1. 问题定义与整体思路
1.1 为什么要把无人机搬上天当基站
先把这个事情说透。传统蜂窝网络的地面基站，覆盖范围受制于地形遮挡、建筑阻挡，市区环境里一个宏基站的实际有效覆盖半径可能只有几百米。遇到大型集会、自然灾害、临时通信保障这类场景，临时铺设光纤、架设铁塔根本来不及，这时候把基站搬到天上就有了现实意义。
无人机空中基站的核心思路是利用飞行高度换取视距链路。无人机悬停在百米量级的空中时，天线与用户之间的遮挡大幅减少，地物阴影效应被削弱，信号传播近似自由空间加少量额外损耗，覆盖半径可以显著扩大。同时，空中基站可以动态调整位置，哪边用户密集就往哪边飞，这是地面固定基站做不到的灵活调度能力。
“19个六边形蜂窝网络”这个设定，本质上是经典六边形蜂窝模型从理论走向仿真实现。六边形是蜂窝网络的理想化近似，因为六边形能够无缝隙地拼接覆盖整个平面区域，而且比圆形更贴近实际基站的近似覆盖轮廓。19个蜂窝对应的是中心蜂窝加上向外扩展两圈，第一圈6个、第二圈12个，正好构成一个完整的二维蜂窝簇。选择这个规模并不是随意拍脑袋，而是为了在有限仿真区域内，体现出同频干扰的主要来源——距离中心蜂窝最近的两圈干扰基站已经纳入，而更外围的基站干扰贡献已经很小。
这个项目要解决的问题很具体：在地面蜂窝网络无法正常工作的场景下（灾区、临时活动、偏远地区），用一组无人机悬停组网，通过对覆盖范围、链路质量、同频干扰三个指标的联合仿真，验证空中基站组网的可行性。Matlab作为实现工具，图的是它的矩阵运算效率和自带的可视化能力，三天之内能跑通整套仿真链路，这一点比C++或Python更适合快速验证算法场景。
1.2 这套仿真适合谁、能解决什么学习诉求
我接触过好几类人对这个题目感兴趣。第一类是通信工程专业的学生，正在做毕设或者课程设计，需要一套结构完整的仿真框架作为起点；第二类是刚接触蜂窝网络干扰分析的工程师，想理解六边形模型、路径损耗、SINR计算这些概念在实际代码里怎么落地；第三类是做无人机应用方案的技术人员，想评估空中基站组网的覆盖能力，但不一定有通信背景。
不管哪类人，核心的学习诉求是相通的：怎么从理论公式走到能跑出结果的代码？六边形网格怎么在Matlab里生成？基站高度不同时覆盖半径和链路质量怎么变化？同频干扰在仿真里怎么量化？这套项目把这些问题一次性串了起来。特别提醒一点：这个题目虽然叫“无人机覆盖”，但核心并不是无人机飞行控制或轨迹规划，而是把无人机当作可移动的基站节点，研究其组网后的无线覆盖特性。飞行控制部分可以考虑后续扩展，但当前项目专注通信指标仿真。
2. 系统模型与关键参数设计
2.1 六边形蜂窝网格的数学基础
这里需要先建立坐标系。蜂窝网络的六边形网格有两种常见的坐标系表示方式：轴向坐标和偏移坐标。Matlab里最实用的是偏移坐标，因为直接用二维数组就能映射蜂窝位置，处理起来直观。
以边长为R的六边形为例，水平方向上两个相邻蜂窝中心距离是1.5R，实际很多程序里把R归一化，用1.5倍关系来控制布局；垂直方向上，由于六边形的交错排列，奇数行和偶数行之间要错开半个水平间距。这是新手最容易出错的地方，直接把六边形当作矩形网格排列，结果相邻蜂窝之间的距离全错了，后面的干扰计算全部失真。
我这里采用的方案是以蜂窝边长为单位长度，第i行第j列的蜂窝中心坐标通过两次变换得到。仿真时先定义行数和列数，再用双层循环遍历生成所有蜂窝中心点，并且根据行号奇偶性做水平偏移。代码如下：
