Summary
Denne undersøgelse giver en metode til at bruge en kvanteprocessorenhed til at beregne ruterne for forskellige trafikdynamikker, der arbejder for at overgå klassiske metoder i litteraturen for at maksimere netværkets levetid.
Abstract
Sensornetværkets energibesparelsesmetode, som er en brugshybrid af en klassisk computer og kvanteprocessor, har vist sig at fungere bedre end den heuristiske algoritme ved hjælp af en klassisk computer. I dette manuskript præsenteres og begrundes den tekniske kontekst for metodens betydning. Derefter demonstreres de eksperimentelle trin i en operationel sekvens med illustrationer, hvis det nogensinde er nødvendigt. Metoden er blevet valideret af positive resultater på tværs af et tilfældigt genereret prøvesæt af netværkstopologier. De vellykkede eksperimentelle resultater af denne metode har givet en bedre tilgang til sensornetværkets levetidsmaksimeringsproblemer og demonstreret, at den nuværende avancerede kvanteprocessor har været i stand til at løse store praktiske tekniske problemer med fordele, der tilsidesætter nuværende metoder i litteraturen. Med andre ord kan kvantefordelen udnyttes efter bedste evne. Det er gået ud over beviset for konceptet til beviset for gennemførligheden.
Introduction
Energibesparelse i sensornetværk har været et meget kritisk spørgsmål i design1. Klassiske metoder tackler normalt problemet ved hjælp af en ad hoc-tilgang 2,3,4,5,6. Når det er sagt, efterligner disse metoder sensorknudepunkterne som individuelt styrede intelligente aktiver, der også kan samarbejde om at tjene både individets og samfundets interesser. På grund af det ustabile miljø, hvor sensorer fungerer, introduceres tilfældige algoritmer i nogle værker for at fange miljøusikkerhederne, mens der i andre lånes biointelligens til at udtænke heuristiske algoritmer, der kunne opnå sunde fornuftsacceptable resultater7. For yderligere at illustrere er miljøusikkerhederne for disse tilfældige algoritmer på den ene side måske ikke så tilfældige som den tilfældige sekvens, der genereres af en klassisk CPU, og på den anden side, selv om miljøusikkerhederne er helt tilfældige, kan de ikke fanges af den tilfældige processimulator, der genereres af klassisk CPU; For disse biointelligensalgoritmer er der for det første ikke udledt nogen streng matematisk analyse for at få et konceptuelt bevis til at fungere, for det andet kan konvergensen til sandhed eller fejltolerancegrænsen kun konfigureres givet en informeret grundsandhed - selvom en betydelig mængde værker i litteraturen til en vis grad har vist, at disse heuristiske algoritmer fungerer, For det første analyseres disse algoritmer (ikke simuleres) mod veldefinerede brugsscenarier, de stopper ved visse kriterier, der stadig er værd at overveje i yderligere forskning, for en anden, som sagt før, er et flertal af algoritmerne ikke valideret mod softwaresimulering, der lettere kan implementeres i mikroprocessorerne, der gør en sensor til densvæsen 8.
Vi overvejer ikke maskinindlæring (ML) her, fordi den skal anvende dataanalyse, som kræver en relativt stor mængde beregningskraft, der ikke er bærbar i sensorenheder9.
For at løse ovennævnte bekymringer leverer vi en hybrid kvantealgoritme. Algoritmen er hybrid, idet klyngehovedudvælgelsesmekanismen implementeres ved hjælp af en klassisk tilfældig algoritme under routingberegningerne udført ved hjælp af en kvanteprocessor, når netværkstopologien er oprettet. Metoden er begrundet som følger: (1) Som diskuteret i første afsnit vedrørende miljøusikkerhederne ønsker vi ikke at bestræbe os yderligere på at anvende en kvantesekvensgenerator til at fange miljødynamikken, fordi den kan være historisk sporbar. Den miljømæssige dynamik, der historisk kan spores, er blevet retfærdiggjort af forskellige maskinlæringsforskningsarbejder inden for netværksvidenskab. I den nuværende fase forbliver vi med den klassiske tilgang. (2) Den nøjagtige metode, der er afhængig af abstrakt matematisk analyse, garanterer at nå frem til grundsandheden. Kvanteeksperimentel fysik har hidtil været sofistikeret understøttet af fysisk matematik. Desuden har algoritmeapplikationer som Shor-algoritmen10 eksisteret for at bevise denne afrundede teori.
