]> AND Private Git Repository - ThesisAli.git/blobdiff - CHAPITRE_04.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
Minor modifications
[ThesisAli.git] / CHAPITRE_04.tex
index ff3f8f75a85dd5ba08dce8a40f81a20e9333e96f..5254693bdd89044ef1458f2b2e3bab2bf9a199b3 100644 (file)
@@ -20,7 +20,7 @@ divided  into subregions using  a divide-and-conquer  algorithm and  an activity
 
 The remainder of this chapter is organized as follows. The next section is devoted to the DiLCO protocol description. Section \ref{ch4:sec:03} gives the primary points based coverage problem formulation which is used to schedule the activation of sensors. Section \ref{ch4:sec:04} shows the simulation results obtained using the discrete event simulator OMNeT++ \cite{ref158}. They fully demonstrate the usefulness of the proposed approach. Finally, we give concluding remarks in section \ref{ch4:sec:05}.
 
-
+\vfill
 
 \section{Description of the DiLCO Protocol}
 \label{ch4:sec:02}
@@ -747,25 +747,24 @@ In fact,  the distribution of computation over the subregions greatly reduces th
 As highlighted by Figures~\ref{Figures/ch4/R3/LT}(a) and \ref{Figures/ch4/R3/LT}(b), the network lifetime obviously increases when the size of the network increases, with DiLCO-16 protocol and DiLCO-32 protocol which lead to maximize the lifetime of the network compared with other approaches. 
 %In figures~\ref{Figures/ch4/R3/LT95} and \ref{Figures/ch4/R3/LT50}, network lifetime, $Lifetime95$ and $Lifetime50$ respectively, are illustrated for different network sizes.  
 
-\begin{figure}[h!]
-\centering
+%%\begin{figure}[p!]
+%%\centering
 % \begin{multicols}{0}
-\centering
-\includegraphics[scale=0.8]{Figures/ch4/R3/LT95.eps}\\~ ~ ~ ~ ~(a) \\
+%%\centering
+%%\includegraphics[scale=0.8]{Figures/ch4/R3/LT95.eps}\\~ ~ ~ ~ ~(a) \\
 %\hfill 
-\includegraphics[scale=0.8]{Figures/ch4/R3/LT50.eps}\\~ ~ ~ ~ ~(b)
+%%\includegraphics[scale=0.8]{Figures/ch4/R3/LT50.eps}\\~ ~ ~ ~ ~(b)
 
 %\end{multicols} 
-\caption{Network lifetime for (a) $Lifetime_{95}$ and (b) $Lifetime_{50}$}
-  \label{Figures/ch4/R3/LT}
-\end{figure}
+%%\caption{Network lifetime for (a) $Lifetime_{95}$ and (b) $Lifetime_{50}$}
+%%  \label{Figures/ch4/R3/LT}
+%%\end{figure}
 
 
 By choosing the best suited nodes, for each period, 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 periods, DiLCO-16 protocol and DiLCO-32 protocol efficiently prolong the network lifetime. 
 Comparison shows that DiLCO-16 protocol and DiLCO-32 protocol, which use distributed optimization over the subregions, are the best ones because they are robust to network disconnection during the network lifetime as well as they 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 independently and simultaneously, is the most relevant way to maximize the lifetime of a network.
 
-
 \end{enumerate}
 
 \section{Conclusion}
@@ -773,4 +772,15 @@ Comparison shows that DiLCO-16 protocol and DiLCO-32 protocol, which use distrib
 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 chapter 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, which will then perform a sensor activity scheduling. The challenges include how 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 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.
 
+\begin{figure}[p!]
+\centering
+% \begin{multicols}{0}
+\centering
+\includegraphics[scale=0.8]{Figures/ch4/R3/LT95.eps}\\~ ~ ~ ~ ~(a) \\
+%\hfill 
+\includegraphics[scale=0.8]{Figures/ch4/R3/LT50.eps}\\~ ~ ~ ~ ~(b)
 
+%\end{multicols} 
+\caption{Network lifetime for (a) $Lifetime_{95}$ and (b) $Lifetime_{50}$}
+  \label{Figures/ch4/R3/LT}
+\end{figure}