楊義 張靜文 萬雪芬 鄭濤 崔劍 Sardar Muhammad Sohail

摘要：【目的】探討面向農業(yè)觀光園區(qū)分布式服務的無線傳感器網(wǎng)絡節(jié)點布局優(yōu)化方案，為提高農業(yè)觀光園區(qū)服務質量及提升游客游園體驗提供依據(jù)?！痉椒ā坷蒙鐣δＰ徒Y合觀光園區(qū)規(guī)劃信息，采用Anylogic行人仿真平臺獲取游客在園中的空間分布數(shù)據(jù)，用傳統(tǒng)K-means算法和改進K-means算法分別對游客空間分布數(shù)據(jù)進行聚類分析，并根據(jù)節(jié)點優(yōu)化布局評價指標，計算節(jié)點最優(yōu)位置。【結果】采用傳統(tǒng)K-means算法和改進K-means算法對選取的12組游客空間分布數(shù)據(jù)進行單日游客聚類分析得到兩組節(jié)點位置；改進K-means算法聚類得到的節(jié)點最終位置對節(jié)點被接入次數(shù)的均衡效果均優(yōu)于傳統(tǒng)K-means算法，其節(jié)點被接入次數(shù)均方差的均值降低約41.8%。因此，改進K-means算法更適合運用于觀光園區(qū)節(jié)點的布局優(yōu)化，得到的節(jié)點最終位置即為該觀光園區(qū)節(jié)點最優(yōu)位置?！窘ㄗh】在面向農業(yè)觀光服務的混合型無線傳感器網(wǎng)絡建設中，應基于社會力模型預估游客空間分布，實現(xiàn)觀光服務優(yōu)化；通過合理部署節(jié)點位置，延長融合智能設備的混合型無線傳感器網(wǎng)絡生存時間；更好地打造面向游客服務、整合移動智能設備的農業(yè)物聯(lián)網(wǎng)系統(tǒng)。

關鍵詞： 農業(yè)觀光園區(qū)；社會力模型；K-means算法；無線傳感器網(wǎng)絡；節(jié)點布局

中圖分類號： S126； TN709 文獻標志碼：A 文章編號：2095-1191（2018）08-1674-09

0 引言

【研究意義】近年來，我國農業(yè)產(chǎn)業(yè)已逐漸呈現(xiàn)出由偏重于生產(chǎn)性經(jīng)營活動逐漸轉變?yōu)樯a(chǎn)和服務并重的態(tài)勢。在農業(yè)產(chǎn)業(yè)化升級和經(jīng)濟效益驅動等內因及社會大眾消費需求等外因的共同促進下，我國觀光農業(yè)得到了快速發(fā)展。觀光農業(yè)將農業(yè)生產(chǎn)過程與觀光、休閑、教育及文化相結合，以滿足消費者的多元化需求。當前，觀光農業(yè)以提升游客游園體驗為重點，進而提升服務的層次及廣度（李偉和江秀輝，2009；Liang，2017）。隨著農業(yè)物聯(lián)網(wǎng)技術的發(fā)展，觀光農業(yè)產(chǎn)業(yè)優(yōu)化升級有了新的技術支持。通過智能手機等移動智能終端可為游客提供觀光導游、實例教育和農業(yè)生產(chǎn)過程體驗等服務，大幅度提升游客體驗效果。但是受到維護成本、園區(qū)布局、信息架構和服務伸縮性等因素的限制，無法完全依靠Wi-Fi等短距無線組網(wǎng)方式或3G、4G等移動通信網(wǎng)絡提供服務。而將移動智能終端與已在農業(yè)領域廣泛應用的無線傳感器網(wǎng)絡相結合構建混合型無線傳感器網(wǎng)絡，不僅能兼容傳統(tǒng)的農業(yè)信息監(jiān)測管理功能，還可以在服務現(xiàn)場直接借助節(jié)點，利用移動智能設備藍牙等短距無線通信和NFC標簽讀寫等技術，為游客提供直觀有效的信息服務（許培培等，2017）。由于藍牙等短距無線通信范圍和NFC標簽讀寫距離等技術的約束，游客須在一定的范圍內才能通過移動智能設備接入節(jié)點。因此，優(yōu)化無線傳感網(wǎng)節(jié)點在一定區(qū)域內的布局，便于游客接入節(jié)點及時獲取農產(chǎn)品種植、景點介紹和現(xiàn)場推送等信息，對提升游客游玩體驗具有重要的現(xiàn)實意義?！厩叭搜芯窟M展】在以往的研究中，無線傳感器網(wǎng)絡布局優(yōu)化研究的重點是提高網(wǎng)絡覆蓋率和降低網(wǎng)絡能耗。國內外學者將群智能算法應用到節(jié)點的優(yōu)化部署中，并取得一定成果。Khalesian和Delavar（2016）提出一種基于帕累托的多目標進化方法對節(jié)點進行部署，尋找帕累托最優(yōu)布局，擴大了網(wǎng)絡覆蓋范圍，減少了傳感器節(jié)點能耗；夏兵（2016）利用改進的微分進化算法對井下的無線傳感器網(wǎng)絡ZigBee錨節(jié)點進行布局優(yōu)化，延長了網(wǎng)絡的生命周期；朱虹等（2016）采用粒子群算法結合虛擬力算法對生豬養(yǎng)殖物聯(lián)網(wǎng)系統(tǒng)進行節(jié)點部署，提高了網(wǎng)絡覆蓋率；王振東等（2018）設計了一種混沌優(yōu)化的細菌覓食算法對無線傳感器網(wǎng)絡節(jié)點進行優(yōu)化部署，不僅提高了網(wǎng)絡覆蓋率，還延長了網(wǎng)絡壽命；Cao等（2018）提出一種分布式并行協(xié)作協(xié)同進化、多目標大規(guī)模免疫算法用于無線傳感器網(wǎng)絡的部署，提高了網(wǎng)絡覆蓋率。【本研究切入點】目前，基于游客行為模式進行無線傳感器網(wǎng)絡節(jié)點布局的研究鮮見報道?！緮M解決的關鍵問題】在農業(yè)觀光園中應用社會力模型對游客進行游人仿真，獲取游客空間分布數(shù)據(jù)，分別采用傳統(tǒng)K-means算法和改進K-means算法進行對比聚類分析，計算得出節(jié)點最優(yōu)位置，為農業(yè)觀光園區(qū)混合型無線傳感器網(wǎng)絡節(jié)點布局優(yōu)化提供一種新的解決方法。

