简介面向无人机通信与轨迹优化领域的科研工作者和高校师生一份完整的UAV轨迹优化算法及MATLAB实现方案以PDF文档形式呈现。内容共1个文件包体仅103KB便于快速查阅与复现。已有164人学习浏览。文档从信道增益、速度与加速度约束等参数建模入手引入松弛变量μ[n]处理非凸目标函数并借助序列凸逼近SCA将原问题转化为可求解的凸优化形式配合CVX工具箱完成求解。针对单用户与多用户场景分别给出了不同时间片T和起始位置下的最优飞行路径对比包含具体的MATLAB代码段方便读者理解算法实现细节。无论是公式推导、等价变换还是SCA迭代步骤文档均有详尽记录并附有图表展示优化效果可直接用于物流配送、应急响应或视频直播等链路质量提升场景。1. 无人机轨迹优化算法是什么单用户与多用户通信增强的MATLAB复现主线无人机轨迹优化算法是无人机辅助通信中必须啃下的第一块硬骨头。它解决的问题很具体一架无人机作为空中基站或中继飞行时怎么规划它的航点序列让地面用户的吞吐量最高、覆盖更均匀或者让某个边缘用户不再掉线。这个问题直接决定了通信增强的效果也是MATLAB仿真里最容易看到“算法在起作用”的部分。单用户场景是验证优化逻辑的最小闭环多用户场景则加入调度和资源分配两者串起来就是无人机通信仿真的通用主线。这篇文章面向通信方向的学生、做仿真验证的工程师也会照顾初学者前两章讲清楚数学模型和选型中间给出可运行的MATLAB核心流程最后把常见翻车点逐个拆开。整个复现过程不需要任何私有数据用公开的几何参数和信道模型就能跑通。我习惯把整套流程拆成四步建模、选算法、写迭代、查收敛。你照着这篇走上午能把单用户版本跑出来下午就能往多用户扩展。2. 问题建模与算法选型单用户到多用户的轨迹优化核心2.1 通信模型与目标函数轨迹为什么能提升信号质量先把信道模型写清楚。无人机和地面用户在开阔环境下通常按自由空间路径损耗近似。设无人机高度固定为 H水平坐标是二维向量 q用户位置是 w那么两者之间的三维距离平方为 d² ||q - w||² H²。信道功率增益取 g β0 / d²其中 β0 是参考距离为 1 m 时的增益。假设无人机以功率 P 发射带宽为 B用户侧噪声功率为 N0 B接收信噪比就是 γ Pβ0 / (N0 B (||q-w||² H²))。对应的可达速率 R B log2(1 γ)。这个式子就是后续所有优化的地基。把 R 看成无人机位置 q 的函数无人机离用户越近d² 越小信噪比越高吞吐量越大。当无人机正好悬停在用户头顶时R 达到峰值远离时R 快速衰减。单用户场景如果任务时间很短无人机最优轨迹几乎就是尽快飞到用户上空然后停住但任务时间一长轨迹还要考虑终点约束、速度约束优化问题就变得有趣了。这个模型里有一个新手常踩的单位坑噪声功率谱密度 N0 给出的常用单位是 dBm/Hz比如 -160 dBm/Hz要先转成瓦特再加带宽不能直接带入 log2。公式里所有功率都要统一成 W。我在 3.1 节的初始化脚本里直接用线性数值目的就是避免这个坑。下面放一张典型参数表后面仿真代码都按这个量级来。参数符号典型值单位无人机高度H100m带宽B10MHz发射功率P0.1W噪声功率谱密度N0-160dBm/Hz参考信道增益β01e-4-最大速度Vmax30m/s任务时长T100s单个时隙t_slot1s再强调一个优化上的关键点R 对 q 是非凸函数。站在用户正上方是一个“尖峰”远处是平缓衰减这种形状会让梯度方法很容易绕开最优位置。所以轨迹优化不能直接用一个朴素的梯度上升需要先把问题近似成凸问题来求解。这也是选择 SCA 的根本原因。很多初学者问为什么不能用 fmincon 直接搜答案就是非线性非凸问题对初值极敏感搜十次可能有八次落在坏点而 SCA 给出的是一个确定性的收敛路径。2.2 单用户模型到多用户模型变量增加后的问题结构单用户场景的时间离散化模型如下把任务时间 T 分成 N 个时隙每个时隙长度 δ时隙 n 内无人机水平位置为 q[n]。相邻时隙有位移约束 ||q[n1] - q[n]|| ≤ Vmax δ起点 q[1] 和终点 q[N] 固定。