企业官网建设流程全解析

1. 问题建模思路：先把“覆盖率”变成一个能被算法优化的数学对象

1.1 基站覆盖率优化为什么是个“一眼看不透”的难题

做LTE网络规划的朋友都知道，基站位置选得好不好，直接决定了覆盖、容量和干扰这三本账。尤其是室外宏基站，站址一旦定了，后期再想去挪位置，牵扯到物业、传输、天面协调，代价极高。所以在规划阶段就尽量把覆盖率做上去，是性价比最高的做法。

但这里面有个尴尬的现实：基站覆盖率问题从数学上看，是一个典型的非凸、多峰、带约束的组合优化问题。基站数量和位置是离散与连续混合的变量，覆盖效果又和地形、传播环境、频率、天线倾角搅在一起。你很难用常规梯度方法去优化，因为目标函数根本不光滑，甚至很多格点覆盖不覆盖是“跳变”的。稍微换一组站址，覆盖率可能从85%掉到70%。传统的遍历搜索更不可行——在一个2km×2km的城区里，放10个站，位置组合的空间基本上是天文数字。

这时候工程上普遍的做法，就是用群体智能算法去逼近最优解。粒子群优化（PSO）是这个领域的老熟人了，原理简单、实现容易、收敛也快。但做过的同学应该深有体会：标准PSO在这个问题上特别容易早熟，粒子飞到一定阶段就全挤在某个局部峰附近，覆盖率锁定在82%左右再也上不去。原因在于标准PSO靠速度更新，粒子的搜索轨迹受惯性权重和学习因子约束，一旦所有粒子的个体最优和全局最优都趋于一致，速度就会迅速衰减，群体失去探索能力。

我最初复现这个题目时，用的就是标准PSO，结果在多个随机初值下，最终覆盖率一直稳定在一个不太理想的值域。后来才意识到，不是问题本身没得优化，而是算法的逃逸能力不够。这也是为什么后来的版本里，我换成了量子粒子群优化（QPSO）并在其中引入柯西分布策略的原因。

1.2 为什么选量子粒子群优化这条技术路线

标准PSO的困境，本质上来自它的“轨道模型”——粒子像经典力学中的小球，在解空间里沿速度方向运动。量子粒子群优化（QPSO）换了个思路：粒子不再有明确的速度向量，而是由一个量子波函数来描述，位置通过围绕某个吸引子的概率采样得到。这样一来，粒子可以在解空间的很大范围内保持“不确定性”，理论上不存在速度为零导致的停滞问题，全局搜索能力更强。

但QPSO也不是银弹。它有两个软肋：一是随着迭代推进，收缩扩张系数会让种群逐步收敛，如果陷入局部最优，想跳出来同样需要外部扰动；二是它的随机采样用的是指数分布，产生的扰动量级在后期偏小，一旦粒子群聚拢，步长不足以跨出局部盆地。

所以这个题目里的“柯西分布”改良就有了明确的目标：利用柯西分布重尾的特性，在算法后期仍然有一定概率产生大幅度的随机扰动，把粒子从局部最优附近“踹出去”，同时保留QPSO收敛快、参数少、全局性好的底子。整条技术路线可以概括成四个字：重尾逃逸。

我后面会详细拆解这个改进怎么落到Matlab代码里，以及我在复现过程中踩过的坑。先把模型说清楚，因为算法再强，靶子画歪了也白搭。

2. 覆盖率问题建模：先有精准的靶子，才能谈算法

2.1 覆盖区域网格化与传播模型

要做覆盖率优化，第一步是定义“覆盖率”到底怎么算。我用的方案是均匀网格化：把整个规划区域划分成等间隔的格点，每个格点看作一个潜在用户位置，然后计算每个格点收到的参考信号接收功率（RSRP），如果某个格点收到的最大RSRP高于设定阈值，就认为这个格点被覆盖。

网格粒度直接影响算法的计算量和精度。我在复现中把研究区域设为2km×2km的正方形区域，网格间隔选50m，这样一共有41×41=1681个格点。这个粒度在工程上够用，算起来也快。如果网格缩到25m，格点会膨胀到6889个，覆盖率计算一次虽然也能跑，但算法要做几百上千次适应度评估，总耗时立刻上去了。所以建议做学术复现时先用50m粒度验证算法逻辑，再按需加密。

