]> AND Private Git Repository - Sensornets15.git/blobdiff - Example.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
Checking finished
[Sensornets15.git] / Example.tex
index ec9239052db043414374621c5a201bd5bcd711ae..a314c772a2bccf0325e02f8c05682f3b9ad1fdcf 100644 (file)
-\documentclass[a4paper,twoside]{article}
+\documentclass[a4,12pt]{article}
 
+
+\usepackage[paper=a4paper,dvips,top=1.5cm,left=1.5cm,right=1.5cm,foot=1cm,bottom=1.5cm]{geometry}
 \usepackage{epsfig}
 \usepackage{subfigure}
-\usepackage{calc}
+%\usepackage{calc}
 \usepackage{amssymb}
-\usepackage{amstext}
-\usepackage{amsmath}
-\usepackage{amsthm}
-\usepackage{multicol}
-\usepackage{pslatex}
-\usepackage{apalike}
-\usepackage{SCITEPRESS}
+%\usepackage{amstext}
+%\usepackage{amsmath}
+%\usepackage{amsthm}
+%\usepackage{multicol}
+%\usepackage{pslatex}
+%\usepackage{apalike}
+%\usepackage{SCITEPRESS}
 \usepackage[small]{caption}
-
+\usepackage{color}
 \usepackage[linesnumbered,ruled,vlined,commentsnumbered]{algorithm2e}
 \usepackage{mathtools}  
 
-\subfigtopskip=0pt
-\subfigcapskip=0pt
-\subfigbottomskip=0pt
+%\subfigtopskip=0pt
+%\subfigcapskip=0pt
+%\subfigbottomskip=0pt
+
 
-\begin{document}
 
 %\title{Authors' Instructions  \subtitle{Preparation of Camera-Ready Contributions to SCITEPRESS Proceedings} }
 
-\title{Distributed Lifetime Coverage Optimization Protocol \\in Wireless Sensor Networks}
+\title{Distributed Lifetime Coverage Optimization Protocol \\
+  in Wireless Sensor Networks}
 
-\author{\authorname{Ali Kadhum Idrees, Karine Deschinkel, Michel Salomon, and Rapha\"el Couturier}
-\affiliation{FEMTO-ST Institute, UMR 6174 CNRS, University of Franche-Comt\'e, Belfort, France}
-%\affiliation{\sup{2}Department of Computing, Main University, MySecondTown, MyCountry}
-\email{ali.idness@edu.univ-fcomte.fr, $\lbrace$karine.deschinkel, michel.salomon, raphael.couturier$\rbrace$@univ-fcomte.fr}
-%\email{\{f\_author, s\_author\}@ips.xyz.edu, t\_author@dc.mu.edu}
-}
+\author{Ali Kadhum Idrees$^{a,b}$, Karine Deschinkel$^{a}$,\\ Michel Salomon$^{a}$, and Rapha\"el Couturier$^{a}$\\
+$^{a}$FEMTO-ST Institute, UMR 6174 CNRS, \\ University  Bourgogne  Franche-Comt\'e, Belfort, France\\
+$^{b}${\em{Department of Computer Science, University of Babylon, Babylon, Iraq}}\\
+email: 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,  UMR  6174  CNRS,   University  Bourgogne  Franche-Comt\'e,\\ Belfort, France}} \\ 
+%$^{b}${\em{Department of Computer Science, University of Babylon, Babylon, Iraq}} }
 
-\keywords{Wireless   Sensor   Networks,   Area   Coverage,   Network   lifetime,
-Optimization, Scheduling.}
+\begin{document}
+ \maketitle 
+%\keywords{Wireless   Sensor   Networks,   Area   Coverage,   Network   lifetime,Optimization, Scheduling.}
 
 \abstract{ One of the main research challenges faced in Wireless Sensor Networks
   (WSNs) is to preserve continuously and effectively the coverage of an area (or
   region) of interest  to be monitored, while simultaneously  preventing as much
   as possible a network failure due to battery-depleted nodes.  In this paper we
   propose a protocol, called Distributed Lifetime Coverage Optimization protocol
-  (DiLCO), which maintains the coverage  and improves the lifetime of a wireless
+  (DiLCO), which maintains the coverage and  improves the lifetime of a wireless
   sensor network. First, we partition the area of interest into subregions using
   a classical divide-and-conquer method.  Our DiLCO protocol is then distributed
-  on  the sensor  nodes  in each  subregion in  a  second step.  To fulfill  our
-  objective, the  proposed protocol combines two effective  techniques: a leader
+  on  the sensor  nodes in  each subregion  in a  second step.   To fulfill  our
+  objective, the proposed  protocol combines two effective  techniques: a leader
   election in  each subregion, followed  by an optimization-based  node activity
-  scheduling  performed by  each elected  leader.  This  two-step  process takes
+  scheduling  performed by  each elected  leader.  This  two-step process  takes
   place periodically, in  order to choose a small set  of nodes remaining active
   for sensing during a time slot.  Each set is built to ensure coverage at a low
-  energy  cost, allowing  to optimize  the network  lifetime. More  precisely, a
-  period  consists   of  four  phases:   (i)~Information  Exchange,  (ii)~Leader
-  Election,  (iii)~Decision,  and  (iv)~Sensing.   The decision  process,  which
-  results in  an activity  scheduling vector,  is carried out  by a  leader node
-  through  the solving  of an  integer program.  In comparison  with  some other
-  protocols,  the simulations done  using the  discrete event  simulator OMNeT++
-  show  that our  approach is  able to  increase the  WSN lifetime  and provides
-  improved coverage performance. }
+  energy cost,  allowing to optimize  the network lifetime. Simulations are conducted using the discrete event simulator OMNET++. We refer to the characterictics  of a Medusa II  sensor for the energy consumption  and the computation time.   In comparison with two other existing  methods, our approach is able to  increase the WSN lifetime and provides improved coverage performances. }
+
 
