CN111770549A - 一种低成本无线传感网的构建方法 - Google Patents
一种低成本无线传感网的构建方法 Download PDFInfo
- Publication number
- CN111770549A CN111770549A CN202010663638.9A CN202010663638A CN111770549A CN 111770549 A CN111770549 A CN 111770549A CN 202010663638 A CN202010663638 A CN 202010663638A CN 111770549 A CN111770549 A CN 111770549A
- Authority
- CN
- China
- Prior art keywords
- quantum
- energy matrix
- steps
- sensor network
- wireless sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Superconductor Devices And Manufacturing Methods Thereof (AREA)
Abstract
本发明涉及无线通信网络的技术领域,具体为一种低成本无线传感网的构建方法,将传感器之间的路径问题转化为能量问题,通过计算出能量最低值的能量矩阵反映传感器之间的最小路径,在计算过程中采用量子退火算法进行迭代实现外部循环,并通过添加噪音扰动进行内部循环,外部循环为迭代步数,内部循环为蒙特卡洛步数,设置参数O和K,当迭代步数小于参数K时,使用参数O判断是否跳过当前最优解,降低陷入局部最优解的现象。采用本方案能够解决现有技术中在搜寻无线传感网的最优路径时,算法误差较大导致只能搜索到局部最优路径或近似最优路径的技术问题。
Description
技术领域
本发明涉及无线通信网络的技术领域,具体为一种低成本无线传感网的构建方法。
背景技术
无线传感网是由无线传感器构成,通过传感器协同完成监测区域内的各种数据获取、收集任务,并将数据上传,它们之间也由无线交互而自组织成网络系统,因此每一传感器在无线传感网中被称为无线传感网节点。为了缩短数据传输时间或传输距离,需尽可能的为无线传感网节点部署最短路径,因此路径问题在无线传感网中尤其重要。
在无线传感网中,其路径主要通过节点定位算法实现,节点定位算法主要分为测距和非测距两大类,测距定位算法需要测量传感器间的距离,计算它们之间的角度,再利用最大似然估计、蒙特卡洛定位、三角测量等方法求得其位置信息,虽然定位精度高,但是计算复杂度高,能量开销大。非测距定位算法依靠网络节点间的连接信息获取位置信息,能量开销小、计算简单、维护容易,所以非测距定位算法成为了传感网络节点定位中的主流算法。在非测距定位算法中,根据节点是否已知自身位置,把无线传感网节点分为锚节点和未知节点,由于需要根据锚节点和未知节点间计算距离进行定位,因此往往需要求解方程组,因此在非测距定位算法中需引入智能算法实现快速、准确的求解。
在无线传感网的定位优化中,经典模拟退火、遗传算法等是无线传感器网络节点非测距定位广泛使用的方法,但是上述算法都存在容易陷入局部最优,难以实现全局最优导致定位精度不高的情况。与经典模拟退火算法和遗传算法相比,量子退火算法则不同,量子退火算法利用量子隧穿效应,可以较快地穿透能量势垒由局部最优到达全局最优,简化了计算,提高了计算速度。但是由于量子退火算法的计算速度较快,极有可能出现在未到达全局最优时已完成计算,导致最终结果出现误差的情况。而误差的存在,使得最终获取的路径与实际最优路径存在差异,即获取的路径仅为局部最优路径,或者为近似最优路径。
发明内容
本发明意在提供一种低成本无线传感网的构建方法,以解决现有技术中在搜寻无线传感网的最优路径时,算法误差较大导致只能搜索到局部最优路径或近似最优路径的技术问题。
本发明提供基础方案是:一种低成本无线传感网的构建方法,包括量子随机步骤、量子变异步骤、寻优步骤和冷却控制步骤,还包括量子染色体编码步骤、解空间变换步骤、量子退火步骤、噪音扰动步骤、接受步骤和存储步骤;
量子染色体编码步骤:获取量子染色体,利用量子比特相位角计算得出相位编码,并采用相位编码对量子染色体进行编码获得量子染色体的概率辐编码;
解空间变换步骤:对量子染色体的概率辐编码进行解空间变换获得能量矩阵;
量子退火步骤:向能量矩阵中引入横磁场,并添加配分函数和新的维更新能量矩阵,执行噪音扰动步骤;
噪音扰动步骤:向能量矩阵引入噪音扰动,产生新的能量矩阵;
