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

Private GIT Repository
Michel : Modifs jusqu'à la section III. A incluse
[LiCO.git] / LiCO_Journal.tex
old mode 100755 (executable)
new mode 100644 (file)
index cdd97c2..ead2af0
@@ -1,12 +1,9 @@
-
 \documentclass[journal]{IEEEtran}
 
 \documentclass[journal]{IEEEtran}
 
-
 \ifCLASSINFOpdf
 \else
 \ifCLASSINFOpdf
 \else
-\fi
+\fi  
  
  
-
 \hyphenation{op-tical net-works semi-conduc-tor}
 \usepackage{float} 
 \usepackage{epsfig}
 \hyphenation{op-tical net-works semi-conduc-tor}
 \usepackage{float} 
 \usepackage{epsfig}
 \DeclareGraphicsRule{.ps}{pdf}{.pdf}{`ps2pdf -dEPSCrop -dNOSAFER #1 \noexpand\OutputFile}
 \begin{document}
 
 \DeclareGraphicsRule{.ps}{pdf}{.pdf}{`ps2pdf -dEPSCrop -dNOSAFER #1 \noexpand\OutputFile}
 \begin{document}
 
-\title{Lifetime Coverage Optimization Protocol in Wireless Sensor Networks}  %LiCO Protocol
-
+\title{Lifetime Coverage Optimization Protocol \\
+  in Wireless Sensor Networks}  %LiCO Protocol 
 
 \author{Ali Kadhum Idrees,~\IEEEmembership{}
         Karine Deschinkel,~\IEEEmembership{}
         Michel Salomon,~\IEEEmembership{}
         and~Rapha\"el Couturier ~\IEEEmembership{} 
 
 \author{Ali Kadhum Idrees,~\IEEEmembership{}
         Karine Deschinkel,~\IEEEmembership{}
         Michel Salomon,~\IEEEmembership{}
         and~Rapha\"el Couturier ~\IEEEmembership{} 
-\thanks{The authors are with FEMTO-ST Institute, UMR 6174 CNRS, University of Franche-Comt\'e, Belfort, France. Email: ali.idness@edu.univ-fcomte.fr, $\lbrace$karine.deschinkel, michel.salomon, raphael.couturier$\rbrace$@univ-fcomte.fr}}
-%\thanks{J. Doe and J. Doe are with Anonymous University.}% <-this % stops a space
-%\thanks{Manuscript received April 19, 2005; revised December 27, 2012.}}
-\markboth{IEEE Communications Letters,~Vol.~11, No.~4, December~2014}%
-{Shell \MakeLowercase{\textit{et al.}}: Bare Demo of IEEEtran.cls for Journals}
+        \thanks{The authors are with FEMTO-ST Institute, UMR 6174 CNRS, University of Franche-Comt\'e,
+          Belfort, France. Email: ali.idness@edu.univ-fcomte.fr, $\lbrace$karine.deschinkel,
+          michel.salomon, raphael.couturier$\rbrace$@univ-fcomte.fr}}
 
 
+\markboth{IEEE Communications Letters,~Vol.~XX, No.~Y, January 2015}%
+{Shell \MakeLowercase{\textit{et al.}}: Bare Demo of IEEEtran.cls for Journals}
 
 \maketitle
 
 
 \maketitle
 
-
 \begin{abstract}
 \begin{abstract}
-
-
- One fundamental issue in Wireless Sensor Networks (WSNs) is the lifetime coverage optimization, which reflects how well a WSN is covered  so that the network lifetime can be maximized. In this paper, a Lifetime Coverage Optimization Protocol (LiCO) in WSNs is proposed. The surveillance region is divided into subregions and LiCO protocol is distributed among sensor nodes in each subregion. LiCO protocols works with periods, each period is divided into four stages: Information exchange, Leader Election, Optimization Decision, and Sensing. Schedules node activities (wakeup and sleep of sensors) is performed in each subregion by a leader whose selection is the result of cooperation between nodes within the same subregion. The novelty of approach lies essentially in the formulation of a new mathematical optimization model based on perimeter coverage level to schedule sensors activities. Extensive simulation experiments have been performed using OMNeT++, the discrete event simulator, to demonstrate that LiCO is capable to extend the lifetime coverage of WSN as longer time as possible in comparison with some other protocols.
-
-\end{abstract}
-
+The most important problem in Wireless Sensor Networks (WSNs) is to optimize the
+use of its limited energy provision, so  that it can fulfill its monitoring task
+as  long as  possible. Among  known  available approaches  that can  be used  to
+improve  power  management,  lifetime coverage  optimization  provides  activity
+scheduling which ensures  sensing coverage while minimizing the  energy cost. In
+this paper,  we propose  a such approach  called Lifetime  Coverage Optimization
+protocol (LiCO).   It is a  hybrid of  centralized and distributed  methods: the
+region of interest is first subdivided  into subregions and our protocol is then
+distributed among sensor nodes in each  subregion. A sensor node which runs LiCO
+protocol  repeats   periodically  four  stages:  information   exchange,  leader
+election, optimization decision, and sensing.  More precisely, the scheduling of
+nodes activities (sleep/wake up duty cycles)  is achieved in each subregion by a
+leader selected after  cooperation between nodes within the  same subregion. The
+novelty of  approach lies essentially in  the formulation of a  new mathematical
+optimization  model  based  on  perimeter coverage  level  to  schedule  sensors
+activities.  Extensive simulation experiments have been performed using OMNeT++,
+the  discrete event  simulator, to  demonstrate that  LiCO is  capable to  offer
+longer lifetime coverage for WSNs in comparison with some other protocols.
+\end{abstract} 
 
 % Note that keywords are not normally used for peerreview papers.
 \begin{IEEEkeywords}
 Wireless Sensor Networks, Area Coverage, Network lifetime, Optimization, Scheduling.
 \end{IEEEkeywords}
 
 
 % Note that keywords are not normally used for peerreview papers.
 \begin{IEEEkeywords}
 Wireless Sensor Networks, Area Coverage, Network lifetime, Optimization, Scheduling.
 \end{IEEEkeywords}
 
