R/txt~

   1
   2 \iffalse
   3
   4 \section{\uppercase{Introduction}}
   5 \label{sec:introduction}
   6
   7 \noindent In the last years, there  has been an increasing development in wireless
   8 networking,  Micro-Electro-Mechanical  Systems  (MEMS), and  embedded  computing
   9 technologies, which  have led to construct low-cost,  small-sized, and low-power
  10 sensor nodes that can perform  detection, computation, and data communication of
  11 surrounding environment. A  WSN includes a large number  of small, limited-power
  12 sensors  that   can  sense,   process,  and  transmit   data  over   a  wireless
  13 communication.   They communicate with  each other  by using  multi-hop wireless
  14 communications and cooperate  together to monitor the area  of interest, so that
  15 each  measured data  can be  reported  to a  monitoring center  called sink  for
  16 further analysis~\cite{Sudip03}.
  17
  18 There are  several fields  of application  covering a wide  spectrum for  a WSN,
  19 including    health,    home,    environmental,   military,    and    industrial
  20 applications~\cite{Akyildiz02}. One of  the major scientific research challenges
  21 in WSNs,  which has been  addressed by a  large amount of literature  during the
  22 last few  years, is the design  of energy efficient approaches  for coverage and
  23 connectivity~\cite{conti2014mobile}.     On   the    one    hand   an    optimal
  24 coverage~\cite{Nayak04} is required to  monitor efficiently and continuously the
  25 area of interest and on the other  hand the energy consumption must be as low as
  26 possible,  due   to  the  limited  energy  of   sensors~\cite{Sudip03}  and  the
  27 impossibility or  difficulty to replace and/or recharge  their batteries because
  28 of  the  area  of interest  nature  (such  as  remote, hostile,  or  unpractical
  29 environments)  and the  cost. So,  it is  of  great relevance  for a  WSN to  be
  30 deployed with high density, because  spatial redundancy can then be exploited to
  31 increase the lifetime  of the network. However, turning on  all the sensor nodes
  32 which monitor the same  region at the same time reduces the  the lifetime of the
  33 network. Therefore, to  extend the lifetime of the network, the  main idea is to
  34 take advantage of  the overlapping sensing regions of some  sensor nodes to save
  35 energy by turning off some of them during the sensing phase~\cite{Misra}.
  36
  37 In this paper we concentrate on the area coverage problem with the objective of
  38 maximizing the network lifetime  by using an adaptive scheduling. The area of
  39 interest is divided into subregions  and an activity scheduling for sensor nodes
  40 is planned for each subregion. In fact,  the nodes in a subregion can be seen as
  41 a cluster  where each node sends  sensing data to  the cluster head or  the sink
  42 node.  Furthermore, the  activities in a subregion/cluster can  continue even if
  43 another  cluster stops due  to too  many node  failures.  Our  scheduling scheme
  44 considers  rounds, where  a  round starts  with  a discovery  phase to  exchange
  45 information between sensors  of the subregion, in order to  choose in a suitable
  46 manner a sensor  node to carry out a coverage  strategy.  This coverage strategy
  47 involves the solving of an integer program, which provides the activation of the
  48 sensors for the sensing phase of the current round.
  49
  50 The remainder of the paper is organized as follows. The next section
  51 % Section~\ref{rw}
  52 reviews  the related  work  in  the field. Section~\ref{pd} is devoted to the
  53 DiLCO   protocol  Description.   Section~\ref{cp}  gives   the   coverage  model
  54 formulation   which   is  used   to   schedule   the   activation  of   sensors.
  55 Section~\ref{exp} shows the simulation results obtained using the discrete event
  56 simulator  OMNeT++ \cite{varga}. They  fully demonstrate  the usefulness  of the
  57 proposed approach.  Finally, we give concluding remarks and some suggestions for
  58 future works in Section~\ref{sec:conclusion}.
  59
  60 \fi
  61
  62
  63
  64
  65
  66
  67
  68
  69
  70
  71
  72
  73
  74
  75
  76
  77
  78
  79
  80
  81 \iffalse
  82
  83 \subsubsection{Active Sensors Ratio}
  84  Figure~\ref{fig4} shows the average active nodes ratio for 150 deployed nodes.
  85 \begin{figure}[h!]
