Summary
Denne studien gir en metode for å bruke en kvanteprosessorenhet for å beregne rutene for ulike trafikkdynamikker som arbeider for å overgå klassiske metoder i litteraturen for å maksimere nettverkets levetid.
Abstract
Sensornettverkets energisparingsmetode, som er en brukshybrid av en klassisk datamaskin og kvanteprosessor, har vist seg å fungere bedre enn den heuristiske algoritmen ved hjelp av en klassisk datamaskin. I dette manuskriptet presenteres og begrunnes den tekniske konteksten for metodens betydning. Deretter demonstreres de eksperimentelle trinnene i en operativ sekvens med illustrasjoner om nødvendig. Metoden har blitt validert av positive resultater på tvers av et tilfeldig generert utvalgssett med nettverkstopologier. De vellykkede eksperimentelle resultatene av denne metoden har gitt en bedre tilnærming til sensornettverkets levetidmaksimeringsproblemer og demonstrert at dagens toppmoderne kvanteprosessor har vært i stand til å løse store praktiske tekniske problemer med fordeler som overstyrer dagens metoder i litteraturen. Kvantefordelen kan med andre ord utnyttes til beste innsats. Det har gått utover stadiet av bevis på konsept til bevis på gjennomførbarhet.
Introduction
Energisparing i sensornettverk har vært et svært kritisk tema i design1. Klassiske metoder takler normalt problemet ved hjelp av en ad hoc-tilnærming 2,3,4,5,6. Når det er sagt, etterligner disse metodene sensornodene som individuelt forvaltede intelligente eiendeler som også kan samarbeide for å tjene både individets og samfunnets interesser. På grunn av det flyktige miljøet der sensorer fungerer, blir det i noen verk introdusert tilfeldige algoritmer for å fange miljøusikkerhetene, mens i andre lånes biointelligens for å utarbeide heuristiske algoritmer som kan oppnå sunn fornuft akseptable resultater7. For å illustrere ytterligere, for de tilfeldige algoritmene, kan det hende at miljømessige usikkerheter på den ene siden ikke er like tilfeldige som den tilfeldige sekvensen generert av en klassisk CPU, for den annen side, selv om miljøusikkerhetene er helt tilfeldige, kunne de ikke fanges opp av den tilfeldige prosesssimulatoren generert av klassisk CPU; For disse bio-intelligensalgoritmene er det for det første ikke avledet noen streng matematisk analyse for å gjøre et konseptuelt bevisarbeid, for det andre kan konvergensen til sannhet eller feiltoleransegrensen bare konfigureres gitt en informert grunnsannhet - selv om en betydelig mengde verk i litteraturen til en viss grad har vist at disse heuristiske algoritmene fungerer, For det første blir disse algoritmene analysert (ikke simulert) mot veldefinerte bruksscenarier, de stopper ved visse kriterier som fortsatt er verdt å tenke på i videre forskning, for en annen, som sagt tidligere, har et flertall av algoritmene ikke blitt validert mot programvaresimulering som lettere kan distribueres i mikroprosessorene som gjør en sensor til å være8.
Vi vurderer ikke maskinlæring (ML) her fordi den trenger å bruke dataanalyse som krever et relativt stort volum regnekraft som ikke er bærbar i sensorenheter9.
For å løse de ovennevnte bekymringene, tilbyr vi en hybrid kvantealgoritme. Algoritmen er hybrid ved at klyngehodevalgsmekanismen implementeres ved hjelp av en klassisk tilfeldig algoritme under rutingsberegningene som utføres ved hjelp av en kvanteprosessor når nettverkstopologien er satt opp. Metoden er begrunnet slik: (1) Som diskutert i første avsnitt om miljøusikkerhetene, ønsker vi ikke å forsøke å anvende en kvantesekvensgenerator for å fange miljødynamikken videre fordi den kan være historisk sporbar. Miljødynamikken som historisk kan spores har blitt rettferdiggjort av ulike maskinlæringsforskningsarbeider innen nettverksvitenskap. For det nåværende stadiet holder vi oss til den klassiske tilnærmingen. (2) Den nøyaktige metoden som er avhengig av abstrakt matematisk analyse garanterer å komme frem til grunnsannheten. Kvanteeksperimentell fysikk har så langt blitt sofistikert støttet av fysisk matematikk. Videre har algoritmeapplikasjoner som Shor-algoritmen10 eksistert for å bevise denne avrundede teorien.