-
 \IEEEpeerreviewmaketitle
 
 \IEEEpeerreviewmaketitle
 
-
-
-
-
-\section{\uppercase{Introduction}}
+\section{Introduction}
 \label{sec:introduction}
 \label{sec:introduction}
-\noindent The great development in  Micro Electro-Mechanical Systems (MEMS) and wireless communication hardware are being led to emerge networks of tiny distributed sensors called WSN~\cite{akyildiz2002wireless,puccinelli2005wireless}. WSN comprises of small, low-powered sensors working together for perform a typical mission by communicating with one another through multihop wireless connections. They can send the sensed measurements based on local decisions to the user by means of sink nodes. WSN has been used in many applications such as Military, Habitat, Environment, Health, industrial, and Business~\cite{yick2008wireless}. Typically, a sensor node contains three main parts~\cite{anastasi2009energy}: a sensing subsystem, for sense, measure, and gather the measurements from the real environment; processing subsystem, for measurements processing and storage; a communication subsystem, for data transmission and receiving. Moreover, the energy needed by the sensor node is supplied by a power supply, to accomplish the scheduled task. This power supply is composed of a battery with a limited lifetime. And it maybe be unsuitable or impossible to replace or recharge the batteries in most applications. It is then necessary to deploy the WSN with high density so as to increase the reliability and to exploit redundancy by using energy-efficient activity scheduling approaches. So, the main question is: how to extend the lifetime coverage of WSN as long time as possible while ensuring a high level of coverage? Many energy-efficient mechanisms have been suggested to retain energy and extend the lifetime of the WSNs~\cite{rault2014energy}. \\
+
+\noindent The continuous progress in Micro Electro-Mechanical Systems (MEMS) and
+wireless communication hardware  has given rise to the opportunity  to use large
+networks    of     tiny    sensors,    called    Wireless     Sensor    Networks
+(WSN)~\cite{akyildiz2002wireless,puccinelli2005wireless}, to  fulfill monitoring
+tasks.   A  WSN  consists  of  small low-powered  sensors  working  together  by
+communicating with one another through  multihop radio communications. Each node
+can send the data  it collects in its environment, thanks to  its sensor, to the
+user by means of  sink nodes. The features of a WSN made  it suitable for a wide
+range of application  in areas such as business,  environment, health, industry,
+military, and  son~\cite{yick2008wireless}.  Typically,  a sensor  node contains
+three main components~\cite{anastasi2009energy}: a  sensing unit able to measure
+physical,  chemical, or  biological  phenomena observed  in  the environment;  a
+processing unit which will process and store the collected measurements; a radio
+communication unit for data transmission and receiving.
+
+The energy needed  by an active sensor node to  perform sensing, processing, and
+communication is supplied by a power supply which is a battery. This battery has
+a limited energy provision and it may  be unsuitable or impossible to replace or
+recharge it in  most applications. Therefore it is necessary  to deploy WSN with
+high density in order to increase the reliability and to exploit node redundancy
+thanks to energy-efficient activity  scheduling approaches.  Indeed, the overlap
+of sensing  areas can be exploited  to schedule alternatively some  sensors in a
+low power sleep mode and thus save  energy. Overall, the main question that must
+be answered is: how to extend the lifetime coverage of a WSN as long as possible
+while  ensuring   a  high  level  of   coverage?   So,  this  last   years  many
+energy-efficient mechanisms have been suggested  to retain energy and extend the
+lifetime of the WSNs~\cite{rault2014energy}.
 
 %The sensor system ought to have a lifetime long enough to satisfy the application necessities. The lifetime coverage maximization is one of the fundamental requirements of any area coverage protocol in WSN implementation~\cite{nayak2010wireless}. In order to increase the reliability and prevent the possession of coverage holes (some parts are not covered in the area of interest) in the WSN, it is necessary to deploy the WSN with high density so as to increase the reliability and to exploit redundancy by using energy-efficient activity scheduling approaches.
 
 %From a certain standpoint, the high coverage ratio is required by many applications such as military and health-care. Therefore, a suitable number of sensors are being chosen so as to cover the area of interest, is the first challenge. Meanwhile, the sensor nodes have a limited capabilities in terms of memory, processing, communication, and battery power being the most important and critical one.  So, the main question is: how to extend the lifetime coverage of WSN as long time as possible?. There are many energy-efficient mechanisms have been suggested to retain energy and extend the lifetime of the WSNs~\cite{rault2014energy}.
 
 
 %The sensor system ought to have a lifetime long enough to satisfy the application necessities. The lifetime coverage maximization is one of the fundamental requirements of any area coverage protocol in WSN implementation~\cite{nayak2010wireless}. In order to increase the reliability and prevent the possession of coverage holes (some parts are not covered in the area of interest) in the WSN, it is necessary to deploy the WSN with high density so as to increase the reliability and to exploit redundancy by using energy-efficient activity scheduling approaches.
 
 %From a certain standpoint, the high coverage ratio is required by many applications such as military and health-care. Therefore, a suitable number of sensors are being chosen so as to cover the area of interest, is the first challenge. Meanwhile, the sensor nodes have a limited capabilities in terms of memory, processing, communication, and battery power being the most important and critical one.  So, the main question is: how to extend the lifetime coverage of WSN as long time as possible?. There are many energy-efficient mechanisms have been suggested to retain energy and extend the lifetime of the WSNs~\cite{rault2014energy}.
 
