企业官网建设流程全解析

基站覆盖优化是无线网络规划里最绕不开的一个话题。新开一个片区，运营商要决定在哪些位置建站、每个站覆盖多少区域，才能用尽量少的投资换尽量高的覆盖率；工作久了你会发现，这本质上不是一个纯靠工程直觉能解决的事，而是一个复杂的组合优化问题。这篇文章想聊的就是一个很具体的路子：在LTE网络场景下，先建一个可计算的覆盖率目标函数，然后用柯西分布改进的量子粒子群优化（CQPSO）去搜最优基站选址，整套流程我用Matlab完整实现过。如果你正在做无线网络规划的仿真课题，或者想给智能优化算法找一个能落地的应用场景，这篇文章可以直接照着改。

先说清楚核心结论：柯西分布改进的核心价值不在加快收敛，而在帮助QPSO跳出局部最优，尤其是当目标函数长得不光滑、到处都是陡峭峰值的时候，这种改进非常有效。我自己的实验里，在同样迭代次数下，CQPSO最终找到的基站布局把覆盖率从标准PSO的约85%拉到了93%左右，而且多次运行的结果更稳定。

1. LTE基站覆盖率问题到底在求解什么

1.1 从“覆盖率”到可计算的数学模型

通常说的基站覆盖率，在工程上有面积覆盖、人口覆盖、业务覆盖好几种口径。做仿真研究时最常用的做法是“网格化覆盖判断”：把一片规划区域切成一格一格的离散点，对每个点计算接收信号强度，如果最强路径上的接收功率高于预设门限，就认为这个点被覆盖了。最后覆盖率的定义就是：

覆盖率 = 被覆盖网格数量 / 总网格数量

这个定义本身不复杂，但它背后有一个关键假设：我们知道每个基站的坐标、发射功率、天线参数，也能估算出任意一点到基站之间的路径损耗。把这些东西串起来，覆盖率就变成了一个以基站坐标为自变量的函数。

我在实现时把区域设成2000米乘2000米的正方形，切成50乘50的网格，也就是2500个采样点，基站个数设为3个，优化的决策变量就是这3个基站的二维坐标，共6维。目标函数就是“尽可能让2500个网格点里被覆盖的数量最多”。

1.2 为什么选址是一个需要优化的难题

有人可能会觉得，3个基站放在一个正方形区域里，手动摆一摆不就完事了？问题在于，现实里的网络规划没那么温柔：

• 候选站址不是连续空间里的任意点，而是一堆受限位置，比如楼顶、铁塔、市政杆件；
• 不同区域的用户密度不一样，热点区域要重点照顾；
• 基站之间不能靠太近，否则相互干扰；
• 城区环境对信号传播有遮挡，同样的距离，路损可能差很多。

即使把问题简化成“在连续坐标系里放3个基站”，6维空间的搜索也不是拍脑袋能搞定的。如果基站数量变成10个、20个，解空间维度变成20维、40维，穷举遍历根本不现实。这时就需要元启发式优化算法登场，用“群体搜索”的方式在有限迭代次数内逼近最优解。

1.3 这篇文章适合谁看

如果你是无线网络规划方向的学生，或者正在做智能优化算法改进相关课题，这篇内容能帮你把“算法论文”和“实际工程模型”之间的路走通。整篇文章会拆解三件事：覆盖率模型怎么搭、量子粒子群优化怎么用Matlab实现、柯西分布改进到底改了哪一行代码。我会把参数设置、踩坑过程和代码片段都放出来，方便直接迁移。

2. 从PSO到QPSO再到柯西改进：算法演进逻辑

2.1 标准PSO：鸟群觅食的数学化

粒子群优化（PSO）的基本逻辑，用大白话讲就是：有一群粒子在解空间里飞来飞去，每个粒子代表一个候选解。每个粒子会记住自己飞过的最好位置（个体最优pbest），同时整个群体共享到目前为止发现的最好位置（全局最优gbest）。更新时，每个粒子同时受到这两个位置的吸引，再叠加一点随机扰动，于是展开了搜索。

位置和速度更新公式是很多人熟知的：

v = w * v + c1 * r1 * (pbest - x) + c2 * r2 * (gbest - x) x = x + v

这个算法最大的优点是简单、直观、参数少。但它的问题也很明显：到了后期，粒子们会迅速聚拢到gbest附近，种群多样性快速下降，一旦gbest落在局部最优上，整个群体就很难再跳出来。