% 六边形蜂窝网格生成 function centers = generateHexGrid(rows, cols, cellRadius) centers = zeros(rows * cols, 2); idx = 1; dx = sqrt(3) * cellRadius; % 六边形中心到中心的水平距离 dy = 1.5 * cellRadius; % 两行之间的垂直距离 for r = 0 : rows - 1 for c = 0 : cols - 1 x = c * dx; if mod(r, 2) == 1 x = x + dx / 2; % 奇数行偏移半个水平间距 end y = r * dy; % 行方向可能是负方向，不重要，相对位置关系一致即可 centers(idx, :) = [x, y]; idx = idx + 1; end end end这里cellRadius指的是六边形中心到顶点的距离，也是用户判定归属蜂窝的基准。如果只是生成基站位置，不需要这行里的dx/dy之外多余参数，但如果后续要对用户做归属划分，蜂窝边长就必须参与计算。我曾经看到有人用蜂窝中心间距直接当作半径用，最后画出来的覆盖图看起来对，但实际拓扑失真，这一点要注意。
2.2 19基站拓扑结构的生成与验证
在普通网格基础上提取19个蜂窝位置，是标准的内外两圈布局：中心基站1个，第一圈6个，第二圈12个。生成坐标后，可以画一遍验证拓扑正确性，别急着往下做信道仿真。
clear; clc; cellRadius = 500; % 单位：米 % 生成足够大的网格 rows = 7; cols = 7; centers = generateHexGrid(rows, cols, cellRadius); % 锚定中心点：取网格中心附近的点 origin = [mean(centers(:,1)), mean(centers(:,2))]; distFromOrigin = sqrt(sum((centers - origin).^2, 2)); % 按距离排序，取最近的19个蜂窝中心 [~, sortIdx] = sort(distFromOrigin); bsPositions = centers(sortIdx(1:19), :); % 验证：画蜂窝边界 + 基站位置 figure; hold on; for i = 1:19 hexagon = plotHex(cellRadius, bsPositions(i, :)); fill(hexagon(:,1), hexagon(:,2), [0.85 0.85 0.85], 'EdgeColor', 'k', 'LineWidth', 1); end plot(bsPositions(:,1), bsPositions(:,2), 'r^', 'MarkerSize', 8, 'DisplayName', 'UAV基站'); grid on; axis equal; xlabel('X 坐标 (m)'); ylabel('Y 坐标 (m)'); title('19蜂窝无人机基站拓扑'); legend;plotHex这个子函数自行实现为正六边形顶点计算，顶点角度从0度开始每隔60度采样一个，加上闭合点在首尾重复。拓扑正确以后，你会看到内圈6个基站正好位于中心基站六边形的六个顶点方向，第二圈12个基站填充外套接缝处。这个结构本身就是一个典型的频率复用簇，同频基站的相对位置关系完全由拓扑决定。
2.3 空地信道模型的关键选择
空中基站与地面用户之间的信道，最常用的标准模型是基于视距与非视距概率的统计模型。核心思想是：无人机高度越高，视距概率越大，但传输距离也更远，路径损耗不一定就小；高度低了虽然距离近，但建筑物遮挡导致非视距概率上升，附加损耗变大。存在一个最优高度区间，这正好是项目要分析的重点。
常用参考模型假设城市宏蜂窝环境下，视距概率可以用S曲线拟合，参数跟建筑高度分布、建筑密度有关。我项目中采用的近似公式：
PL = 20*log10(4*pi*f*d/c) + eta_LoS (视距情况) PL = 20*log10(4*pi*f*d/c) + eta_NLoS (非视距情况)其中eta_LoS和eta_NLoS是环境附加损耗，典型城市环境下两个值大致取1dB和20dB，具体数值跟场景相关，很多论文里这套取值可以复现。尤其要注意的是，d是三维距离，不是水平距离。这一点在代码里很容易被忽略，因为画拓扑图时看的是二维平面，用户和基站的XY坐标都出来了，Z坐标没有直观显示。计算距离时不加高度差，算出来的路径损耗偏小，覆盖面会虚高。后面参数敏感性分析部分会专门说明这个差距有多大。