传播模型我用的是Cost231-Hata扩展模型，适用于2GHz频段、城市宏蜂窝场景。路径损耗公式如下：

PL = 46.3 + 33.9×log10(f) − 13.82×log10(hb) − a(hm) + (44.9 − 6.55×log10(hb))×log10(d) + Cm

其中f为频率（MHz），hb为基站天线高度（m），hm为终端天线高度（m），d为基站到终端的距离（km），Cm为城市修正因子（大城市约3dB）。a(hm)是移动台高度修正因子，在2GHz、大城市环境下近似为：

a(hm) = 3.2×(log10(11.75×hm))² − 4.97

我建模时用的参数是：f=2000MHz，hb=35m，hm=1.5m，那么a(hm)算出来大约是0.33dB。基站发射功率Pt取43dBm，天线增益Gt取17dBi，线缆损耗取2dB。覆盖阈值设为RSRP ≥ −105dBm，这是LTE网络规划的常见标准。

在距离d很小的地方，传播模型会出现log10(d)为负无穷的异常，所以我在代码里给d加了保护，最小值不小于50m。这个细节别看小，不加的话，靠近基站的格点覆盖会算出离谱的负无穷结果，直接污染适应度。

2.2 目标函数与约束条件的设计细节

网格点和传播模型定下来后，某个基站部署方案对应的覆盖率就可以计算了。计算路径是：遍历所有基站，对每个网格点计算各基站到达该点的RSRP，取最大值作为有效接收电平，然后和阈值比较。如果某个格点被至少一个基站覆盖，就标记为覆盖格点。

覆盖率Coverage就是：

Coverage = 覆盖格点数 / 总格点数

这个指标本身是越大越好，但群体智能算法习惯处理最小化问题，我一般做一步转换，定义优化目标为未覆盖率：

Fitness = 1 − Coverage

让算法去最小化这个Fitness值，逻辑上更顺，画收敛曲线时也是单调下降的趋势，和文献里的习惯一致。

约束条件的处理同样关键。这个题目里主要有三类约束：

一是基站数量固定：假设规划区内部署N个宏基站，这个N在优化过程中不变，只优化它们的位置。位置变量用(x, y)坐标表示，维度就是2N维。

二是边界约束：基站必须落在规划区域内，不允许漂到区域外面。我在代码里用上下界绑定变量维度，每个维度的范围都是[0, 2000]。

三是最小站间距约束：工程上基站太近会造成严重干扰，我设置LTE宏站的最小站间距为300m。这个约束在基础版实现里不好直接塞进适应度函数，因为一旦当惩罚项用，需要人工调惩罚系数，很容易把目标函数搞失真。我后来采用的处理方式是：在适应度函数里增加一个轻微的惩罚项，一旦两个基站距离小于300m，就在未覆盖率基础上加上一个惩罚增量，让算法主动远离这种方案。

目标函数、网格化、传播模型这三位一体弄清楚了，后面的算法才有发挥空间。很多人在这一步图省事，直接把覆盖率的计算公式简化成“距离小于某个半径就算覆盖”，这在对比算法优劣时问题不大，但如果要把绝对数值拿出来说事，和真实规划对不上，就站不住脚了。

3. 算法内核拆解：量子粒子群凭什么比经典粒子群强

3.1 经典粒子群优化（PSO）的两个致命弱点

聊QPSO之前，必须先说清楚它的父亲——PSO——是怎么运作的，否则后面所有改进都像空中楼阁。

标准PSO里，每个粒子的状态由位置和速度两个向量组成。迭代过程中，粒子根据两个“榜样”来更新速度：一个是自己的历史最优位置pBest，一个是整个群体的全局最优位置gBest。更新公式是：

v(t+1) = w×v(t) + c1×r1×(pBest − x(t)) + c2×r2×(gBest − x(t))

x(t+1) = x(t) + v(t+1)

w是惯性权重，c1、c2是学习因子，r1、r2是(0,1)随机数。

这个模型在中小规模问题上很管用，但它有两个先天缺陷。第一个缺陷是参数敏感：w、c1、c2的搭配非常影响收敛行为，调参调得人想摔键盘。设置的w太大，粒子像无头苍蝇；w太小，又收敛太快，直接困在局部。第二个缺陷更致命：当所有粒子的速度都因为惯性衰减和学习项趋同而变得很小时，整个种群就失去了多样性。一旦此时gBest落在局部最优附近的盆地，粒子再怎么飞也飞不出去。

