企业官网建设流程全解析

1. 先搞清楚这个项目到底在解决什么问题

做无线通信仿真的朋友，应该都遇到过这个场景：小区边缘用户明明有卸载计算任务的需求，但蜂窝链路质量差，传给基站的速率上不去，任务排队久了，时延和能耗双双超标。如果这时候有一架无人机飞到用户附近当空中节点，再把非正交多址（NOMA）加进来，让多个用户共享同一个资源块，边缘用户的卸载体验会好很多。这个项目做的就是把“无人机、NOMA、蜂窝任务卸载”三者放在同一个框架里，做性能分析和优化研究，最后用Matlab把中断概率、吞吐量、能耗和能效曲线全部跑出来。

这篇内容适合正在做无线通信方向课题的学生、刚接触边缘计算仿真的工程师，以及想快速搭建UAV-NOMA卸载仿真平台的开发者。你不需要有非常深的数学功底，但至少要熟悉Matlab的基本脚本编写，了解瑞利衰落、信噪比、SIC这些基础概念。我会把系统模型怎么搭、指标怎么算、优化怎么迭代、代码怎么组织都拆开讲清楚，你在自己电脑上也能复现出一套完整的仿真结果。

1.1 蜂窝网络里的卸载痛点到底在哪

传统蜂窝卸载的思路很直接：用户设备把计算任务通过上行链路发给基站，基站接到任务后再放到边缘服务器上处理。问题在于，基站覆盖半径内的用户信道差异很大。离基站近的用户，信道增益高，卸载速率快；边缘用户信道增益低，即使把发射功率调满，仍然容易达不到目标速率，任务只能留在本地计算。

本地计算也不是不能做，但代价是能耗和时延。移动设备电池有限，CPU算力受限，一个大任务在本地跑几百毫秒，功耗就上去了。我见过不少仿真里把本地计算建模成“固定CPU频率乘任务计算量”，听起来没问题，但实际跑出来边缘用户的时延和能耗曲线都很难看。这就是卸载场景里最核心的矛盾：想卸载但链路不够好，留在本地但资源不够用。

无人机在这个场景里的价值是“补位”。它可以临时升高到空中，形成一条比地面直射更稳定、损耗更低的空中链路。尤其当用户被建筑物遮挡，地面链路处于深度衰落时，无人机悬停在合适位置可以大幅改善信道增益。这个项目把无人机当作空中基站或转发节点，就是从系统层面给边缘用户多一条卸载路径。

1.2 为什么偏偏是无人机加NOMA

很多人会问，既然无人机已经能改善信道了，为什么还要引入NOMA？答案很简单：频域资源有限。如果每个用户都独占一个子信道，大量边缘用户同时卸载时，带宽就分不过来。NOMA允许同一个子信道叠加多个用户的信号，接收端用串行干扰消除（SIC）按顺序解出不同用户的数据，本质上是用“功率域的正交性”换“频谱域的共享性”。

在UAV辅助场景下用NOMA还有一个额外的好处：无人机到不同用户的信道差异可能非常大。一个用户在空中链路下信道增益很高，另一个用户稍微偏远但链路仍可用，这种“强用户带弱用户”的配对，正好是NOMA最舒服的工作区间。强用户用低功率、弱用户用高功率，接收端先解弱用户再解强用户，频谱效率和用户公平性都比正交多址好。

当然，NOMA不是万能的。SIC对信道估计误差特别敏感，功率分配因子设计不好，强用户可能解不干净干扰，弱用户也可能达不到目标速率。所以这个项目里，我把功率分配、无人机位置、用户配对放进了优化问题，目标就是把这套系统的潜力真正压榨出来。

2. 系统模型和技术链路拆解

2.1 网络拓扑和信道模型

这个项目采用的网络拓扑是典型的“无人机辅助蜂窝边缘计算”结构：一个地面基站覆盖半径为R的小区，小区内有两个用户通过同一子信道向基站卸载任务。无人机悬停在小区上空，既可以作为转发中继帮用户把数据传向基站，也可以把它看作一个携带边缘服务器的空中节点。为了控制变量，我建议仿真第一阶段先把无人机建模为中继或基站辅助节点，等基线结果跑通后再加入机载计算模型。

信道模型是仿真能不能写对的关键。对于无人机到用户的空中链路，通常使用海拔相关的LoS概率模型：

P_LoS(θ) = 1 / (1 + a * exp(-b * (θ - a)))

