Questo protocollo si dimostra più efficiente dal punto di vista energetico rispetto ai protocolli legacy. Dal punto di vista della ricerca sul content computing, questo protocollo mostra che l'attuale collo di bottiglia del problema dei qubit rumorosi non ha un tetto per la commercializzazione della tecnologia di content computing. Questa tecnica dimostra la fattibilità dell'applicazione degli attuali metodi di content computing allo stato dell'arte ai problemi di rete.
Inoltre, presenta i vantaggi dell'applicazione dei metodi di calcolo dei contenuti ai problemi di rete rispetto ai metodi legacy. Per iniziare, scarica e installa gli strumenti Ocean dal link fornito. Al terminale, digita python space minus m space venv space ocean quindi ocean/bin/activate.
Quindi, digita git space clone space https:github.com/dwavesystems/dwave-ocean-sdk. git quindi cd space dwave-ocean-sdk, seguito da python space setup. py spazio installare.
Dopo aver scaricato e installato Cplex, nel terminale, digita pip space install space cplex. Usando lo script di notazione di programmazione Python, impostare i parametri di configurazione dell'esperimento. Una volta eseguito lo script, il linguaggio sottostante elaborerà per memorizzare le variabili nella RAM.
Successivamente, crea gli script Python per generare 198 posizioni 2D dei nodi del sensore equamente sparse in sei settori e dividi l'area circolare con un raggio di 50 metri. All'interno di ogni settore, assicurarsi che i 33 nodi del sensore siano sparsi in modo casuale con una distribuzione normale. Salva le posizioni 2D in file di testo per ogni settore sotto la regola ortografica del nome come posdata con virgolette singole, più trattino di sottolineatura del settore no più txt con virgolette singole.
Segmenta l'area circolare con un raggio di 50 metri in sei settori. Per l'indice di settore I, impostare la lunghezza del polo per il j-esimo nodo sensore inserendo il comando indicato. Se l'indice del settore è L, impostare il valore angolare per il nodo j-esimo del sensore.
Quindi impostare le coordinate cartesiane del nodo j-esimo del sensore nel settore i-esimale. Per preparare i livelli di energia iniziali per tutti i 198 nodi del sensore, dividerli equamente, allocando un'energia iniziale di 0,5 joule a metà dei nodi del sensore e un joule all'altra metà. Procedi a creare un array per memorizzare il livello di energia di ogni nodo e usa un loop per assegnare alle celle sequenziate in numeri pari il valore di uno e a quelle sequenziate in numeri dispari il valore di 0,5.
Preparare quindi uno script funzionale per selezionare l'intestazione del cluster. Per ogni nodo del sensore, ottenere un numero casuale compreso tra zero e uno, threshold_rm uguale a casuale. parentesi casuale.
Se threshold_RM è inferiore a t_n, selezionare questo nodo sensore come testa del cluster. Per ogni nodo noncluster_head, selezionare il nodo sensore della testa del cluster più vicino ad esso come testa del cluster. Preparare le righe di comando per calcolare il processo di esaurimento dell'energia nell'intera rete per questo round.
Infine, calcola le metriche del ciclo di trasmissione richieste. Per preparare uno script di algoritmo quantistico ibrido, eseguire la procedura di selezione in un ciclo per assicurarsi che la quantità di head cluster sia sei. Successivamente, per ciascuno dei nodi non cluster_head_valid, calcolare la distanza da ogni testa del cluster selezionata e assegnarla all'head del cluster la cui dimensione del cluster non ha superato sei e dove il valore della distanza era più piccolo.
Successivamente, preparare uno script di sottofunzione in cui viene formato il problema di ottimizzazione del rooting per cluster e inviato all'API Dwave. Utilizzando lo script Python, calcola l'esaurimento dell'energia nell'intera rete per valutare quantitativamente l'algoritmo in base alla durata della rete in termini di numero di cicli di trasmissione. Quindi registrare il momento in cui il primo nodo viene svuotato e quando metà dei nodi viene svuotato.
In questo studio, è stato osservato che l'algoritmo quantistico ibrido ha un'efficienza maggiore rispetto all'algoritmo advanced_leach. Di seguito viene illustrata anche la complessità temporale dell'algoritmo quantistico ibrido e dell'algoritmo quantistico ibrido conforme alla advanced_leach. Questi metodi possono essere applicati ad altri sistemi nell'ottimizzazione oggettiva.
Ad esempio, la comunicazione machine-to-machine nell'industria manifatturiera. Secondo la fisica dei contenuti, la teoria dei contenuti ha spianato i problemi per ogni ambientazione di gioco fissa. Può portare a nuove ricerche nelle scienze sociali e nell'economia.
