IWCMC14/HLG.tex

   1 \begin{figure}
   2 \begin{center}
   3 \includegraphics[scale=0.3]{reseau.png}
   4
   5 \begin{scriptsize}
   6 An example of a sensor network ofsize 10. All nodes are video sensor
   7 except the 5 and the 9 one which is the sink.
   8 \JFC{reprendre la figure, trouver un autre titre}
   9 \end{scriptsize}
  10
  11 \caption{SN with 10 sensor}\label{fig:sn}.
  12 \end{center}
  13 \end{figure}
  14
  15 Let us first recall  the basics of the~\cite{HLG09} article.
  16 The video sensor network is memorized as a connected non oriented
  17 oriented labelled graph.
  18 In this one,
  19 the nodes, in a set $N$, are sensors, links, or the sink.
  20 Furthermore, there is an edge from $i$ to $j$ if $i$ can
  21 send a message to $j$. The set of all edges is further denoted as
  22 $L$.
  23 Figure~\ref{fig:sn} gives an example of such a network.
  24
  25 This link information is stored as a
  26 matrix $A=(a_{il})_{i \in N, l \in L}$,
  27 where
  28 $a_{il}$ is  1 if $l$ starts with $i$, is -1 if  $l$ ends width $i$
  29 and  0 otherwise.
  30
  31
  32 Let $V \subset N $ be the set of the video sensors of $N$.
  33 Let thus $R_h$, $R_h \geq 0$,
  34 be the encoding rate of  video sensor $h$, $h \in V$.
  35 Let $\eta_{hi}$ be the  production rate of the  node $i$,
  36 for the  session initiated by $h$. More precisely, we have
  37 $ \eta_{hi}$ is equal to $ R_h$ if $i$ is $h$,
  38 is equal to $-R_h$ if $i$ is the sink, and $0$ otherwise.
  39
  40 We are then left to focus on the flows in this network.
  41 Let $x_{hl}$, $x_{hl}\geq 0$, be the flow inside the edge $l$ that
  42 issued from the $h$ session and
  43 let $y_l = \sum_{h \in V}x_{hl} $ the sum of all the flows inside $l$.
  44 Thus, what is produced inside the $i^{th}$ sensor for session $h$
  45 is  $ \eta_{hi} = \sum_{l \in L }a_{il}x_{hl} $.
  46
  47
  48 The encoding power of the $i$ node is $P_{si}$, $P_{si} > 0$.
  49
  50 The distortion is bounded $\sigma^2 e^{-\gamma . R_h.P_{sh}^{}2/3} \leq D_h$.
  51
  52 The initial energy of the $i$ node is  $B_i$.
  53
  54 The overall consumed power of the $i$ node is
  55 $P_{si}+ P_{ti} + P_{ri}=
  56 P_{si}+ \sum_{l \in L}a_{il}^{+}.c^s_l.y_l +
  57 \sum_{l \in L} a_{il}^{-}.c^r.y_l \leq q.B_i.
  58 $
  59
  60 The objective is thus to find $R$, $x$, $P_s$  which minimize
  61  $q$ under the following set of constraints
  62 \begin{enumerate}
  63 \item $\sum_{l \in L }a_{il}x_{hl} = \eta_{hi},\forall h \in V, \forall i \in N  $
  64 \item $ \sum_{h \in V}x_{hl} = y_l,\forall l \in L$
  65 \item $\dfrac{\ln(\sigma^2/D_h)}{\gamma.P_{sh}^{2/3}} \leq R_h \forall h \in V$
  66 \item \label{itm:q} $P_{si}+ \sum_{l \in L}a_{il}^{+}.c^s_l.y_l +
  67 \sum_{l \in L} a_{il}^{-}.c^r.y_l \leq q.B_i, \forall i \in N$
  68 \item $x_{hl}\geq0, \forall h \in V, \forall l \in L$
  69 \item $R_h \geq 0, \forall h \in V$
  70 \item $P_{sh} > 0,\forall h \in V$
  71 \end{enumerate}
  72
  73
  74 To achieve this optimizing goal
  75 a local optimisation, the problem is translated into an
  76 equivalent one: find $R$, $x$, $P_s$  which minimize
  77 $\sum_{i \in N }q_i^2$ with the same set of constraints, but
  78 item \ref{itm:q}, which is replaced by:
  79 $$
  80 \begin{array}{l}
  81 P_{si}+ \sum_{l \in L}a_{il}^{+}.c^s_l.\left( \sum_{h \in V}x_{hl} \right) \\
  82 \qquad +
  83  \sum_{l \in L} a_{il}^{-}.c^r.\left( \sum_{h \in V}x_{hl} \right) \leq q.B_i, \forall i \in N
  84 \end{array}
  85 $$
  86
  87 The authors then apply a dual based approach with Lagrange multiplier
  88 to solve such a problem.