En tilstrækkelig mængde litteraturundersøgelse er angivet nedenfor til sammenligning. HEESR-protokollen foreslået11 har påviselige fordele i resultaterne, men forfatterne har specificeret simuleringskonfigurationsparametrene godt, for eksempel den nøjagtige tilfældige fordelingsfunktion af nodepositionen, den korrekte begrundelse for klyngehovedprocenten p (0,2%) og skaleringsparameteren for fordeling af energiniveau (1-2 joule) blandt noder a_i. Det forbød forfatteren at gå videre med at duplikere eksperimenterne og foretage sammenligningen. Power routing-mekanismen12 anvender kurvetilpasningsmetoden til at tilnærme konvergerede kontinuerlige funktioner fra diskrete datasæt opnået fra uspecificeret prøverum for determinanter, der påvirker beslutningsprocessen for den optimale netværksrouting. Kurvetilpasningsmetode13 kræver forudgående oplysninger om nettopologien. De virkelige omstændigheder har måske ikke forudgående oplysninger umiddelbart tilgængelige. Selv når der findes forudgående oplysninger, er netværkstopologi muligvis ikke regelmæssig nok til at kunne kortlægges på tilpasningskurver, der er i stand til at lette afledt beregning. Efter samme logik har DORAF-protokol14 ikke retfærdiggjort, hvordan og hvorfor man skal låne Boltzmann-funktionen og logistikfunktionen for at tilnærme netværksdeterminanterne. Ismail et al.15 har givet en solid reference til fremtidige forskningsbestræbelser i energieffektivt ruteprotokoldesign i undervandsnetværket.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Opsætning af Dwave Ocean Environment
- Download og installer havværktøjerne fra linket: https://docs.ocean.dwavesys.com/en/stable/overview/install.html
- Skriv python -m venv ocean på terminalen.
- Ved terminalen skal du skrive . ocean/bin/activate, som vist i figur 1.
- Skriv git clone https://github.com/dwavesystems/dwave-ocean-sdk.git på terminalen
Skriv derefter cd dwave-ocean-sdk, som vist i figur 2.
Skriv derefter python setup.py installere
Figur 1: Aktivering af virtuelt havmiljø. Ocean-pakken, som D-wave API integreret, giver en overskyet brugeroplevelse over brugerens egen computer til D-bølgemaskinens forudsætning. Klik her for at se en større version af denne figur.
Figur 2: Installation af Ocean SDK. Ocean-pakken indeholder nødvendige værktøjssæt til udviklere, herunder en praktisk Cplex-installation. Klik her for at se en større version af denne figur.
2. Installation af Cplex Python API-grænseflade
- Download og installer Cplex: https://pypi.org/project/cplex/
- Skriv pip install cplex på terminalen.
3. Parametre for eksperimentkonfiguration
- Konfigurer eksperimentkonfigurationsparametrene nævnt i tabel 1 ved hjælp af Python-programmeringsnotation i scriptet, som vist i supplerende figur 1. Når scriptet er kørt og udført, behandles det underliggende sprog for at gemme variablerne i RAM. Et skærmbillede af Python-koderne, hvor parametrene henholdsvis er tildelt værdier, er vedhæftet (supplerende 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 |
| Pakkestørrelse | 4000 bit |
Tabel 1: Indstillinger for energimodelparameter og pakkestørrelse.
Supplerende figur 1: Script1. Script til opsætning af eksperimentparametrene. Klik her for at downloade denne fil.
4. Python-scripts
- Forbered Python-scripts til at generere 198 sensorknude 2D-positioner, der er lige spredt i seks sektorer, der deler det cirkulære område med en radius på 50 m.
BEMÆRK: Den cirkulære graf er opdelt i 6 sektorer. I hver sektor behandles positionen for hver knude med to tilsvarende variabler. Den ene er vinklen, og den anden er radius. Tildel værdier til både vinkel og radius ved hjælp af en ensartet tilfældig fordelingsgenerator. Den detaljerede procedure er vist i supplerende figur 2 og supplerende figur 3. - Inden for hver sektor skal du sikre, at de 33 sensornoder spredes tilfældigt af en normalfordeling. Gem 2D-positionerne i tekstfiler efter hver sektor under navnestavereglen som 'posdata' +sector_no+'.txt' (figur 3 og figur 4).