1 基于社會力模型的游客空間分布

已有研究表明，在農業(yè)觀光園區(qū)中，不同類型的功能區(qū)域（采摘區(qū)、餐飲區(qū)和服務區(qū)等）和設施（導游設施、游樂設備和教育設施等）與游客行為模式具有較強的關聯(lián)性（王甫園等，2016；Qiu and Fan，2016）。而游客的行為模式還受游客個體差異、個體互動和群體性行為等影響，在時域及空間域上呈動態(tài)變化。在以優(yōu)化傳感器網(wǎng)絡節(jié)點布局為目標的具體研究中是以游客個體的空間分布為核心研究對象，由其表征園區(qū)不同層次上的游客運動模式，為傳感器節(jié)點布局算法提供依據(jù)。

1. 1 社會力模型

微觀的社會力模型將行人看作具有一定行為特性的個體，并將行人的眾多因素（從眾心理、認知、視野等）考慮在內，利于結合設備接入特性、調查問卷和時域切片抽樣等歷史統(tǒng)計數(shù)據(jù)，準確反映行人的運動狀況，適用于面向個體行人服務優(yōu)化的應用場合。由此，可引入社會力模型作為游客空間分布分析的研究基礎。社會力模型是基于牛頓第二定律所建立，模型中假設行人受到社會力作用驅動其運動。社會力包含3個方面，即驅動力、人與人之間的相互作用力及人與邊界（障礙物）之間的作用力。驅動力指行人主觀意識對其行為的影響轉化為作用于自身的社會力，反映了行人希望以期望的速度到達目的地的意愿；人與人之間的作用力主要包括行人間試圖保持一定距離產(chǎn)生的社會心理力和身體間的接觸力；人與邊界（障礙物）之間的作用力主要包括行人與障礙物間試圖保持一定距離產(chǎn)生的排斥力及身體與障礙物間的接觸力（Cao et al.，2017；曹寧博等，2018）。結合社會力模型基本定義，本研究將觀光園區(qū)中游客行為模型表示為：

1. 2 游客空間分布分析

以圖1所示農業(yè)觀光園區(qū)為研究對象，在基于社會力模型的Anylogic仿真平臺上對游客空間分布進行分析（Yang et al.，2014；Caramuta et al.，2017）。該園區(qū)占地約30 ha，具備蔬菜瓜果采摘、餐飲休息、合影、游樂和辦公等典型觀光區(qū)域及設施。

在模型中，每一個游客為Anylogic環(huán)境中具有獨特屬性的智能體。將游客在園區(qū)中的活動劃分為多個不同的行為過程，游客在社會力的作用下進入不同的功能區(qū)域進行觀光活動，最后形成游客活動鏈。根據(jù)以往對周邊觀光園區(qū)的調研結果，模型中進入觀光園區(qū)的男女比例設為4∶6，年齡服從Triangular（5， 25， 50）三角分布。游客在園中的行進速度如表1所示。