目标函数取平均吞吐量或累计吞吐量都可以因为 T 固定时两者只差一个常数。这个模型里唯一的连续变量块是 q所以实现起来很直接。多用户场景要复杂得多。假设地面有 K 个用户位置分别为 w_k。每个时隙如果无人机只服务一个用户就需要引入调度变量 α[k,n]。α[k,n] 表示时隙 n 分配给用户 k 的通信时间比例。对于 TDMA 系统约束是 Σ_{k1}^K α[k,n] ≤ 1且 α[k,n] ≥ 0。用户 k 在全部任务时间内获得的累计速率是 Σ_n α[k,n] B log2(1 γ[k,n])。这时目标函数可以写成最大化最小用户速率这是通信增强里常见的公平性问题。如果进一步把无人机发射功率 P 也变成可分配变量功率变量 p[k,n] 又加进来。变量之间互相耦合轨迹影响信道增益调度决定谁的速率进入目标函数功率影响信噪比。整体问题不是凸的无法用一次 CVX 调用解决。处理思路是块坐标下降一次固定两个变量块优化第三个变量块轮流迭代。把一个大问题切成几个凸子问题每个子问题都能用 CVX 求解。这个结构在论文里很常见动手做时也需要严格按这个节奏来。很多仿真跑出来不收敛不是 CVX 有问题而是子问题之间的迭代顺序错了。先做好“固定轨迹算调度、固定调度算轨迹”的交替再考虑加功率分配是最稳妥的路线。选择目标函数时还要注意最大化最小速率和最大化总和速率在结果上差别很大。最大化总和会让无人机只顾信道好的用户边缘用户被饿死最大化最小速率则会把轨迹往用户分布的“质心”附近拉。做通信增强尤其是多用户场景我建议先用公平性目标后续调权重再切换到加权和。这个选择直接影响你写多用户代码时的目标函数形式。2.3 算法选型为什么块坐标下降加连续凸近似是主流先说为什么不用穷举或网格搜索。当 N 是 100 时每个时隙的位置都是二维连续变量网格搜索会瞬间爆炸。粒子群、遗传算法理论上能搜但迭代次数多、结果不稳定而且每次评估目标函数要算 N 个用户速率耗时太大。对于这种结构化问题数学规划方法收敛快、可解释性强适合在 MATLAB 里做离线仿真所以主流方案是凸优化配合松弛与近似。连续凸近似的做法是这样的在第 i 次迭代开始我们已经有一个轨迹 q_old。对每个时隙 n计算旧轨迹下的距离平方 d_old²[n] ||q_old[n] - w||² H²以及旧信噪比 γ_old[n]。可达速率 R(q) 是关于 d² 的凸函数可以写出它的一阶泰勒下界R(q) ≥ R_old[n] - A[n] * (||q[n] - w||² H² - d_old²[n])其中 A[n] 是正系数。因为这个下界对 q[n] 来说是凹函数把它放到速率约束的右侧原来的非凸约束就变成了凸约束。每轮迭代得到新轨迹 q_new目标值单调上升迭代若干次后轨迹稳定。为什么强调 SCA因为它在 MATLAB 里可以直接用 CVX 实现代码结构清晰不容易写崩。相比直接调用 fminconSCA 不需要手动提供梯度近似也不容易撞进局部极值。当然 SCA 也有代价每轮迭代都要重新建模并调用求解器时隙数多时耗时较长这正好是第 5 章要处理的性能问题。从单用户到多用户算法骨架是一致的多用户只是在每个时隙多了一层调度变量SCA 近似方法不变。区别在于多用户子问题要额外加入 α 的更新。先把单用户代码跑通再给 α 加进去是最稳妥的路线。3. 单用户场景的MATLAB实现从信道模型到轨迹迭代3.1 参数初始化脚本先搭好可复现的仿真骨架在写主循环之前先把所有参数集中放在一个脚本里。这样方便你改一个变量观察整套行为也方便后面多用户场景复用。我一般不会把参数散落在循环内部因为一旦要调高度或功率找起来非常痛苦。