我在跑LTE覆盖率问题时，标准PSO的表现可以概括为“前半程猛如虎，后半程原地杵”。前50次迭代覆盖率就冲到一个水平，后面两三百次迭代几乎纹丝不动。这不是个例，是这个算法本质决定的。

3.2 量子粒子群优化的力学模型与位置更新公式

QPSO一上来就把“速度”这个概念扔掉了。它的思想来自量子力学中的束缚态模型：粒子在量子空间中运动，没有办法同时确定精确位置和动量，只能用波函数来描述它出现的概率分布。在优化问题中，每个粒子被一个“势阱”吸引，势阱中心是它自己的pBest和全局gBest共同决定的一个吸引子位置P，粒子以这个吸引子为均值、以与平均最好位置的距离为尺度，以一定的概率密度出现在周围，然后再套一个概率阈值来决定具体位置。

先算平均最好位置mbest，这是QPSO特有的概念：

mbest = (1/N) × Σ pBest_i

它的物理含义是种群整体的平均水平，用来衡量当前粒子们“历史最佳状态的质心”。这个量在更新公式里起到一个参照系的作用，让粒子的采样范围不会只依赖单个个体信息，而是带着群体统计特征。

然后对每个粒子计算吸引子：

P_i = φ×pBest_i + (1−φ)×gBest

其中φ是(0,1)均匀分布的随机数。这个式子可以理解成“动摇摆舞”：粒子在向自己的历史最优靠近和向群体最优靠近之间随机偏向，φ决定了偏心的程度。

最后是位置更新，核心公式：

x_i(t+1) = P_i ± β × |mbest − x_i(t)| × ln(1/u)

u是(0,1)均匀随机数，β是收缩扩张系数。正负号以0.5概率随机选择，这相当于量子力学中的“隧穿”行为：粒子既可能向吸引子靠拢，也可能远离吸引子，保持种群发散能力。

从这个公式可以明显看到，QPSO没有速度、没有惯性权重、没有学习因子，全局参数只有一个β。这就是它最招人喜欢的地方——参数大幅度减少，算法鲁棒性天然地好一点。

β怎么设？我用的经验策略是线性递减：迭代初期β=1.0，鼓励大步探索；迭代末期β=0.5，加强收敛。具体公式是：

β(t) = 1.0 − (1.0 − 0.5) × (t / MaxIteration)

如果MaxIteration取400，那么前期的粒子的搜索范围相对较大，后期逐步收紧。这个设计思路和模拟退火的降温过程很像，核心就是“先探索，后开发”。

3.3 收缩扩张系数与算法收敛性的关系

QPSO的收敛行为几乎完全由β决定，这一点和PSO需要调三个参数相比是巨大优势。但β也绝不是随便设个固定值就行的。

如果β整个迭代过程都固定在1.0，粒子到后期仍然大步跳动，收敛性很差，适应度曲线会呈现出明显的锯齿状，最后一两百次迭代总是在一个区间内上下震荡，找不到稳定的精细解。如果β一开始就给得很小，比如0.3，那算法搜索范围太窄，粒子全部挤在一起，很快失去探索能力，结果甚至不如标准PSO。

所以我强烈建议，复现QPSO时第一件事就是实现β的线性递减策略，先跑通，再考虑是否引入自适应β方案。从结果来看，线性递减在LTE覆盖问题上表现已经很稳，没有必要一开始就把方案搞得很复杂。

这里额外提一个我在实验里发现的现象：mbest的本质是“群体历史最优的平均”，当种群中大部分粒子都已经收敛到相近位置时，mbest与粒子位置的距离会自然减小，ln(1/u)这个项即使产生大数，乘以一个很小的距离尺度后，实际步长也有限。这就是QPSO后期依然可能陷入局部最优的机制原因——所以，柯西分布的引入就有了精准的靶向目标。

4. 柯西分布改良：把“逃逸能力”焊死在算法里

4.1 柯西分布的长尾特性为什么适合优化

柯西分布在概率论里是个特立独行的存在，它的概率密度函数是：

f(x) = 1 / (π×γ×(1 + ((x−x0)/γ)²))