En tilstrekkelig mengde litteraturundersøkelse er gitt nedenfor for sammenligning. HEESR-protokollen foreslått11 har påviselige fordeler i resultatene, men forfatterne har spesifisert simuleringskonfigurasjonsparametrene godt, for eksempel den nøyaktige tilfeldige fordelingsfunksjonen til nodeposisjonen, riktig begrunnelse for klyngehodeprosenten p (0, 2%) og skaleringsparameteren for fordeling av energinivå (1-2 joule) blant noder a_i. Det forbød forfatteren å fortsette videre for å duplisere eksperimentene og gjennomføre sammenligningen. Power routing mechanism12 bruker kurvetilpasningsmetoden for å tilnærme konvergerte kontinuerlige funksjoner fra diskrete datasett hentet fra uspesifisert prøveområde for determinanter som påvirker beslutningsprosessen for optimal nettverksruting. Kurvetilpasningsmetoden13 krever forhåndsinformasjon om nettverkstopologien. Reelle omstendigheter har kanskje ikke forhåndsinformasjon lett tilgjengelig. Selv når det finnes forhåndsinformasjon, kan det hende at nettverkstopologien ikke er regelmessig nok til å kunne kartlegges på tilpasningskurver som er i stand til å lette utledbar beregning. Etter samme logikk har DORAF-protokoll14 ikke begrunnet hvordan og hvorfor man skal låne Boltzmann-funksjonen og logistikkfunksjonen for å tilnærme nettverksdeterminantene. Ismail et al.15 har gitt en god referanse for fremtidige forskningsbestrebelser på energieffektiv rutingprotokolldesign i undervannsnettverket.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Sette opp Dwave Ocean Environment
- Last ned og installer havverktøyene fra lenken: https://docs.ocean.dwavesys.com/en/stable/overview/install.html
- På terminalen, skriv python -m venv ocean.
- Ved terminalen skriver du inn . ocean/bin/activate, som vist i figur 1.
- Skriv inn git-klone på terminalen https://github.com/dwavesystems/dwave-ocean-sdk.git
Deretter skriver du cd dwave-ocean-sdk, som vist i figur 2.
Skriv deretter python setup.py installere
Figur 1: Aktivering av virtuelt miljø i havet. Ocean-pakken, som D-wave API integrert, gir en overskyet brukeropplevelse over brukerens egen datamaskin til D-wave-maskinens premiss. Klikk her for å se en større versjon av denne figuren.
Figur 2: Installasjon av Ocean SDK. Ocean-pakken gir nødvendige verktøysett for utviklere, inkludert en praktisk Cplex-installasjon. Klikk her for å se en større versjon av denne figuren.
2. Installasjon av Cplex Python API-grensesnitt
- Last ned og installer Cplex: https://pypi.org/project/cplex/
- På terminalen skriver du pip install cplex.
3. Parametere for eksperimentkonfigurasjon
- Sett opp parameterne for eksperimentkonfigurasjon nevnt i tabell 1 ved hjelp av Python-programmeringsnotasjon i skriptet, som vist i tilleggsfigur 1. Når skriptet er kjørt og utført, vil det underliggende språket behandle for å lagre variablene i RAM. Et skjermbilde av Python-kodene der parameterne er tilordnet verdier henholdsvis er vedlagt (tilleggsfigur 1).
| d0 | 87,7085 moh |
| E | 50 * 1 x 10-09 joule |
| epson_fs | 1 * 10-12* 10 joule |
| epson_mp | 0,0013 * 1 * 10-12 joule |
| Pakkestørrelse | 4000 biter |
Tabell 1: Innstillinger for parameter og pakkestørrelse for energimodell.
Tilleggsfigur 1: Manus 1. Skript for å konfigurere eksperimentparameterne. Klikk her for å laste ned denne filen.
4. Python-skript
- Forbered Python-skriptene for å generere 198 sensornode 2D-posisjoner som er like spredt i seks sektorer som deler det sirkulære området med en radius på 50 m.
