]> AND Private Git Repository - JournalMultiPeriods.git/blobdiff - article.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
no more color
[JournalMultiPeriods.git] / article.tex
index 85045d384353349751f573e4fef41c883419ec71..ed70b52271030df1fe6c5ade3585031169ab22c7 100644 (file)
@@ -41,7 +41,7 @@
 %% for the whole article with \linenumbers.
 %% \usepackage{lineno}
 
 %% for the whole article with \linenumbers.
 %% \usepackage{lineno}
 
-\journal{Ad Hoc Networks}
+\journal{Journal of Supercomputing}
 
 \begin{document}
 
 
 \begin{document}
 
 %% \address{Address\fnref{label3}}
 %% \fntext[label3]{}
 
 %% \address{Address\fnref{label3}}
 %% \fntext[label3]{}
 
-\title{Multiperiod Distributed Lifetime Coverage Optimization Protocol in Wireless Sensor Networks}
+\title{Multiround Distributed Lifetime Coverage Optimization Protocol in Wireless Sensor Networks}
 
 %% use optional labels to link authors explicitly to addresses:
 %% \author[label1,label2]{}
 %% \address[label1]{}
 %% \address[label2]{}
 
 %% use optional labels to link authors explicitly to addresses:
 %% \author[label1,label2]{}
 %% \address[label1]{}
 %% \address[label2]{}
-\author{Ali Kadhum Idrees, Karine Deschinkel, \\
-Michel Salomon, and Rapha\"el Couturier}
+%\author{Ali Kadhum Idrees, Karine Deschinkel, \\
+%Michel Salomon, and Rapha\"el Couturier}
+
 %\thanks{are members in the AND team - DISC department - FEMTO-ST Institute, University of Franche-Comt\'e, Belfort, France.
 % e-mail: ali.idness@edu.univ-fcomte.fr, $\lbrace$karine.deschinkel, michel.salomon, raphael.couturier$\rbrace$@univ-fcomte.fr.}% <-this % stops a space
 %\thanks{}% <-this % stops a space
  
 %\thanks{are members in the AND team - DISC department - FEMTO-ST Institute, University of Franche-Comt\'e, Belfort, France.
 % e-mail: ali.idness@edu.univ-fcomte.fr, $\lbrace$karine.deschinkel, michel.salomon, raphael.couturier$\rbrace$@univ-fcomte.fr.}% <-this % stops a space
 %\thanks{}% <-this % stops a space
  
-\address{FEMTO-ST Institute, University of Franche-Comt\'e, Belfort, France. \\ 
-e-mail: ali.idness@edu.univ-fcomte.fr, \\
-$\lbrace$karine.deschinkel, michel.salomon, raphael.couturier$\rbrace$@univ-fcomte.fr.}
+%\address{FEMTO-ST Institute, University of Franche-Comt\'e, Belfort, France. \\ 
+%e-mail: ali.idness@edu.univ-fcomte.fr, \\
+%$\lbrace$karine.deschinkel, michel.salomon, raphael.couturier$\rbrace$@univ-fcomte.fr.}
+
+\author{Ali Kadhum Idrees$^{a,b}$, Karine Deschinkel$^{a}$, \\
+  Michel Salomon$^{a}$, and Rapha\"el Couturier $^{a}$ \\
+  $^{a}${\em{FEMTO-ST Institute, DISC department, UMR 6174 CNRS, \\
+      Univ.  Bourgogne  Franche-Comt\'e (UBFC), Belfort, France}} \\
+  $^{b}${\em{Department of Computer Science, University of Babylon, Babylon, Iraq}}}
 
 \begin{abstract}
 
 \begin{abstract}
-%One of  the fundamental challenges in Wireless Sensor Networks (WSNs)
-%is the coverage preservation and the extension of the network lifetime
-%continuously  and  effectively  when  monitoring a  certain  area  (or
-%region) of  interest. 
 Coverage and  lifetime are  two paramount problems  in Wireless  Sensor Networks
 Coverage and  lifetime are  two paramount problems  in Wireless  Sensor Networks
-(WSNs). In this paper, a method called Multiperiod Distributed Lifetime Coverage
+(WSNs). In this paper, a  method called Multiround Distributed Lifetime Coverage
 Optimization  protocol (MuDiLCO)  is proposed  to maintain  the coverage  and to
 improve the lifetime in wireless sensor  networks. The area of interest is first
 Optimization  protocol (MuDiLCO)  is proposed  to maintain  the coverage  and to
 improve the lifetime in wireless sensor  networks. The area of interest is first
-divided  into subregions and  then the  MuDiLCO protocol  is distributed  on the
-sensor nodes in each subregion. The proposed MuDiLCO protocol works into periods
-during which sets of sensor nodes are scheduled to remain active for a number of
-rounds  during the  sensing phase,  to  ensure coverage  so as  to maximize  the
-lifetime of  WSN.  The decision process is  carried out by a  leader node, which
-solves an  integer program to  produce the best  representative sets to  be used
-during the rounds  of the sensing phase. Compared  with some existing protocols,
-simulation  results based  on  multiple criteria  (energy consumption,  coverage
-ratio, and  so on) show that  the proposed protocol can  prolong efficiently the
-network lifetime and improve the coverage performance.
-
+divided into  subregions and  then the  MuDiLCO protocol  is distributed  on the
+sensor nodes in  each subregion. The proposed MuDiLCO protocol  works in periods
+during which sets of sensor nodes are  scheduled, with one set for each round of
+a period, to remain active during the  sensing phase and thus ensure coverage so
+as to  maximize the  WSN lifetime.   The decision  process is  carried out  by a
+leader  node,  which  solves  an   optimization  problem  to  produce  the  best
+representative  sets to  be used  during the  rounds of  the sensing  phase. The
+optimization problem  formulated as an  integer program is solved  to optimality
+through a  Branch-and-Bound method for  small instances.  For  larger instances,
+the  best  feasible solution  found  by  the solver  after  a  given time  limit
+threshold  is considered.   Compared  with some  existing protocols,  simulation
+results based on  multiple criteria (energy consumption, coverage  ratio, and so
+on) show that the proposed protocol can prolong efficiently the network lifetime
+and improve the coverage performance.
 \end{abstract}
 
 \begin{keyword}
 \end{abstract}
 
 \begin{keyword}
-Wireless   Sensor   Networks,   Area   Coverage,   Network   lifetime,
+Wireless   Sensor   Networks,   Area   Coverage,   Network   Lifetime,
 Optimization, Scheduling, Distributed Computation.
 Optimization, Scheduling, Distributed Computation.
-
 \end{keyword}
 
 \end{frontmatter}
 \end{keyword}
 
 \end{frontmatter}
@@ -117,49 +122,55 @@ Optimization, Scheduling, Distributed Computation.
  
 \indent  The   fast  developments  of  low-cost  sensor   devices  and  wireless
 communications have allowed the emergence of WSNs. A WSN includes a large number
  
 \indent  The   fast  developments  of  low-cost  sensor   devices  and  wireless
 communications have allowed the emergence of WSNs. A WSN includes a large number
-of small, limited-power sensors that can sense, process and transmit data over a
-wireless  communication. They  communicate with  each other  by  using multi-hop
+of small, limited-power sensors that  can sense, process, and transmit data over
+a wireless  communication. They communicate  with each other by  using multi-hop
 wireless communications and cooperate together  to monitor the area of interest,
 so that  each measured data can be  reported to a monitoring  center called sink
 wireless communications and cooperate together  to monitor the area of interest,
 so that  each measured data can be  reported to a monitoring  center called sink
-for  further analysis~\cite{Sudip03}.  There are  several fields  of application
+for further  analysis~\cite{Sudip03}.  There  are several fields  of application
 covering  a wide  spectrum for  a  WSN, including  health, home,  environmental,
 military, and industrial applications~\cite{Akyildiz02}.
 
 On the one hand sensor nodes run on batteries with limited capacities, and it is
 often  costly  or  simply  impossible  to  replace  and/or  recharge  batteries,
 especially in remote and hostile environments. Obviously, to achieve a long life
 covering  a wide  spectrum for  a  WSN, including  health, home,  environmental,
 military, and industrial applications~\cite{Akyildiz02}.
 
 On the one hand sensor nodes run on batteries with limited capacities, and it is
 often  costly  or  simply  impossible  to  replace  and/or  recharge  batteries,
 especially in remote and hostile environments. Obviously, to achieve a long life
-of the network  it is important to conserve  battery power.  Therefore, lifetime
+of the  network it is important  to conserve battery  power. Therefore, lifetime
 optimization is one of the most  critical issues in wireless sensor networks. On
 optimization is one of the most  critical issues in wireless sensor networks. On
-the other hand we must guarantee coverage over the area of interest.  To fulfill
+the other hand we must guarantee  coverage over the area of interest. To fulfill
 these two objectives, the main idea  is to take advantage of overlapping sensing
 regions to turn-off redundant sensor nodes  and thus save energy. In this paper,
 we concentrate  on the area coverage  problem, with the  objective of maximizing
 these two objectives, the main idea  is to take advantage of overlapping sensing
 regions to turn-off redundant sensor nodes  and thus save energy. In this paper,
 we concentrate  on the area coverage  problem, with the  objective of maximizing
-the network lifetime by using an optimized multirounds scheduling.
-
-% One of the major scientific research challenges in WSNs, which are addressed by a large number of literature during the last few years is to design energy efficient approaches for coverage and connectivity in WSNs~\cite{conti2014mobile}. The coverage problem is one  of the
-%fundamental challenges in WSNs~\cite{Nayak04} that consists in monitoring efficiently and continuously
-%the area of interest. The limited energy of sensors represents the main challenge in the WSNs
-%design~\cite{Sudip03}, where it is difficult to replace and/or recharge their batteries because the the area of interest nature (such as hostile environments) and the cost. So, it is necessary that a WSN
-%deployed  with high  density because  spatial redundancy  can  then be exploited to increase  the lifetime of the network. However, turn on all the sensor nodes, which monitor the same region at the same time
-%leads to decrease the lifetime of the network. To extend the lifetime of the network, the main idea is to take advantage of the overlapping sensing regions  of some  sensor nodes to  save energy by  turning off
-%some  of them  during the  sensing phase~\cite{Misra05}. WSNs require energy-efficient solutions to improve the network lifetime that is constrained by the limited power of each sensor node ~\cite{Akyildiz02}. 
-
-%In this paper,  we concentrate on the area coverage  problem, with the objective
-%of maximizing the network lifetime by using an optimized multirounds scheduling.
-%The area of interest is divided into subregions.
-
-% Each period includes four phases starts with a discovery phase to exchange information among the sensors of the subregion, in order  to choose in a  suitable manner a sensor node as leader to carry out a coverage strategy.  This coverage strategy involves the solving of an integer program by the leader,  to optimize the coverage and the lifetime in the subregion by producing a sets of sensor nodes in order to take the mission of coverage preservation during several rounds in the sensing phase. In fact, the nodes in a subregion can be seen as a cluster where each node sends sensing data to the cluster head or the sink node. Furthermore, the activities in a subregion/cluster can continue even if another cluster stops due to too many node failures.  
-
-The remainder of the paper is organized as follows. The next section
-% Section~\ref{rw}
-reviews  the related works in  the field.   Section~\ref{pd} is  devoted  to the
-description of MuDiLCO protocol.  Section~\ref{exp} shows the simulation results
-obtained  using the discrete  event simulator  OMNeT++ \cite{varga}.  They fully
-demonstrate  the  usefulness  of   the  proposed  approach.   Finally,  we  give
-concluding    remarks   and    some    suggestions   for    future   works    in
-Section~\ref{sec:conclusion}.
-
-\section{Related works} % Trop proche de l'etat de l'art de l'article de Zorbas ?
+the network lifetime by using an optimized multiround scheduling.
+
+The MuDiLCO protocol (for  Multiround Distributed Lifetime Coverage Optimization
+protocol) presented  in this paper  is an  extension of the  approach introduced
+in~\cite{idrees2015distributed}.  
+% In~\cite{idrees2015distributed},  the  protocol  is
+%deployed over  only two subregions.  Simulation results  have shown that  it was
+%more  interesting  to  divide  the  area  into  several  subregions,  given  the
+%computation complexity.
+
+\textcolor{black}{ Compared  to our  previous work~\cite{idrees2015distributed},
+  in  this paper  we study  the  possibility of  dividing the  sensing phase  into
+  multiple rounds.   We make a  multiround optimization,
+  while previously it was a single round optimization.  The idea is to
+  take advantage  of the  pre-sensing phase  to plan  the sensor's  activity for
+  several  rounds instead  of one,  thus saving  energy. In  addition, when  the
+  optimization problem becomes  more complex, its resolution is  stopped after a
+  given time  threshold. In this  paper we also  analyze the performance  of our
+  protocol according to the number of  primary points used (the area coverage is
+  replaced by the coverage of a  set of particular points called primary points,
+  see Section~\ref{pp}).}
+
+The remainder of the paper is organized as follows. The next section reviews the
+related works in  the field.  Section~\ref{pd} is devoted to  the description of
+MuDiLCO protocol.  Section~\ref{exp} introduces  the experimental  framework, it
+describes the  simulation setup  and the  different metrics  used to  assess the
+performances.   Section~\ref{analysis}  shows  the simulation  results  obtained
+using the discrete event simulator OMNeT++ \cite{varga}.  They fully demonstrate
+the usefulness  of the proposed  approach.  Finally, we give  concluding remarks
+and some suggestions for future works in Section~\ref{sec:conclusion}.
+
+\section{Related works} 
 \label{rw}
 
 \indent  This section is  dedicated to  the various  approaches proposed  in the
 \label{rw}
 
 \indent  This section is  dedicated to  the various  approaches proposed  in the
@@ -171,371 +182,312 @@ algorithms in WSNs according to several design choices:
 \item  Sensors   scheduling  algorithm  implementation,   i.e.   centralized  or
   distributed/localized algorithms.
 \item The objective of sensor coverage, i.e. to maximize the network lifetime or
 \item  Sensors   scheduling  algorithm  implementation,   i.e.   centralized  or
   distributed/localized algorithms.
 \item The objective of sensor coverage, i.e. to maximize the network lifetime or
-  to minimize the number of sensors during the sensing period.
+  to minimize the number of active sensors during a sensing round.
 \item The homogeneous or heterogeneous nature  of the nodes, in terms of sensing
   or communication capabilities.
 \item The node deployment method, which may be random or deterministic.
 \item The homogeneous or heterogeneous nature  of the nodes, in terms of sensing
   or communication capabilities.
 \item The node deployment method, which may be random or deterministic.
-\item  Additional  requirements  for  energy-efficient  coverage  and  connected
-  coverage.
+\item  Additional  requirements  for  energy-efficient and  connected coverage.
 \end{itemize}
 