-%\uppercase{\textbf{Our contributions.}} 
-This paper makes the following contributions.\\
+%\uppercase{\textbf{Our contributions.}}
+
+This paper makes the following contributions.
 \begin{enumerate}
 \begin{enumerate}
-\item We devise a framework to schedules nodes to be activated alternatively, such that the network lifetime may be prolonged ans certain coverage requirement can still be met. 
-This framework is based on the division of the area of interest into several smaller subregions; on the division of timeline into periods of equal length. 
-One leader is elected for each subregion in an independent, distributed, and simultaneous way by the cooperation among the sensor nodes within each subregion, and this is similar to cluster architecture
-\item We propose a new mathematical optimization model. Instead of trying to cover a set of specified points/targets as in most of the methods proposed in the literature, 
-we formulate an integer program based on perimeter coverage of each sensor. The model involves integer variables to capture the deviations between the 
-actual level of coverage and the required level. And a weighted sum of these deviations is minimized. 
-\item We conducted extensive simulation experiments using the discrete event simulator OMNeT++, to demonstrate the efficiency of our protocol, compared to two approaches found in the literature, DESK \cite{ChinhVu} and  GAF \cite{xu2001geography}, and compared to our previous work using another optimization model for sensor scheduling \cite{Idrees2}. 
+\item We devise a framework to schedule nodes to be activated alternatively such
+  that the network lifetime is prolonged  while ensuring that a certain level of
+  coverage is preserved.  A  key idea in our framework is  to exploit spatial an
+  temporal subdivision.   On the one hand  the area of interest  if divided into
+  several smaller subregions and on the other hand the time line is divided into
+  periods of equal length. In each subregion the sensor nodes will cooperatively
+  choose a  leader which will  schedule nodes  activities, and this  grouping of
+  sensors is similar to typical cluster architecture.
+\item We  propose a new mathematical  optimization model.  Instead of  trying to
+  cover a set of specified points/targets as  in most of the methods proposed in
+  the literature, we formulate an integer program based on perimeter coverage of
+  each sensor.  The  model involves integer variables to  capture the deviations
+  between  the actual  level of  coverage and  the required  level.  So  that an
+  optimal scheduling  will be  obtained by  minimizing a  weighted sum  of these
+  deviations.
+\item We  conducted extensive simulation  experiments, using the  discrete event
+  simulator OMNeT++, to demonstrate the  efficiency of our protocol. We compared
+  our   LiCO   protocol   to   two   approaches   found   in   the   literature:
+  DESK~\cite{ChinhVu} and  GAF~\cite{xu2001geography}, and also to  our previous
+  work published in~\cite{Idrees2} which is  based on another optimization model
+  for sensor scheduling.
 \end{enumerate}
 
 \end{enumerate}
 
-
 %Two combined integrated energy-efficient techniques have been used by LiCO protocol in order to maximize the lifetime coverage in WSN: the first, by dividing the area of interest into several smaller subregions based on divide-and-conquer method and then one leader elected for each subregion in an independent, distributed, and simultaneous way by the cooperation among the sensor nodes within each subregion, and this similar to cluster architecture;
 % the second, activity scheduling based new optimization model has been used to provide the optimal cover set that will take the mission of sensing during current period. This optimization algorithm is based on a perimeter-coverage model so as to optimize the shared perimeter among the sensors in each subregion, and this represents as a energu-efficient control topology mechanism in WSN.
 
 %Two combined integrated energy-efficient techniques have been used by LiCO protocol in order to maximize the lifetime coverage in WSN: the first, by dividing the area of interest into several smaller subregions based on divide-and-conquer method and then one leader elected for each subregion in an independent, distributed, and simultaneous way by the cooperation among the sensor nodes within each subregion, and this similar to cluster architecture;
 % the second, activity scheduling based new optimization model has been used to provide the optimal cover set that will take the mission of sensing during current period. This optimization algorithm is based on a perimeter-coverage model so as to optimize the shared perimeter among the sensors in each subregion, and this represents as a energu-efficient control topology mechanism in WSN.
 
-
-The remainder of the paper is organized as follows. The next section reviews  the related  work  in  the field.  Section~\ref{sec:The LiCO Protocol Description} is devoted to the LiCO protocol Description. Section~\ref{cp}  gives the coverage model
-formulation which is used to schedule the activation of sensors.
-Section~\ref{sec:Simulation Results and Analysis} presents simulations results. Finally, we give concluding remarks and some suggestions for
-future works in Section~\ref{sec:Conclusion and Future Works}.
+The rest  of the paper is  organized as follows.  In the next section  we review
+some related work in the  field. Section~\ref{sec:The LiCO Protocol Description}
+is devoted to the LiCO protocol  description and Section~\ref{cp} focuses on the
+coverage model  formulation which is used  to schedule the activation  of sensor
+nodes.  Section~\ref{sec:Simulation  Results and Analysis}  presents simulations
+results and discusses the comparison  with other approaches. Finally, concluding
+remarks   are  drawn   and  some   suggestions   given  for   future  works   in
+Section~\ref{sec:Conclusion and Future Works}.
 
 % that show that our protocol outperforms others protocols.
 
 % that show that our protocol outperforms others protocols.
-\section{\uppercase{Related Literature}}
+\section{Related Literature}
 \label{sec:Literature Review}
 
 \label{sec:Literature Review}
 
-
 \noindent  In  this section,  we  summarize  some  related works  regarding  the
 \noindent  In  this section,  we  summarize  some  related works  regarding  the
-coverage problem and distinguish our  LiCO protocol from the works presented in
+coverage problem and  distinguish our LiCO protocol from the  works presented in
 the literature.
 
 the literature.
 
