企业官网建设流程全解析

调试这套仿真的头一个星期，我做的最多的事情不是写算法，而是盯着那五条轨迹发愣：它们要么在搜索阶段互相撞在一起，要么在围捕阶段绕着目标画出一个歪歪扭扭的多边形，然后集体停在某个角落不动了。项目标题里"多无人机目标搜索与围捕"听起来是一个动作，实际跑起来才发现它是两个完全不同性质的子问题，中间还夹着一层很不显眼的耦合——搜索阶段留下的位置分布，直接决定围捕阶段能不能顺利收口。

这篇内容围绕基于 MATLAB 的多无人机协同目标搜索与围捕仿真展开，把环境建模、概率地图更新、任务分配、路径生成、环绕构型、势场收拢、通信约束和性能评估这一整条链路拆开讲，重点放在参数怎么定、为什么要这么定、以及实测中哪些地方最容易翻车。适合正在做多智能体协同控制课程设计、准备算法验证的新手，也适合已经跑通了单机程序、想把它扩到多机协同但被各种震荡和死锁卡住的同学。代码用 MATLAB 写，全部基于向量化矩阵运算和简单的函数拆分，不依赖任何额外工具箱，一台普通笔记本就能跑。

1. 为什么这套仿真必须拆成"搜索"和"围捕"两段

1.1 两个子问题的数学本质根本不一样

搜索阶段面对的核心矛盾是信息不确定。你不知道目标在哪，手里只有一张先验概率图和几个带噪声的传感器读数，任务是把整片区域的"不确定性"降到某个阈值以下。这是一个覆盖问题，评价指标是覆盖率、平均发现时间、单位时间搜索面积。算法的重心在于怎么把区域切开分给各机、怎么让扫描路径尽量不重叠。

围捕阶段面对的核心矛盾变成了几何构型。目标位置已经相对明确，剩下的问题是怎么让 N 个平台在有限时间内形成对目标的环绕包围，并且相邻间距不能小于安全距离、不能大于通信距离、还要保证目标跑不掉。这是分布式编队与合围问题，评价指标是收敛时间、包围圈半径稳定度、逃逸成功率。

把这两个问题塞进同一个目标函数里优化，基本等于自找麻烦。因为前者的最优解倾向于"分散铺开"，后者的最优解要求"向心收拢"，方向完全相反。我在第一版代码里试图用一个统一的势场函数同时表达"去没搜过的地方"和"靠近目标"，结果就是无人机在搜索后半段开始成群结队往目标的反方向跑——因为那里的"未搜索势能"更高，吸引力盖过了目标引力。

提示：搜索与围捕务必用两个独立的状态机分支，用触发条件切换，而不是用权重混合。切换时刻的选择比权重调参重要一个数量级。

1.2 四层结构：环境层、决策层、运动层、评估层

我最终采用的骨架是四层分离的结构，各层之间只通过结构体（struct）传数据，互不越界调用。这样做的好处是改一层不会牵连其他层，调参的时候心里有底。

决策层比运动层慢，这一点很关键。目标分配是一个组合优化问题，每帧都重算既没必要也太慢；而运动层的势场避碰必须每帧算，否则会撞。很多新手把两者都放在同一个时间步里算，跑 50 架规模的场景直接卡到帧率掉到个位数。

1.3 MATLAB 在这条链路里真正省事的地方

选 MATLAB 不是为了算法本身，而是为了三件事。第一是矩阵化操作：把 N 架无人机的状态堆成一个 N×2 的位置矩阵，一次pdist2就能拿到全连接距离矩阵，避碰判断不用写双重循环，上百架规模也不卡。第二是可视化：plot、quiver、contourf、animatedline这几样东西拼起来，概率热力图加轨迹加朝向箭头可以实时刷新，调试时能一眼看出是哪一层的输出不对。第三是中断调试：在循环里随便打断点，workspace里所有结构体都在，能直接画任意变量。

我用过其他环境写同样的逻辑，优势是可以做更细的内存管理，但代价是可视化要自己搭，一套概率热力图加实时轨迹的工具链搭下来得两三天。对于算法验证阶段来说，这个投入不划算。MATLAB 的短板也很清楚：大规模蒙特卡洛跑不快，所以我一般是先在 MATLAB 里跑通 20 次以内的对比，再把算法改写出去做上千次的统计。

