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

Private GIT Repository
Update by Ali
[ThesisAli.git] / CHAPITRE_04.tex
old mode 100755 (executable)
new mode 100644 (file)
index ad69a0b..a692dc3
@@ -4,47 +4,43 @@
 %%                          %%
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 %%                          %%
 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
-\chapter{Distributed Lifetime Coverage Optimization Protocol in Wireless Sensor Networks}
+\chapter{Distributed Lifetime Coverage Optimization Protocol}
 \label{ch4}
 
 
 
 \label{ch4}
 
 
 
-\section{Summary}
+\section{Introduction}
 \label{ch4:sec:01}
 \label{ch4:sec:01}
-In this chapter, a Distributed Lifetime Coverage Optimization protocol (DiLCO) to maintain
-the coverage and to improve  the  lifetime  in  wireless sensor  networks  is
-proposed.   The  area of  interest  is first  divided  into  subregions using  a
-divide-and-conquer  method and  then the  DiLCO protocol  is distributed  on the
-sensor nodes  in each  subregion. The DiLCO  combines two  efficient techniques:
-leader election  for each subregion, followed by  an optimization-based planning
-of activity  scheduling decisions for  each subregion. The proposed  DiLCO works
-into rounds during which a small  number of nodes, remaining active for sensing,
-is selected to ensure coverage so as to maximize the lifetime of wireless sensor
-network.   Each  round  consists   of  four  phases:  (i)~Information  Exchange,
-(ii)~Leader Election, (iii)~Decision, and (iv)~Sensing.  The decision process is
-carried out  by a leader node,  which solves an integer  program.  Compared with
-some existing protocols, simulation results  show that the proposed protocol can
-prolong the network lifetime and improve the coverage performance effectively.
+%Energy efficiency is  a crucial issue in wireless  sensor networks since the 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{ref94}.   
+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{ref95}.  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 chapter, 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 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 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 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 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  broadcasted by each leader node to every node of its subregion.
+
+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}.
+
 
 
 \section{Description of the DiLCO Protocol}
 \label{ch4:sec:02}
 
 
 
 \section{Description of the DiLCO Protocol}
 \label{ch4:sec:02}
 
-\noindent In this section, we introduce the DiLCO protocol which is distributed on  each subregion in the area of interest. It is based  on two  efficient
-techniques: network leader election and sensor activity scheduling for coverage preservation and  energy conservation, applied periodically to efficiently maximize the lifetime in the network.
+\noindent In this section, we introduce the DiLCO protocol which is distributed on  each subregion in the area of interest. It is based  on two  efficient techniques: network leader election and sensor activity scheduling for coverage preservation and  energy conservation, applied periodically to efficiently maximize the lifetime of the network.
 
 \subsection{Assumptions and Network Model}
 \label{ch4:sec:02:01}
 
 \subsection{Assumptions and Network Model}
 \label{ch4:sec:02:01}
-\noindent  We consider a sensor  network composed  of static  nodes distributed independently and uniformly at random.  A high-density deployment ensures a high coverage ratio of the interested area at the start. The nodes are supposed to have homogeneous characteristics from a communication and a processing point of view, whereas they  have heterogeneous energy provisions.  Each  node has access to its location thanks,  either to a hardware component (like a  GPS unit) or a location discovery algorithm. Furthermore, we assume that sensor nodes are time synchronized in order to properly coordinate their operations to achieve complex sensing tasks~\cite{ref157}. The two sensor nodes have been supposed neighbors if the euclidean distance between them is at most equal to 2$R_s$. 
+\noindent  We consider a sensor  network composed  of static  nodes distributed independently and uniformly at random.  A high-density deployment ensures a high coverage ratio of the interested area at the start. The nodes are supposed to have homogeneous characteristics from a communication and a processing point of view, whereas they  have heterogeneous energy provisions.  Each  node has access to its location thanks,  either to a hardware component (like a  GPS unit) or a location discovery algorithm. Furthermore, we assume that sensor nodes are time synchronized in order to properly coordinate their operations to achieve complex sensing tasks~\cite{ref157}. Two sensor nodes are supposed to be neighbors if the euclidean distance between them is at most equal to 2$R_s$, where $R_s$ is the sensing range.
  
 
  
 
-\indent We consider a boolean disk coverage model which is the most widely used 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 with this sensor. We also assume  that  the communication  range $R_c$ is at least twice the sensing range $R_s$ (i.e., $R_c \geq  2R_s$). In  fact, Zhang and Hou~\cite{ref126} 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. We assume that each sensor node can directly transmit its measurements toward a mobile sink node. For example, a sink can be an unmanned aerial vehicle (UAV) is 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.
+\indent We consider a boolean disk coverage model which is the most widely used sensor coverage  model in the  literature. Thus, since  a sensor has a constant sensing range $R_s$, each space point within a disk centered at a sensor with the radius of the sensing range is said to be covered with this sensor. We also assume  that  the communication  range $R_c$ is at least twice the sensing range $R_s$ (i.e., $R_c \geq  2R_s$). In  fact, Zhang and Hou~\cite{ref126} 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. We consider multi-hop communication.
+%We assume that each sensor node can directly transmit its measurements toward 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. The mobile sink node collects the measurements and transmits them to the base station.
 
 During the execution of the DiLCO protocol, two kinds of packet will be used:
 
 \begin{enumerate} [(i)]
 \item \textbf{INFO  packet:} sent  by each  sensor node to  all the  nodes inside a same subregion for information exchange.
 
 During the execution of the DiLCO protocol, two kinds of packet will be used:
 
 \begin{enumerate} [(i)]
 \item \textbf{INFO  packet:} sent  by each  sensor node to  all the  nodes inside a same subregion for information exchange.
-\item \textbf{ActiveSleep packet:} sent by the leader to all the  nodes in its subregion to inform them to stay Active or to go Sleep during the sensing phase.
+\item \textbf{ActiveSleep packet:} sent by the leader to all the  nodes in its subregion to inform them to stay Active or to go to Sleep during the sensing phase.
 \end{enumerate}
 
 There are five possible status for each sensor node in the network: 
 \end{enumerate}
 
 There are five possible status for each sensor node in the network: 
@@ -59,13 +55,12 @@ There are five possible status for each sensor node in the network:
 
 \subsection{Primary Point Coverage Model}
 \label{ch4:sec:02:02}
 
 \subsection{Primary Point Coverage Model}
 \label{ch4:sec:02:02}
-\indent Instead of working with the coverage area, we consider for each sensor a set of points called primary points. We also assume that the sensing disk defined by a sensor is covered if all the primary points of this sensor are covered. By  knowing the  position (point  center: ($p_x,p_y$))  of  a wireless sensor node  and it's $R_s$,  we calculate the primary  points directly based on the proposed model. We  use these primary points (that can be increased or decreased if necessary)  as references to ensure that the monitored  region  of interest  is  covered by the selected  set  of sensors, instead of using all the points in the area. 
-
-\indent  We can  calculate  the positions of the selected primary
+\indent Instead of working with the coverage area, we consider for each sensor a set of points called primary points. We also assume that the sensing disk defined by a sensor is covered if all the primary points of this sensor are covered. By  knowing the  position (point  center: ($p_x,p_y$))  of  a wireless sensor node  and it's sensing range $R_s$,  we calculate the primary  points directly based on the proposed model. We  use these primary points (that can be increased or decreased if necessary)  as references to ensure that the monitored  region  of interest  is  covered by the selected  set  of sensors, instead of using all the points in the area. 
+We can  calculate  the positions of the selected primary
 points in the circle disk of the sensing range of a wireless sensor
 points in the circle disk of the sensing range of a wireless sensor
-node (see figure~\ref{fig1}) as follows:\\
-
-$(p_x,p_y)$ = point center of wireless sensor node\\  
+node (see Figure~\ref{fig1}) as follows:\\
+Assuming that the point center of a wireless sensor node is located at $(p_x,p_y)$, we can define up to 25 primary points $X_1$ to $X_{25}$.\\
+%$(p_x,p_y)$ = point center of wireless sensor node\\  
 $X_1=(p_x,p_y)$ \\ 
 $X_2=( p_x + R_s * (1), p_y + R_s * (0) )$\\           
 $X_3=( p_x + R_s * (-1), p_y + R_s * (0)) $\\
 $X_1=(p_x,p_y)$ \\ 
 $X_2=( p_x + R_s * (1), p_y + R_s * (0) )$\\           
 $X_3=( p_x + R_s * (-1), p_y + R_s * (0)) $\\
@@ -92,22 +87,26 @@ $X_{23}=( p_x + R_s * (\frac{- 1}{2}), p_y + R_s * (\frac{\sqrt{3}}{2})) $\\
 $X_{24}=( p_x + R_s * (\frac{- 1}{2}), p_y + R_s * (\frac{-\sqrt{3}}{2})) $\\
 $X_{25}=( p_x + R_s * (\frac{1}{2}), p_y + R_s * (\frac{-\sqrt{3}}{2})) $.
 
 $X_{24}=( p_x + R_s * (\frac{- 1}{2}), p_y + R_s * (\frac{-\sqrt{3}}{2})) $\\
 $X_{25}=( p_x + R_s * (\frac{1}{2}), p_y + R_s * (\frac{-\sqrt{3}}{2})) $.
 