此外频率对路径损耗影响明显。基站侧选2GHz附近频段不只是为了贴近真实部署，更重要的是频率升高后自由空间损耗变大，空中基站的覆盖半径会明显缩小，如果选3.5GHz，同样功率下覆盖半径能小将近两成。项目默认用2GHz，如果做扩展实验，可以用3.5GHz对比，结果中出现差别才是正常的。
2.4 频率复用与同频干扰建模
19个基站全部用同样的频率，会面临严重的同频干扰，但这反而是仿真的正确做法——我们要评估的就是在严重干扰下系统还能不能正常工作。通过设置频率复用因子为1并分析小区边缘的SINR最坏情况，可以看出空中基站组网的容量上限。
每台无人机的发射功率假设固定为1W（30dBm），用户在某一时刻只接入信号最强的基站。干扰计算需要遍历其他18个基站，把干扰功率累加。最终SINR表达为：
SINR = P_signal / (P_noise + P_interference)其中噪声功率由带宽、玻尔兹曼常数和噪声系数共同决定。带宽10MHz下热噪声功率约-104dBm，加上5dB噪声系数后约-99dBm。这里可以很负责任地说，很多入门仿真里略掉噪声项，直接把信号除以干扰，得到的结果过于乐观，尤其在低干扰场景下差别很大。完整公式一定要保留噪声项。
频率复用很关键，因为无人机基站的邻区干扰与地面宏站比有区别。空中基站间视距概率高，干扰信号也以视距路径为主，衰减更慢，干扰强度更大。这张趋势要是在结果图里没体现，多半是路径损耗模型用错了。
3. 无人机高度与覆盖半径的关系分析
3.1 高度如何影响路径损耗和视距概率
这题有个核心矛盾，就是用户与无人机的仰角。无人机高度低时，仰角大，用户离基站正下方不远，距离较短，但周围建筑物容易遮住信号，非视距概率低不了；无人机高度高时，仰角小，信号斜穿城市上空，视距概率显著提升，但是斜距拉长，自由空间损耗变大。
用具体数据感受一下。假设用户水平距离500米，无人机高度200米时，三维距离约538.5米；升高到400米时，距离变成640.3米，自由空间损耗增加1.5dB左右。但高度从200米升到400米的视距概率，在城市环境下可能从不到0.4提升到0.8以上。换句话说，提升高度付出的自由空间损耗是有回报的，但到一定程度后回报会下降，覆盖半径最终不会无限增加。
仿真这个关系时，最直接的方法是让无人机高度从50米扫到500米，每间隔50米计算一次覆盖半径，统计SINR大于某阈值（比如0dB）的用户比例。这个比例定义为覆盖率，是常用来描述覆盖性能的指标。需要注意的是，把覆盖率阈值从0dB改成-3dB，结果曲线会整体上移，但最优高度位置基本不变，说明这个最优高度主要由信道模型决定，跟具体门限关系不大。
3.2 覆盖半径的估计方法与初值计算
在写正式仿真代码之前，建议先做一轮快速估算，目的是给后续仿真一个合理的参数范围，避免跑出来全是0或者全是100%。
估算用等效各向同性辐射功率，即发射功率加天线增益，默认天线增益为0dBi，则EIRP就是30dBm。接收灵敏度假设为-95dBm，则允许的最大路径损耗是125dB。这个值代入视距情况下的链路预算公式，反推最大三维距离。同时考虑非视距情况，最大路径损耗也是125dB，但附加损耗多19dB，自由空间部分只能容忍106dB，距离缩短很多。
两种情况的差异可以简化成：实际覆盖范围取决于视距概率与两种距离的加权。在视距概率高的区域，覆盖以视距为主；概率低于一定值之后，覆盖将迅速收缩。做这种估算时，通常会发现高度在300米左右附近，覆盖半径达到峰值，低于或高于这个高度，覆盖性能都会下降。具体数值视信道参数而定，但趋势基本稳定。
用计算出来的半径跟蜂窝边长对比，还能判断19个蜂窝整体覆盖是否存在空洞。如果覆盖半径小于蜂窝中心间距的一半，用户在小区边缘大概率无法接入，这时候要么提高发射功率，要么降低无遮挡传播环境参数。把这些先算清楚，再写大规模蒙特卡洛仿真，会省很多时间。
3.3 高度扫描仿真的关键代码结构