采用Anylogic行人仿真平臺建立觀光園區(qū)宏觀游客行為流程圖（圖2），游客的活動鏈包括游客入園、游園路徑、游覽停留和游客離園。對流程圖中各個行人庫模塊進行參數(shù)設置：根據(jù)游客到達時間分布及游客屬性設置Ped Source模塊（圖2中entrance控件），生成游客源；根據(jù)園區(qū)中游客不同區(qū)域路徑選擇概率設置Ped Select Output模塊（圖2中s1～s9控件），確定游客游園路徑；根據(jù)觀光園區(qū)布局設置Ped Go To模塊（圖2中path_aim控件），確定游客離園位置。

該觀光園區(qū)包含多個蔬果采摘區(qū)且占地面積較大，每個采摘區(qū)的設施布局有所不同，對游客的吸引程度也存在差異。宏觀行人行為流程建模只能反映游客在某個園區(qū)的大體分布，為得到游客在特定采摘園區(qū)中的真實運動情況，對各功能區(qū)域再次進行基于路徑選擇概率的小區(qū)域劃分。以葡萄采摘區(qū)為例，對該區(qū)域內各行人庫模塊進行參數(shù)設置，根據(jù)園區(qū)中作物的花期和采摘期設置Ped Wait模塊（圖3中pedWait80～pedWait92控件），使游客在不同區(qū)域的游覽時間服從均勻分布Uniform（min， max），并設置不同區(qū)域的吸引子位置。通過以上參數(shù)的設置，修正游客所受社會力中驅動力和吸引力等參數(shù)值，并將游客停留位置屬性與數(shù)據(jù)庫進行連接。運行仿真平臺，可得到觀光園區(qū)中游客實時位置圖（圖4），且游客停留位置、停留時間等數(shù)據(jù)將存儲到數(shù)據(jù)庫中。

1. 3 無線傳感器網(wǎng)絡節(jié)點優(yōu)化布局算法

聚類分析是數(shù)據(jù)挖掘領域的一個重要分支，在信息檢索及生物種群劃分等研究領域已得到廣泛應用。本研究將基于觀光園區(qū)游客空間分布數(shù)據(jù)進行聚類分析得到游客聚集區(qū)域中心，并在其基礎上找到節(jié)點最優(yōu)位置。常見的聚類算法有基于劃分的K-means算法、基于密度的DBSCAN算法和層次聚類算法。但是處理大量隨機分布的游客空間數(shù)據(jù)時，DBSCAN聚類結果易將邊緣數(shù)據(jù)劃分為噪聲點或將相近的類劃分為一個大類；層次聚類算法易將不相關的數(shù)據(jù)合并為一類；而作為動態(tài)聚類算法的K-means算法原理簡單，收斂速度快，聚類效果明顯，在處理大規(guī)模數(shù)據(jù)集時具有較好的可伸縮性和效率（Xu et al.，2017）。因此，本研究選擇K-means算法進行聚類分析，并對傳統(tǒng)的K-means算法進行改進，使其更加適用于游客空間數(shù)據(jù)分析。

1. 3. 1 K-means算法 該算法是經(jīng)典數(shù)據(jù)挖掘算法之一，基于聚類準則函數(shù)最小化原則，通過迭代將數(shù)據(jù)劃分到不同的類中，使得到的聚類結果較緊湊和獨立（Bai et al.，2017）。K-means算法的基本思想：任意選擇k個初始聚類中心；根據(jù)最小距離準則將數(shù)據(jù)劃分到距離最近的聚類中心所對應的類中；通過迭代不斷更新聚類中心，直到準則函數(shù)收斂。

K-means聚類算法的輸入：數(shù)據(jù)集和聚類的個數(shù)k，其輸出：滿足準則函數(shù)收斂的k個類。步驟：（1）從數(shù)據(jù)集中隨機選擇k個初始聚類中心；（2）計算每個數(shù)據(jù)與聚類中心的距離，根據(jù)最小距離準則將數(shù)據(jù)劃分到距離最近的聚類中心所對應的類中；（3）計算每個類中數(shù)據(jù)的平均值作為新的聚類中心；（4）重復（2）～（3），直到準則函數(shù)收斂。

1. 3. 2 改進K-means算法 傳統(tǒng)K-means算法的初始聚類中心從數(shù)據(jù)集中隨機選擇，導致聚類中心容易陷入局部最優(yōu)解，且聚類結果不唯一。本研究提出一種基于密度改進的K-means算法。對于初始聚類中心的選擇，首先采用基于最小距離的凝聚層次聚類算法對數(shù)據(jù)進行聚類，該層次聚類算法兩個類中所有數(shù)據(jù)點距離平均值代表兩個類的距離，距離的度量準則是歐幾里得距離（Fan，2015）。然后根據(jù)層次聚類結果計算每個類中對象的均值，以此作為初始聚類中心，由于層次聚類劃分的類是唯一確定的，因此，該初始聚類中心也是唯一，且能夠準確代表該類。此外，在聚類過程中對類中對象個數(shù)進行限制，使每個類中的個數(shù)為總個數(shù)的均值（向下取整，余下的數(shù)據(jù)放入距離最近的聚類中心所屬類）。改進算法聚類后數(shù)據(jù)密度較大的區(qū)域分類個數(shù)相應增加，使聚類中心處于數(shù)據(jù)集的高密度區(qū)域。

