面向农业观光服务的无线传感网节点布局优化

杨义 张静文 万雪芬 郑涛 崔剑 Sardar Muhammad Sohail

摘要：【目的】探讨面向农业观光园区分布式服务的无线传感器网络节点布局优化方案，为提高农业观光园区服务质量及提升游客游园体验提供依据。【方法】利用社会力模型结合观光园区规划信息，采用Anylogic行人仿真平台获取游客在园中的空间分布数据，用传统K-means算法和改进K-means算法分别对游客空间分布数据进行聚类分析，并根据节点优化布局评价指标，计算节点最优位置。【结果】采用传统K-means算法和改进K-means算法对选取的12组游客空间分布数据进行单日游客聚类分析得到两组节点位置；改进K-means算法聚类得到的节点最终位置对节点被接入次数的均衡效果均优于传统K-means算法，其节点被接入次数均方差的均值降低约41.8%。因此，改进K-means算法更适合运用于观光园区节点的布局优化，得到的节点最终位置即为该观光园区节点最优位置。【建议】在面向农业观光服务的混合型无线传感器网络建设中，应基于社会力模型预估游客空间分布，实现观光服务优化；通过合理部署节点位置，延长融合智能设备的混合型无线传感器网络生存时间；更好地打造面向游客服务、整合移动智能设备的农业物联网系统。

关键词： 农业观光园区；社会力模型；K-means算法；无线传感器网络；节点布局

中图分类号： S126； TN709 文献标志码：A 文章编号：2095-1191（2018）08-1674-09

0 引言

【研究意义】近年来，我国农业产业已逐渐呈现出由偏重于生产性经营活动逐渐转变为生产和服务并重的态势。在农业产业化升级和经济效益驱动等内因及社会大众消费需求等外因的共同促进下，我国观光农业得到了快速发展。观光农业将农业生产过程与观光、休闲、教育及文化相结合，以满足消费者的多元化需求。当前，观光农业以提升游客游园体验为重点，进而提升服务的层次及广度（李伟和江秀辉，2009；Liang，2017）。随着农业物联网技术的发展，观光农业产业优化升级有了新的技术支持。通过智能手机等移动智能终端可为游客提供观光导游、实例教育和农业生产过程体验等服务，大幅度提升游客体验效果。但是受到维护成本、园区布局、信息架构和服务伸缩性等因素的限制，无法完全依靠Wi-Fi等短距无线组网方式或3G、4G等移动通信网络提供服务。而将移动智能终端与已在农业领域广泛应用的无线传感器网络相结合构建混合型无线传感器网络，不仅能兼容传统的农业信息监测管理功能，还可以在服务现场直接借助节点，利用移动智能设备蓝牙等短距无线通信和NFC标签读写等技术，为游客提供直观有效的信息服务（许培培等，2017）。由于蓝牙等短距无线通信范围和NFC标签读写距离等技术的约束，游客须在一定的范围内才能通过移动智能设备接入节点。因此，优化无线传感网节点在一定区域内的布局，便于游客接入节点及时获取农产品种植、景点介绍和现场推送等信息，对提升游客游玩体验具有重要的现实意义。【前人研究进展】在以往的研究中，无线传感器网络布局优化研究的重点是提高网络覆盖率和降低网络能耗。国内外学者将群智能算法应用到节点的优化部署中，并取得一定成果。Khalesian和Delavar（2016）提出一种基于帕累托的多目标进化方法对节点进行部署，寻找帕累托最优布局，扩大了网络覆盖范围，减少了传感器节点能耗；夏兵（2016）利用改进的微分进化算法对井下的无线传感器网络ZigBee锚节点进行布局优化，延长了网络的生命周期；朱虹等（2016）采用粒子群算法结合虚拟力算法对生猪养殖物联网系统进行节点部署，提高了网络覆盖率；王振东等（2018）设计了一种混沌优化的细菌觅食算法对无线传感器网络节点进行优化部署，不仅提高了网络覆盖率，还延长了网络寿命；Cao等（2018）提出一种分布式并行协作协同进化、多目標大规模免疫算法用于无线传感器网络的部署，提高了网络覆盖率。【本研究切入点】目前，基于游客行为模式进行无线传感器网络节点布局的研究鲜见报道。【拟解决的关键问题】在农业观光园中应用社会力模型对游客进行游人仿真，获取游客空间分布数据，分别采用传统K-means算法和改进K-means算法进行对比聚类分析，计算得出节点最优位置，为农业观光园区混合型无线传感器网络节点布局优化提供一种新的解决方法。