-\begin{figure}[h!]
+
+\begin{figure} %[h!]
 \centering
 \centering
- \begin{multicols}{3}
+ \begin{multicols}{2}
 \centering
 \centering
-\includegraphics[scale=0.20]{Figures/ch4/fig21.pdf}\\~ ~ ~ ~ ~(a)
-\includegraphics[scale=0.20]{Figures/ch4/fig22.pdf}\\~ ~ ~ ~ ~(b)
-\includegraphics[scale=0.20]{Figures/ch4/principles13.pdf}\\~ ~ ~ ~ ~(c) 
-\hfill
-\includegraphics[scale=0.20]{Figures/ch4/fig24.pdf}\\~ ~ ~(d)
-\includegraphics[scale=0.20]{Figures/ch4/fig25.pdf}\\~ ~ ~(e)
-\includegraphics[scale=0.20]{Figures/ch4/fig26.pdf}\\~ ~ ~(f)
+\includegraphics[scale=0.33]{Figures/ch4/fig21.pdf}\\~ ~ ~ ~ ~ ~ ~ ~(a)
+\includegraphics[scale=0.33]{Figures/ch4/principles13.pdf}\\~ ~ ~ ~ ~ ~(c) 
+\hfill \hfill
+\includegraphics[scale=0.33]{Figures/ch4/fig25.pdf}\\~ ~ ~ ~ ~ ~(e)
+\includegraphics[scale=0.33]{Figures/ch4/fig22.pdf}\\~ ~ ~ ~ ~ ~ ~ ~ ~(b)
+\hfill \hfill
+\includegraphics[scale=0.33]{Figures/ch4/fig24.pdf}\\~ ~ ~ ~ ~ ~ ~(d)
+\includegraphics[scale=0.33]{Figures/ch4/fig26.pdf}\\~ ~ ~ ~ ~ ~ ~(f)
 \end{multicols} 
 \end{multicols} 
-\caption{Wireless Sensor Node represented by (a)5, (b)9, (c)13, (d)17, (e)21 and (f)25 primary points respectively}
+\caption{Wireless Sensor Node represented by (a) 5, (b) 9, (c) 13, (d) 17, (e) 21 and (f) 25 primary points respectively}
 \label{fig1}
 \end{figure}
 \label{fig1}
 \end{figure}
-
+    
 
 
 \subsection{Main Idea}
 
 
 \subsection{Main Idea}
@@ -116,7 +115,7 @@ $X_{25}=( p_x + R_s * (\frac{1}{2}), p_y + R_s * (\frac{-\sqrt{3}}{2})) $.
 
 \begin{figure}[ht!]
 \centering
 
 \begin{figure}[ht!]
 \centering
-\includegraphics[scale=0.80]{Figures/ch4/FirstModel.pdf} % 70mm
+\includegraphics[scale=0.90]{Figures/ch4/OneSensingRound.jpg} % 70mm
 \caption{DiLCO protocol}
 \label{FirstModel}
 \end{figure} 
 \caption{DiLCO protocol}
 \label{FirstModel}
 \end{figure} 
@@ -130,36 +129,23 @@ Below, we describe each phase in more details.
 
 \subsubsection{Information Exchange Phase}
 \label{ch4:sec:02:03:01}
 
 \subsubsection{Information Exchange Phase}
 \label{ch4:sec:02:03:01}
-Each sensor node $j$ sends its position, remaining energy $RE_j$, and the number
-of neighbors $NBR_j$  to all wireless sensor nodes in its  subregion by using an
-INFO packet  (containing information on position  coordinates, current remaining
-energy, sensor node ID, number of its one-hop live neighbors) and then waits for
-packets sent by other nodes.  After  that, each node will have information about
-all  the sensor  nodes in  the subregion.   In our  model, the  remaining energy
-corresponds to the time that a sensor can live in the active mode.
+Each sensor node $j$ sends, through multi-hop communication, its position, remaining energy $RE_j$, and the number of neighbors $NBR_j$  to all sensor nodes in its  subregion by using an INFO packet  (containing information on position  coordinates, current remaining energy, sensor node ID, number of its one-hop live neighbors) and then waits for packets sent by other nodes.  After  that, each node will have information about
+all  the sensor  nodes in  the subregion.   In our  model, the  remaining energy corresponds to the time that a sensor can live in the active mode.
 
 \subsubsection{Leader Election Phase}
 \label{ch4:sec:02:03:02}
 
 \subsubsection{Leader Election Phase}
 \label{ch4:sec:02:03:02}
-This  step includes choosing  the Wireless  Sensor Node  Leader (WSNL), which  will  be  responsible  for executing  the coverage  algorithm. Each subregion in the area of interest  will select its  own  WSNL independently  for each  round.  All the  sensor  nodes cooperate  to select WSNL. The nodes in the  same subregion will  select the leader based on  the received  information from all  other nodes in  the same subregion.  The selection  criteria are,  in order  of importance: larger  number  of neighbors,  larger  remaining energy,  and  then  in case  of equality, larger index. Observations on  previous simulations suggest using the number  of  one-hop  neighbors  as   the  primary  criterion  to  reduce  energy consumption due to the communications.  
+This  step includes choosing  a wireless  sensor node called leader, which  will  be  responsible  for executing  the coverage  algorithm. Each subregion in the area of interest  will select its  own  leader independently for each  period.  All the  sensor  nodes cooperate  to select the leader. The nodes in the  same subregion will  select the leader based on  the received  information from all  other nodes in  the same subregion.  The selection  criteria are,  in order  of importance: larger  number  of neighbors,  larger  remaining energy,  and  then  in case  of equality, larger ID. Observations on  previous simulations suggest using the number  of  one-hop  neighbors  as   the  primary  criterion  to  reduce  energy consumption due to the communications.  
 
 
 \subsubsection{Decision phase}
 \label{ch4:sec:02:03:03}
 
 
 \subsubsection{Decision phase}
 \label{ch4:sec:02:03:03}
-The  WSNL will  solve an  integer  program (see  section~\ref{ch4:sec:03}) to select which sensors will be  activated in the following sensing phase to cover  the subregion.  WSNL will send  Active-Sleep packet  to each sensor in the subregion based on the algorithm's results.
+The  leader will  solve an  integer  program (see  section~\ref{ch4:sec:03}) to select which sensors will be  activated in the following sensing phase to cover  the subregion.  It will send an ActiveSleep packet  to each sensor in the subregion based on the algorithm's results.
 
 
+%($RE_j$)  corresponds to its remaining energy) to be alive during  the selected periods knowing  that $E_{th}$ is the  amount of energy required to be alive during one period.
 
 \subsubsection{Sensing phase}
 \label{ch4:sec:02:03:04}
 
 \subsubsection{Sensing phase}
 \label{ch4:sec:02:03:04}
-Active  sensors  in the  round  will  execute  their sensing  task  to
-preserve maximal  coverage in the  region of interest. We  will assume
-that the cost  of keeping a node awake (or asleep)  for sensing task is
-the same  for all wireless sensor  nodes in the  network.  Each sensor
-will receive  an Active-Sleep  packet from WSNL  informing it  to stay
-awake or to go to sleep  for a time  equal to  the period of  sensing until
-starting a new round.
-
-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  $j$). In  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{ch4:sec:03})  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.
+Active  sensors  in the  period  will  execute  their sensing  task  to preserve maximal  coverage in the  region of interest. We  will assume that the cost  of keeping a node awake (or asleep)  for sensing task is the same for all wireless sensor  nodes in the  network.  Each sensor will receive  an ActiveSleep  packet from the leader  informing it to stay awake or to go to sleep for a time  equal to the round of sensing until starting a new period.
 
 \begin{algorithm}[h!]                
 
 
 \begin{algorithm}[h!]                
 
@@ -199,9 +185,12 @@ and  the number  of  one-hop neighbors  still  alive. Once  the  first phase  is
 
 \end{algorithm}
 
 
 \end{algorithm}
 
+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  $j$). In  the beginning,  a node  checks whether  it has enough energy to stay active during the next sensing phase (i.e., the remaining energy $RE_j$ $\geq$ $E_{th}$ (the  amount of energy required to be alive during one period)). 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 criteria described in section \ref{ch4:sec:02:03:02}.
+%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{ch4:sec:03})  which provides a set of  sensors planned to be active in the next sensing phase. As leader, it will send an ActiveSleep 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 ActiveSleep packet to know its state for the coming sensing phase.
 
 
-
-\section{Primary Points based Coverage Problem Formulation}
+%Primary Points based 
+\section{Coverage Problem Formulation}
 \label{ch4:sec:03}
 \indent Our model is based on the model proposed by \cite{ref156} where the
 objective is  to find a  maximum number of  disjoint cover sets.   To accomplish
 \label{ch4:sec:03}
 \indent Our model is based on the model proposed by \cite{ref156} where the
 objective is  to find a  maximum number of  disjoint cover sets.   To accomplish
@@ -289,11 +278,13 @@ overcoverage of primary  points to activate as few  sensors as possible. Second,
 to  avoid   a  lack  of  area   monitoring  in  a  subregion   we  minimize  the
 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
 to  avoid   a  lack  of  area   monitoring  in  a  subregion   we  minimize  the
 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.
+period. In our simulations, priority is given  to the coverage by choosing $W_{U}$ very
+large compared to $W_{\theta}$.
+
 \section{Simulation Results and Analysis}
 \label{ch4:sec:04}
 
 \section{Simulation Results and Analysis}
 \label{ch4:sec:04}
 
-\subsection{Simulation Framework}
+\subsection{Simulation Framework}  
 \label{ch4:sec:04:01}
 
 To assess the performance of DiLCO protocol, we have used the discrete event simulator OMNeT++ \cite{ref158} to run different series of simulations. Table~\ref{tablech4} gives the chosen parameters setting.
 \label{ch4:sec:04:01}
 
 To assess the performance of DiLCO protocol, we have used the discrete event simulator OMNeT++ \cite{ref158} to run different series of simulations. Table~\ref{tablech4} gives the chosen parameters setting.
@@ -323,6 +314,7 @@ Sensing Period & 60 Minutes \\
 $E_{th}$ & 36 Joules\\
 $R_s$ & 5~m   \\     
 %\hline
 $E_{th}$ & 36 Joules\\
 $R_s$ & 5~m   \\     
 %\hline
+$R_c$ & 10~m   \\
 $w_{\Theta}$ & 1   \\
 % [1ex] adds vertical space
 %\hline
 $w_{\Theta}$ & 1   \\
 % [1ex] adds vertical space
 %\hline
@@ -333,59 +325,50 @@ $w_{U}$ & $|P|^2$
 % is used to refer this table in the text
 \end{table}
 
 % is used to refer this table in the text
 \end{table}
 
-Simulations with five  different node densities going from  50 to 250~nodes were
+Simulations with five different node densities going from  50 to 250~nodes were
 performed  considering  each  time  25~randomly generated  networks,  to  obtain
 performed  considering  each  time  25~randomly generated  networks,  to  obtain
-experimental results  which are relevant. The  nodes are deployed on  a field of
+experimental results  which are relevant. The  nodes are uniformly deployed on  a field of
 interest of $(50 \times 25)~m^2 $ in such a way that they cover the field with a
 high coverage ratio.
 
 
 interest of $(50 \times 25)~m^2 $ in such a way that they cover the field with a
 high coverage ratio.
 