-\onecolumn \maketitle \normalsize \vfill
+%\onecolumn
+
+
+%\normalsize \vfill
 
 \section{\uppercase{Introduction}}
 \label{sec:introduction}
 
 \noindent 
-Energy efficiency is  a crucial issue in wireless  sensor networks since sensory
+Energy efficiency is  a crucial issue in wireless sensor  networks since sensory
 consumption, in  order to  maximize the network  lifetime, represents  the major
 difficulty when designing WSNs. As a consequence, one of the scientific research
 challenges in  WSNs, which has  been addressed by  a large amount  of literature
 during the  last few  years, is  the design of  energy efficient  approaches for
-coverage and connectivity~\cite{conti2014mobile}.   Coverage reflects how well a
+coverage and connectivity~\cite{conti2014mobile}.  Coverage  reflects how well a
 sensor  field is  monitored. On  the one  hand we  want to  monitor the  area of
-interest in the most efficient way~\cite{Nayak04}.  On the other hand we want to
-use  as little energy  as possible.   Sensor nodes  are battery-powered  with no
-means  of recharging  or replacing,  usually  due to  environmental (hostile  or
-unpractical environments)  or cost reasons.   Therefore, it is desired  that the
-WSNs are deployed  with high densities so as to  exploit the overlapping sensing
-regions of some sensor  nodes to save energy by turning off  some of them during
-the sensing phase to prolong the network lifetime.
-
-In this  paper we design  a protocol that  focuses on the area  coverage problem
+interest in the most  efficient way~\cite{Nayak04}, which means
+  that we want to maintain the best coverage as long as possible.  On the other
+hand  we  want  to  use  as   little  energy  as  possible.   Sensor  nodes  are
+battery-powered  with  no means  of  recharging  or  replacing, usually  due  to
+environmental (hostile or unpractical environments) or cost reasons.  Therefore,
+it is desired  that the WSNs are  deployed with high densities so  as to exploit
+the overlapping sensing  regions of some sensor nodes to  save energy by turning
+off  some   of  them   during  the   sensing  phase   to  prolong   the  network
+lifetime.  A WSN  can  use  various types  of  sensors such  as
+  \cite{ref17,ref19}:  thermal, seismic,  magnetic, visual,  infrared, acoustic,
+  and  radar.  These  sensors  are   capable  of  observing  different  physical
+  conditions  such  as:  temperature,   humidity,  pressure,  speed,  direction,
+  movement, light,  soil makeup,  noise levels, presence  or absence  of certain
+  kinds  of  objects,   and  mechanical  stress  levels   on  attached  objects.
+  Consequently, there is a wide  range of WSN applications such as~\cite{ref22}:
+  health-care, environment, agriculture, public safety, military, transportation
+  systems, and industry applications.
+
+In this  paper we design  a protocol that focuses  on the area  coverage problem
 with  the objective  of maximizing  the network  lifetime. Our  proposition, the
-Distributed  Lifetime  Coverage  Optimization  (DILCO) protocol,  maintains  the
+Distributed  Lifetime  Coverage  Optimization (DiLCO)  protocol,  maintains  the
 coverage  and improves  the lifetime  in  WSNs. The  area of  interest is  first
-divided  into subregions using  a divide-and-conquer  algorithm and  an activity
+divided into  subregions using  a divide-and-conquer  algorithm and  an activity
 scheduling  for sensor  nodes is  then  planned by  the elected  leader in  each
 subregion. 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
+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.  Our DiLCO protocol considers periods, where a period
-starts with  a discovery  phase to exchange  information between sensors  of the
-same  subregion, in order  to choose  in a  suitable manner  a sensor  node (the
+starts with  a discovery phase  to exchange  information between sensors  of the
+same subregion,  in order  to choose  in a  suitable manner  a sensor  node (the
 leader) to carry out the coverage  strategy. In each subregion the activation of
-the sensors for  the sensing phase of the current period  is obtained by solving
-an integer program.  The resulting activation vector is  broadcast by a leader
-to every node of its subregion.
+the sensors for the  sensing phase of the current period  is obtained by solving
+an integer program.  The resulting activation vector is broadcast by a leader to
+every node of its subregion.
+
+% MODIF - BEGIN
+Our previous  paper ~\cite{idrees2014coverage} relies almost  exclusively on the
+framework of the  DiLCO approach and the coverage problem  formulation.  In this
+paper  we   made  more  realistic   simulations  by  taking  into   account  the
+characteristics of  a Medusa II sensor  ~\cite{raghunathan2002energy} to measure
+the energy consumption and the computation  time.  We have implemented two other
+existing and distributed approaches (DESK ~\cite{ChinhVu}, and
+GAF ~\cite{xu2001geography})  in order  to compare  their performances  with our
+approach. We focused  on DESK and GAF protocols  for two reasons.
+  First our protocol is inspired by both  of them: DiLCO uses a regular division
+  of the  area of interest  as in GAF  and a temporal  division in rounds  as in
+  DESK.  Second, DESK  and GAF are well-known protocols, easy  to implement, and
+  often  used  as references  for  comparison.  We  also focus  on  performance
+analysis based on the number of subregions.
+% MODIF - END
 