-The most discussed coverage problems  in literature can be classified into three
-types \cite{li2013survey}: area coverage \cite{Misra} where every point inside
-an area is to be  monitored, target coverage \cite{yang2014novel} where the main
-objective is  to cover only a  finite number of discrete  points called targets,
-and barrier coverage \cite{HeShibo}\cite{kim2013maximum} to prevent intruders
-from entering into the region  of interest. In \cite{Deng2012} authors transform
-the area coverage problem to the target coverage problem taking into account the
-intersection points among disks of sensors nodes or between disk of sensor nodes
-and boundaries. In \cite{Huang:2003:CPW:941350.941367} authors prove that if the perimeters of sensors are sufficiently covered, the whole area is sufficiently covered and they provide an algorithm in $O(nd~log~d)$ time to compute the perimeter-coverage of each sensor ($d$ the maximum number of sensors that are neighboring to a sensor, $n$ the total number of sensors in the network). {\it In LiCO protocol, instead of determining the level of coverage of a set of discrete points, our optimization model is based on checking the perimeter-coverage of each sensor to activate a minimal number of sensors.}
-
-The major  approach to extend network  lifetime while preserving  coverage is to
-divide/organize the  sensors into a suitable  number of set  covers (disjoint or
-non-disjoint), where  each set  completely covers a  region of interest,  and to
-activate these set  covers successively. The network activity  can be planned in
-advance and scheduled  for the entire network lifetime  or organized in periods,
+The most  discussed coverage problems in  literature can be classified  in three
+categories~\cite{li2013survey}   according   to  their   respective   monitoring
+objective.  Hence,  area coverage \cite{Misra}  means that every point  inside a
+fixed area  must be monitored, while  target coverage~\cite{yang2014novel} refer
+to  the objective  of coverage  for a  finite number  of discrete  points called
+targets,  and  barrier coverage~\cite{HeShibo}\cite{kim2013maximum}  focuses  on
+preventing  intruders   from  entering   into  the   region  of   interest.   In
+\cite{Deng2012}  authors  transform the  area  coverage  problem to  the  target
+coverage one taking into account the  intersection points among disks of sensors
+nodes    or   between    disk   of    sensor   nodes    and   boundaries.     In
+\cite{Huang:2003:CPW:941350.941367}  authors prove  that  if  the perimeters  of
+sensors are sufficiently  covered it will be  the case for the  whole area. They
+provide an algorithm in $O(nd~log~d)$  time to compute the perimeter-coverage of
+each  sensor,  where  $d$  denotes  the  maximum  number  of  sensors  that  are
+neighboring  to  a  sensor and  $n$  is  the  total  number of  sensors  in  the
+network. {\it In LiCO protocol, instead  of determining the level of coverage of
+  a set  of discrete  points, our  optimization model is  based on  checking the
+  perimeter-coverage of each sensor to activate a minimal number of sensors.}
+
+The major  approach to extend network  lifetime while preserving coverage  is to
+divide/organize the  sensors into a suitable  number of set covers  (disjoint or
+non-disjoint), where  each set completely  covers a  region of interest,  and to
+activate these set  covers successively. The network activity can  be planned in
+advance and scheduled  for the entire network lifetime or  organized in periods,
 and the set  of active sensor nodes  is decided at the beginning  of each period
 \cite{ling2009energy}.  Active node selection is determined based on the problem
 and the set  of active sensor nodes  is decided at the beginning  of each period
 \cite{ling2009energy}.  Active node selection is determined based on the problem
-requirements  (e.g.  area   monitoring,  connectivity,  power  efficiency).  For
-instance,  Jaggi  et al.  \cite{jaggi2006}  address  the  problem of  maximizing
-network lifetime by dividing sensors into the maximum number of disjoint subsets
-such  that each  subset  can ensure  both  coverage and  connectivity. A  greedy
+requirements (e.g.   area monitoring,  connectivity, or power  efficiency).  For
+instance, Jaggi {\em et al.}~\cite{jaggi2006}  address the problem of maximizing
+the lifetime  by dividing sensors  into the  maximum number of  disjoint subsets
+such  that each  subset  can ensure  both coverage  and  connectivity. A  greedy
 algorithm  is applied  once to  solve  this problem  and the  computed sets  are
 activated  in   succession  to  achieve   the  desired  network   lifetime.   Vu
 algorithm  is applied  once to  solve  this problem  and the  computed sets  are
 activated  in   succession  to  achieve   the  desired  network   lifetime.   Vu
-\cite{chin2007}, Padmatvathy et al. \cite{pc10}, propose algorithms working in a
-periodic fashion where a cover set  is computed at the beginning of each period.
-{\it  Motivated by  these works,  LiCO protocol  works in  periods,  where each
-  period contains  a preliminary phase  for information exchange  and decisions,
-  followed by a  sensing phase where one  cover set is in charge  of the sensing
-  task.}
-
-Various approaches, including centralized,  or distributed algorithms, have been
-proposed     to    extend    the     network    lifetime.      In    distributed
-algorithms~\cite{yangnovel,ChinhVu,qu2013distributed},       information      is
-disseminated  throughout  the  network   and  sensors  decide  cooperatively  by
-communicating with their neighbors which of them will remain in sleep mode for a
-certain         period         of         time.          The         centralized
-algorithms~\cite{cardei2005improving,zorbas2010solving,pujari2011high}     always
-provide nearly or close to optimal  solution since the algorithm has global view
-of the whole  network. But such a method has the  disadvantage of requiring high
-communication costs,  since the  node (located at  the base station)  making the
-decision needs information from all the  sensor nodes in the area and the amount
-of  information can  be huge.   {\it  In order  to be  suitable for  large-scale
-  network,  in the LiCO  protocol, the  area of interest is divided  into several
-  smaller subregions, and in each one, a node called the leader is in charge for
-  selecting the active sensors for the current period.}
-
-A large  variety of coverage scheduling  algorithms has been  developed. Many of
-the existing  algorithms, dealing with the  maximization of the  number of cover
-sets, are heuristics.  These heuristics  involve the construction of a cover set
-by including in priority the sensor  nodes which cover critical targets, that is
-to  say   targets  that   are  covered  by   the  smallest  number   of  sensors
+\cite{chin2007},  Padmatvathy  {\em   et  al.}~\cite{pc10},  propose  algorithms
+working in a periodic fashion where a  cover set is computed at the beginning of
+each period.   {\it Motivated by  these works,  LiCO protocol works  in periods,
+  where each  period contains a  preliminary phase for information  exchange and
+  decisions, followed by a sensing phase where one cover set is in charge of the
+  sensing task.}
+
+Various centralized  and distributed approaches, or  even a mixing of  these two
+concepts, have  been proposed  to extend the  network lifetime.   In distributed
+algorithms~\cite{yangnovel,ChinhVu,qu2013distributed}  each  sensors decides  of
+its own  activity scheduling after  an information exchange with  its neighbors.
+The main interest of  a such approach is to avoid  long range communications and
+thus to reduce the energy dedicated to the communications.  Unfortunately, since
+each node has  only information on its immediate neighbors  (usually the one-hop
+ones)  it may  take a  bad  decision leading  to a  global suboptimal  solution.
+Conversely,                                                          centralized
+algorithms~\cite{cardei2005improving,zorbas2010solving,pujari2011high}    always
+provide nearly  or close to  optimal solution since  the algorithm has  a global
+view of the whole network. The disadvantage of a centralized method is obviously
+its high cost  in communications needed to  transmit to a single  node, the base
+station which will  globally schedule nodes activities, data from  all the other
+sensor nodes in  the area.  The price  in communications can be  very huge since
+long range communications will be needed. In fact the larger the WNS, the higher
+the  communication and  thus energy  cost.   {\it In  order to  be suitable  for
+  large-scale networks,  in the LiCO  protocol the  area of interest  is divided
+  into several smaller subregions, and in each  one, a node called the leader is
+  in charge  for selecting the active  sensors for the current  period. Thus our
+  protocol  is  scalable  and  a  globally distributed  method,  whereas  it  is
+  centralized in each subregion.}
+
+Various  coverage scheduling  algorithms have  been developed  this last  years.
+Many of  them, dealing with  the maximization of the  number of cover  sets, are
+heuristics.   These  heuristics involve  the  construction  of  a cover  set  by
+including in priority the sensor nodes  which cover critical targets, that is to
+say   targets   that  are   covered   by   the   smallest  number   of   sensors
 \cite{berman04,zorbas2010solving}.  Other  approaches are based  on mathematical
 programming formulations~\cite{cardei2005energy,5714480,pujari2011high,Yang2014}
 \cite{berman04,zorbas2010solving}.  Other  approaches are based  on mathematical
 programming formulations~\cite{cardei2005energy,5714480,pujari2011high,Yang2014}
-and dedicated  techniques (solving with a  branch-and-bound algorithms available
-in optimization solver).   The problem is formulated as  an optimization problem
+and dedicated techniques (solving with a branch-and-bound algorithm available in
+optimization  solver).  The  problem is  formulated as  an optimization  problem
 (maximization of the lifetime or number of cover sets) under target coverage and
 (maximization of the lifetime or number of cover sets) under target coverage and
-energy  constraints.   Column   generation  techniques,  well-known  and  widely
+energy  constraints.   Column  generation   techniques,  well-known  and  widely
 practiced techniques for  solving linear programs with too  many variables, have
 also                                                                        been
 practiced techniques for  solving linear programs with too  many variables, have
 also                                                                        been
-used~\cite{castano2013column,rossi2012exact,deschinkel2012column}. {\it In LiCO
-  protocol, each  leader, in  each subregion, solves  an integer program  with 
-the double objective  consisting in minimizing  the overcoverage and the
-  undercoverage of the perimeter of each sensor.  
-
-}
-
+used~\cite{castano2013column,rossi2012exact,deschinkel2012column}. {\it  In LiCO
+  protocol, each  leader, in charge  of a  subregion, solves an  integer program
+  which has a twofold objective: minimize the overcoverage and the undercoverage
+  of the perimeter of each sensor.}
 