 The choice of non-disjoint or disjoint cover sets (sensors participate or not in
 many cover sets) can be added to the above list.
 \end{itemize}
 
 The choice of non-disjoint or disjoint cover sets (sensors participate or not in
 many cover sets) can be added to the above list.
-% The independency in the cover set (i.e. whether the cover sets are disjoint or non-disjoint) \cite{zorbas2010solving} is another design choice that can be added to the above list.
-   
-\subsection{Centralized Approaches}
-%{\bf Centralized approaches}
+
+\subsection{Centralized approaches}
+
 The major approach  is to divide/organize the sensors into  a suitable number of
 The major approach  is to divide/organize the sensors into  a suitable number of
-set covers where  each set completely covers an interest  region and to activate
-these set covers successively.  The centralized algorithms always provide nearly
-or close  to optimal solution since the  algorithm has global view  of the whole
+cover sets where  each set completely covers an interest  region and to activate
+these cover sets successively.  The centralized algorithms always provide nearly
+or close to  optimal solution since the  algorithm has global view  of the whole
 network. Note that  centralized algorithms have the advantage  of requiring very
 low  processing  power  from  the  sensor  nodes,  which  usually  have  limited
 network. Note that  centralized algorithms have the advantage  of requiring very
 low  processing  power  from  the  sensor  nodes,  which  usually  have  limited
-processing  capabilities. The  main drawback  of this  kind of  approach  is its
-higher cost in communications, since the  node that will take the decision needs
-information from all the  sensor nodes. Moreover, centralized approaches usually
-suffer from the scalability problem, making them less competitive as the network
-size increases.
+processing  capabilities. The  main drawback  of this  kind of  approach is  its
+higher cost in communications, since the  node that will make the decision needs
+information  from all  the  sensor nodes.   Exact or  heuristic
+  approaches  are designed  to provide  cover sets.  Contrary to  exact methods,
+  heuristic  ones can  handle very  large  and centralized  problems.  They  are
+  proposed to reduce  computational overhead such as  energy consumption, delay,
+  and generally allow to increase the network lifetime.
 
 The first algorithms proposed in the literature consider that the cover sets are
 
 The first algorithms proposed in the literature consider that the cover sets are
-disjoint: a sensor node appears in exactly one of the generated cover sets.  For
-instance,  Slijepcevic and Potkonjak \cite{Slijepcevic01powerefficient} proposed
-an  algorithm, which  allocates sensor  nodes  in mutually  independent sets  to
-monitor an area divided into several fields.  Their algorithm builds a cover set
-by including in  priority the sensor nodes which cover  critical fields, that is
-to  say fields that  are covered  by the  smallest number  of sensors.  The time
-complexity  of  their  heuristic  is   $O(n^2)$  where  $n$  is  the  number  of
-sensors.   Abrams  et   al.~\cite{abrams2004set}  designed  three  approximation
-algorithms for a variation of the set k-cover problem, where the objective is to
-partition the sensors into covers such that the number of covers that include an
-area, summed over all areas, is maximized.  Their work builds upon previous work
-in~\cite{Slijepcevic01powerefficient}  and  the  generated  cover  sets  do  not
-provide complete coverage of the monitoring zone.
-
-\cite{cardei2005improving} proposed a method to efficiently  compute the maximum
-number of disjoint  set covers such that each set can  monitor all targets. They
-first transform the problem into a  maximum flow problem, which is formulated as
-a mixed integer  programming (MIP). Then their heuristic uses  the output of the
-MIP to compute disjoint set covers.  Results show that this heuristic provides a
-number      of     set      covers     slightly      larger      compared     to
-\cite{Slijepcevic01powerefficient}, but with a  larger execution time due to the
-complexity of the mixed integer programming resolution.
-
-Zorbas et al.  \cite{zorbas2010solving} presented a centralized greedy algorithm
-for  the efficient  production  of  both node  disjoint  and non-disjoint  cover
-sets.   Compared   to  algorithm's   results   of   Slijepcevic  and   Potkonjak
-\cite{Slijepcevic01powerefficient}, their heuristic produces more disjoint cover
-sets with  a slight growth rate  in execution time.  When producing non-disjoint
-cover sets,  both Static-CCF  and Dynamic-CCF algorithms,  where CCF  means that
-they  use a cost  function called  Critical Control  Factor, provide  cover sets
-offering     longer    network     lifetime    than     those     produced    by
-\cite{cardei2005energy}.   Also,  they   require  a   smaller  number   of  node
-participations in order to achieve these results.
-
-In  the  case  of  non-disjoint algorithms  \cite{pujari2011high},  sensors  may
-participate in  more than one  cover set.  In  some cases, this may  prolong the
+disjoint:  a  sensor  node  appears  in  exactly  one  of  the  generated  cover
+sets~\cite{abrams2004set,cardei2005improving,Slijepcevic01powerefficient}.    In
+the  case   of  non-disjoint   algorithms  \cite{pujari2011high},   sensors  may
+participate in  more than one  cover set.  In some  cases, this may  prolong the
 lifetime of the network in comparison  to the disjoint cover set algorithms, but
 lifetime of the network in comparison  to the disjoint cover set algorithms, but
-designing  algorithms for  non-disjoint cover  sets generally  induces  a higher
+designing  algorithms for  non-disjoint cover  sets generally  induces  higher
 order  of complexity.   Moreover, in  case of  a sensor's  failure, non-disjoint
 order  of complexity.   Moreover, in  case of  a sensor's  failure, non-disjoint
-scheduling policies are less resilient and less reliable because a sensor may be
-involved   in   more  than   one   cover   sets.    For  instance,   Cardei   et
-al.~\cite{cardei2005energy}  present a  linear programming  (LP) solution  and a
-greedy approach to extend the  sensor network lifetime by organizing the sensors
-into a maximal  number of non-disjoint cover sets.  Simulation results show that
-by  allowing sensors  to  participate  in multiple  sets,  the network  lifetime
-increases     compared     with     related     work~\cite{cardei2005improving}.
-In~\cite{berman04},  the  authors  have  formulated  the  lifetime  problem  and
-suggested another (LP)  technique to solve this problem.  A centralized solution
-based  on  the  Garg-K\"{o}nemann  algorithm~\cite{garg98},  provably  near  the
-optimal solution, is also proposed.
-
-In~\cite{yang2014maximum}, The authors are proposed a linear programming approach for selecting the minimum number of sensor nodes in working station so as to preserve a maximum coverage and extend lifetime of the network. Cheng et al.~\cite{cheng2014energy} are proposed a heuristic algorithm called Cover Sets Balance (CSB) algorithm to choose a set of active nodes using the tuple (data coverage range, residual energy). Then, they are introduced a new Correlated Node Set Computing (CNSC) algorithm to find the correlated node set for a given node.  After that, they are proposed a High Residual Energy First (HREF) node selection algorithm to minimize the number of active nodes so as to prolong the network lifetime. 
-In~\cite{castano2013column,rossi2012exact,deschinkel2012column}, The authors are proposed a centralized methods based on column generation approach to extend lifetime in wireless sensor networks while coverage preservation.
-
+scheduling policies  are less  resilient and  reliable because  a sensor  may be
+involved in more than one cover sets.
+
+In~\cite{yang2014maximum},  the authors  have  considered  a linear  programming
+approach  to select  the minimum  number of  working sensor  nodes, in  order to
+preserve a  maximum coverage and  to extend lifetime  of the network.   Cheng et
+al.~\cite{cheng2014energy} have defined a  heuristic algorithm called Cover Sets
+Balance  (CSB), which  chooses  a set  of  active nodes  using  the tuple  (data
+coverage range, residual  energy).  Then, they have introduced  a new Correlated
+Node Set Computing (CNSC) algorithm to find  the correlated node set for a given
+node.   After that,  they  proposed a  High Residual  Energy  First (HREF)  node
+selection algorithm to minimize the number of  active nodes so as to prolong the
+network  lifetime.   Various  centralized  methods based  on  column  generation
+approaches                   have                    also                   been
+proposed~\cite{gentili2013,castano2013column,rossi2012exact,deschinkel2012column}.
+In~\cite{gentili2013}, authors highlight  the trade-off between
+  the  network lifetime  and the  coverage  percentage. They  show that  network
+  lifetime can be hugely improved by decreasing the coverage ratio.
 
 \subsection{Distributed approaches}
 
 \subsection{Distributed approaches}
-%{\bf Distributed approaches}
+
 In distributed  and localized coverage  algorithms, the required  computation to
 schedule the  activity of  sensor nodes  will be done  by the  cooperation among
 neighboring nodes. These  algorithms may require more computation  power for the
 In distributed  and localized coverage  algorithms, the required  computation to
 schedule the  activity of  sensor nodes  will be done  by the  cooperation among
 neighboring nodes. These  algorithms may require more computation  power for the
-processing  by the cooperating  sensor nodes,  but they  are more  scalable for
-large  WSNs.    Localized  and   distributed  algorithms  generally   result  in
-non-disjoint set covers.
-
-Some        distributed       algorithms        have        been       developed
-in~\cite{Gallais06,Tian02,Ye03,Zhang05,HeinzelmanCB02,    yardibi2010distributed}
-to perform  the scheduling so  as to preserve coverage.   Distributed algorithms
-typically operate  in rounds for a  predetermined duration. At  the beginning of
-each  round, a  sensor  exchanges information  with  its neighbors  and makes  a
-decision  to either  remain turned  on or  to go  to sleep  for the  round. This
-decision is basically made on  simple greedy criteria like the largest uncovered
-area    \cite{Berman05efficientenergy}     or    maximum    uncovered    targets
-\cite{lu2003coverage}.  In \cite{Tian02}, the  scheduling scheme is divided into
-rounds,  where each  round has  a self-scheduling  phase followed  by  a sensing
-phase.  Each  sensor broadcasts  a message containing  the node~ID and  the node
-location to  its neighbors at the  beginning of each round.  A sensor determines
-its status by a  rule named off-duty eligible rule, which tells  him to turn off
-if its sensing area is covered by its neighbors. A back-off scheme is introduced
-to let each sensor  delay the decision process with a random  period of time, in
-order  to avoid  simultaneous conflicting  decisions between  nodes and  lack of
-coverage  on  any  area.    \cite{prasad2007distributed}  defines  a  model  for
-capturing the  dependencies between different cover sets  and proposes localized
-heuristic based  on this  dependency. The algorithm  consists of two  phases, an
-initial setup phase during which each sensor computes and prioritizes the covers
-and a  sensing phase during which  each sensor first decides  its on/off status,
-and then remains on or off for the rest of the duration.
-
-The  authors in \cite{yardibi2010distributed}  developed a  Distributed Adaptive
-Sleep Scheduling Algorithm  (DASSA) for WSNs with partial  coverage.  DASSA does
-not require  location information of sensors while  maintaining connectivity and
-satisfying a  user defined  coverage target.  In  DASSA, nodes use  the residual
-energy levels  and feedback from the  sink for scheduling the  activity of their
-neighbors.  This  feedback mechanism reduces  the randomness in  scheduling that
-would  otherwise  occur   due  to  the  absence  of   location  information.  In
-\cite{ChinhVu},  the  author  proposed  a novel  distributed  heuristic,  called
-Distributed  Energy-efficient Scheduling  for k-coverage  (DESK),  which ensures
-that  the energy  consumption among  the sensors  is balanced  and  the lifetime
-maximized while the coverage requirement is maintained.  This heuristic works in
-rounds, requires only one-hop neighbor  information, and each sensor decides its
-status  (active or  sleep) based  on the  perimeter coverage  model  proposed in
-\cite{Huang:2003:CPW:941350.941367}.
-
-%Our Work, which is presented in~\cite{idrees2014coverage} proposed a coverage optimization protocol to improve the lifetime in
-%heterogeneous energy wireless sensor networks. 
-%In this work, the coverage protocol distributed in each sensor node in the subregion but the optimization take place over the the whole subregion. We consider only distributing the coverage protocol over two subregions. 
-
-The  works presented in  \cite{Bang, Zhixin,  Zhang} focuses  on coverage-aware,
+processing by the cooperating sensor nodes, but they are more scalable for large
+WSNs.  Localized and distributed algorithms generally result in non-disjoint set
+covers.
+
+Many distributed algorithms have been developed  to perform the scheduling so as
+to          preserve         coverage,          see         for          example
+\cite{Gallais06,Tian02,Ye03,Zhang05,HeinzelmanCB02,      yardibi2010distributed,
+  prasad2007distributed,Misra}.   Distributed  algorithms typically  operate  in
+rounds for  a predetermined duration. At  the beginning of each  round, a sensor
+exchanges information with  its neighbors and makes a decision  to either remain
+turned on or  to go to sleep for  the round. This decision is  basically made on
+simple     greedy    criteria     like     the     largest    uncovered     area
+\cite{Berman05efficientenergy}      or       maximum      uncovered      targets
+\cite{lu2003coverage}.   The  Distributed  Adaptive Sleep  Scheduling  Algorithm
+(DASSA) \cite{yardibi2010distributed}  does not require location  information of
+sensors while  maintaining connectivity and  satisfying a user  defined coverage
+target.  In  DASSA, nodes use the  residual energy levels and  feedback from the
+sink for  scheduling the activity  of their neighbors.  This  feedback mechanism
+reduces  the randomness  in scheduling  that would  otherwise occur  due to  the
+absence of location information.  In \cite{ChinhVu}, the authors have designed a
+novel distributed heuristic, called  Distributed Energy-efficient Scheduling for
+k-coverage (DESK), which  ensures that the energy consumption  among the sensors
+is  balanced  and the  lifetime  maximized  while  the coverage  requirement  is
+maintained.   This heuristic  works in  rounds, requires  only one-hop  neighbor
+information, and each  sensor decides its status (active or  sleep) based on the
+perimeter coverage model from~\cite{Huang:2003:CPW:941350.941367}.
+
+The  works presented  in  \cite{Bang, Zhixin,  Zhang}  focus on  coverage-aware,
 distributed energy-efficient,  and distributed clustering  methods respectively,
 distributed energy-efficient,  and distributed clustering  methods respectively,
-which aims  to extend the network  lifetime, while the coverage  is ensured.  S.
-Misra et al.  \cite{Misra} proposed a localized algorithm for coverage in sensor
-networks. The algorithm conserve the  energy while ensuring the network coverage
-by activating the subset of sensors  with the minimum overlap area. The proposed
-method preserves the network connectivity  by formation of the network backbone.
-More recently,  Shibo et  al. \cite{Shibo} expressed  the coverage problem  as a
-minimum weight submodular set cover problem and proposed a Distributed Truncated
-Greedy Algorithm (DTGA) to solve it.  They take advantage from both temporal and
-spatial  correlations between  data sensed  by different  sensors,  and leverage
-prediction,  to   improve  the   lifetime.  In  \cite{xu2001geography},   Xu  et
-al. proposed  an algorithm, called  Geographical Adaptive Fidelity  (GAF), which
-uses geographic location  information to divide the area  of interest into fixed
-square grids. Within each grid, it keeps only one node staying awake to take the
-responsibility of sensing and communication.
+which aim  at extending  the network  lifetime, while  the coverage  is ensured.
+More recently, Shibo et al.  \cite{Shibo} have expressed the coverage problem as
+a  minimum  weight submodular  set  cover  problem  and proposed  a  Distributed
+Truncated Greedy  Algorithm (DTGA) to solve  it.  They take advantage  from both
+temporal and spatial correlations between  data sensed by different sensors, and
+leverage prediction, to improve the  lifetime.  In \cite{xu2001geography}, Xu et
+al.  have described  an algorithm, called Geographical  Adaptive Fidelity (GAF),
+which uses geographic  location information to divide the area  of interest into
+fixed square grids.  Within  each grid, it keeps only one  node staying awake to
+take the responsibility of sensing and communication.
 