 
-\subsection{Modeling  Language and Optimization Solver}
+\subsection{Modeling Language and Optimization Solver}
 \label{ch4:sec:04:02}
 \label{ch4:sec:04:02}
-The modeling  language for Mathematical Programming (AMPL)~\cite{AMPL} is  employed to generate the integer program instance  in a  standard format, which  is then read  and solved  by the optimization solver  GLPK (GNU  linear Programming Kit  available in  the public domain) \cite{glpk} through a Branch-and-Bound method.
+The modeling language for Mathematical Programming (AMPL)~\cite{AMPL} is  employed to generate the integer program instance  in a  standard format, which  is then read  and solved  by the optimization solver  GLPK (GNU  linear Programming Kit  available in  the public domain) \cite{glpk} through a Branch-and-Bound method. 
+%Obviously, It is infeasible to use GLPK on a real sensor nodes, we use it in the simulation only for simplicity. GLPK is used to compute the optimal schedule.
 
 \subsection{Energy Consumption Model}
 \label{ch4:sec:04:03}
 
 
 \subsection{Energy Consumption Model}
 \label{ch4:sec:04:03}
 
-\indent In this dissertation, we used an energy consumption model proposed by~\cite{DESK} and based on \cite{ref112} with slight  modifications.  The energy consumption for  sending/receiving the packets is added, whereas the  part related to the sensing range is removed because we consider a fixed sensing range.
+\indent In this dissertation, we used an energy consumption model proposed by~\cite{DESK} and based on \cite{ref112} with slight  modifications.  The energy consumption for  sending/receiving the packets is added, whereas the  part related to the dynamic sensing range is removed because we consider a fixed sensing range.
 
 
-\indent For our energy consumption model, we refer to the sensor node Medusa~II which uses an Atmel's  AVR ATmega103L microcontroller~\cite{ref112}. The typical architecture  of a  sensor  is composed  of four  subsystems: the  MCU subsystem which is capable of computation, communication subsystem (radio) which is responsible  for transmitting/receiving messages, the  sensing subsystem that collects  data, and  the  power supply  which  powers the  complete sensor  node \cite{ref112}. Each  of the first three subsystems  can be turned on or  off depending on  the current status  of the sensor.   Energy consumption (expressed in  milliWatt per second) for  the different status of  the sensor is summarized in Table~\ref{table1}.
+\indent For our energy consumption model, we refer to the sensor node Medusa~II which uses an Atmel's  AVR ATmega103L microcontroller~\cite{ref112}. The typical architecture  of a  sensor  is composed  of four  subsystems: the  MCU subsystem which is capable of computation, communication subsystem (radio) which is responsible  for transmitting/receiving messages, the  sensing subsystem that collects  data, and  the  power supply  which  powers the  complete sensor  node \cite{ref112}. Each  of the first three subsystems  can be turned on or  off depending on  the current status  of the sensor.   Energy consumption (expressed in  milliWatt per second) for  the different status of  the sensor is summarized in Table~\ref{tab:EC}.
 
 
-\begin{table}[ht]
-\caption{The Energy Consumption Model}
-% title of Table
+\begin{table}[h]
 \centering
 \centering
-% used for centering table
-\begin{tabular}{|c|c|c|c|c|}
-% centered columns (4 columns)
-      \hline
-%inserts double horizontal lines
-Sensor status & MCU & Radio & Sensing & Power (mW) \\ [0.5ex]
-\hline
-% inserts single horizontal line
-LISTENING & on & on & on & 20.05 \\
-% inserting body of the table
-\hline
-ACTIVE & on & off & on & 9.72 \\
-\hline
-SLEEP & off & off & off & 0.02 \\
-\hline
-COMPUTATION & on & on & on & 26.83 \\
-%\hline
-%\multicolumn{4}{|c|}{Energy needed to send/receive a 1-bit} & 0.2575\\
- \hline
+\caption{Power consumption values}
+\label{tab:EC}
+\begin{tabular}{|l||cccc|}
+  \hline
+  {\bf Sensor status} & MCU & Radio & Sensing & {\it Power (mW)} \\
+  \hline
+  LISTENING & On & On & On & 20.05 \\
+  ACTIVE & On & Off & On & 9.72 \\
+  SLEEP & Off & Off & Off & 0.02 \\
+  COMPUTATION & On & On & On & 26.83 \\
+  \hline
+  \multicolumn{4}{|l}{Energy needed to send or receive a 2-bit content message} & 0.515 \\
+  \hline
 \end{tabular}
 \end{tabular}
-
-\label{table1}
-% is used to refer this table in the text
 \end{table}
 
 \end{table}
 
-\indent For the sake of simplicity we ignore  the energy needed to turn on the radio, to start up the sensor node, to move from one status to another, etc. Thus, when a sensor becomes active (i.e., it has already chosen its status), it can turn  its radio  off to  save battery. The value of energy spent to send a 1-bit-content message is  obtained by using  the equation in ~\cite{ref112} to calculate  the energy cost for transmitting  messages and  we propose  the same value for receiving the packets. The energy  needed to send or receive a 1-bit packet is equal to $0.2575~mW$.
-
+\indent For the sake of simplicity we ignore  the energy needed to turn on the radio, to start up the sensor node, to move from one status to another, etc. Thus, when a sensor becomes active (i.e., it has already received its status from leader), it can turn  its radio  off to  save battery. DiLCO uses two types of packets
+for communication. The size of the INFO packet and ActiveSleep packet
+are 112 bits and 16 bits respectively. The value of energy spent to send a 2-bit-content message is  obtained by using  the equation in ~\cite{ref112} to calculate  the energy cost for transmitting  messages and  we propose  the same value for receiving the packets. The energy  needed to send or receive a 1-bit packet is equal to $0.2575~mW$.
 
 %We have used an energy consumption model, which is presented in chapter 1, section \ref{ch1:sec9:subsec2}. 
 
 
 %We have used an energy consumption model, which is presented in chapter 1, section \ref{ch1:sec9:subsec2}. 
 
-The initial energy of each node  is randomly set in the interval $[500;700]$.  A sensor node  will not participate in the  next round if its  remaining energy is less than $E_{th}=36~\mbox{Joules}$, the minimum  energy needed for the  node to stay alive  during one round.  This value has  been computed by  multiplying the energy consumed in  the active state (9.72 mW) by the time in second  for one round (3600 seconds), and  adding  the energy  for  the pre-sensing  phases. According to the  interval of initial energy, a sensor may be alive during at most 20 rounds.
+The initial energy of each node  is randomly set in the interval $[500;700]$.  A sensor node  will not participate in the  next period if its  remaining energy is less than $E_{th}=36~\mbox{Joules}$, the minimum  energy needed for the  node to stay alive  during one period.  This value has  been computed by  multiplying the energy consumed in  the active state (9.72 mW) by the time in second  for one period (3600 seconds), and  adding  the energy  for  the pre-sensing  phases. According to the  interval of initial energy, a sensor may be alive during at most 20 periods.
 
 
 \subsection{Performance Metrics}
 
 
 \subsection{Performance Metrics}
@@ -411,7 +394,7 @@ the efficiency of our approach:
   coverage ratio: 
 \begin{equation*}
 \scriptsize
   coverage ratio: 
 \begin{equation*}
 \scriptsize
-\mbox{CR}(\%) = \frac{\mbox{$n$}}{\mbox{$N$}} \times 100.
+\mbox{CR}(\%) = \frac{\mbox{$n$}}{\mbox{$N$}} \times 100,
 \end{equation*}
 where  $n$ is  the number  of covered  grid points  by active  sensors  of every
 subregions during  the current  sensing phase  and $N$ is the total number  of grid
 \end{equation*}
 where  $n$ is  the number  of covered  grid points  by active  sensors  of every
 subregions during  the current  sensing phase  and $N$ is the total number  of grid
@@ -432,34 +415,35 @@ where $M$  corresponds to  the number  of periods.  The  total amount  of energy
 factor, corresponds  to the energy consumed  by the sensors  in LISTENING status before  receiving the  decision  to  go   active  or  sleep   in  the period  $m$. $E^{\scriptsize \mbox{comp}}_m$  refers to the  energy needed for 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).
 
 factor, corresponds  to the energy consumed  by the sensors  in LISTENING status before  receiving the  decision  to  go   active  or  sleep   in  the period  $m$. $E^{\scriptsize \mbox{comp}}_m$  refers to the  energy needed for 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).
 