 The remainder  of the  paper continues with  Section~\ref{sec:Literature Review}
 where a  review of some related  works is presented. The  next section describes
-the  DiLCO  protocol,  followed   in  Section~\ref{cp}  by  the  coverage  model
+the  DiLCO  protocol,  followed  in   Section~\ref{cp}  by  the  coverage  model
 formulation    which    is    used     to    schedule    the    activation    of
-sensors. Section~\ref{sec:Simulation Results  and Analysis} shows the simulation
-results. The paper  ends with a conclusion and some  suggestions for further work
+sensors. Section~\ref{sec:Simulation Results and  Analysis} shows the simulation
+results. The paper ends with a  conclusion and some suggestions for further work
 in Section~\ref{sec:Conclusion and Future Works}.
 
 \section{\uppercase{Literature Review}}
 \label{sec:Literature Review}
 
-\noindent In  this section, we  summarize some related works  regarding the coverage
-problem  and distinguish  our DiLCO  protocol from  the works  presented  in 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{Kumar:2005}\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. 
-{\it In DiLCO  protocol, the area coverage, i.e. the coverage  of every point in
-  the sensing  region, is transformed  to the coverage  of a fraction  of points
-  called primary points. }
-
+\noindent  In  this section,  we  summarize  some  related works  regarding  the
+coverage problem and distinguish our  DiLCO protocol from the works presented in
+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{Kumar:2005}\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.  {\it In DiLCO protocol, the area coverage, i.e. the coverage of
+  every  point in  the  sensing region,  is  transformed to  the  coverage of  a
+  fraction of points called primary points. }
 
 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
+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 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 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, DiLCO 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
+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
+so 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
+\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,  DiLCO 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 DiLCO  protocol,  the area  coverage  is divided  into several  smaller
-  subregions, and in  each  one, a  node called the leader is  in charge for
+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 DiLCO  protocol, the  area coverage  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.}
 
+% MODIF - BEGIN
+ Our approach to select the leader node in a subregion is quite
+  different   from    cluster   head    selection   methods   used    in   LEACH
+  \cite{DBLP:conf/hicss/HeinzelmanCB00}         or          its         variants
+  \cite{ijcses11}. Contrary  to LEACH, the division  of the area of  interest is
+  supposed to be performed before the  leader election. Moreover, we assume that
+  the sensors are deployed almost uniformly  and with high density over the area
+  of interest, so  that the division is  fixed and regular.  As  in LEACH, our
+  protocol works in round fashion.  In each round, during the pre-sensing phase,
+  nodes make autonomous  decisions. In LEACH, each sensor elects  itself to be a
+  cluster head,  and each non-cluster  head will  determine its cluster  for the
+  round. In  our protocol, nodes in  the same subregion select  their leader. In
+  both protocols,  the amount  of remaining  energy in each  node is  taken into
+  account  to promote  the nodes  that have  the most  energy to  become leader.
+  Contrary to  the LEACH protocol  where all sensors  will be active  during the
+  sensing-phase, our protocol  allows to deactivate a subset  of sensors through
+  an optimization process which significantly reduces  the energy consumption.
+% MODIF - END
+
 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{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 (maximization of
-the  lifetime  or  number  of  cover  sets) under  target  coverage  and  energy
-constraints.   Column  generation techniques,  well-known  and widely  practiced
-techniques for solving  linear programs with too many  variables, have also been 
-used~\cite{castano2013column,rossi2012exact,deschinkel2012column}. {\it  In DiLCO  protocol,  each leader,  in  each subregion,  solves an  integer
-  program with a double objective  consisting in minimizing the overcoverage and
-  limiting  the  undercoverage.  This  program  is inspired  from  the  work  of
-  \cite{pedraza2006}  where the  objective is  to maximize  the number  of cover
-  sets.}
-
+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}
+and dedicated  techniques (solving with a  branch-and-bound algorithms 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
+energy  constraints.   Column   generation  techniques,  well-known  and  widely
+practiced techniques for  solving linear programs with too  many variables, have
+also                                                                        been
+used~\cite{castano2013column,rossi2012exact,deschinkel2012column}. {\it In DiLCO
+  protocol, each  leader, in  each subregion, solves  an integer program  with a
+  double objective  consisting in minimizing  the overcoverage and  limiting the
+  undercoverage.  This  program is inspired from the  work of \cite{pedraza2006}
+  where the objective is to maximize the number of cover sets.}
 