 Some  other  approaches (outside  the  scope  of our  work)  do  not consider  a
 
 Some  other  approaches (outside  the  scope  of our  work)  do  not consider  a
-synchronized and  predetermined period of time  where the sensors  are active or
-not.   Indeed, each  sensor maintains  its  own timer  and its  wake-up time  is
-randomized \cite{Ye03} or regulated \cite{cardei2005maximum} over time.
-
-The MuDiLCO protocol (for Multiperiod Distributed Lifetime Coverage Optimization
-protocol) presented  in this  paper is an  extension of the  approach introduced
-in~\cite{idrees2014coverage}.  In~\cite{idrees2014coverage},   the  protocol  is
-deployed over  only two  subregions. Simulation results  have shown that  it was
-more  interesting  to  divide  the  area  into  several  subregions,  given  the
-computation complexity. Compared to our previous paper, in this one we study the
-possibility of dividing  the sensing phase into multiple rounds  and we also add
-an  improved  model  of energy  consumption  to  assess  the efficiency  of  our
-approach.
-
-%The main contributions of our MuDiLCO Protocol can be summarized as follows:
-%(1) The high coverage ratio, (2) The reduced number of active nodes, (3) The distributed optimization over the subregions in the area of interest, (4) The distributed dynamic leader election at each round based on some priority factors that led to energy consumption balancing among the nodes in the same subregion, (5) The primary point coverage model to represent each sensor node in the network, (6) The activity scheduling based optimization on the subregion, which are based on the primary point coverage model to activate as less number as possible of sensor nodes for a multirounds to take the mission of the coverage in each subregion, (7) The very low energy consumption, (8) The higher network lifetime.
-%\section{Preliminaries}
-%\label{Pr}
-
-%Network Lifetime
-
-%\subsection{Network Lifetime}
-%Various   definitions   exist   for   the   lifetime   of   a   sensor
-%network~\cite{die09}.  The main definitions proposed in the literature are
-%related to the  remaining energy of the nodes or  to the coverage percentage. 
-%The lifetime of the  network is mainly defined as the amount
-%of  time during which  the network  can  satisfy its  coverage objective  (the
-%amount of  time that the network  can cover a given  percentage of its
-%area or targets of interest). In this work, we assume that the network
-%is alive  until all  nodes have  been drained of  their energy  or the
-%sensor network becomes disconnected, and we measure the coverage ratio
-%during the WSN lifetime.  Network connectivity is important because an
-%active sensor node without  connectivity towards a base station cannot
-%transmit information on an event in the area that it monitors.
+synchronized and  predetermined time-slot where  the sensors are active  or not.
+Indeed, each sensor  maintains its own timer and its  wake-up time is randomized
+\cite{Ye03} or regulated \cite{cardei2005maximum} over time.
 
 \section{MuDiLCO protocol description}
 \label{pd}
 
 
 \section{MuDiLCO protocol description}
 \label{pd}
 
-%Our work will concentrate on the area coverage by design
-%and implementation of a  strategy, which efficiently selects the active
-%nodes   that  must   maintain  both   sensing  coverage   and  network
-%connectivity and at the same time improve the lifetime of the wireless
-%sensor  network. But,  requiring  that  all physical  points  of  the
-%considered region are covered may  be too strict, especially where the
-%sensor network is not dense.   Our approach represents an area covered
-%by a sensor as a set of primary points and tries to maximize the total
-%number  of  primary points  that  are  covered  in each  round,  while
-%minimizing  overcoverage (points  covered by  multiple  active sensors
-%simultaneously).
-
-%In this section, we introduce a Multiperiod Distributed Lifetime Coverage Optimization protocol, which is called MuDiLCO. It is  distributed on each subregion in the area of interest. It is based on two efficient techniques: network
-%leader election and sensor activity scheduling for coverage preservation and energy conservation continuously and efficiently to maximize the lifetime in the network.  
-%The main features of our MuDiLCO protocol:
-%i)It divides the area of interest into subregions by using divide-and-conquer concept, ii)It requires only the information of the nodes within the subregion, iii) it divides the network lifetime into periods, which consists in round(s), iv)It based on the autonomous distributed decision by the nodes in the subregion to elect the Leader, v)It apply the activity scheduling based optimization on the subregion, vi)  it achieves an energy consumption balancing among the nodes in the subregion by selecting different nodes as a leader during the network lifetime, vii) It uses the optimization to select the best representative non-disjoint sets of sensors in the subregion by optimize the coverage and the lifetime over the area of interest, viii)It uses our proposed primary point coverage model, which represent the sensing range of the sensor as a set of points, which are used by the our optimization algorithm, ix) It uses a simple energy model that takes communication, sensing and computation energy consumptions into account to evaluate the performance of our Protocol.
-
-\subsection{Assumptions}
-
-We  consider a  randomly and  uniformly  deployed network  consisting of  static
-wireless sensors.  The sensors are  deployed in high density to ensure initially
-a high  coverage ratio  of the interested  area.  We  assume that all  nodes are
-homogeneous  in   terms  of  communication  and   processing  capabilities,  and
-heterogeneous  from the  point  of view  of  energy provision.   Each sensor  is
-supposed  to get information  on its  location either  through hardware  such as
-embedded GPS or through location discovery algorithms.
-   
-To model  a sensor node's coverage  area, we consider the  boolean disk coverage
-model   which  is  the   most  widely   used  sensor   coverage  model   in  the
-literature. Thus, each  sensor has a constant sensing range  $R_s$ and all space
-points within  the disk centered  at the sensor  with the radius of  the sensing
-range  is  said  to  be  covered  by  this sensor.   We  also  assume  that  the
-communication   range  satisfies   $R_c  \geq   2R_s$.   In   fact,   Zhang  and
-Zhou~\cite{Zhang05} proved that if  the transmission range fulfills the previous
-hypothesis, a complete coverage of  a convex area implies connectivity among the
-working nodes in the active mode.
-
-Instead  of working  with a  continuous coverage  area, we  make it  discrete by
-considering for each sensor a set of points called primary points. Consequently,
-we assume  that the sensing disk  defined by a sensor  is covered if  all of its
-primary points are covered. The choice of number and locations of primary points
-is the subject of another study not presented here.
-
-%By  knowing the  position (point  center: ($p_x,p_y$))  of  a wireless
-%sensor node  and its $R_s$,  we calculate the primary  points directly
-%based on the proposed model. We  use these primary points (that can be
-%increased or decreased if necessary)  as references to ensure that the
-%monitored  region  of interest  is  covered  by  the selected  set  of
-%sensors, instead of using all the points in the area.
-
-%The MuDiLCO protocol works in periods and executed at each sensor node in the network, each sensor node can still sense data while being in
-%LISTENING mode. Thus, by entering the LISTENING mode at the beginning of each round,
-%sensor nodes still executing sensing task while participating in the leader election and decision phases. More specifically, The MuDiLCO protocol algorithm works as follow: 
-%Initially, the sensor node check it's remaining energy in order to participate in the current round. Each sensor node determines it's position and it's subregion based Embedded GPS  or Location Discovery Algorithm. After that, All the sensors collect position coordinates, current remaining energy, sensor node id, and the number of its one-hop live neighbors during the information exchange. It stores this information into a list $L$.
-%The sensor node enter in listening mode waiting to receive ActiveSleep packet from the leader after the decision to apply multi-round activity scheduling during the sensing phase. Each sensor node will execute the Algorithm~1 to know who is the leader. After that, if the sensor node is leader, It will execute the integer program algorithm ( see section~\ref{cp}) to optimize the coverage and the lifetime in it's subregion. After the decision, the optimization approach will produce the cover sets of sensor nodes to take the mission of coverage during the sensing phase for $T$ rounds. The leader will send ActiveSleep packet to each sensor node in the subregion to inform him to it's schedule for $T$ rounds during the period of sensing, either Active or sleep until the starting of next period. Based on the decision, the leader as other nodes in subregion, either go to be active or go to be sleep based on it's schedule for $T$ rounds during current sensing phase. the other nodes in the same subregion will stay in listening mode waiting the ActiveSleep packet from the leader. After finishing the time period for sensing, which are includes $T$ rounds, all the sensor nodes in the same subregion will start new period by executing the MuDiLCO protocol and the lifetime in the subregion will continue until all the sensor nodes are died or the network becomes disconnected in the subregion.
+\subsection{Assumptions and primary points}
+\label{pp}
+
+\textcolor{black}{The assumptions and the coverage model are identical to those presented
+  in~\cite{idrees2015distributed}. We  consider a  scenario in which  sensors are  deployed in  high
+  density to  initially ensure a high coverage ratio of the interested area. Each
+  sensor  has  a  predefined  sensing  range $R_s$,  an  initial  energy  supply
+  (eventually different  from each other)  and is  supposed to be  equipped with
+  a module to  locate its geographical  positions. All space points  within the
+  disk centered at the sensor with the radius of the sensing range are said to be
+  covered by this sensor.}
+
+\indent Instead of working with the coverage area, we consider for each sensor a
+set of  points called  primary points~\cite{idrees2014coverage}. We  assume that
+the sensing  disk defined by a  sensor is covered  if all the primary  points of
+this  sensor are  covered.   By knowing  the position  of  wireless sensor  node
+(centered  at the  the position  $\left(p_x,p_y\right)$) and  its sensing  range
+$R_s$,  we define  up to  25 primary  points $X_1$  to $X_{25}$  as described  on
+Figure~\ref{fig1}.  The optimal  number  of primary  points  is investigated  in
+section~\ref{ch4:sec:04:06}.
+
+The coordinates of the primary points are defined as follows:\\
+%$(p_x,p_y)$ = point center of wireless sensor node\\  
+$X_1=(p_x,p_y)$ \\ 
+$X_2=( p_x + R_s * (1), p_y + R_s * (0) )$\\           
+$X_3=( p_x + R_s * (-1), p_y + R_s * (0)) $\\
+$X_4=( p_x + R_s * (0), p_y + R_s * (1) )$\\
+$X_5=( p_x + R_s * (0), p_y + R_s * (-1 )) $\\
+$X_6=( p_x + R_s * (\frac{-\sqrt{2}}{2}), p_y + R_s * (\frac{\sqrt{2}}{2})) $\\
+$X_7=( p_x + R_s * (\frac{\sqrt{2}}{2}), p_y + R_s * (\frac{\sqrt{2}}{2})) $\\
+$X_8=( p_x + R_s * (\frac{-\sqrt{2}}{2}), p_y + R_s * (\frac{-\sqrt{2}}{2})) $\\
+$X_9=( p_x + R_s * (\frac{\sqrt{2}}{2}), p_y + R_s * (\frac{-\sqrt{2}}{2})) $\\
+$X_{10}= ( p_x + R_s * (\frac{-\sqrt{2}}{2}), p_y + R_s * (0)) $\\
+$X_{11}=( p_x + R_s *  (\frac{\sqrt{2}}{2}), p_y + R_s * (0))$\\
+$X_{12}=( p_x + R_s * (0), p_y + R_s * (\frac{\sqrt{2}}{2})) $\\
+$X_{13}=( p_x + R_s * (0), p_y + R_s * (\frac{-\sqrt{2}}{2})) $\\
+$X_{14}=( p_x + R_s * (\frac{\sqrt{3}}{2}), p_y + R_s * (\frac{1}{2})) $\\
+$X_{15}=( p_x + R_s * (\frac{-\sqrt{3}}{2}), p_y + R_s * (\frac{1}{2})) $\\
+$X_{16}=( p_x + R_s * (\frac{\sqrt{3}}{2}), p_y + R_s * (\frac{- 1}{2})) $\\
+$X_{17}=( p_x + R_s * (\frac{-\sqrt{3}}{2}), p_y + R_s * (\frac{- 1}{2})) $\\
+$X_{18}=( p_x + R_s * (\frac{\sqrt{3}}{2}), p_y + R_s * (0)) $\\
+$X_{19}=( p_x + R_s * (\frac{-\sqrt{3}}{2}), p_y + R_s * (0)) $\\
+$X_{20}=( p_x + R_s * (0), p_y + R_s * (\frac{1}{2})) $\\
+$X_{21}=( p_x + R_s * (0), p_y + R_s * (-\frac{1}{2})) $\\
+$X_{22}=( p_x + R_s * (\frac{1}{2}), p_y + R_s * (\frac{\sqrt{3}}{2})) $\\
+$X_{23}=( p_x + R_s * (\frac{- 1}{2}), p_y + R_s * (\frac{\sqrt{3}}{2})) $\\
+$X_{24}=( p_x + R_s * (\frac{- 1}{2}), p_y + R_s * (\frac{-\sqrt{3}}{2})) $\\
+$X_{25}=( p_x + R_s * (\frac{1}{2}), p_y + R_s * (\frac{-\sqrt{3}}{2})) $.
+
+\begin{figure}[h]
+  \centering
+  \includegraphics[scale=0.375]{fig26.pdf}
+  \label{fig1}
+  \caption{Wireless sensor node represented by up to 25~primary points}
+\end{figure}
 