-\item{{\bf Number of Active Sensors Ratio(ASR)}:} It is important to have as few active nodes as possible in each round,
+\item{{\bf Number of Active Sensors Ratio (ASR)}:} it is important to have as few active nodes as possible in each period,
 in  order to  minimize  the communication  overhead  and maximize  the
 network lifetime. The Active Sensors Ratio is defined as follows:
 \begin{equation*}
 \scriptsize
 in  order to  minimize  the communication  overhead  and maximize  the
 network lifetime. The Active Sensors Ratio is defined as follows:
 \begin{equation*}
 \scriptsize
-\mbox{ASR}(\%) =  \frac{\sum\limits_{r=1}^R \mbox{$A_r$}}{\mbox{$S$}} \times 100 .
+\mbox{ASR}(\%) =  \frac{\sum\limits_{r=1}^R \mbox{$A_r$}}{\mbox{$J$}} \times 100,
 \end{equation*}
 \end{equation*}
-Where: $A_r$ is the number of active sensors in the subregion $r$ during current period, $S$ is the total number of sensors in the network, and $R$ is the total number of the subregions in the network.
+where $A_r$ is the number of active sensors in the subregion $r$ during current period, $J$ is the total number of sensors in the network, and $R$ is the total number of subregions in the network.
 
 \item {{\bf Execution Time}:} a  sensor  node has  limited  energy  resources  and computing  power, therefore it is important that the proposed algorithm has the shortest possible execution  time. The energy of  a sensor node  must be mainly used   for  the  sensing   phase,  not   for  the   pre-sensing  ones. In this dissertation, the original execution time  is computed on a laptop  DELL with Intel Core~i3~2370~M (2.4 GHz)  processor (2  cores) and the  MIPS (Million Instructions  Per Second) rate equal to 35330. To be consistent  with the use of a sensor node with Atmel's AVR ATmega103L  microcontroller (6 MHz) and  a MIPS rate  equal to 6 to  run the optimization   resolution,   this  time   is   multiplied   by  2944.2   $\left( \frac{35330}{2} \times  \frac{1}{6} \right)$.  
   
 
 \item {{\bf Execution Time}:} a  sensor  node has  limited  energy  resources  and computing  power, therefore it is important that the proposed algorithm has the shortest possible execution  time. The energy of  a sensor node  must be mainly used   for  the  sensing   phase,  not   for  the   pre-sensing  ones. In this dissertation, the original execution time  is computed on a laptop  DELL with Intel Core~i3~2370~M (2.4 GHz)  processor (2  cores) and the  MIPS (Million Instructions  Per Second) rate equal to 35330. To be consistent  with the use of a sensor node with Atmel's AVR ATmega103L  microcontroller (6 MHz) and  a MIPS rate  equal to 6 to  run the optimization   resolution,   this  time   is   multiplied   by  2944.2   $\left( \frac{35330}{2} \times  \frac{1}{6} \right)$.  
   
-\item {{\bf Stopped simulation runs}:} A simulation ends  when the  sensor network becomes disconnected (some nodes are dead and are not able to send information to the base station). We report the number of simulations that are stopped due to network disconnections and for which round it occurs ( in chapter 3, period consists of one round).
+\item {{\bf Stopped simulation runs}:} a simulation ends  when the  sensor network becomes disconnected (some nodes are dead and are not able to send information to the base station). We report the number of simulations that are stopped due to network disconnections and for which period it occurs.% ( in chapter 4, period consists of one round).
 
 \end{enumerate}
 
 
 
 
 \end{enumerate}
 
 
 
-\subsection{Performance Analysis for Different Subregions}
+\subsection{Performance Analysis for Different Number of Subregions}
 \label{ch4:sec:04:05}
   
 \label{ch4:sec:04:05}
   
-In this subsection, we are studied the performance of our DiLCO protocol for a different number of subregions (Leaders).
-The DiLCO-1 protocol is a centralized approach to all the area of the interest, while  DiLCO-2, DiLCO-4, DiLCO-8, DiLCO-16 and DiLCO-32 are distributed on two, four, eight, sixteen, and thirty-two subregions respectively. We did not take the DiLCO-1 protocol in our simulation results because it needs a high execution time to give the decision leading to consume all its energy before producing the solution for the optimization problem.
+In this subsection, we study the performance of our DiLCO protocol for different numbers of subregions.
+The DiLCO-1 protocol is a centralized approach for the whole area of the interest, while  DiLCO-2, DiLCO-4, DiLCO-8, DiLCO-16 and DiLCO-32 are distributed on two, four, eight, sixteen, and thirty-two subregions respectively. We do not take into account the DiLCO-1 protocol in our simulation results because it needs a high execution time to give the decision, leading to consume all its energy before producing the solution for the optimization problem. DiLCO protocol uses 13 primary points.
 
 \begin{enumerate}[i)]
 \item {{\bf Coverage Ratio}}
 %\subsubsection{Coverage Ratio} 
 %\label{ch4:sec:04:02:01}
 
 \begin{enumerate}[i)]
 \item {{\bf Coverage Ratio}}
 %\subsubsection{Coverage Ratio} 
 %\label{ch4:sec:04:02:01}
-In this experiment, Figure~\ref{Figures/ch4/R1/CR} shows the average coverage ratio for 150 deployed nodes.  
+
+Figure~\ref{Figures/ch4/R1/CR} shows the average coverage ratio for 150 deployed nodes.  
 \parskip 0pt    
 \begin{figure}[h!]
 \centering
 \parskip 0pt    
 \begin{figure}[h!]
 \centering
@@ -467,13 +451,14 @@ In this experiment, Figure~\ref{Figures/ch4/R1/CR} shows the average coverage ra
 \caption{Coverage ratio for 150 deployed nodes}
 \label{Figures/ch4/R1/CR}
 \end{figure} 
 \caption{Coverage ratio for 150 deployed nodes}
 \label{Figures/ch4/R1/CR}
 \end{figure} 
-It can be seen that DiLCO protocol (with 4, 8, 16 and 32 subregions) gives nearly similar coverage ratios during the first thirty rounds.  
-DiLCO-2 protocol gives near similar coverage ratio with other ones for first 10 rounds and then decreased until the died of the network in the round $18^{th}$ because it consumes more energy with the effect of the network disconnection
-As shown in the figure ~\ref{Figures/ch4/R1/CR}, as the number of subregions increases,  the coverage preservation for the area of interest increases for a larger number of rounds. Coverage ratio decreases when the number of rounds increases due to dead nodes. Although some nodes are dead, thanks to  DiLCO-8,  DiLCO-16, and  DiLCO-32 protocols,  other nodes are  preserved to ensure the coverage. Moreover, when we have a dense sensor network, it leads to maintain the  coverage for a larger number of rounds. DiLCO-8,  DiLCO-16, and  DiLCO-32 protocols are slightly more efficient than other protocols, because they subdivide the area of interest into 8, 16 and 32~subregions; if one of the subregions becomes disconnected, the coverage may be still ensured in the remaining subregions.
+It can be seen that DiLCO protocol (with 4, 8, 16 and 32 subregions) gives nearly similar coverage ratios during the first thirty periods.  
+DiLCO-2 protocol gives a coverage ratio very close to the other protocols for the first 10 periods, and then the coverage decreases until the death of the network in the period $18^{th}$. In case of only 2 subregions, the energy consumption is high and the network is rapidly disconnected
+As can be seen in Figure~\ref{Figures/ch4/R1/CR}, as the number of subregions increases,  the coverage preservation for the area of interest increases for a larger number of periods. Coverage ratio decreases when the number of periods increases due to dead nodes. Although some nodes are dead, thanks to  DiLCO-8,  DiLCO-16, and  DiLCO-32 protocols,  other nodes are  preserved to ensure the coverage. Moreover, when we have a dense sensor network, it leads to maintain the  coverage for a larger number of periods. DiLCO-8,  DiLCO-16, and  DiLCO-32 protocols are slightly more efficient than other protocols, because they subdivide the area of interest into 8, 16 and 32~subregions; if one of the subregions becomes disconnected, the coverage may be still ensured in the remaining subregions.
 
 \item {{\bf Active Sensors Ratio}}
 %\subsubsection{Active Sensors Ratio} 
 
 \item {{\bf Active Sensors Ratio}}
 %\subsubsection{Active Sensors Ratio} 
- Figure~\ref{Figures/ch4/R1/ASR} shows the average active nodes ratio for 150 deployed nodes.
+
+Figure~\ref{Figures/ch4/R1/ASR} shows the average active nodes ratio for 150 deployed nodes.
 \begin{figure}[h!]
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R1/ASR.pdf}  
 \begin{figure}[h!]
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R1/ASR.pdf}  
@@ -481,98 +466,91 @@ As shown in the figure ~\ref{Figures/ch4/R1/CR}, as the number of subregions inc
 \label{Figures/ch4/R1/ASR}
 \end{figure} 
 
 \label{Figures/ch4/R1/ASR}
 \end{figure} 
 
-The results presented in figure~\ref{Figures/ch4/R1/ASR} show the increase in the number of subregions led to increasing 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.
+The results presented in the figure show that increasing the number of subregions lead to the increase of the number of active nodes. The DiLCO-16 and DiLCO-32 protocols have a larger number of active nodes, but they both preserve the coverage for a larger number of periods. 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 continue the optimization process, and this extends the lifetime of the network.
 