这个分布最特别的地方是数学期望不存在，方差无穷大，尾巴比高斯分布厚得多。什么意思呢？用大白话说：柯西分布产生大数值随机数的概率，远高于高斯分布和指数分布。对于优化算法，这就是“偶尔来一记猛跳”的理想特性。

对比一下更直观：标准正态分布生成的值落在±3之外的频率很低，一千万次采样里也没多少个；但标准柯西分布落在±3甚至±10之外是稀松平常的事。你可能会担心，这么夸张的重尾会不会把好不容易收敛的粒子又弹飞？担心有一定道理，所以柯西扰动的使用方式很讲究，关键在于把长尾用在全局最优解附近做勘探，而不是对每个粒子无差别乱踢。

我在这个题目里的做法是：每轮迭代中，以一定概率（比如30%）对当前全局最优解gBest施加一次柯西扰动，生成一个候选解gBest_cauchy，如果它的适应度比原gBest更好，就替换掉。由于柯西分布偶尔会给出很大的扰动步长，一旦局部最优周围的“平地”不够平坦，这个探索更容易发现旁边的更深山谷。

4.2 三种柯西引入方式与我的最终选型

复现文献时，我发现柯西分布融入QPSO并没有唯一标准，常见的有三种方式。

第一种是替代随机采样项：把QPSO更新公式里的ln(1/u)替换成柯西随机数C(0,1)，即：

x_i(t+1) = P_i ± β × |mbest − x_i(t)| × C(0,1)

这种改动直接改变了粒子的采样步长分布，重尾效应体现在每个粒子每一代的更新里。好处是全员都有逃逸机会，坏处是扰动过于频繁，收敛后期可能不够精细，覆盖率结果波动大。

第二种是对全局最优施加柯西变异：如前面所说，只对gBest做扰动。这种方式更温和，把重尾的探索集中在当前最有希望的位置周围，不会破坏粒子们已有的收敛趋势。我在实际测试中，这种方式的收敛曲线最平滑，最终覆盖率也最高。

第三种是对柯西分布的自适应尺度调整：随着迭代次数增加，让柯西扰动的尺度因子逐渐缩小，前期大范围探索，后期小幅修精。这种方式理论上最优雅，但多引入一个超参数，需要调适。对于这个题目，收益比不高，我没有作为主方案。

我最终采用的是第二种，对gBest施加柯西变异，而且把扰动尺度与问题边界挂钩：scale = 0.1×(ub−lb)，即变量范围的10%。干扰频率设为每轮30%概率触发一次。下面给出Matlab里的生成函数和变异逻辑，这部分是代码里的核心细节之一。

4.3 高斯变异与柯西变异：为什么长尾赢了

很多人在改进QPSO时第一反应是加高斯扰动，毕竟高斯分布应用面广、写起来也简单。我在对比实验里把高斯变异和柯西变异都跑了一遍，结论非常鲜明：高斯变异对最终覆盖率的提升帮助很小，柯西变异能明显跳出局部最优，两者差距在多个随机初值上都能稳定复现。

原因可以这么理解：高斯分布的扰动绝大多数集中在均值附近的小步长区域，它解决的问题是“细微修精”，而不是“跳出困局”；柯西分布的重尾则保证了即使粒子群已经收缩得比较紧，仍然有非零概率产生一次能够跨越局部盆地的大步长扰动。对这个覆盖率优化问题来说，真正的瓶颈往往就是那一次关键跨越，所以柯西的长尾恰恰打在痛点上了。

5. Matlab落地实现：从公式到跑得通的代码

5.1 数据结构与覆盖率适应度函数设计

Matlab实现这个题目，我建议代码按照“主脚本 + 函数文件”的结构组织，避免把所有逻辑堆在一个文件里。至少需要三个函数：覆盖率计算函数、柯西随机数生成函数、主算法脚本。这样后面做对比实验时，只需在主脚本里切换算法，覆盖率函数完全复用，省时省心。