圖5為改進的K-means算法流程：輸入包含n個對象的數(shù)據(jù)集、聚類的個數(shù)k、每類中對象的個數(shù)（Num）；輸出即滿足準則函數(shù)收斂的k個類。步驟：（1）對數(shù)據(jù)集進行層次聚類分析；（2）根據(jù)層次聚類結果，計算每類中對象的均值并將其作為初始聚類中心；（3）計算每個對象到這些聚類中心的距離，根據(jù)最小距離準則將對象劃分到相應的類中且滿足每個類對象的個數(shù)為Num；（4）重新計算每個類中對象的均值將其作為新的聚類中心；（5）重復（3）～（4）直到準則函數(shù)收斂為止。其中，加粗框的步驟表示改進K-means算法與傳統(tǒng)K-means算法的不同之處。

1. 3. 3 觀光園區(qū)節(jié)點優(yōu)化布局計算及評價指標

本研究通過社會力模型得到觀光園中游客的空間分布，并通過聚類算法得到的聚類中心作為傳感器節(jié)點位置。但需要注意的是，由于同一個園區(qū)每日游客的空間分布存在較大的隨機性，因此，在園區(qū)功能布局不變的前提下，可通過社會力模型仿真得到較長周期內具有代表性的游客空間日分布數(shù)據(jù)，之后以其為基礎進行聚類，聚類結果取平均值作為最終節(jié)點位置。

在混合型無線傳感器網(wǎng)絡中，游客可使用藍牙等短距無線通信方式接入節(jié)點（許培培等，2017），在節(jié)點數(shù)一定的前提下，期望節(jié)點的通信范圍覆蓋更多的游客。由于傳感器節(jié)點的能量有限，園區(qū)中某個節(jié)點被接入次數(shù)過多會使無線傳感器網(wǎng)絡能量不均衡（能量有效性是無線傳感器網(wǎng)絡設計需要滿足的基本原則之一），且游客不希望等待接入節(jié)點時間過長。假設特定園區(qū)中每個傳感器節(jié)點被接入的次數(shù)近似相等，既避免了節(jié)點能量消耗不均衡，又提高了節(jié)點接入的利用率。因此，本研究以傳感器節(jié)點被接入次數(shù)的均衡程度（均方差）作為優(yōu)化傳感器節(jié)點位置的評價指標：

式中，M為某功能園區(qū)傳感器節(jié)點放置的個數(shù)，Wq為該園區(qū)一天內第q個節(jié)點被接入的次數(shù)，T為該園區(qū)一天中游客空間分布的數(shù)據(jù)個數(shù)。σ越小，說明聚類后得到的每個節(jié)點每天被接入的次數(shù)越相近，節(jié)點的位置越合理。

2 農業(yè)觀光園區(qū)游客空間分布聚類分析

2. 1 單日游客空間分布聚類分析結果

觀光園區(qū)中不同功能區(qū)域設施的布局及游客的分布情況差異明顯，本研究以功能園區(qū)為單位，分別對單個園區(qū)進行聚類，得出該園區(qū)節(jié)點的最優(yōu)位置，進而得到觀光園區(qū)中所有節(jié)點最優(yōu)位置。K-means算法與改進K-means算法輸入的聚類個數(shù)等于園區(qū)中放置傳感器節(jié)點的個數(shù)，各園區(qū)放置節(jié)點的個數(shù)則根據(jù)藍牙通信的范圍確定。以葡萄采摘區(qū)為例，葡萄采摘區(qū)的面積約1.8×104 m2，采用平均面積覆蓋部署策略可確定葡萄采摘區(qū)中需要放置節(jié)點個數(shù)為15（凡高娟，2010），即對葡萄采摘區(qū)中游客空間數(shù)據(jù)聚類個數(shù)設置為15。對由社會力模型得到的葡萄采摘區(qū)某天游客空間分布數(shù)據(jù)進行標記，分別采用K-means聚類算法和改進K-means聚類算法進行單日游客數(shù)據(jù)聚類，如圖6所示，相同顏色的標記點代表一類，紅色的實心圓點代表該類的聚類中心。