高度扫描部分的代码结构可以分成三层：外层循环改高度参数，中层循环扫用户位置或做多次随机用户撒点，内层则是计算每个用户的SINR。结构清晰，方便扩展。
%% 高度扫描主循环 altitudes = 50:50:500; coverageRatio = zeros(length(altitudes), 1); sirThreshold = 0; % dB for hIdx = 1:length(altitudes) uavHeight = altitudes(hIdx); % 每次撒点N个用户，做多次取平均 coverageCnt = 0; totalUser = 0; for trial = 1:numTrials users = randomUserPositions(numUsersPerTrial, coverageRange); [~, servingBs] = maxSINR(bsPositions, users, uavHeight); sinrDb = calSinrAllUsers(bsPositions, users, uavHeight); coverageCnt = coverageCnt + sum(sinrDb > sirThreshold); totalUser = totalUser + numUsersPerTrial; end coverageRatio(hIdx) = coverageCnt / totalUser; fprintf('高度 %d m，覆盖率 %.2f%%\n', uavHeight, coverageRatio(hIdx)*100); end figure; plot(altitudes, coverageRatio*100, 'b-o', 'LineWidth', 1.5); xlabel('无人机高度 (m)'); ylabel('覆盖率 (%)'); grid on; title('无人机高度对覆盖率的影响');calSinrAllUsers函数内部需要完成距离计算、视距概率抽样、路径损耗计算、干扰累加四件事。注意每次随机撒点之后要用固定的随机种子，方便复现和问题排查。很多复现不了的结果，源头就是随机数种子变化导致用户分布每次都不一样。
高层代码跑起来很快，最耗时间的是用户数量多、扫描次数多。我的建议是初步验证用500个用户、3次重复就够，画出趋势图再考虑加密集度跑精细结果。
4. 核心Matlab实现与结果可视化
4.1 仿真主流程的设计与模块划分
这个项目写到最后，代码结构大概率会包含：参数配置模块、拓扑生成模块、用户生成模块、信道计算模块、指标统计模块、可视化模块。把参数集中放在文件头部或者独立脚本里，调参时不会到处翻代码，是仿真工程化的第一步。
我见不少人一上来就把所有逻辑堆在一个脚本里，改一个参数要小心搜索几十行，加一个新指标又要重构一遍。这个项目规模不大但胜在结构清晰，建议尽早拆函数。函数划分的原则是：一个函数只做一件明确的事，比如calPathLoss不再管SINR，assignServingCell不管用户归属更新。
主流程大概这样走：先加载参数和基站拓扑，再循环生成用户并计算SINR指标，最后输出覆盖率、平均SINR、边缘用户SINR等统计量，同时把覆盖图和SINR分布图保存下来。代码组织上没有太多炫技空间，但对训练工程习惯很有帮助。
4.2 SINR计算与干扰累加的实现细节
SINR计算的实现细节是整套代码最核心的部分，说几个容易踩的坑。
第一点，距离矩阵直接向量化。用户数M和基站数N，距离矩阵用M×N的矩阵一次性算出来，而不是双层循环对每个用户逐个算。Matlab的矩阵运算效率远高于循环，用户数量到几千时差异已经肉眼可见。