下面这段是一个最小参数集% init_single_user.m clear; clc; % ---- 几何参数 ---- H 100; % 无人机飞行高度 m Q_start [0, 0]; % 起点水平坐标 (m) Q_end [1000, 1000]; % 终点水平坐标 (m) W [500, 400]; % 用户位置 (m) % ---- 通信参数 ---- B 10e6; % 带宽 Hz P 0.1; % 发射功率 W N0_dbmhz -160; % 噪声功率谱密度 dBm/Hz N0 10^((N0_dbmhz - 30)/10); % 转换为 W/Hz beta0 1e-4; % 参考距离增益 % ---- 任务与运动约束 ---- T 100; % 任务时长 s t_slot 1; % 时隙长度 s N T / t_slot; % 时隙个数 Vmax 30; % 最大水平速度 m/s % ---- 初始化轨迹匀速直线 ---- Q zeros(2, N); for n 1:N Q(:,n) Q_start (Q_end - Q_start) * (n-1) / (N-1); end这段脚本里有几个地方需要专门说明。N0 转换的写法是先把 dBm/Hz 减去 30 变成 dB/Hz再取 10 的幂次得到 W/Hz如果你把 -160 直接当瓦特用后面所有信噪比都会出差。P 取 0.1 W 是常见的低功率无人机通信场景可以理解为发射功率受限。Vmax 乘上 t_slot 就是每个时隙内无人机能飞过的最大水平距离所以后面速度约束都会写成相邻位置之差的范数不超过 Vmax * t_slot。Q 的初始化采用匀速直线轨迹它既是迭代的起点也是 SCA 需要的第一个线性化点。初始轨迹的选择会影响收敛但大多数情况下直线轨迹就够用。如果你把用户放在起点附近而任务时间又长直线轨迹的初始目标值可能很低但 SCA 依然能一步步把无人机拉向用户附近最后再飞向终点。真正要担心的是用户离直线太远同时又要求最终速度严格满足起点终点这种情况后面我会给出信任域技巧。3.2 主循环连续凸近似迭代的核心代码现在进入最关键的部分单用户 SCA 主循环。我给出的版本是教学版的写法优先保证逻辑清楚而不是最快。每次迭代固定上一轮轨迹 Q构造速率的线性下界然后调用 CVX 求解新轨迹。% single_user_sca.m 主循环 max_iter 15; obj_hist zeros(1, max_iter); for iter 1:max_iter % 基于当前轨迹计算旧距离平方和旧速率 d2_old sum((Q - W).^2, 1) H^2; % 1 x N gamma_old P * beta0 ./ (N0 * B * d2_old); R_old B * log2(1 gamma_old); % 一阶泰勒下界系数 slope - B * gamma_old ./ (d2_old .* (1 gamma_old)) / log(2); cvx_begin quiet variable Qv(2, N) variable R(N) maximize( sum(R) ) subject to % 速率线性下界约束 for n 1:N R(n) R_old(n) slope(n) * (sum_square(Qv(:,n) - W) H^2 - d2_old(n)); end % 起点、终点 Qv(:,1) Q_start; Qv(:,N) Q_end; % 速度约束 for n 1:N-1 norm(Qv(:,n1) - Qv(:,n)) Vmax * t_slot; end cvx_end % 更新轨迹 Q Qv; obj_hist(iter) sum(R_old); % 记录本轮目标值用原问题目标 fprintf(iter %d, objective %.4f Mbps\n, iter, obj_hist(iter)/1e6); end这段代码里的核心是把非凸速率约束替换成线性下界。slope 那一行是对可达速率关于距离平方求导的结果符号是负的所以约束右侧是凹函数。CVX 里sum_square是标准的凸函数前面乘上负系数后整个表达式变成凹函数放在的右侧就可以通过 DCP 校验。gamma_old必须用上一轮轨迹算出的固定值不能让它成为表达式否则 CVX 会认为约束不是线性的。参数max_iter取 15 已经够用因为 SCA 前 5 轮目标值提升最快后面增益很小。quiet让 CVX 不刷屏但如果你在调试阶段可以把quiet去掉直接看求解器输出。