2. 2 確定園區(qū)節(jié)點最終位置

不同季節(jié)每天游客到達時間的不同也使園中游客的空間分布存在明顯差異。為滿足放置的節(jié)點能夠全年為游客提供有效服務，應選擇全年中具有代表性的游客分布數(shù)據(jù)進行聚類。本研究根據(jù)觀光園區(qū)一年中游客到達時間分布計算出每月游客的平均到達時間分布，由圖7可知，1、2、11和12月為農業(yè)觀光園區(qū)游覽的淡季，游客到達率較低，其余月份游客到達率較高，準確反映全年中觀光園區(qū)游客到達情況。根據(jù)游客月平均到達時間分布圖，利用基于社會力模型的Anylogic行人仿真平臺得到12組該觀光園區(qū)不同功能園區(qū)游客的空間分布數(shù)據(jù)，其能準確反映全年中不同功能園區(qū)游客的空間分布情況。以葡萄采摘區(qū)為例，根據(jù)12組游客空間分布數(shù)據(jù)，采用兩種聚類算法分別進行12次聚類，將得到的12次聚類中心結果取平均值作為節(jié)點最終位置（表2）。依此方法和步驟，可計算得出觀光園區(qū)各功能園區(qū)節(jié)點的最終位置。

2. 3 確定園區(qū)節(jié)點最優(yōu)位置

本研究假設所有的游客分布數(shù)據(jù)都將接入節(jié)點，每個節(jié)點被接入的準則為數(shù)據(jù)距離節(jié)點距離最近準則，節(jié)點被接入的次數(shù)即為游客數(shù)據(jù)加入該節(jié)點的個數(shù)。為保證準確性，本研究從全年的游客分布數(shù)據(jù)中每月各隨機抽取1 d，共抽取較有代表性的12 d游客空間分布數(shù)據(jù)驗證評價指標。以葡萄采摘區(qū)為例，根據(jù)K-means算法和改進K-means算法得到的節(jié)點最終位置，分別計算葡萄采摘區(qū)12 d節(jié)點被接入次數(shù)的均方差。由圖8可知，改進K-means算法得到的節(jié)點被接入次數(shù)均方差均比傳統(tǒng)K-means算法小，計算可知葡萄采摘區(qū)采用K-means算法得到12組數(shù)據(jù)節(jié)點被接入次數(shù)均方差的均值為46.105，改進K-means算法得到均方差的均值為26.730，約降低42.0%。

依此方法計算各功能園區(qū)12 d中節(jié)點被接入次數(shù)均方差的均值。如圖9所示，采用改進K-means聚類算法得到節(jié)點位置后，各功能園區(qū)節(jié)點被接入次數(shù)均方差的均值均比K-means算法小，整體降低約41.8%，說明改進K-means算法較傳統(tǒng)K-means算法更加均衡游客接入節(jié)點的次數(shù)。因此，改進K-means算法更適合運用于觀光園區(qū)中節(jié)點的布局優(yōu)化，得到的最終節(jié)點位置即為該觀光園區(qū)最優(yōu)節(jié)點位置。

3 討論

隨著我國農業(yè)產(chǎn)業(yè)化升級的推進，觀光農業(yè)近年來在我國得到快速發(fā)展。在農業(yè)觀光園區(qū)的具體工程實踐中需要進行合理規(guī)劃。耿曉蕊（2015）對觀光農業(yè)園景觀設計要素進行了研究，指出應加強以人為本的服務意識，利用現(xiàn)代化信息科技為游客普及動植物培育方法，增進游客自然知識，培養(yǎng)游客科學興趣，從而提高游客游園趣味性，最終增加景區(qū)經(jīng)濟收入。農業(yè)觀光園區(qū)設計規(guī)劃對農業(yè)觀光園區(qū)的運營有著重要影響。在以往的研究中對農業(yè)觀光園區(qū)種植區(qū)布局、商業(yè)設施建設等方面已有較成熟的研究（周玉明，2014；黃麗霞等，2017），但工業(yè)觀光園區(qū)的信息化支撐結構規(guī)劃建設尚需深入探討。為適應這一需求并結合我國農業(yè)基礎設施建設的基本情況，必須有一種形式多樣、成本低廉、技術承接性好的可靠技術手段承載這一信息化變革。傳統(tǒng)的農業(yè)無線傳感器網(wǎng)絡已在農業(yè)領域得到廣泛應用，且研究證實利用農業(yè)無線傳感器技術可以有效地采集分布式的農業(yè)參數(shù)、管理農業(yè)生產(chǎn)過程（Srbinovska et al.，2015；姚仲敏等，2016）。如能良好構建農業(yè)生產(chǎn)信息與觀光者間的多層次信息服務通道，則有望實現(xiàn)更深入的農業(yè)服務模式。許培培等（2017）將移動智能終端與無線傳感器網(wǎng)絡相結合，設計了用于觀光農業(yè)園區(qū)中游客服務與田間種植管理通用的混合型無線傳感器網(wǎng)絡節(jié)點，可為游客展示農作物種植信息等，并與游客進行信息互動，從而有效提升農業(yè)觀光園區(qū)游客游園體驗。農業(yè)觀光園區(qū)的建設應貫徹以人為本的理念，在其信息化支撐結構規(guī)劃建設中必須融入人的行為因素。此外，移動智能設備的使用與人的行為密切聯(lián)系，因此，在具體工程實現(xiàn)中應考慮游客在觀光園區(qū)的行為特性。本研究從服務游客的角度出發(fā)，堅持以人為本的理念，將游客空間分布引入到無線傳感網(wǎng)節(jié)點優(yōu)化布局上，采用改進K-means算法確定便于游客接入的無線傳感網(wǎng)節(jié)點位置，使游客可快速通過移動智能設備接入節(jié)點從而獲得多樣化的信息服務，提高游客游園興趣，為農業(yè)觀光園增加收入。