接受步骤:判断是否接受噪音扰动步骤产生的能量矩阵,当接受能量矩阵的解时,返回噪音扰动步骤,当不接受能量矩阵的解时,获取迭代步数和参数K,当迭代步数小于参数K时,获取蒙特卡洛步数和参数O,当蒙特卡洛步数小于参数O时,执行噪音扰动步骤,直到蒙特卡洛步数大于参数O,执行寻优步骤和冷却控制步骤;当迭代步数大于参数K时,执行存储步骤;
寻优步骤:通过量子旋转门更新策略对量子比特相位角进行更新;
冷却控制步骤:根据冷却进度表对量子比特相位角进行更新;
在执行完寻优步骤和冷却控制步骤时,判断量子染色体是否发生变化,若发生变化则返回量子染色体编码步骤;若未发生变化则判断是否达到结束条件,若达到则执行存储步骤;若未达到则执行量子随机步骤和/或量子变异步骤,对量子比特相位角进行更新,返回量子染色体编码步骤;
存储步骤:对能量矩阵的解进行存储,并获得数值最小的解作为全局最优解。
基础方案的有益效果:
解空间变换步骤的设置,使得一个量子染色体的种群可以变换为一个能量矩阵,实现将传感器的路径问题转换为量子退火方法中的能量最优解问题。
量子退火步骤的设置,基于量子隧穿,通过引入横磁场,利用隧穿效应搜索该系统的基态,即系统能量最低态,系统能量最低态对应的路径即为无线传感网的最优路径。
噪音扰动步骤的设置,引入噪音扰动,获得当前量子染色体下的另一能量矩阵,比较两能量矩阵从而获取系统能量最低态对应的能量矩阵。
接受步骤的设置,是由于引入噪音扰动产生的新的能量矩阵,可能是系统能量更低的能量矩阵,也可能是系统能量更高的能量矩阵,因此对其进行判断,从而决定是否接受噪音扰动步骤产生的能量矩阵。
寻优步骤的设置,当内部循环陷入局部最优解时,实现强制跳出,便于快速获取到系统能量最低态对应的能量矩阵。
量子随机步骤和量子变异步骤的设置,通过对量子比特相位角进行更新,从而实现快速、准确的获取最优解,进而实现快速、准确的搜寻到最优路径。
进一步,还包括初始化步骤,初始化步骤:对初始参数进行初始化。
有益效果:部分初始参数初始化为0,部分初始参数根据需求进行设定,例如公式中的实数,通过初始化步骤对初始参数进行初始化,确保算法最优解的求取。
进一步,解空间变换步骤中,寻求n个传感器之间的总路径,以及任意2个传感器之间的距离被给予时,经过1次所有传感器返回出发时的传感器的最小路径,总路径根据以下公式求得:
式中n为传感器的数量,di,j为传感器i与传感器j之间的最小路径,ni,a的取值为1或0,当传感器i与传感器j之间存在道路直接连通时,ni,a的取值为1,反之,ni,a的取值为0;
空间中z方向的Pauli矩阵。
有益效果:通过总路径的公式寻求m个传感器之间的总路径,对总路径公式进行矩阵变换,并剔除总路径公式中的常量,将总路径公式中的变量部分转换能量矩阵,从而通过算法实现最优解的求取,获得传感器之间的最优路径。
进一步,量子退火步骤中,添加的配分函数为蒙特卡洛方法使用的配分函数,配分函数如下:
式中tr为自旋的量子态求和,β为温度的倒数。
有益效果:使得引入横磁场的能量矩阵归一化得到合理的概率分布。
进一步,噪音扰动步骤中,采用以下公式引入噪音扰动:
mj=mi+yi(Bi-Ai)
yi=Tsgn(u-0.5)[(1+1/T)|2u-1|-1]
式中,mi为能量矩阵修改前的任一参数,mj为能量矩阵修改后的该参数,[Ai,Bi]为mi的取值范围,T为当前温度,u为0至1的随机数,sgn为符号函数。
有益效果:通过借鉴遗传算法中的非均匀变异思想,用非均匀变异策略对当前能量矩阵参数扰动产生新的能量矩阵参数,从而实现在高温的时候有更高的搜索范围。
进一步,接受步骤中,当噪音扰动步骤产生的能量矩阵与上一能量矩阵的能量差小于0时,接受所述能量矩阵的解,反之根据接受概率计算公式判断是否接受所述能量矩阵的解,接受概率计算公式如下:
式中,E为所述能量矩阵的目标函数,E1为当前能量矩阵的目标函数,α、β为非负实数。
有益效果:采用上述接受概率计算公式使得算法具备更快的搜索能力。
进一步,冷却控制步骤中,根据冷却进度表对冷却进度进行控制,冷却进度表根据以下公式获得:
Tn=W*αn*T
式中,W为设定的权值,W<1,T为初始温度,α为降温系数。
有益效果:采用上述公式,通过冷却进度表控制算法进程,在保证算法的充分迭代得到全局最优解的同时,也能加快算法的收敛速度,提高算法的计算效率。
进一步,量子随机步骤中,根据以下公式对量子比特相位进行更新,获得新的量子染色体,
θij=mean(θ)
式中,mean(θ)为整个种群向量的平均值。