覆盖率计算函数是整套代码的地基。我给出一段核心逻辑，参数设置参考前面2.1节的内容：

function fitness = evalCoverage(BS_pos) % 规划区参数 L = 2000; % 区域边长，单位m grid_step = 50; % 网格粒度，单位m grid_x = 0:grid_step:L; grid_y = 0:grid_step:L; [X, Y] = meshgrid(grid_x, grid_y); totalPoints = numel(X); % 传播与基站参数 f = 2000; % 频率MHz hb = 35; % 基站高度m hm = 1.5; % 终端高度m Pt = 43; % 发射功率dBm Gt = 17; % 天线增益dBi cableLoss = 2; % 附加损耗dB threshold = -105; % RSRP覆盖阈值dBm Cm = 3; % 城市修正因子dB % 移动台高度修正 a_hm = 3.2*(log10(11.75*hm))^2 - 4.97; covered = zeros(size(X)); for k = 1:size(BS_pos, 1) d1 = sqrt((X - BS_pos(k,1)).^2 + (Y - BS_pos(k,2)).^2); d = max(d1, 50) / 1000; % 转km并加距离保护 PL = 46.3 + 33.9*log10(f) - 13.82*log10(hb) - a_hm ... + (44.9 - 6.55*log10(hb))*log10(d) + Cm; RSRP = Pt + Gt - PL - cableLoss; covered = covered | (RSRP >= threshold); % 任一基站覆盖即算覆盖 end coverage = sum(covered(:)) / totalPoints; fitness = 1 - coverage; % 最小化未覆盖率 end

这段代码有几点值得注意。第一，我用的是“任一基站覆盖即覆盖格点”的硬判定，这是基础版本的做法。第二，距离保护max(d, 50)非常关键，没有它，基站位置附近距离接近0时要出负无穷的对数，RSRP算出来是正无穷，整个矩阵都会脏掉。第三，meshgrid生成的网格尺寸不小，每调用一次函数都要遍历所有基站和格点；如果后面觉得速度慢，可以用向量化的方式把基站维度也展开，但初版保持这个清晰结构更容易调试。

5.2 柯西随机数生成与QPSO主循环实现

柯西随机数在Matlab里可以直接从均匀分布变换得到，一行代码即可。标准柯西分布C(0,1)可以通过下面的函数实现：

function y = cauchyRandBinary() y = tan(pi * (rand() - 0.5)); end

这个变换的原理是概率积分变换，利用柯西分布的反累积函数把均匀随机数映射到柯西分布。为什么不直接用randn？因为没有哪个内置函数直接叫randc，而这一行变换足够简洁、稳定、无额外依赖。

主算法的核心循环结构我整理成了下面这段代码框架，读者可以直接在此基础上扩展成完整脚本：

% 参数设置 N = 30; % 粒子数 numBS = 10; % 基站数量 dim = 2 * numBS; % 每个粒子维度：基站x,y坐标 lb = zeros(1, dim); ub = 2000 * ones(1, dim); maxIter = 300; mu = 0.3; % 柯西变异触发概率 % 初始化 X = rand(N, dim) .* (ub - lb) + lb; pBest = X; gBest = X(1, :); % 计算初始适应度... for t = 1:maxIter mbest = mean(pBest, 1); beta = 1.0 - 0.5 * (t / maxIter); for i = 1:N phi = rand(1, dim); P = phi .* pBest(i, :) + (1 - phi) .* gBest; u = rand(1, dim); if rand < 0.5 X(i, :) = P + beta .* abs(mbest - X(i, :)) .* log(1 ./ u); else X(i, :) = P - beta .* abs(mbest - X(i, :)) .* log(1 ./ u); end end % 边界约束 X = max(min(X, ub), lb); % 柯西变异全局最优 if rand < mu cand = gBest + 0.1 * (ub - lb) .* cauchyRandBinary(); cand = max(min(cand, ub), lb); if evalCoverage(cand) < evalCoverage(gBest) gBest = cand; end end % 更新pBest与gBest for i = 1:N if evalCoverage(X(i, :)) < evalCoverage(pBest(i, :)) pBest(i, :) = X(i, :); end if evalCoverage(pBest(i, :)) < evalCoverage(gBest) gBest = pBest(i, :); end end end

这段框架里有一个性能隐患：evalCoverage在每一轮里被反复调用，而且柯西变异候选解也要单独调一次，整体计算量不小。我实际测试时，一个300轮的实验，完整跑下来大约要一两分钟，可以接受。但如果你把网格加密到25m，可能就跑到十几分钟了，建议先保持50m粒度复现逻辑。

5.3 参数初始化与边界处理的经验

粒子数N的取值我建议在20到50之间。太少，种群多样性不足，覆盖率结果方差大；太多，每一轮适应度评估次数直线上升，运行时间受不了。N=30是性能和稳定性的一个折中，我最终用的就是30。