 \subsection{Background idea}
 
 
 \subsection{Background idea}
 
-The  area of  interest  can be  divided  using the  divide-and-conquer
-strategy into  smaller areas, called subregions, and  then our MuDiLCO
-protocol will be implemented in each subregion in a distributed way.
-
-As can  be seen  in Figure~\ref{fig2}, our  protocol works  in periods
-fashion, where  each is  divided into 4  phases: Information~Exchange,
-Leader~Election,  Decision, and  Sensing.  Each  sensing phase  may be
-itself divided  into $T$ rounds  and for each  round a set  of sensors
-(said a cover set) is responsible for the sensing task.
-\begin{figure}[ht!]
-\centering
-\includegraphics[width=95mm]{Modelgeneral.pdf} % 70mm
+The  WSN  area of  interest  is,  at  first,  divided into  regular  homogeneous
+subregions  using a  divide-and-conquer algorithm.  Then, our  protocol will  be
+executed  in a  distributed way  in  each subregion  simultaneously to  schedule
+nodes'  activities for  one  sensing  period. Sensor  nodes  are  assumed to  be
+deployed almost  uniformly and with  high density  over the region.  The regular
+subdivision is  made so  that the number  of hops between  any pairs  of sensors
+inside a subregion is less than or equal to 3.
+
+As can  be seen  in Figure~\ref{fig2},  our protocol  works in  periods fashion,
+where   each   period   is    divided   into   4~phases:   Information~Exchange,
+Leader~Election,  Decision, and  Sensing. \textcolor{black}{Compared  to 
+ the DiLCO protocol described in~\cite{idrees2015distributed},} each sensing phase is itself
+divided into $T$ rounds of equal duration and for each round a set of sensors (a
+cover  set) is  responsible  for the  sensing  task. In  this  way a  multiround
+optimization process is performed  during each period after Information~Exchange
+and Leader~Election  phases, in order to  produce $T$ cover sets  that will take
+the           mission           of           sensing           for           $T$
+rounds. \textcolor{black}{Algorithm~\ref{alg:MuDiLCO} is  executed by each sensor
+  node~$s_j$ (with enough remaining energy) at the beginning of a period.}
+\begin{figure}[t!]
+\centering \includegraphics[width=125mm]{Modelgeneral.pdf} % 70mm
 \caption{The MuDiLCO protocol scheme executed on each node}
 \label{fig2}
 \caption{The MuDiLCO protocol scheme executed on each node}
 \label{fig2}
-\end{figure} 
+\end{figure}
 
 
-%Each period is divided into 4 phases: Information  Exchange,
-%Leader  Election, Decision,  and  Sensing.  Each sensing phase may be itself divided into $T$ rounds.
-% set cover responsible for the sensing task.  
-%For each round a set of sensors (said a cover set) is responsible for the sensing task.
-
-This protocol is reliable  against an unexpected node failure, because
-it works  in periods. On the one  hand, if a node  failure is detected
-before  making the  decision, the  node will  not participate  to this
-phase, and,  on the other hand,  if the node failure  occurs after the
-decision,  the  sensing  task  of  the  network  will  be  temporarily
-affected: only during the period of sensing until a new period starts.
-
-The energy consumption and some  other constraints can easily be taken
-into account,  since the  sensors can update  and then  exchange their
-information (including their residual energy) at the beginning of each
-period.  However, the pre-sensing phases (Information Exchange, Leader
-Election, and Decision) are energy consuming for some nodes, even when
-they do not join the network to monitor the area.
-
-%%%%%%%%%%%%%%%%%parler optimisation%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
-
-We  define two  types of  packets that  will be  used by  the proposed
-protocol:
+\begin{algorithm}[h!]                
+  \BlankLine  
+  \If{ $RE_j \geq E_{R}$ }{
+      \emph{$s_j.status$ = COMMUNICATION}\;
+      \emph{Send $INFO()$ packet to other nodes in the subregion}\;
+      \emph{Wait $INFO()$ packet from other nodes in the subregion}\; 
+      
+      \emph{LeaderID = Leader election}\;
+      \If{$ s_j.ID = LeaderID $}{
+        \emph{$s_j.status$ = COMPUTATION}\;
+        \emph{$\left\{\left(X_{1,k},\dots,X_{T,k}\right)\right\}_{k \in J}$ =
+          Execute Integer Program Algorithm($T,J$)}\;
+        \emph{$s_j.status$ = COMMUNICATION}\;
+        \emph{Send $ActiveSleep()$ packet to each node $k$ in subregion: a packet \\
+          with vector of activity scheduling $(X_{1,k},\dots,X_{T,k})$}\;
+        \emph{Update $RE_j $}\;
+      }          
+      \Else{
+        \emph{$s_j.status$ = LISTENING}\;
+        \emph{Wait $ActiveSleep()$ packet from the Leader}\;
+        \emph{Update $RE_j $}\;
+      }  
+  }
+  \Else { Exclude $s_j$ from entering in the current sensing phase}
+  
+\caption{MuDiLCO($s_j$)}
+\label{alg:MuDiLCO}
+\end{algorithm}
+
+\textcolor{black}{As  already   described  in~\cite{idrees2015distributed}},  two
+types of packets are used by the proposed protocol:
 \begin{enumerate}[(a)] 
 \begin{enumerate}[(a)] 
-\item INFO packet:  a such packet will be sent by  each sensor node to
-  all the nodes inside a subregion for information exchange.
-\item Active-Sleep packet: sent by the leader to all the nodes inside a
-  subregion to inform them to remain  Active or to go Sleep during the
-  sensing phase.
+\item INFO  packet: such a packet  will be sent by  each sensor node to  all the
+  nodes inside a subregion for information exchange.
+\item  Active-Sleep  packet: sent  by  the  leader to  all  the  nodes inside  a
+  subregion to inform  them to remain Active  or to go Sleep  during the sensing
+  phase.
 \end{enumerate}
 
 There are five status for each sensor node in the network:
 \begin{enumerate}[(a)] 
 \end{enumerate}
 
 There are five status for each sensor node in the network:
 \begin{enumerate}[(a)] 
-\item LISTENING: sensor  node is waiting for a  decision (to be active
-  or not);
-\item COMPUTATION: sensor node has  been elected as leader and applies
-  the optimization process;
-\item ACTIVE: sensor node participate to the monitoring of the area;
+\item LISTENING: sensor node is waiting for a decision (to be active or not);
+\item  COMPUTATION: sensor  node  has been  elected as  leader  and applies  the
+  optimization process;
+\item ACTIVE: sensor node is taking part in the monitoring of the area;
 \item SLEEP: sensor node is turned off to save energy;
 \item COMMUNICATION: sensor node is transmitting or receiving packet.
 \end{enumerate}
 
 \item SLEEP: sensor node is turned off to save energy;
 \item COMMUNICATION: sensor node is transmitting or receiving packet.
 \end{enumerate}
 
-Below, we describe each phase in more details.
-
-\subsection{Information Exchange Phase}
-
-Each sensor node $j$ sends its position, remaining energy $RE_j$, and the number
-of neighbors $NBR_j$  to all wireless sensor nodes in its  subregion by using an
-INFO packet  (containing information on position  coordinates, current remaining
-energy, sensor node ID, number of its one-hop live neighbors) and then waits for
-packets sent by other nodes.  After  that, each node will have information about
-all  the sensor  nodes in  the subregion.   In our  model, the  remaining energy
-corresponds to the time that a sensor can live in the active mode.
-
-%\subsection{\textbf Working Phase:}
-
-%The working phase works in rounding fashion. Each round include 3 steps described as follow :
-
-\subsection{Leader Election phase}
-
-This step consists in choosing the Wireless Sensor Node Leader (WSNL),
-which will be responsible  for executing the coverage algorithm.  Each
-subregion  in  the   area  of  interest  will  select   its  own  WSNL
-independently  for each  period.  All  the sensor  nodes  cooperate to
-elect a WSNL.  The nodes in  the same subregion will select the leader
-based on  the received informations from  all other nodes  in the same
-subregion.  The selection criteria are, in order of importance: larger
-number of  neighbors, larger  remaining energy, and  then in  case of
-equality, larger  index. Observations on  previous simulations suggest
-to use  the number of one-hop  neighbors as the  primary criterion to
-reduce energy consumption due to the communications.
-
-%the more priority selection factor is the number of $1-hop$ neighbors, $NBR j$, which can  minimize the energy consumption during the communication Significantly.  
-%The pseudo-code for leader election phase is provided in Algorithm~1.
-
-%Where $E_{th}$ is the minimum energy needed to stay active during the sensing phase. As shown in Algorithm~1, the more priority selection factor is the number of $1-hop$ neighbours, $NBR j$, which can  minimize the energy consumption during the communication Significantly.  
-
-\subsection{Decision phase}
-
-Each WSNL  will solve  an integer program  to select which  cover sets
-will  be  activated  in  the  following sensing  phase  to  cover  the
-subregion to which  it belongs.  The integer program  will produce $T$
-cover sets,  one for each round.   The WSNL will  send an Active-Sleep
-packet  to each  sensor  in  the subregion  based  on the  algorithm's
-results,  indicating if the  sensor should  be active  or not  in each
-round of the sensing phase. The  integer program is based on the model
-proposed  by  \cite{pedraza2006}  with  some modification,  where  the
-objective  is to find  a maximum  number of  disjoint cover  sets.  To
-fulfill  this goal,  the  authors proposed  an  integer program  which
-forces undercoverage and overcoverage  of targets to become minimal at
-the  same time.   They use  binary variables  $x_{jl}$ to  indicate if
-sensor $j$ belongs to cover set $l$.  In our model, we consider binary
-variables  $X_{t,j}$  to determine  the  possibility  of activation  of
-sensor $j$  during the  round $t$  of a given  sensing phase.  We also
-consider  primary points  as targets.   The set  of primary  points is
-denoted by $P$ and the set of  sensors by $J$. Only sensors able to be
-alive during at least one round are involved in the integer program.
-
-%parler de la limite en energie Et pour un round
-
-For  a primary  point  $p$, let  $\alpha_{j,p}$  denote the  indicator
-function of whether the point $p$ is covered, that is:
+This  protocol minimizes  the  impact of  unexpected node  failure  (not due  to
+batteries running out of energy), because it works in periods.  On the one hand,
+if a  node failure  is detected before  making the decision,  the node  will not
+participate to this  phase, and, on the  other hand, if the  node failure occurs
+after  the  decision, the  sensing  task  of  the  network will  be  temporarily
+affected: only  during the  period of  sensing until a  new period  starts.  The
+duration of the rounds is a  predefined parameter. Round duration should be long
+enough to  hide the  system control  overhead and short  enough to  minimize the
+negative effects in case of node failures.
+
+The  energy consumption  and some  other constraints  can easily  be  taken into
+account,  since the  sensors  can  update and  then  exchange their  information
+(including their residual energy) at the beginning of each period.  However, the
+pre-sensing  phases (Information  Exchange, Leader  Election, and  Decision) are
+energy  consuming for some  nodes, even  when they  do not  join the  network to
+monitor the area.
+
+At the beginning  of each period, each sensor which  has enough remaining energy
+($RE_j$) to be alive during at least  one round ($E_{R}$ is the amount of energy
+required    to   be    alive   during    one   round)    sends   (line    3   of
+Algorithm~\ref{alg:MuDiLCO})  its position,  remaining  energy  $RE_j$, and  the
+number of  neighbors $NBR_j$ to  all wireless sensor  nodes in its  subregion by
+using an  INFO packet (containing  information on position  coordinates, current
+remaining energy, sensor node ID, number of its one-hop live neighbors) and then
+waits for packets sent by other nodes (line 4).
+
+After that, each  node will have information  about all the sensor  nodes in the
+subregion.  The  nodes in  the same  subregion will select  (line 5)  a Wireless
+Sensor Node Leader (WSNL) based on the received information from all other nodes
+in the  same subregion.   The selection  criteria are,  in order  of importance:
+larger  number of  neighbors,  larger  remaining energy,  and  then  in case  of
+equality, larger index. Observations on  previous simulations suggest to use the
+number  of  one-hop  neighbors  as   the  primary  criterion  to  reduce  energy
+consumption due to the communications.
+
+%Each WSNL will solve an integer program to  select which cover
+%  sets will be  activated in the following sensing phase  to cover the subregion
+%  to which it belongs.  $T$ cover sets will be produced, one for each round. The
+%  WSNL will send an Active-Sleep packet to each sensor in the subregion based on
+%  the algorithm's results,  indicating if the sensor should be  active or not in
+%  each round of the sensing phase.
+\subsection{Multiround Optimization model}
+\label{mom}
+
+As  shown in  Algorithm~\ref{alg:MuDiLCO}  at  line 8,  the  leader (WNSL)  will
+execute an  optimization algorithm  based on  an integer  program to  select the
+cover sets to be activated in the following sensing phase to cover the subregion
+to which it belongs.   $T$ cover sets will be produced, one  for each round. The
+WSNL will send an  Active-Sleep packet to each sensor in  the subregion based on
+the algorithm's results (line 10), indicating  if the sensor should be active or
+not in each round of the sensing phase.
+
+The integer  program is based on  the model proposed by  \cite{pedraza2006} with
+some modifications, where the objective is  to find a maximum number of disjoint
+cover sets.  To fulfill this goal, the authors proposed an integer program which
+forces undercoverage and  overcoverage of targets to become minimal  at the same
+time.  They use  binary variables $x_{jl}$ to indicate if  sensor $j$ belongs to
+cover  set  $l$.  In  our  model,  we  consider  binary variables  $X_{t,j}$  to
+determine the possibility  of activating sensor $j$ during round  $t$ of a given
+sensing phase.  We also consider primary  points as targets.  The set of primary
+points is denoted by $P$ and the set  of sensors by $J$. Only sensors able to be
+alive  during  at  least  one  round   are  involved  in  the  integer  program.
+\textcolor{black}{Note that the proposed integer  program is an
+  extension of the one   formulated  in~\cite{idrees2015distributed},  variables  are  now  indexed  in
+  addition with the number of round $t$.}
+
+For a  primary point  $p$, let $\alpha_{j,p}$  denote the indicator  function of
+whether the point $p$ is covered, that is:
 \begin{equation}
 \alpha_{j,p} = \left \{ 
 \begin{array}{l l}
 \begin{equation}
 \alpha_{j,p} = \left \{ 
 \begin{array}{l l}
@@ -561,14 +513,14 @@ We define the Overcoverage variable $\Theta_{t,p}$ as:
 \begin{array}{l l}
   0 & \mbox{if the primary point $p$}\\
     & \mbox{is not covered during round $t$,}\\
 \begin{array}{l l}
   0 & \mbox{if the primary point $p$}\\
     & \mbox{is not covered during round $t$,}\\
-  \left( \sum_{j \in J} \alpha_{jp} * X_{tj} \right)- 1 & \mbox{otherwise.}\\
+  \left( \sum_{j \in J} \alpha_{jp} * X_{t,j} \right)- 1 & \mbox{otherwise.}\\
 \end{array} \right.
 \label{eq13} 
 \end{equation}
 \end{array} \right.
 \label{eq13} 
 \end{equation}
-More precisely, $\Theta_{t,p}$ represents  the number of active sensor
-nodes  minus one that  cover the  primary point  $p$ during  the round
-$t$.  The Undercoverage variable  $U_{t,p}$ of  the primary  point $p$
-during round $t$ is defined by:
+More  precisely, $\Theta_{t,p}$  represents the  number of  active  sensor nodes
+minus  one  that  cover  the  primary  point $p$  during  round  $t$.   The
+Undercoverage variable  $U_{t,p}$ of the primary  point $p$ during  round $t$ is
+defined by:
 \begin{equation}
 U_{t,p} = \left \{ 
 \begin{array}{l l}
 \begin{equation}
 U_{t,p} = \left \{ 
 \begin{array}{l l}
@@ -580,7 +532,7 @@ U_{t,p} = \left \{
 