有益效果:当迭代步数中能量矩阵的解没有更新,放弃当前的量子染色体,选择一个新的量子染色体,从而实现快速、准确的获取最优解,进而实现快速、准确的搜寻到最优路径。
有益效果:当迭代步数中能量矩阵的解没有更新,基于相位编码的量子非门更新,从而增加种群的多样性。
进一步,结束条件为迭代步数多次都没有进行更新,即迭代步数中的函数值没有更新,或者迭代步数达到设定的总迭代步数。
有益效果:迭代步数中的函数值即为能量矩阵的解,当函数值多次未发生变化时,认为已达到全局最优解,即能量最低态,此时对应的路径即为传感器最优路径。总迭代步数根据经验设置。
附图说明
图1为本发明一种低成本无线传感网的构建方法实施例的流程图;
图2为本发明一种低成本无线传感网的构建方法实施例采用模拟退火算法的仿真图;
图3为本发明一种低成本无线传感网的构建方法实施例采用量子退火算法的仿真图;
图4为本发明一种低成本无线传感网的构建方法实施例采用改进噪音量子退火算法的仿真图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例
一种低成本无线传感网的构建方法,如附图1所示,包括以下步骤:
初始化步骤:
对初始参数进行初始化,初始参数包括初始温度T0、降温系数α、变异概率Pm、随机概率P、冷却进度权值W、实数h、总迭代步数、trotter数、量子比特相位角θij=π(2rand-1),量子比特相位角中i∈{1,2,...,N}、j∈{1,2,...,m},N为染色体的总数,也为传感器的总数,m为优化问题的维数。变异概率Pm初始化为0.5,总迭代步数初始化为1500。
量子染色体编码步骤:
获取量子染色体,采用相位编码Φi=[|θi1|θi2|...|θim|]对量子染色体进行编码,编码后,量子染色体的概率辐编码为:
式(1)中,Pic代表α,Pis代表β。由于量子信息的最小单位是量子比特,它可以处于0态或1态,亦或是0和1的叠加态,记为|Ψ>=α|0>+β|1>,这里的α和β表示的是两个复数,满足约束|α|2+|β|2=1,其中|α|2和|β|2代表量子比特处于|0>态和|1>态的概率。
解空间变换步骤:
对量子染色体进行解空间变换,结合量子退火算法使得量子染色体的传感器路径矩阵变换为能量矩阵,即使得量子染色体的概率辐编码通过解空间变换为能量矩阵。具体为:
寻求n个传感器之间的总路径,以及任意2个传感器之间的距离被给予时,经过1次所有传感器返回出发时的传感器的最小路径。总路径根据以下公式求得:
式(2)中,n为传感器的数量,等同于N,di,j为传感器i与传感器j之间的最小路径,ni,a的取值为1或0,当传感器i与传感器j之间存在道路直接连通时,ni,a的取值为1,反之,ni,a的取值为0。
由于每一传感器都只能停留一次,因此ni,a满足以下条件:
对传感器的路径矩阵进行转化,将传感器路径中ni,a的0和1的取值问题转化为量子退火算法中-1和1的取值问题。根据以下公式实现取值问题的转换:
ni,a≡(σi,a+1)/2 (3)
将公式(3)代入公式(2)中得到公式(4),式(4)中,σi,a为在Hillbert空间中z方向的Pauli矩阵,d为可控的误差,数值较小可忽略不计。
在能量矩阵中每一行每一列的值都只能有一个1,其余为-1,与路径矩阵中每一行每一列的值都只能有一个1,其余为0相同。
量子退火步骤:
基于量子隧穿,在能量矩阵中引入横磁场,如下:
在搜索过程中,由于的初值较大,此时横磁场的能量为量子提供足够的能量使其隧穿,从而有效探索整个空间。随着搜索的进行,横磁场的能量逐渐减小,直至横磁场的作用消失,此时系统所处状态即为所寻找的系统基态,即能量最低状态。通过使量子具备穿透比自身能量更高势垒的能力,产生量子隧穿效应,从而使系统摆脱局部最优,逼近全局最优,实现优化系统的效果。
为了使公式(6)归一化得到合理的概率分布,需要添加配分函数,因此添加蒙特卡洛方法使用的配分函数,配分函数如下:
式(7)中,tr为自旋的量子态求和,β为温度的倒数。
采用Suzuki-Trotter分解的技术来近似配分函数,近似化的配分函数如下:
向自旋系统的尺寸|σ>添加新的维获得n*n*m三维自旋系统|σi,α,k>,并对公式(6)进行展开如下所示,以求取能量的最低值:
式(9)中,m为trotter数,n为传感器的节点数量,即为传感器的数量,k为trotter尺寸中的自旋数,z为在Hillbert空间中z方向的Pauli矩阵。
噪音扰动步骤:
采用依赖于温度的似Cauchy分布产生新的能量矩阵,具体为对能量矩阵中的参数进行修改,修改公式如下:
mj=mi+yi(Bi-Ai) (10)
yi=Tsgn(u-0.5)[(1+1/T)|2u-1|-1] (11)