 
-\item {{\bf The percentage of stopped simulation runs}}
+\item {{\bf Stopped simulation runs}}
 %\subsubsection{The percentage of stopped simulation runs}
 %\subsubsection{The percentage of stopped simulation runs}
-Figure~\ref{Figures/ch4/R1/SR} illustrates the percentage of stopped simulation runs per round for 150 deployed nodes. 
-\begin{figure}[h!]
+
+Figure~\ref{Figures/ch4/R1/SR} illustrates the percentage of stopped simulation runs per period for 150 deployed nodes. DiLCO-2 is the approach which stops first because it applies the optimization on only two subregions and the high energy consumption accelerate the network disconnection. Thus, as explained previously, in case of DiLCO-16 and DiLCO-32 which have many subregions, the optimization effectively continues as long as a subnetwork in a subregion is still connected. This longer partial coverage optimization participates in extending the network lifetime. 
+\begin{figure}[t]
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R1/SR.pdf} 
 \caption{Percentage of stopped simulation runs for 150 deployed nodes }
 \label{Figures/ch4/R1/SR}
 \end{figure} 
 
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R1/SR.pdf} 
 \caption{Percentage of stopped simulation runs for 150 deployed nodes }
 \label{Figures/ch4/R1/SR}
 \end{figure} 
 
-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.
-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. 
 
 
-\item {{\bf The Energy Consumption}}
+\item {{\bf Energy Consumption}}
 %\subsubsection{The Energy Consumption}
 %\subsubsection{The Energy Consumption}
-We measure the energy consumed by the sensors during the communication, listening, computation, active, and sleep modes for different network densities and compare it for different subregions.  Figures~\ref{Figures/ch4/R1/EC95} and ~\ref{Figures/ch4/R1/EC50} illustrate the energy consumption for different network sizes for $Lifetime95$ and $Lifetime50$. 
+
+We measure the energy consumed by the sensors during the communication, listening, computation, active, and sleep modes for different network densities and compare it for different subregions.  Figures~\ref{Figures/ch4/R1/EC}(a) and~\ref{Figures/ch4/R1/EC}(b) illustrate the energy consumption for different network sizes for $Lifetime_{95}$ and $Lifetime_{50}$. The results show that DiLCO-16 and DiLCO-32 are the most competitive from the energy consumption point of view. The other approaches have a high energy consumption due to the energy consumed during the different modes of the sensor node.
 
 \begin{figure}[h!]
 \centering
 
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.8]{Figures/ch4/R1/EC95.pdf} 
-\caption{Energy Consumption for Lifetime95}
-\label{Figures/ch4/R1/EC95}
-\end{figure} 
+ %\begin{multicols}{1}
+\centering
+\includegraphics[scale=0.8]{Figures/ch4/R1/EC95.pdf}\\~ ~ ~ ~ ~(a) \\
+%\vfill
+\includegraphics[scale=0.8]{Figures/ch4/R1/EC50.pdf}\\~ ~ ~ ~ ~(b)
 
 
-The results show that DiLCO-16 and DiLCO-32 are the most competitive from the energy consumption point of view but as the network size increase the energy consumption increase compared with DiLCO-2,  DiLCO-4, and DiLCO-8. The other approaches have a high energy consumption due to the energy consumed during the different modes of the sensor node.\\
+%\end{multicols} 
+\caption{Energy consumption for (a) $Lifetime_{95}$ and (b) $Lifetime_{50}$}
+\label{Figures/ch4/R1/EC}
+\end{figure}
  
  
-As shown in Figures~\ref{Figures/ch4/R1/EC95} and ~\ref{Figures/ch4/R1/EC50}, DiLCO-2 consumes more energy than the other versions of DiLCO, especially for large sizes of network. This is easy to understand since the bigger the number of sensors involved in the integer program, the larger the time computation to solve the optimization problem, as well as the higher energy consumed during the communication.  
-\begin{figure}[h!]
-\centering
-\includegraphics[scale=0.8]{Figures/ch4/R1/EC50.pdf} 
-\caption{Energy Consumption for Lifetime50}
-\label{Figures/ch4/R1/EC50}
-\end{figure} 
-In fact,  a distributed method on the subregions greatly reduces the number of communications, the time of listening and computation so thanks to the partitioning of the initial network in several independent subnetworks. 
+As shown in Figures~\ref{Figures/ch4/R1/EC}(a) and~\ref{Figures/ch4/R1/EC}(b), DiLCO-2 consumes more energy than the other versions of DiLCO, especially for large sizes of network. This is easy to understand since the bigger the number of sensors involved in the integer program, the larger the computation time to solve the optimization problem, as well as the higher energy consumed during the communication. In fact,  the distribution of the computation over many subregions greatly reduces the number of communications, the time of listening and computation. 
 
 \item {{\bf Execution Time}}
 %\subsubsection{Execution Time}
 
 \item {{\bf Execution Time}}
 %\subsubsection{Execution Time}
-In this experiment, the execution time of the our distributed optimization approach has been studied. Figure~\ref{Figures/ch4/R1/T} gives the average execution times in seconds for the decision phase (solving of the optimization problem) during one round. They are given for the different approaches and various numbers of sensors. The original execution time is computed as described in section \ref{ch4:sec:04:02}.
-%The original execution time is computed on a laptop DELL with intel Core i3 2370 M (2.4 GHz) processor (2 cores) and the MIPS (Million Instructions Per Second) rate equal to 35330. To be consistent with the use of a sensor node with Atmels AVR ATmega103L microcontroller (6 MHz) and a MIPS rate equal to 6 to run the optimization resolution, this time is multiplied by 2944.2 $\left( \frac{35330}{2} \times 6\right)$ and reported on Figure~\ref{fig8} for different network sizes.
 
 
-\begin{figure}[h!]
+In this experiment, the execution time of the distributed optimization approach has been studied. Figure~\ref{Figures/ch4/R1/T} gives the average execution times in seconds for the decision phase (solving of the optimization problem) during one period. They are given for the different approaches and various numbers of sensors.  \\ \\% \\ \\ \\
+
+
+
+\begin{figure}[t]
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R1/T.pdf}  
 \caption{Execution Time (in seconds)}
 \label{Figures/ch4/R1/T}
 \end{figure} 
 
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R1/T.pdf}  
 \caption{Execution Time (in seconds)}
 \label{Figures/ch4/R1/T}
 \end{figure} 
 
-We can see from figure~\ref{Figures/ch4/R1/T}, that the DiLCO-32 has very low execution times in comparison with other DiLCO versions because it distributed on larger number of small subregions.  Conversely, DiLCO-2 requires to solve an optimization problem considering half the nodes in each subregion presents high execution times.
+The original execution time is computed as described in section \ref{ch4:sec:04:04}. We can see from Figure~\ref{Figures/ch4/R1/T} that DiLCO-32 has very low execution times in comparison with other DiLCO versions because it is distributed on larger number of small subregions.  Conversely, DiLCO-2 requires to solve an optimization problem considering half the nodes in each subregion and thus presents high execution times. Overall, to be able to deal with very large networks,  a distributed method is clearly required.
 
 
-The DiLCO-32 protocol has more suitable times at the same time it turns on redundant nodes more.  We think that in distributed fashion the solving of the  optimization problem in a subregion can be tackled by sensor nodes. Overall, to be able to deal with very large networks,  a distributed method is clearly required.
-
-\item {{\bf The Network Lifetime}}
+\item {{\bf Network Lifetime}}
 %\subsubsection{The Network Lifetime}
 %\subsubsection{The Network Lifetime}
-In figure~\ref{Figures/ch4/R1/LT95} and \ref{Figures/ch4/R1/LT50}, network lifetime, $Lifetime95$ and $Lifetime50$ respectively, are illustrated for different network sizes. 
+
+In Figures~\ref{Figures/ch4/R1/LT}(a) and \ref{Figures/ch4/R1/LT}(b), network lifetime, $Lifetime_{95}$ and $Lifetime_{50}$ respectively, are illustrated for different network sizes. 
+
 
 \begin{figure}[h!]
 \centering
 
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.8]{Figures/ch4/R1/LT95.pdf}  
-\caption{Network Lifetime for $Lifetime95$}
-\label{Figures/ch4/R1/LT95}
-\end{figure} 
-We see that DiLCO-2 protocol results in execution times that quickly become unsuitable for a sensor network, as well as the energy consumed during the communication, seems to be huge because it is distributed over only two subregions.
+\centering
+\includegraphics[scale=0.8]{Figures/ch4/R1/LT95.pdf}\\~ ~ ~ ~ ~(a) \\
 
 
-As highlighted by figures~\ref{Figures/ch4/R1/LT95} and \ref{Figures/ch4/R1/LT50}, the network lifetime obviously increases when the size of the network increases, with DiLCO-16 protocol that leads to the larger lifetime improvement. By choosing the best-suited nodes, for each round, to cover the area of interest and by
-letting the other ones sleep in order to be used later in next rounds, DiLCO-16 protocol efficiently extends the network lifetime because the benefit from the optimization with 16 subregions is better than DiLCO-32 protocol with 32 subregions. DilCO-32 protocol puts in active mode a larger number of sensor nodes especially near the borders of the subdivisions.
+\includegraphics[scale=0.8]{Figures/ch4/R1/LT50.pdf}\\~ ~ ~ ~ ~(b)
 
 
-Comparison shows that DiLCO-16 protocol, which uses 16 leaders, is the best one because it is used less number of active nodes during the network lifetime compared with DiLCO-32 protocol. It also means that distributing the protocol 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.
+\caption{Network lifetime for (a) $Lifetime_{95}$ and (b) $Lifetime_{50}$}
+  \label{Figures/ch4/R1/LT}
+\end{figure}
+
+For DiLCO-2 protocol, execution times quickly become unsuitable for a sensor network, and the energy consumed during the communication, seems to be huge because it is distributed over only two subregions. As highlighted by Figures~\ref{Figures/ch4/R1/LT}(a) and \ref{Figures/ch4/R1/LT}(b), the network lifetime obviously increases when the size of the network increases. The network lifetime also increases with the number of subregions, but only up to a given number. Thus we can see that DiLCO-16 leads to the larger lifetime improvement and not DiLCO-32. In fact, DilCO-32 protocol puts in active mode a larger number of sensor nodes especially near the borders of the subdivisions. It means that distributing the protocol in each node and subdividing the sensing field into many subregions, which are managed independently and simultaneously, is a relevant way to maximize the lifetime of a network.
 