function sinrDb = calSinrAllUsers(bsPositions, userPos, uavHeight) numBs = size(bsPositions, 1); numUsers = size(userPos, 1); bsPos3D = [bsPositions, repmat(uavHeight, numBs, 1)]; userPos3D = [userPos, zeros(numUsers, 1)]; % 三维距离矩阵 distMat = zeros(numUsers, numBs); for i = 1:numUsers distMat(i, :) = sqrt(sum((bsPos3D - userPos3D(i, :)).^2, 2)); end % 视距概率矩阵 PlosMat = LoSProbability(distMat, uavHeight); isLos = rand(size(distMat)) < PlosMat; plMat = zeros(size(distMat)); etaLos = 1; etaNlos = 20; f = 2e9; c = 3e8; freeSpaceLoss = 20*log10(4*pi*f*distMat/c); plMat(isLos) = freeSpaceLoss(isLos) + etaLos; plMat(~isLos) = freeSpaceLoss(~isLos) + etaNlos; txPowerDbm = 30; rxPowerDbm = txPowerDbm - plMat; % 服务基站选择：接收功率最大 [servingPower, servingIdx] = max(rxPowerDbm, [], 2); % 干扰累加 interferenceLinear = zeros(numUsers, 1); for i = 1:numUsers interferers = rxPowerDbm(i, :); interferers(servingIdx(i)) = -Inf; % 去掉服务基站 interferenceLinear(i) = sum(10.^(interferers/10)); end noiseDbm = -99; noiseLinear = 10^(noiseDbm/10); sinrLinear = 10.^(servingPower/10) ./ (interferenceLinear + noiseLinear); sinrDb = 10*log10(sinrLinear); end第二点，视距概率抽样要小心。每次算路径损耗时都重新抽样一次，相当于每个用户-基站链路的视距状态随每次运行变化，这在统计意义上是合理的，但如果你想固定某次传播环境来对比算法，需要单独保存视距随机数种子。
第三点，干扰功率线性域求和。dB域不能直接相加，这是个所有人都会说的坑，但实际代码里这个错出现频率极高。累加前必须转线性域，算完再转回dB域。如果干扰源数量多，各个基站的接收功率都接近，线性求和之后可能比服务功率还大，SINR变成负的——这个是正常的。
第四点，服务基站如果切换，干扰项要跟着变，所以必须用max找到服务基站索引后再去除该索引。去掉服务基站这一步如果在dB域进行会导致逻辑出错，因为只是把最大值删掉，干扰强度没有变化。
4.3 覆盖图与SINR分布的可视化输出
结果可视化是这套仿真的门面，也是用来发现模型问题的最直观手段。覆盖率随高度的曲线是一个热图，全区域的SINR分布则是另一个视角。
绘制SINR分布图我推荐用散点图：用户位置坐标作为XY轴，颜色映射到SINR值。这样既能看出哪些区域覆盖良好（最好是中心蜂窝附近），哪些区域因为干扰导致SINR偏低（通常是六边形边缘），还能直观对比不同高度下的分布形态变化。
figure; scatter(userPos(:,1), userPos(:,2), 20, sinrDb, 'filled'); colorbar; caxis([-10 30]); colormap(jet); axis equal; grid on; xlabel('X 坐标 (m)'); ylabel('Y 坐标 (m)'); title('用户SINR分布图 (高度=300m)');散点图颜色分布如果出现明显的“中心亮、边缘暗”蜂窝图案，说明干扰模型计算正确。这其实是个很好的自检方法。如果颜色分布杂乱无章、没有清晰的六边形边界，多半是拓扑生成错位或基站高度赋值错误。我在第一次跑这套仿真时，就因为没有给基站赋值三维高度，导致所有用户接入最近的基站且干扰计算为空，SINR图大片黄色，后来检查才发现距离矩阵是全二维的。