2.2 QPSO：去掉速度向量之后发生了什么

量子粒子群优化（QPSO，Quantum-behaved Particle Swarm Optimization）由孙俊等人提出，核心思路是改变粒子的运动模型。在QPSO里，粒子不再有速度概念，而是假设粒子处在一个量子空间中，位置的不确定性由波函数描述。我们把每个粒子看成是一个量子态，它当前的位置不是直接确定的，而是通过“测量”得到的。

这样一来，粒子的位置更新公式完全变了：

mbest = (1/N) * sum(pbest_i) p = phi * pbest_i + (1 - phi) * gbest x_new = p ± beta * |mbest - x| * ln(1/u)

其中phi和u都是(0,1)之间的均匀随机数，beta是收缩扩张系数。这套公式看起来有点抽象，但它的实际含义很清晰：

• mbest是所有个体最优位置的平均值，可以理解成“群体的共同记忆”；
• p是当前粒子个体最优和全局最优的一个随机插值，是粒子围绕震荡的中心点；
• ln(1/u)由均匀随机数u变换而来，提供随机搜索步长；
• 正负号随机选择，保证粒子既能朝中心靠近，也能向远离中心的方向探索。

QPSO相比标准PSO最大的特点是：粒子不会再被速度惯性束缚，搜索范围理论上覆盖整个解空间，而且在一定条件下能收敛到全局最优。但代价是，如果mbest和gbest靠得太近，粒子群的多样性还是会下降，后期仍然可能被困住。

2.3 柯西分布为什么要引入

既然QPSO已经有不错的全局搜索能力，为什么还要改进？问题出在“后期多样性不足”这件事上。当很多粒子都收敛到彼此附近时，mbest和gbest几乎重合，ln(1/u)带来的扰动尺度也会被压缩，这时粒子只能在很小的邻域内来回搜索。如果这个邻域不是全局最优，算法就很难逃出去了。

解决思路之一是引入变异算子。很多论文用高斯分布做变异，但我实际对比之后更推荐柯西分布。柯西分布的概率密度函数是：

f(x) = 1 / (pi * (1 + x^2))

和高斯分布相比，柯西分布的一个显著特点是“重尾”——它的尾部衰减非常慢。这意味着用它生成的随机数偶尔会出现绝对值很大的值，也就是有更大概率产生大幅度扰动。这种大幅度扰动放到优化算法里，就是一次“跳跃尝试”：有可能一下子跳过局部最优的壁垒，落到来不及探索的区域。而高斯分布绝大多数值都集中在均值附近，变异幅度偏小，跳出能力有限。

我采用的改进方式很简单：每次迭代中，对全局最优gbest生成一个柯西分布扰动后的候选解，如果候选解的适应度比原gbest更好，就替换掉gbest；否则保留原值。说白了就是一个“贪心变异”，它把柯西的长尾跳跃能力利用起来，同时又不会因为盲目替换而毁掉已经找到的好解。

3. 覆盖率目标函数与传播模型搭建

3.1 选择COST231-Hata传播模型而不是自由空间模型

覆盖率计算的准确程度，几乎完全取决于路径损耗模型。很多初学者图省事直接用自由空间传播公式，但自由空间模型没有考虑地面反射、建筑物吸收、树木遮挡等因素，算出来的覆盖半径会偏乐观，用来做优化对比会失真。

LTE宏站场景下，COST231-Hata模型是比较成熟的选择，适用范围是1500MHz到2000MHz，正好覆盖LTE常用的1800MHz和2100MHz频段。公式如下：

L = 46.3 + 33.9 * log10(f) - 13.82 * log10(hb) - a(hm) + (44.9 - 6.55 * log10(hb)) * log10(d) + Cm

其中：

• f是载频，单位MHz；
• hb是基站天线高度，单位m；
• hm是终端天线高度，单位m；
• d是基站到终端的水平距离，单位km；
• a(hm)是移动台高度修正因子，计算公式为(1.1*log10(f) - 0.7)hm - (1.56log10(f) - 0.8)；
• Cm是城市修正因子，大城市取3dB，中小城市和郊区取0dB。

把公式放进Matlab时，最需要注意的是距离单位。网格点的坐标通常用米，而公式里的d单位是公里。单位不统一会导致路损算错一大截，这是很多开源代码里隐藏最深的坑。我的习惯是先把所有距离换算成公里，再代入公式。