 
-\begin{figure}[h!]
-\centering
-\includegraphics[scale=0.8]{Figures/ch4/R1/LT50.pdf}  
-\caption{Network Lifetime for $Lifetime50$}
-\label{Figures/ch4/R1/LT50}
-\end{figure} 
 
 \end{enumerate}
 
 
 \end{enumerate}
 
-\subsection{Performance Analysis for Primary Point Models}
+\subsection{Performance Analysis for Different Number of Primary Points}
 \label{ch4:sec:04:06}
 
 \label{ch4:sec:04:06}
 
-In this section, we are studied the performance of DiLCO~16 approach for a different primary point models. The objective of this comparison is to select the suitable primary point model to be used by DiLCO protocol. 
-
-In this comparisons, DiLCO-16 protocol are used with five models which are called Model~1( With 5 Primary Points), Model~2 ( With 9 Primary Points), Model~3 ( With 13 Primary Points), Model~4 ( With 17 Primary Points), and Model~5 ( With 21 Primary Points). 
+In this section, we study the performance of DiLCO-16 approach for different numbers of primary points. The objective of this comparison is to select the suitable primary point model to be used by a DiLCO protocol. In this comparison, DiLCO-16 protocol is used with five models, which are called Model-5 (it uses 5 primary points), Model-9, Model-13, Model-17, and Model-21. 
 
 
 \begin{enumerate}[i)]
 
 \item {{\bf Coverage Ratio}}
 %\subsubsection{Coverage Ratio} 
 
 
 \begin{enumerate}[i)]
 
 \item {{\bf Coverage Ratio}}
 %\subsubsection{Coverage Ratio} 
-In this experiment, we Figure~\ref{Figures/ch4/R2/CR} shows the average coverage ratio for 150 deployed nodes.  
+
+Figure~\ref{Figures/ch4/R2/CR} shows the average coverage ratio for 150 deployed nodes.  
 \parskip 0pt    
 \begin{figure}[h!]
 \centering
 \parskip 0pt    
 \begin{figure}[h!]
 \centering
@@ -580,13 +558,15 @@ In this experiment, we Figure~\ref{Figures/ch4/R2/CR} shows the average coverage
 \caption{Coverage ratio for 150 deployed nodes}
 \label{Figures/ch4/R2/CR}
 \end{figure} 
 \caption{Coverage ratio for 150 deployed nodes}
 \label{Figures/ch4/R2/CR}
 \end{figure} 
-
-It is shown that all models provide a very near coverage ratios during the network lifetime, with very small superiority for the models with higher number of primary points. Moreover, when the number of rounds increases, coverage ratio produced by Model~3, Model~4, and Model~5 decreases in comparison with Model~1 and Model~2 due to the high energy consumption during the listening to take the decision after finishing optimization process for larger number of primary points. As shown in figure ~\ref{Figures/ch4/R2/CR}, Coverage ratio decreases when the number of rounds increases due to dead nodes. Although  some nodes are dead,
-thanks to  Model~2, which is slightly more efficient than other Models, because it is balanced between the number of rounds and the better coverage ratio in comparison with other Models.
+As can be seen in Figure~\ref{Figures/ch4/R2/CR}, at the beginning the models which use a larger number of primary points provide slightly better coverage ratios, but latter they are the worst. 
+%Moreover, when the number of periods increases, coverage ratio produced by Model-9, Model-13, Model-17, and Model-21 decreases in comparison with Model-5 due to a larger time computation for the decision process for larger number of primary points.
+Moreover, when the number of periods increases, coverage ratio produced by all models decrease, but Model-5 is the one with the slowest decrease due to a smaller time computation of decision process for a smaller number of primary points. 
+As shown in Figure ~\ref{Figures/ch4/R2/CR}, coverage ratio decreases when the number of periods increases due to dead nodes. Model-5 is slightly more efficient than other models, because it offers a good coverage ratio for a larger number of periods in comparison with other models.
 
 \item {{\bf Active Sensors Ratio}}
 %\subsubsection{Active Sensors Ratio} 
 
 \item {{\bf Active Sensors Ratio}}
 %\subsubsection{Active Sensors Ratio} 
- Figure~\ref{Figures/ch4/R2/ASR} shows the average active nodes ratio for 150 deployed nodes.
+
+Figure~\ref{Figures/ch4/R2/ASR} shows the average active nodes ratio for 150 deployed nodes.
 \begin{figure}[h!]
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R2/ASR.pdf}  
 \begin{figure}[h!]
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R2/ASR.pdf}  
@@ -594,12 +574,14 @@ thanks to  Model~2, which is slightly more efficient than other Models, because
 \label{Figures/ch4/R2/ASR}
 \end{figure} 
 
 \label{Figures/ch4/R2/ASR}
 \end{figure} 
 
-The results presented in figure~\ref{Figures/ch4/R2/ASR} show the superiority of the proposed  Model 1, in comparison with the other Models. The model with fewer number of primary points uses fewer active nodes than the other models, which uses larger number of primary points to represent the area of the sensor. According to the results that presented in figure~\ref{Figures/ch4/R2/CR}, we observe that although the Model~1 continue to a larger number of rounds, but it has less coverage ratio compared with other models. The advantage of the Model~2 approach is to use fewer number of active nodes for each round compared with Model~3,  Model~4, and Model~5. This led to continuing for a larger number of rounds with extending the network lifetime. Model~2 has a better coverage ratio compared to Model~1 and acceptable number of rounds.
+The results presented in Figure~\ref{Figures/ch4/R2/ASR} show the superiority of the proposed  Model-5, in comparison with the other models. The model with fewer number of primary points uses fewer active nodes than the other models. 
+According to the results presented in Figure~\ref{Figures/ch4/R2/CR}, we observe that Model-5 continues for a larger number of periods with a better coverage ratio compared with other models. The advantage of Model-5 is to use fewer number of active nodes for each period compared with Model-9, Model-13,  Model-17, and Model-21. This led to continuing for a larger number of periods and thus extending the network lifetime.
 
 
 
 
-\item {{\bf he percentage of stopped simulation runs}}
+\item {{\bf Stopped simulation runs}}
 %\subsubsection{The percentage of stopped simulation runs}
 %\subsubsection{The percentage of stopped simulation runs}
-In this study, we want to show the effect of increasing the primary points on the number of stopped simulation runs for each round. Figure~\ref{Figures/ch4/R2/SR} illustrates the percentage of stopped simulation runs per round for 150 deployed nodes. 
+
+Figure~\ref{Figures/ch4/R2/SR} illustrates the percentage of stopped simulation runs per period for 150 deployed nodes. 
 
 \begin{figure}[h!]
 \centering
 
 \begin{figure}[h!]
 \centering
@@ -608,166 +590,179 @@ In this study, we want to show the effect of increasing the primary points on th
 \label{Figures/ch4/R2/SR}
 \end{figure} 
 
 \label{Figures/ch4/R2/SR}
 \end{figure} 
 
-As shown in Figure~\ref{Figures/ch4/R2/SR}, when the number of primary points is increased, the percentage of the stopped simulation runs per round is increased. The reason behind the increase is the increase in the sensors dead when the primary points increase. We are observed that the Model~1 is a better than other models because it conserve more energy by turn on less number of sensors during the sensing phase, but in the same time it preserve the coverage with a less coverage ratio in comparison with other models. Model~2 seems to be more suitable to be used in wireless sensor networks.
+When the number of primary points is increased, the percentage of the stopped simulation runs per period is increased. The reason behind the increase is the increasing number of dead sensors when the primary points increase. Model-5 is better than other models because it conserves more energy by turning on less sensors during the sensing phase and in the same time it preserves a good coverage for a larger number of periods in comparison with other models. Model~5 seems to be more suitable to be used in wireless sensor networks. \\
 
 
 
 
-\item {{\bf The Energy Consumption}}
+\item {{\bf Energy Consumption}}
 %\subsubsection{The Energy Consumption}
 %\subsubsection{The Energy Consumption}
-In this experiment, we study the effect of increasing the primary points to represent the area of the sensor on the energy consumed by the wireless sensor network for different network densities.  Figures~\ref{Figures/ch4/R2/EC95} and ~\ref{Figures/ch4/R2/EC50} illustrate the energy consumption for different network sizes for $Lifetime95$ and $Lifetime50$.
+
+In this experiment, we study the effect of increasing the primary points to represent the area of the sensor on the energy consumed by the wireless sensor network for different network densities.  Figures~\ref{Figures/ch4/R2/EC}(a) and~\ref{Figures/ch4/R2/EC}(b) illustrate the energy consumption for different network sizes for $Lifetime_{95}$ and $Lifetime_{50}$.
+
 \begin{figure}[h!]
 \centering
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.8]{Figures/ch4/R2/EC95.pdf} 
-\caption{Energy Consumption with $95\%-Lifetime$}
-\label{Figures/ch4/R2/EC95}
-\end{figure} 
-\begin{figure}[h!]
+ %\begin{multicols}{1}
 \centering
 \centering
-\includegraphics[scale=0.8]{Figures/ch4/R2/EC50.pdf} 
-\caption{Energy Consumption with $Lifetime50$}
-\label{Figures/ch4/R2/EC50}
-\end{figure} 
+\includegraphics[scale=0.8]{Figures/ch4/R2/EC95.pdf}\\~ ~ ~ ~ ~(a) \\
+%\vfill
+\includegraphics[scale=0.8]{Figures/ch4/R2/EC50.pdf}\\~ ~ ~ ~ ~(b)
+
+%\end{multicols} 
+\caption{Energy consumption for (a) $Lifetime_{95}$ and (b) $Lifetime_{50}$}
+\label{Figures/ch4/R2/EC}
+\end{figure}
 