- Segmentér det cirkulære område med en radius på 50 m i seks sektorer. Startvinkelværdierne for disse seks sektorer gør vektoren A = [60,120,180,240,300,360].
- Antag, at sektorindekset er i, indstil pollængden for jth sensornode som l_{i,j}=50*random.random()
- Antag, at sektorindekset er i, indstil vinkelværdien for jth sensornode som ang_{i,j}=(60*random.random() + A_i - 60) * 2 * pi / 360
- Indstil de kartesiske koordinater for denj'te sensorknude ii den pågældende sektor som
x_{i,j}=l_{i,j}*cos(ang_{i,j})
y_{i,j}=l_{i,j}*sin(ang_{i,j})
- Segmentér det cirkulære område med en radius på 50 m i seks sektorer. Startvinkelværdierne for disse seks sektorer gør vektoren A = [60,120,180,240,300,360].
Supplerende figur 2: Script2. Script til konfiguration af de to dimensionsplaceringer for hver node efter sektor. Klik her for at downloade denne fil.
Supplerende figur 3: Script3. Script til at konfigurere hver nodepositionsværdi inden for 1 sektor. Klik her for at downloade denne fil.
Figur 3: Nodepositioner genereret og gemt adskilt i 6 filer, der hver svarer til en sektor. Todimensionelle positionsplaceringer gemmes i 6 posdata + 'idx' filer. Hver præsenterer en sektor. Klik her for at se en større version af denne figur.
Figur 4: Nodepositioner gemt i sektor 0. Positionerne er i to dimensioner og genereres ved hjælp af en ensartet tilfældig generator. Den første kolonne er de vandrette placeringer, og den anden kolonne er de lodrette placeringer. Klik her for at se en større version af denne figur.
5. Forberedelse af de indledende energiniveauer
- Forbered de indledende energiniveauer for alle 198 sensornoder. Tildel halvdelen af dem med indledende energi ved 0,5 J og den anden halvdel med indledende energi ved 1 J. Opret et array til at gemme hver nodes energiniveau, og brug en løkke til at tildele celler sekventeret i lige tal værdien 1 og dem, der sekventeres i ulige tal, værdien 0,5. Supplerende figur 4 viser Python-koderne, og resultatet er vist i figur 5.
Supplerende figur 4: Script4. Script til at tildele halvdelen af nodens energi på 1 joule og de andre 0,5 joule. Klik her for at downloade denne fil.
Figur 5: Energy_buffer indledende opgave. Halvdelen af knudepunkterne er tildelt energi 1 joule, mens de andre halvdele er tildelt med 0,5 joule. Klik her for at se en større version af denne figur.
6. Forberedelse af Advanced_Leach algoritmescript (figur 6 og figur 7)
- Forbered et funktionelt script, hvor klyngehovedet vælges, og klyngen dannes.
BEMÆRK: Klyngen vælges ved hjælp af en løkke på betingelse af, at antallet af valgte klyngehoveder er mindre end det samlede antal noder divideret med 6. Betingelsen er at sikre, at kildenodemængden inden for hver klynge er lig med eller mindre end 6. Inden for løkken tildeles hver node et tilfældigt tal mellem [0,1]. De, der er mindre end et givet kriterienummer, bliver klyngehovedet, mens andre bliver kildenoderne. Den detaljerede procedure er vist i supplerende figur 5. Derefter får de en fast pulje af klyngehoveder, og resten af kildenoderne vælger deres klyngehoveder inden for den korteste afstand, da klyngehovedet endnu ikke har været vært for mere end 6 kildenoder. Den detaljerede procedure er vist i supplerende figur 6.- Indstil T_n=P/(1-P*(count%(1/P))), hvor P = 0,2 (proportionalhastigheden af antallet af klyngehoveder med den samlede netværksstørrelse), og optællingen er mængden af transmissionsrunde opdateret.
- For hver sensorknude opnås et tilfældigt tal mellem[0,1] threshold_rm = tilfældig.tilfældig()
- Hvis threshold_rm er mindre end T_n, skal du vælge denne sensornode som klyngehoved.