本研究從社會行為作用于農業(yè)無線傳感器結構建設的理論角度為相關領域研究提供了支撐。將上述研究成果與無線傳感器網(wǎng)絡領域在能耗優(yōu)化、組網(wǎng)優(yōu)化、覆蓋率優(yōu)化、路由優(yōu)化和層次結構優(yōu)化等科研成果相結合，則能更進一步形成適用于未來多層次、多指標優(yōu)化的農業(yè)無線傳感器網(wǎng)絡體系理論成果。劉強等（2016）提出的一種基于太陽能調度節(jié)點移動的覆蓋優(yōu)化方案結合，則有望實現(xiàn)服務體驗最佳、節(jié)點數(shù)最少、覆蓋最優(yōu)的節(jié)點布局方案。另外，本研究提出的研究方法和結果亦可為城市避險及工礦安監(jiān)等領域研究融合移動智能設備的混合型無線傳感器網(wǎng)絡布局提供參考。

本研究從工程實踐角度解決了面向觀光服務的混合型農業(yè)無線傳感器節(jié)點優(yōu)化布局問題，農業(yè)觀光園區(qū)的設計建設者可參考研究結果，適配面向觀光服務的節(jié)點與園區(qū)規(guī)劃，從而實現(xiàn)更好的信息服務效能。近年來，移動設備藍牙技術的發(fā)展（BT BLE4.0、4.1標準）使其通信和組網(wǎng)能力有了較大幅度的提高，NB-IoT和LoRa等窄帶物聯(lián)網(wǎng)也在快速進入市場，由此帶來了面向服務的農業(yè)無線傳感器網(wǎng)絡設計新的機遇與挑戰(zhàn)。在對具體節(jié)點的硬件與軟件設計中，建議設計者盡可能在參考本研究成果的基礎上結合新的技術進行有針對性的設計，從而發(fā)揮出節(jié)點優(yōu)化布局算法的最大效能。如合理設計MIFA等適用于節(jié)點的嵌入式PCB天線，抵消掉可能由于植物枝干帶來的信號損耗等，使節(jié)點覆蓋區(qū)域貼近理論的規(guī)劃覆蓋區(qū)域等。

4 建議

4. 1 基于社會力模型預估游客空間分布，實現(xiàn)觀光服務優(yōu)化

游客空間分布數(shù)據(jù)是農業(yè)觀光園區(qū)WSN節(jié)點布局優(yōu)化的重要數(shù)據(jù)依據(jù)。對于農業(yè)觀光園區(qū)建設初期，園區(qū)未開放營業(yè)從而缺乏游客空間分布歷史數(shù)據(jù)，無法通過游客歷史數(shù)據(jù)進行節(jié)點優(yōu)化布置。建議園區(qū)設計者采用社會力模型根據(jù)同類屬性觀光園區(qū)的特性進行相關參數(shù)預估，確定游客的行為路線，模擬行人在特定環(huán)境下的行為，從而得到準確可靠的觀光園區(qū)游客初始空間分布數(shù)據(jù)，最后通過改進K-means算法計算節(jié)點位置，為游客提供高效便捷的服務。農業(yè)觀光園區(qū)運營后進一步基于游客空間分布數(shù)據(jù)對節(jié)點位置進行優(yōu)化，由此實現(xiàn)以游客體驗為核心的服務二次優(yōu)化。

4. 2 通過合理部署節(jié)點位置，延長混合型無線傳感器網(wǎng)絡生存時間

農業(yè)無線傳感器網(wǎng)絡中節(jié)點的能量有限，而移動智能設備的隨機接入將進一步增大節(jié)點的能量消耗，建議園區(qū)設計者通過設置合理的節(jié)點空間布局從而延長整個網(wǎng)絡的生存時間。針對面向農業(yè)觀光服務的混合型無線傳感器網(wǎng)絡監(jiān)控服務并重需求，在良好分析游客空間分布及節(jié)點交互式服務特性的基礎上及滿足網(wǎng)絡覆蓋度和連通度的前提下，采用改進K-means算法將節(jié)點布置在游客聚集的區(qū)域，提高節(jié)點的利用率，均衡節(jié)點被接入次數(shù)，從而均衡節(jié)點的能量消耗，延長整個網(wǎng)絡的生存周期，為游客提供更為持久穩(wěn)定的服務。

4. 3 打造面向游客服務、整合移動智能設備的農業(yè)物聯(lián)網(wǎng)系統(tǒng)