 
- We see from the results presented in Figures~\ref{Figures/ch4/R2/EC95} and \ref{Figures/ch4/R2/EC50}, The energy consumed by the network for each round increases when the primary points increases, because the decision for the optimization process requires more time, which leads to consuming more energy during the listening mode. The results show that Model~1 is the most competitive from the energy consumption point of view, but the worst one from coverage ratio point of view. The other Models have a high energy consumption  due to the increase in the primary points, which are led to increase the energy consumption during the listening mode before producing the solution by solving the optimization process. In fact, we see that Model~2 is a good candidate to be used by wireless sensor network because it preserves a good coverage ratio with a suitable energy consumption in comparison with other models. 
+We see from the results presented in both figures that the energy consumed by the network for each period increases when the number of primary points increases. Indeed, the decision for the optimization process requires more time, which leads to consuming more energy during the listening mode. The results show that Model-5 is the most competitive from the energy consumption point of view and the coverage ratio point of view. The other models have a high energy consumption  due to the increase in the primary points. In fact, Model-5 is a good candidate to be used by wireless sensor network because it preserves a good coverage ratio with a suitable energy consumption in comparison with other models. 
 
 \item {{\bf Execution Time}}
 %\subsubsection{Execution Time}
 
 \item {{\bf Execution Time}}
 %\subsubsection{Execution Time}
-In this experiment, we have studied the impact of the increase in primary points on the execution time of DiLCO protocol. Figure~\ref{Figures/ch4/R2/T} gives the average execution times in seconds for the decision phase (solving of the optimization problem) during one round. The original execution time is computed as described in section \ref{ch4:sec:04:02}. 
+
+In this experiment, we study the impact of the increase in primary points on the execution time of DiLCO protocol. Figure~\ref{Figures/ch4/R2/T} gives the average execution times in seconds for the decision phase (solving of the optimization problem) during one period. The original execution time is computed as described in section \ref{ch4:sec:04:04}. 
 
 \begin{figure}[h!]
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R2/T.pdf}  
 
 \begin{figure}[h!]
 \centering
 \includegraphics[scale=0.8]{Figures/ch4/R2/T.pdf}  
-\caption{Execution Time(s) vs The Number of Sensors }
+\caption{Execution Time (in seconds)}
 \label{Figures/ch4/R2/T}
 \end{figure} 
 
 \label{Figures/ch4/R2/T}
 \end{figure} 
 
-They are given for the different primary point models and various numbers of sensors. We can see from Figure~\ref{Figures/ch4/R2/T}, that Model~1 has lower execution time in comparison with other Models because it used smaller number of primary points to represent the area of the sensor.  Conversely, the other primary point models  have been presented  a higher execution times.
-Moreover, Model~2 has more suitable times and coverage ratio that lead to continue for a larger number of rounds extending the network lifetime. We  think that a good primary point model, this one that balances between the coverage ratio and the number of rounds during the lifetime of the network.
+They are given for the different primary point models and various numbers of sensors. We can see from Figure~\ref{Figures/ch4/R2/T}, that Model-5 has lower execution time in comparison with other models because it uses the smaller number of primary points to represent the area of the sensor.  Conversely, the other primary point models have presented  higher execution times.
+Moreover, Model-5 has more suitable execution times and coverage ratio that lead to continue for a larger number of period extending the network lifetime. We think that a good primary point model is one that balances between the coverage ratio and the number of periods during the lifetime of the network.
 
 
-\item {{\bf The Network Lifetime}}
+\item {{\bf Network Lifetime}}
 %\subsubsection{The Network Lifetime}
 %\subsubsection{The Network Lifetime}
-Finally, we will study the effect of increasing the primary points on the lifetime of the network. In Figure~\ref{Figures/ch4/R2/LT95} and in Figure~\ref{Figures/ch4/R2/LT50}, network lifetime, $Lifetime95$ and $Lifetime50$ respectively, are illustrated for different network sizes. 
 
 
-\begin{figure}[h!]
-\centering
-\includegraphics[scale=0.8]{Figures/ch4/R2/LT95.pdf}  
-\caption{Network Lifetime for $Lifetime95$}
-\label{Figures/ch4/R2/LT95}
-\end{figure} 
+Finally, we study the effect of increasing the primary points on the lifetime of the network. 
+%In Figure~\ref{Figures/ch4/R2/LT95} and in Figure~\ref{Figures/ch4/R2/LT50}, network lifetime, $Lifetime95$ and $Lifetime50$ respectively, are illustrated for different network sizes. 
+As highlighted by Figures~\ref{Figures/ch4/R2/LT}(a) and \ref{Figures/ch4/R2/LT}(b), the network lifetime obviously increases when the size of the network increases, with  Model-5 that leads to the larger lifetime improvement. \\ \\
 
 
+Comparison shows that Model-5, which uses less number of primary points, is the best one because it is less energy consuming during the network lifetime. It is also the better one from the point of view of coverage ratio. Our proposed Model-5 efficiently prolongs the network lifetime with a good coverage ratio in comparison with other models. Therefore, we have chosen Model-5 for all the experiments presented thereafter. 
 
 \begin{figure}[h!]
 \centering
 
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.8]{Figures/ch4/R2/LT50.pdf}  
-\caption{Network Lifetime for $Lifetime50$}
-\label{Figures/ch4/R2/LT50}
-\end{figure} 
+\centering
+\includegraphics[scale=0.8]{Figures/ch4/R2/LT95.pdf}\\~ ~ ~ ~ ~(a) \\
 
 
+\includegraphics[scale=0.8]{Figures/ch4/R2/LT50.pdf}\\~ ~ ~ ~ ~(b)
+
+\caption{Network lifetime for (a) $Lifetime_{95}$ and (b) $Lifetime_{50}$}
+  \label{Figures/ch4/R2/LT}
+\end{figure}
 
 
-As highlighted by figures~\ref{Figures/ch4/R2/LT95} and \ref{Figures/ch4/R2/LT50}, the network lifetime obviously increases when the size of the network increases, with  Model~1 that leads to the larger lifetime improvement.
-Comparison shows that the Model~1, which uses less number of primary points, is the best one because it is less energy consumption during the network lifetime. It is also the worst one from the point of view of coverage ratio. Our proposed Model~2 efficiently prolongs the network lifetime with a good coverage ratio in comparison with other models.
 \end{enumerate}
 
 \subsection{Performance Comparison with other Approaches}
 \label{ch4:sec:04:07}
 \end{enumerate}
 
 \subsection{Performance Comparison with other Approaches}
 \label{ch4:sec:04:07}
-Based on the results, which are conducted from previous two subsections, \ref{ch4:sec:04:02} and \ref{ch4:sec:04:03}, we have found that DiLCO-16 protocol and DiLCO-32 protocol with Model~2 are the best candidates to be compared with other two approaches. The first approach is called DESK~\cite{DESK}, which is a fully distributed coverage algorithm. The second approach is called GAF~\cite{GAF}, 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. 
 
 
-\begin{enumerate}[i)]
+Based on the results, conducted in the previous subsections, \ref{ch4:sec:04:02} and \ref{ch4:sec:04:03}, DiLCO-16 and DiLCO-32 protocols, both with Model-5, seem to be the best candidates to be compared with other approaches. The first approach is called DESK~\cite{DESK}, which is a fully distributed coverage algorithm. The second approach called GAF~\cite{GAF}, consists in dividing the region into fixed squares. During the decision phase, in each square, one sensor is chosen to remain active during the sensing phase time. \\ \\
 
 
+\begin{enumerate}[i)]
 \item {{\bf Coverage Ratio}}
 %\subsubsection{Coverage Ratio} 
 \item {{\bf Coverage Ratio}}
 %\subsubsection{Coverage Ratio} 
-In this experiment, the average coverage ratio for 150 deployed nodes has been demonstrated figure~\ref{Figures/ch4/R3/CR}. 
+
+The average coverage ratio for 150 deployed nodes is demonstrated in Figure~\ref{Figures/ch4/R3/CR}. 
 \parskip 0pt    
 \begin{figure}[h!]
 \centering
 \parskip 0pt    
 \begin{figure}[h!]
 \centering
- \includegraphics[scale=0.8] {Figures/ch4/R3/CR.pdf
+ \includegraphics[scale=0.8] {Figures/ch4/R3/CR.eps
 \caption{Coverage ratio for 150 deployed nodes}
 \label{Figures/ch4/R3/CR}
 \end{figure} 
 \caption{Coverage ratio for 150 deployed nodes}
 \label{Figures/ch4/R3/CR}
 \end{figure} 
+DESK and GAF provide a little better coverage ratio with 99.99\% and 99.91\% against 98.4\% and 98.9\% produced by DiLCO-16 and DiLCO-32 for the lowest number of periods. \\ \\ \\
 
 
-It has been shown that DESK and GAF provide 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 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.
+This is due to the fact that DiLCO protocol versions put in sleep mode redundant sensors thanks to the optimization (which lightly decreases the coverage ratio), while there are more active nodes in the case of DESK and GAF.
 