速度约束用norm()表达这是 CVX 支持的凸约束等价于 ||q[n1] - q[n]|| ≤ Vmax δ。目标值我用sum(R_old)而不是sum(R)因为 R 是优化变量R_old 才是当前轨迹下的实际速率这样记录的是原问题的真实目标值不会因为近似有偏差而误判。代码跑完后如果目标值曲线单调上升说明 SCA 没有翻车。如果出现忽高忽低或者 CVX 提示不可行大概率是初始化或参数问题具体排查放到第 5 章。初学者最容易犯的错是忘记在循环里更新 Q导致每轮都在同一个点做线性化目标值当然不动。你要是发现目标值从第二轮开始完全不变第一件事就是检查Q Qv这行还在不在。3.3 结果输出轨迹图与吞吐量曲线仿真结果不画图很难判断优化效果。我一般会画三样东西无人机二维轨迹、用户位置、目标值收敛曲线。轨迹图能直观看出算法是否让无人机飞向用户收敛曲线能看出迭代是否稳定。figure(1); plot(Q(1,:), Q(2,:), b-o, LineWidth, 1.5); hold on; plot(W(1), W(2), rp, MarkerSize, 15, MarkerFaceColor, r); plot(Q_start(1), Q_start(2), gs, MarkerSize, 15); plot(Q_end(1), Q_end(2), g^, MarkerSize, 15); grid on; xlabel(x (m)); ylabel(y (m)); legend(无人机轨迹, 用户位置, 起点, 终点); axis equal; figure(2); iter_axis 1:max_iter; plot(iter_axis, obj_hist/1e6, k-o, LineWidth, 1.5); xlabel(迭代次数); ylabel(累计吞吐量 (Mbps)); grid on;图里用户位置用红色五角星轨迹用蓝色实线。如果轨迹是一条平滑曲线、在用户上空附近有明显弯曲说明 SCA 起效了。如果轨迹直接穿过用户那要看是不是速度约束设得太松或者用户正好在起点终点连线上。收敛曲线如果从第 8 轮开始几乎水平就可以把max_iter缩到 10 节省时间。如果目标值曲线还在明显上升就把max_iter加大到 20直到曲线变平。4. 扩展到多用户场景调度变量与轨迹的交替优化4.1 多用户问题重写用户调度与轨迹耦合在哪里多用户不能简单地把 N 个点的目标函数换成所有用户速率的和因为同一时隙多个用户同时被服务会产生同信道干扰而干扰如何建模会让问题完全变样。这里采用最常见的避开干扰方案时分多址也就是每个时隙最多一个用户占用信道。调度变量 α[k,n] 可以看作时间分配比例约束为 Σ_k α[k,n] ≤ 1。目标采用公平性指标最大化所有用户中最小的累计速率记作 η。问题结构可以写成max η同时要求每个用户的累计速率不低于 η每个时隙的调度比例之和不超过 1轨迹满足速度约束。耦合关系在于γ[k,n] 取决于无人机轨迹 q[n] 和用户位置 w_kα 决定哪些时隙算进哪个用户的累计速率。固定 q 和 α 时问题变成线性规划固定 α 再优化 q问题又回到单用户轨迹优化只是目标函数变成带权重的速率和。把这两个子问题交替求解就能让无人机不断往用户密集区域移动同时调度变量持续把边缘用户拉进覆盖范围。这样交替优化在数学上不保证全局最优但对无人机通信这个场景它能稳定地提升最差用户速率工程仿真足够用。很多已发表的工作也沿用这个框架只是加了更多约束。要注意的是目标函数如果选最大化总和速率那 α 的分布会非常集中导致某些用户累计速率很低选最大化最小速率则整体吞吐量会被最差用户拖住。做通信增强场景时我建议把两种目标都跑一遍对比最小速率和总速率的关系再决定用哪种。4.2 交替优化调度子问题与轨迹子问题的MATLAB实现先写固定轨迹优化调度和 η 的子问题。这个子问题其实是线性规划因为 α 和 η 都是线性变量。给定当前轨迹 Q_current 后先计算每个用户每个时隙的即时速率 R_mat[k,n]% 计算当前轨迹下所有用户的速率矩阵 R_mat(K,N) d2_kn zeros(K, N); for k 1:K d2_kn(k,:) sum((Q_current - W(:,k)).