隨著我國農業(yè)產(chǎn)業(yè)化發(fā)展，進一步挖掘農業(yè)生產(chǎn)的附加值是我國農業(yè)產(chǎn)業(yè)升級研究的重要方向。隨著農業(yè)物聯(lián)網(wǎng)的發(fā)展，農業(yè)服務的層次和廣度都有較大幅度的提高，建議農業(yè)產(chǎn)業(yè)從業(yè)者及管理人員應在日常生產(chǎn)及管理過程中緊跟農業(yè)物聯(lián)網(wǎng)技術的發(fā)展，通過物聯(lián)網(wǎng)技術提升農業(yè)的附加產(chǎn)值。近年來，移動智能設備的蓬勃發(fā)展為農業(yè)物聯(lián)網(wǎng)服務實現(xiàn)多樣化、深度化提供了新的契機。如在傳統(tǒng)農業(yè)監(jiān)測應用節(jié)點原有基礎上增加接入移動智能設備功能，開發(fā)面向游客服務的應用層App，引入智能支付等相關服務，使游客可直接在移動智能設備上觀測農作物的生長環(huán)境參數(shù)及種植信息，并為游客提供園區(qū)位置定位、景點導航及農產(chǎn)品購買等功能，從而將農業(yè)監(jiān)控網(wǎng)絡系統(tǒng)升級為面向游客服務的新型農業(yè)物聯(lián)網(wǎng)服務系統(tǒng)，進而實現(xiàn)泛在的農業(yè)觀光支持服務，使游客和農業(yè)從業(yè)人員都能獲得更佳的使用體驗。

參考文獻：

曹寧博， 陳永恒， 曲昭偉， 趙利英， 白喬文， 楊秋杰. 2018. 基于社會力模型的行人路徑選擇模型[J]. 浙江大學學報（工學版）， 52（2）： 352-357. [Cao N B， Chen Y H， Qu Z W， Zhao L Y， Bai Q W， Yang Q J. 2018. Pedestrian route choice model base on social force model[J]. Journal of Zhejiang University（Engineering Science）， 52（2）： 352-357.]

凡高娟. 2010. 無線傳感器網(wǎng)絡覆蓋控制技術研究[D]. 南京： 南京郵電大學. [Fan G J. 2010. Research on covera-ge control in wireless sensor networks[D]. Nanjing：Nanjing University of Posts and Telecommunications.]

耿曉蕊. 2015. 觀光農業(yè)開發(fā)區(qū)的景觀設計初探——以河北北戴河集發(fā)觀光園為例[J]. 中國農業(yè)資源與區(qū)劃， 36（6）： 164-168. [Geng X R. 2015. Research on landscape design of the sightseeing agriculture development zone—Taking Hebei Beidaihe Jifa Sightseeing Garden as an example[J]. Chinese Journal of Agricultural Resources and Regional Planning， 36（6）： 164-168.]

黃麗霞， 楊振華， 李琴， 鄭少林. 2017. 基于生態(tài)保護與文化傳承的大足石刻農業(yè)觀光園規(guī)劃探討[J]. 西南師范大學學報（自然科學版）， 42（5）： 76-82. [Huang L X， Yang Z H， Li Q， Zheng S L. 2017. On planning of Dazu Rock Carvings agricultural sightseeing garden based on ecological protection and cultural heritage[J]. Journal of Southwest China Normal University（Natural Science Edition）， 42（5）： 76-82.]

李偉， 江秀輝. 2009. 基于體驗經(jīng)濟的煙臺市觀光農業(yè)發(fā)展研究[J]. 南方農業(yè)學報， 40（4）： 442-445. [Li W， Jiang X H. 2009. Development research on agritourism based on the experience economy in Yantai City[J]. Journal of Southern Agriculture， 40（4）： 442-445.]

劉強， 李廣， 王鈞. 2016. 一種提高基于WSN農業(yè)監(jiān)測系統(tǒng)覆蓋率的方案[J]. 現(xiàn)代電子技術， 39（10）： 129-134. [Liu Q， Li G， Wang J. 2016. A scheme to improve co-verage rate of agriculture monitoring system based on WSN[J]. Modern Electronics Technique，39（10）：129-134.]

王甫園， 王開泳， 陳田. 2016. 國家級休閑農業(yè)園區(qū)的分布、類型與優(yōu)化布局[J]. 農業(yè)現(xiàn)代化研究， 37（6）： 1035-1044. [Wang F Y， Wang K Y， Chen T. 2016. National agritourism parks in China： Distribution， types and spatial optimization[J]. Research of Agricultural Modernization， 37（6）： 1035-1044.]

王振東， 陳峨霖， 胡中棟. 2018. 混沌優(yōu)化細菌覓食算法的傳感器節(jié)點部署策略[J]. 傳感技術學報， 31（1）： 110-118. [Wang Z D， Chen E L， Hu Z D. 2018. Sensor node deployment strategy of chaotic optimization of bacterial foraging algorithm[J]. Chinese Journal of Sensors and Actuators， 31（1）： 110-118.]