 Our coverage optimization problem can then be formulated as follows:
 \begin{equation}
 
 Our coverage optimization problem can then be formulated as follows:
 \begin{equation}
- \min \sum_{t=1}^{T} \sum_{p=1}^{P} \left(W_{\theta}* \Theta_{t,p} + W_{U} * U_{t,p}  \right)  \label{eq15} 
+ \min \sum_{t=1}^{T} \sum_{p=1}^{|P|} \left(W_{\theta}* \Theta_{t,p} + W_{U} * U_{t,p}  \right)  \label{eq15} 
 \end{equation}
 
 Subject to
 \end{equation}
 
 Subject to
@@ -589,7 +541,7 @@ Subject to
 \end{equation}
 
 \begin{equation}
 \end{equation}
 
 \begin{equation}
-  \sum_{t=1}^{T}  X_{t,j}   \leq  \floor*{RE_{j}/E_{R}} \hspace{6 mm} \forall j \in J, t = 1,\dots,T
+  \sum_{t=1}^{T}  X_{t,j}   \leq  \floor*{RE_{j}/E_{R}} \hspace{10 mm}\forall j \in J\hspace{6 mm} 
   \label{eq144} 
 \end{equation}
 
   \label{eq144} 
 \end{equation}
 
@@ -605,253 +557,142 @@ U_{t,p} \in \lbrace0,1\rbrace, \hspace{10 mm}\forall p \in P, t = 1,\dots,T  \la
  \Theta_{t,p} \geq 0 \hspace{10 mm}\forall p \in P, t = 1,\dots,T \label{eq178}
 \end{equation}
 
  \Theta_{t,p} \geq 0 \hspace{10 mm}\forall p \in P, t = 1,\dots,T \label{eq178}
 \end{equation}
 
-%\begin{equation}
-%(W_{\theta}+W_{\psi} = P)    \label{eq19} 
-%\end{equation}
-
-
 \begin{itemize}
 \begin{itemize}
-\item $X_{t,j}$: indicates  whether or not the sensor  $j$ is actively
-  sensing during the round $t$ (1 if yes and 0 if not);
-\item $\Theta_{t,p}$ - {\it overcoverage}: the number of sensors minus
-  one that are covering the primary point $p$ during the round $t$;
-\item $U_{t,p}$  - {\it undercoverage}:  indicates whether or  not the
-  primary point  $p$ is being covered  during the round $t$  (1 if not
-  covered and 0 if covered).
+\item $X_{t,j}$:  indicates whether  or not the  sensor $j$ is  actively sensing
+  during round $t$ (1 if yes and 0 if not);
+\item $\Theta_{t,p}$ - {\it overcoverage}:  the number of sensors minus one that
+  are covering the primary point $p$ during round $t$;
+\item  $U_{t,p}$ -  {\it undercoverage}:  indicates whether  or not  the primary
+  point $p$  is being covered during round $t$ (1  if not covered  and 0 if
+  covered).
 \end{itemize}
 
 \end{itemize}
 
-The first group  of constraints indicates that some  primary point $p$
-should be covered by at least one  sensor and, if it is not always the
-case,  overcoverage  and undercoverage  variables  help balancing  the
-restriction equations by taking  positive values. The constraint given
-by equation~(\ref{eq144}) guarantees that the sensor has enough energy
-($RE_j$ corresponds  to its remaining  energy) to be alive  during the
-selected rounds knowing that $E_{R}$  is the amount of energy required
-to be alive during one round.
-
-There are  two main objectives.   First, we limit the  overcoverage of
-primary  points in  order to  activate  a minimum  number of  sensors.
-Second  we prevent  the absence  of monitoring  on some  parts  of the
-subregion by minimizing the undercoverage.  The weights $W_\theta$ and
-$W_U$  must be properly  chosen so  as to  guarantee that  the maximum
-number of  points are  covered during each  round. In  our simulations
-priority is given to the  coverage by choosing $W_{\theta}$ very large
-compared to $W_U$.
-%The Active-Sleep packet includes the schedule vector with the number of rounds that should be applied by the receiving sensor node during the sensing phase.
-
-\subsection{Sensing phase}
-
-The sensing phase consists of $T$ rounds. Each sensor node in the subregion will
-receive an Active-Sleep packet from WSNL, informing it to stay awake or to go to
-sleep for  each round of  the sensing phase.  Algorithm~\ref{alg:MuDiLCO}, which
-will be  executed by each node  at the beginning  of a period, explains  how the
-Active-Sleep packet is obtained.
-
-% In each round during the sensing phase, there is a cover set of sensor nodes,  in which  the active  sensors will  execute  their sensing  task  to preserve maximal  coverage and lifetime in the subregion and this will continue until finishing the round $T$ and starting new period. 
-
-\begin{algorithm}[h!]                
- % \KwIn{all the parameters related to information exchange}
-%  \KwOut{$winer-node$ (: the id of the winner sensor node, which is the leader of current round)}
-  \BlankLine
-  %\emph{Initialize the sensor node and determine it's position and subregion} \; 
-  
-  \If{ $RE_j \geq E_{R}$ }{
-      \emph{$s_j.status$ = COMMUNICATION}\;
-      \emph{Send $INFO()$ packet to other nodes in the subregion}\;
-      \emph{Wait $INFO()$ packet from other nodes in the subregion}\; 
-      %\emph{UPDATE $RE_j$ for every sent or received INFO Packet}\;
-      %\emph{ Collect information and construct the list L for all nodes in the subregion}\;
-      
-      %\If{ the received INFO Packet = No. of nodes in it's subregion -1  }{
-      \emph{LeaderID = Leader election}\;
-      \If{$ s_j.ID = LeaderID $}{
-        \emph{$s_j.status$ = COMPUTATION}\;
-        \emph{$\left\{\left(X_{1,k},\dots,X_{T,k}\right)\right\}_{k \in J}$ =
-          Execute Integer Program Algorithm($T,J$)}\;
-        \emph{$s_j.status$ = COMMUNICATION}\;
-        \emph{Send $ActiveSleep()$ to each node $k$ in subregion a packet \\
-          with vector of activity scheduling $(X_{1,k},\dots,X_{T,k})$}\;
-        \emph{Update $RE_j $}\;
-      }          
-      \Else{
-        \emph{$s_j.status$ = LISTENING}\;
-        \emph{Wait $ActiveSleep()$ packet from the Leader}\;
-        % \emph{After receiving Packet, Retrieve the schedule and the $T$ rounds}\;
-        \emph{Update $RE_j $}\;
-      }  
-      %  }
-  }
-  \Else { Exclude $s_j$ from entering in the current sensing phase}
-  
- %   \emph{return X} \;
-\caption{MuDiLCO($s_j$)}
-\label{alg:MuDiLCO}
-
-\end{algorithm}
-
-\section{Experimental study}
+The first group  of constraints indicates that some primary  point $p$ should be
+covered by at least  one sensor and, if it is not  always the case, overcoverage
+and undercoverage variables  help balancing the restriction  equations by taking
+positive values. The constraint  given by equation~(\ref{eq144}) guarantees that
+the sensor has enough energy ($RE_j$  corresponds to its remaining energy) to be
+alive during  the selected rounds knowing  that $E_{R}$ is the  amount of energy
+required to be alive during one round.
+
+There are  two main  objectives.  First,  we limit  the overcoverage  of primary
+points in order to activate a minimum  number of sensors.  Second we prevent the
+absence  of  monitoring  on  some  parts of  the  subregion  by  minimizing  the
+undercoverage.  The weights  $W_\theta$ and $W_U$ must be properly  chosen so as
+to guarantee  that the maximum number  of points are covered  during each round.
+In our simulations,  priority is given to the coverage  by choosing $W_{U}$ very
+large compared to $W_{\theta}$.
+
+The size of the problem depends on  the number of variables and constraints. The
+number of variables  is linked to the  number of alive sensors  $A \subseteq J$,
+the  number of  rounds $T$,  and the  number of  primary points  $P$.  Thus  the
+integer program contains  $A*T$ variables of type  $X_{t,j}$, $P*T$ overcoverage
+variables and $P*T$ undercoverage variables.  The number of constraints is equal
+to $P*T$ (for constraints (\ref{eq16})) $+$ $A$ (for constraints (\ref{eq144})).
+
+
+\section{Experimental framework}
 \label{exp}
 \label{exp}
+
 \subsection{Simulation setup}
 
 \subsection{Simulation setup}
 
-We  conducted  a  series of  simulations  to  evaluate  the efficiency  and  the
-relevance  of   our  approach,  using  the  discrete   event  simulator  OMNeT++
-\cite{varga}.     The     simulation     parameters    are     summarized     in
-Table~\ref{table3}.  Each experiment  for  a network  is  run over  25~different
-random topologies and  the results presented hereafter are  the average of these
-25 runs.
-%Based on the results of our proposed work in~\cite{idrees2014coverage}, we found as the region of interest are divided into larger subregions as the network lifetime increased. In this simulation, the network are divided into 16 subregions. 
-We  performed  simulations for  five  different  densities  varying from  50  to
-250~nodes. Experimental results are obtained from randomly generated networks in
-which  nodes  are deployed  over  a  $50 \times  25~m^2  $  sensing field.  More
-precisely, the  deployment is controlled  at a coarse  scale in order  to ensure
-that  the deployed  nodes can  cover the  sensing field  with the  given sensing
-range.
+We  conducted  a series  of  simulations  to  evaluate  the efficiency  and  the
+relevance  of  our   approach,  using  the  discrete   event  simulator  OMNeT++
+\cite{varga}.  The  simulation parameters are summarized  in Table~\ref{table3}.
+Each experiment for a network is run over 25~different random topologies and the
+results presented  hereafter are  the average  of these  25 runs.   We performed
+simulations for five  different densities varying from 50  to 250~nodes deployed
+over a  $50 \times 25~m^2  $ sensing field.   More precisely, the  deployment is
+controlled at  a coarse  scale in order  to ensure that  the deployed  nodes can
+cover the sensing field with the given sensing range.
 