^2, 1) H^2; end gamma_kn P * beta0 ./ (N0 * B * d2_kn); R_mat B * log2(1 gamma_kn);然后求解调度子问题cvx_begin quiet variable alpha(K, N) variable eta maximize( eta ) subject to for k 1:K sum(alpha(k,:) .* R_mat(k,:)) eta; end sum(alpha, 1) 1; % 每个时隙分配比例之和不超过1 alpha 0; cvx_end这个子问题没有轨迹变量只有调度变量所以每次迭代都很快。因为 R_mat 是常数约束sum(alpha(k,:) .* R_mat(k,:)) eta是线性的CVX 能直接处理。alpha 虽然是连续变量但实际调度中可以用随机化和取整的方式恢复成整数分配仿真验证阶段连续 alpha 足够说明算法趋势。每轮求解完后你可以打印 eta 的值看它是不是在逐步上升。接下来是固定 alpha 优化轨迹。把原目标写成加权和形式最大化 Σ_k Σ_n α[k,n] R[k,n]。轨迹子问题和单用户 SCA 非常相似区别在于每个时隙有 K 个速率项需要同时做线性化% 固定 alpha优化轨迹 cvx_begin quiet variable Qv(2, N) variable Rv(K, N) maximize( sum(sum(alpha .* Rv)) ) subject to for k 1:K for n 1:N Rv(k,n) R_old(k,n) slope_kn(k,n) * ... (sum_square(Qv(:,n) - W(:,k)) H^2 - d2_old(k,n)); end end Qv(:,1) Q_start; Qv(:,N) Q_end; for n 1:N-1 norm(Qv(:,n1) - Qv(:,n)) Vmax * t_slot; end cvx_end这里slope_kn的构造和单用户完全一样只是多了用户维度。由于目标函数是 Rv 的加权和权重来自上一轮的 alpha轨迹更新后有的用户会被特意照顾有的用户时隙变少。把两个子问题放进同一个外层循环每次交替更新 alpha 和 Q迭代 10 次左右基本能收敛。外层循环的完整顺序是先固定轨迹算 R_mat再解调度子问题得到 alpha然后用 alpha 作为权重解轨迹子问题最后更新 Q_current 并记录最小用户速率。每一轮的子问题都必须用上一轮的最新结果顺序不能乱。4.3 多用户参数调整与收敛行为多用户场景的参数与单用户有一个显著差异用户位置分布决定了轨迹的形态。如果两个用户相距很远无人机需要在他们之间来回飞速度约束会成为瓶颈。这时任务时长 T 必须足够长否则最优轨迹就是在两个用户附近各停一段时间中间快速转移最小速率不高。如果 T 太短无论算法怎么迭代都会出现“顾此失彼”。我在调试时通常先设一个很大的 T 比如 200 s看算法给出的轨迹形态再逐步缩小 T直到最小速率明显下降那个临界点就是 T 的下界。另一个参数是时隙数 N。时隙太稀疏轨迹的灵活性差太密集CVX 求解时间成倍增长。对于 100 s、1 s 时隙的配置N100 在单用户下很轻松多用户 K4 时每个轨迹子问题要处理 4×100 条约束CVX 依然能接受。如果 N 到 500运行时间明显上涨建议先用 N50 做快速验证再把 N 调大做精细结果。优化目标值和运行时间是一对矛盾先用粗网格验证趋势再用细网格出最终图是仿真里最划算的做法。多用户的初始化也很关键。第一次进入轨迹子问题前alpha 还没有值可以初始化成每个时隙分配给最近用户。这样最早一轮轨迹就会往用户聚集区飞后续迭代更容易收敛到稳定解。如果不做初始化让 alpha 全为零目标函数对轨迹的导数为零轨迹会保持在直线上不动迭代直接卡死。