  86 \centering
  87 \includegraphics[scale=0.45]{R1/ASR.pdf}
  88 \caption{The impact of the number of rounds on the active sensors ratio for 150 deployed nodes }
  89 \label{fig4}
  90 \end{figure}
  91 The results presented in figure~\ref{fig4} show  the increase in the number of subregions led to increase in the number of active nodes. The DiLCO-16 and DiLCO-32 protocols have a larger number of active nodes but it preserve the coverage for a larger number of rounds. The  advantage of the DiLCO-16, and DiLCO-32 protocols are that even if a network is disconnected in one subregion, the other ones usually continues the optimization process, and this extends the lifetime of the network.
  92
  93 \subsubsection{The percentage of stopped simulation runs}
  94 Figure~\ref{fig6} illustrates the percentage of stopped simulation runs per round for 150 deployed nodes.
  95 \begin{figure}[h!]
  96 \centering
  97 \includegraphics[scale=0.45]{R1/SR.pdf}
  98 \caption{The percentage of stopped simulation runs compared to the number of rounds for 150 deployed nodes }
  99 \label{fig6}
 100 \end{figure}
 101
 102 It can be observed that the DiLCO-2  is the approach which stops first because it applied the optimization on only two subregions for the area of interest that is why it is first exhibits network disconnections.
 103 Thus, as explained previously, in case of the DiLCO-16 and DiLCO-32 with several subregions the optimization effectively continues as long as a network in a subregion is still connected. This longer partial coverage optimization participates in extending the network lifetime.
 104
 105 \fi
 106
 107
 108
 109
 110
 111
 112
 113 \iffalse
 114
 115
 116
 117 \subsection{Performance Comparison for Different Approaches}
 118 After extensive study for our primary point model, we found that  DiLCO protocol  gives better results if the sensor coverage model represented by 9 primary points. Based on the results, which are conducted from previous subsection~\ref{sub1}, we found that Our DiLCO-16, and DiLCO-32 protocols are the best candidates to be compared with other two approches. The first approach, called DESK that proposed by ~\cite{ChinhVu}, which is a full distributed coverage algorithm. The second approach, called GAF ~\cite{xu2001geography}, consists in dividing the region into fixed squares.   During the  decision phase,  in  each square,  one sensor  is chosen to remain on during the sensing phase time.
 119
 120 \subsubsection{Coverage Ratio}
 121 In this experiment, Figure~\ref{fig333} shows  the average coverage ratio for 150 deployed nodes.
 122
 123 \parskip 0pt
 124 \begin{figure}[h!]
 125 \centering
 126  \includegraphics[scale=0.45] {R3/CR.pdf}
 127 \caption{The coverage ratio for 150 deployed nodes}
 128 \label{fig333}
 129 \end{figure}
 130
 131 It is shown that DESK and GAF provides a
 132 a little better coverage ratio with 99.99\% and 99.91\% against 99.1\% and 99.2\% produced by DiLCO-16 and DiLCO-32 for the lowest number of rounds. This is due to the fact that our DiLCO protocol versions  put in sleep mode redundant sensors using optimization (which lightly decreases the coverage ratio) while there are more nodes are active in the case of DESK and GAF.
 133
 134 Moreover, when the number of rounds increases, coverage ratio produced by DESK and GAF protocols decreases. This is due to dead nodes. However, Our DiLCO-16 and DiLCO-32 protocols maintains almost a good coverage. This is because it optimize the coverage and the lifetime in wireless sensor network by selecting the best representative sensor nodes to take the reponsibilty of coverage during the sensing phase and this will leads to continue for a larger number of rounds and prolonging the network lifetime; although some nodes are dead, sensor activity scheduling of our protocol chooses other nodes to ensure the coverage of the area of interest.
 135
 136 \iffalse
 137
 138 \subsubsection{Active Sensors Ratio}
 139 It is important to have as few active nodes as possible in each round,
 140 in  order to  minimize the energy consumption and maximize the network lifetime. Figure~\ref{fig444} shows the average active nodes ratio for 150 deployed nodes.
 141
 142 \begin{figure}[h!]
 143 \centering
 144 \includegraphics[scale=0.45]{R3/ASR.pdf}
 145 \caption{The active sensors ratio for 150 deployed nodes }
 146 \label{fig444}
 147 \end{figure}
 148
 149 The results presented in figure~\ref{fig444} show the superiority of the proposed DiLCO-16 and DiLCO-32 protocols, in comparison with the other approaches.  We can observe that DESK and GAF have 37.5 \% and 44.5 \% active nodes and our DiLCO-16 and DiLCO-32 protocols competes perfectly with only 17.4 \%, 24.8 \% and 26.8 \%  active nodes for the first 14 rounds. Then as the number of rounds increases our DiLCO-16 and DiLCO-32 protocols have larger number of active nodes in comparison with DESK and GAF, especially from round $35^{th}$ because they give a better coverage ratio than other approaches. We see that the DESK and GAF have less number of active nodes beginning at the rounds $35^{th}$ and $32^{th}$ because there are many nodes are died due to the high energy consumption by the redundant nodes during the sensing phase.