2. 栅格地图和概率存在图：把"可能在哪"变成矩阵

2.1 栅格分辨率怎么定，别拍脑袋

这是整个流程里第一个会踩的坑。很多人直接取 100×100 的栅格，因为"看着挺细的"。但分辨率必须从传感器的探测能力倒推，否则会得出错误的覆盖结论。

设单机传感器的有效探测半径为 R，我用的经验规则是栅格边长 Δ 取 R/3 到 R/2 之间。道理很简单：当一个平台某个时刻位于某栅格中心时，它的探测圆至少要完整覆盖 3 到 5 个栅格，这样即使采样点稀疏，相邻两次采样之间也不会出现探测空白。取 Δ = R/2 时，探测圆内部格子数约为 πR²/Δ² = 4π ≈ 12.6 个，足够。取 Δ = R 时只剩 3 个格子，扫描路径稍有抖动就漏检。

给个具体数字。假设搜索区域是 1000 m × 1000 m，机载视觉有效半径 R = 60 m，那两个都不能用的极端取值是：Δ = 5 m 会得到 200×200 = 40000 个栅格，概率图更新一次就是四万次浮点运算乘以机数，几十架时明显掉帧；Δ = 60 m 只有 17×17，路径基本没法规划。折中取 Δ = 25 m 得到 40×40 = 1600 个栅格，既能保证每个探测圆覆盖 18 个左右的格子，计算又轻。

还有个容易忽略的点：区域尺寸要能被 Δ 整除，或者显式处理边界余数。我第一次写的时候，1000/30 除不尽，最后一列栅格只覆盖了 10 m 宽，概率更新时索引越界报错，排查了快一个小时才发现是尺寸问题。养成在初始化时assert(mod(L, delta) < 1e-9)的习惯。

2.2 概率图的初始化和贝叶斯更新

先验概率图有两种常用初始化。均匀初始化（每格 1/M）适用于完全无信息；带先验热点的初始化（给定若干可疑区域概率加权，其余归一化）适用于有情报引入的场景。第二种更贴近实际，但要注意归一化，我见过直接把热点区域置 0.8、其余全置 0.5 的写法，概率总和远大于 1，后续更新全部失真。

更新用简化贝叶斯。假设平台对栅格 k 探测一次，检测到目标的概率为 P_d(k)，未检测到时，该栅格的目标存在概率按如下方式衰减：

p(k) = p(k) * (1 - Pd) / (p(k) * (1 - Pd) + (1 - p(k)))

这个式子其实可以理解成"没看见"这件事本身就是证据：一个本来很可能有目标的格子，如果反复扫过都没看见，它的概率就该往下掉。检测到目标时直接跳到围捕状态，不再更新概率图。

Pd不该是常数，应该跟距离挂钩。我用的经验模型是Pd = exp(-(d/R)^2 * 2)，中心处接近 1，边缘衰减到 0.13 左右。这样能自然形成"越靠近越可靠"的覆盖价值，搜索路径规划时会自动倾向于把探测圆中心对准热点。

function P = bayesUpdate(P, idx, Pd) % idx: 被探测的栅格线性索引，Pd: 对应探测概率向量 Pm = 1 - Pd; p = P(idx); P(idx) = p .* Pm ./ (p .* Pm + (1 - p)); P(idx) = min(max(P(idx), 1e-4), 1 - 1e-4); % 防止数值塌缩 end

min/max那一行别省。连续几百步更新后，概率会出现 0 或者 1，一旦到 0 就永远回不来，到 1 又会在除式中产生警告。夹在 1e-4 到 1-1e-4 之间是稳妥做法。

2.3 覆盖度指标不能只看"扫过的格子数"

覆盖率有两种算法，结论可能相差 20% 以上。第一种是硬覆盖：只要某个栅格的概率低于阈值（比如 0.1）就算已覆盖。第二种是概率残余：用1 - mean(P)表示整体不确定性。

我一般两个都记，因为它们的用途不同。硬覆盖用于判断"能不能切换到围捕模式"，概率残余用于比较不同搜索策略的优劣。曾经有一版算法，硬覆盖率冲到 96%，但概率残余还有 0.35，原因是它在几个概率极高的热点区域反复盘旋、把那里的概率压到极低，而大片低概率区域只是被"扫了一遍"，概率从 0.001 降到 0.0009，对残余贡献几乎为零。这种"看起来覆盖得很好、实际信息收益很低"的情况，只用硬覆盖率是发现不了的。