我习惯在循环前加一段初始化代码计算所有用户在每个时隙到初始轨迹的距离选择距离最近的用户此时隙 alpha1其余为 0。这个初始化成本很低但能避免很多玄学性的不收敛。5. 复现中常见的坑与排查从数值问题到CVX报错这一章是血泪经验集中地。跑无人机轨迹优化时CVX 报错和结果诡异几乎是必经之路写在这里给你一个排查清单。5.1 现象CVX提示 Disciplined convex programming error现象运行到 cvx_begin 之后cvx_end 直接报 “Disciplined convex programming error”有时还指到某个具体约束行。刚接触 SCA 的人很容易以为是自己约束写错方向其实大部分原因是把非凸表达式直接放进了凸问题里。原因最常见的是把log(1 P*beta0/(N0*B*d2))直接写进约束其中 d2 是变量表达式。这个函数对 d2 本身是凸的放在左侧会破坏 DCP 规则。换句话说你绕过了线性下界直接用原表达式做约束CVX 当然不认账。另一个常见原因是斜率 slope 计算时漏了负号导致约束右侧变成凸函数CVX 会同样报警。解决检查每个速率约束是否都用了上一轮轨迹算出的R_old和slope来构造线性下界确认代码里没有把d2作为变量直接出现在 log 里。调试时可以去掉cvx_begin后面的quiet帮助定位是哪个约束违规。另外sum_square前乘负斜率后整体必须确保是凹表达式如果不放心可以在同一行里用括号把(sum_square(...) H^2 - d2_old)包起来。我见过不少人把括号加错位置导致斜率只乘了第一项这个问题通过打印表达式尺寸就能发现。5.2 现象轨迹迭代不稳定或最终乱飞现象目标值曲线不是单调上升而是来回震荡或者轨迹图出现尖锐的锯齿无人机在相邻时隙来回跳动。这比 CVX 报错更难排查因为它程序能跑但结果明显不对。原因大概率是速度约束没有真正约束住。比如你用了norm(Q(:,n1) - Q(:,n)) Vmax但忘了乘t_slot或者把t_slot设成 1 而 Vmax 的单位没统一。另一个原因是 SCA 线性化步长太大新轨迹离旧轨迹很远导致近似点失去意义。CVX 求出的 q_new 可能在旧的线性化区域之外下一轮又跳到另一侧形成震荡。解决先检查速度约束单位Vmax 是 m/st_slot 是 s约束上限应该是 Vmaxt_slot。其次在 SCA 迭代中加一个“信任域”约束限制每轮轨迹相对上一轮的变化量。我常用的做法是在速度约束之外再加一条norm(Qv - Q_old) 0.5 * Vmax * t_slot * sqrt(N)让整个轨迹不至于一步跨太远。虽然会多几个约束但稳定性提升明显。也可以在循环里打印相邻两轮轨迹差的最大值如果这个值超过 Vmaxt_slot说明速度约束或者信任域没有生效。5.3 现象多用户场景中某些用户的速率始终为零现象多用户交替优化跑了好几十轮最小用户速率还是 0。画出来的调度矩阵 alpha 显示某些用户完全没被分配时隙。这不一定是算法错了但肯定是目标或初始化出了问题。原因最大化最小速率的线性规划在起始阶段如果某个用户信道太差给它分配时隙的收益远低于其他用户求解器会倾向于把资源全给信道好的用户导致差用户一直被饿死。这种现象本质上是公平性模型下没有加最低速率约束另外如果 alpha 初始化全部为零第一轮轨迹子问题的梯度为零轨迹永远不动整个交替优化直接进入僵局。解决在调度子问题里给每个用户加一个最低速率约束比如 eta_mineta_min 可以设为一个很小的正数比如 0.01 Mbps先把用户拉进可行域。更简单的做法是在第一轮之前把 alpha 初始化为“按最近用户分配”让轨迹先往用户群靠拢第二三轮再放开公平性。如果差用户仍然为零检查是不是该用户位置离起点终点太远导致无人机无论怎么飞都覆盖不到可以适当延长任务时长或把起点终点改近。还有一个我常犯的错sum(alpha,1) 1写成了sum(alpha,2) 1这样每个用户的分配总和小于等于 1而不是每个时隙调度矩阵立刻失去意义。5.4 现象运行时间过长且内存膨胀现象参数 N100、K5 时单轮 CVX 求解不到 1 秒但迭代 20 轮后速度越来越慢内存占用也稳步上涨。