1 基于社会力模型的游客空间分布

已有研究表明，在农业观光园区中，不同类型的功能区域（采摘区、餐饮区和服务区等）和设施（导游设施、游乐设备和教育设施等）与游客行为模式具有较强的关联性（王甫园等，2016；Qiu and Fan，2016）。而游客的行为模式还受游客个体差异、个体互动和群体性行为等影响，在时域及空间域上呈动态变化。在以优化传感器网络节点布局为目标的具体研究中是以游客个体的空间分布为核心研究对象，由其表征园区不同层次上的游客运动模式，为传感器节点布局算法提供依据。

1. 1 社会力模型

微观的社会力模型将行人看作具有一定行为特性的个体，并将行人的众多因素（从众心理、认知、视野等）考虑在内，利于结合设备接入特性、调查问卷和时域切片抽样等历史统计数据，准确反映行人的运动状况，适用于面向个体行人服务优化的应用场合。由此，可引入社会力模型作为游客空间分布分析的研究基础。社会力模型是基于牛顿第二定律所建立，模型中假设行人受到社会力作用驱动其运动。社会力包含3个方面，即驱动力、人与人之间的相互作用力及人与边界（障碍物）之间的作用力。驱动力指行人主观意识对其行为的影响转化为作用于自身的社会力，反映了行人希望以期望的速度到达目的地的意愿；人与人之间的作用力主要包括行人间试图保持一定距离产生的社会心理力和身体间的接触力；人与边界（障碍物）之间的作用力主要包括行人与障碍物间试图保持一定距离产生的排斥力及身体与障碍物间的接触力（Cao et al.，2017；曹宁博等，2018）。结合社会力模型基本定义，本研究将观光园区中游客行为模型表示为：

1. 2 游客空间分布分析

以图1所示农业观光园区为研究对象，在基于社会力模型的Anylogic仿真平台上对游客空间分布进行分析（Yang et al.，2014；Caramuta et al.，2017）。该园区占地约30 ha，具备蔬菜瓜果采摘、餐饮休息、合影、游乐和办公等典型观光区域及设施。

在模型中，每一个游客为Anylogic环境中具有独特属性的智能体。将游客在园区中的活动划分为多个不同的行为过程，游客在社会力的作用下进入不同的功能区域进行观光活动，最后形成游客活动链。根据以往对周边观光园区的调研结果，模型中进入观光园区的男女比例设为4∶6，年龄服从Triangular（5， 25， 50）三角分布。游客在园中的行进速度如表1所示。

采用Anylogic行人仿真平台建立观光园区宏观游客行为流程图（图2），游客的活动链包括游客入园、游园路径、游览停留和游客离园。对流程图中各个行人库模块进行参数设置：根据游客到达时间分布及游客属性设置Ped Source模块（图2中entrance控件），生成游客源；根据园区中游客不同区域路径选择概率设置Ped Select Output模块（图2中s1～s9控件），确定游客游园路径；根据观光园区布局设置Ped Go To模块（图2中path_aim控件），确定游客离园位置。

该观光园区包含多个蔬果采摘区且占地面积较大，每个采摘区的设施布局有所不同，对游客的吸引程度也存在差异。宏观行人行为流程建模只能反映游客在某个园区的大体分布，为得到游客在特定采摘园区中的真实运动情况，对各功能区域再次进行基于路径选择概率的小区域划分。以葡萄采摘区为例，对该区域内各行人库模块进行参数设置，根据园区中作物的花期和采摘期设置Ped Wait模块（图3中pedWait80～pedWait92控件），使游客在不同区域的游览时间服从均匀分布Uniform（min， max），并设置不同区域的吸引子位置。通过以上参数的设置，修正游客所受社会力中驱动力和吸引力等参数值，并将游客停留位置属性与数据库进行连接。运行仿真平台，可得到观光园区中游客实时位置图（图4），且游客停留位置、停留时间等数据将存储到数据库中。

