلي في الشكل التكميلي 6.
- قم بإعداد سطور الأوامر لحساب عملية استنفاد الطاقة عبر الشبكة بأكملها لهذه الجولة. لكل تشغيل للخوارزمية التي تكمل دفعة واحدة من عمليات تسليم الحزم من عقد المصدر إلى الحوض ، سيتم تحديث مصفوفة تخزين الطاقة كما تم إعدادها لتقليل القيم خلية تلو الأخرى. سيكون استهلاك الطاقة على طول المسار هو مجموع استهلاك الطاقة لكل مسار من عقدة إلى عقدة ، والذي يتم حسابه وفقا لنموذج الطاقة1. ويرد الإجراء التفصيلي في الشكل التكميلي 7.
- احسب مقاييس جولة الإرسال المطلوبة.
ملاحظة: لكل تشغيل للخوارزمية لإكمال دفعة واحدة من تسليم الحزمة، يتم تحديث صفيف الطاقة ويتم حساب كمية التشغيل وعدد العقد التي تم تصريفها. إذا كانت القيمة أكبر أو تساوي 1 ، فإن FND (يموت العقدة الأولى) يساوي مقدار التشغيل الحالي. إذا كانت القيمة أكبر أو تساوي نصف مقدار العقدة ، فإن HND (نصف عقدة تموت) يساوي مقدار التشغيل الحالي. إذا كانت القيمة مساوية لمقدار العقدة الإجمالي ، فإن AND (كل عقدة تموت) تساوي مقدار التشغيل الحالي. ويرد الإجراء التفصيلي في الشكل التكميلي 8.
الشكل 6: صفيف رأس الكتلة. أرقام تسلسل العقد التي تم تحديدها لتكون رؤوس الكتلة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 7: صفيف مؤشر رأس الكتلة. نظرا لوجود ستة قطاعات ، لكل منها 33 عقدة مستشعر ، في صفيف فهرس رأس الكتلة ، يشير الرقم إلى رقم تسلسل رأس الكتلة الذي تنتمي إليه عقدة المستشعر المقابلة. يتوافق مؤشر موضع الصفيف مع رقم تسلسل كل عقدة مستشعر. بالنسبة لعقدة المستشعر التي تم تحديدها كرأس نظام المجموعة، فإن الرقم المعين لفتحتها في الصفيف هو رقم التسلسل نفسه. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل التكميلي 5: البرنامج النصي 5. برنامج نصي لتحديد رأس نظام المجموعة. الرجاء الضغط هنا لتنزيل هذا الملف.
الشكل التكميلي 6: النص6. برنامج نصي لتعيين العقد المصدر للمجموعات. الرجاء الضغط هنا لتنزيل هذا الملف.
الشكل التكميلي 7: السيناريو 7. برنامج نصي لتحديث مخزن الطاقة المؤقت لجميع عقد المصدر عن طريق تقليل كمية الطاقة المستهلكة من خلال الإرسال. الرجاء الضغط هنا لتنزيل هذا الملف.
الشكل التكميلي 8: السيناريو 8. برنامج نصي لحساب مقدار التقريب الذي تموت فيه العقدة الأولى ، ويموت نصف العقد. الرجاء الضغط هنا لتنزيل هذا الملف.
7. إعداد البرنامج النصي لخوارزمية الكم الهجين
- قم بإعداد برنامج نصي فعال حيث يتم تحديد رأس الكتلة وتشكيل رأس المجموعة.
- نظرا لأن الحد الأقصى لحجم الكتلة هو 6 في هذه التجربة1 ، تأكد من أن مقدار رؤوس المجموعات لا يقل عن current_valid_node_amount/6 ، تشغيل إجراء الاختيار في حلقة حتى يتم استيفاء هذا المعيار.
ملاحظة: إذا كان current_valid_node_amount لا يزيد عن 6 ، فإن هذه العقد الصالحة تشكل كتلة واحدة فقط. - لكل عقد من العقد غير cluster_head_valid ، احسب المسافة بينها وبين كل رأس من رؤوس المجموعات المحددة ، وقم بتعيين رأس الكتلة الذي لم يتجاوز حجم مجموعته 6 حيث تكون قيمة المسافة هي الأصغر.
ملاحظة: في الشكل 8 ، يتم حساب جميع مسافات العقد غير cluster_head_valid إلى رأس الكتلة المحدد 24 ، ويتم عرض كل رأس الكتلة المحدد في الشكل 9. يعرض الشكل 10 جميع العقد المخصصة لرأس الكتلة المقابل لها ، ويوضح الشكل 11 تجميع العقد الأعضاء في كل مجموعة في مصفوفة متجهة.
- نظرا لأن الحد الأقصى لحجم الكتلة هو 6 في هذه التجربة1 ، تأكد من أن مقدار رؤوس المجموعات لا يقل عن current_valid_node_amount/6 ، تشغيل إجراء الاختيار في حلقة حتى يتم استيفاء هذا المعيار.
- قم بإعداد البرنامج النصي للوظيفة الفرعية ، حيث يتم تشكيل مشكلة تحسين التوجيه لكل مجموعة وإرسالها إلى واجهة برمجة تطبيقات D-wave (الشكل 12). يتم حساب مسارات التوجيه كتلة تلو الأخرى.