- For hver af de ikke-cluster_head noder skal du vælge den nærmeste klyngehovedsensorknude til den som dens klyngehoved. Med en fast pulje af klyngehoveder vælger resten af kildenoderne deres klyngehoveder inden for den korteste afstand, da klyngehovedet endnu ikke har været vært for mere end 6 kildenoder. Den detaljerede procedure er vist i supplerende figur 6.
- Forbered kommandolinjerne til at beregne energiudtømningsprocessen på tværs af hele netværket til denne runde. For hver kørsel af algoritmen, der fuldfører en batch af leverancer af pakkerne fra kildenoder til vasken, opdateres energilagringsarrayet, som det er forberedt, til at have reduceret celle for celle i værdier. Energiforbruget langs stien vil være summen af energiforbruget pr. node-til-knude-rute, som beregnes efter en energimodel1. Den detaljerede procedure er vist i supplerende figur 7.
- Beregn de krævede transmissionsrundemålinger.
BEMÆRK: For hver kørsel af algoritmen for at fuldføre en batch af pakkelevering opdateres energiarrayet, kørselsmængden og antallet af drænede noder tælles. Hvis værdien er større eller lig med 1, er FND (første nodematrice) lig med det aktuelle kørselsbeløb. Hvis værdien er større eller lig med halvdelen af nodebeløbet, er HND(halv nodematrice) lig med det aktuelle kørselsbeløb. Hvis værdien er lig med det samlede nodebeløb, er OG(alle nodedie) lig med det aktuelle kørselsbeløb. Den detaljerede procedure er vist i supplerende figur 8.
Figur 6: Matrix af klyngehoveder. Sekvensnumrene på de noder, der er valgt til at være klyngehovederne. Klik her for at se en større version af denne figur.
Figur 7: Matrix med klyngehovedindeks. Da der er seks sektorer, hver med 33 sensornoder, i klyngehovedindeksarrayet, angiver tallet sekvensnummeret på det klyngehoved, som den tilsvarende sensorknude tilhører. Arrayets positionsindeks svarer til sekvensnummeret for hver sensorknude. For den sensornode, der er valgt som klyngehovedet, er det nummer, der er tildelt dets plads i arrayet, sekvensnummeret for sig selv. Klik her for at se en større version af denne figur.
Supplerende figur 5: Script5. Script for at vælge klyngehovedet. Klik her for at downloade denne fil.
Supplerende figur 6: Script6. Script til tildeling af kildenoder til klynger. Klik her for at downloade denne fil.
Supplerende figur 7: Script7. Script til opdatering af energibufferen for alle kildenoder via reduktion af mængden af energi, der forbruges gennem transmission. Klik her for at downloade denne fil.
Supplerende figur 8: Script8. Script til beregning af mængden af runder, op til hvilke den første knude dør, og halvdelen af noderne dør. Klik her for at downloade denne fil.
7. Forberedelse af hybrid kvantealgoritmescript
- Forbered et fungerende script, hvor klyngehovedet vælges, og klyngehovedet dannes.
- Da den maksimale klyngestørrelse er 6 i dette eksperiment1, skal det sikres, at antallet af klyngehoveder ikke er mindre end current_valid_node_amount/6, udvælgelsesproceduren vil blive kørt i en løkke, indtil dette kriterium er opfyldt.
BEMÆRK: Hvis current_valid_node_amount ikke er større end 6, danner disse gyldige noder en og kun klynge sig selv. - For hver af de ikke-cluster_head_valid noder beregnes afstanden mellem den og hvert af de valgte klyngehoveder, og den tildeles klyngehovedet, hvis klyngestørrelse ikke har overskredet 6, hvor afstandsværdien er den mindste.
BEMÆRK: I figur 8 beregnes alle ikke-cluster_head_valid noders afstande til det valgte klyngehoved 24, og alle de valgte klyngehoveder vises i figur 9. Figur 10 viser alle noder, der er tildelt deres tilsvarende klyngehoved, og figur 11 viser gruppering af hver klynges medlemsnoder i et vektorarray.
- Da den maksimale klyngestørrelse er 6 i dette eksperiment1, skal det sikres, at antallet af klyngehoveder ikke er mindre end current_valid_node_amount/6, udvælgelsesproceduren vil blive kørt i en løkke, indtil dette kriterium er opfyldt.