  89 They first introduce dual variables
  90 $u_{hi}$, $v_{h}$, $\lambda_{i}$, and  $w_l$ for any
  91 $h \in V$,$ i \in N$, and $l \in L$.
  92 They next replace the objective of reducing $\sum_{i \in N }q_i^2$
  93 by the objective of reducing
  94 $$
  95 \sum_{i \in N }q_i^2 +
  96 \sum_{h \in V, l \in L } \delta.x_{hl}^2
  97 + \sum_{h \in V }\delta.R_{h}^2
  98 $$
  99 where $\delta$ is a \JFC{ formalisation} factor.
 100 This allows indeed to get convex functions whose minimum value is unique.
 101
 102 The proposed algorithm iteratively computes the following variables
 103
 104 \begin{enumerate}
 105 \item $ u_{hi}^{(k+1)} = u_{hi}^{(k)} - \theta^{(k)}. \left(
 106  \eta_{hi}^{(k)} - \sum_{l \in L }a_{il}x_{hl}^{(k)} \right) $
 107 \item
 108 $v_{h}^{(k+1)}= \max\left\{0,v_{h}^{(k)} -  \theta^{(k)}.\left( R_h^{(k)} - \dfrac{\ln(\sigma^2/D_h)}{\gamma.(P_{sh}^{(k)})^{2/3}}   \right)\right\}$
 109 \item
 110   $\begin{array}{l}
 111    \lambda_{i}^{(k+1)} = \lambda_{i}^{(k)} - \theta^{(k)}.\left(
 112     q^{(k)}.B_i \right.\\
 113   \qquad\qquad\qquad -\sum_{l \in L}a_{il}^{+}.c^s_l.\left( \sum_{h \in V}x_{hl}^{(k)} \right)   \\
 114   \qquad\qquad\qquad  - \left. \sum_{l \in L} a_{il}^{-}.c^r.\left( \sum_{h \in V}x_{hl}^{(k)} \right) - P_{si}^{(k)}  \right)
 115 \end{array}
 116 $
 117
 118 \item
 119 $w_l^{(k+1)} = w_l^{(k+1)} +  \theta^{(k)}. \left( \sum_{i \in N} a_{il}.q_i^{(k)} \right)$
 120
 121
 122 \item
 123 $\theta^{(k)} = \omega / t^{1/2}$
 124
 125  \item
 126 $q_i^{(k)} = \arg\min_{q_i>0}
 127 \left(
 128 q^2 + q.
 129 \left(
 130 \sum_{l \in L } a_{il}w_l^{(k)}-
 131 \lambda_i^{(k)}B_i
 132 \right)
 133 \right)$
 134
 135 \item
 136 $
 137 P_{sh}^{(k)}
 138 =
 139 \arg \min_{p > 0}
 140 \left(
 141 v_h^{(k)}.\dfrac{\ln(\sigma^2/D_h)}{\gamma p ^{2/3}} + \lambda_h^{(k)}p
 142 \right)
 143 $
 144
 145 \item
 146 $
 147 R_h^{(k)}
 148 =
 149 \arg \min_{r \geq 0 }
 150 \left(
 151 \delta r^2
 152 -v_h^{(k)}.r - \sum_{i \in N} u_{hi}^{(k)} \eta_{hi}
 153 \right)
 154 $
 155 \item
 156 $
 157 x_{hl}^{(k)} =
 158 \begin{array}{l}
 159 \arg \min_{x \geq 0}
 160 \left(
 161 \delta.x^2  \right.\\
 162 \qquad \qquad + x.
 163 \sum_{i \in N} \left(
 164 \lambda_{i}^{(k)}.(c^s_l.a_{il}^{+} +
 165 c^r. a_{il}^{-} ) \right.\\
 166 \qquad \qquad\qquad \qquad +
 167 \left.\left. u_{hi}^{(k)} a_{il}
 168 \right)
 169 \right)
 170 \end{array}
 171 $
 172 \end{enumerate}
 173 where the first four elements are dual variable and the last four ones are
 174 primal ones