注意：概率图更新和覆盖统计一定要用同一套Pd模型，否则统计出来的覆盖率和规划器认为的价值面不一致，会出现"规划器觉得该去的地方，统计器认为已经覆盖"的分裂现象。

3. 搜索阶段的分配逻辑：切区域还是拍卖

3.1 等面积切分和 Voronoi 的适用边界

区域切分是最省算力的做法，O(N) 复杂度，一次算完可以跑很久。等面积切分把矩形区域按机数纵向切成 N 条，每条宽度 L/N，各机只在自己那条里做平行线扫描。优点是绝对不会重复、通信量几乎为零、实现简单。

缺点是它完全不响应概率分布。如果热点全在第一条带里，其他四条带的无人机就白跑了。实测下来，在目标位置先验均匀的场景里，等面积切分的效果跟复杂算法差距不到 5%，但在目标有明确聚集倾向的场景里，差距会拉到 30% 以上。

Voronoi 切分是折中方案：按各机当前位置做 Voronoi 划分，各机负责自己单元内的搜索。它天然具有负载均衡的性质——谁离得近谁负责，转移成本低。代价是每次位置变化都要重算 Voronoi 图，如果每个控制周期都重算，N=10 时计算量还能接受，N=30 就明显拖慢。我的做法是每 20 个周期重算一次，中间用小范围调整补。

3.2 基于收益指标的拍卖分配

再往上一档是拍卖式分配。每个尚未被充分搜索的子区域算一个"标的"，价值定义为该区域内概率残差之和除以到达该区域的估计代价：

value(i, j) = sum(residual(j)) / (1 + dist(pos_i, center_j) / v_max)

各机对价值最高的标的出价，出价最高的获得。这是一个贪心的近似解，不保证全局最优，但在实际场景里表现出乎意料地好，而且天然分布式——每架无人机只需要知道自己的位置和公共的概率图。

实现时有两点要注意。一是代价项的分母要加 1，否则无人机正好在标的中心时分母为 0 直接爆掉。二是要加去重机制：如果多个标的中心非常接近，同一架无人机会连续中标好几个，导致其他区域的机一直闲着。我用的办法是设一个最小间距d_sep，一旦某机中标，它周围d_sep范围内的标的直接标记为不可选。

3.3 扫描路径的形状选择和间距计算

平行线扫描（也叫割草机路径）是覆盖率最高的单机路径，直来直去，转弯少，能耗低。间距的算法是：

W = 2 * sqrt(R^2 - (delta/2)^2) % 有效搜索带宽 L_scan = W * (1 - overlap) % 实际布线间距

当 R = 60、Δ = 25 时，W = 2*sqrt(3600 - 156) ≈ 117.4 m。取 overlap = 0.15，则布线间距约 99.8 m。这个 15% 的重叠是为了补偿转弯处的漏检和传感器抖动，不是浪费。我在仿真里对比过 overlap 取 0、0.1、0.2、0.3 四档，覆盖率分别是 82%、91%、95%、96%，耗时分别是 100%、108%、120%、137%。0.15 是性价比拐点。

螺旋线路径适合"从一个热点向外扩展"的场景，尤其在先验信息集中时比平行线快。但螺旋线有个致命问题：它的路径不闭合，如果中途因为重规划被打断，重新进入时很难接上，容易造成大块遗漏。所以我只在初始阶段先验集中时用它，一旦概率图变平就切回平行线。

3.4 重规划的触发条件要设得保守

重规划不是越频繁越好。我最初设成"每当概率图变化超过 5% 就重规划"，结果每 3 个周期就触发一次，无人机全在原地打转，一步都没走完。

后来改成三条触发条件，满足任意一条才重算：一是有平台完成了当前任务段（走完一条扫描线）；二是有平台的探测发现了概率突变（单格概率超过 0.6）；三是距上次重规划超过了固定周期数（比如 100 个周期）。这样平均每 40 到 60 个周期才触发一次，路径的连贯性明显变好。

提示：重规划时给旧路径加一点"惯性"——新分配的目标点和旧目标点如果距离小于某个阈值就保持不变。这个简单的滞回机制能大幅减少路径抖动，比调任何算法参数都有效。

4. 围捕阶段的几何问题：怎么围得住又不撞

4.1 目标状态估计：单机看不准，多机融合才稳

搜索阶段检测到目标只是"发现"，围捕阶段需要持续跟踪。单机的测量有噪声，尤其是距离估计，测距误差在 5% 到 10% 之间很常见。直接用单机测量去做合围，包围圈会不停地抖。