MERK: Den sirkulære grafen er segmentert i 6 sektorer. I hver sektor behandles posisjonen til hver node med to tilsvarende variabler. Den ene er vinkelen, og den andre er radiusen. Tilordne verdier til både vinkel og radius ved hjelp av en jevn tilfeldig fordelingsgenerator. Den detaljerte prosedyren er vist i tilleggsfigur 2 og tilleggsfigur 3. - Innenfor hver sektor må du sørge for at de 33 sensornodene spres tilfeldig med en normalfordeling. Lagre 2D-posisjonene i tekstfiler etter hver sektor under navnestaveregelen som 'posdata'+sector_no+'.txt' (figur 3 og figur 4).
- Segmenter det sirkulære området med en radius på 50 m i seks sektorer. Startvinkelverdiene for disse seks sektorene gjør vektoren A = [60,120,180,240,300,360].
- Anta at sektorindeksen er i, sett pollengden for jth sensornode som l_{i,j}=50*random.random()
- Anta at sektorindeksen er i, sett vinkelverdien for jth sensornode som ang_{i,j}=(60*random.random.random() + A_i - 60) * 2 * pi / 360
- Sett de kartesiske koordinatene til den jth sensornoden ii sektoren som
x_{i,j}=l_{i,j}*cos(ang_{i,j})
y_{i,j}=l_{i,j}*sin(ang_{i,j})
- Segmenter det sirkulære området med en radius på 50 m i seks sektorer. Startvinkelverdiene for disse seks sektorene gjør vektoren A = [60,120,180,240,300,360].
Tilleggsfigur 2: Script2. Skript for å konfigurere de to dimensjonsposisjonsplasseringene for hver node etter sektor. Klikk her for å laste ned denne filen.
Tilleggsfigur 3: Script3. Skript for å konfigurere posisjonsverdier for hver node innen 1 sektor. Klikk her for å laste ned denne filen.
Figur 3: Nodeposisjoner generert og lagret separert i 6 filer som hver tilsvarer en sektor. Todimensjonale posisjonsplasseringer lagres i 6 posdata + 'idx' filer. Hver presenterer en sektor. Klikk her for å se en større versjon av denne figuren.
Figur 4: Nodeposisjoner lagret i sektor 0. Posisjonene er i to dimensjoner og generert ved hjelp av en jevn tilfeldig generator. Den første kolonnen er de horisontale plasseringene, og den andre kolonnen er de vertikale plasseringene. Klikk her for å se en større versjon av denne figuren.
5. Forberedelse av de opprinnelige energinivåene
- Forbered de opprinnelige energinivåene for alle 198 sensornoder. Tilordne halvparten av dem med innledende energi ved 0,5 J og den andre halvparten med innledende energi ved 1 J. Opprett en matrise for å lagre hver nodes energinivå, og bruk en sløyfe for å tilordne celler sekvensert i partall verdien 1 og de som er sekvensert i oddetall verdien 0,5. Tilleggsfigur 4 viser Python-kodene, og resultatet er vist i figur 5.
Tilleggsfigur 4: Script4. Skript for å tildele halvparten av nodens energi på 1 joule og de andre 0,5 joule. Klikk her for å laste ned denne filen.
Figur 5: Energy_buffer innledende oppgaven. Halvparten av nodene er tildelt energi 1 joule, mens de andre halvdelene er tildelt 0,5 joule. Klikk her for å se en større versjon av denne figuren.
6. Klargjøre Advanced_Leach algoritmeskript (figur 6 og figur 7)
- Forbered et funksjonelt skript der klyngehodet velges og klyngen dannes.
MERK: Klyngen velges ved hjelp av en løkke under forutsetning av at antall valgte klyngehoder er mindre enn det totale antallet noder delt på 6. Betingelsen er å sikre at kildenodemengden i hver klynge er lik eller mindre enn 6. Innenfor løkken tildeles hver node et tilfeldig tall mellom [0,1]. De som er mindre enn et gitt kriterienummer, blir klyngehodet, mens andre blir kildenodene. Den detaljerte prosedyren er vist i tilleggsfigur 5. Gitt et fast utvalg av klyngehoder, velger resten av kildenodene sine klyngehoder innen den korteste avstanden, gitt at klyngehodet ikke har vært vert for mer enn 6 kildenoder ennå. Den detaljerte prosedyren er vist i tilleggsfigur 6.- Sett T_n=P/(1-P*(antall%(1/P))), der P = 0,2 (proporsjonalhastigheten til antall klyngehoder til den totale nettverksstørrelsen) og antallet er mengden overføringsrunde som er oppdatert.