 %\noindent Recently, the coverage problem has been received a high attention, which concentrates on how the physical space could be well monitored  after the deployment. Coverage is one of the Quality of Service (QoS) parameters in WSNs, which is highly concerned with power depletion~\cite{zhu2012survey}. Most of the works about the coverage protocols have been suggested in the literature focused on three types of the coverage in WSNs~\cite{mulligan2010coverage}: the first, area coverage means that each point in the area of interest within the sensing range of at least one sensor node; the second, target coverage in which a fixed set of targets need to be monitored; the third, barrier coverage refers to detect the intruders crossing a boundary of WSN. The work in this paper emphasized on the area coverage, so,  some area coverage protocols have been reviewed in this section, and the shortcomings of reviewed approaches are being summarized.
 
 
 %\noindent Recently, the coverage problem has been received a high attention, which concentrates on how the physical space could be well monitored  after the deployment. Coverage is one of the Quality of Service (QoS) parameters in WSNs, which is highly concerned with power depletion~\cite{zhu2012survey}. Most of the works about the coverage protocols have been suggested in the literature focused on three types of the coverage in WSNs~\cite{mulligan2010coverage}: the first, area coverage means that each point in the area of interest within the sensing range of at least one sensor node; the second, target coverage in which a fixed set of targets need to be monitored; the third, barrier coverage refers to detect the intruders crossing a boundary of WSN. The work in this paper emphasized on the area coverage, so,  some area coverage protocols have been reviewed in this section, and the shortcomings of reviewed approaches are being summarized.
 
@@ -222,53 +280,104 @@ the double objective  consisting in minimizing  the overcoverage and the
 
 %\uppercase{\textbf{Our Protocol}}. In this paper, a Lifetime Coverage Optimization Protocol, called (LiCO) in WSNs is suggested. The sensing field is divided into smaller subregions by means of divide-and-conquer method, and a LiCO protocol is distributed in each sensor in the subregion. The network lifetime in each subregion is divided into periods, each period includes 4 stages: Information Exchange, Leader election, decision based activity scheduling optimization, and sensing. The leaders are elected in an independent, asynchronous, and distributed way in all the subregions of the WSN. After that, energy-efficient activity scheduling mechanism based new optimization model is performed by each leader in the subregions. This optimization model is based on the perimeter coverage model in order to producing the optimal cover set of active sensors, which are taken the responsibility of sensing during the current period. LiCO protocol merges between two energy efficient mechanisms, which are used the main advantages of the centralized and distributed approaches and avoids the most of their disadvantages.
 
 
 %\uppercase{\textbf{Our Protocol}}. In this paper, a Lifetime Coverage Optimization Protocol, called (LiCO) in WSNs is suggested. The sensing field is divided into smaller subregions by means of divide-and-conquer method, and a LiCO protocol is distributed in each sensor in the subregion. The network lifetime in each subregion is divided into periods, each period includes 4 stages: Information Exchange, Leader election, decision based activity scheduling optimization, and sensing. The leaders are elected in an independent, asynchronous, and distributed way in all the subregions of the WSN. After that, energy-efficient activity scheduling mechanism based new optimization model is performed by each leader in the subregions. This optimization model is based on the perimeter coverage model in order to producing the optimal cover set of active sensors, which are taken the responsibility of sensing during the current period. LiCO protocol merges between two energy efficient mechanisms, which are used the main advantages of the centralized and distributed approaches and avoids the most of their disadvantages.
 
