基于社会力模型的农业观光园无线传感网节点布局方法与流程

本发明涉及一种可以通过社会力模型进行农业观光园无线传感网节点布局的方法，通过该方法可得到农业观光园中便于为游客提供服务的无线传感网节点布置位置，提升游客游园体验。
背景技术：
：近年来我国农业产业升级、经营模式优化的步伐不断加快。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、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需求。观光农业应以提升游客体验为重点，进而提升服务的层次及广度。农业物联网技术的快速发展为观光农业的产业优化升级提供了新的技术支持手段。通过智能手机等移动智能设备可以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wifi等短距无线组网方式或3g、4g等移动通信网络提供服务。而将移动智能设备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可以兼容传统的农业信息监测管理功能，亦可在服务现场直接借助节点通过移动智能设备利用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。为了使无线传感器节点更好的服务游客，提升游客体验，节点的布局优化具有重要的意义。以往研究中，国内外学者对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。至今，无线传感器网络节点布局方法中鲜见基于游客行为模式进行节点布局的方案研究。本发明从社会力模型出发，提出了一种适用于观光园区混合型无线传感器网络节点布局优化的方法。技术实现要素：本发明的目的是：以游客空间分布为基础优化农业观光园中无线传感器网络节点布局，使节点放置位置便于为游客提供服务，有效匹配游客的观光过程，提升游客体验，为农业观光园区面向服务的混合型无线传感器网络建设提供相应支持。为了达到上述目的，本发明的技术方案是提供了一种基于社会力模型的农业观光园无线传感网节点布局方法，其特征在于，包括以下步骤：步骤1、在原有社会力模型基础上，结合农业观光园环境布局，建立如下方程组所示的观光园中游客行为模型：式中，rα为游客α在观光园中的空间位置向量；vα(t)为游客α在观光园中的行进速度；mα为游客α的质量；fα(t)为游客所受的社会力；ζα(t)为反映随机行为偏差的扰动项；为游客渴望移动到观光园中某处景点的动机；fαβ(rα)为游客α与观光园路径边界之间的作用力；fαβ(rα，vα，rβ，vβ)为游客α和游客β之间的作用力；fαi(rα，ri，t)为观光园区对游客的吸引效果；步骤2、利用步骤1得到的游客行为模型结合农业观光园中不同类型的功能区域(采摘区、餐饮区和服务区等)、园中设施的布局(导游设施、游乐设备和教育设施等)、行人交通需求数据(行人到达数量-时间分布和行人组成比例等)及行人交通特性数据(行人速度、排队等待时间和行人路径选择等)等，设置游客行为模型中的相关参数，采用基于社会力模型的anylogic仿真平台进行行人仿真，得到具有代表性t天的游客空间分布数据d[(x11，y11)，(x12，y12)，…，(xtn，ytn)]，式中，n为观光园中游客停留位置编号，将游客空间分布数据存储到数据库中；步骤3、采用针对农业观光园无线传感网节点布局的改进k-means聚类算法对t天游客空间分布数据进行聚类分析，得到每天游客聚集区域中心d[(xt1，yt1)，(xt2，yt2)，…，(xtc，ytc)]作为园区的节点候选放置位置，式中t＝1∶t，c＝1∶c，c为聚类个数，聚类的个数等于园区中节点放置的个数，由园区的大小和节点的通信范围确定，在其基础上通过计算t天节点候选位置的均值确定农业观光园中无线传感网节点的最终放置位置s[(x1，y1)，(x2，y2)，…，(xc，yc)]。优选地，步骤3中，采用改进k-means聚类算法对农业观光园无线传感网节点最终放置位置的确定具体包括以下步骤：步骤301、层次聚类得到初始聚类中心传统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，并且聚类结果不唯一。为克服传统k-means聚类算法的缺陷，本发明首先采用基于最小距离的凝聚层次聚类算法分别对t天的游客空间分布数据进行聚类，聚类的个数即为放置节点的个数c，计算聚类后每类中游客空间分布数据均值获得唯一确定的初始聚类中心dt[(x1，y1)，(x2，y2)，…，(xc，yc)]；步骤302、根据最小距离划分游客空间分布数据所属类轮询游客空间分布数据，计算第t天园区中每个聚类中心同所有游客空间分布数据之间的欧式距离(distc1，distc2，…，distcn)，其中n＝1∶n，c＝1∶c。根据最小距离公式dmin＝min(dist1n，dist2n，…，distcn)，计算游客空间分布数据到各聚类中心的最小距离，并将其数据划分到该聚类中心对应的类中。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p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)；步骤303、计算均值得出新的聚类中心将步骤302中划分到每个类中的各个游客空间分布数据进行坐标均值计算，得到新的聚类中心d[(xt1，yt1)，(xt2，yt2)，…，(xtc，ytc)]；步骤304、重复步骤302及步骤303直到新的聚类中心与上一次聚类中心的距离小于阈值，聚类结束，将最终得到的聚类中心作为节点候选放置位置；步骤305、汇总所有候选节点，计算节点最终放置位置：将t天中每天的节点候选位置汇总，通过计算对应类节点候选位置的均值获得无线传感网节点最终放置位置s[(x1，y1)，(x2，y2)，…，(xc，yc)]。