- For hver sensornode oppnår du et tilfeldig tall mellom[0,1] threshold_rm = random.random()
- Hvis threshold_rm er mindre enn T_n, velger du denne sensornoden som klyngehode.
- For hver av de ikke-cluster_head nodene velger du den nærmeste sensornoden for klyngehode som klyngehode. Gitt et fast utvalg av klyngehoder, velger resten av kildenodene sine klyngehoder innen korteste avstand, gitt at klyngehodet ikke har vært vert for mer enn 6 kildenoder ennå. Den detaljerte prosedyren er vist i tilleggsfigur 6.
- Forbered kommandolinjene for å beregne energiuttømmingsprosessen over hele nettverket for denne runden. For hver kjøring av algoritmen som fullfører en batch av leveranser av pakkene fra kildenoder til vasken, vil energilagringsarrayet som forberedt bli oppdatert for å ha redusert celle for celle i verdier. Energiforbruket langs banen vil være summeringen av energiforbruket per node-til-node-rute, som beregnes i henhold til en energimodell1. Den detaljerte prosedyren er vist i tilleggsfigur 7.
- Beregn de nødvendige beregningene for overføringsrunder.
MERK: For hver kjøring av algoritmen for å fullføre en batch med pakkelevering, oppdateres energirekken, kjøremengden og antall utladede noder telles. Hvis verdien er større eller lik 1, er FND (første node dør) lik gjeldende kjøremengde. Hvis verdien er større eller lik halvparten av nodebeløpet, er HND (halv node dør) lik gjeldende kjøremengde. Hvis verdien er lik den totale nodemengden, er AND(all node die) lik gjeldende kjøremengde. Den detaljerte prosedyren er vist i tilleggsfigur 8.
Figur 6: Klyngehodematrise. Sekvensnumrene til nodene som er valgt til å være klyngehoder. Klikk her for å se en større versjon av denne figuren.
Figur 7: Klyngehodeindeksmatrise. Siden det er seks sektorer, hver med 33 sensornoder, i klyngehodeindeksmatrisen, indikerer tallet sekvensnummeret til klyngehodet den tilsvarende sensornoden tilhører. Posisjonsindeksen til matrisen tilsvarer sekvensnummeret til hver sensornode. For sensornoden som er valgt som klyngehode, er tallet som er tilordnet sporet i matrisen, sekvensnummeret til seg selv. Klikk her for å se en større versjon av denne figuren.
Tilleggsfigur 5: Manus 5. Skript for å velge klyngehodet. Klikk her for å laste ned denne filen.
Tilleggsfigur 6: Script6. Skript for å tilordne kildenoder til klynger. Klikk her for å laste ned denne filen.
Tilleggsfigur 7: Script7. Skript for å oppdatere energibufferen for alle kildenoder via reduksjon av mengden energi som forbrukes gjennom overføring. Klikk her for å laste ned denne filen.
Tilleggsfigur 8: Script8. Script for å beregne mengden runder opp som den første noden dør, og halvparten av nodene dør. Klikk her for å laste ned denne filen.
7. Forbereder hybrid kvantealgoritmeskript
- Forbered et fungerende skript der klyngehodet velges og klyngehodet dannes.
- Siden den maksimale klyngestørrelsen er 6 i dette eksperimentet1, må du sørge for at mengden klyngehoder ikke er mindre enn current_valid_node_amount/6, og utvelgelsesprosedyren kjøres i en løkke til dette kriteriet er oppfylt.
MERK: Hvis current_valid_node_amount ikke er større enn 6, danner disse gyldige nodene bare en og eneste klynge seg selv. - For hver av de ikke-cluster_head_valid noder, beregne avstanden til den til hvert av de valgte klyngehodene, og tilordne den klyngehodet hvis klyngestørrelse ikke har oversteget 6 der avstandsverdien er den minste.
MERK: I figur 8 beregnes alle ikke-cluster_head_valid noders avstander til det valgte klyngehodet 24, og alle de valgte klyngehodene vises i figur 9. Figur 10 viser alle nodene som er tilordnet sitt tilsvarende klyngehode, og figur 11 viser gruppering av hver klynges medlemsnoder i en vektormatrise.
- Siden den maksimale klyngestørrelsen er 6 i dette eksperimentet1, må du sørge for at mengden klyngehoder ikke er mindre enn current_valid_node_amount/6, og utvelgelsesprosedyren kjøres i en løkke til dette kriteriet er oppfylt.