 \begin{table}[ht]
 \caption{Relevant parameters for network initializing.}
 
 \begin{table}[ht]
 \caption{Relevant parameters for network initializing.}
-% title of Table
 \centering
 \centering
-% used for centering table
 \begin{tabular}{c|c}
 \begin{tabular}{c|c}
-% centered columns (4 columns)
-      \hline
-%inserts double horizontal lines
+  \hline
 Parameter & Value  \\ [0.5ex]
 Parameter & Value  \\ [0.5ex]
-   
-%Case & Strategy (with Two Leaders) & Strategy (with One Leader) & Simple Heuristic \\ [0.5ex]
-% inserts table
-%heading
 \hline
 \hline
-% inserts single horizontal line
 Sensing field size & $(50 \times 25)~m^2 $   \\
 Sensing field size & $(50 \times 25)~m^2 $   \\
-% inserting body of the table
-%\hline
 Network size &  50, 100, 150, 200 and 250~nodes   \\
 Network size &  50, 100, 150, 200 and 250~nodes   \\
-%\hline
 Initial energy  & 500-700~joules  \\  
 Initial energy  & 500-700~joules  \\  
-%\hline
 Sensing time for one round & 60 Minutes \\
 $E_{R}$ & 36 Joules\\
 $R_s$ & 5~m   \\     
 Sensing time for one round & 60 Minutes \\
 $E_{R}$ & 36 Joules\\
 $R_s$ & 5~m   \\     
-%\hline
-$w_{\Theta}$ & 1   \\
-% [1ex] adds vertical space
-%\hline
-$w_{U}$ & $|P^2|$
-%inserts single line
+$W_{\theta}$ & 1   \\
+$W_{U}$ & $|P|^2$ \\
 \end{tabular}
 \label{table3}
 \end{tabular}
 \label{table3}
-% is used to refer this table in the text
 \end{table}
 \end{table}
-  
-Our protocol is declined into four versions: MuDiLCO-1,  MuDiLCO-3, MuDiLCO-5,
-and  MuDiLCO-7, corresponding  respectively to  $T=1,3,5,7$ ($T$  the  number of
-rounds  in one  sensing period).  In  the following,  the general  case will  be
-denoted by MuDiLCO-T. We are studied the impact of dividing the sensing feild (using Divide and Conquer method) on the performance of our  MuDiLCO-T protocol with different network sizes, and we are found that as the number of subregions increase, the network lifetime increase and the MuDiLCO-T protocol become more powerful against the network disconnection.
-This subdivision should be stopped when there is no benefit from the optimization, therefore Our MuDiLCO-T protocol is distributed over 16 rather than 32 subregions because there is a balance between the benefit from the optimization and the execution time is needed to sove it.    We compare MuDiLCO-T with two  other methods.  The first
-method,  called  DESK and  proposed  by  \cite{ChinhVu}  is a  full  distributed
-coverage  algorithm.   The  second  method,  called  GAF~\cite{xu2001geography},
-consists in dividing the region  into fixed squares.  During the decision phase,
-in each  square, one sensor is then  chosen to remain active  during the sensing
-phase time.
-
-\subsection{Energy Model}
-
-We  use an  energy consumption  model  proposed by~\cite{ChinhVu}  and based  on
-\cite{raghunathan2002energy} with slight  modifications.  The energy consumption
-for  sending/receiving the packets  is added,  whereas the  part related  to the
-sensing range is removed because we consider a fixed sensing range.
-
-% We are took into account the energy consumption needed for the high computation during executing the algorithm on the sensor node. 
-%The new energy consumption model will take into account the energy consumption for communication (packet transmission/reception), the radio of the sensor node, data sensing, computational energy of Micro-Controller Unit (MCU) and high computation energy of MCU. 
-%revoir la phrase
-
-For our  energy consumption model, we  refer to the sensor  node Medusa~II which
-uses an Atmels  AVR ATmega103L microcontroller~\cite{raghunathan2002energy}. The
-typical  architecture  of a  sensor  is composed  of  four  subsystems: the  MCU
-subsystem which is capable of computation, communication subsystem (radio) which
-is  responsible  for  transmitting/receiving  messages, sensing  subsystem  that
-collects  data, and  the  power supply  which  powers the  complete sensor  node
-\cite{raghunathan2002energy}. Each  of the first three subsystems  can be turned
-on or  off depending on  the current status  of the sensor.   Energy consumption
-(expressed in  milliWatt per second) for  the different status of  the sensor is
-summarized in Table~\ref{table4}.  The energy  needed to send or receive a 1-bit
-packet is equal to $0.2575~mW$.
-
-\begin{table}[ht]
-\caption{The Energy Consumption Model}
-% title of Table
-\centering
-% used for centering table
-\begin{tabular}{|c|c|c|c|c|}
-% centered columns (4 columns)
-      \hline
-%inserts double horizontal lines
-Sensor status & MCU & Radio & Sensing & Power (mW) \\ [0.5ex]
-\hline
-% inserts single horizontal line
-LISTENING & on & on & on & 20.05 \\
-% inserting body of the table
-\hline
-ACTIVE & on & off & on & 9.72 \\
-\hline
-SLEEP & off & off & off & 0.02 \\
-\hline
-COMPUTATION & on & on & on & 26.83 \\
-%\hline
-%\multicolumn{4}{|c|}{Energy needed to send/receive a 1-bit} & 0.2575\\
- \hline
-\end{tabular}
-
-\label{table4}
-% is used to refer this table in the text
-\end{table}
-
-For sake  of simplicity we  ignore the  energy needed to  turn on the  radio, to
-start up the sensor node, to move from one status to another, etc.
-%We also do not consider the need of collecting sensing data. PAS COMPRIS
-Thus, when  a sensor becomes active  (i.e., it already decides  it's status), it
-can turn its  radio off to save  battery. MuDiLCO uses two types  of packets for
-communication. The size of the  INFO packet and Active-Sleep packet are 112~bits
-and 24~bits  respectively.  The  value of energy  spent to send  a 1-bit-content
-message is  obtained by using  the equation in  ~\cite{raghunathan2002energy} to
-calculate  the energy cost  for transmitting  messages and  we propose  the same
-value for receiving the packets.
-
-The initial energy of each node  is randomly set in the interval $[500;700]$.  A
-sensor node  will not participate in the  next round if its  remaining energy is
-less than  $E_{R}=36~\mbox{Joules}$, the minimum  energy needed for the  node to
-stay alive  during one round.  This value has  been computed by  multiplying the
-energy consumed in  active state (9.72 mW)  by the time in second  for one round
-(3600 seconds).  According to the  interval of initial  energy, a sensor  may be
-alive during at most 20 rounds.
 
 
+Our protocol  is declined into  four versions: MuDiLCO-1,  MuDiLCO-3, MuDiLCO-5,
+and  MuDiLCO-7, corresponding  respectively to  $T=1,3,5,7$ ($T$  the number  of
+rounds in one sensing period). Since the time resolution may be prohibitive when
+the size of  the problem increases, a  time limit threshold has  been fixed when
+solving large  instances. In these cases,  the solver returns the  best solution
+found, which  is not necessary  the optimal one. In  practice, we only  set time
+limit values for  $T=5$ and $T=7$.  In  fact, for $T=5$ we limited  the time for
+250~nodes,  whereas for  $T=7$  it  was for  the  three  largest network  sizes.
+Therefore we  used the  following values  (in second):  0.03 for  250~nodes when
+$T=5$, while for $T=7$ we chose 0.03,  0.06, and 0.08 for respectively 150, 200,
+and 250~nodes.  These time limit thresholds have been set empirically. The basic
+idea is to consider the average execution  time to solve the integer programs to
+optimality for 100 nodes  and then to adjust the time  linearly according to the
+increasing  network size.   After that,  this  threshold value  is increased  if
+necessary so that the  solver is able to deliver a  feasible solution within the
+time limit. In  fact, selecting the optimal  values for the time  limits will be
+investigated in the future.
+
+ In the  following, we will make  comparisons with two other  methods. The first
+ method,  called DESK  and proposed  by \cite{ChinhVu},  is a  fully distributed
+ coverage  algorithm.   The  second method,  called  GAF~\cite{xu2001geography},
+ consists in dividing the region into fixed squares.  During the decision phase,
+ in each square, one  sensor is then chosen to remain  active during the sensing
+ phase time.
+
+Some preliminary experiments were performed to study the choice of the number of
+subregions  which subdivides  the sensing  field, considering  different network
+sizes. They show that as the number of subregions increases, so does the network
+lifetime. Moreover,  it makes  the MuDiLCO protocol  more robust  against random
+network  disconnection due  to node  failures.  However,  too many  subdivisions
+reduce the advantage  of the optimization.  In fact, there  is a balance between
+the benefit from the optimization and the  execution time needed to solve it. In
+the following  we have  set the number  of subregions  to~16 \textcolor{black}{as
+  recommended in~\cite{idrees2015distributed}}.
+
+\subsection{Energy model}
+\textcolor{black}{The      energy     consumption      model     is      detailed
+  in~\cite{raghunathan2002energy}.   It  is   based   on   the  model   proposed
+  by~\cite{ChinhVu}. We refer to the sensor  node Medusa~II which uses an Atmels
+  AVR ATmega103L  microcontroller~\cite{raghunathan2002energy} to  use numerical
+  values.}  
 
 \subsection{Metrics}
 
 
 \subsection{Metrics}
 
-To evaluate our approach we consider the following performance metrics:
+\textcolor{black}{To evaluate  our approach  we consider the  performance metrics
+  detailed in~\cite{idrees2015distributed},  which are: Coverage  Ratio, Network
+  Lifetime  and  Energy  Consumption.   Compared to  the  previous  definitions,
+  formulations of  Coverage Ratio and  Energy Consumption are enriched  with the
+  index of round $t$.}
 
 \begin{enumerate}[i]
   
 
 \begin{enumerate}[i]
   
-\item {{\bf Coverage Ratio (CR)}:} the coverage ratio measures how much the area
-  of a sensor field is covered. In our case, the sensing field is represented as
-  a connected grid  of points and we use  each grid point as a  sample point for
-  calculating the coverage. The coverage ratio can be calculated by:
+\item {{\bf Coverage  Ratio (CR)}:} the coverage ratio measures  how much of the
+  area  of  a sensor  field  is  covered. In  our  case,  the sensing  field  is
+  represented as  a connected grid  of points  and we use  each grid point  as a
+  sample point to compute the coverage. The coverage ratio can be calculated by:
 \begin{equation*}
 \scriptsize
 \mbox{CR}(\%) = \frac{\mbox{$n^t$}}{\mbox{$N$}} \times 100,
 \end{equation*}
 where $n^t$ is  the number of covered  grid points by the active  sensors of all
 \begin{equation*}
 \scriptsize
 \mbox{CR}(\%) = \frac{\mbox{$n^t$}}{\mbox{$N$}} \times 100,
 \end{equation*}
 where $n^t$ is  the number of covered  grid points by the active  sensors of all
-subregions during round $t$ in the current sensing phase and $N$ is total number
-of grid points in the sensing field of the network. In our simulation $N = 51 \times 26 = 1326$ grid points.
-%The accuracy of this method depends on the distance between grids. In our
-%simulations, the sensing field has been divided into 50 by 25 grid points, which means
-%there are $51 \times 26~ = ~ 1326$ points in total.
-% Therefore, for our simulations, the error in the coverage calculation is less than ~ 1 $\% $.
+subregions during round  $t$ in the current  sensing phase and $N$  is the total
+number of grid points in the sensing field of the network. In our simulations $N
+= 51 \times 26 = 1326$ grid points.
 
 \item{{\bf Number  of Active Sensors Ratio  (ASR)}:} it is important  to have as
 
 \item{{\bf Number  of Active Sensors Ratio  (ASR)}:} it is important  to have as
-  few  active  nodes  as  possible  in  each  round,in  order  to  minimize  the
-  communication overhead  and maximize the network lifetime.  The Active Sensors
+  few  active  nodes  as possible  in  each  round,  in  order to  minimize  the
+  communication overhead and maximize the  network lifetime.  The Active Sensors
   Ratio is defined as follows:
 \begin{equation*}
 \scriptsize  \mbox{ASR}(\%) = \frac{\sum\limits_{r=1}^R
   Ratio is defined as follows:
 \begin{equation*}
 \scriptsize  \mbox{ASR}(\%) = \frac{\sum\limits_{r=1}^R
@@ -859,83 +700,126 @@ of grid points in the sensing field of the network. In our simulation $N = 51 \t
 \end{equation*}
 where $A_r^t$ is the number of  active sensors in the subregion $r$ during round
 $t$ in the  current sensing phase, $|J|$  is the total number of  sensors in the
 \end{equation*}
 where $A_r^t$ is the number of  active sensors in the subregion $r$ during round
 $t$ in the  current sensing phase, $|J|$  is the total number of  sensors in the
-network, and $R$ is the total number of the subregions in the network.
+network, and $R$ is the total number of subregions in the network.
 
 \item {{\bf Network Lifetime}:} we define the network lifetime as the time until
 
 \item {{\bf Network Lifetime}:} we define the network lifetime as the time until
-  the  coverage  ratio  drops  below   a  predefined  threshold.  We  denote  by
-  $Lifetime_{95}$ (respectively  $Lifetime_{50}$) as  the amount of  time during
-  which  the  network   can  satisfy  an  area  coverage   greater  than  $95\%$
-  (respectively $50\%$). We assume that the network is alive until all nodes have
-  been   drained    of   their   energy   or   the    sensor   network   becomes
-  disconnected. Network connectivity is  important because an active sensor node
-  without connectivity towards a base  station cannot transmit information on an
-  event in the area that it monitors.
+  the  coverage  ratio  drops  below  a  predefined  threshold.   We  denote  by
+  $Lifetime_{95}$ (respectively $Lifetime_{50}$) the amount of time during which
+  the network  can satisfy  an area coverage  greater than  $95\%$ (respectively
+  $50\%$). We assume that the network is alive until all nodes have been drained
+  of  their  energy   or  the  sensor  network   becomes  disconnected.  Network
+  connectivity is important  because an active sensor  node without connectivity
+  towards a  base station cannot  transmit information on  an event in  the area
+  that it monitors.
 
 \item {{\bf  Energy Consumption  (EC)}:} the average  energy consumption  can be
   seen as the total energy consumed by the sensors during the $Lifetime_{95}$ or
 
 \item {{\bf  Energy Consumption  (EC)}:} the average  energy consumption  can be
   seen as the total energy consumed by the sensors during the $Lifetime_{95}$ or
-  $Lifetime_{50}$  divided  by the  number  of rounds.  EC  can  be computed  as
+  $Lifetime_{50}$  divided by  the  number of  rounds.  EC  can  be computed  as
   follows:
   follows:
- \begin{equation*}
-\scriptsize
-\mbox{EC} = \frac{\sum\limits_{m=1}^{M_L} \left( E^{\mbox{com}}_m+E^{\mbox{list}}_m+E^{\mbox{comp}}_m \right) +
-  \sum\limits_{t=1}^{T_L} \left( E^{a}_t+E^{s}_t \right)}{T_L},
-\end{equation*}
 
 
-%\begin{equation*}
-%\scriptsize
-%\mbox{EC} =  \frac{\mbox{$\sum\limits_{d=1}^D E^c_d$}}{\mbox{$D$}} + \frac{\mbox{$\sum\limits_{d=1}^D %E^l_d$}}{\mbox{$D$}} + \frac{\mbox{$\sum\limits_{d=1}^D E^a_d$}}{\mbox{$D$}} + %\frac{\mbox{$\sum\limits_{d=1}^D E^s_d$}}{\mbox{$D$}}.
-%\end{equation*}
-
-where $M_L$ and  $T_L$ are respectively the number of  periods and rounds during
-$Lifetime_{95}$ or  $Lifetime_{50}$.  The total  energy consumed by  the sensors
-(EC) comes through taking into consideration four main energy factors. The first
-one ,  denoted $E^{\scriptsize \mbox{com}}_m$, represent  the energy consumption
-spent  by  all  the  nodes   for  wireless  communications  during  period  $m$.
-$E^{\scriptsize  \mbox{list}}_m$, the  next  factor, corresponds  to the  energy
-consumed by the sensors in LISTENING  status before receiving the decision to go
-active or  sleep in  period $m$. $E^{\scriptsize  \mbox{comp}}_m$ refers  to the
-energy needed  by all  the leader nodes  to solve  the integer program  during a
-period. Finally, $E^a_t$ and $E^s_t$  indicate the energy consummed by the whole
-network in round $t$.
+  \begin{equation*}
+    \scriptsize
+    \mbox{EC} = \frac{\sum\limits_{m=1}^{M} \left[ \left( E^{\mbox{com}}_m+E^{\mbox{list}}_m+E^{\mbox{comp}}_m \right) +\sum\limits_{t=1}^{T_m} \left( E^{a}_t+E^{s}_t \right) \right]}{\sum\limits_{m=1}^{M} T_m},
+  \end{equation*}
+
+where  $M$ is  the  number  of periods  and  $T_m$ the  number  of  rounds in  a
+period~$m$, both  during $Lifetime_{95}$  or $Lifetime_{50}$.  The  total energy
+consumed by the  sensors (EC) comes through taking into  consideration four main
+energy  factors.   The  first  one  ,  denoted  $E^{\scriptsize  \mbox{com}}_m$,
+represents  the  energy  consumption  spent   by  all  the  nodes  for  wireless
+communications  during period  $m$.  $E^{\scriptsize  \mbox{list}}_m$, the  next
+factor, corresponds  to the energy consumed  by the sensors in  LISTENING status
+before  receiving   the  decision  to  go   active  or  sleep  in   period  $m$.
+$E^{\scriptsize \mbox{comp}}_m$  refers to the  energy needed by all  the leader
+nodes to solve the integer program during a period. Finally, $E^a_t$ and $E^s_t$
+indicate the energy consumed by the whole network in round $t$.
 