1. 3 无线传感器网络节点优化布局算法

聚类分析是数据挖掘领域的一个重要分支，在信息检索及生物种群划分等研究领域已得到广泛应用。本研究将基于观光园区游客空间分布数据进行聚类分析得到游客聚集区域中心，并在其基础上找到节点最优位置。常见的聚类算法有基于划分的K-means算法、基于密度的DBSCAN算法和层次聚类算法。但是处理大量随机分布的游客空间数据时，DBSCAN聚类结果易将边缘数据划分为噪声点或将相近的类划分为一个大类；层次聚类算法易将不相关的数据合并为一类；而作為动态聚类算法的K-means算法原理简单，收敛速度快，聚类效果明显，在处理大规模数据集时具有较好的可伸缩性和效率（Xu et al.，2017）。因此，本研究选择K-means算法进行聚类分析，并对传统的K-means算法进行改进，使其更加适用于游客空间数据分析。

1. 3. 1 K-means算法 该算法是经典数据挖掘算法之一，基于聚类准则函数最小化原则，通过迭代将数据划分到不同的类中，使得到的聚类结果较紧凑和独立（Bai et al.，2017）。K-means算法的基本思想：任意选择k个初始聚类中心；根据最小距离准则将数据划分到距离最近的聚类中心所对应的类中；通过迭代不断更新聚类中心，直到准则函数收敛。

K-means聚类算法的输入：数据集和聚类的个数k，其输出：满足准则函数收敛的k个类。步骤：（1）从数据集中随机选择k个初始聚类中心；（2）计算每个数据与聚类中心的距离，根据最小距离准则将数据划分到距离最近的聚类中心所对应的类中；（3）计算每个类中数据的平均值作为新的聚类中心；（4）重复（2）～（3），直到准则函数收敛。

1. 3. 2 改进K-means算法 传统K-means算法的初始聚类中心从数据集中随机选择，导致聚类中心容易陷入局部最优解，且聚类结果不唯一。本研究提出一种基于密度改进的K-means算法。对于初始聚类中心的选择，首先采用基于最小距离的凝聚层次聚类算法对数据进行聚类，该层次聚类算法两个类中所有数据点距离平均值代表两个类的距离，距离的度量准则是欧几里得距离（Fan，2015）。然后根据层次聚类结果计算每个类中对象的均值，以此作为初始聚类中心，由于层次聚类划分的类是唯一确定的，因此，该初始聚类中心也是唯一，且能够准确代表该类。此外，在聚类过程中对类中对象个数进行限制，使每个类中的个数为总个数的均值（向下取整，余下的数据放入距离最近的聚类中心所属类）。改进算法聚类后数据密度较大的区域分类个数相应增加，使聚类中心处于数据集的高密度区域。

图5为改进的K-means算法流程：输入包含n个对象的数据集、聚类的个数k、每类中对象的个数（Num）；输出即满足准则函数收敛的k个类。步骤：（1）对数据集进行层次聚类分析；（2）根据层次聚类结果，计算每类中对象的均值并将其作为初始聚类中心；（3）计算每个对象到这些聚类中心的距离，根据最小距离准则将对象划分到相应的类中且满足每个类对象的个数为Num；（4）重新计算每个类中对象的均值将其作为新的聚类中心；（5）重复（3）～（4）直到准则函数收敛为止。其中，加粗框的步骤表示改进K-means算法与传统K-means算法的不同之处。

1. 3. 3 观光园区节点优化布局计算及评价指标

本研究通过社会力模型得到观光园中游客的空间分布，并通过聚类算法得到的聚类中心作为传感器节点位置。但需要注意的是，由于同一个园区每日游客的空间分布存在较大的随机性，因此，在园区功能布局不变的前提下，可通过社会力模型仿真得到较长周期内具有代表性的游客空间日分布数据，之后以其为基础进行聚类，聚类结果取平均值作为最终节点位置。