- Forbered underfunksjonsskriptet, der ruteoptimaliseringsproblemet per klynge dannes og sendes til D-wave API (figur 12). Rutebanene beregnes klynge for klynge.
- Bruk Python-skriptet til å beregne energiuttømmingsprosessen over hele nettverket for kvantitativt å evaluere algoritmen etter nettverkets levetid når det gjelder antall overføringsrunder.
MERK: For hver kjøring av algoritmen som fullfører en batch av leveranser av pakkene fra kildenoder til vasken, vil energilagringsarrayet som forberedt bli oppdatert for å ha redusert celle for celle i verdier. Energiforbruket langs banen vil være summeringen av energiforbruket per node-til-node-rute, beregnet i henhold til en energimodell1. Den detaljerte prosedyren er vist i tilleggsfigur 7. - Ved hjelp av Python-skript registrerer du øyeblikket når den første noden dreneres ut og når halvparten av nodene dreneres ut. Den detaljerte prosedyren er vist i tilleggsfigur 8.
Figur 8: toClusterHeadDistance Array for ikke-cluster_head node med indeks 24. Den første kolonnen er avstanden og den andre kolonnen er klyngehodeindeksnummeret Klikk her for å se en større versjon av denne figuren.
Figur 9: CHID_buff matrise. Sekvensnumrene til sensornodene som er valgt som klyngehoder. Klikk her for å se en større versjon av denne figuren.
Figur 10 CHIdx_buff matrise. Tilordnet sekvensnummer for klyngehodesensornoder til hver tilsvarende sensornode. Klikk her for å se en større versjon av denne figuren.
Figur 11: CH_BUFF matrise. Klyngegruppe per sensornoder for klyngehode som tilsvarer matrisen CHID_buff. Hver klyngegruppe består av 0 eller flere enn 0 sensornoder. Hver klyngegruppematrise viser sekvensnumrene til sensornoder som er i den. Klikk her for å se en større versjon av denne figuren.
Figur 12: Rutingbaneberegning per sektor. For hver sektor beregnes rutebanene for alle kildenoder. Klikk her for å se en større versjon av denne figuren.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Resultater fra ett utvalg er vist i tabell 2, tabell 3 og tabell 4. De detaljerte datasettene for de tre databunkene er tilgjengelige i mappen Tilleggsdata 1 .
| Datasett 1 | ||
| 198 noder i et sirkulært område med en radius på 50m | Hybrid kvantealgoritme | Advanced_Leach Algoritme |
| FND | 1442 | 727 |
| HND | 2499 | 1921 |
Tabell 2: Batch 1 med resultater fra eksperimentet.
| Datasett 2 | ||
| 198 noder i et sirkulært område med en radius på 50m | Hybrid kvantealgoritme | Advanced_Leach Algoritme |
| FND | 757 | 1463 |
| HND | 1925 | 2500 |
Tabell 3: Batch 2 med resultater fra eksperimentet.
| Datasett 3 | ||
| 198 noder i et sirkulært område med en radius på 50m | Hybrid kvantealgoritme | Advanced_Leach Algoritme |
| FND | 790 | 1461 |
| HND | 1888 | 2500 |
Tabell 4: Batch 3 med resultater fra eksperimentet.
Tre beregninger er valgt med definisjoner4 som nedenfor:
FND - første node dør. Antall overføringer runde opp til hvilken den første sensornodeenergien tappes ut;
HND - halv node dør. Antall overføringer runder opp til hvilken halv mengde av sensornodenes energi tappes ut;
LND - siste node dør. Antall sendinger runder opp til at hele sensornettverket er dødt.
Fra resultatene kan vi se at hybridkvantealgoritmen har mer effektivitet enn den advanced_leach algoritmen.
Ytterligere resultater av tidskompleksiteten til den foreslåtte metoden og samsvarsplottet er vist i henholdsvis figur 13 og figur 14.
Figur 13: Tidskompleksiteten til Hybrid Quantum-algoritmen. Tid i enheten for sekund brukt til å kjøre en syklus med HQA på tvers av ulike nettverksstørrelser. Klikk her for å se en større versjon av denne figuren.
Figur 14: Resultater av Hybrid Quantum-algoritmen som samsvarer med Advanced Leach algoritmen. FND og HND eller HQA og ALA deler et lignende plottformmønster. Klikk her for å se en større versjon av denne figuren.