其中θ是无人机到用户之间的仰角，a和b是环境参数，城市环境一般取a=9.61、b=0.16。如果链路为LoS，路径损耗用自由空间模型；如果为NLoS，还要加一个额外的穿透损耗。小尺度衰落我用的瑞利模型，实际调参时也可以替换成莱斯模型，因为飞行高度较高时LoS分量占比大，莱斯K因子会给结果带来明显差异。

注意一个容易被忽略的点：无人机悬停高度变化时，仰角会变化，LoS概率也随之变化，所以信道增益不是简单随距离单调变化的。我在第一次仿真时直接把UAV当成普通地面节点处理，用固定路径损耗指数算信道，结果中断概率曲线形状完全不对。后来改成角度相关LoS概率模型，曲线才恢复了合理的物理趋势。

2.2 上行NOMA与SIC解码机制

在这个系统里，两个用户共享同一个子信道，上行发送。假设用户1是信道较好的近用户，用户2是信道较差的远用户。按照NOMA的功率分配原则，弱用户分到更大的发射功率，强用户分到更小的发射功率，这样基站接收端可以用SIC先解码弱用户，再解码强用户。

具体来说，基站收到的叠加信号可以写成：

y = h1 * sqrt(P1) * x1 + h2 * sqrt(P2) * x2 + n

其中P1小于P2。SIC解码时，基站先尝试解码用户2的信号，此时用户1的信号被当作干扰；如果用户2的目标速率大于阈值且解码成功，基站就把用户2信号从接收信号中减去，再解码用户1，这时用户1的等效信噪比只受噪声影响。

这个过程的本质是“用强用户的复杂度换弱用户的服务质量”。仿真时一定要把两个阶段的门限分别计算：第一阶段用户2的SINR要大于它的目标门限，第二阶段用户1的信噪比也要大于目标门限，两个条件同时成立才算一次成功传输，否则就记一次中断。很多刚上手的人只算了用户2的SINR就结束，中断概率会偏低，这是不对的。

2.3 任务卸载建模：本地计算与边缘计算

蜂窝卸载里还需要把计算任务模型建出来。我采用的模型比较通用：每个用户有一个计算任务，大小用L表示，单位是bit；任务复杂度用C表示，单位是cycles/bit。用户可以选择本地计算，也可以选择卸载到边缘服务器。

本地计算的时延就是本地CPU频率的倒数乘任务计算量，能耗是电容参数乘频率平方再乘计算时间。边缘计算的时延包括上行传输时延、边缘服务器排队和处理时延，还有下行回传时延。在这个项目里，边缘服务器算力充足，排队和处理时间可以近似为固定值，所以卸载时延的主要变量是上行传输速率，也就是由NOMA链路的SINR决定。

这样一来，整个性能分析就串起来了：信道决定SINR，SINR决定传输速率，传输速率决定卸载时延和能耗，中断概率决定总体的可靠性。项目的优化目标既可以写成“在中断约束下最小化总时延”，也可以写成“最大化系统能效”，两种写法难度差别不大，但后者在论文里更常见。

3. 性能指标推导：中断概率、吞吐量与能效

3.1 中断概率的闭式近似从哪里来

中断概率是这套系统最核心的可靠性指标。对于一个目标速率R_t，对应一个SINR门限γ_t = 2^(R_t/B) - 1。如果实际SINR低于门限，就认为这次传输中断。在NOMA上行链路中，中断事件是两个用户解码事件的交集，所以系统中断概率可以分解为：

P_out = 1 - P(γ2→1 ≥ γ_t2) * P(γ1→2 ≥ γ_t1)

第一项是基站成功解码远用户（用户2）的概率，第二项是SIC之后成功解码近用户（用户1）的概率。

如果信道增益服从指数分布（瑞利衰落），中断概率是可以写出闭式表达式的。具体推导过程中会用不完全伽马函数或指数积分，Matlab里可以直接用gammainc。不过我自己调试时发现，闭式表达式特别容易因为参数单位不一致而出错，比如路径损耗指数算出的信道增益是线性值还是dB值，直接决定后面指数积分里的参数写法。稳妥的做法是先用蒙特卡洛仿真把中断概率跑出来，再和闭式结果画在同一张图上对比，对不上就去查单位换算。