优选地，步骤301中第c个类的初始聚类中心可由如下公式计算得出：式中，m为层次聚类后每类数据的个数，(dxcm，dycm)表示层次聚类第c类中第m个游客空间分布位置坐标。优选地，步骤303中，第c个类的聚类中心的可由以下公式计算得出：式中，表示改进k-means聚类第c类中第p个游客空间分布位置坐标。优选地，步骤305中，第c个节点的最终放置位置可由以下公式得出：本发明提供的方法可以优化无线传感网节点在观光园内的布局，使节点放置位置位于游客的聚集区域，便于为游客提供服务，有效匹配游客的观光过程，提升游客体验。附图说明图1为一种基于社会力模型的农业观光园无线传感网节点布局方法流程图；图2为游客在苹果园中行为模型示意图；图3为苹果园区某日游客空间分布数据聚类结果图；具体实施方式为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。结合图1，本发明提供的一种基于社会力模型的农业观光园无线传感网节点布局方法包括以下具体步骤：以s市某农业观光园中苹果园区为例，在原有社会力模型基础上，结合农业观光园环境布局及基础设施，苹果园区中游客行为模型用如下方程组表示：式中，rα为游客α在苹果园区中的空间位置向量；vα(t)为游客α在苹果园区中的行进速度；mα为游客α的质量；fα(t)为游客所受的社会力；ζα(t)为反映随机行为偏差的扰动项；为游客渴望移动到苹果园区中某景点的动机；fαb(rα)为游客α与苹果园区路径边界之间的作用力；fαβ(rα，vα，rβ，vβ)为游客α和游客β之间的作用力；fαi(rα，ri，t)为苹果园区对游客的吸引效果。游客行为模型中考虑到游客的自身动机，周围游客的作用及外界环境等因素，假设游客个体受到社会力的作用驱动着游客运动。社会力包含三个方面，即驱动力、人与人之间的相互作用力和人与边界(障碍物)之间的作用力。驱动力指游客主观意识对行为的影响转化为所受到自身施加的“社会力”，反映了游客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游客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。人与边界之间的作用力主要包括游客与园区路径边界、墙等试图保持一定距离产生的排斥力和身体与障碍物间的接触力。游客在苹果园中行为模型示意图如图2所示。利用游客行为模型结合农业观光园中不同类型的功能区域(采摘区、餐饮区和服务区等)、园中设施的布局(导游设施、游乐设备和教育设施等)、行人交通需求数据(行人到达数量-时间分布和行人组成比例等)及行人交通特性数据(行人速度、排队等待时间和行人路径选择等)等，设置游客行为模型中的相关参数，例如根据观光园行人交通需求数据的调研结果，对游客在观光园中不同区域路径选择概率进行设置，确定游客行走路线；根据观光园采摘区中作物的花期和采摘期，设置游客在不同园区的游览时间服从均匀分布uniform(min，max)；根据娱乐区、餐饮区、采摘区中特定的景点设施，设置等待区域的吸引子位置。采用基于社会力模型的anylogic仿真平台对农业观光园中游客进行行人仿真，得到苹果园区中准确可靠的游客空间分布数据，并将游客空间分布数据存储到数据库中。从数据库中读取苹果园区某日游客的空间分布数据，并利用matlab仿真平台对数据进行标记，然后采用改进k-means算法进行聚类分析。聚类个数等于园区中放置传感器节点的个数，在满足节点间通信范围的前提下，采用平均面积覆盖部署策略确定苹果园区中需要放置的节点个数为10。首先利用matlab仿真平台采用基于最小距离的凝聚层次聚类算法对苹果园区某日游客的空间分布数据进行聚类分析，计算聚类后每类游客空间分布数据的均值获得唯一确定的初始聚类中心，初始聚类中心位置坐标如表1所示。表1苹果园区某日游客空间分布数据初始聚类中心位置坐标节点12345678910横坐标103.74102.46112.0991.0450.9869.6748.3875.0673.82117.53纵坐标131.81110.9951.7157.34147.11137.86110.61104.7877.5785.86计算游客空间分布数据与各初始聚类中心的欧式距离，根据最小距离公式dmin＝min(dist1n，dist2n，…，distcn)，得到游客空间分布数据到各聚类中心的最小距离，并将其数据划分到该聚类中心对应的类中。然后再将得到的类中数据取均值作为新的聚类中心，依次迭代，直到新的聚类中心与上一次聚类中心的距离小于阈值，则算法结束，得到的最终聚类中心即为观光园节点候选放置位置。采用改进k-means算法对苹果园区某日游客空间分布数据的聚类结果如图3所示，其中实心正方形为最终聚类中心。该苹果园区某日游客空间分布数据聚类得到的节点候选放置位置坐标如表2所示。表2苹果园区某日节点候选位置坐标节点12345678910横坐标102.92107.45109.9690.7154.8676.6757.7485.8075.60117.82纵坐标128.50109.0952.4654.33144.23134.71107.3889.4069.0182.71该观光园不同季节每天游客到达时间分布的不同造成观光园中游客的空间分布存在很大差异。因此，为了满足放置的节点能够全年为游客提供有效的服务，应选择全年中具有代表性的游客分布数据进行聚类。从全年12个月中每个月随机抽取一天的游客空间分布数据，分别采用改进k-means算法进行聚类分析，得到12组节点候选放置位置。然后对该12组节点候选位置求取对应的均值，作为节点的最终放置位置。该苹果园区节点最终放置位置坐标如表3所示。表3苹果园区最终节点放置位置坐标节点12345678910横坐标101.73108.46110.3691.8253.9173.7853.0883.4574.61117.93纵坐标131.52109.7251.7156.28146.64135.23106.8292.3471.3884.25采用相同的方法，即可得到该农业观光园中不同功能园区无线传感网节点最终放置位置。当前第1页12