 150
 151 \subsubsection{The percentage of stopped simulation runs}
 152 The results presented in this experiment, is to show the comparison of our DiLCO-16 and DiLCO-32 protocols with other two approaches from the point of view the stopped simulation runs per round.
 153 Figure~\ref{fig666} illustrates the percentage of stopped simulation
 154 runs per round for 150 deployed nodes.
 155 \begin{figure}[h!]
 156 \centering
 157 \includegraphics[scale=0.45]{R3/SR.pdf}
 158 \caption{The percentage of stopped simulation runs compared to the number of rounds for 150 deployed nodes }
 159 \label{fig666}
 160 \end{figure}
 161 It can be observed that the DESK is the approach, which stops first because it consumes more energy for communication as well as it turn on a large number of redundant nodes during the sensing phase. Our DiLCO-16 and DiLCO-32 protocols have less stopped simulation runs in comparison with DESK and GAF because it distributed the optimization on several subregions in order to optimize the coverage and the lifetime of the network by activating a less number of nodes during the sensing phase leading to extend the network lifetime and coverage preservation.The optimization effectively continues as long as a network in a subregion is still connected.
 162
 163 \fi
 164
 165 \subsubsection{The Energy Consumption}
 166 In this experiment, we study the effect of the energy consumed by the wireless sensor network during the communication, computation, listening, active, and sleep modes for different network densities and compare it with other approaches. Figures~\ref{fig3EC95} and ~\ref{fig3EC50} illustrate the energy consumption for different network sizes for $Lifetime95$ and $Lifetime50$.
 167
 168 \begin{figure}[h!]
 169 \centering
 170 \includegraphics[scale=0.45]{R3/EC95.pdf}
 171 \caption{The Energy Consumption with $95\%-Lifetime$}
 172 \label{fig3EC95}
 173 \end{figure}
 174
 175 \begin{figure}[h!]
 176 \centering
 177 \includegraphics[scale=0.45]{R3/EC50.pdf}
 178 \caption{The Energy Consumption with $Lifetime50$}
 179 \label{fig3EC50}
 180 \end{figure}
 181
 182 The results show that our DiLCO-16 and DiLCO-32 protocols are 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 modes of sensor nodes. In fact,  a distributed  method on the subregions greatly reduces the number of communications and the time of listening so thanks to the partitioning of the initial network into several independent subnetworks.
 183
 184 \subsubsection{The Network Lifetime}
 185 In this experiment, we are observed the superiority of our DiLCO-16 and DiLCO-32 protocols against other two approaches in prolonging the network lifetime. In figures~\ref{fig3LT95} and \ref{fig3LT50}, network lifetime, $Lifetime95$ and $Lifetime50$ respectively, are illustrated for different network sizes.
 186
 187 \begin{figure}[h!]
 188 \centering
 189 \includegraphics[scale=0.45]{R3/LT95.pdf}
 190 \caption{The Network Lifetime for $Lifetime95$}
 191 \label{fig3LT95}
 192 \end{figure}
 193
 194
 195 \begin{figure}[h!]
 196 \centering
 197 \includegraphics[scale=0.45]{R3/LT50.pdf}
 198 \caption{The Network Lifetime for $Lifetime50$}
 199 \label{fig3LT50}
 200 \end{figure}
 201
 202 As highlighted by figures~\ref{fig3LT95} and \ref{fig3LT50}, the network lifetime obviously
 203 increases when the size of the network increases, with our DiLCO-16 and DiLCO-32 protocols
 204 that leads to maximize the lifetime of the network compared with other approaches.
 205 By choosing the best suited nodes, for each round, by optimizing the coverage and lifetime of the network to cover the area of interest and by letting the other ones sleep in order to be used later in next rounds, our DiLCO-16 and DiLCO-32 protocols efficiently prolonges the network lifetime.
 206 Comparison shows that our DiLCO-16 and DiLCO-32 protocols, which are used distributed optimization over the subregions, 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 algorithm in each node and subdividing the sensing field into many subregions, which are managed
 207 independently and simultaneously, is the most relevant way to maximize the lifetime of a network.
 208
 209 \fi