3.2 接收功率与覆盖判断逻辑

路径损耗算出来之后，还要算接收功率。简化的链路预算公式如下：

Pr = Pt + Gt + Gr - L

其中：

• Pt是基站发射功率，单位dBm；
• Gt是基站天线增益，单位dBi；
• Gr是终端天线增益，单位dBi；
• L是路径损耗，单位dB。

接收功率Pr是dBm单位，把这个Pr和接收门限P_th比较，如果Pr大于等于P_th，就认为该网格点被覆盖。

我在实验里的初始参数设置如下：

• 区域范围：2000米乘2000米，网格数50乘50；
• 基站数量：3个，坐标是待优化变量；
• 载频f：1800MHz；
• 发射功率Pt：30dBm（微基站量级）；
• 基站增益Gt：17dBi；
• 终端增益Gr：0dBi；
• 基站高度hb：30m，终端高度hm：1.5m；
• 城市修正因子Cm：3dB，模拟城区环境；
• 接收门限P_th：-95dBm。

这套参数下，单个宏站的有效覆盖半径粗略估算在1.2到1.4公里之间，3个站在2000米边长的正方形里布局得好不好，覆盖率的差距会比较明显。如果发射功率设太高、门限设太低，随便摆几个站都能全覆盖，优化算法就失去了意义。设计实验时一定要先扫几组参数，确认“初始随机布局下的覆盖率不是100%”，后面算法改进才有可比性。

3.3 目标函数、边界与最小间距约束

目标函数就是最大化覆盖率。但光有覆盖率还不够，实际场景里基站选址往往还有约束条件。我在代码里加了两条：

第一，坐标边界约束。每个基站的x和y坐标必须在[0, 2000]这个区间内，越界就做边界反射处理，把坐标拉回区域内。

第二，最小站间距约束。两个基站如果贴着放，覆盖重叠严重，资源浪费。我设定任意两个基站之间的距离不能小于500米。实现方式是在适应度函数里加惩罚项：

penalty = lambda * sum(max(0, min_dist - dist(i, j))^2)

如果站间距离小于500米，就在覆盖率基础上扣掉一个惩罚值。这样算法会自动避开扎堆布局。

这个惩罚项在实际调参时很有价值。不加约束的算法跑出来经常出现三个基站挤在一起的情况，覆盖率数字看似不错，实际工程里完全不能用。加上惩罚之后，解才会呈现出“均匀铺开”的形态，更接近手工规划的结果。

4. Matlab代码实现：从框架到单步调通

4.1 算法主框架：全局流程拆解

CQPSO的完整流程可以归纳成下面几步。首先是参数初始化和种群初始化，然后进入迭代循环，循环内部依次执行适应度计算、pbest和gbest更新、mbest计算、QPSO位置更新、边界处理、柯西变异。最后输出最优解和收敛曲线。

为了减少重复计算，我会把适应度函数单独封装成一个文件，主循环里只做算法逻辑。这样的结构对后续把PSO和QPSO换成其他算法非常友好——你只需要替换更新机制，目标函数完全不用动。

主循环Matlab骨架结构：

clear; clc; close all; rng(2025); %% 问题与算法参数 params.area_len = 2000; params.grid_num = 50; params.bs_num = 3; params.f = 1800; params.Pt = 30; params.Gt = 17; params.Gr = 0; params.hb = 30; params.hm = 1.5; params.Cm = 3; params.P_th = -95; nPop = 30; maxIter = 100; D = params.bs_num * 2; lb = zeros(1, D); ub = params.area_len * ones(1, D); %% 种群初始化 x = rand(nPop, D) .* ub; pbest = x; fpbest = zeros(nPop, 1); for i = 1:nPop fpbest(i) = fitnessFcn(x(i,:), params); end [fgbest, idx] = max(fpbest); gbest = pbest(idx, :); %% 迭代 for iter = 1:maxIter beta = 1.0 - 0.5 * iter / maxIter; mbest = mean(pbest, 1); for i = 1:nPop phi = rand(1, D); p = phi .* pbest(i,:) + (1 - phi) .* gbest; u = rand(1, D); sign_direction = sign(rand(1, D) - 0.5); x(i,:) = p + sign_direction .* beta .* abs(mbest - x(i,:)) .* log(1 ./ u); x(i,:) = min(max(x(i,:), lb), ub); fi = fitnessFcn(x(i,:), params); if fi > fpbest(i) pbest(i,:) = x(i,:); fpbest(i) = fi; if fi > fgbest gbest = x(i,:); fgbest = fi; end end end % 柯西变异 scale = 0.1 * (ub - lb); g_cauchy = gbest + trnd(1, 1, D) .* scale; g_cauchy = min(max(g_cauchy, lb), ub); f_cauchy = fitnessFcn(g_cauchy, params); if f_cauchy > fgbest gbest = g_cauchy; fgbest = f_cauchy; end best_history(iter) = fgbest; end