式(10)、(11)中,mi为能量矩阵修改前的任一参数,mj为能量矩阵修改后的该参数,[Ai,Bi]为mi的取值范围,T为当前温度,u为0至1的随机数,sgn为符号函数。具体的mi为能量矩阵修改前的任一维数,mj为能量矩阵修改后的该维数。
通过借鉴遗传算法中的非均匀变异思想,用非均匀变异策略对当前能量矩阵参数扰动产生新的能量矩阵参数,从而实现在高温的时候有更高的搜索范围。在量子退火算法中,存在一个内部循环和一个外部循环,其中,外循环的步数是最终迭代步数,内循环的步数是在每一步迭代步数中的蒙特卡洛步数。为了让量子退火算法的迭代步数增长,增加其精确度,避免过早陷入局部最优解,我们选择在内循环中进行噪音扰动,设置参数O,当蒙特卡洛步数中的函数值一直没有进行优化改进的话,判断其蒙特卡洛步数是否达到参数O,若达到则直接选择跳过这个最优解,此时的最优解有可能是全局最优解,也有可能是局部最优解。由于量子的另一个特点就是随着迭代步数的增加,跳出当前最优解的概率就越低。换而言之,当迭代步数更小时,当前最优解更大概率为局部最优解,随着迭代步数的增加,当前最优解更大概率为全局最优解,因此在外循环中引入参数K,当迭代步数小于参数K时,使用参数O判断是否跳过当前最优解,从而趋近函数的全局最优解。
根据公式(10)、(11)获取新的能量矩阵,根据前后能量矩阵的能量差计算出ΔE,具体为:
ΔE=ΔE1+ΔE2+ΔE3
接受步骤:
当能量差为ΔE<0时,则接受新的能量矩阵的解,当能量差ΔE>0时,则按接受概率判断是否接受新的能量矩阵的解。
根据Tsallis熵推出的接受概率计算公式,判断是否接受新的能量矩阵的解,接受概率计算公式如下:
P=[1-(1-h)ΔE/T]1/(1-h) (12)
式(12)中,ΔE为能量矩阵的能量差,T为当前温度,h为初始化的实数。
公式(12)仅考虑到能量的绝对变化,但是物体由熔化状态逐渐冷却至结晶状态所出现的相变规则,必须考虑能量的相对变化,由此对公式(12)进行了改进,改进后的接受概率计算公式如下:
式(13)中,E为新的能量矩阵的目标函数,E1为当前能量矩阵的目标函数,α、β为非负实数。当α=β=0时,公式(13)与公式(12)实际相等,但是改进后的接受概率使得算法具备更快的搜索能力。
当接受新的能量矩阵的解时,返回噪音扰动步骤,当不接受新的能量矩阵的解时,获取迭代步数,当迭代步数小于参数K时,获取蒙特卡洛步数,当蒙特卡洛步数小于参数O时,返回噪音扰动步骤,直到蒙特卡洛步数大于参数O。
寻优步骤:
当不接受新的能量矩阵的解时,获取迭代步数,当迭代步数小于参数K时,获取蒙特卡洛步数,当蒙特卡洛步数大于参数O时,通过量子旋转门对向量进行更好位置的寻优,向量相位增量更新公式如下:
式中rand为产生随机数的符号函数,t为量子旋转门的代数,T为当前温度,T0为初始温度。其中,基于相位编码的量子旋转门更新策略为根据向量相位增量更新公式获得向量相位增量,并根据初始化的量子比特相位角和量子旋转门更新策略对量子比特相位角进行更新。
冷却控制步骤:
对冷却进度表进行改进,当不接受新的能量矩阵的解时,获取迭代步数,当迭代步数小于参数K时,获取蒙特卡洛步数,当蒙特卡洛步数大于参数O时,根据改进后的冷却进度表对冷却进度进行控制,并返回量子染色体编码步骤,根据更新后量子比特相位角重新对量子染色体进行编码,完成量子染色体的更新。
现有的冷却进度为Tn=T/n和Tn=αn*T,式中T表示初始温度,n表示第n次降温,α表示降温系数。前者的冷却下降速度较高,但是可能出现在找到全局最优解以前就提前结束;后者的冷却进度较慢,保证了算法的精准度,但是算法的收敛速度过慢。因此,对后者进行改进,适当的加快冷却进度,在保证算法精准度的同时加快冷却进度,改进后的冷却进度如下:
Tn=W*αn*T (14)
式(14)中,W为自己设定的权值,W<1,T的取值为初始化步骤中初始温度T0的取值,α的取值为初始化步骤中初始化获得的降温系数。
改进后的冷却进度,介于上述两种冷却进度之间,既能保证算法的充分迭代得到全局最优解,也能加快算法的收敛速度。
初始化时,在本实施例中,初始温度设为37℃,在温度更高时,当前温度的算法跳出当前最优解的概率就越高。降温系数一般取为[0.8,1.0)之间,其中降温系数越大,得到的满意解的概率就越大,在本实施例中,降温系数设为0.99。
量子随机步骤:
当量子染色体连续多次都没有进行更新,即每一迭代步数结束时,迭代步数中的函数值没有更新,需要放弃当前的量子染色体,选择一个新的量子染色体,则根据以下公式对量子比特相位进行更新。