 \section{\uppercase{Description of the DiLCO protocol}}
 \label{sec:The DiLCO Protocol Description}
@@ -178,7 +236,6 @@ techniques: network leader election  and sensor activity scheduling for coverage
 preservation  and  energy  conservation,  applied  periodically  to  efficiently
 maximize the lifetime in the network.
 
-
 \subsection{Assumptions and models}
 
 \noindent  We consider  a sensor  network composed  of static  nodes distributed
@@ -194,7 +251,7 @@ sensor coverage  model in the  literature. Thus, since  a sensor has  a constant
 sensing range $R_s$, every space points  within a disk centered at a 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
+Hou~\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.
 
@@ -205,12 +262,13 @@ corresponding to  a sensor node is covered  by its neighboring nodes  if all its
 primary points are covered. Obviously,  the approximation of coverage is more or
 less accurate according to the number of primary points.
 
-
 \subsection{Main idea}
 \label{main_idea}
 \noindent We start  by applying a divide-and-conquer algorithm  to partition the
 area of interest  into smaller areas called subregions and  then our protocol is
-executed   simultaneously  in   each   subregion.
+executed  simultaneously in  each subregion. Sensor nodes  are
+  assumed to be deployed almost uniformly over the region and the subdivision of
+  the area of interest is regular.
 
 \begin{figure}[ht!]
 \centering
@@ -223,8 +281,9 @@ As  shown  in Figure~\ref{fig2},  the  proposed  DiLCO  protocol is  a  periodic
 protocol where  each period is  decomposed into 4~phases:  Information Exchange,
 Leader Election,  Decision, and Sensing. For  each period there  will be exactly
 one  cover  set  in charge  of  the  sensing  task.   A periodic  scheduling  is
-interesting  because it  enhances the  robustness  of the  network against  node
-failures. First,  a node  that has not  enough energy  to complete a  period, or
+interesting  because it  enhances the  robustness  of the  network against  node failures.
+% \textcolor{blue}{Many WSN applications have communication requirements that are periodic and known previously such as collecting temperature statistics at regular intervals. This periodic nature can be used to provide a regular schedule to sensor nodes and thus avoid a sensor failure. If the period time increases, the reliability and energy consumption are decreased and vice versa}. 
+First,  a node  that has not  enough energy  to complete a  period, or
 which fails before  the decision is taken, will be  excluded from the scheduling
 process. Second,  if a node  fails later, whereas  it was supposed to  sense the
 region of  interest, it will only affect  the quality of the  coverage until the
@@ -255,23 +314,37 @@ and each sensor node will have five possible status in the network:
 \end{itemize}
 %\end{enumerate}
 
