使用量子处理器单元的大规模高能效传感器网络路由

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。