-
 \section{ The LiCO Protocol Description}
 \label{sec:The LiCO Protocol Description}
 \section{ The LiCO Protocol Description}
 \label{sec:The LiCO Protocol Description}
-\noindent In this section, we describe our Lifetime Coverage Optimization Protocol which is called LiCO in more detail.
+
+\noindent  In  this  section,  we  describe in  details  our  Lifetime  Coverage
+Optimization protocol.  First we present the  assumptions we made and the models
+we considered (in particular the perimeter coverage one), second we describe the
+background idea of our protocol, and third  we give the outline of the algorithm
+executed by each node.
+
 % It is based on two efficient-energy mechanisms: the first, is partitioning the sensing field into smaller subregions, and one leader is elected for each subregion;  the second, a sensor activity scheduling based new optimization model so as to produce the optimal cover set of active sensors for the sensing stage during the period.  Obviously, these two mechanisms can be contribute in extend the network lifetime coverage efficiently. 
 %Before proceeding in the presentation of the main ideas of the protocol, we will briefly describe the perimeter coverage model and give some necessary assumptions and definitions.
 
 % It is based on two efficient-energy mechanisms: the first, is partitioning the sensing field into smaller subregions, and one leader is elected for each subregion;  the second, a sensor activity scheduling based new optimization model so as to produce the optimal cover set of active sensors for the sensing stage during the period.  Obviously, these two mechanisms can be contribute in extend the network lifetime coverage efficiently. 
 %Before proceeding in the presentation of the main ideas of the protocol, we will briefly describe the perimeter coverage model and give some necessary assumptions and definitions.
 
-\subsection{ Assumptions and Models}
-\noindent A WSN consisting of $J$ stationary sensor nodes randomly and uniformly distributed in a bounded sensor field is considered. The  wireless sensors  are deployed in high density to ensure initially a high coverage ratio of the interested area. We assume that all the sensor nodes are homogeneous in terms of  communication, sensing, and processing capabilities and heterogeneous in term of energy supply. The  location  information is available to the  sensor node  either through hardware such as embedded GPS or through location discovery algorithms. We assume that each sensor node can directly transmit its measurements to a mobile sink node. For example, a sink can be an unmanned aerial vehicle (UAV) flying regularly over the sensor field to collect measurements from sensor nodes. A mobile sink node collects the measurements and transmits them to the base station.  We consider a boolean  disk coverage model which is the most widely used sensor coverage model in the literature. Each sensor has a constant sensing range $R_s$. All space points within a 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 $R_c \geq 2R_s$. 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.
-
-\indent LiCO protocol uses the perimeter-coverage model which states in ~\cite{huang2005coverage} as following: The sensor is said to be perimeter covered if all the points on its perimeter are covered by at least one sensor other than itself. Huang and Tseng in \cite{huang2005coverage} proves that a network area is $k$-covered if and only if each sensor in the network is $k$-perimeter-covered.
+\subsection{Assumptions and Models}
+
+\noindent A WSN consisting of $J$ stationary sensor nodes randomly and uniformly
+distributed in  a bounded sensor field  is considered. The wireless  sensors are
+deployed in high density  to ensure initially a high coverage  ratio of the area
+of interest.  We  assume that all the  sensor nodes are homogeneous  in terms of
+communication,  sensing,  and  processing capabilities  and  heterogeneous  from
+energy provision  point of  view.  The  location information  is available  to a
+sensor node either  through hardware such as embedded GPS  or location discovery
+algorithms.   We  assume  that  each  sensor  node  can  directly  transmit  its
+measurements to  a mobile  sink node.  For  example, a sink  can be  an unmanned
+aerial  vehicle  (UAV)  flying  regularly  over  the  sensor  field  to  collect
+measurements from sensor nodes. A mobile sink node collects the measurements and
+transmits them to the base station.   We consider a Boolean disk coverage model,
+which is the most  widely used sensor coverage model in  the literature, and all
+sensor nodes  have a constant sensing  range $R_s$.  Thus, all  the space points
+within a disk centered at a sensor with  a radius equal to the sensing range are
+said to be covered  by this sensor. We also assume  that the communication range
+$R_c$ satisfies $R_c  \geq 2 \cdot R_s$. 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 active nodes.
+
+\indent  LiCO protocol  uses the  same perimeter-coverage  model than  Huang and
+Tseng in~\cite{huang2005coverage}. It  can be expressed as follows:  a sensor is
+said to be perimeter  covered if all the points on its  perimeter are covered by
+at least  one sensor  other than  itself.  They  proved that  a network  area is
+$k$-covered if and only if each sensor in the network is $k$-perimeter-covered.
 %According to this model, we named the intersections among the sensor nodes in the sensing field as intersection points. Instead of working with the coverage area, we consider for each sensor a set of intersection points which are determined by using perimeter-coverage model. 
 %According to this model, we named the intersections among the sensor nodes in the sensing field as intersection points. Instead of working with the coverage area, we consider for each sensor a set of intersection points which are determined by using perimeter-coverage model. 
-Figure~\ref{pcmfig} illuminates the perimeter coverage of the sensor node $0$. On this figure, sensor $0$ has $9$ neighbors. We report for each sensor $i$ having an intersection with sensor $0$, the two intersection points,  $iL$ for left point and $iR$ for right point. These intersections points subdivide the perimeter of the sensor $0$ (the perimeter of the disk covered by the sensor)  into portions called segments.
+Figure~\ref{pcm2sensors}(a)  shows  the coverage  of  sensor  node~$0$. On  this
+figure, we can  see that sensor~$0$ has  nine neighbors and we  have reported on
+its  perimeter (the  perimeter  of the  disk  covered by  the  sensor) for  each
+neighbor  the  two  points  resulting  from  intersection  of  the  two  sensing
+areas. These points are denoted for  neighbor~$i$ by $iL$ and $iR$, respectively
+for  left and  right from  neighbor  point of  view.  The  resulting couples  of
+intersection points subdivide  the perimeter of sensor~$0$  into portions called
+arcs.
 
 \begin{figure}[ht!]
 