在混合型无线传感器网络中，游客可使用蓝牙等短距无线通信方式接入节点（许培培等，2017），在节点数一定的前提下，期望节点的通信范围覆盖更多的游客。由于传感器节点的能量有限，园区中某个节点被接入次数过多会使无线传感器网络能量不均衡（能量有效性是无线传感器网络设计需要满足的基本原则之一），且游客不希望等待接入节点时间过长。假设特定园区中每个传感器节点被接入的次数近似相等，既避免了节点能量消耗不均衡，又提高了节点接入的利用率。因此，本研究以传感器节点被接入次数的均衡程度（均方差）作为优化传感器节点位置的评价指标：

式中，M为某功能园区传感器节点放置的个数，Wq为该园区一天内第q个节点被接入的次数，T为该园区一天中游客空间分布的数据个数。σ越小，说明聚类后得到的每个节点每天被接入的次数越相近，节点的位置越合理。

2 农业观光园区游客空间分布聚类分析

2. 1 单日游客空间分布聚类分析结果

观光园区中不同功能区域设施的布局及游客的分布情况差异明显，本研究以功能园区为单位，分别对单个园区进行聚类，得出该园区节点的最優位置，进而得到观光园区中所有节点最优位置。K-means算法与改进K-means算法输入的聚类个数等于园区中放置传感器节点的个数，各园区放置节点的个数则根据蓝牙通信的范围确定。以葡萄采摘区为例，葡萄采摘区的面积约1.8×104 m2，采用平均面积覆盖部署策略可确定葡萄采摘区中需要放置节点个数为15（凡高娟，2010），即对葡萄采摘区中游客空间数据聚类个数设置为15。对由社会力模型得到的葡萄采摘区某天游客空间分布数据进行标记，分别采用K-means聚类算法和改进K-means聚类算法进行单日游客数据聚类，如图6所示，相同颜色的标记点代表一类，红色的实心圆点代表该类的聚类中心。

2. 2 确定园区节点最终位置

不同季节每天游客到达时间的不同也使园中游客的空间分布存在明显差异。为满足放置的节点能够全年为游客提供有效服务，应选择全年中具有代表性的游客分布数据进行聚类。本研究根据观光园区一年中游客到达时间分布计算出每月游客的平均到达时间分布，由图7可知，1、2、11和12月为农业观光园区游览的淡季，游客到达率较低，其余月份游客到达率较高，准确反映全年中观光园区游客到达情况。根据游客月平均到达时间分布图，利用基于社会力模型的Anylogic行人仿真平台得到12组该观光园区不同功能园区游客的空间分布数据，其能准确反映全年中不同功能园区游客的空间分布情况。以葡萄采摘区为例，根据12组游客空间分布数据，采用两种聚类算法分别进行12次聚类，将得到的12次聚类中心结果取平均值作为节点最终位置（表2）。依此方法和步骤，可计算得出观光园区各功能园区节点的最终位置。

2. 3 确定园区节点最优位置

本研究假设所有的游客分布数据都将接入节点，每个节点被接入的准则为数据距离节点距离最近准则，节点被接入的次数即为游客数据加入该节点的个数。为保证准确性，本研究从全年的游客分布数据中每月各随机抽取1 d，共抽取较有代表性的12 d游客空间分布数据验证评价指标。以葡萄采摘区为例，根据K-means算法和改进K-means算法得到的节点最终位置，分别计算葡萄采摘区12 d节点被接入次数的均方差。由图8可知，改进K-means算法得到的节点被接入次数均方差均比传统K-means算法小，计算可知葡萄采摘区采用K-means算法得到12组数据节点被接入次数均方差的均值为46.105，改进K-means算法得到均方差的均值为26.730，约降低42.0%。

依此方法计算各功能园区12 d中节点被接入次数均方差的均值。如图9所示，采用改进K-means聚类算法得到节点位置后，各功能园区节点被接入次数均方差的均值均比K-means算法小，整体降低约41.8%，说明改进K-means算法较传统K-means算法更加均衡游客接入节点的次数。因此，改进K-means算法更适合运用于观光园区中节点的布局优化，得到的最终节点位置即为该观光园区最优节点位置。