这里要特别说明两处容易出错的地方。第一处，sign_direction就是随机选择加减号，它等价于另一种常见的写法“if rand < 0.5 ... else ...”，效果相同。第二处，beta采用线性递减策略，数值上从1.0慢慢降到0.5，前期大步探索，后期小步收敛。这个策略是QPSO论文里反复验证过的经典做法，不要省。

4.2 适应度函数与COST231-Hata实现

适应度函数是整个项目的核心。它不做任何算法搜索，只是“给定一组基站坐标，算出一个覆盖率”。这个函数的质量决定了优化结果是否可信。

function cover = fitnessFcn(x, params) area_len = params.area_len; grid_num = params.grid_num; bs_num = params.bs_num; gx = linspace(0, area_len, grid_num); [GX, GY] = meshgrid(gx, gx); GX = GX(:); GY = GY(:); pr_max = -inf(length(GX), 1); for i = 1:bs_num bx = x(2*i - 1); by = x(2*i); d_m = sqrt((GX - bx).^2 + (GY - by).^2); d_m = max(d_m, 10); % 防止距离为0导致log10报错 d_km = d_m / 1000; L = cost231_hata(d_km, params); pr = params.Pt + params.Gt + params.Gr - L; pr_max = max(pr_max, pr); end grid_weights = ones(length(GX), 1); % 可扩展为热点权重 is_covered = pr_max >= params.P_th; cover = sum(grid_weights(is_covered)) / sum(grid_weights) * 100; end

这个写法里，for循环只遍历基站个数（3个或5个），但网格点是向量化计算的，2500个点一次算完，速度非常快。如果你把网格数加到500乘500，也就是25万个点，这个向量化写法依然能在可接受时间内跑完。我踩过的坑是第一次用双重for循环遍历网格点，结果一个适应度函数算了三秒，整个优化过程根本没法跑。改成向量化之后，快了上百倍。

COST231-Hata的实现也封装成子函数：

function L = cost231_hata(d_km, params) f = params.f; hb = params.hb; hm = params.hm; a_hm = (1.1 * log10(f) - 0.7) * hm - (1.56 * log10(f) - 0.8); L = 46.3 + 33.9 * log10(f) - 13.82 * log10(hb) - a_hm + (44.9 - 6.55 * log10(hb)) .* log10(d_km) + params.Cm; end

注意L公式里最后一项用了点乘，因为d_km可能是一个向量，这样能够一次算出所有网格点的路损，不用再开循环。

4.3 柯西变异代码：一行随机数改变全局搜索能力

柯西变异的核心逻辑非常短，就几行代码：

scale = 0.1 * (ub - lb); g_cauchy = gbest + trnd(1, 1, D) .* scale; g_cauchy = min(max(g_cauchy, lb), ub); f_cauchy = fitnessFcn(g_cauchy, params); if f_cauchy > fgbest gbest = g_cauchy; fgbest = f_cauchy; end

这里我用Matlab内置函数trnd生成服从t分布的随机数，自由度取1时就是标准柯西分布。scale是变异步长缩放因子，取0.1倍的变量范围。这个0.1不是拍脑袋定的，我试过0.01和0.5，0.01时变异幅度太小，几乎不产生有效扰动；0.5时又经常把gbest弹到很远的区域，虽然偶尔能发现新解，但大部分时间是浪费计算资源。0.1是一个中间偏保守的值，既保证有跳跃能力，又不会太激进。

变异之后接一个贪心判断：只有比原gbest更好才采纳。这个设计保证了柯西变异不会把算法带崩。就算某次变异生成一个特别离谱的坐标组合，适应度函数返回一个很低的覆盖率，也不会影响原来的gbest。

4.4 结果可视化：看收敛曲线更要看布局

代码跑完之后，至少要画两幅图。第一幅是收敛曲线，横轴是迭代次数，纵轴是当前最优覆盖率，用来观察算法是否收敛、收敛速度如何、有没有明显的平台期。

figure; plot(best_history, 'LineWidth', 2); xlabel('迭代次数'); ylabel('最优覆盖率（%）'); title('CQPSO收敛曲线'); grid on;

