ఇంటర్నేషనల్ జర్నల్ ఆఫ్ స్వార్మ్ ఇంటెలిజెన్స్ అండ్ ఎవల్యూషనరీ కంప్యూటేషన్

నైరూప్య

వైర్‌లెస్ సెన్సార్ నెట్‌వర్క్‌లలో ఫైన్-గ్రెయిన్డ్ లోకలైజేషన్ సమస్యను పరిష్కరించడానికి క్వాంటం ఎవల్యూషనరీ అల్గారిథమ్స్‌లో బాల్డ్‌వినియన్ లెర్నింగ్

మహదీ అజీజ్* మరియు మొహమ్మద్ మెయ్బోడి

లోకల్ సెర్చ్ (LS) విధానం అనేది సెర్చ్ ఫెసిలిటేటర్, ఇది మెమెటిక్ అల్గారిథమ్‌లకు వారి దోపిడీ సామర్థ్యాన్ని మెరుగుపరచడానికి సహాయం చేస్తుంది, ఫలితంగా అధిక నాణ్యత గల పరిష్కారాలకు కలుస్తుంది. ఈ పేపర్‌లో, వైర్‌లెస్ సెన్సార్ నెట్‌వర్క్‌లలో (WSNs) ఫైన్ గ్రెయిన్డ్ స్థానికీకరణ సమస్యను పరిష్కరించడానికి బాల్డ్‌వినియన్ లెర్నింగ్ (BL) రూపంలో LS విధానాన్ని ఉపయోగించి మెమెటిక్ క్వాంటం ఎవల్యూషనరీ అల్గోరిథం (QEA) ప్రతిపాదించబడింది. నాప్‌సాక్ సమస్య వంటి బైనరీడొమైన్ సమస్యలకు మాత్రమే QEA ఉపయోగించబడుతుంది కాబట్టి, WSNలలో స్థానికీకరణ సమస్యను పరిష్కరించడానికి మేము బైనరీ-టు-రియల్ మ్యాపింగ్ విధానాన్ని ఉపయోగించుకుంటాము. సెన్సార్ నోడ్‌ల యొక్క మంచి ప్రారంభ స్థానాలను అందించడానికి, అల్గోరిథం ఉత్తమంగా గమనించిన పరిష్కారాలపై మల్టీ-ట్రైలేటరేషన్ (MT) విధానాన్ని ఉపయోగిస్తుంది. ప్రతిపాదిత అల్గారిథమ్‌ను పరీక్షించడానికి, ఇది మొదట దాని రెండు స్పిన్-ఆఫ్‌లతో (MT విధానం లేని ప్రతిపాదిత అల్గారిథమ్ మరియు BL మరియు MT విధానాలు లేకుండా ప్రతిపాదిత అల్గారిథమ్) మరియు తర్వాత యాదృచ్ఛికంగా రూపొందించబడిన పది నెట్‌వర్క్ టోపోలాజీలపై ఇప్పటికే ఉన్న ఆరు ఆప్టిమైజేషన్ అల్గారిథమ్‌లతో పోల్చబడుతుంది. నాలుగు వేర్వేరు కనెక్టివిటీ పరిధులు. WSNలలో సెన్సార్ నోడ్‌ల స్థానాలను అంచనా వేయడంలో ప్రతిపాదిత అల్గోరిథం ఇతర అల్గారిథమ్‌లను గణనీయంగా అధిగమిస్తుందని అనుకరణ ఫలితాలు సూచిస్తున్నాయి. సమస్యను పరిష్కరించడంలో ప్రతిపాదిత అల్గారిథమ్‌కు MT విధానం మరియు BL పద్ధతిని వర్తింపజేయడం యొక్క ప్రభావాన్ని కూడా వారు ఎత్తి చూపారు.