-An outline of the  protocol implementation is given by Algorithm~\ref{alg:DiLCO}
+An outline of the protocol  implementation is given by Algorithm~\ref{alg:DiLCO}
 which describes  the execution of  a period  by a node  (denoted by $s_j$  for a
-sensor  node indexed by  $j$). At  the beginning  a node  checks whether  it has
-enough energy to stay active during the next sensing phase. If yes, it exchanges
-information  with  all the  other  nodes belonging  to  the  same subregion:  it
-collects from each node its position coordinates, remaining energy ($RE_j$), ID,
-and  the number  of  one-hop neighbors  still  alive. Once  the  first phase  is
-completed, the nodes  of a subregion choose a leader to  take the decision based
-on  the  following  criteria   with  decreasing  importance:  larger  number  of
-neighbors, larger remaining energy, and  then in case of equality, larger index.
-After that,  if the sensor node is  leader, it will execute  the integer program
-algorithm (see Section~\ref{cp})  which provides a set of  sensors planned to be
-active in the next sensing phase. As leader, it will send an Active-Sleep packet
-to each sensor  in the same subregion to  indicate it if it has to  be active or
-not.  Alternately, if  the  sensor  is not  the  leader, it  will  wait for  the
-Active-Sleep packet to know its state for the coming sensing phase.
-
+sensor node  indexed by  $j$). At  the beginning  a node  checks whether  it has
+enough  energy (its energy  should  be  greater than  a  fixed
+  treshold $E_{th}$) to  stay active during the next sensing  phase. If yes, it
+exchanges information with all the other  nodes belonging to the same subregion:
+it collects from each node  its position coordinates, remaining energy ($RE_j$),
+ID,  and the  number of  one-hop neighbors  still alive.  INFO
+  packet contains two parts: header and payload data. The sensor ID is included
+  in  the header,  where the  header  size is  8  bits. The  data part  includes
+  position coordinates (64 bits), remaining energy  (32 bits), and the number of
+  one-hop live neighbors (8 bits). Therefore the  size of the INFO packet is 112
+  bits. Once the  first phase is completed,  the nodes of a  subregion choose a
+leader to  take the  decision based  on the  following criteria  with decreasing
+importance: larger  number of  neighbors, larger remaining  energy, and  then in
+case of equality,  larger index.  After that,  if the sensor node  is leader, it
+will  solve an  integer program  (see Section~\ref{cp}).  This
+  integer program  contains boolean variables  $X_j$ where ($X_j=1$)  means that
+  sensor $j$ will be active in the  next sensing phase. Only sensors with enough
+  remaining energy are  involved in the integer  program ($J$ is the  set of all
+  sensors  involved).  As  the  leader consumes  energy  (computation energy  is
+  denoted by $E^{comp}$) to solve the  optimization problem, it will be included
+  in the integer program only if it has enough energy to achieve the computation
+  and to  stay alive during the  next sensing phase, that  is to say if  $RE_j >
+  E^{comp}+E_{th}$. Once  the optimization problem  is solved, each  leader will
+  send an ActiveSleep packet to each sensor in the same subregion to indicate it
+  if it has to be active or not.  Otherwise, if the sensor is not the leader, it
+  will wait for the ActiveSleep packet to  know its state for the coming sensing
+  phase.
+%which provides a set of  sensors planned to be
+%active in the next sensing phase.
 
 \begin{algorithm}[h!]                
 
@@ -314,6 +387,67 @@ Active-Sleep packet to know its state for the coming sensing phase.
 \section{\uppercase{Coverage problem formulation}}
 \label{cp}
 
+% MODIF - BEGIN
+We formulate the coverage optimization problem with an integer program.
+The objective function consists in minimizing the undercoverage and the overcoverage of the area as suggested in \cite{pedraza2006}. 
+The area coverage problem is expressed as the coverage of a fraction of points called primary points. 
+Details on the choice and the number of primary points can be found in \cite{idrees2014coverage}. The set of primary points is denoted by $P$
+and the set of alive sensors by $J$. As we consider a boolean disk coverage model, we use the boolean indicator $\alpha_{jp}$ which is equal to 1 if the primary point $p$ is in the sensing range of the sensor $j$. The binary variable $X_j$ represents the activation or not of the sensor $j$. So we can express the number of  active sensors  that cover  the primary  point $p$ by $\sum_{j \in J} \alpha_{jp} * X_{j}$. We deduce the overcoverage denoted by $\Theta_p$ of the primary point $p$ :
+\begin{equation}
+ \Theta_{p} = \left \{ 
+\begin{array}{l l}
+  0 & \mbox{if the primary point}\\
+    & \mbox{$p$ is not covered,}\\
+  \left( \sum_{j \in J} \alpha_{jp} * X_{j} \right)- 1 & \mbox{otherwise.}\\
+\end{array} \right.
+\label{eq13} 
+\end{equation}
+More  precisely, $\Theta_{p}$ represents  the number of  active sensor
+nodes minus  one that  cover the primary  point~$p$.
+In the same way, we define the  undercoverage variable
+$U_{p}$ of the primary point $p$ as:
+\begin{equation}
+U_{p} = \left \{ 
+\begin{array}{l l}
+  1 &\mbox{if the primary point $p$ is not covered,} \\
+  0 & \mbox{otherwise.}\\
+\end{array} \right.
+\label{eq14} 
+\end{equation}
+There is, of course, a relationship between the three variables $X_j$, $\Theta_p$, and $U_p$ which can be formulated as follows :
+\begin{equation}
+\sum_{j \in J}  \alpha_{jp} X_{j} - \Theta_{p}+ U_{p} =1, \forall p \in P
+\end{equation}
+If the point $p$ is not covered, $U_p=1$,  $\sum_{j \in J}  \alpha_{jp} X_{j}=0$ and $\Theta_{p}=0$ by definition, so the equality is satisfied.
+On the contrary, if the point $p$ is covered, $U_p=0$, and $\Theta_{p}=\left( \sum_{j \in J} \alpha_{jp}  X_{j} \right)- 1$. 
+\noindent Our coverage optimization problem can then be formulated as follows:
+\begin{equation} \label{eq:ip2r}
+\left \{
+\begin{array}{ll}
+\min \sum_{p \in P} (w_{\theta} \Theta_{p} + w_{U} U_{p})&\\
+\textrm{subject to :}&\\
+\sum_{j \in J}  \alpha_{jp} X_{j} - \Theta_{p}+ U_{p} =1, &\forall p \in P\\
+%\label{c1} 
+%\sum_{t \in T} X_{j,t} \leq \frac{RE_j}{e_t} &\forall j \in J \\
+%\label{c2}
+\Theta_{p}\in \mathbb{N}, &\forall p \in P\\
+U_{p} \in \{0,1\}, &\forall p \in P \\
+X_{j} \in \{0,1\}, &\forall j \in J
+\end{array}
+\right.
+\end{equation}
+The objective function is a weighted sum of overcoverage and undercoverage. The goal is to limit the overcoverage in order to activate a minimal number of sensors while simultaneously preventing undercoverage.  By
+    choosing  $w_{U}$ much  larger than $w_{\theta}$,  the coverage  of a
+    maximum of  primary points  is ensured.  Then for the  same number  of covered
+    primary points,  the solution  with a  minimal number  of active  sensors is
+    preferred. 
+%Both  weights $w_\theta$  and $w_U$ must  be carefully  chosen in
+%order to  guarantee that the  maximum number of  points are covered  during each
+%period.
+% MODIF - END
+
+\iffalse 
+
 \indent Our model is based on the model proposed by \cite{pedraza2006} where the
 objective is  to find a  maximum number of  disjoint cover sets.   To accomplish
 this goal,  the authors proposed  an integer program which  forces undercoverage
@@ -402,6 +536,8 @@ undercoverage. Both  weights $w_\theta$  and $w_U$ must  be carefully  chosen in
 order to  guarantee that the  maximum number of  points are covered  during each
 period.
 