有些同学会以为 CVX 越算越累其实是代码里把历史变量全保留下来了。原因常见的原因是每次迭代都重新生成 Q 的 history 矩阵或者在循环内用[Q; Q_new]拼接轨迹导致变量尺寸越来越大另一种原因是cvx_begin没有quiet日志输出占据了大量 IO。还有可能是初始化脚本在循环内重复执行把cvx_solver状态越搞越乱。解决循环内在每轮结束时只保留Q_current、alpha_current和obj_hist(iter)不要保存每一轮的完整轨迹矩阵除非最后要画动画。需要轨迹历史的话预分配一个Q_traj_hist(:,:,max_iter)再填入而不是动态拼接。调试时用cvx_begin quiet避免日志刷屏。另外检查是否在循环体内重新定义了N0或B等常量这会触发大量重复计算。把常量和变量分开放在脚本开头循环体内只做更新和求解能省下不少时间。5.5 现象目标值异常小或者速率出现负值现象算出来的累计吞吐量只有几十 bps明显不合理甚至 log2 的自变量变成负数。这类问题通常不是算法本身而是单位或数量级错乱。原因从 dBm 转换线性功率时忘了减 30或者把 N0_dbmhz 直接当成 W/Hz 用另一种是把 β0 设成 1 而不是 1e-4同时距离单位用了 km 而不是 m导致路径损耗计算差了 6 个数量级。还有一个隐蔽问题gamma_old计算中漏乘 B把噪声功率写成了 N0而不是 N0*B这会让信噪比虚高目标值又偏大。解决在初始化脚本末尾加一段自检用起点位置算一次理论速率手动估算一个合理范围比如 10 Mbps 左右。如果代码算出来差几个数量级立刻检查所有单位转换。我习惯在代码里把所有变量名带上单位比如N0_WHz、B_Hz、P_W这样读代码时不容易混。另外在第一次进入 SCA 前打印d2_old的最大值和最小值如果数量级在 1e4 到 1e6 之间对应水平距离几百米说明几何参数正常如果出现 1e-8 或 1e10多半是单位问题。6. 收敛性验证与进阶技巧让轨迹优化结果可信可用6.1 验证方法目标值曲线与轨迹图的判读标准仿真做完不能只看最后一张图。我一般先看目标值曲线是否单调递增且最后趋于平缓再看轨迹是否满足所有硬约束。目标值曲线如果前 3 轮暴涨、后 5 轮基本不动说明 SCA 已经找到稳定点。稳定点不一定是全局最优但满足一阶优化条件的局部最优是可信的。用不同初始轨迹多跑几次比如分别从顺时针绕飞和逆时针绕飞开始如果结果收敛到同一目标值附近可信度就更高了。如果两次收敛值差很多那说明问题非凸性太强需要加上更多的信任域约束或者换初始点。多用户场景还要检查 alpha 矩阵是否每列求和都约为 1以及每个用户的累计速率曲线是否都高于 η。把这些数字打印出来比单看一张图更扎实。验证时先把 CVX 的求解精度设为默认不需要一上来就追求 1e-8数值噪声反而会让 SCA 在尾部抖动。CVX 默认的求解精度对仿真完全够最后画图时再把精度调高即可。6.2 进阶3D轨迹、能效与动态用户单用户和多用户的地基打好后可以直接往三个方向扩。第一个是 3D 轨迹优化把高度也变成变量信道模型换成更实际的空对地概率路径损耗目标函数多一个高度变量后同样用 SCA只是约束里要加高度上下限和爬升率限制。第二个是能效优化目标函数改成吞吐量除以无人机总能耗能耗由推进功率和悬停功率构成这时 SCA 里还要加一个辅助变量处理分数目标。第三个是动态用户把用户位置变成随时间移动的轨迹只需要在每个时隙更新 W重新计算距离矩阵整个交替优化框架基本不用动。最后一个习惯建议跑仿真时把每个子问题单独拆成函数比如solve_schedule.m、solve_traj_sca.m参数全部以结构体传入。这样改场景时不用复制整段主循环排查也容易定位。我早期经常把所有代码堆在一个脚本里跑一次要十几分钟出问题只能从头看非常崩溃。后来改成函数结构一天能迭代多个版本。这个习惯帮我少踩了很多坑也让你在拿到一个陌生配置时能更快定位是调度问题还是轨迹问题。希望你这套轨迹优化早日跑通、结果可信希望帮到你。本文还有配套的精品资源点击获取