 \begin{figure}[ht!]
-\centering
-\includegraphics[width=75mm]{pcm.jpg}  
-\caption{Perimeter coverage of sensor node 0}
-\label{pcmfig}
+  \centering
+  \begin{tabular}{@{}cr@{}}
+    \includegraphics[width=75mm]{pcm.jpg}        &        \raisebox{3.25cm}{(a)}
+    \\ \includegraphics[width=75mm]{twosensors.jpg} & \raisebox{2.75cm}{(b)}
+  \end{tabular}
+  \caption{Perimeter coverage of sensor node 0  (a) and finding the arc of $u$'s
+    perimeter covered by $v$.}
+  \label{pcm2sensors}
 \end{figure} 
 
 \end{figure} 
 
-Figure~\ref{twosensors} demonstrates the way of locating the left and right points of a segment for a sensor node $u$ covered by a sensor node $v$. This figure assumes that the neighbor sensor node $v$ is located on the west of a sensor $u$. It is assumed  that the two sensor nodes $v$ and $u$ are located in the positions $(v_x,v_y)$ and $(u_x,u_y)$, respectively. The distance between $v$ and $u$ is computed by $Dist(u,v) = \sqrt{\vert u_x - v_x \vert^2 + \vert u_y - v_y \vert^2}$. The angle $\alpha$ is computed through the formula $\alpha = arccos \left(\dfrac{Dist(u,v)}{2R_s} \right)$. So, the arch of sensor $u$ falling in the angle $[\pi - \alpha,\pi + \alpha]$, is said to be perimeter-covered by sensor node $v$. 
-
-The left and right points of each segment are placed on the line segment $[0,2\pi]$. Figure~\ref{pcmfig} illustrates the segments for the 9 neighbors of sensor $0$. The points reported on the line segment $[0,2\pi]$ separates it in intervals as shown in figure~\ref{expcm}. For example, for each neighboring sensor of sensor 0, place the points  $\alpha^ 1_L$, $\alpha^ 1_R$, $\alpha^ 2_L$, $\alpha^ 2_R$, $\alpha^ 3_L$, $\alpha^ 3_R$, $\alpha^ 4_L$, $\alpha^ 4_R$, $\alpha^ 5_L$, $\alpha^ 5_R$, $\alpha^ 6_L$, $\alpha^ 6_R$, $\alpha^ 7_L$, $\alpha^ 7_R$, $\alpha^ 8_L$, $\alpha^ 8_R$, $\alpha^ 9_L$, and $\alpha^ 9_R$; on the line segment $[0,2\pi]$, and then sort all these points in an ascending order into a list.  Traverse the line segment $[0,2\pi]$ by visiting each point in the sorted list from left to right and determine the coverage level of each interval of the sensor 0 (see figure \ref{expcm}). For each interval, we sum up the number of parts of segments, and we deduce a level of coverage for each interval. For instance, the interval delimited by the points $5L$ and $6L$ contains three parts of segments. That means that this part of the perimeter of the sensor $0$ may be covered by three sensors, sensor $0$ itself and sensors $2$ and $5$. The level of coverage of this interval may reach $3$ if all previously mentioned sensors are active. Let say that sensors $0$, $2$ and $5$ are involved in the coverage of this interval. Table~\ref{my-label} summarizes the level of coverage for each interval and the sensors involved in for sensor node 0 in figure~\ref{pcmfig}. 
+Figure~\ref{pcm2sensors}(b) describes the geometric information used to find the
+locations of the  left and right points of  an arc on the perimeter  of a sensor
+node~$u$ covered by a sensor node~$v$. Node~$s$ is supposed to be located on the
+west  side of  sensor~$u$,  with  the following  respective  coordinates in  the
+sensing area~: $(v_x,v_y)$ and $(u_x,u_y)$. From the previous coordinates we can
+compute the euclidean distance between nodes~$u$ and $v$: $Dist(u,v)=\sqrt{\vert
+  u_x  - v_x  \vert^2 +  \vert u_y-v_y  \vert^2}$, while  the angle~$\alpha$  is
+obtained  through the  formula  $\alpha  = arccos  \left(\dfrac{Dist(u,v)}{2R_s}
+\right)$.   So, the  arc on  the perimeter  of node~$u$  defined by  the angular
+interval $[\pi - \alpha,\pi + \alpha]$ is said to be perimeter-covered by sensor
+node $v$.
+
+Every couple of intersection points is placed on the angular interval $[0,2\pi]$
+in  a  counterclockwise manner,  leading  to  a  partitioning of  the  interval.
+Figure~\ref{pcm2sensors}(a)  illustrates  the arcs  for  the  nine neighbors  of
+sensor $0$ and  figure~\ref{expcm} gives the position of  the corresponding arcs
+in  the interval  $[0,2\pi]$. More  precisely, we  can see  that the  points are
+ordered according  to the  measures of  the angles  defined by  their respective
+positions. The intersection points are  then visited one after another, starting
+from  first  intersection point  after  point~zero,  and  the maximum  level  of
+coverage is determined  for each interval defined by two  successive points. The
+maximum  level of  coverage is  equal to  the number  of overlapping  arcs.  For
+example, between~$5L$  and~$6L$ the maximum  level of  coverage is equal  to $3$
+(the value is highlighted in yellow  at the bottom of figure~\ref{expcm}), which
+means that at most 2~neighbors can cover  the perimeter in addition to node $0$.
+Table~\ref{my-label} summarizes for each coverage  interval the maximum level of
+coverage and  the sensor  nodes covering the  perimeter.  The  example discussed
+above is thus given by the sixth line of the table.
+
+%The points reported on the line segment $[0,2\pi]$ separates it in intervals as shown in figure~\ref{expcm}. For example, for each neighboring sensor of sensor 0, place the points  $\alpha^ 1_L$, $\alpha^ 1_R$, $\alpha^ 2_L$, $\alpha^ 2_R$, $\alpha^ 3_L$, $\alpha^ 3_R$, $\alpha^ 4_L$, $\alpha^ 4_R$, $\alpha^ 5_L$, $\alpha^ 5_R$, $\alpha^ 6_L$, $\alpha^ 6_R$, $\alpha^ 7_L$, $\alpha^ 7_R$, $\alpha^ 8_L$, $\alpha^ 8_R$, $\alpha^ 9_L$, and $\alpha^ 9_R$; on the line segment $[0,2\pi]$, and then sort all these points in an ascending order into a list.  Traverse the line segment $[0,2\pi]$ by visiting each point in the sorted list from left to right and determine the coverage level of each interval of the sensor 0 (see figure \ref{expcm}). For each interval, we sum up the number of parts of segments, and we deduce a level of coverage for each interval. For instance, the interval delimited by the points $5L$ and $6L$ contains three parts of segments. That means that this part of the perimeter of the sensor $0$ may be covered by three sensors, sensor $0$ itself and sensors $2$ and $5$. The level of coverage of this interval may reach $3$ if all previously mentioned sensors are active. Let say that sensors $0$, $2$ and $5$ are involved in the coverage of this interval. Table~\ref{my-label} summarizes the level of coverage for each interval and the sensors involved in for sensor node 0 in figure~\ref{pcm2sensors}(a). 
 % to determine the level of the perimeter coverage for each left and right point of a segment.
 % to determine the level of the perimeter coverage for each left and right point of a segment.
-\begin{figure}[ht!]
-\centering
-\includegraphics[width=75mm]{twosensors.jpg}  
-\caption{Locating the segment of $u$$\rq$s perimeter covered by $v$.}
-\label{twosensors}
-\end{figure} 
-
 