+\fi
+
 \section{\uppercase{Protocol evaluation}}  
 \label{sec:Simulation Results and Analysis}
 \noindent \subsection{Simulation framework}
@@ -508,15 +644,15 @@ receive such  packets, we  use the equation  giving the  energy spent to  send a
 1-bit-content   message  defined   in~\cite{raghunathan2002energy}   (we  assume
 symmetric  communication costs), and  we set  their respective  size to  112 and
 24~bits. The energy required to send  or receive a 1-bit-content message is thus
- equal to 0.2575 mW.
-
-Each node has an initial energy level, in Joules, which is randomly drawn in the
-interval  $[500-700]$.  If  its  energy  provision reaches  a  value below  the
-threshold  $E_{th}=36$~Joules, the  minimum energy  needed  for a  node to  stay
-active during one period, it will no longer take part in the coverage task. This
-value  corresponds  to the  energy  needed by  the  sensing  phase, obtained  by
-multiplying the energy consumed in active  state (9.72 mW) by the time in seconds
-for one period (3,600 seconds), and  adding the energy for the pre-sensing phases.
+ equal to 0.2575~mW.
+
+Each node  has an initial  energy level, in  Joules, which is randomly  drawn in
+$[500-700]$.   If its  energy  provision  reaches a  value  below the  threshold
+$E_{th}=36$~Joules, the minimum  energy needed for a node  to stay active during
+one  period, it  will  no longer  take part  in  the coverage  task. This  value
+corresponds to the  energy needed by the sensing  phase, obtained by multiplying
+the energy  consumed in active state  (9.72 mW) by  the time in seconds  for one
+period  (3,600 seconds),  and  adding  the energy  for  the pre-sensing  phases.
 According to  the interval of initial energy,  a sensor may be  active during at
 most 20 periods.
 
@@ -549,8 +685,8 @@ points in  the sensing field. In  our simulations, we have  a layout of  $N = 51
 \times 26 = 1326$ grid points.
 
 \item {{\bf  Energy Consumption}:}  energy consumption (EC)  can be seen  as the
-  total amount of  energy   consumed   by   the   sensors   during   $Lifetime_{95}$   or
-  $Lifetime_{50}$, divided  by the number of periods.  Formally, the computation
+  total amount of  energy   consumed   by   the   sensors   during   $Lifetime_{95}$   
+  or $Lifetime_{50}$, divided  by the number of periods.  Formally, the computation
   of EC can be expressed as follows:
   \begin{equation*}
     \scriptsize
@@ -558,22 +694,21 @@ points in  the sensing field. In  our simulations, we have  a layout of  $N = 51
       + E^{a}_m+E^{s}_m \right)}{M},
   \end{equation*}
 
-where $M$  corresponds to the number  of periods.  The total amount of 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, $E^a_{m}$ and $E^s_{m}$ indicate  the energy consumed
-by the whole network in the sensing phase (active and sleeping nodes).
-
+where $M$  corresponds to  the number  of periods.  The  total amount  of 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,  $E^a_{m}$ and
+$E^s_{m}$ indicate the energy consumed by the whole network in the sensing phase
+(active and sleeping nodes).
 