 
-Moreover, when the number of rounds increases, coverage ratio produced by DESK and GAF protocols decreases. This is due to dead nodes. However, DiLCO-16 protocol and DiLCO-32 protocol maintain almost a good coverage. This is because they optimized the coverage and the lifetime in wireless sensor network by selecting the best representative sensor nodes to take the responsibility of coverage during the sensing phase, and this will lead to continuing for a larger number of rounds and prolonging the network lifetime. Furthermore, although some nodes are dead, sensor activity scheduling of our protocol chooses other nodes to ensure the coverage of the area of interest. 
+Moreover, when the number of periods increases, coverage ratio produced by DESK and GAF protocols decreases. 
+%This is due to dead nodes. However, DiLCO-16 protocol and DiLCO-32 protocol maintain almost a good coverage. 
+GAF exhibits in particular a fast decrease. Our protocols also provide decreasing coverage ratio, but far less large  than those of DESK and GAF. DiLCO-16 and DiLCO-32 clearly outperform DESK and GAF for number of periods between 32 and 103.
+This is because they optimize the coverage and the lifetime in wireless sensor network by selecting the best representative sensor nodes to take the responsibility of coverage during the sensing phase.
+%, and this will lead to continuing for a larger number of periods and prolonging the network lifetime. Furthermore, although some nodes are dead, sensor activity scheduling of our protocol chooses other nodes to ensure the coverage of the area of interest. 
 
 \item {{\bf Active Sensors Ratio}}
 %\subsubsection{Active Sensors Ratio} 
 
 \item {{\bf Active Sensors Ratio}}
 %\subsubsection{Active Sensors Ratio} 
-It is important to have as few active nodes as possible in each round, in  order to  minimize the energy consumption and maximize the network lifetime. Figure~\ref{Figures/ch4/R3/ASR} shows the average active nodes ratio for 150 deployed nodes. 
+
+It is important to have as few active nodes as possible in each period, in  order to  minimize the energy consumption and maximize the network lifetime. Figure~\ref{Figures/ch4/R3/ASR} shows the average active nodes ratio for 150 deployed nodes. 
 
 \begin{figure}[h!]
 \centering
 
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.8]{Figures/ch4/R3/ASR.pdf}  
+\includegraphics[scale=0.8]{Figures/ch4/R3/ASR.eps}  
 \caption{Active sensors ratio for 150 deployed nodes }
 \label{Figures/ch4/R3/ASR}
 \end{figure} 
 
 \caption{Active sensors ratio for 150 deployed nodes }
 \label{Figures/ch4/R3/ASR}
 \end{figure} 
 
-The results presented in figure~\ref{Figures/ch4/R3/ASR} show the superiority of the proposed DiLCO-16 protocol and DiLCO-32 protocol, in comparison with the other approaches.  We have observed that DESK and GAF have 37.5 \% and 44.5 \% active nodes and DiLCO-16 protocol and DiLCO-32 protocol compete perfectly with only 17.4 \%, 24.8 \% and 26.8 \%  active nodes for the first 14 rounds. Then as the number of rounds increases DiLCO-16 protocol and DiLCO-32 protocol 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 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. 
+The results presented in Figure~\ref{Figures/ch4/R3/ASR} show the superiority of the proposed DiLCO-16 protocol and DiLCO-32 protocol, in comparison with the other approaches.  DESK and GAF have, respectively, 37.5 \% and 44.5 \% active nodes, whereas DiLCO-16 and DiLCO-32 protocols compete perfectly with only 23.7 \% and 25.8 \%  active nodes for the first 14 periods. Then as the number of periods increases DiLCO-16 and DiLCO-32 protocols have larger number of active nodes in comparison with DESK and GAF, especially from period $35^{th}$ because they give a better coverage ratio than other approaches. We see that DESK and GAF have less number of active nodes beginning at the periods $35^{th}$ and $32^{th}$ because there are many dead nodes due to the high energy consumption by the redundant nodes during the previous sensing phases. \\
 
 
 
 
-\item {{\bf The percentage of stopped simulation runs}}
+\item {{\bf Stopped simulation runs}}
 %\subsubsection{The percentage of stopped simulation runs}
 %\subsubsection{The percentage of stopped simulation runs}
-The results presented in this experiment, are to show the comparison of DiLCO-16 protocol and DiLCO-32 protocol with other two approaches from the point of view of stopped simulation runs per round.
-Figure~\ref{Figures/ch4/R3/SR} illustrates the percentage of stopped simulation runs per round for 150 deployed nodes. 
+%The results presented in this experiment, are to show the comparison of DiLCO-16 protocol and DiLCO-32 protocol with other two approaches from the point of view of stopped simulation runs per period.
+
+Figure~\ref{Figures/ch4/R3/SR} illustrates the percentage of stopped simulation runs per period for 150 deployed nodes. 
 \begin{figure}[h!]
 \centering
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.8]{Figures/ch4/R3/SR.pdf
+\includegraphics[scale=0.8]{Figures/ch4/R3/SR.eps
 \caption{Percentage of stopped simulation runs for 150 deployed nodes }
 \label{Figures/ch4/R3/SR}
 \end{figure} 
 \caption{Percentage of stopped simulation runs for 150 deployed nodes }
 \label{Figures/ch4/R3/SR}
 \end{figure} 
-It has been observed that DESK is the approach, which stops first because it consumes more energy for communication as well as it turns on a large number of redundant nodes during the sensing phase. On the other  hand DiLCO-16 protocol and DiLCO-32 protocol 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 extending the network lifetime and coverage preservation. The optimization effectively continues as long as a network in a subregion is still connected.
+On the one hand, DESK is the approach which stops first because it consumes more energy for communication as well as it turns on a large number of redundant nodes during the sensing phase. On the other hand, DiLCO-16 protocol and DiLCO-32 protocol have less stopped simulation runs in comparison with DESK and GAF because they distribute 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 extending the network lifetime and coverage preservation. The optimization effectively continues as long as a network in a subregion is still connected.
 
 
 
 
-\item {{\bf The Energy Consumption}}
+\item {{\bf Energy Consumption}}
 %\subsubsection{The Energy Consumption}
 %\subsubsection{The Energy Consumption}
-In this experiment, we have studied 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{Figures/ch4/R3/EC95} and ~\ref{Figures/ch4/R3/EC50} illustrate the energy consumption for different network sizes for $Lifetime95$ and $Lifetime50$. 
+%In this experiment, we have studied 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.
 
 
-\begin{figure}[h!]
-\centering
-\includegraphics[scale=0.8]{Figures/ch4/R3/EC95.pdf} 
-\caption{Energy Consumption with $95\%-Lifetime$}
-\label{Figures/ch4/R3/EC95}
-\end{figure} 
+Figures~\ref{Figures/ch4/R3/EC}(a) and~\ref{Figures/ch4/R3/EC}(b) illustrate the energy consumption for different network sizes for $Lifetime_{95}$ and $Lifetime_{50}$. 
 
 \begin{figure}[h!]
 \centering
 
 \begin{figure}[h!]
 \centering
-\includegraphics[scale=0.8]{Figures/ch4/R3/EC50.pdf} 
-\caption{Energy Consumption with $Lifetime50$}
-\label{Figures/ch4/R3/EC50}
-\end{figure} 
+ %\begin{multicols}{1}
+\centering
+\includegraphics[scale=0.8]{Figures/ch4/R3/EC95.eps}\\~ ~ ~ ~ ~(a) \\
+%\vfill
+\includegraphics[scale=0.8]{Figures/ch4/R3/EC50.eps}\\~ ~ ~ ~ ~(b)
 
 
-The results show that DiLCO-16 protocol and DiLCO-32 protocol 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. 
+%\end{multicols} 
+\caption{Energy consumption for (a) $Lifetime_{95}$ and (b) $Lifetime_{50}$}
+\label{Figures/ch4/R3/EC}
+\end{figure}
 
 
 
 
-\item {{\bf The Network Lifetime}}
-%\subsubsection{The Network Lifetime}
-In this experiment, we have observed the superiority of DiLCO-16 protocol and DiLCO-32 protocol against other two approaches in prolonging the network lifetime. 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.  
+DiLCO-16 protocol and DiLCO-32 protocol 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,  the distribution of computation over the subregions greatly reduces the number of communications and the time of listening, thanks to the partitioning of the initial network into several independent subnetworks. 
 
 
-\begin{figure}[h!]
-\centering
-\includegraphics[scale=0.8]{Figures/ch4/R3/LT95.pdf}  
-\caption{Network Lifetime for $Lifetime95$}
-\label{Figures/ch4/R3/LT95}
-\end{figure}
 
 
+\item {{\bf Network Lifetime}}
+%\subsubsection{The Network Lifetime}
+%In this experiment, we have observed the superiority of DiLCO-16 protocol and DiLCO-32 protocol against other two approaches in prolonging the network lifetime. 
+
+%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}[h!]
 \centering
-\includegraphics[scale=0.8]{Figures/ch4/R3/LT50.pdf}  
-\caption{Network Lifetime for $Lifetime50$}
-\label{Figures/ch4/R3/LT50}
-\end{figure} 
+% \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}
 
 
-As highlighted by figures~\ref{Figures/ch4/R3/LT95} and \ref{Figures/ch4/R3/LT50}, the network lifetime obviously increases when the size of the network increases, with DiLCO-16 protocol and DiLCO-32 protocol that leads to maximize the lifetime of the network compared with other approaches. 
-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 periods, DiLCO-16 protocol and DiLCO-32 protocol efficiently prolonged the network lifetime. 
-Comparison shows that DiLCO-16 protocol and DiLCO-32 protocol, 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 consumes 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.
+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. 
+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}
 \label{ch4:sec:05}
 
 
 \end{enumerate}
 
 \section{Conclusion}
 \label{ch4:sec:05}
-A crucial problem in WSN is to schedule the sensing activities of the different nodes  in order to ensure both of  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
+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.
 
 
 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.