- باستخدام برنامج Python النصي ، احسب عملية استنفاد الطاقة عبر الشبكة بأكملها لتقييم الخوارزمية كميا حسب عمر الشبكة من حيث عدد جولات الإرسال.
ملاحظة: لكل تشغيل للخوارزمية التي تكمل دفعة واحدة من عمليات تسليم الحزم من عقد المصدر إلى الحوض ، سيتم تحديث صفيف تخزين الطاقة كما تم إعداده لتقليل القيم خلية تلو الأخرى. سيكون استهلاك الطاقة على طول المسار هو مجموع استهلاك الطاقة لكل مسار من عقدة إلى عقدة ، محسوبا وفقا لنموذج الطاقة1. ويرد الإجراء التفصيلي في الشكل التكميلي 7. - باستخدام برنامج Python النصي ، سجل اللحظة التي يتم فيها استنزاف العقدة الأولى وعندما يتم استنزاف نصف العقد. ويرد الإجراء التفصيلي في الشكل التكميلي 8.
الشكل 8: صفيف toClusterHeadDistance للعقدة غير cluster_head مع الفهرس 24. العمود الأول هو المسافة والعمود الثاني هو رقم فهرس رأس الكتلة الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 9: CHID_buff صفيف. أرقام تسلسل عقد المستشعر التي تم تحديدها كرؤوس كتلة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 10 CHIdx_buff صفيف. تم تعيين رقم تسلسل عقد مستشعر رأس الكتلة لكل عقدة مستشعر مقابلة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 11: CH_BUFF صفيف. مجموعة الكتلة لكل عقد مستشعر رأس الكتلة المقابلة ل CHID_buff الصفيف. تتكون كل مجموعة مجموعة من 0 أو أكثر من 0 عقد مستشعر. يعرض كل صفيف مجموعة مجموعة أرقام تسلسل عقد المستشعر الموجودة فيه. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 12: حساب مسار التوجيه لكل قطاع. لكل قطاع، يتم حساب مسارات التوجيه لجميع العقد المصدر. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
يتم عرض النتائج من عينة تشغيل واحدة في الجدول 2 والجدول 3 والجدول 4. ومجموعات البيانات التفصيلية للدفعات الثلاث من البيانات متاحة في مجلد البيانات التكميلية 1 .
| مجموعة البيانات 1 | ||
| 198 عقدة في منطقة دائرية نصف قطرها 50 مترا | خوارزمية الكم الهجين | خوارزمية Advanced_Leach |
| إف إن دي | 1442 | 727 |
| السند | 2499 | 1921 |
الجدول 2: الدفعة 1 من نتائج التجربة.
| مجموعة البيانات 2 | ||
| 198 عقدة في منطقة دائرية نصف قطرها 50 مترا | خوارزمية الكم الهجين | خوارزمية Advanced_Leach |
| إف إن دي | 757 | 1463 |
| السند | 1925 | 2500 |
الجدول 3: الدفعة 2 من نتائج التجربة.
| مجموعة البيانات 3 | ||
| 198 عقدة في منطقة دائرية نصف قطرها 50 مترا | خوارزمية الكم الهجين | خوارزمية Advanced_Leach |
| إف إن دي | 790 | 1461 |
| السند | 1888 | 2500 |
الجدول 4: الدفعة 3 من نتائج التجربة.
يتم اختيار ثلاثة مقاييس مع التعريفات4 على النحو التالي:
FND - تموت العقدة الأولى. عدد عمليات الإرسال التي يتم فيها تصريف طاقة عقدة المستشعر الأولى ؛
HND - نصف عقدة يموت. عدد عمليات الإرسال التي يتم فيها تصريف نصف كمية طاقة عقد المستشعر ؛
LND - تموت العقدة الأخيرة. عدد عمليات الإرسال المستديرة التي ماتت بها شبكة الاستشعار بأكملها.
من النتائج ، يمكننا أن نرى أن خوارزمية الكم الهجينة لها كفاءة أكبر من خوارزمية advanced_leach.
يتم عرض المزيد من النتائج للتعقيد الزمني للطريقة المقترحة ومخطط الامتثال في الشكل 13 والشكل 14 ، على التوالي.
الشكل 13: التعقيد الزمني لخوارزمية الكم الهجين. الوقت في وحدة الثانية المستغرق في تشغيل دورة واحدة من HQA عبر أحجام الشبكات المختلفة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 14: نتائج خوارزمية الكم الهجين التي تتوافق مع خوارزمية الترشيح المتقدمة. تشترك FND و HND أو HQA و ALA في نمط شكل مؤامرة مماثل. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
البيانات التكميلية 1: مجموعة بيانات الدفعات الثلاث من التجارب التي أجريت في هذه الدراسة. الرجاء الضغط هنا لتنزيل هذا الملف.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
يمكن استخدام المعالج الكمومي التجاري المتطور الحالي في المشكلات الحسابية لأي طوبولوجيا شبكة1. تطبيق المعالج الكمومي غير مقيد بعدد الكيوبتات المادية التي تمكن أي من المعالجات الكمومية من تنفيذها.
