Roteamento de rede de sensores energeticamente eficiente em larga escala usando uma unidade de processador quântico

Este protocolo revela-se mais energético do que os protocolos legados. De uma perspectiva de pesquisa de computação de conteúdo, este protocolo mostra que o gargalo atual da questão do qubit barulhento não tem teto para a comercialidade da tecnologia de computação de conteúdo. Essa técnica demonstra a viabilidade de aplicar os métodos atuais de computação de conteúdo de última geração a problemas de rede.

Além disso, apresenta os méritos da aplicação de métodos de computação de conteúdo a problemas de rede sobre métodos legados. Para começar, baixe e instale as ferramentas do Ocean a partir do link fornecido. No terminal, digite python space minus m space venv space ocean e ocean/bin/activate.

Em seguida, digite git space clone space https:github.com/dwavesystems/dwave-ocean-sdk. Git então CD Space dwave-ocean-SDK, seguido pela configuração do espaço Python. instalação do espaço py.

Depois de baixar e instalar o Cplex, no terminal, digite pip space install space cplex. Usando o script de notação de programação Python, configure os parâmetros de configuração do experimento. Depois que o script for executado, a linguagem subjacente será processada para armazenar as variáveis na RAM.

Em seguida, crie os scripts Python para gerar 198 posições 2D do nó do sensor que estão igualmente espalhadas em seis setores e divida a área circular com um raio de 50 metros. Dentro de cada setor, certifique-se de que os 33 nós do sensor estejam espalhados aleatoriamente por uma distribuição normal. Salve as posições 2D em arquivos de texto por cada setor sob a regra de ortografia de nome como posdata com aspas simples, além de sublinhado de setor sem txt mais com aspas simples.

Segmente a área circular com um raio de 50 metros em seis setores. Para o índice de setor I, defina o comprimento do polo para o nó j-ésimo do sensor digitando o comando indicado. Se o índice de setor for L, defina o valor angular para o nó j-ésimo do sensor.

Em seguida, defina as coordenadas cartesianas do nó j-ésimo sensor no i-ésimo setor. Para preparar os níveis de energia iniciais para todos os 198 nós do sensor, divida-os igualmente, alocando uma energia inicial de 0,5 joules para metade dos nós do sensor e um joule para a outra metade. Prossiga para criar uma matriz para armazenar o nível de energia de cada nó e use um loop para atribuir às células sequenciadas em números pares o valor de um e às sequenciadas em números ímpares o valor de 0,5.

Em seguida, prepare um script funcional para selecionar o cabeçalho do cluster. Para cada nó do sensor, obtenha um número aleatório entre zero e um, threshold_rm igual a aleatório. colchete aleatório.

Se threshold_RM for menor que t_n, selecione esse nó do sensor como o cabeçalho do cluster. Para cada nó noncluster_head, selecione o nó do sensor de cabeça de cluster mais próximo dele como seu cabeçalho de cluster. Prepare as linhas de comando para calcular o processo de esgotamento de energia em toda a rede para esta rodada.

Por fim, calcule as métricas de transmissão redondas necessárias. Para preparar um script de algoritmo quântico híbrido, execute o procedimento de seleção em um loop para garantir que a quantidade de cabeças de cluster seja seis. Em seguida, para cada um dos nós não cluster_head_valid, calcule a distância para cada cabeça de cluster selecionada e atribua-a à cabeça de cluster cujo tamanho de cluster não excedeu seis e onde o valor de distância foi menor.

Em seguida, prepare um script de subfunção onde o problema de otimização de enraizamento por cluster é formado e enviado para a API Dwave. Usando o script Python, calcule o esgotamento de energia em toda a rede para avaliar quantitativamente o algoritmo por tempo de vida da rede em termos do número de rodadas de transmissão. Em seguida, registre o momento em que o primeiro nó é drenado para fora e quando metade dos nós são drenados.

Neste estudo, observou-se que o algoritmo quântico híbrido tem mais eficiência do que o algoritmo advanced_leach. A complexidade temporal do algoritmo quântico híbrido e do algoritmo quântico híbrido que cumpre com o advanced_leach também são mostrados aqui. Estes métodos podem ser aplicados a outros sistemas em otimização objetiva.

Por exemplo, comunicação máquina-máquina na indústria de manufatura. De acordo com a física do conteúdo, a teoria do conteúdo tem problemas pavimentados para cada cenário de jogo fixo. Pode levar a novas pesquisas em ciências sociais e economia.