另外注意caxis的范围选择。默认情况下Matlab自动分配色标范围，如果有个别用户SINR特别高，会把整体色标拉得很宽，普通区域的差异看不清。手动设定范围能保留对比度。
4.4 系统关键指标统计与输出
统计指标时，我不能只看覆盖率这一个数，至少要同时看平均SINR、5%边缘用户SINR（即所有用户SINR排序后第5百分位的值，通常用来衡量小区边缘用户体验）和吞吐量估计值。香农公式的简写形式可以估算理想吞吐量：
吞吐量 = B * log2(1 + SINR_linear)其中B是带宽，SINR线性值不能直接用dB。虽然实际系统达不到香农极限，但这个上界至少能反映覆盖和干扰水平的变化趋势。把平均吞吐量和边缘用户吞吐量对比，可以回答“提高覆盖率是否以牺牲边缘用户速率为代价”这类问题。
统计时注意用户数量必须够多，至少上千个用户做统计才有意义。少用户数时单个极端位置用户可能拉歪均值，5%分位也几乎没有统计意义。按照一个用户代表一个小区域的思路，2000个用户分布在19个六边形的覆盖区内，每蜂窝平均约百余人，能较好地表征空间分布特征。
5. 仿真结果分析
5.1 高度对覆盖率与SINR阈值的敏感性
在默认参数（2GHz载频、1W发射功率、10MHz带宽、城市环境）下，高度扫描实验的结果趋势如下：覆盖率在低空阶段随高度快速上升，在大约250米至350米区间达到峰值区域，随后缓慢下降。峰值平台较宽时，可以认为高度在这个区间内对覆盖性能影响不大，这对实际部署是有利的，说明无人机不需要精确悬停在某个固定高度，小范围浮动不会造成覆盖明显恶化。
这个结论背后的机制就是视距收益与距离损耗的权衡。低空段高度每上升50米，视距概率提升带来的增益远超过距离增长带来的损耗；高空段则相反，距离增长成为主导因素。
把SINR阈值从0dB提升到5dB后再看，覆盖率峰值会下降10个百分点以上，但峰值高度区间基本不变。这说明提升SINR要求时惩罚的是小区边缘用户，而不是中心区域，等于是用覆盖范围换服务质量。做系统设计时可以根据业务类型选择门限：语音业务对SINR要求低，数据业务要求高。
5.2 发射功率调整对覆盖能力的影响
固定高度300米时，发射功率从20dBm增加到30dBm，覆盖率的变化可以用链路预算近似。功率增加10dB，接收功率增加10dB，覆盖半径扩大约1.26倍，在六边形拓扑里相当于覆盖面积扩展。但需要注意干扰也同比增强，SINR未必增加10dB。
实际仿真中，功率增加对SINR的影响取决于当前干扰受限还是噪声受限。干扰受限时SINR基本不变，覆盖率只能靠覆盖半径扩展来提升，边缘用户提升有限；噪声受限时SINR随功率线性上升，覆盖率提升明显。19基站同频部署通常已经进入干扰受限区，所以单纯提高功率的边际效益有限。
后续扩展可以尝试功率控制策略。比如中心基站降低功率以减少对边缘基站的干扰，边缘基站维持高功率保证覆盖延伸，全局覆盖率能进一步优化。这部分算力开销不大，感兴趣的朋友可以自行加入。
5.3 不同环境场景的参数对比
城市环境、郊区和开阔地的差异主要体现在视距概率模型参数和附加损耗上。郊区建筑矮、密度低，视距概率整体抬升，非视距附加损耗下降，同样的高度和功率下覆盖率自然更高；开阔地几乎全是视距，覆盖半径最大。
仿真时可以定义一个环境类型参数，一组配置对应一个环境。城市、郊区、开阔地三组参数跑完后，覆盖率曲线会呈现明显层次：开阔地覆盖最好，郊区次之，城市最差。这种对比实验放到报告里，能增强“空中基站对非城市环境更友好”这个结论的支撑度。
但必须提醒，位置选择不同时最优点也不同。开阔地的最优高度可能低于城市环境，因为不需要通过升高来规避遮挡。部署无人机时，最先要确认的是地理场景，再确定高度，不能照搬别人的经验值。