3 讨论

随着我国农业产业化升级的推进，观光农业近年来在我国得到快速发展。在农业观光园区的具体工程实践中需要进行合理规划。耿晓蕊（2015）对观光农业园景观设计要素进行了研究，指出应加强以人为本的服务意识，利用现代化信息科技为游客普及动植物培育方法，增进游客自然知识，培养游客科学兴趣，从而提高游客游园趣味性，最终增加景区经济收入。农业观光园区设计规划对农业观光园区的运营有着重要影响。在以往的研究中对农业观光园区种植区布局、商业设施建设等方面已有较成熟的研究（周玉明，2014；黄丽霞等，2017），但工业观光园区的信息化支撑结构规划建设尚需深入探讨。为适应这一需求并结合我国农业基础设施建设的基本情况，必须有一种形式多样、成本低廉、技术承接性好的可靠技术手段承载这一信息化变革。传统的农业无线传感器网络已在农业领域得到广泛应用，且研究证实利用农业无线传感器技术可以有效地采集分布式的农业参数、管理农业生产过程（Srbinovska et al.，2015；姚仲敏等，2016）。如能良好构建农业生产信息与观光者间的多层次信息服务通道，则有望实现更深入的农业服务模式。许培培等（2017）将移动智能终端与无线传感器网络相结合，设计了用于观光农业园区中游客服务与田间种植管理通用的混合型无线传感器网络节点，可为游客展示农作物种植信息等，并与游客进行信息互动，从而有效提升农业观光园区游客游园体验。农业观光园区的建设应贯彻以人为本的理念，在其信息化支撑结构规划建设中必须融入人的行为因素。此外，移动智能设备的使用与人的行为密切联系，因此，在具体工程实现中应考虑游客在观光园区的行为特性。本研究从服务游客的角度出发，坚持以人为本的理念，将游客空间分布引入到无线传感网节点优化布局上，采用改进K-means算法确定便于游客接入的无线传感网节点位置，使游客可快速通过移动智能设备接入节点从而获得多样化的信息服务，提高游客游园兴趣，为农业观光园增加收入。

本研究从社会行为作用于农业无线传感器结构建设的理论角度为相关领域研究提供了支撑。将上述研究成果与无线传感器网络领域在能耗优化、组网优化、覆盖率优化、路由优化和层次结构优化等科研成果相结合，则能更进一步形成适用于未来多层次、多指标优化的农业无线传感器网络体系理论成果。刘强等（2016）提出的一种基于太阳能调度节点移动的覆盖优化方案结合，则有望实现服务体验最佳、节点数最少、覆盖最优的节点布局方案。另外，本研究提出的研究方法和结果亦可为城市避险及工矿安监等领域研究融合移动智能设备的混合型无线传感器网络布局提供参考。

本研究从工程实践角度解决了面向观光服务的混合型农业无线传感器节点优化布局问题，农业观光园区的设计建设者可参考研究结果，适配面向观光服务的节点与园区规划，从而实现更好的信息服务效能。近年来，移动设备蓝牙技术的发展（BT BLE4.0、4.1标准）使其通信和组网能力有了较大幅度的提高，NB-IoT和LoRa等窄带物联网也在快速进入市场，由此带来了面向服务的农业无线传感器网络设计新的机遇与挑战。在对具体节点的硬件与软件设计中，建议设计者尽可能在参考本研究成果的基础上结合新的技术进行有针对性的设计，从而发挥出节点优化布局算法的最大效能。如合理设计MIFA等适用于节点的嵌入式PCB天线，抵消掉可能由于植物枝干带来的信号损耗等，使节点覆盖区域贴近理论的规划覆盖区域等。

4 建议

4. 1 基于社会力模型预估游客空间分布，实现观光服务优化

游客空间分布数据是农业观光园区WSN节点布局优化的重要数据依据。对于农业观光园区建设初期，园区未开放营业从而缺乏游客空间分布历史数据，无法通过游客历史数据进行节点优化布置。建议园区设计者采用社会力模型根据同类属性观光园区的特性进行相关参数预估，确定游客的行为路线，模拟行人在特定环境下的行为，从而得到准确可靠的观光园区游客初始空间分布数据，最后通过改进K-means算法计算节点位置，为游客提供高效便捷的服务。农业观光园区运营后进一步基于游客空间分布数据对节点位置进行优化，由此实现以游客体验为核心的服务二次优化。

