需要订阅 JoVE 才能查看此. 登录或开始免费试用。
本研究提供了一种使用量子处理器单元来计算各种流量动态的路由的方法,这些路由的性能优于文献中的经典方法,以最大限度地延长网络寿命。
传感器网络节能方法是经典计算机和量子处理器的混合使用方法,已被证明比使用经典计算机的启发式算法性能更好。在这份手稿中,介绍了该方法重要性的技术背景并进行了论证。然后,如果需要,可以按操作顺序演示实验步骤,并附上插图。该方法已通过随机生成的网络拓扑样本集的积极结果进行验证。该方法的成功实验结果为传感器网络寿命最大化问题提供了更好的方法,并证明了当前最先进的量子处理器已经能够解决大型实际工程问题,其优点超过了目前文献中的方法。换句话说,量子优势可以尽最大努力加以利用。它已经超越了概念验证阶段,进入了可行性验证阶段。
传感器网络中的节能一直是设计1 中一个非常关键的问题。经典方法通常使用临时方法 2,3,4,5,6 来解决问题。也就是说,这些方法将传感器节点模拟为单独管理的智能资产,这些资产也可以合作为个人和社区的利益服务。由于传感器工作环境不稳定,在一些作品中,引入了随机算法来捕捉环境的不确定性,而在另一些作品中,则借用生物智能来设计启发式算法,以实现常识可接受的结果7.进一步说明,对于这些随机算法,一方面,环境不确定性可能不如经典CPU生成的随机序列那么随机,另一方面,即使环境不确定性是绝对随机的,也无法被经典CPU生成的随机过程模拟器捕获;对于这些生物智能算法,首先,没有经过严格的数学分析来使概念证明起作用,其次,只有在给定知情的地面事实的情况下,才能配置与真理的收敛性或容错边界 - 尽管文献中的大量作品已经在某种程度上证明了这些启发式算法是有效的, 一方面,这些算法是针对定义明确的用例场景进行分析(而不是模拟的),它们停留在某些标准上,这些标准仍然值得进一步研究,另一方面,如前所述,大多数算法尚未针对软件模拟进行验证,这些软件模拟可以更容易地部署在微处理器中,使传感器成为8。
我们在这里不考虑机器学习 (ML),因为它需要采用数据分析,这需要相对大量的计算能力,而这些计算能力在传感器设备中是不可移植的9。
为了解决上述问题,我们提供了一种混合量子算法。该算法是混合算法,因为在建立网络拓扑后,在使用量子处理器进行的路由计算期间,使用经典的随机算法实现簇头选择机制。该方法的合理性如下:(1)正如第一段中关于环境不确定性所讨论的,我们不想进一步努力应用量子序列发生器来捕捉环境动态,因为它可能在历史上是可追溯的。网络科学中的各种机器学习研究工作已经证明了历史上可追溯的环境动态。对于当前阶段,我们坚持使用经典方法。(2)依靠抽象数学分析的确切方法保证了得出真实情况。到目前为止,量子实验物理学得到了物理数学的复杂支持。此外,像 Shor 算法10 这样的算法应用程序已经存在来证明这个四舍五入的理论。
下面提供了足够数量的文献调查以供比较。提出的HEESR协议11 在结果上具有明显的优点,但作者已经很好地指定了仿真配置参数,例如,节点位置的精确随机分布函数,簇头百分比p的正确理由(0.2%),以及节点间能级分布的标度参数(1-2焦耳)a_i。它禁止提交人进一步重复实验和进行比较。电源路由机制12 采用曲线拟合方法,从从未指定的样本空间获得的离散数据集中近似收敛的连续函数,以影响最佳网络路由决策过程的决定因素。曲线拟合方法13 需要关于网络拓扑的先验信息。实际情况可能没有现成的事先信息。即使存在先验信息,网络拓扑也可能不够规则,无法映射到能够促进可推导计算的拟合曲线上。按照同样的逻辑,DORAF 协议14 没有证明如何以及为什么借用玻尔兹曼函数和逻辑函数来近似网络行列式。Ismail等[15 ]为未来水下网络节能路由协议设计的研究提供了良好的参考。
1. 设置 Dwave 海洋环境
图 1:海洋虚拟环境激活。 Ocean 包作为 D-wave API 的集成,通过用户自己的计算机向 D-wave 机器前提提供云用户体验。 请点击这里查看此图的较大版本.
图 2:Ocean SDK 安装。 Ocean 软件包为开发人员提供了必要的工具包,包括方便的 Cplex 安装。 请点击这里查看此图的较大版本.
