]> AND Private Git Repository - ThesisAli.git/commitdiff
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
Update
authorali <ali@ali.lan>
Thu, 11 Jun 2015 16:04:51 +0000 (18:04 +0200)
committerali <ali@ali.lan>
Thu, 11 Jun 2015 16:04:51 +0000 (18:04 +0200)
CHAPITRE_05.tex

index c3839fcd641832fbfcb5137ab5ab2dab7e98ab21..94188d8e9af1f2eb624326a4ce2e0afef829c2a6 100644 (file)
@@ -348,17 +348,12 @@ Obviously, in  that case, DESK and GAF have fewer active nodes since they have a
 %\subsection{Stopped simulation runs}
 %\label{ch5:sec:03:02:03}
 
 %\subsection{Stopped simulation runs}
 %\label{ch5:sec:03:02:03}
 
-Figure~\ref{fig6} reports the cumulative  percentage of stopped simulations runs
-per round for 150 deployed nodes. This figure gives the  breakpoint for each method.  DESK stops first,  after approximately 45~rounds, because it consumes the
-more energy by  turning on a large number of redundant  nodes during the sensing
-phase. GAF  stops secondly for the  same reason than  DESK.  MuDiLCO overcomes
-DESK and GAF because the  optimization process distributed on several subregions
-leads  to coverage  preservation and  so extends  the network  lifetime.  Let us
-emphasize that the  simulation continues as long as a network  in a subregion is
-still connected.
+Figure~\ref{fig6} reports the cumulative  percentage of stopped simulations runs per round for 150 deployed nodes. This figure gives the  breakpoint for each method.  \\ \\ \\ \\
+DESK stops first,  after approximately 45~rounds, because it consumes the more energy by  turning on a large number of redundant  nodes during the sensing phase. GAF  stops secondly for the  same reason than  DESK.  MuDiLCO overcomes DESK and GAF because the  optimization process distributed on several subregions leads  to coverage  preservation and  so extends  the network  lifetime.  Let us
+emphasize that the  simulation continues as long as a network  in a subregion is still connected. \\
 
 
 
 
-\begin{figure}[h!]
+\begin{figure}[t]
 \centering
 \includegraphics[scale=0.8]{Figures/ch5/R1/SR.pdf} 
 \caption{Cumulative percentage of stopped simulation runs for 150 deployed nodes }
 \centering
 \includegraphics[scale=0.8]{Figures/ch5/R1/SR.pdf} 
 \caption{Cumulative percentage of stopped simulation runs for 150 deployed nodes }
@@ -394,7 +389,7 @@ network sizes, for $Lifetime_{95}$ and $Lifetime_{50}$.
 
 The  results  show  that  MuDiLCO  is  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  status of the  sensor node. Among  the different versions of our protocol, the MuDiLCO-7  one consumes more energy than the other versions. This is  easy to understand since the bigger the  number of rounds and
 the number of  sensors involved in the integer program, the larger the time computation to solve the optimization problem. To improve the performances of MuDiLCO-7, we  should increase the  number of subregions  in order to  have fewer sensors to consider in the integer program.
 
 The  results  show  that  MuDiLCO  is  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  status of the  sensor node. Among  the different versions of our protocol, the MuDiLCO-7  one consumes more energy than the other versions. This is  easy to understand since the bigger the  number of rounds and
 the number of  sensors involved in the integer program, the larger the time computation to solve the optimization problem. To improve the performances of MuDiLCO-7, we  should increase the  number of subregions  in order to  have fewer sensors to consider in the integer program.
-
+\\ \\ \\
 
 
  \item {{\bf Execution time}}
 
 
  \item {{\bf Execution time}}
@@ -418,16 +413,11 @@ As expected,  the execution time increases  with the number of  rounds $T$ taken
 we need to choose a relevant number of subregions in order to avoid a complicated and cumbersome optimization.  On the one hand, a large value  for $T$ permits to reduce the  energy overhead due  to the three  pre-sensing phases, on  the other hand  a leader  node may  waste a  considerable amount  of energy  to  solve the optimization problem. \\
 
 
 we need to choose a relevant number of subregions in order to avoid a complicated and cumbersome optimization.  On the one hand, a large value  for $T$ permits to reduce the  energy overhead due  to the three  pre-sensing phases, on  the other hand  a leader  node may  waste a  considerable amount  of energy  to  solve the optimization problem. \\
 