3.2 系统吞吐量与卸载时延怎么换算

吞吐量在卸载场景里直接等于“成功传输的比特数除以传输时长”。对于NOMA链路，系统总吞吐量是用户1和用户2成功传输速率之和，但要注意成功传输条件是SIC两步都成功，如果其中一步失败，本次块内两个用户的吞吐量都归零。这个细节在写仿真代码时特别容易漏。

卸载时延的计算则更偏系统层面。每个用户如果选择卸载，时延至少包含三部分：上行传输时延L/R_up、边缘处理时延L*C/f_edge、下行回传时延L/R_down。上行速率R_up由NOMA链路的实际SINR决定，下行回传一般假设有足够带宽，速率是常数。整个项目在画时延曲线时，经常会看到“用户2时延先降后升”的现象，原因是无人机高度增加时LoS概率上升让信道变好，但距离也变长，两者折中后存在最优高度。

3.3 能效定义和折中关系

能效（Energy Efficiency）通常定义为系统总吞吐量除以系统总能耗，单位是bits/Joule。系统总能耗包括用户发射能耗、电路能耗，以及无人机悬停和通信消耗的能耗。无人机能耗不能忽略，因为无人机功耗随悬停高度和位置变化明显。

我在实际优化中发现，能效和时延是天然矛盾的。如果一味追求高能效，系统会倾向于降低发射功率并选择较近的无人机位置，但这样会推高时延；如果只压时延，发射功率和无人机能耗又会上升。所以论文里经常把能效最大化问题加上“最大允许时延”约束，或者把时延最小化问题加上“最低能效”约束，本质上都是做折中。这个项目我建议把两个约束都写上，方便后面分析Pareto前沿。

4. 优化建模：功率、部署和用户配对

4.1 优化问题怎么写才不虚

把上面的物理过程转成数学优化问题，决策变量有三个：NOMA功率分配因子α（用户1占总功率的比例）、无人机水平位置（xu, yu）、无人机高度H。目标函数可以选系统能效最大化，也可以选加权时延最小化。约束条件包括最大发射功率、SIC解门限、最小目标速率、无人机飞行高度范围，以及用户配对约束（如果用户不只是两个，还需要决定谁和谁配对）。

一个常见的写法是：

max EE = R_total / P_total

s.t. γ1 ≥ γ_t1, γ2 ≥ γ_t2

0 < α < 0.5

H_min ≤ H ≤ H_max

(xu^2 + yu^2) ≤ R_uav^2

注意这里α约束写成小于0.5，是因为近用户分配的功率不能超过远用户，否则NOMA的SIC解码顺序就失效了。

这个优化问题非凸，尤其是无人机位置和高度变量进入信道表达式后，目标函数很难保证凸性。我采用的方法是“块坐标下降+一维搜索”：固定无人机位置，优化功率分配；固定功率分配，优化无人机位置；交替迭代若干次，虽然不能保证全局最优，但工程上已经够用，而且能稳定收敛。

4.2 功率分配：固定其他变量怎么解

固定无人机位置和高度后，信道增益就定了，此时能效最大化问题在α上有没有闭式解取决于目标函数形式。如果目标函数是总速率最大化，由于SIC约束都是线性的，α的最优解出现在可行区间的边界，或者出现在某个约束等号处，直接对α求导找极点就行。但如果目标函数是能效最大化，分式结构会让问题变成凸分式规划，通常用Dinkelbach方法迭代求全局最优。

Dinkelbach的核心思想是引入一个辅助参数μ，把“最大化R/P”改写成“最大化R - μP”，然后每轮更新μ = R_current / P_current，直到收敛。这个方法在Matlab里实现起来非常简单，外层while循环，内层用fminbnd对α做一维优化。我建议你先把总速率最大化跑通，再切到能效最大化，这样调试起来不会两头出错。

4.3 无人机部署搜索与联合迭代

无人机的位置变量比功率分配复杂，因为LoS概率里含仰角反正切，路径损耗里含距离平方，都不是简单凸函数。实测下来，用网格搜索或穷举法做无人机位置优化反而最稳。在Matlab里就是把水平范围切成30×30的网格，高度范围切成10个候选值，逐个计算能效，取最大值。网格分辨率不需要太高，因为能效曲线在最优位置附近通常比较平缓，太密的网格只增加计算时间，不会带来实际精度收益。