Supplerende data 1: Datasett av de tre batchene av eksperimenter utført i denne studien. Klikk her for å laste ned denne filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Den nåværende state-of-the-art kommersielle kvanteprosessoren kan brukes i beregningsproblemer av enhver nettverkstopologi1. Kvanteprosessorapplikasjonen er ikke begrenset av antall fysiske qbits noen av kvanteprosessorene har vært i stand til å implementere.
I sensornettverkets levetidsforlengelsesdesign viser resultatene en fremgang i metoden for å oppnå enda lengre nettverkslevetid ved å bruke en kvanteprosessor. Resultatene tyder på at kvantefortrinnet er klart til å utnyttes kommersielt i både offentlig og privat sektor.
For ledelsesmessige implikasjoner er Quantum Advantage i stand til å være den neste milepælen for å bane en lovende vei for nær fremtid Hi-Tech bærekraftig velstand. Nåværende Hi-Tech, når det gjelder læringsstrategi og / eller kunstig intelligens (AI), krever uansett metode kraftstasjonen for å behandle / holde dataene. Fra et overordnet perspektiv av Green Globe skiller den seg ikke ut som en god kandidat16. ML / AI, selv om det gjør beregningen mer økonomisk effektiv, gir ikke en analytisk løsning av grunnårsak fordi effektiv databehandling byttes av høyeffekts beregningsanlegg. Derfor er de fundamentalt begrenset av datamaskinen med høy ytelse (HPC). Kvantedatabehandling, som revolusjonerer databehandlingsparadigmet, har vist seg å være effektiv i databehandling raskere enn eldre datamaskiner på tvers av flere praktiske prøveapplikasjoner17,18. Kvanteassistert ML, for forfatteren, er PML (probabilistisk maskinlæring). ML-algoritme (skript / programmeringsspråk på høyt lavt nivå) kjører på en databehandlingsenhet som kan være enten en klassisk datamaskin eller kvanteberegning. Gitt den samme ML-algoritmen til kjørbare kommandolinjer n, la f_cc (n) indikere forbruket i beregning for klassiske datamaskiner og f_qc (n) angi forbruket i beregning for kvantedatamaskiner. f_cc(n) er en vektet summering av beregningsforbruk av klassisk kjørbar datamaskin alpha_i for n-kommandolinjene. f_qc(n) er en like vektet summering av beregningsforbruket av kvantedatamaskinkjørbar alpha_j for de samme n-kommandolinjene. Tykkelsene forblir uendret, da ML-kommandolinjene på øvre nivå er like like. Enkelt sagt har dette arbeidet og tidligere arbeid1 vist at alpha_j alltid er mindre enn alpha_i så f_qc (n) alltid er mindre enn f_cc (n).
Når det gjelder akademiske implikasjoner, er tidligere etablerte prosessorer / databehandlingsanlegg konvensjonelt brukt til å hjelpe forskere til å tenke / generere / utvikle sine ideer og planer. Kvanteberegning indikerer forskernes metodiske tilnærming venter på en episk evolusjon. Det kan være forstyrrende, men optimistisk. Fra nå av må forskere som ikke er vant til teoretisk algoritmedesign / analyse jobbe hånd i hånd for å utarbeide / generere kvantealgoritmer for å løse sitt forskningsemne. De fleste kvantealgoritmer for praktisk forskning er ikke lett tilgjengelige. I en setning endret forskernes databehandlingsenheter seg. Oppsett av virtuelt miljø og QPU API er helt avhengig av en tilfredsstillende internettforbindelse.
Begrensninger i studien inkluderer (i) Koblingskapasitet er ikke vurdert1. Pakketapsraten ignoreres. Fremtidige arbeider vil vurdere den underliggende sensornettverksprotokollen for å formulere problemet på riktig måte med tanke på både energiforbruk og tapskontroll (enten med et overføringsskjema eller ikke). (ii) Nettverkstopologi antas å være kjent på forhånd. Nodeposisjoner er faste. (iii) Tiden det tar å kjøre hybridkvantealgoritmen per runde er lengre enn den avanserte lekkealgoritmen, men med høyere nøyaktighet. (iv) Algoritmen kunne ikke fungere frakoblet.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Ingen
Acknowledgments
Arbeidet er støttet av Engineering and Physical Sciences Research Council of the UK (EPSRC) Grant nummer 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).