 %\item {Network Lifetime:} we  have defined the network  lifetime as the  time until all
 %nodes  have  been drained  of  their  energy  or each  sensor  network monitoring  an area has become  disconnected.
 
 %\item {Network Lifetime:} we  have defined the network  lifetime as the  time until all
 %nodes  have  been drained  of  their  energy  or each  sensor  network monitoring  an area has become  disconnected.
+\end{enumerate}
 
 
-\item {{\bf  Execution Time}:}  a sensor node  has limited energy  resources and
-  computing power, therefore it is important that the proposed algorithm has the
-  shortest possible execution  time. The energy of a sensor  node must be mainly
-  used for the sensing phase, not for the pre-sensing ones.
-  
-\item {{\bf Stopped simulation runs}:} a simulation ends when the sensor network
-  becomes disconnected (some nodes are dead and are not able to send information
-  to the base station). We report the number of simulations that are stopped due
-  to network disconnections and for which round it occurs.
 
 
-\end{enumerate}
 
 
-%%%%%%%%%%%%%%%%%%%%%%%%VU JUSQU ICI**************************************************
+\section{Experimental results and analysis}
+\label{analysis}
+
+\subsection{Performance analysis for different number of primary points}
+\label{ch4:sec:04:06}
+
+In this section,  we study the performance of MuDiLCO-1  approach (with only one
+round  as  in~\cite{idrees2015distributed})  for different  numbers  of  primary
+points. The  objective of this  comparison is to  select the suitable  number of
+primary points to be used by  a MuDiLCO protocol.  In this comparison, MuDiLCO-1
+protocol is used  with five primary point models, each  model corresponding to a
+number of primary  points, which are called Model-5 (it  uses 5 primary points),
+Model-9, Model-13,  Model-17, and  Model-21. \textcolor{black}{Note
+  that the results
+  presented in~\cite{idrees2015distributed}  correspond to Model-13  (13 primary
+  points)}.
+
+\subsubsection{Coverage ratio} 
+
+Figure~\ref{Figures/ch4/R2/CR} shows the average coverage ratio for 150 deployed
+nodes.  As can be seen, at the beginning the models which use a larger number of
+primary points provide slightly better coverage  ratios, but latter they are the
+worst.   Moreover, when  the number  of  periods increases,  the coverage  ratio
+produced by all models decrease due to  dead nodes.  However, Model-5 is the one
+with the slowest decrease due to lower  numbers of active sensors in the earlier
+periods.  Overall  this model is  slightly more  efficient than the  other ones,
+because it offers a good coverage ratio for a larger number of periods.
 
 
-\section{Results and analysis}
+\begin{figure}[t!]
+\centering
+ \includegraphics[scale=0.5] {R2CR.pdf} 
+\caption{Coverage ratio for 150 deployed nodes}
+\label{Figures/ch4/R2/CR}
+\end{figure} 
+
+\subsubsection{Network lifetime}
+
+Finally, we study the  effect of increasing the number of  primary points on the
+lifetime of  the network.  As highlighted  by Figures~\ref{Figures/ch4/R2/LT}(a)
+and \ref{Figures/ch4/R2/LT}(b),  the network  lifetime obviously  increases when
+the  size of  the network  increases, with  Model-5 which  leads to  the largest
+lifetime improvement.
+
+\begin{figure}[h!]
+\centering
+\centering
+\includegraphics[scale=0.5]{R2LT95.pdf}\\~ ~ ~ ~ ~(a) \\
+
+\includegraphics[scale=0.5]{R2LT50.pdf}\\~ ~ ~ ~ ~(b)
+
+\caption{Network lifetime for (a) $Lifetime_{95}$ and (b) $Lifetime_{50}$}
+  \label{Figures/ch4/R2/LT}
+\end{figure}
+
+Comparison shows that Model-5, which uses  less number of primary points, is the
+best one because it is less energy  consuming during the network lifetime. It is
+also  the better  one  from the  point  of  view of  coverage  ratio, as  stated
+before. Therefore, we have chosen the model with five primary points for all the
+experiments presented thereafter.
 
 \subsection{Coverage ratio} 
 
 Figure~\ref{fig3} shows  the average coverage  ratio for 150 deployed  nodes. We
 
 \subsection{Coverage ratio} 
 
 Figure~\ref{fig3} shows  the average coverage  ratio for 150 deployed  nodes. We
-can notice that for the first thirty rounds both DESK and GAF provide a coverage
-which is a little bit better than the  one of MuDiLCO-T. This is due to the fact
-that in  comparison with MuDiLCO that  uses optimization to put  in SLEEP status
+can notice  that for the  first 30~rounds both DESK  and GAF provide  a coverage
+which is a little  bit better than the one of MuDiLCO.  This  is due to the fact
+that, in comparison with MuDiLCO which  uses optimization to put in SLEEP status
 redundant sensors,  more sensor  nodes remain  active with DESK  and GAF.   As a
 redundant sensors,  more sensor  nodes remain  active with DESK  and GAF.   As a
-consequence,  when the  number of  rounds increases,  a larger  number  of nodes
+consequence,  when the  number  of rounds  increases, a  larger  number of  node
 failures can be observed in DESK and  GAF, resulting in a faster decrease of the
 coverage ratio.  Furthermore,  our protocol allows to maintain  a coverage ratio
 failures can be observed in DESK and  GAF, resulting in a faster decrease of the
 coverage ratio.  Furthermore,  our protocol allows to maintain  a coverage ratio
-greater than  50\% for  far more rounds.  Overall, the proposed  sensor activity
+greater than  50\% for far more  rounds.  Overall, the proposed  sensor activity
 scheduling based on optimization in  MuDiLCO maintains higher coverage ratios of
 scheduling based on optimization in  MuDiLCO maintains higher coverage ratios of
-the area of interest for a larger number of rounds. It also means that MuDiLCO-T
-save more  energy, with less  dead nodes, at  most for several rounds,  and thus
-should extend the network lifetime.
+the area of interest  for a larger number of rounds. It  also means that MuDiLCO
+saves more energy,  with less dead nodes,  at most for several  rounds, and thus
+should extend  the network lifetime.  MuDiLCO-7  seems to have most  of the time
+the best coverage ratio up to round~80, after that MuDiLCO-5 is slightly better.
 
 
-\begin{figure}[h!]
+\begin{figure}[ht!]
 \centering
 \centering
- \includegraphics[scale=0.5] {R1/CR.pdf} 
+ \includegraphics[scale=0.5] {FCR.pdf} 
 \caption{Average coverage ratio for 150 deployed nodes}
 \label{fig3}
 \end{figure} 
 \caption{Average coverage ratio for 150 deployed nodes}
 \label{fig3}
 \end{figure} 
@@ -943,48 +827,43 @@ should extend the network lifetime.
 \subsection{Active sensors ratio} 
 
 It is crucial to have as few active nodes as possible in each round, in order to
 \subsection{Active sensors ratio} 
 
 It is crucial to have as few active nodes as possible in each round, in order to
-minimize    the    communication    overhead    and   maximize    the    network
+minimize    the    communication    overhead   and    maximize    the    network
 lifetime. Figure~\ref{fig4}  presents the active  sensor ratio for  150 deployed
 nodes all along the network lifetime. It appears that up to round thirteen, DESK
 and GAF have  respectively 37.6\% and 44.8\% of nodes  in ACTIVE status, whereas
 lifetime. Figure~\ref{fig4}  presents the active  sensor ratio for  150 deployed
 nodes all along the network lifetime. It appears that up to round thirteen, DESK
 and GAF have  respectively 37.6\% and 44.8\% of nodes  in ACTIVE status, whereas
-MuDiLCO-T clearly outperforms  them with only 24.8\% of  active nodes. After the
-thirty  fifth round,  MuDiLCO-T exhibits  larger number  of active  nodes, which
-agrees with  the dual observation of  higher level of  coverage made previously.
-Obviously, in  that case DESK  and GAF have  less active nodes, since  they have
-activated many nodes at the beginning. Anyway, MuDiLCO-T activates the available
-nodes in a more efficient manner.
+MuDiLCO clearly outperforms  them with only 24.8\% of  active nodes.  Obviously,
+in that case DESK and GAF have less active nodes, since they have activated many
+nodes at the beginning. Anyway, MuDiLCO  activates the available nodes in a more
+efficient manner.
 
 
-\begin{figure}[h!]
+\begin{figure}[ht!]
 \centering
 \centering
-\includegraphics[scale=0.5]{R1/ASR.pdf}  
+\includegraphics[scale=0.5]{FASR.pdf}  
 \caption{Active sensors ratio for 150 deployed nodes}
 \label{fig4}
 \end{figure} 
 
 \subsection{Stopped simulation runs}
 \caption{Active sensors ratio for 150 deployed nodes}
 \label{fig4}
 \end{figure} 
 
 \subsection{Stopped simulation runs}
-%The results presented in this experiment, is to show the comparison of our MuDiLCO protocol with other two approaches from the point of view the stopped simulation runs per round. Figure~\ref{fig6} illustrates the percentage of stopped simulation
-%runs per round for 150 deployed nodes. 
-
-Figure~\ref{fig6} reports the cumulative  percentage of stopped simulations runs
-per round for  150 deployed nodes. This figure gives the  breakpoint for each of
-the methods.  DESK stops first,  after around 45~rounds, because it consumes the
-more energy by  turning on a large number of redundant  nodes during the sensing
-phase. GAF  stops secondly for the  same reason than  DESK.  MuDiLCO-T overcomes
-DESK and GAF because the  optimization process distributed on several subregions
-leads  to coverage  preservation and  so extends  the network  lifetime.  Let us
-emphasize that the  simulation continues as long as a network  in a subregion is
-still connected.
 
 
-%%% The optimization effectively continues as long as a network in a subregion is still connected. A VOIR %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
+A simulation ends  when the sensor network becomes disconnected  (some nodes are
+dead and are not  able to send information to the base  station).  We report the
+number of  simulations that are  stopped due  to network disconnections  and for
+which round it  occurs.  Figure~\ref{fig6} reports the  cumulative percentage of
+stopped simulations  runs per round for  150 deployed nodes.  This  figure gives
+the  break  point  for  each  method.  DESK  stops  first,  after  approximately
+45~rounds, because it consumes  the more energy by turning on  a large number of
+redundant nodes during the sensing phase. GAF stops secondly for the same reason
+than DESK.  Let us emphasize that the  simulation continues as long as a network
+in a subregion is still connected.
 
 
-\begin{figure}[h!]
+\begin{figure}[ht!]
 \centering
 \centering
-\includegraphics[scale=0.5]{R1/SR.pdf} 
-\caption{Cumulative percentage of stopped simulation runs for 150 deployed nodes }
+\includegraphics[scale=0.5]{FSR.pdf} 
+\caption{Cumulative percentage of stopped simulation runs for 150 deployed nodes}
 \label{fig6}
 \end{figure} 
 
 \label{fig6}
 \end{figure} 
 
-\subsection{Energy Consumption} \label{subsec:EC}
+\subsection{Energy consumption} \label{subsec:EC}
 
 We  measure  the  energy  consumed  by the  sensors  during  the  communication,
 listening, computation, active, and sleep status for different network densities
 
 We  measure  the  energy  consumed  by the  sensors  during  the  communication,
 listening, computation, active, and sleep status for different network densities
@@ -995,141 +874,146 @@ network sizes, for $Lifetime_{95}$ and $Lifetime_{50}$.
 \begin{figure}[h!]
   \centering
   \begin{tabular}{cl}
 \begin{figure}[h!]
   \centering
   \begin{tabular}{cl}
-    \parbox{9.5cm}{\includegraphics[scale=0.5]{R1/EC95.pdf}} & (a) \\
+    \parbox{9.5cm}{\includegraphics[scale=0.5]{FEC95.pdf}} & (a) \\
     \verb+ + \\
     \verb+ + \\
-    \parbox{9.5cm}{\includegraphics[scale=0.5]{R1/EC50.pdf}} & (b)
+    \parbox{9.5cm}{\includegraphics[scale=0.5]{FEC50.pdf}} & (b)
   \end{tabular}
   \caption{Energy consumption for (a) $Lifetime_{95}$ and 
     (b) $Lifetime_{50}$}
   \label{fig7}
 \end{figure} 
 
   \end{tabular}
   \caption{Energy consumption for (a) $Lifetime_{95}$ and 
     (b) $Lifetime_{50}$}
   \label{fig7}
 \end{figure} 
 
-The  results  show  that MuDiLCO-T  is  the  most  competitive from  the  energy
-consumption point of view.  The  other approaches have a high energy consumption
-due  to activating a  larger number  of redundant  nodes as  well as  the energy
-consumed during  the different  status of the  sensor node. Among  the different
-versions of our protocol, the MuDiLCO-7  one consumes more energy than the other
-versions. This is  easy to understand since the bigger the  number of rounds and
-the  number of  sensors involved  in the  integer program,  the larger  the time
-computation to  solve the optimization  problem. To improve the  performances of
-MuDiLCO-7, we  should increase the  number of subregions  in order to  have less
-sensors to consider in the integer program.
-
-%In fact,  a distributed optimization decision, which produces T rounds, on the subregions is  greatly reduced the cost of communications and the time of listening as well as the energy needed for sensing phase and computation so thanks to the partitioning of the initial network into several independent subnetworks and producing T rounds for each subregion periodically. 
+The  results  show  that  MuDiLCO  is  the  most  competitive  from  the  energy
+consumption point of view.  The other  approaches have a high energy consumption
+due to  activating a  larger number  of redundant  nodes as  well as  the energy
+consumed during the different status of the sensor node.
 
 
+Energy consumption  increases with the  size of the  networks and the  number of
+rounds.  The curve Unlimited-MuDiLCO-7 shows  that energy consumption due to the
+time spent to optimally solve the integer program increases drastically with the
+size  of the  network. When  the resolution  time is  limited for  large network
+sizes, the  energy consumption remains  of the  same order whatever  the MuDiLCO
+version. As can be seen with MuDiLCO-7.
 