 \end{itemize}
 %\end{enumerate}
 
-
 %\subsection{Performance Analysis for different subregions}
 \subsection{Performance analysis}
 \label{sub1}
@@ -595,16 +730,16 @@ chosen to remain active during the sensing phase.
 \subsubsection{Coverage ratio} 
 
 Figure~\ref{fig3} shows  the average coverage  ratio for 150 deployed  nodes. It
-can  be seen  that both  DESK and  GAF provide  a   coverage ratio which is slightly better
-compared to DiLCO  in the first thirty periods. This can  be easily explained by
-the number of  active nodes: the optimization process  of our protocol activates
-less nodes  than DESK  or GAF, resulting  in a  slight decrease of  the coverage
-ratio. In case of DiLCO-2  (respectively DiLCO-4), the coverage ratio exhibits a
-fast decrease  with the number  of periods and  reaches zero value  in period~18
-(respectively 46), whereas  the other versions of DiLCO, DESK,  and GAF ensure a
-coverage ratio above  50\% for subsequent periods.  We  believe that the results
-obtained with these two methods can be explained by a high consumption of energy
-and we will check this assumption in the next subsection.
+can be seen  that both DESK and  GAF provide a coverage ratio  which is slightly
+better  compared to  DiLCO  in the  first  thirty periods.  This  can be  easily
+explained  by  the number  of  active nodes:  the  optimization  process of  our
+protocol activates less  nodes than DESK or GAF, resulting  in a slight decrease
+of the coverage  ratio. In case of DiLCO-2  (respectively DiLCO-4), the coverage
+ratio exhibits a fast decrease with the number of periods and reaches zero value
+in period~18 (respectively  46), whereas the other versions  of DiLCO, DESK, and
+GAF ensure a coverage ratio above  50\% for subsequent periods.  We believe that
+the  results  obtained  with these  two  methods  can  be  explained by  a  high
+consumption of energy and we will check this assumption in the next subsection.
 
 Concerning  DiLCO-8, DiLCO-16,  and  DiLCO-32,  these methods  seem  to be  more
 efficient than DESK  and GAF, since they can provide the  same level of coverage
@@ -616,7 +751,7 @@ nodes, and thus enables the extension of the network lifetime.
 \parskip 0pt    
 \begin{figure}[t!]
 \centering
- \includegraphics[scale=0.45] {R/CR.pdf} 
+ \includegraphics[scale=0.475] {CR.pdf} 
 \caption{Coverage ratio}
 \label{fig3}
 \end{figure} 
@@ -637,7 +772,7 @@ used for the different performance metrics.
 
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.45]{R/EC.pdf} 
+\includegraphics[scale=0.475]{EC.pdf} 
 \caption{Energy consumption per period}
 \label{fig95}
 \end{figure} 
@@ -646,7 +781,16 @@ The  results  depict the  good  performance of  the  different  versions of  our
 protocol.   Indeed,  the protocols  DiLCO-16/50,  DiLCO-32/50, DiLCO-16/95,  and
 DiLCO-32/95  consume less  energy than  their DESK  and GAF  counterparts  for a
 similar level of area coverage.   This observation reflects the larger number of
-nodes set active by DESK and GAF.
+nodes set active  by DESK and GAF. 
+
+Now, if we consider a same  protocol, we can notice that the average consumption
+per  period increases slightly  for our  protocol when  increasing the  level of
+coverage and the number of node,  whereas it increases more largely for DESK and
+GAF.  In case of DiLCO, it means that even if a larger network allows to improve
+the number of periods with a  minimum coverage level value, this improvement has
+a  higher energy  cost  per period  due  to communication  overhead  and a  more
+difficult optimization problem.   However, in comparison with DESK  and GAF, our
+approach has a reasonable energy overcost.
 
 \subsubsection{Execution time}
 
@@ -664,20 +808,20 @@ Figure~\ref{fig8}.
 
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.45]{R/T.pdf}  
+\includegraphics[scale=0.475]{T.pdf}  
 \caption{Execution time in seconds}
 \label{fig8}
 \end{figure} 
 
 Figure~\ref{fig8} shows that DiLCO-32 has very low execution times in comparison
-with  other DiLCO  versions, because  the activity  scheduling is  tackled  by a
+with  other DiLCO  versions, because  the activity  scheduling is  tackled by  a
 larger  number of  leaders and  each  leader solves  an integer  problem with  a
 limited number  of variables and  constraints.  Conversely, DiLCO-2  requires to
 solve an optimization problem with half of the network nodes and thus presents a
 high execution time.  Nevertheless if  we refer to Figure~\ref{fig3}, we observe
 that DiLCO-32  is slightly less efficient  than DilCO-16 to maintain  as long as
-possible high  coverage. In fact an excessive  subdivision of the  area of interest
-prevents it  to  ensure a  good  coverage   especially  on   the  borders   of  the
+possible high coverage. In fact an excessive subdivision of the area of interest
+prevents  it  to  ensure a  good  coverage  especially  on  the borders  of  the
 subregions. Thus,  the optimal number of  subregions can be seen  as a trade-off
 between execution time and coverage performance.
 
