Este protocolo demuestra ser más eficiente desde el punto de vista energético que los protocolos heredados. Desde el punto de vista de la investigación de la computación de contenidos, este protocolo muestra que el cuello de botella actual de los qubits ruidosos no tiene un límite para la comercialidad de la tecnología de computación de contenidos. Esta técnica demuestra la viabilidad de aplicar los métodos actuales de computación de contenido del estado del arte a los problemas de red.
Además, presenta los méritos de aplicar métodos de computación de contenido a problemas de red sobre métodos heredados. Para comenzar, descargue e instale las herramientas de Ocean desde el enlace dado. En el terminal, escriba python space minus m space venv space ocean y luego ocean/bin/activate.
A continuación, escriba git space clone space https:github.com/dwavesystems/dwave-ocean-sdk. git luego cd space dwave-ocean-sdk, seguido de python space setup. Py Space Install.
Después de descargar e instalar Cplex, en el terminal, escriba pip space install space cplex. Con el script de notación de programación de Python, configure los parámetros de configuración del experimento. Una vez que se ejecuta el script, el lenguaje subyacente procesará para almacenar las variables en la RAM.
A continuación, cree los scripts de Python para generar 198 posiciones 2D de nodos de sensores que están igualmente dispersas en seis sectores y divida el área circular con un radio de 50 metros. Dentro de cada sector, asegúrese de que los 33 nodos del sensor estén dispersos aleatoriamente por una distribución normal. Guarde las posiciones 2D en archivos de texto por cada sector bajo la regla ortográfica del nombre como posdata con comillas simples, más guión bajo de sector no más txt con comillas simples.
Segmente el área circular con un radio de 50 metros en seis sectores. Para el índice de sector I, establezca la longitud del polo para el j-ésimo nodo del sensor ingresando el comando indicado. Si el índice del sector es L, establezca el valor angular para el j-ésimo nodo del sensor.
A continuación, establezca las coordenadas cartesianas del j-ésimo nodo sensor en el i-ésimo sector. Para preparar los niveles de energía iniciales para los 198 nodos sensores, divídalos en partes iguales, asignando una energía inicial de 0,5 julios a la mitad de los nodos sensores y un julio a la otra mitad. Proceda a crear una matriz para almacenar el nivel de energía de cada nodo y use un bucle para asignar a las celdas secuenciadas en números pares el valor de uno y a las secuenciadas en números impares el valor de 0.5.
A continuación, prepare un script funcional para seleccionar el encabezado del clúster. Para cada nodo sensor, obtenga un número aleatorio entre cero y uno, threshold_rm igual a aleatorio. corchete aleatorio.
Si threshold_RM es inferior a t_n, seleccione este nodo de sensor como cabezal del clúster. Para cada nodo noncluster_head, seleccione el nodo de sensor de cabezal de clúster más cercano a él como su encabezado de clúster. Prepare las líneas de comandos para calcular el proceso de agotamiento de energía en toda la red para esta ronda.
Por último, calcule las métricas de ronda de transmisión requeridas. Para preparar un script de algoritmo cuántico híbrido, ejecute el procedimiento de selección en un bucle para asegurarse de que la cantidad de cabezas de clúster sea seis. A continuación, para cada uno de los nodos no cluster_head_valid, calcule la distancia a cada cabezal de clúster seleccionado y asígnela al cabezal de clúster cuyo tamaño de clúster no haya superado seis y donde el valor de distancia sea menor.
A continuación, prepare un script de subfunción en el que se forme el problema de optimización de enraizamiento por clúster y se envíe a la API de Dwave. Usando el script de Python, calcule el agotamiento de energía en toda la red para evaluar cuantitativamente el algoritmo por vida útil de la red en términos del número de rondas de transmisión. A continuación, registre el momento en que se drena el primer nodo y cuando se drena la mitad de los nodos.
En este estudio, se observó que el algoritmo cuántico híbrido tiene más eficiencia que el algoritmo advanced_leach. Aquí también se muestra la complejidad temporal del algoritmo cuántico híbrido y el algoritmo cuántico híbrido que cumple con el advanced_leach. Estos métodos se pueden aplicar a otros sistemas en la optimización de objetivos.
Por ejemplo, la comunicación máquina a máquina en la industria manufacturera. De acuerdo con la física del contenido, la teoría del contenido ha allanado problemas para cada configuración de juego fija. Puede conducir a nuevas investigaciones en ciencias sociales y economía.