2. 安装 Cplex Python API 接口
3. 实验配置参数
d0 | 87.7085 米 |
E | 50 * 1 x 10-09 焦耳 |
epson_fs | 1 * 10-12 * 10焦耳 |
epson_mp | 0.0013 * 1 * 10-12 焦耳 |
数据包大小 | 4000 位 |
表 1:能量模型参数和数据包大小设置。
补充 图 1:脚本 1。用于设置实验参数的脚本。 请点击这里下载此文件。
4. Python 脚本
补充 图 2:脚本 2。用于按扇区配置每个节点的二维位置位置的脚本。 请点击这里下载此文件。
补充 图 3:脚本 3。用于在 1 个扇区内配置每个节点位置值的脚本。 请点击这里下载此文件。
图 3:生成和存储的节点位置分为 6 个文件,每个文件对应一个扇区。 二维位置位置保存在 6 个 posdata+'idx' 文件中。每个都代表一个部门。 请点击这里查看此图的较大版本.
图 4:存储在扇区 0 中的节点位置。 这些位置是二维的,并使用均匀随机生成器生成。第一列是水平位置,第二列是垂直位置。 请点击这里查看此图的较大版本.
5. 准备初始能级
补充 图 4:脚本 4.用于分配节点能量的一半 1 焦耳和另外 0.5 焦耳的脚本。 请点击这里下载此文件。
图 5:Energy_buffer初始分配。 一半的节点被分配了 1 焦耳的能量,而另一半被分配了 0.5 焦耳的能量。 请点击这里查看此图的较大版本.
6. 准备Advanced_Leach算法脚本(图6 和 图7)
图 6:簇头阵列。 已选择作为群集头的节点的序列号。 请点击这里查看此图的较大版本.
图 7:簇头索引数组。 由于簇头索引阵列中有六个扇区,每个扇区有 33 个传感器节点,因此数字表示相应传感器节点所属的簇头的序列号。阵列的位置索引对应于每个传感器节点的序列号。对于被选为簇头的传感器节点,分配给阵列中其插槽的编号是其自身的序列号。 请点击这里查看此图的较大版本.
补充 图 5:脚本 5.用于选择群集头的脚本。 请点击这里下载此文件。
补充 图 6:脚本 6。用于将源节点分配给集群的脚本。 请点击这里下载此文件。
补充 图 7:脚本 7。通过减少传输消耗的能量来更新所有源节点的能量缓冲区的脚本。 请点击这里下载此文件。
补充 图 8:脚本 8。用于计算第一个节点死亡和一半节点死亡的舍入数的脚本。 请点击这里下载此文件。
7. 准备混合量子算法脚本
图 8:索引为 24 的非cluster_head节点的 toClusterHeadDistance 数组。 第一列是距离,第二列是簇头索引号 请点击这里查看此图的较大版本。
图 9:CHID_buff数组。 被选为簇头的传感器节点的序列号。 请点击这里查看此图的较大版本.
图 10 CHIdx_buff数组。 将簇头传感器节点的序列号分配给每个相应的传感器节点。 请点击这里查看此图的较大版本.
图 11:CH_BUFF数组。 与阵列CHID_buff对应的每个簇头传感器节点的簇组。每个群集组由 0 个或超过 0 个传感器节点组成。每个簇组阵列都显示其中传感器节点的序列号。 请点击这里查看此图的较大版本.
图 12:每个扇区的路由路径计算。 对于每个扇区,将计算所有源节点的路由路径。 请点击这里查看此图的较大版本.
一个运行样品的结果如 表 2、 表 3 和 表 4 所示。三批数据的详细数据集可在 补充数据 1 文件夹中找到。
...数据集 1 | ||
半径为 50m 的圆形区域内有 198 个节点 | 混合量子算法 | Advanced_Leach算法 |
FND型 |
目前最先进的商用量子处理器可用于任何网络拓扑结构的计算问题1.量子处理器应用程序不受任何量子处理器能够实现的物理量子比特数量的限制。
在传感器网络寿命延长设计中,结果表明,使用量子处理器实现更长网络寿命的方法取得了进步。结果表明,量子优势已准备好在公共和私营部门进行商业利用。
就管理意义而言,Quantum Adva...
没有
这项工作得到了英国工程和物理科学研究委员会(EPSRC)的支持,资助号为EP / W032643 / 1。
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 |
请求许可使用此 JoVE 文章的文本或图形
请求许可探索更多文章
This article has been published
Video Coming Soon
版权所属 © 2025 MyJoVE 公司版权所有,本公司不涉及任何医疗业务和医疗服务。