@@ -691,7 +835,7 @@ network lifetime.
 
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.45]{R/LT.pdf}  
+\includegraphics[scale=0.475]{LT.pdf}  
 \caption{Network lifetime}
 \label{figLT95}
 \end{figure} 
@@ -699,37 +843,38 @@ network lifetime.
 As  highlighted by  Figure~\ref{figLT95},  when the  coverage  level is  relaxed
 ($50\%$) the network lifetime also  improves. This observation reflects the fact
 that  the higher  the coverage  performance, the  more nodes  must be  active to
-ensure the  wider monitoring.  For a  similar level of  coverage, DiLCO outperforms
+ensure the wider monitoring.  For a similar level of coverage, DiLCO outperforms
 DESK and GAF for the lifetime of  the network. More specifically, if we focus on
-the larger level  of coverage ($95\%$) in the case of  our protocol, the subdivision
-in $16$~subregions seems to be the most appropriate.
+the  larger  level  of coverage  ($95\%$)  in  the  case  of our  protocol,  the
+subdivision in $16$~subregions seems to be the most appropriate.
 
 
 \section{\uppercase{Conclusion and future work}}
 \label{sec:Conclusion and Future Works} 
 
-A crucial problem in WSN is  to schedule the sensing activities of the different
-nodes  in order to  ensure both  coverage of  the area  of interest  and longer
+A crucial problem in WSN is to  schedule the sensing activities of the different
+nodes  in order  to ensure  both coverage  of the  area of  interest and  longer
 network lifetime. The inherent limitations of sensor nodes, in energy provision,
-communication and computing capacities,  require protocols that optimize the use
-of  the  available resources  to  fulfill the  sensing  task.   To address  this
-problem, this paper proposes a  two-step approach. Firstly, the field of sensing
+communication and computing capacities, require  protocols that optimize the use
+of  the available  resources  to  fulfill the  sensing  task.   To address  this
+problem, this paper proposes a two-step  approach. Firstly, the field of sensing
 is  divided into  smaller  subregions using  the  concept of  divide-and-conquer
 method. Secondly,  a distributed  protocol called Distributed  Lifetime Coverage
-Optimization is applied in each  subregion to optimize the coverage and lifetime
-performances.   In a subregion,  our protocol  consists in  electing a  leader node
+Optimization is applied in each subregion  to optimize the coverage and lifetime
+performances.  In a  subregion, our protocol consists in electing  a leader node
 which will then perform a sensor activity scheduling. The challenges include how
-to  select   the  most  efficient  leader   in  each  subregion   and  the  best
+to  select   the  most  efficient  leader   in  each  subregion  and   the  best
 representative set of active nodes to ensure a high level of coverage. To assess
 the performance of our approach, we  compared it with two other approaches using
-many performance metrics  like coverage ratio or network  lifetime. We have also
-studied the  impact of the  number of subregions  chosen to subdivide the  area of
+many performance metrics  like coverage ratio or network lifetime.  We have also
+studied the impact of  the number of subregions chosen to  subdivide the area of
 interest,  considering  different  network  sizes.  The  experiments  show  that
-increasing the  number of subregions improves  the lifetime. The  more subregions there are,  the  more robust  the  network  is   against  random  disconnection
-resulting from dead nodes.  However, for  a given sensing field and network size
-there is an optimal number of  subregions.  Therefore, in case of our simulation
-context  a subdivision in  $16$~subregions seems  to be  the most  relevant. The
-optimal number of subregions will be investigated in the future.
+increasing the number  of subregions improves the lifetime.  The more subregions
+there are, the more robust the network is against random disconnection resulting
+from dead nodes.  However,  for a given sensing field and  network size there is
+an optimal number of subregions.  Therefore, in case of our simulation context a
+subdivision in $16$~subregions seems to be the most relevant. The optimal number
+of subregions will be investigated in the future.
 
 \section*{\uppercase{Acknowledgements}}
 
@@ -739,9 +884,9 @@ Campus France for  the received support. This paper is  also partially funded by
 the Labex ACTION program (contract ANR-11-LABX-01-01).
 
 %\vfill
-\bibliographystyle{apalike}
+\bibliographystyle{plain}
 {\small
-\bibliography{Example}}
+\bibliography{biblio}}
 
 %\vfill
 \end{document}