- Forbered underfunktionsscriptet, hvor routingoptimeringsproblemet pr. klynge dannes og sendes til D-wave API (figur 12). Rutestierne beregnes klynge for klynge.
- Brug Python-script til at beregne energiudtømningsprocessen på tværs af hele netværket for kvantitativt at evaluere algoritmen efter netværkets levetid med hensyn til antallet af transmissionsrunder.
BEMÆRK: For hver kørsel af algoritmen, der fuldfører en batch af leverancer af pakkerne fra kildenoder til vasken, opdateres energilagringsarrayet, som det er klargjort, til at have reduceret celle for celle i værdier. Energiforbruget langs stien vil være summen af energiforbruget pr. node-til-node-rute, beregnet efter en energimodel1. Den detaljerede procedure er vist i supplerende figur 7. - Brug Python-script til at registrere det øjeblik, hvor den første knude drænes ud, og når halvdelen af noderne drænes ud. Den detaljerede procedure er vist i supplerende figur 8.
Figur 8: toClusterHeadDistance Array for ikke-cluster_head node med indeks 24. Den første kolonne er afstanden, og den anden kolonne er klyngehovedets indeksnummer Klik her for at se en større version af denne figur.
Figur 9: CHID_buff array. Sekvensnumre for de sensornoder, der er valgt som klyngehoveder. Klik her for at se en større version af denne figur.
Figur 10 CHIdx_buff array. Tildelt klyngehovedsensornodes sekvensnummer til hver tilsvarende sensornode. Klik her for at se en større version af denne figur.
Figur 11: CH_BUFF array. Klyngegruppe pr. klyngehovedsensornoder svarende til array-CHID_buff. Hver klyngegruppe består af 0 eller mere end 0 sensornoder. Hvert klyngegruppearray viser sekvensnumrene på sensornoder, der er i det. Klik her for at se en større version af denne figur.
Figur 12: Beregning af rutesti pr. sektor. For hver sektor beregnes routingstierne for alle kildenoder. Klik her for at se en større version af denne figur.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Resultaterne fra en stikprøve er vist i tabel 2, 3 og 4. De detaljerede datasæt for de tre databatches er tilgængelige i mappen Supplementary Data 1 .
| Datasæt 1 | ||
| 198 knudepunkter i et cirkulært område med en radius på 50m | Hybrid kvantealgoritme | Advanced_Leach algoritme |
| FND | 1442 | 727 |
| HND | 2499 | 1921 |
Tabel 2: Batch 1 af resultaterne fra forsøget.
| Datasæt 2 | ||
| 198 knudepunkter i et cirkulært område med en radius på 50m | Hybrid kvantealgoritme | Advanced_Leach algoritme |
| FND | 757 | 1463 |
| HND | 1925 | 2500 |
Tabel 3: Batch 2 af resultater fra forsøget.
| Datasæt 3 | ||
| 198 knudepunkter i et cirkulært område med en radius på 50m | Hybrid kvantealgoritme | Advanced_Leach algoritme |
| FND | 790 | 1461 |
| HND | 1888 | 2500 |
Tabel 4: Batch 3 af resultaterne fra forsøget.
Tre målinger er valgt med definitioner4 som nedenfor:
FND - første knude dør. Antallet af transmissioner rundes op, hvortil den første sensorknudeenergi drænes ud;
HND - halv knude dør. Antallet af transmissioner runder op til hvilken halv mængde af sensorknudepunkternes energi drænes ud;
LND - sidste knude dør. Antallet af transmissioner runder op, som hele sensornetværket er dødt til.
Fra resultaterne kan vi se, at hybridkvantealgoritmen har mere effektivitet end den advanced_leach algoritme.
Yderligere resultater af den foreslåede metodes og overensstemmelsesplottets tidskompleksitet er vist i henholdsvis figur 13 og figur 14.
Figur 13: Tidskompleksiteten af Hybrid Quantum-algoritmen. Tid i enheden sekund brugt på at køre en cyklus af HQA på tværs af forskellige netværksstørrelser. Klik her for at se en større version af denne figur.
Figur 14: Resultater af Hybrid Quantum-algoritmen, der overholder Advanced Leach-algoritmen. FND og HND eller HQA og ALA deler et lignende plotformmønster. Klik her for at se en større version af denne figur.