في تصميم إطالة عمر شبكة المستشعر ، تظهر النتائج تقدما في الطريقة لتحقيق عمر أطول للشبكة باستخدام معالج كمومي. تشير النتائج إلى أن الميزة الكمية جاهزة للاستغلال تجاريا في كل من القطاعين العام والخاص.
بالنسبة للآثار الإدارية ، فإن Quantum Advantage قادرة على أن تكون المعلم التالي لتمهيد طريق واعد للازدهار المستدام للتكنولوجيا الفائقة في المستقبل القريب. تتطلب التكنولوجيا الفائقة الحالية ، من حيث استراتيجية التعلم و / أو الذكاء الاصطناعي (الذكاء الاصطناعي) ، بأي طريقة محرك الطاقة لمعالجة / الاحتفاظ بالبيانات. من منظور رفيع المستوى ل Green Globe ، لا تبرز كمرشح جيد16. على الرغم من أن ML / الذكاء الاصطناعي يجعل الحساب أكثر كفاءة من الناحية الاقتصادية ، إلا أنه لا يوفر حلا تحليليا للسبب الجذري لأن الحوسبة الفعالة يتم استبدالها بمرافق حسابية عالية الطاقة. لذلك ، فهي مقيدة بشكل أساسي بالكمبيوتر عالي الأداء (HPC). أثبتت الحوسبة الكمومية التي أحدثت ثورة في نموذج الحوسبة فعاليتها في الحوسبة بشكل أسرع من أجهزة الكمبيوتر القديمة عبر تطبيقات تجريبية عملية متعددة17,18. ML بمساعدة الكم ، بقدر ما يتعلق الأمر بالمؤلف ، هو PML (التعلم الآلي الاحتمالي). تعمل خوارزمية ML (لغة برمجة نصية / عالية المستوى منخفضة) على جهاز حوسبة يمكن أن يكون إما جهاز كمبيوتر كلاسيكي أو حوسبة كمومية بالنظر إلى نفس خوارزمية ML لسطور الأوامر القابلة للتنفيذ n ، دع f_cc (n) تشير إلى الاستهلاك في الحساب لأجهزة الكمبيوتر الكلاسيكية و f_qc (n) تشير إلى الاستهلاك في الحساب لأجهزة الكمبيوتر الكمومية. f_cc (n) هو جمع مرجح للاستهلاك الحسابي للكمبيوتر الكلاسيكي القابل للتنفيذ alpha_i لأسطر الأوامر n. f_qc (n) هو مجموع مرجح بالتساوي للاستهلاك الحسابي للكمبيوتر الكمومي القابل للتنفيذ alpha_j لنفس سطور الأوامر n على قدم المساواة. تظل الأوزان دون تغيير لأن أسطر أوامر ML ذات المستوى الأعلى هي نفسها بنفس القدر. ببساطة ، أظهر هذا العمل والعمل السابق1 أن alpha_j دائما أقل من alpha_i لذا فإن f_qc (n) دائما أقل من f_cc (n).
فيما يتعلق بالآثار الأكاديمية ، يتم استخدام المعالجات / مرافق الحوسبة المنشأة سابقا بشكل تقليدي لمساعدة الباحثين على التفكير / توليد / تطوير أفكارهم وخططهم. تشير الحوسبة الكمومية إلى أن النهج المنهجي للباحثين ينتظر تطورا ملحميا. يمكن أن يكون مدمرا ولكن متفائلا. من الآن فصاعدا ، يحتاج الباحثون غير المعتادين على تصميم / تحليل الخوارزميات النظرية إلى العمل جنبا إلى جنب لابتكار / إنشاء خوارزميات كمومية لحل موضوع بحثهم. معظم الخوارزميات الكمومية للبحث العملي ليست متاحة بسهولة. في جملة واحدة ، تغيرت أجهزة الحوسبة للباحثين. يعتمد إعداد البيئة الافتراضية وواجهة برمجة تطبيقات QPU بشكل كامل على اتصال إنترنت مرض.
تشمل قيود الدراسة (i) لم يتم النظر في قدرة الوصلة1. يتم تجاهل معدل فقدان الحزمة. ستنظر الأعمال المستقبلية في بروتوكول شبكات الاستشعار الأساسي لصياغة المشكلة بشكل مناسب مع مراعاة كل من استهلاك الطاقة والتحكم في الخسارة (إما مع مخطط إعادة الإرسال أم لا). (ii) يفترض أن تكون طوبولوجيا الشبكة معروفة مسبقا. تم إصلاح مواضع العقدة. (iii) الوقت اللازم لتشغيل خوارزمية الكم الهجين لكل جولة أطول من خوارزمية الترشيح المتقدمة ولكن بدقة أعلى. (iv) لا يمكن أن تعمل الخوارزمية في وضع عدم الاتصال.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
اي
Acknowledgments
يتم دعم العمل من قبل مجلس أبحاث العلوم الهندسية والفيزيائية في المملكة المتحدة (EPSRC) رقم المنحة 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).