4. 2 通过合理部署节点位置，延长混合型无线传感器网络生存时间

农业无线传感器网络中节点的能量有限，而移动智能设备的随机接入将进一步增大节点的能量消耗，建议园区设计者通过设置合理的节点空间布局从而延长整个网络的生存时间。针对面向农业观光服务的混合型无线传感器网络监控服务并重需求，在良好分析游客空间分布及节点交互式服务特性的基础上及满足网络覆盖度和连通度的前提下，采用改进K-means算法将节点布置在游客聚集的区域，提高节点的利用率，均衡节点被接入次数，从而均衡节点的能量消耗，延长整个网络的生存周期，为游客提供更为持久稳定的服务。

4. 3 打造面向游客服务、整合移动智能设备的农业物联网系统

随着我国农业产业化发展，进一步挖掘农业生产的附加值是我国农业产业升级研究的重要方向。随着农业物联网的发展，农业服务的层次和广度都有较大幅度的提高，建议农业产业从业者及管理人员应在日常生产及管理过程中紧跟农业物联网技术的发展，通过物聯网技术提升农业的附加产值。近年来，移动智能设备的蓬勃发展为农业物联网服务实现多样化、深度化提供了新的契机。如在传统农业监测应用节点原有基础上增加接入移动智能设备功能，开发面向游客服务的应用层App，引入智能支付等相关服务，使游客可直接在移动智能设备上观测农作物的生长环境参数及种植信息，并为游客提供园区位置定位、景点导航及农产品购买等功能，从而将农业监控网络系统升级为面向游客服务的新型农业物联网服务系统，进而实现泛在的农业观光支持服务，使游客和农业从业人员都能获得更佳的使用体验。

参考文献：

曹宁博， 陈永恒， 曲昭伟， 赵利英， 白乔文， 杨秋杰. 2018. 基于社会力模型的行人路径选择模型[J]. 浙江大学学报（工学版）， 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. 无线传感器网络覆盖控制技术研究[D]. 南京： 南京邮电大学. [Fan G J. 2010. Research on covera-ge control in wireless sensor networks[D]. Nanjing：Nanjing University of Posts and Telecommunications.]

耿晓蕊. 2015. 观光农业开发区的景观设计初探——以河北北戴河集发观光园为例[J]. 中国农业资源与区划， 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.]

黄丽霞， 杨振华， 李琴， 郑少林. 2017. 基于生态保护与文化传承的大足石刻农业观光园规划探讨[J]. 西南师范大学学报（自然科学版）， 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.]

李伟， 江秀辉. 2009. 基于体验经济的烟台市观光农业发展研究[J]. 南方农业学报， 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.]

刘强， 李广， 王钧. 2016. 一种提高基于WSN农业监测系统覆盖率的方案[J]. 现代电子技术， 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.]

王甫园， 王开泳， 陈田. 2016. 国家级休闲农业园区的分布、类型与优化布局[J]. 农业现代化研究， 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.]

王振东， 陈峨霖， 胡中栋. 2018. 混沌优化细菌觅食算法的传感器节点部署策略[J]. 传感技术学报， 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无线传感器网络布局优化[D]. 长春：吉林大学. [Xia B. 2016. Layout optimization of WSN under the mine based on differential evolution algorithm[D]. Changchun： Jilin University.]

许培培， 万雪芬， 杨义， 韩芳， 蒋雪芹， 户晨飞. 2017. 用于观光农业的混合型无线传感器网络节点设计[J]. 华南农业大学学报，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， 荆宝刚， 孙彩苹. 2016. 基于移动无线传感器网络的植株图像监测系统设计与测试[J]. 农业工程学报， 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. 湿地型生态农业观光园规划设计——以苏州澄湖生态农业观光园为例[J]. 江苏农业科学， 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， 郑丽敏， 杨璐. 2016. 基于粒子群算法的生猪养殖物联网节点部署优化研究[J]. 农业机械学报， 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.

（責任编辑 邓慧灵）