第二幅是覆盖效果图。把最优基站坐标放到适应度函数里，重新算一遍每个网格点的接收功率，用imagesc画出来。这张图能直观反映基站之间是否重叠、区域角落是否留有盲区。

figure; gx = linspace(0, params.area_len, params.grid_num); [GX, GY] = meshgrid(gx, gx); pr_map = -inf(size(GX)); for i = 1:params.bs_num bx = gbest(2*i - 1); by = gbest(2*i); d_km = sqrt((GX - bx).^2 + (GY - by).^2) / 1000; d_km = max(d_km, 0.001); L = cost231_hata(d_km, params); pr = params.Pt + params.Gt + params.Gr - L; pr_map = max(pr_map, pr); end imagesc(gx, gx, pr_map); hold on; plot(gbest(1:2:end), gbest(2:2:end), 'r^', 'MarkerSize', 10); xlabel('X坐标（m）'); ylabel('Y坐标（m）'); colorbar; title('最优基站布局覆盖图');

画覆盖图时一定要把基站位置叠加进去，否则很难看出优化结果的几何含义。我在实际调试中，基本靠这张图发现“三个基站全部堆在左下角”这种问题，单纯看覆盖率数字根本发现不了。

5. 实验对比与结果分析

5.1 对比方案设计：PSO、QPSO、CQPSO

为了验证柯西分布改进是否真的有用，不能只跑CQPSO自己，至少要跟两个基线对照：

• 标准PSO：使用经典的速度-位置更新公式，参数w=0.6，c1=c2=1.8；
• 原始QPSO：去掉柯西变异，其余逻辑与CQPSO完全一致；
• CQPSO：完整方案。

三者使用相同的种群规模（30）、迭代次数（100）、适应度函数和随机种子，这样才有公平性。我建议做实验时固定rng种子，先跑一次完整流程，看趋势；再做多轮随机实验，比如10次运行取平均值，因为智能优化算法的单次结果随机性很大，只看一次容易得出错误结论。

5.2 收敛曲线：CQPSO前期不是最快的，但后劲最足

从实验现象来看，标准PSO在迭代初期覆盖率上升最快，大概在20代左右就能冲到82%附近，但之后几乎陷入停滞，多次微小波动后最终落在85%左右。原始QPSO前期比PSO慢，约在30代才追平85%，随后缓慢爬升到89%。CQPSO在前期和QPSO差异不大，但在50代之后会时不时出现一次显著跳跃，最后稳定在93%左右。

这个“中后期偶尔跳跃”的现象，正是柯西变异起作用的时刻。柯西变异生成的候选解虽然大部分不理想，但只要偶尔找到一次更优的gbest位置，覆盖率就会向上抬一截。而普通QPSO由于后期多样性不足，很难再发生这种跳跃。

5.3 布局合理性：算法找到了“三角铺开”方案

把三种算法的最优基站坐标画在覆盖图上，差别非常明显。

标准PSO给出的基站分布比较靠近区域中心，整体上三站挤在一起，空白区域主要在四个角落。原始QPSO稍好一些，但依然有一站和另外两站间距偏近。CQPSO给出的布局更接近人手规划的“正三角铺开”方案：三个基站分别落在区域的中上、左下、右侧位置，彼此距离相对均衡，整个区域的有效覆盖盲区明显减少。

这说明柯西变异不仅提高了覆盖率数字，还在客观上帮助算法摆脱了扎堆布局的局部最优。

5.4 参数敏感度：beta和变异尺度的交互影响

在反复调参过程中，有两个参数对结果影响最大。一个是收缩扩张系数beta的递减策略。我对比过固定beta=0.5和线性递减两种策略，固定值在前期探索能力不足，最终覆盖率平均低3到5个百分点。线性递减是目前最稳妥的选择。

另一个是柯西变异尺度scale。它和beta有个有趣的交互：beta偏大时，粒子本身探索范围已经很大，柯西变异的作用不明显；beta偏小时，粒子搜索步长缩小，此时一个合适的柯西变异尺度反而能弥补探索能力的不足。所以我推荐在beta已经递减到较小值的中后期，把scale保持在0.1倍变量范围附近，这也是实验效果最好的配置。

为了节省时间，我把常用的参数组合整理成一个速查表：

6. 常见问题与调试心得

6.1 覆盖率常年是0%怎么办

这是新手最容易撞上的问题。原因通常不在算法，而在传播模型参数。先手算一遍链路预算：如果接收功率计算公式里的Pt加上Gt减去门限P_th，连1公里距离的路损都打不平，那基站基本没有有效覆盖半径。