 \subsection{Execution time}
 
 \subsection{Execution time}
+\label{et}
 
 
-We observe  the impact of the  network size and of  the number of  rounds on the
+We observe  the impact of the  network size and of  the number of rounds  on the
 computation  time.   Figure~\ref{fig77} gives  the  average  execution times  in
 computation  time.   Figure~\ref{fig77} gives  the  average  execution times  in
-seconds (times  needed to  solve optimization problem)  for different  values of
-$T$.   The original  execution time  is  computed on  a laptop  DELL with  Intel
-Core~i3~2370~M (2.4 GHz) processor (2  cores) and the MIPS (Million Instructions
-Per Second) rate equal to 35330. To  be consistent with the use of a sensor node
-with Atmels AVR ATmega103L microcontroller (6 MHz) and a MIPS rate equal to 6 to
-run  the optimization  resolution, this  time  is multiplied  by 2944.2  $\left(
-\frac{35330}{2} \times  \frac{1}{6} \right)$ and  reported on Figure~\ref{fig77}
-for different network sizes. 
+seconds  (needed to  solve the  optimization  problem) for  different values  of
+$T$. The  modeling language  for Mathematical Programming  (AMPL)~\cite{AMPL} is
+employed to  generate the Mixed  Integer Linear  Program instance in  a standard
+format,  which is  then read  and solved  by the  optimization solver  GLPK (GNU
+linear Programming  Kit available  in the public  domain) \cite{glpk}  through a
+Branch-and-Bound method.  The original  execution time is  computed on  a laptop
+DELL  with Intel  Core~i3~2370~M  (2.4 GHz)  processor (2  cores)  and the  MIPS
+(Million Instructions Per Second) rate equal to 35330. To be consistent with the
+use of a  sensor node with Atmels  AVR ATmega103L microcontroller (6  MHz) and a
+MIPS rate equal to 6 to run the optimization resolution, this time is multiplied
+by 2944.2  $\left( \frac{35330}{2} \times  \frac{1}{6} \right)$ and  reported on
+Figure~\ref{fig77} for different network sizes.
 
 
-\begin{figure}[h!]
+\begin{figure}[ht!]
 \centering
 \centering
-\includegraphics[scale=0.5]{R1/T.pdf}  
+\includegraphics[scale=0.5]{FT.pdf}  
 \caption{Execution Time (in seconds)}
 \label{fig77}
 \end{figure} 
 
 \caption{Execution Time (in seconds)}
 \label{fig77}
 \end{figure} 
 
-As expected,  the execution time  increases with the number  of rounds
-$T$ taken into account for  scheduling of the sensing phase. The times
-obtained for $T=1,3$ or $5$  seems bearable, but for $T=7$ they become
-quickly  unsuitable for  a  sensor node,  especially  when the  sensor
-network  size increases.  Again,  we can  notice  that if  we want  to
-schedule the nodes activities for a large number of rounds, we need to
-choose a relevant number of  subregion in order to avoid a complicated
-and cumbersome  optimization. On the one  hand, a large  value for $T$
-permits  to reduce the  energy-overhead due  to the  three pre-sensing
-phases,  on the  other hand  a leader  node may  waste  a considerable
-amount of energy to solve the optimization problem.
-
-%While MuDiLCO-1, 3, and 5 solves the optimization process with suitable execution times to be used on wireless sensor network because it distributed on larger number of small subregions as well as it is used acceptable number of round(s) T.  We think that in distributed fashion the solving of the optimization problem to produce T rounds in a subregion can be tackled by sensor nodes. Overall, to be able to deal with very large networks, a distributed method is clearly required.
-
-\subsection{Network Lifetime}
-
-The  next   two  figures,  Figures~\ref{fig8}(a)   and  \ref{fig8}(b),
-illustrate   the  network  lifetime   for  different   network  sizes,
-respectively  for $Lifetime_{95}$  and $Lifetime_{50}$.   Both figures
-show that the  network lifetime increases together with  the number of
-sensor nodes, whatever the protocol,  thanks to the node density which
-result in  more and more redundant  nodes that can  be deactivated and
-thus  save energy.  Compared  to the  other approaches,  our MuDiLCO-T
-protocol  maximizes the lifetime  of the  network.  In  particular the
-gain in  lifetime for a coverage  over 95\% is greater  than 38\% when
-switching from  GAF to  MuDiLCO-3.  The slight  decrease that  can bee
-observed for MuDiLCO-7 in  case of $Lifetime_{95}$ with large wireless
-sensor networks result from the difficulty of the optimization problem
-to be solved  by the integer program.  This  point was already noticed
-in subsection \ref{subsec:EC} devoted to the energy consumption, since
-network lifetime and energy consumption are directly linked.
-
-\begin{figure}[h!]
+As expected,  the execution time increases  with the number of  rounds $T$ taken
+into account to  schedule the sensing phase. Obviously, the  number of variables
+and  constraints of  the integer  program increases  with $T$,  as explained  in
+section~\ref{mom}, the times obtained for $T=1,3$  or $5$ seem bearable. But for
+$T=7$, without any limitation of the  time, they become quickly unsuitable for a
+sensor node, especially  when the sensor network size  increases as demonstrated
+by  Unlimited-MuDiLCO-7.   Notice  that  for  250 nodes,  we  also  limited  the
+execution   time  for   $T=5$,  otherwise   the  execution   time,  denoted   by
+Unlimited-MuDiLCO-5, is  also above MuDiLCO-7.  On  the one hand, a  large value
+for  $T$ permits  to reduce  the energy-overhead  due to  the three  pre-sensing
+phases, on  the other  hand a  leader node  may waste  a considerable  amount of
+energy to solve the optimization problem. Thus, limiting the time resolution for
+large instances  allows to reduce the  energy consumption without any  impact on
+the coverage quality.
+
+\subsection{Network lifetime}
+
+The next  two figures,  Figures~\ref{fig8}(a) and \ref{fig8}(b),  illustrate the
+network lifetime  for different network sizes,  respectively for $Lifetime_{95}$
+and  $Lifetime_{50}$.  Both  figures show  that the  network lifetime  increases
+together with the  number of sensor nodes, whatever the  protocol, thanks to the
+node  density  which results  in  more  and more  redundant  nodes  that can  be
+deactivated and thus save energy.  Compared to the other approaches, our MuDiLCO
+protocol  maximizes the  lifetime of  the network.   In particular  the gain  in
+lifetime for a coverage  over 95\%, and a network of  250~nodes, is greater than
+43\% when switching from GAF to MuDiLCO-5.
+%The lower performance that can be observed  for MuDiLCO-7 in case
+%of  $Lifetime_{95}$  with  large  wireless  sensor  networks  results  from  the
+%difficulty  of the optimization  problem to  be solved  by the  integer program.
+%This  point was  already noticed  in subsection  \ref{subsec:EC} devoted  to the
+%energy consumption,  since network lifetime and energy  consumption are directly
+%linked.
+Overall, it  clearly appears that computing  a scheduling for several  rounds is
+possible  and  relevant,  providing  that   the  execution  time  to  solve  the
+optimization problem  for large instances  is limited.  Notice that  rather than
+limiting the execution time, similar results  might be obtained by replacing the
+computation of the exact  solution with the finding of a  suboptimal one using a
+heuristic  approach. For  our  simulation setup  and  considering the  different
+metrics, MuDiLCO-5 seems to be the best suited method compared to MuDiLCO-7.
+
+\begin{figure}[t!]
   \centering
   \begin{tabular}{cl}
   \centering
   \begin{tabular}{cl}
-    \parbox{9.5cm}{\includegraphics[scale=0.5]{R1/LT95.pdf}} & (a) \\
+    \parbox{9.5cm}{\includegraphics[scale=0.5125]{FLT95.pdf}} & (a) \\
     \verb+ + \\
     \verb+ + \\
-    \parbox{9.5cm}{\includegraphics[scale=0.5]{R1/LT50.pdf}} & (b)
+    \parbox{9.5cm}{\includegraphics[scale=0.5125]{FLT50.pdf}} & (b)
   \end{tabular}
   \caption{Network lifetime for (a) $Lifetime_{95}$ and 
     (b) $Lifetime_{50}$}
   \label{fig8}
 \end{figure} 
 
   \end{tabular}
   \caption{Network lifetime for (a) $Lifetime_{95}$ and 
     (b) $Lifetime_{50}$}
   \label{fig8}
 \end{figure} 
 
-% By choosing the best suited nodes, for each round, by optimizing the coverage and lifetime of the network to cover the area of interest with a maximum number rounds and by letting the other nodes sleep in order to be used later in next rounds, our MuDiLCO-T protocol efficiently prolonges the network lifetime. 
-
-%In Figure~\ref{fig8}, Comparison shows that our MuDiLCO-T protocol, which are used distributed optimization on the subregions with the ability of producing T rounds, is the best one because it is robust to network disconnection during the network lifetime as well as it consume less energy in comparison with other approaches. It also means that distributing the protocol in each sensor node and subdividing the sensing field into many subregions, which are managed independently and simultaneously, is the most relevant way to maximize the lifetime of a network.
-
-
-%We see that our MuDiLCO-7 protocol results in execution times that quickly become unsuitable for a sensor network as well as the energy consumption seems to be huge because it used a larger number of rounds T during performing the optimization decision in the subregions, which is led to decrease the network lifetime. On the other side, our MuDiLCO-1, 3, and 5 protocol seems to be more efficient in comparison with other approaches because they are prolonged the lifetime of the network more than DESK and GAF.
-
-
-\section{Conclusion and Future Works}
+\section{Conclusion and future works}
 \label{sec:conclusion}
 
 \label{sec:conclusion}
 
-In this paper,  we have addressed the problem of  the coverage and the
-lifetime optimization in wireless sensor networks. This is a key issue
-as sensor nodes have limited resources in terms of memory, energy, and
-computational power. To  cope with this problem, the  field of sensing
-is   divided   into   smaller   subregions  using   the   concept   of
-divide-and-conquer  method,  and  then  we propose  a  protocol  which
-optimizes coverage  and lifetime  performances in each  subregion. Our
-protocol,  called MuDiLCO  (Multiperiod Distributed  Lifetime Coverage
-Optimization)  combines  two   efficient  techniques:  network  leader
-election and sensor activity scheduling.
-%,  where the challenges
-%include how to select the  most efficient leader in each subregion and
-%the best cover sets %of active nodes that will optimize the network lifetime
-%while taking the responsibility of covering the corresponding
-%subregion using more than one cover set during the sensing phase. 
-The activity scheduling in each subregion works in periods, where each
-period consists of four  phases: (i) Information Exchange, (ii) Leader
-Election, (iii)  Decision Phase  to plan the  activity of  the sensors
-over $T$ rounds (iv) Sensing Phase itself divided into T rounds.
-
-Simulations  results show the  relevance of  the proposed  protocol in
-terms  of  lifetime,  coverage  ratio, active  sensors  ratio,  energy
-consumption, execution time. Indeed,  when dealing with large wireless
-sensor networks, a distributed approach like the one we propose allows
-to reduce  the difficulty of  a single global optimization  problem by
-partitioning it in many smaller  problems, one per subregion, that can
-be solved more easily. Nevertheless,  results also show that it is not
-possible to plan the activity of sensors over too many rounds, because
-the resulting  optimization problem leads to too  high resolution time
-and thus to an excessive energy consumption.
+We have addressed  the problem of the coverage and  of the lifetime optimization
+in wireless sensor networks.   This is a key issue as  sensor nodes have limited
+resources in terms of memory, energy, and computational power. To cope with this
+problem,  the field  of sensing  is divided  into smaller  subregions using  the
+concept  of divide-and-conquer  method, and  then  we propose  a protocol  which
+optimizes coverage and  lifetime performances in each  subregion.  Our protocol,
+called MuDiLCO (Multiround Distributed  Lifetime Coverage Optimization) combines
+two  efficient   techniques:  network   leader  election  and   sensor  activity
+scheduling. The  activity scheduling in  each subregion works in  periods, where
+each  period consists  of four  phases:  (i) Information  Exchange, (ii)  Leader
+Election, (iii)  Decision Phase  to plan  the activity of  the sensors  over $T$
+rounds, (iv) Sensing Phase itself divided into $T$ rounds.
+
+Simulations results  show the  relevance of  the proposed  protocol in  terms of
+lifetime, coverage  ratio, active  sensors ratio, energy  consumption, execution
+time. Indeed,  when dealing with  large wireless sensor networks,  a distributed
+approach, like the one  we propose, allows to reduce the  difficulty of a single
+global optimization problem by partitioning it in many smaller problems, one per
+subregion, that can  be solved more easily. Furthermore, results  also show that
+to plan the activity of sensors for large network sizes, an approach to obtain a
+near optimal solution  is needed.  Indeed, an exact resolution  of the resulting
+optimization  problem leads  to prohibitive  computation  times and  thus to  an
+excessive energy consumption.
 
 %In  future work, we plan  to study and propose adjustable sensing range coverage optimization protocol, which computes  all active sensor schedules in one time, by using
 %optimization  methods. This protocol can prolong the network lifetime by minimizing the number of the active sensor nodes near the borders by optimizing the sensing range of sensor nodes.
 % use section* for acknowledgement
 
 \section*{Acknowledgment}
 
 %In  future work, we plan  to study and propose adjustable sensing range coverage optimization protocol, which computes  all active sensor schedules in one time, by using
 %optimization  methods. This protocol can prolong the network lifetime by minimizing the number of the active sensor nodes near the borders by optimizing the sensing range of sensor nodes.
 % use section* for acknowledgement
 
 \section*{Acknowledgment}
-As a Ph.D. student, Ali Kadhum IDREES would like to gratefully acknowledge the University of Babylon - IRAQ for the financial support and in the same time would like to acknowledge Campus France (The French national agency for the promotion of higher education, international student services, and international mobility) and University of Franche-Comt\'e - FRANCE for all the support in FRANCE.
+This  work   is  partially  funded   by  the  Labex  ACTION   program  (contract
+ANR-11-LABX-01-01). Ali Kadhum  IDREES would like to  gratefully acknowledge the
+University of  Babylon - Iraq for  the financial support and  Campus France (The
+French  national agency  for the  promotion of  higher education,  international
+student services, and  international mobility) for the support  received when he
+was Ph.D. student in France.
+%, and the University ofFranche-Comt\'e - France for all the support in France.
+
+
+
 
 %% \linenumbers
 
 
 %% \linenumbers
 
@@ -1153,7 +1037,7 @@ As a Ph.D. student, Ali Kadhum IDREES would like to gratefully acknowledge the U
 %% TeX file.
 
 \bibliographystyle{elsarticle-num} 
 %% TeX file.
 
 \bibliographystyle{elsarticle-num} 
-\bibliography{biblio}
+\bibliography{article}
   
 \end{document}
 
   
 \end{document}