 
-\begin{figure}[ht!]
+\begin{figure*}[ht!]
 \centering
 \centering
-\includegraphics[width=75mm]{expcm.pdf}  
-\caption{ Coverage levels for sensor node $0$.}
+\includegraphics[width=137.5mm]{expcm.pdf}  
+\caption{Maximum coverage levels for perimeter of sensor node $0$.}
 \label{expcm}
 \label{expcm}
-\end{figure} 
-
-
-
-
-
-
-
-
+\end{figure*} 
 
 %For example, consider the sensor node $0$ in figure~\ref{pcmfig}, which has 9 neighbors. Figure~\ref{expcm} shows the perimeter coverage level for all left and right points of a segment that covered by a neighboring sensor nodes. Based on the figure~\ref{expcm}, the set of sensors for each left and right point of the segments illustrated in figure~\ref{ex2pcm} for the sensor node 0.
 
 
 %For example, consider the sensor node $0$ in figure~\ref{pcmfig}, which has 9 neighbors. Figure~\ref{expcm} shows the perimeter coverage level for all left and right points of a segment that covered by a neighboring sensor nodes. Based on the figure~\ref{expcm}, the set of sensors for each left and right point of the segments illustrated in figure~\ref{ex2pcm} for the sensor node 0.
 
@@ -314,13 +423,18 @@ The left and right points of each segment are placed on the line segment $[0,2\p
 
 %The optimization algorithm that used by LiCO protocol based on the perimeter coverage levels of the left and right points of the segments and worked to minimize the number of sensor nodes for each left or right point of the segments within each sensor node. The algorithm minimize the perimeter coverage level of the left and right points of the segments, while, it assures that every perimeter coverage level of the left and right points of the segments greater than or equal to 1.
 
 
 %The optimization algorithm that used by LiCO protocol based on the perimeter coverage levels of the left and right points of the segments and worked to minimize the number of sensor nodes for each left or right point of the segments within each sensor node. The algorithm minimize the perimeter coverage level of the left and right points of the segments, while, it assures that every perimeter coverage level of the left and right points of the segments greater than or equal to 1.
 
-In LiCO protocol, scheduling of sensor nodes'activities is formulated with an integer program based on coverage intervals and is detailed in section~\ref{cp}.
-
-In the case of sensor node, which has a part of its sensing range outside the border of the WSN sensing field as in figure~\ref{ex4pcm}, the coverage level for this segment is set to $\infty$, and the corresponding interval will not be taken into account by the optimization algorithm.
-\begin{figure}[ht!]
+In LiCO  protocol, scheduling of sensor  nodes activities is formulated  with an
+integer program  based on  coverage intervals. The  formulation of  the coverage
+optimization problem is  detailed in~section~\ref{cp}.  Note that  when a sensor
+node  has a  part of  its sensing  range outside  the WSN  sensing field,  as in
+figure~\ref{ex4pcm}, the maximum coverage level for  this arc is set to $\infty$
+and  the  corresponding  interval  will  not   be  taken  into  account  by  the
+optimization algorithm.
+\begin{figure}[t!]
 \centering
 \centering
-\includegraphics[width=75mm]{ex4pcm.jpg}  
-\caption{Part of sensing range outside the the border of WSN sensing field.}
+\includegraphics[width=62.5mm]{ex4pcm.jpg}  
+\caption{Sensing range outside the WSN's area of interest.}
 \label{ex4pcm}
 \end{figure} 
 %Figure~\ref{ex5pcm} gives an example to compute the perimeter coverage levels for the left and right points of the segments for a sensor node $0$, which has a part of its sensing range exceeding the border of the sensing field of WSN, and it has a six neighbors. In figure~\ref{ex5pcm}, the sensor node $0$ has two segments outside the border of the network sensing field, so the left and right points of the two segments called $-1L$, $-1R$, $-2L$, and $-2R$.
 \label{ex4pcm}
 \end{figure} 
 %Figure~\ref{ex5pcm} gives an example to compute the perimeter coverage levels for the left and right points of the segments for a sensor node $0$, which has a part of its sensing range exceeding the border of the sensing field of WSN, and it has a six neighbors. In figure~\ref{ex5pcm}, the sensor node $0$ has two segments outside the border of the network sensing field, so the left and right points of the two segments called $-1L$, $-1R$, $-2L$, and $-2R$.
@@ -331,6 +445,7 @@ In the case of sensor node, which has a part of its sensing range outside the bo
 %\label{ex5pcm}
 %\end{figure} 
 
 %\label{ex5pcm}
 %\end{figure} 
 
+% MICHEL TO BE CONTINUED FROM HERE
 
 \subsection{The Main Idea}
 \noindent The area  of  interest can  be  divided into smaller areas called subregions and
 
 \subsection{The Main Idea}
 \noindent The area  of  interest can  be  divided into smaller areas called subregions and