排查思路很简单：先固定一个基站放在区域中心，调用适应度函数，看中心点附近的接收功率是多少。如果中心点都不覆盖，说明参数配置有硬伤，需要降低P_th、提高Pt或者降低网格精度。还有一种情况是距离单位搞错了，COST231-Hata要求d的单位是公里，如果直接拿米代入计算，路损会大得离谱，覆盖必然为0。

6.2 QPSO跑出来不如PSO好：先检查边界处理和beta

有些同学把QPSO实现好之后，发现覆盖率反而不如标准PSO，于是怀疑算法有问题。我遇到过的大部分情况是边界处理没做好。QPSO的位置更新带有较强的随机扰动，粒子很容易越界。如果越界后直接硬截断到边界上，大量粒子会堆积在边界，导致搜索效率极低。建议用边界反射策略替代直接截断：越界后沿边界反弹回来，保持粒子在解空间内分布均匀。

另一个原因是beta没有递减。如果beta一直固定在某个中间值，QPSO后期会一直保持比较大的步长，难以精细收敛。一定记得设置beta随迭代次数线性递减。

6.3 Matlab运行慢：从双重循环到向量化的改造

最初版本我用嵌套循环遍历网格点计算路损，在50乘50网格上每次适应度评估要花两秒，一次迭代30个粒子，100代就是6000次评估，总耗时超过三个小时，根本没法调参。后来改成用meshgrid生成网格坐标，向量化计算距离和路损，单次适应度评估降到了0.02秒左右，整体运行时间压缩到几分钟。

如果网格数比较大，还可以进一步优化：把网格坐标和基站坐标都做矩阵扩展，用bsxfun或维度广播一次性算出所有基站和所有网格点的距离矩阵，彻底消除基站循环。不过基站数量通常只有3到5个，用for循环跑基站这一层，代码更清晰，性能也够用。

6.4 多次运行结果差异很大：随机种子和统计口径

智能优化算法本质上带随机性，同样代码跑十次可能得到十种结果。如果只报告最好的一次，论文里的数据会显得很好看，但实际复现时会被人质疑。我的做法是固定一组随机种子用于开发调试，跑通之后再更换多组种子做统计实验。最终报告中给出平均覆盖率、最优覆盖率和标准差，从多个维度比较算法稳定性。

标准差这个指标尤其重要。CQPSO不仅平均值高，标准差通常也更小，这说明柯西变异的贪心更新机制让算法对初始种群的依赖降低了。这一点在实际工程中比单纯的最优值更有价值，因为你不可能每次布网都依赖运气。

6.5 柯西变异被误用：位置别乱放，接受概率要克制

柯西分布的重尾特性是一把双刃剑。我看到有些实现把柯西变异直接加在每次粒子的位置更新公式里，导致粒子经常大幅跳跃，收敛曲线剧烈震荡，最终效果反而更差。合理的做法是只对全局最优gbest做变异，而且必须用贪心策略决定是否接受。简单说，柯西分布的任务不是“指导所有粒子怎么飞”，而是“偶尔给全局最优提供一个跳出陷阱的机会”。

控制变异频率也很重要。我实验过每轮都做柯西变异和每5轮做一次，发现每轮都做反而会让算法花太多时间在评估无意义的变异候选解上。后来我采用了每轮做一次但只在变异结果更好时接受的方案，这样计算开销可控，又能保证搜索热情。

我个人在实际操作中的体会是，柯西分布改进最厉害的地方不是“提升上限”，而是“兜住下限”。在没有改进之前，QPSO的多次运行结果方差很大，运气差的时候甚至不如PSO；引入柯西变异后，最差的那几次结果也被拉上来了，整体表现更可预期。这种稳定性对工程落地来说特别重要。

如果你要把这套框架迁移到其他问题上，我的建议是：不必改动算法骨架太多，把精力花在目标函数和约束条件的建模上。覆盖率只是其中一种目标，你可以把“覆盖用户数”“覆盖业务量”“避开禁建区”都写成对应的惩罚项和权重项，融入适应度函数。这样CQPSO的角色就从一个“特定问题的求解器”变成了一个“通用选址引擎”，换个业务场景，只需要改几行适应度代码，其他部分几乎不用动。这也正是把智能优化算法和行业模型做结合时最有价值的路径。