 
-
 \item {{\bf Network lifetime}}
 %\subsection{Network lifetime}
 %\label{ch5:sec:03:02:06}
 \item {{\bf Network lifetime}}
 %\subsection{Network lifetime}
 %\label{ch5:sec:03:02:06}
-
 The next  two figures,  Figures~\ref{fig8}(a) and \ref{fig8}(b),  illustrate the network lifetime  for different network sizes,  respectively for $Lifetime_{95}$ and  $Lifetime_{50}$.  Both  figures show  that the  network  lifetime increases together with the  number of sensor nodes, whatever the  protocol, thanks to the node  density  which  results in  more  and  more  redundant  nodes that  can  be deactivated and thus save energy.  Compared to the other approaches, our MuDiLCO
 The next  two figures,  Figures~\ref{fig8}(a) and \ref{fig8}(b),  illustrate the network lifetime  for different network sizes,  respectively for $Lifetime_{95}$ and  $Lifetime_{50}$.  Both  figures show  that the  network  lifetime increases together with the  number of sensor nodes, whatever the  protocol, thanks to the node  density  which  results in  more  and  more  redundant  nodes that  can  be deactivated and thus save energy.  Compared to the other approaches, our MuDiLCO
-protocol  maximizes the  lifetime of  the network.   In particular,  the  gain in lifetime for a  coverage over 95\% is greater than 38\%  when switching from GAF to MuDiLCO-3.  The  slight decrease that can be observed  for MuDiLCO-7 in case of  $Lifetime_{95}$  with  large  wireless  sensor  networks  results  from  the difficulty  of the optimization  problem to  be solved  by the  integer program.
-This  point was  already noticed  in \ref{subsec:EC} devoted  to the
-energy consumption,  since network lifetime and energy  consumption are directly linked.
-
+protocol  maximizes the  lifetime of  the network.   In particular,  the  gain in lifetime for a  coverage over 95\% is greater than 38\%  when switching from GAF to MuDiLCO-3. \\ \\ \\ 
 
 \begin{figure}[h!]
 \centering
 
 \begin{figure}[h!]
 \centering
@@ -443,17 +433,18 @@ energy consumption,  since network lifetime and energy  consumption are directly
 \end{figure}
 
 
 \end{figure}
 
 
-
-\end{enumerate}
-
+\end{enumerate} 
+The  slight decrease that can be observed  for MuDiLCO-7 in case of  $Lifetime_{95}$  with  large  wireless  sensor  networks  results  from  the difficulty  of the optimization  problem to  be solved  by the  integer program.
+This  point was  already noticed  in \ref{subsec:EC} devoted  to the
+energy consumption,  since network lifetime and energy  consumption are directly linked.
 
 \section{Conclusion}
 \label{ch5:sec:05}
 
 
 \section{Conclusion}
 \label{ch5:sec:05}
 
-We have addressed  the problem of the coverage and of the lifetime optimization in wireless  sensor networks.  This is a key  issue as  sensor nodes  have limited resources in terms of memory, energy, and computational power. To cope with this problem,  the field  of sensing  is divided  into smaller subregions  using the concept of divide-and-conquer method, and  then  we propose  a protocol  which optimizes coverage  and lifetime performances in each  subregion.  Our protocol,
-called MuDiLCO (Multiround  Distributed Lifetime Coverage Optimization) combines two  efficient   techniques:  network   leader  election  and   sensor  activity scheduling. The activity  scheduling in each subregion  works in periods,  where each period consists of four  phases: (i) Information Exchange, (ii)  Leader Election, (iii) Decision Phase to plan the activity  of the sensors over $T$ rounds, (iv) Sensing Phase itself divided into T rounds.
+We have addressed the problem of the coverage and of the lifetime optimization in wireless  sensor networks.  This is a key  issue as  sensor nodes  have limited resources in terms of memory, energy, and computational power. To cope with this problem,  the field  of sensing  is divided  into smaller subregions  using the concept of divide-and-conquer method, and  then  we propose  a protocol  which optimizes coverage  and lifetime performances in each  subregion.  Our protocol,
+called MuDiLCO (Multiround  Distributed Lifetime Coverage Optimization) combines two  efficient techniques:  network leader election  and   sensor  activity scheduling. The activity  scheduling in each subregion  works in periods,  where each period consists of four  phases: (i) Information exchange, (ii)  Leader election, (iii) Decision phase to plan the activity  of the sensors over $T$ rounds, (iv) Sensing phase itself divided into T rounds.
 
 
-Simulations  results show the  relevance of the proposed  protocol in  terms of lifetime, coverage  ratio, active  sensors ratio, energy  consumption, execution time. Indeed,  when dealing with  large wireless sensor networks,  a distributed approach, like  the one we  propose, allows to reduce the difficulty of  a single global optimization problem by partitioning it into many smaller problems, one per subregion, that can be solved  more easily. Nevertheless, results also show that it is not possible to plan the activity of sensors over too many rounds because the resulting optimization problem leads to too high-resolution times and thus to an excessive energy consumption. Compared with DiLCO, It is clear that MuDiLCO improves the network lifetime especially for the dense network, but it is  less robust than DiLCO under  sensor nodes failures. Therefore, choosing the number of rounds $T$ depends on the type of application the WSN is deployed for. 
+Simulations results show the  relevance of the proposed  protocol in  terms of lifetime, coverage  ratio, active  sensors ratio, energy  consumption, execution time. Indeed,  when dealing with  large wireless sensor networks,  a distributed approach, like  the one we  propose, allows to reduce the difficulty of  a single global optimization problem by partitioning it into many smaller problems, one per subregion, that can be solved  more easily. Nevertheless, results also show that it is not possible to plan the activity of sensors over too many rounds because the resulting optimization problem leads to too high-resolution times and thus to an excessive energy consumption. Compared with DiLCO, it is clear that MuDiLCO improves the network lifetime especially for the dense network, but it is  less robust than DiLCO under sensor nodes failures. Therefore, choosing the number of rounds $T$ depends on the type of application the WSN is deployed for. 
 
 
  
\ No newline at end of file
 
 
  
\ No newline at end of file