夏兵. 2016. 基于微分進化算法的井下無線傳感器網(wǎng)絡布局優(yōu)化[D]. 長春：吉林大學. [Xia B. 2016. Layout optimization of WSN under the mine based on differential evolution algorithm[D]. Changchun： Jilin University.]

許培培， 萬雪芬， 楊義， 韓芳， 蔣雪芹， 戶晨飛. 2017. 用于觀光農業(yè)的混合型無線傳感器網(wǎng)絡節(jié)點設計[J]. 華南農業(yè)大學學報，38（2）：118-124. [Xu P P，Wan X F，Yang Y，Han F，Jiang X Q，Hu C F. 2017. A design of hybrid wireless sensor network nodes for tourism-agriculture[J]. Journal of South China Agricultural University，38（2）： 118-124.]

姚仲敏， 荊寶剛， 孫彩蘋. 2016. 基于移動無線傳感器網(wǎng)絡的植株圖像監(jiān)測系統(tǒng)設計與測試[J]. 農業(yè)工程學報， 32（11）：189-196. [Yao Z M，Jing B G，Sun C P. 2016. Design and test of plant image monitoring system based on mobile wireless sensor network[J]. Transactions of the Chinese Society of Agricultural Engineering， 32（11）： 189-196.]

周玉明. 2014. 濕地型生態(tài)農業(yè)觀光園規(guī)劃設計——以蘇州澄湖生態(tài)農業(yè)觀光園為例[J]. 江蘇農業(yè)科學， 42（5）： 148-150. [Zhou Y M. 2014. Planning and design of wetland ecological agriculture sightseeing park—Taking Suzhou Cheng Lake Ecological Agriculture Sightseeing Park as an example[J]. Jiangsu Agricultural Sciences， 42（5）： 148-150.]

朱虹， 李爽， 鄭麗敏， 楊璐. 2016. 基于粒子群算法的生豬養(yǎng)殖物聯(lián)網(wǎng)節(jié)點部署優(yōu)化研究[J]. 農業(yè)機械學報， 47（5）： 254-262. [Zhu H，Li S，Zheng L M，Yang L. 2016. Optimization of pig breeding WSN deployment based on PSO algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery， 47（5）： 254-262.]

Bai L， Cheng X Q， Liang J Y， Shen H W， Guo Y K. 2017. Fast density clustering strategies based on the k-means algorithm[J]. Pattern Recognition， 71： 375-386.

Caramuta C，Collodel G，Giacomini C，Gruden C，Longo G， Piccolotto P. 2017. Survey of detection techniques， mathe-matical models and simulation software in pedestrian dynamics[J]. Transportation Research Procedia，25： 551-567.

Cao B，Zhao J W，Yang P，Lü Z H，Liu X，Kang X Y，Yang S，Kang K，Anvari-Moghaddam A. 2018. Distributed para-llel cooperative coevolutionary multi-objective large-scale immune algorithm for deployment of wireless sensor networks[J]. Future Generation Computer Systems， 82： 256-267.

Cao N B，Wei W，Qu Z W，Zhao L Y，Bai Q W. 2017. Simulation of pedestrian crossing behaviors at unmarked roadways based on social force model[J]. Discrete Dynamics in Nature and Society. doi：10.1155/2017/8741534.

Fan J C. 2015. OPE-HCA：An optimal probabilistic estimation approach for hierarchical clustering algorithm[J]. Neural Computing & Applications，doi：10.1007/s00521-015-1998-5.

Khalesian M， Delavar M R. 2016. Wireless sensors deployment optimization using a constrained pareto-based multi-objective evolutionary approach[J]. Engineering Applications of Artificial Intelligence， 53（3）：126-139.

Liang R D. 2017. Considering the role of agritourism co-crea-tion from a service-dominant logic perspective[J]. Tourism Management， 61： 354-367.

Qiu S R， Fan S S. 2016. Recreational value estimation of suburban leisure agriculture： A case study of the Qian-jiangyue agritourism farm[J]. Journal of Mountain Science， 13（1）： 183-192.

Srbinovska M，Gavrovski C，Dimcev V，Krkoleva A，Borozan V. 2015. Environmental parameters monitoring in precision agriculture using wireless sensor networks[J]. Journal of Cleaner Production， 88： 297-307.

Xu T S，Chiang H D，Liu G Y，Tan C W. 2017. Hierarchical K-means method for clustering large-scale advanced metering infrastructure data[J]. IEEE Transactions on Power Delivery， 32（2）： 609-616.

Yang Y D，Li J，Zhao Q X. 2014. Study on passenger flow simulation in urban subway station based on anylogic[J]. Journal of Software， 9（1）： 140-146.

（責任編輯 鄧慧靈）