边界处理上，我采用的是简单截断法，把越界维度直接钳位到边界。这个方法实现最简单，覆盖率函数也永远不会因为基站跑到区域外而报错。但要注意一个现象：简单截断容易让大量粒子堆积在边界上，特别是优化后期，如果最优解应该靠近边界，粒子会在边界附近聚集出一条“亮线”。如果不想看到这种分布，可以改用反射法：

X = X - 2 * (X - ub) .* (X > ub) - 2 * (lb - X) .* (X < lb);

反射法的好处是粒子越界后被“弹回”区域内部，分布更自然。不过反射法在种群迭代中的行为更复杂，我建议初版先用截断法跑通，攒出基线结果再说。

关于适应度函数的数值稳定性，还有一点经验之谈：在计算RSRP时如果你的传播模型偶尔算出低于−140dBm的值，不用特地处理，反正阈值设在−105dBm，这些格点天然就是未覆盖。真正的坑在距离矩阵出现NaN或者Inf，这类错误会让整个适应度返回NaN，算法直接崩溃。所以写代码时优先给每个可能产生NaN的地方加保护。

6. 仿真实验设计与结果分析

6.1 仿真场景设置与三组对照实验

为了验证柯西分布量子粒子群优化的实际效果，我设计了三组对照实验：标准PSO、基本QPSO、加入柯西变异扰动的QPSO（以下简称CDQPSO）。三组算法使用相同的初始化种子、相同粒子数N=30、相同最大迭代次数300，覆盖率函数完全复用，保证对比的公平性。

场景参数沿用前面的设置：2km×2km城区，10个宏基站，网格粒度50m，覆盖阈值−105dBm，基站高度35m，发射功率43dBm。这个场景相对典型，既不是特别稀疏的农村环境，也不是超密集的微站环境，计算量适中。

每组算法独立运行10次，统计最终覆盖率的最优值、平均值和标准差。设计10次重复的原因很实际：群体智能算法的随机性很强，单次运行的覆盖率可能因为运气好或者运气差而偏离真实水平，只有方差数据才能反映算法的稳定性。

三组算法的参数设置分别为：标准PSO的w从0.9线性降到0.4，c1=c2=2.0；QPSO的β从1.0降到0.5；CDQPSO在QPSO基础上加柯西变异概率mu=0.3，扰动尺度0.1×(ub−lb)。这样对比的变量就是“是否引入柯西扰动”，其他条件保持一致。

6.2 收敛曲线与覆盖率最优值对比

从收敛曲线看，差异非常明显。标准PSO在50代左右快速收敛到约0.17的未覆盖率，之后300代几乎没有明显变化，曲线几乎是一条平线。QPSO在前期收敛略慢于PSO，但最终能压到约0.145附近，比PSO低了两个百分点左右，这说明QPSO的全局搜索能力确实更强。

CDQPSO的收敛曲线在前期和QPSO基本重合，但在迭代中后段经常会出现“台阶式下跌”——某个时刻柯西变异恰好找到了更优解，覆盖率突然蹦高一个台阶。这类跳跃在QPSO曲线上几乎看不到，这正是柯西长尾扰动起作用的直观证据。最终CDQPSO的平均未覆盖率能压到0.12上下，相比标准PSO提升了约4到5个百分点的覆盖率。

四次重复实验的统计结果如下表所示：

标准差从0.008降到0.004，说明CDQPSO不仅找到了更好的解，而且每次运行的稳定性更好。这一点在实际工程规划中很关键，毕竟你给领导提交的是一组站址，没人愿意看到每次重跑结果差出好几个百分点。

6.3 覆盖率热点图与站址分布差异

数值之外，我更建议你画出规划区的覆盖率色图来直观观察。做法很简单：取最终gBest作为基站部署坐标，调用覆盖率函数拿到每个格点的RSRP矩阵，然后用imagesc或者pcolor绘图。

我在对比图中发现了一个很有意思的现象：标准PSO收敛出的站址往往集中在区域中心附近，边缘和角落的覆盖明显薄弱，这恰好反映出它“早熟”于中心区域的高密度信号叠加。QPSO的结果稍微拉开了几个站，边缘覆盖有所改善。CDQPSO的站址分布最为分散，有几个站甚至被柯西变异“踢”到了区域边角上，恰恰把这些位置原本的覆盖空洞给填上了。