Supplerende data 1: Datasæt for de tre batcher af eksperimenter udført i denne undersøgelse. Klik her for at downloade denne fil.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Den nuværende state-of-the-art kommercielle kvanteprocessor kan bruges i beregningsproblemer af enhver netværkstopologi1. Kvanteprocessorapplikation er ikke begrænset af antallet af fysiske qbits, som nogen af kvanteprocessorerne har været i stand til at implementere.
I design af forlængelse af sensornetværkets levetid viser resultaterne et fremskridt i metoden til at opnå endnu længere netværkslevetid ved hjælp af en kvanteprocessor. Resultaterne antyder, at kvantefordelen er klar til at blive udnyttet kommercielt i både den offentlige og private sektor.
For ledelsesmæssige implikationer er Quantum Advantage i stand til at være den næste milepæl for at bane en lovende vej for nær fremtid Hi-Tech bæredygtig velstand. Nuværende Hi-Tech, hvad angår læringsstrategi og / eller kunstig intelligens (AI), kræver i enhver metode kraftdrevet til at behandle / holde dataene. Fra et højt niveau perspektiv af Green Globe skiller det sig ikke ud som en god kandidat16. ML / AI, selvom det gør beregning mere økonomisk effektiv, giver ikke en grundlæggende årsagsanalytisk løsning, fordi effektiv computing afvejes af beregningsfaciliteter med høj effekt. Derfor er de grundlæggende afgrænset af den højtydende computer (HPC). Quantum computing, der revolutionerer computerparadigmet, har vist sig effektiv til computing hurtigere end ældre computere på tværs af flere praktiske forsøgsapplikationer17,18. Kvanteassisteret ML er for forfatteren PML (probabilistisk maskinlæring). ML-algoritme (script / high-low level programmeringssprog) kører på en computerenhed, der enten kan være en klassisk computer eller quantum computing. I betragtning af den samme ML-algoritme for eksekverbare kommandolinjer n, lad f_cc (n) angive forbruget i beregning for klassiske computere og f_qc (n) angive forbruget i beregning for kvantecomputere. f_cc(n) er en vægtet summering af beregningsforbruget af klassisk computereksekverbar alpha_i for kommandolinjerne n. f_qc(n) er en ligeligt vægtet summering af beregningsforbruget af kvantecomputerens eksekverbare alpha_j for de samme n-kommandolinjer. Vægtene forbliver uændrede, da ML-kommandolinjerne på øverste niveau er lige så ens. Kort sagt har dette arbejde og tidligere arbejde1 vist, at alpha_j altid er mindre end alpha_i så f_qc(n) er altid mindre end f_cc(n).
Med hensyn til akademiske implikationer bruges tidligere etablerede processorer / computerfaciliteter traditionelt til at hjælpe forskere med at tænke / generere / udvikle deres ideer og planer. Kvanteberegning indikerer, at forskernes metodiske tilgang afventer en episk udvikling. Det kan være forstyrrende, men optimistisk. Fra nu af skal forskere, der ikke er vant til teoretisk algoritmedesign / analyse, arbejde hånd i hånd for at udtænke / generere kvantealgoritmer til at løse deres forskningsemne. De fleste kvantealgoritmer til praktisk forskning er ikke praktisk tilgængelige. I en sætning ændrede forskernes computerenheder. Opsætning af virtuelt miljø og QPU API er helt afhængig af en tilfredsstillende internetforbindelse.
Undersøgelsens begrænsninger omfatter: (i) Linkkapacitet er ikke taget i betragtning1. Pakketabsprocenten ignoreres. Fremtidige værker vil overveje den underliggende sensornetværksprotokol for korrekt at formulere problemet under hensyntagen til både energiforbrug og tabskontrol (enten med en retransmissionsordning eller ej). ii) Nettopologi antages at være kendt på forhånd. Nodepositioner er faste. (iii) Den tid, der kræves for at køre den hybride kvantealgoritme pr. runde, er længere end Advanced Leach-algoritmen, men med højere nøjagtighed. (iv) Algoritmen kunne ikke fungere offline.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Ingen
Acknowledgments
Arbejdet støttes af Engineering and Physical Sciences Research Council of the UK (EPSRC) bevillingsnummer 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).