6. 常见问题、调试技巧与经验总结
6.1 Matlab代码调试中的典型问题排查
平时帮人看代码的时候，遇到最多的问题集中在三块：六边形网格错位、视距概率计算溢出、SINR统计量分布异常。
六边形网格错位通常表现为画出的基站拓扑与预期不一致，内圈变成六边形但外圈凹凸不平，或者两个蜂窝重叠。排查方法是先在小规模（比如3行3列）下打印中心点坐标，手算验证间距关系，确认无误后再放大到19个蜂窝。拓扑画出来如果觉得不对，先别急着往下算，否则所有后续结果都在错误基线上。
视距概率表现怪异通常是概率模型参数不合适。比如有些简化模型用高度/距离比值直接作为因子，预设情景下可能出现概率大于1或者小于0的情况，建议写边界保护，超过1就赋1，小于0就赋0。不过我更喜欢用指数型S曲线，天然限制在0和1之间。
SINR分布如果出现大量“无限大”值，很可能是用户位置跟基站重合，距离为0导致路径损耗是负无穷。处理方式是在用户生成时加最小距离约束，比如距基站至少10米。实体上不可能有用户跟基站同位置，仿真里更不能出现，否则那一个点的异常值会把后续所有统计拉偏。
6.2 仿真效率优化的几点实用技巧
仿真的效率瓶颈通常在用户数量大、基站多时出现。一个基础优化是预先计算基站两两之间的相对位置矩阵，因为基站拓扑固定后不会再变。用户和基站的距离计算也可以向量化到单个矩阵运算，避免逐用户逐基站双层循环。
第二个优化是内存管理。用户数量2万、基站19个，距离矩阵是2万乘19，每个元素双精度8字节，只有3MB左右，完全可接受。但如果用户数量超过十万，矩阵运算的内存压力就会显现，此时可以考虑分块计算，每次处理5000个用户，累加指标后再释放。
第三个技巧是重复利用随机数生成器状态。如果做多组参数扫描，每次重开Matlab，得到的结果有差异，这不利于对比。合理做法是主函数开始时设置rng(2024)固定种子，并在代码注释里写明“本工程固定随机种子，结果可复现”，这样同一个参数下多人运行也能得到几乎一致的结果。
6.3 从仿真到实际部署的差距与思考
仿真跑得再漂亮，也要知道它跟实际部署之间的差距。这个项目用的是统计信道模型，参数是通用城市环境参考值，实际场景中楼宇高度、材料、密度都不一样，真实路径损耗需要实测校准。无人机本身的姿态晃动、机载天线波束指向偏差也会带来额外损耗，仿真里天线是理想全向的。
功率受限和续航限制同样关键。仿真假定所有无人机以恒定功率工作，实际多旋翼平台携带的通信设备功耗不低，续航时间有限，如果要实现连续覆盖，需要轮换充电和站址接力，这套仿真没有涉及资源调度层。
不过，这些差距不降低这个项目的学习价值。六边形蜂窝建模、空地信道、同频干扰、SINR统计，这些基础能力练好之后，后续扩展无人机轨迹规划、动态功率控制、协调多点传输都会顺畅很多。
6.4 扩展方向建议与心得
这套工程还可以往多个方向扩展，按难度排序给几条建议，方便做完基础项目之后继续深入。
方向一：加入用户接入策略对比。目前用户接入的是接收功率最强的基站，容易导致个别基站负载过高。可以试试最大SINR接入或偏置参考信号接收功率接入，对比负载均衡与边缘性能。
方向二：加入无人机位置优化。以最大化覆盖率或最小化干扰为目标，用粒子群算法调整19架无人机的XY位置，让基站位置不再是固定蜂窝网格，而是随用户分布动态调整。改动点主要是目标函数的定义和优化器对接，信道计算部分可以复用。
方向三：加入非正交多址接入或者多点协作传输。这类技术对边缘用户SINR有明显增益，但是计算复杂度上了一个台阶，适合作为进阶课题。
从我实际跑下来的体验来说，这套工程最大的价值在于“完整闭环”四个字。从系统建模到编程实现，再到结果分析，一套流程走下来，对整个蜂窝网络的理解深度会有不小的提升。如果你正在做相关的毕业设计或者项目实践，强烈建议自己手敲一遍代码，不要直接复制别人的源码，哪怕敲完再对照修改都行。只有手敲过，调过bug，看到过程图和结果图的细节差异，这些知识才真正变成自己的。