联合迭代的流程是：先给无人机位置设一个初始值，比如悬停在两个用户中点上方100米；然后固定它，用Dinkelbach求最优α；再把α固定，网格搜索无人机位置；重复几次。我在仿真里发现，迭代3到4次能效变化就已经小于0.1%，不需要额外加复杂收敛条件。用户配对方面，如果用户数多于两个，可以用贪心算法按信道增益排序后配对，强信道用户和弱信道用户配对，剩余用户按顺序依次配对。

5. Matlab仿真实现与代码拆解

5.1 仿真架构和初始化参数

我建议把整套代码拆成四个文件：主脚本main.m、参数配置函数parameters.m、信道生成函数channel_generator.m、性能计算函数perf_evaluation.m。这样做的好处是改参数不用翻代码，跑对照组也更方便。下面是我常用的参数配置，你可以直接抄：

% parameters.m R = 500; % 小区半径，m Pmax_u = 23; % 用户最大发射功率，dBm Pmax_dBm = Pmax_u - 30; % 转成线性值 noise_dBm = -174; % 噪声功率谱密度，dBm/Hz B = 1e6; % 子信道带宽，Hz target_rate = 1e6; % 目标速率，bps a_los = 9.61; b_los = 0.16; % LoS概率环境参数 fc = 2e9; % 载波频率，Hz c0 = 3e8; alpha = 0.2; % NOMA功率分配因子，可优化 H_uav = 100; % 无人机高度，m pos_user1 = [100, 0]; % 近用户位置 pos_user2 = [350, 200]; % 远用户位置 pos_uav = [200, 100, H_uav]; % 无人机初始位置 mc_iter = 1e4; % 蒙特卡洛次数

这里有个很容易踩的坑：dBm和线性W之间的换算。Matlab里如果直接拿dBm值算信道增益，结果会大得离谱。我一般先用db2pow把功率转成线性，信道增益也转成线性后再乘，最后用pow2db看SINR，转换逻辑清晰，不容易错。

5.2 核心函数：信道生成与NOMA接收

信道生成函数要同时输出用户到无人机、用户到基站、无人机到基站三条链路的信道增益。对于用户到无人机的空中链路，LoS概率和路径损耗分开算：

function [g] = channel_generator(pos_u, pos_a, H_a) d_h = norm(pos_u(1:2) - pos_a(1:2)); d_3d = sqrt(d_h^2 + H_a^2); theta = atan2(H_a, d_h) * 180 / pi; P_los = 1 / (1 + a_los * exp(-b_los * (theta - a_los))); % 路径损耗，单位dB PL_free = 20 * log10(4 * pi * fc * d_3d / c0); PL = PL_free + (1 - P_los) * 20; % NLoS额外穿透损耗20dB % 小尺度瑞利衰落 h_small = (randn(1, 1) + 1j * randn(1, 1)) / sqrt(2); g = abs(h_small)^2 * 10^(-PL / 10); end

注意这里我随机生成瑞利衰落时用了复高斯除以sqrt(2)，这样|h|^2的均值才是1，不会让信道增益产生系统性偏差。很多初学仿真的人直接用rand生成幅度，会造成衰落均值偏大，最终中断概率显著偏低。

NOMA接收端解码逻辑可以封装成一个函数：

function [outage] = noma_receive(g1, g2, P1, P2, noise, gamma_t1, gamma_t2) % 第一步：先解远用户（用户2），此时用户1是干扰 sinr2 = P2 * g2 / (P1 * g1 + noise); % 第二步：SIC后解近用户（用户1） sinr1 = P1 * g1 / noise; % 两个条件同时满足才算不中断 if sinr2 >= gamma_t2 && sinr1 >= gamma_t1 outage = 0; else outage = 1; end end

这个函数里的第一步尤其要小心，分母里的P1*g1不能漏。如果漏掉用户1的干扰，SINR会被高估，中断概率会偏乐观，最后画出的曲线和理论值对不上。

5.3 蒙特卡洛中断概率和吞吐量曲线

主循环里生成大量信道样本，统计中断次数和成功吞吐量：

% main.m outage_count = 0; throughput_sum = 0; for iter = 1:mc_iter g_uav1 = channel_generator(pos_user1, pos_uav, H_uav); g_uav2 = channel_generator(pos_user2, pos_uav, H_uav); % 假设只走无人机中继链路，UAV到基站链路近似理想 g1 = g_uav1; g2 = g_uav2; P1 = db2pow(Pmax_dBm) * alpha; P2 = db2pow(Pmax_dBm) * (1 - alpha); noise = db2pow(noise_dBm + 10*log10(B)); gamma_t1 = 2^(target_rate / B) - 1; gamma_t2 = gamma_t1; is_outage = noma_receive(g1, g2, P1, P2, noise, gamma_t1, gamma_t2); outage_count = outage_count + is_outage; if ~is_outage r1 = B * log2(1 + P1 * g1 / noise); r2 = B * log2(1 + P2 * g2 / (P1 * g1 + noise)); throughput_sum = throughput_sum + r1 + r2; end end P_out = outage_count / mc_iter; avg_throughput = throughput_sum / mc_iter;

