无人机位置优化开发日志：把模拟退火从公式写成程序

第一步不是写退火，而是把目标说清楚

这个项目的题目看上去很容易让人直接进入编码：随机生成一些用户，然后让无人机不断移动，找到一个看起来更好的位置。但如果没有先定义“更好”是什么，移动就没有意义。

我最后采用的目标是最小化无人机到所有地面用户的最大距离。这个目标比平均距离更严格，因为它关注最差的覆盖用户。只要最远用户仍然离无人机很远，通信范围就很难真正缩小。

用一个结构体保存用户状态

程序使用 jiji 结构体保存每个用户的横坐标、纵坐标、服务容量和中间信道系数。用户数组容量设置为 1005，足以支持课程设计中的 100 个用户实验，也保留了一定扩展空间。

初始化阶段从标准输入读取用户数量，再随机生成坐标和容量。坐标范围设为 [-100, 100]，用户统一放在地面平面。所有用户坐标的平均值被用作初始无人机位置，这比完全随机选一个起点更容易让搜索尽快进入有效区域。

把模拟退火拆成三个函数

distcalc() 负责计算两个三维点之间的距离，calc() 遍历所有用户并返回最大距离，SA() 负责真正的随机搜索。这样的拆分让目标函数和优化过程分开，后续更换目标函数时不会重写整个算法。

退火从温度 2000 开始，使用 0.997 的降温系数。新位置由当前坐标叠加随机扰动生成。新解变好就接受，变差时按照 exp(-Delta/t) 决定是否接受。高温阶段允许“走错一步”，是模拟退火和普通贪心搜索最明显的区别。

单次退火结束后，程序又连续调用五次 SA()。这不是严格的随机优化实验设计，但对课程项目来说是一个简单有效的增强手段：不同搜索过程有机会从不同路径接近较优位置。

从源码运行结果看问题

我使用 C++17 编译并运行了当前源码，程序能够完成随机用户生成、无人机坐标输出和总发射功率计算。由于程序使用当前时间作为随机种子，所以不同运行的用户集合和结果会发生变化，这一点和论文中给出的示例数字需要区分开。

运行验证也暴露出几个值得记录的细节。论文假设无人机高度固定为 50，但源码让 z 参与了随机扰动；功率计算的距离函数调用中还把 ansy 传作了高度参数。它们不影响“程序可以运行”这一事实，但会影响模型和结果是否严格一致。

这个项目留下的经验

模拟退火最难的部分不是把概率公式写进代码，而是决定目标函数、邻域扰动、初始解和终止条件是否彼此匹配。数据结构课程设计也不应该只展示一张结果图：随机性从哪里来、结果能否复现、代码和论文是否使用同一模型，这些问题同样属于算法实现的一部分。

当前版本已经完成了从问题建模到算法运行的闭环。下一步如果继续完善，我会先固定输入和随机种子，再修正高度变量和功率计算，最后增加收敛曲线和多组实验对比。这样得到的结果，才更接近可以复用和比较的优化程序。