θij=mean(θ) (15)
式(15)中,mean(θ)为整个种群向量的平均值。
返回量子染色体编码步骤,根据更新后量子比特相位角重新对量子染色体进行编码,完成量子染色体的更新。
量子变异步骤:
当量子染色体连续多次都没有进行更新,即每一迭代步数结束时,迭代步数中的函数值没有更新,为了增加种群的多样性,我们可以进行量子变异操作,基于相位编码的量子非门更新为当rand小于初始化的变异概率Pm时,则随机选择若干量子比特,用量子比特交换两个概率辐。rand为[0,1]取值范围中的随机数。
返回量子染色体编码步骤,根据更新后量子比特相位角重新对量子染色体进行编码,完成量子染色体的更新。
存储步骤:
在执行冷却控制步骤时,获取当前温度下迭代步数中的当前解和存储的最优解,对比当前解和最优解,取较小值作为最优解进行存储。当达到结束条件时,结束条件为当迭代步数多次都没有进行更新时,即迭代步数中的函数值没有更新时,或者迭代步数达到初始化的总迭代步数时,存储的最优解即为全局最优解,全局最优解对应的n个传感器之间的总路径即为最优路径。
具体实施过程:通过一具体实验进行说明,此次实验的仿真程序使用python3.5编程实现,测试结果在装载Intel(R)Core(M)15-4210u CPU的PC进行计算得出。选取一个TSP样本分别进行模拟退火算法、量子退火算法,以及本方案改进的噪音量子退火算法进行仿真实验,测试结果如表一所示,测试仿真图像分别如附图2、附图3、附图4所示。
表一
算法 | 模拟退火算法 | 量子退火算法 | 改进噪音量子退火算法 |
迭代结果 | 8184 | 8478 | 7568 |
迭代步数 | 128 | 791 | 861 |
噪声指数O | 0 | 0 | 100 |
噪声指数K | 0 | 0 | 800 |
强制转换次数 | 0 | 0 | 457 |
误差 | 0.08 | 0.12 | 0 |
根据表一及附图2、附图3、附图4可知,模拟退火的函数迭代结果为8184,迭代步数为1284,在相同样本的情况下,量子退火算法的函数迭代结果为8478,但是迭代步数只有791步。最后本方案使用的改进噪音量子退火算法,在牺牲了一部分迭代步数的情况下,函数的迭代结果只有7568,同时其误差为0,实现在保证算法精准度的同时加快冷却速度,缩短对全局最优路径的搜寻时间。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种低成本无线传感网的构建方法,包括量子随机步骤、量子变异步骤、寻优步骤和冷却控制步骤,其特征在于:还包括量子染色体编码步骤、解空间变换步骤、量子退火步骤、噪音扰动步骤、接受步骤和存储步骤;
量子染色体编码步骤:获取量子染色体,利用量子比特相位角计算得出相位编码,并采用相位编码对量子染色体进行编码获得量子染色体的概率辐编码;
解空间变换步骤:对量子染色体的概率辐编码进行解空间变换获得能量矩阵;
量子退火步骤:向能量矩阵中引入横磁场,并添加配分函数和新的维更新能量矩阵,执行噪音扰动步骤;
噪音扰动步骤:向能量矩阵引入噪音扰动,产生新的能量矩阵;
接受步骤:判断是否接受噪音扰动步骤产生的能量矩阵,当接受能量矩阵的解时,返回噪音扰动步骤,当不接受能量矩阵的解时,获取迭代步数和参数K,当迭代步数小于参数K时,获取蒙特卡洛步数和参数O,当蒙特卡洛步数小于参数O时,执行噪音扰动步骤,直到蒙特卡洛步数大于参数O,执行寻优步骤和冷却控制步骤;当迭代步数大于参数K时,执行存储步骤;
寻优步骤:通过量子旋转门更新策略对量子比特相位角进行更新;
冷却控制步骤:根据冷却进度表对量子比特相位角进行更新;
在执行完寻优步骤和冷却控制步骤时,判断量子染色体是否发生变化,若发生变化则返回量子染色体编码步骤;若未发生变化则判断是否达到结束条件,若达到则执行存储步骤;若未达到则执行量子随机步骤和/或量子变异步骤,对量子比特相位角进行更新,返回量子染色体编码步骤;
存储步骤:对能量矩阵的解进行存储,并获得数值最小的解作为全局最优解。
2.根据权利要求1所述的一种低成本无线传感网的构建方法,其特征在于:还包括初始化步骤,初始化步骤:对初始参数进行初始化。
5.根据权利要求1所述的一种低成本无线传感网的构建方法,其特征在于:噪音扰动步骤中,采用以下公式引入噪音扰动:
mj=mi+yi(Bi-Ai)
yi=Tsgn(u-0.5)[(1+1/T)|2u-1|-1]
式中,mi为能量矩阵修改前的任一参数,mj为能量矩阵修改后的该参数,[Ai,Bi]为mi的取值范围,T为当前温度,u为0至1的随机数,sgn为符号函数。