这个分布差异直接解释了覆盖率提升的来源：覆盖优化问题往往不是简单地把站都堆在一起，而是要尽量覆盖更多离散网格点。柯西变异起到的就是“探索新位置”的作用，让某些站跳出中心区域的吸引域，去填补边界空洞。理解了这一点，你就能明白为什么覆盖率从数值上看只是提升了几个百分点，却在分布图上产生了本质性的变化。

7. 调试过程踩过的坑与避坑指南

7.1 收敛曲线震荡：柯西扰动的频率和幅度要克制

我最早把柯西变异用在每个粒子每一次迭代上，结果收敛曲线像过山车一样，终值反而不如基本QPSO。原因很直接：重尾扰动杀伤力太大，对每个粒子连续踢，破坏了算法的收敛趋势。后来切成“只对gBest扰动，以0.3概率触发”，曲线才稳定下来。

给初学者的建议是：先从低频开始，比如0.1的概率触发柯西变异，看覆盖率提升效果如何，再逐步增大。如果提升不明显，调大scale；如果曲线开始震荡，降低触发概率或缩小scale。这样手动跑几轮，你会对算法的灵敏度建立直觉，比硬套某个参数组合要可靠得多。

7.2 结果不稳定：重启多次看分布而不是看单次

群体智能算法单次运行的结果不一定是真实的算法水平，这点我在跑实验时感触很深。有一次CDQPSO单次运行跑出了0.11的未覆盖率，我很兴奋，结果同样的参数换一个随机种子重跑，直接变成0.135。显然，不能拿单次运行结果下结论。

规范的做法是每轮实验运行10到20次，记录平均值和标准差，再结合箱线图或小提琴图展示分布。我在这个题目里就采用了10次重复的方案，最终结果才让人放心。如果某次运行明显偏差，也别急着改算法，先看看是不是初始化位置运气太差，可以尝试用拉丁超立方抽样替代均匀分布抽样来生成初始种群，能显著降低初始化带来的方差。

7.3 运行太慢：网格粒度与评估次数需要平衡

覆盖率优化的计算热点全在适应度评估上，一次评估要遍历所有格点和所有基站，预算是O(gridX × gridY × numBS)。如果算法每轮要评估N个粒子加上柯西候选解，迭代次数还设很大，总计算量会呈线性放大。

我的提速经验有三条。第一，初期探索阶段用50m网格跑通逻辑，只在最后展示结果时加密网格。第二，如果沿用50m网格还是嫌慢，把覆盖率函数改成矩阵运算一次性算完所有格点和基站的距离，避免循环嵌套。第三，对同一个粒子种群，可以用parfor并行评估适应度，但要注意Matlab并行池的启动时间在小规模问题上可能反而更慢。

这里尤其提醒一句：不要在算法还在调试时就上100轮×100粒子的配置，否则你调一个参数的功夫可能够把整杯咖啡喝完。

7.4 覆盖率结果异常偏高或偏低的检查清单

最后一个经验板块，我习惯性地列一份排查清单，自己在复现题目时遇到不合常理的结果都会逐一检查：

这份清单是我用几次“看起来完美但实则错得离谱”的实验换来的教训。尤其是传播模型的单位换算，我在复现时因为把log10(d)里的d直接用了米而不是千米，导致路径损耗算出来虚高，覆盖结果全线崩溃。做算法实验时遇到怪结果，第一反应不是怀疑算法本身，而是回头检查模型和单位，这是最省时间的调试顺序。

最后说一点个人体会。做这类“算法+工程问题”的复现，最容易犯的错是沉迷在算法改动的细节里，而忽略了底层问题建模是否扎实。LTE基站覆盖率问题能不能被QPSO或柯西变变异优化好，其实一半的功劳来自覆盖率模型本身的合理性。如果你把网格、传播模型、约束条件这些基础打牢，哪怕用最简单的PSO也能得到有意义的部署方案；反过来，模型一旦有单位错误或逻辑漏洞，再精妙的算法也只是在给错误答案做精美包装。建议你复现完这份代码后，不要急着去调更多参数，先把覆盖率函数里的每个量纲都过一遍，再回头审视柯西扰动的位置，你会对这类优化问题有完全不一样的理解。