Крупномасштабная энергоэффективная маршрутизация сенсорной сети с использованием квантового процессора

Энергосбережение в сенсорных сетях было очень важным вопросом при проектировании¹. Классические методы обычно решают проблему с помощью специального подхода 2,3,4,5,6. Тем не менее, эти методы имитируют сенсорные узлы как индивидуально управляемые интеллектуальные активы, которые также могут сотрудничать, чтобы служить интересам как отдельного человека, так и общества. Из-за изменчивой среды, в которой работают датчики, в некоторых работах вводятся случайные алгоритмы для того, чтобы уловить неопределенности окружающей среды, в то время как в других используется биоинтеллект для разработки эвристических алгоритмов, которые могли бы^{достичь результатов,} приемлемых с точки зрения здравого смысла. Чтобы проиллюстрировать далее, для этих случайных алгоритмов, с одной стороны, неопределенности окружающей среды могут быть не такими случайными, как случайная последовательность, сгенерированная классическим процессором, с другой стороны, даже если неопределенности среды абсолютно случайны, они не могут быть учтены симулятором случайных процессов, сгенерированным классическим процессором; Для этих алгоритмов биоинтеллекта, во-первых, не было проведено строгого математического анализа, чтобы концептуальное доказательство работало, во-вторых, сходимость к истине или граница допустимости ошибок могут быть сконфигурированы только при наличии обоснованной базовой истины – хотя значительное количество работ в литературе продемонстрировало в той или иной степени работу этих эвристических алгоритмов. Во-первых, эти алгоритмы анализируются (а не моделируются) в соответствии с четко определенными сценариями использования, они останавливаются на определенных критериях, над которыми все еще стоит задуматься в дальнейших исследованиях, во-вторых, как было сказано ранее, большинство алгоритмов не были проверены на соответствие программному моделированию, которое может быть легко развернуто в микропроцессорах, которые превращают датчик^{в его} существо.

Мы не рассматриваем здесь машинное обучение (ML), потому что оно должно использовать аналитику данных, которая требует относительно большого объема вычислительной мощности, которая не переносима в сенсорных устройствах⁹.

Для решения вышеупомянутых проблем мы предлагаем гибридный квантовый алгоритм. Алгоритм является гибридным в том смысле, что механизм выбора головы кластера реализован с помощью классического случайного алгоритма во время вычислений маршрутизации, проводимых с помощью квантового процессора после настройки топологии сети. Метод обоснован следующим образом: (1) Как обсуждалось в первом параграфе относительно неопределенностей окружающей среды, мы не хотим дальше пытаться применить генератор квантовых последовательностей для захвата динамики окружающей среды, потому что она может быть исторически прослежена. Динамика окружающей среды, которую можно проследить исторически, была обоснована различными исследовательскими работами в области машинного обучения в области сетевых наук. На данном этапе мы придерживаемся классического подхода. (2) Точный метод, основанный на абстрактном математическом анализе, гарантирует достижение истинной истины. Квантовая экспериментальная физика до сих пор изощренно поддерживалась физической математикой. Более того, существуют приложения алгоритмов, такие как алгоритм Шора¹⁰ , чтобы доказать эту округленную теорию.

Для сравнения ниже приводится достаточное количество литературы для сравнения. Протокол HEESR, предложенный¹¹ , имеет очевидные достоинства в результатах, но авторы хорошо определили параметры конфигурации моделирования, например, точную функцию случайного распределения положения узла, правильное обоснование процента напора кластера p (0,2%) и параметр масштабирования для распределения уровня энергии (1-2 джоуля) между узлами a_i. Это запретило автору продолжать дублировать эксперименты и проводить сравнение. Механизм маршрутизации^{питания 12} использует метод аппроксимации кривой для аппроксимации сходящихся непрерывных функций из дискретных наборов данных, полученных из неопределенного пространства выборок, для детерминант, влияющих на процесс принятия решения об оптимальной маршрутизации сети. Метод аппроксимации кривой¹³ требует предварительной информации о топологии сети. В реальных обстоятельствах предварительная информация может быть недоступна. Даже при наличии предварительной информации топология сети может быть недостаточно регулярной, чтобы ее можно было отобразить на аппроксимирующие кривые, которые могут облегчить выводимые вычисления. Следуя той же логике, протокол¹⁴ DORAF не обосновал, как и зачем заимствовать функцию Больцмана и логистическую функцию для аппроксимации детерминант сети. Исмаил и ^др.15 послужили надежным ориентиром для будущих исследований в области разработки энергоэффективных протоколов маршрутизации в подводной сети.