7.根据权利要求1所述的一种低成本无线传感网的构建方法,其特征在于:冷却控制步骤中,根据冷却进度表对冷却进度进行控制,冷却进度表根据以下公式获得:
Tn=W*αn*T
式中,W为设定的权值,W<1,T为初始温度,α为降温系数。
8.根据权利要求1所述的一种低成本无线传感网的构建方法,其特征在于:量子随机步骤中,根据以下公式对量子比特相位进行更新,获得新的量子染色体,
θij=mean(θ)
式中,mean(θ)为整个种群向量的平均值。
10.根据权利要求1所述的一种低成本无线传感网的构建方法,其特征在于:结束条件为迭代步数多次都没有进行更新,即迭代步数中的函数值没有更新,或者迭代步数达到设定的总迭代步数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663638.9A CN111770549B (zh) | 2020-07-10 | 2020-07-10 | 一种低成本无线传感网的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010663638.9A CN111770549B (zh) | 2020-07-10 | 2020-07-10 | 一种低成本无线传感网的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111770549A true CN111770549A (zh) | 2020-10-13 |
CN111770549B CN111770549B (zh) | 2022-04-22 |
Family
ID=72724876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010663638.9A Active CN111770549B (zh) | 2020-07-10 | 2020-07-10 | 一种低成本无线传感网的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111770549B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102917430A (zh) * | 2012-10-17 | 2013-02-06 | 上海大学 | 基于量子蚁群算法的无线传感器网络可信安全路由 |
CN104320845A (zh) * | 2014-07-04 | 2015-01-28 | 南京邮电大学 | 一种基于传感器和量子智能计算的主用户定位方法 |
WO2019064050A1 (en) * | 2017-09-27 | 2019-04-04 | 1Qb Information Technologies Inc. | METHOD AND SYSTEM FOR TROUBLESHOOTING A QUANTUM-CONNECTED MINIMAL CONNECTED DOMINANT SET FOR DISTANCE OPTIMIZATION AND USE THEREOF |
CN110572194A (zh) * | 2019-10-12 | 2019-12-13 | 东南大学 | 一种基于量子禁忌搜索算法的波束赋形码本搜索方法 |
-
2020
- 2020-07-10 CN CN202010663638.9A patent/CN111770549B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102917430A (zh) * | 2012-10-17 | 2013-02-06 | 上海大学 | 基于量子蚁群算法的无线传感器网络可信安全路由 |
CN104320845A (zh) * | 2014-07-04 | 2015-01-28 | 南京邮电大学 | 一种基于传感器和量子智能计算的主用户定位方法 |
WO2019064050A1 (en) * | 2017-09-27 | 2019-04-04 | 1Qb Information Technologies Inc. | METHOD AND SYSTEM FOR TROUBLESHOOTING A QUANTUM-CONNECTED MINIMAL CONNECTED DOMINANT SET FOR DISTANCE OPTIMIZATION AND USE THEREOF |
CN110572194A (zh) * | 2019-10-12 | 2019-12-13 | 东南大学 | 一种基于量子禁忌搜索算法的波束赋形码本搜索方法 |