我建议把mc_iter至少设成1e4，如果你要画中断概率的极低区域，比如10^-4量级，需要加大到1e6。我自己通常先跑1e4，等代码逻辑确认无误后再把蒙特卡洛次数加大做正式仿真。否则一笔误，跑1e6次需要好几个小时，效率太低。

5.4 能效优化的迭代过程

能效优化的外层代码可以用下面这个框架：

% energy_efficiency_optimization.m mu = 0; for iter = 1:10 % 固定UAV位置，优化 alpha obj_fun = @(alpha) -1 * (rate_total(alpha) - mu * power_total(alpha)); alpha_opt = fminbnd(obj_fun, 0.01, 0.49); % 固定alpha，网格搜索UAV位置 best_ee = -Inf; for x = -200:20:200 for y = -200:20:200 for H = 50:20:150 ee = comp_ee(alpha_opt, [x, y, H]); if ee > best_ee best_ee = ee; pos_best = [x, y, H]; end end end end mu = rate_total(alpha_opt) / power_total(alpha_opt); if abs(best_ee - mu) < 1e-3 break; end end

这里rate_total和power_total需要你自己根据前面的公式实现。要注意Matlab的fminbnd默认是求最小值，所以目标函数要加负号，否则优化方向会反。网格搜索的步长20米对于能效曲线来说已经够细，如果你追求更光滑的曲线，可以在最优位置附近再做一次更细的局部搜索，比如步长改为5米。

6. 实测结果、调试经验和避坑指南

6.1 我跑出来的典型曲线趋势

在默认参数下，固定功率分配时，系统中断概率随无人机高度呈现“先下降后上升”的趋势。高度从50米升高到100米时，LoS概率提升带来的增益占主导，中断概率明显下降；高度超过150米后，路径损耗增大开始压过LoS概率增益，中断概率反弹。这个现象几乎所有LoS概率模型都存在，可以作为你验证代码是否写正确的一个标志。

吞吐量曲线则不同，它在高度80到120米之间比较平稳，并不像中断概率那样有剧烈变化。原因是吞吐量主要取决于解码成功时的速率，而中断概率只反映成功与否。所以看结果时要分开解读：一个指标灵敏，一个指标稳健，这恰恰说明做性能分析不能只盯单一指标。

能效优化后的系统会比固定α和固定位置的情况高出20%到40%。我实测最优α通常在0.15到0.3之间，具体值受信道差影响。用户配对采用“强用户配弱用户”时，系统总吞吐量比随机配对提升约15%，但公平性改善更明显，远用户的中断概率可以下降近一半。

6.2 仿真调试中最容易踩的五个坑

另外还有一个隐性坑：如果你把无人机当纯中继，无人机到基站链路不能也建模成瑞利衰落，否则端到端信噪比表达式里会出现两个衰落项相乘，中断概率的收敛速度会慢很多。实际系统中无人机视距链路通常质量很高，我建议先把它设成理想链路，跑通后再逐步加入衰落，这样定位问题更方便。

6.3 一点个人体会和扩展方向

这套仿真我前前后后跑了两个版本，第一版把信道建模和NOMA解码拆在两个文件里，调试时来回切换文件非常痛苦；第二版把所有计算函数集中到一个文件，再通过子函数调用，效率明显提升。所以如果你是从零开始写，我真心建议先搭好最小可运行版本，再逐步加功能，不要一上来就追求模块化。

这个项目后续可以扩展的方向很多。最直接的是把两用户模型推广到多用户多信道，然后用匹配理论做用户调度；也可以给无人机加入移动轨迹优化，让它在服务完一个区域后移动到下一个区域；还可以把能量收集考虑进去，研究无人机无线充电和任务卸载的联合优化。不管往哪个方向走，这套中断概率计算、能效评估、功率和位置迭代优化的框架都能直接复用，不会白做。