工程上的做法是让每架无人机跑一个局部滤波器（卡尔曼或者简单的 α-β 滤波），并且在通信邻居之间做一次一致性融合。α-β 滤波器在这个场景里其实够用，因为它计算量小、参数物理意义明确：

% 一维 α-β 滤波，对目标 x 坐标做估计 function [x_est, v_est] = abFilter(z, x_est, v_est, dt, alpha, beta) x_pred = x_est + v_est * dt; r = z - x_pred; x_est = x_pred + alpha * r; v_est = v_est + beta * r / dt; end

α 取 0.3 到 0.5，β 取 0.05 到 0.15，实测在 10 Hz 更新率下跟踪效果已经不错。α 太大跟踪快但抖，太小则平滑但滞后。我用 0.4 / 0.08 这个组合跑了很久，对各种机动目标都还稳。

融合用加权平均就够，权重按各机的估计协方差倒数分配。别在这里上太复杂的算法，因为围捕的时间窗很短，融合算法本身的收敛速度反而是瓶颈。

4.2 环绕点的角度分配和半径计算

环绕点分配最直观的做法是等角度分配：第 i 架无人机分配到角度 θ_i = θ_0 + 2πi/N，半径 R_enc。这里有两个约束要同时满足。

第一个是相邻间距不小于安全距离d_safe。在半径 R_enc 的圆上等角度分布时，相邻弧长对应的弦长为d = 2 * R_enc * sin(π/N)。要求 d ≥ d_safe，反解出R_enc ≥ d_safe / (2*sin(π/N))。N = 6、d_safe = 20 m 时，R_enc ≥ 20/(2*0.5) = 20 m，这个下界很宽松。

第二个是相邻距离不大于通信半径。同样的公式反解出R_enc ≤ d_comm / (2*sin(π/N))。N = 6、d_comm = 150 m 时上界是 150 m。所以 20 到 150 都是可行的，我一般取 60 到 80 m，留足余量应对位置偏差。

真正麻烦的是角度分配不是静态的。目标在移动，无人机在靠近，如果每帧都重新按等角度分配，会出现"抢位"——两架无人机同时往同一个角度飞。解决办法是加匈牙利算法做一次最小代价匹配，代价矩阵元素是"第 i 架到第 j 个环绕点的距离"。N 不超过 20 时用matchpairs一行搞定，超过的话还是得写简化的贪心匹配。

4.3 势场法为什么在这里容易卡死

人工势场法的吸引力加排斥力这套东西，写在论文里非常漂亮，跑起来问题一堆。典型症状是无人机在到达环绕点附近 2 到 3 m 的地方开始来回振荡，永远进不去。

根因是吸引力随距离线性衰减、排斥力随距离平方反比增长，两者在某个距离处必然相等，形成一个平衡点。如果这个平衡点恰好落在环绕点附近而不是环绕点本身，就会卡住。

三种改法我都试过。第一种是给吸引力加个"死区"：距离小于 3 m 时吸引力恒定为一个小的常值，不再衰减。这个最简单，但会引入超调。第二种是把排斥力改成有界形式，比如F_rep = k_rep * (1/d - 1/d0) * (1/d^2)只在 d < d0 时生效，且乘一个饱和因子。第三种是干脆不用势场，改成"速度指令 + 优先级避碰"：每架无人机朝目标点飞，同时检查有没有更高优先级的邻居在未来 3 秒内可能相撞，有就减速或侧移。

我现在默认用第三种，因为它行为可预测、调试直观，而且能明确知道"谁让谁"。势场法只在需要平滑轨迹的场合用。

4.4 收拢时序：别让所有人一起挤

围捕的最后一步是收缩包围圈。如果所有无人机同时向内收，会发生两件事：一是内部空间迅速压缩，轨迹互相干扰；二是围捕半径过小时，相邻机之间的实际距离可能跌破安全阈值（因为位置偏差累加）。

正确做法是分批收拢。先让包围圈内角度间隔最大的那部分无人机（通常是 1/3）向内收一步，等它们稳定后，再让下一批。判断稳定的标准是位置变化率连续若干个周期低于阈值。这样虽然总收拢时间长了 20% 到 30%，但过程非常干净，没有互相挤压。

同时要设一个最小包围半径下界，即 4.2 节算出来的R_min = d_safe / (2*sin(π/N))再乘一个 1.2 的安全系数。收到这个半径就停，不要试图收到 0。有些论文里把最终半径画成 5 m，那是理论值，实际多机系统里这个数字基本不可实现，位置误差本身就超过它。

5. 主循环怎么写：时间尺度和通信模拟

5.1 双时间尺度的主循环骨架

主循环的核心是把决策周期和控制周期分开。我的默认配置是控制周期 dt = 0.1 s（10 Hz），决策周期每 10 步执行一次（1 Hz），评估记录每步都做但只是存数组。这个比例在多数场景下够用。

dt = 0.1; T = 300; steps = T/dt; decEvery = 10; for k = 1:steps t = k * dt; % 1) 环境演进（目标真实运动、传感器采样） env = envStep(env, dt); % 2) 感知与概率图更新 [probMap, detFlag] = senseUpdate(probMap, env, agents); % 3) 状态机切换 if mode == "search" && detFlag mode = "encircle"; end % 4) 决策层（低频） if mod(k, decEvery) == 0 if mode == "search" agents = assignSearch(probMap, agents); else agents = assignEncircle(targetEst, agents); end end % 5) 运动层（高频） agents = ctrlMove(agents, probMap, mode, dt); % 6) 通信模拟：邻居状态延迟/丢包 agents = commStep(agents, commModel); % 7) 指标记录 log = recordMetrics(log, k, probMap, agents, env.target); end

这个结构看起来简单，但有三个细节决定了它能不能跑稳。第一是第 2 步的概率图更新必须在决策层之前，否则分配用的是上一拍的信息。第二是第 3 步的切换判断要独立于决策层频率，检测到就立刻切，不然会耽误一个决策周期。第三是第 5 步的运动层里不能再次调用环境层，否则同一时间步内传感器会被采两次，概率图更新出错。

5.2 通信时延和丢包：不加这两样，仿真结果毫无参考价值

理想通信下的多机协同，结果总是漂亮得出奇。一加上 200 ms 时延和 10% 丢包率，协同就散架了。这两样必须建模，哪怕用最简陋的方式。

时延用固定延迟队列实现：每个平台维护一个长度为ceil(delay/dt)的历史状态数组，计算邻居信息时取队列头部而不是当前状态。丢包用伯努利抽样：每次通信有 p_drop 概率取到上一拍的状态。

若 rand() < p_drop，则用当前缓存的旧值； 否则用本次采样值并更新缓存。

这个简单的模型能暴露出大量问题。我最典型的一次发现：搜索阶段的分配算法对丢包极度敏感，因为一旦某架无人机的分配结果丢了，它会认为那个区域没人负责，然后冲过去和其他人重复搜索。加上超时重传和分配结果的本地缓存后，问题解决。

注意：通信半径的建模不能只用欧氏距离硬截断。实际中链路质量随距离衰减，边缘处丢包率高。用p_drop = 1 - exp(-((d_comm - d)/d_comm)^2 * 3)这种形式平滑过渡更接近实际，也能避免"刚好跨越边界时通信突然中断"的跳变。

5.3 状态机切换的坑：双向切换要加冷却

搜索到围捕的切换是单向的，容易。但如果目标跑出了探测范围，需要从"围捕"退回"搜索"，这时候如果逻辑写成"是否检测到目标"直接决定状态，会出现高频来回切换——检测到就围捕，丢失就搜索，检测到又围捕。

解决办法是加一个状态保持计数器：只有连续丢失目标超过 M 个周期（比如 20 个），才退回搜索模式；期间保持围捕，并且往最后一次观测位置靠拢。这个计数器本质上是一个滞回环节，一行代码的事，但没有它，仿真跑起来状态机会疯狂抖动，所有统计指标都失效。

6. 那些让我熬夜的坑：现象、根因和处置

这一段是我最想分享的部分，因为常规教程里基本只讲理想情况，下面这些全是实际调试中撞出来的。

6.1 问题排查对照表

6.2 角度归一化：一个能让人找半小时的 bug

计算邻居方位并做角度差的时候，如果不处理 ±π 的跨界，会得到一个巨大的虚假角度差。比如邻居在 -179°，自己在 +179°，直接相减是 358°，而真实差值是 2°。

标准的处理方式：

function d = wrapPi(a) d = mod(a + pi, 2*pi) - pi; end

所有涉及角度差的判断——环绕点是否已达、邻居是否在前方、转向角是否超限——都必须经过这个函数。我第一版代码忘了在"是否到达环绕点"的判断里加，结果无人机在跨越 -180° 方位时集体判断"已经到位"，直接停下来，五条轨迹卡在同一个方位上，排查了半天以为是势场问题。

6.3 索引顺序的一致性

MATLAB 的矩阵索引是 (行, 列)，对应 (y, x)。而大多数运动学公式写的是 (x, y)。这两个东西混用，画出来的图和算出来的轨迹必然对不上。

我的做法是在每一层的入口处明确注释坐标约定，环境层内部统一用 (row, col) 表示 (y, x)，一旦出到运动层立刻转成 (x, y)。转换只在两个函数里发生，其他函数一律不碰。这样虽然要多写几行转置，但避免了最难查的一类 bug——程序不报错，只是图是镜像的。

6.4 安全距离判定用平方距离省时间

避碰判断是每帧每对都要算的，N = 20 时有 190 对。用sqrt完全不必要，直接比平方距离。这个优化在 N 小的时候看不出来，跑蒙特卡洛 500 次时能省下可观的时间。同理，判断"是否在探测范围内"也是比平方，不用开方。

% 好 [nearIdx] = find(sum((P - P(i,:)).^2, 2) < dSafe^2); % 不需要开方

7. 怎么证明这套东西真的有用：评估与可视化

7.1 指标要能对应到具体的问题

搜索阶段的指标我用四个：平均覆盖率随时间曲线、目标发现所需时间、单位时间搜索面积、重复搜索比例。第四个最容易被忽略但最能反映分配质量——重复率超过 25% 基本说明分配逻辑有问题，不是算法参数的问题。

围捕阶段的指标也是四个：合围收敛时间（从检测到目标到所有机到达环绕点）、稳态包围半径偏差、最小相邻间距的最小值、目标逃逸成功率。第三个是安全性的核心指标，只要出现过一次低于安全距离，这个方案的工程可行性就要打问号。

评估层不要只看最终值，一定要看过程曲线。我遇到过最终包围半径非常漂亮、但过程中有一次半径突然涨到两倍的方案，原因是某一架无人机中途丢包后去追了一个过期的目标位置。只看终值完全发现不了这个问题。

7.2 可视化不只是好看，是主要调试手段

概率热力图用imagesc或contourf，配合colormap用能体现"高概率偏红"的色标。轨迹用plot画累积线。朝向用quiver每 20 帧画一次，避免箭头太密。目标用大圆点标记。

真正有用的技巧是分窗显示：左边一个窗口显示概率图和轨迹，右边上下两个子图分别显示覆盖率和最小间距的实时曲线。这样跑的时候能立刻判断"是搜索卡住了还是围捕出问题了"。只看一个轨迹窗口，很多时候分不清"飞机在原地转"是因为没找到目标还是因为分配逻辑死循环。

7.3 单次跑通不算数，必须做蒙特卡洛

单次仿真的随机性很大，目标初始位置、传感器噪声、丢包序列都不一样。我一般是固定随机种子跑一次看细节，然后用 100 组不同种子跑统计。

统计表大概长这样：

这张表最有价值的信息不是数值本身，而是趋势：加了延迟之后收敛时间增加 35%，加了障碍之后覆盖率下降 5%、逃逸率翻倍。这些趋势能直接指导后续优化方向——如果重点是抗逃逸，那就要重点处理障碍环境下的通信和估计问题，而不是优化搜索路径。

另外，跑蒙特卡洛时一定要把随机种子显式记录下来。我踩过这个坑：某次统计结果异常好，回头想复现，因为种子是用时间初始化的，怎么都跑不出同样结果，最后只能重跑全部。

提示：把每次运行的配置结构体存成mat文件，包含种子、参数和结果摘要。三十次之后你根本记不住哪次改了什么。

最后分享一个实际体会：这套仿真的难点从来不在某个算法的实现，而在于层与层之间的耦合。搜索留给围捕的初始位置分布、通信延迟对分配稳定性的影响、更新频率和收敛性的匹配，这些东西没有任何一篇文献会明确告诉你取值多少合适。我的建议是先用最简单的算法把整条链路串起来——等面积切分 + 平行线扫描 + 等角度环绕 + 纯速度指令，保证它能从搜索一直走到围捕收口，再逐个模块替换成更复杂的方法。反过来做，从复杂算法开始搭，你会花大量时间在"搞不清是哪一层出的错"上。