Non-Patent Citations (3)
Title |
---|
B. WANG等: "Optimization of quantum computing models inspired by D-wave quantum annealing", 《TSINGHUA SCIENCE AND TECHNOLOGY》 * |
赵莉等: "基于量子遗传的混合粒子群优化算法", 《计算机工程与设计》 * |
韦东丽: "基于群智能算法的WSN路由技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111770549B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108091135B (zh) | 基于优化小波神经网络的停车泊位多步预测方法 | |
AU2018201944B2 (en) | Quantum optimization system | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
CN102867101B (zh) | 一种确定桁架结构参数的方法 | |
CN109196529A (zh) | 量子辅助优化 | |
CN115204400A (zh) | 利用量子波动执行热退火的方法和设备 | |
CN105760344B (zh) | 一种化学放热反应的分布式主元分析神经网络建模方法 | |
CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
Chinnathambi et al. | Deep neural networks (DNN) for day-ahead electricity price markets | |
CN111859525B (zh) | 机载分布式pos布局优化方法和装置 | |
CN113821983B (zh) | 基于代理模型的工程设计优化方法、装置及电子设备 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN111770549B (zh) | 一种低成本无线传感网的构建方法 | |
WO2022147583A2 (en) | System and method for optimal placement of interacting objects on continuous (or discretized or mixed) domains | |
CN117170294B (zh) | 基于空间热环境预测的卫星热控系统的智能控制方法 | |
CN108108554B (zh) | 一种多材料车身装配顺序规划优化方法 | |
CN113434958A (zh) | 基于异构集成代理模型的磁悬浮飞轮电机多目标优化方法 | |
Peng et al. | Meteorological satellite operation prediction using a BiLSTM deep learning model | |
Deng et al. | Longitudinal trajectory optimization for connected and automated vehicles by evolving cubic splines with coevolution | |
CN111639797A (zh) | 基于Gumbel-softmax技术的组合优化方法 | |
CN113741420B (zh) | 一种由数据驱动的采样搜索方法和系统 | |
CN114912723B (zh) | 一种基于hht-bmvo-bp的短期风速预测方法 | |
Qiu et al. | On the adoption of metaheuristics for solving 0–1 knapsack problems | |
Ruff et al. | Surrogate Neural Networks for Efficient Simulation-based Trajectory Planning Optimization | |
CN112016243B (zh) | 一种基于响应曲面的交通流量预测模型参数标定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |