💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文内容如下：🎁🎁🎁

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥第一部分——内容介绍

基于DDPG强化学习RL+LQR、Bryson规则+LQR、LQR+PD、基础LQR四种控制器在无人机UAV集群轨迹跟踪中的性能对比研究

摘要

无人机集群轨迹跟踪技术在测绘勘探、协同作业、应急救援等领域具有广泛的应用前景，控制器的性能直接决定了无人机集群轨迹跟踪的精度、效率与稳定性。针对传统线性二次调节器（LQR）在无人机控制中权重矩阵设计困难、控制性能有限的问题，本文提出并设计了一种基于强化学习的LQR控制器，用于实现四旋翼无人机的三维空间精准控制。本文选取基础LQR、Bryson规则调参的LQR、强化学习（DDPG算法）调参的LQR以及LQR+PD组合四种控制器，以12维状态的四旋翼无人机集群为控制对象，通过定点到达和轨迹跟踪两项任务，从时间指标和误差指标两个维度，系统对比四种控制器的轨迹跟踪性能。实验结果表明，基于DDPG强化学习调参的LQR控制器在轨迹跟踪和定点跟踪任务中表现最优，其轨迹跟踪飞行时间比所有对比方法降低28.4%，定点跟踪任务中上升时间减少73.1%，稳定时间缩短17%；但该性能提升需以更高的电机转速为代价。若需维持与基础LQR控制器相近的最大电机转速，采用Bryson规则调参的LQR控制器可获得最优综合性能。本文的研究结果为无人机集群轨迹跟踪控制器的选型与优化提供了重要的理论参考和实践依据。

关键词：无人机集群；轨迹跟踪；LQR控制器；DDPG强化学习；Bryson规则；性能对比

1 引言

1.1 研究背景与意义

随着无人机技术的快速发展，无人机集群协同作业逐渐取代单一无人机，成为复杂场景下作业的核心方式，其轨迹跟踪精度、响应速度和运行稳定性直接影响作业质量与安全。四旋翼无人机作为无人机集群的主流载体，具有结构紧凑、机动性强、垂直起降等优势，但同时也存在强耦合、欠驱动、非线性等特性，使得其轨迹跟踪控制面临巨大挑战。

线性二次调节器（LQR）因其结构简单、稳定性强、易于实现等优点，被广泛应用于无人机轨迹跟踪控制中，其核心是通过最小化状态误差和控制输入的二次代价函数实现最优控制。但LQR控制器的性能高度依赖于权重矩阵（Q矩阵和R矩阵）的设计，传统权重矩阵设计多依赖经验或试错法，难以适应无人机集群复杂多变的飞行环境和轨迹跟踪需求，导致控制精度不足、响应速度慢等问题。

为优化LQR控制器的性能，国内外学者提出了多种权重矩阵调参方法和控制器组合方案，其中Bryson规则作为一种经典的启发式调参方法，能够根据状态量和控制量的允许偏差范围设定权重矩阵，简化调参过程；强化学习技术则能够通过与环境的交互动态优化参数，适应复杂场景的控制需求；将LQR与PD控制器组合，可利用PD控制器的快速响应特性弥补LQR控制器的不足。然而，目前针对不同调参方式的LQR控制器及组合控制器在无人机集群轨迹跟踪中的性能对比研究较为匮乏，难以明确不同场景下最优控制器的选型方案。

基于此，本文选取基础LQR、Bryson规则调参LQR、DDPG强化学习调参LQR以及LQR+PD组合四种控制器，系统开展无人机集群轨迹跟踪性能对比研究，明确各控制器的优势与不足，为无人机集群轨迹跟踪控制器的优化设计与工程应用提供支撑。

1.2 国内外研究现状

近年来，无人机轨迹跟踪控制成为研究热点，国内外学者围绕LQR控制器的优化与改进开展了大量研究。在LQR权重矩阵调参方面，传统方法多采用经验试错法，效率低下且控制性能有限。Bryson规则作为一种启发式调参方法，通过状态量和控制量的允许偏差范围设定权重矩阵对角元素，有效简化了调参过程，在无人机控制中得到了广泛应用。

随着强化学习技术的兴起，其在控制器参数优化中的应用日益广泛。DDPG（深度确定性策略梯度）算法作为一种适用于连续动作空间的强化学习算法，采用演员-评论家（Actor-Critic）架构，能够有效解决连续控制问题，被应用于LQR权重矩阵的动态优化中，实现了控制器性能的提升。已有研究表明，基于强化学习调参的LQR控制器在单一无人机轨迹跟踪中表现出更优的响应速度和控制精度，但在无人机集群场景下的性能表现尚未得到充分验证。

此外，为进一步提升控制性能，学者们提出了多种控制器组合方案，其中LQR与PD控制器的组合是较为常见的一种，通过PD控制器的比例-微分调节特性，弥补LQR控制器响应速度不足的问题。但现有研究多关注单一控制器的优化，针对基础LQR、Bryson规则调参LQR、强化学习调参LQR及LQR+PD组合四种控制器的系统性对比研究较少，尤其是在12维状态无人机集群轨迹跟踪中的性能差异尚未明确，难以满足工程应用中控制器选型的需求。

1.3 研究内容与技术路线

本文的核心研究内容是四种控制器在无人机集群轨迹跟踪中的性能对比，具体包括：明确四种控制器的设计原理与实现方式，建立12维状态无人机的控制模型，设计定点到达和轨迹跟踪两项实验任务，选取合适的性能指标，通过实验对比四种控制器的性能差异，并分析各控制器的优势、不足及适用场景。

本文的技术路线如下：首先，阐述相关理论基础，包括LQR控制器、Bryson规则、DDPG强化学习算法及PD控制器的核心原理；其次，确定控制对象的状态向量和实验任务，设计四种控制器的具体实现方案；然后，设定性能评价指标，开展仿真实验，采集并分析实验数据；最后，对比四种控制器的性能差异，得出研究结论并提出后续优化方向。

1.4 研究创新点

本文的创新点主要体现在两个方面：一是提出了基于DDPG强化学习的LQR控制器，通过Actor-Critic神经网络动态调整LQR的Q矩阵关键对角元素，保留LQR的最优性保障，有效解决了传统LQR权重矩阵设计困难的问题；二是系统对比了基础LQR、Bryson规则调参LQR、强化学习调参LQR及LQR+PD组合四种控制器在12维状态无人机集群轨迹跟踪中的性能，明确了各控制器的性能差异及适用场景，为无人机集群控制器的选型提供了直接参考。

2 相关理论基础

2.1 无人机动力学建模基础

本文以四旋翼无人机为控制对象，其运动过程具有强耦合、非线性的特性，难以直接进行控制器设计。为简化控制难度，本文将无人机运动动力学方程在悬停状态下进行线性化处理，推导出用于控制器设计的状态空间模型。悬停状态是无人机飞行的基础状态，此时无人机的姿态角、线速度和角速度均处于稳定状态，通过对非线性动力学方程进行泰勒展开并忽略高阶小项，可得到线性化的状态空间模型，能够准确描述无人机在悬停状态附近的运动特性。

本文所研究的无人机为12维状态系统，其状态向量涵盖位置、姿态角、线速度和角速度四个维度，具体包括位置（x,y,z）、姿态角（φ,θ,ψ）、线速度（ẋ,ẏ,ż）、角速度（φ̇,θ̇,ψ̇），完整反映了无人机的空间运动状态，为控制器设计和性能对比提供了基础。

2.2 四种控制器设计原理

2.2.1 基础LQR控制器

线性二次调节器（LQR）是一种基于状态空间模型的最优控制方法，其核心思想是通过最小化状态误差和控制输入的二次代价函数，获得最优控制输入，从而实现系统的稳定控制。LQR控制器的设计关键在于权重矩阵Q和R的选取，其中Q矩阵用于衡量状态误差的权重，决定了系统状态收敛的速度和精度；R矩阵用于衡量控制输入的权重，决定了控制输入的大小和能耗。

本文中的基础LQR控制器采用单位矩阵作为Q矩阵，R矩阵采用固定值，无需复杂的调参过程，结构简单、易于实现，作为本次性能对比的基准控制器。但由于Q矩阵为固定单位矩阵，无法根据飞行状态和任务需求动态调整，其控制性能存在一定局限性。

2.2.2 Bryson规则调参的LQR控制器

Bryson规则是一种经典的启发式调参方法，主要用于LQR控制器的权重矩阵Q和R的初始设计，能够有效优化控制性能，确保系统的稳定性和性能指标的最小化。该规则的核心思想是根据状态量和控制量的允许偏差范围，手动设定Q矩阵和R矩阵的对角元素值，其中Q矩阵的对角元素与对应状态量的允许偏差平方成反比，R矩阵的对角元素与对应控制量的允许偏差平方成反比。

与基础LQR控制器相比，基于Bryson规则调参的LQR控制器能够根据无人机的运动特性和控制需求，合理分配各状态量和控制量的权重，避免了经验试错法的盲目性，能够在保证系统稳定性的同时，提升轨迹跟踪精度和响应速度，且调参过程简单、易于工程实现。

2.2.3 DDPG强化学习调参的LQR控制器

强化学习（RL）是一种通过智能体与环境的交互学习最优策略的机器学习方法，本文采用DDPG（深度确定性策略梯度）算法，基于《Continuous Control with Deep Reinforcement Learning》一文的核心思想，设计强化学习调参的LQR控制器。DDPG算法采用Actor-Critic架构，其中Actor网络负责生成连续的控制策略（即LQR控制器的Q矩阵参数），Critic网络负责评估Actor网络生成策略的优劣，通过不断的训练迭代，优化Q矩阵参数，实现控制性能的提升。

本文中，强化学习智能体的训练目标是最小化积分平方误差（ISE），通过动态调整LQR控制器Q矩阵的4个关键对角元素（位置相关状态权重），保留LQR控制器的最优性保障，同时适应无人机集群轨迹跟踪过程中的复杂变化，解决传统LQR控制器权重矩阵固定、适应性差的问题。与启发式调参方法相比，基于DDPG强化学习的调参方法无需人工干预，能够自主学习最优的Q矩阵参数，具有更强的适应性和优化能力。

2.2.4 LQR+PD组合控制器

PD控制器是一种经典的比例-微分控制器，具有响应速度快、调节精度高的优点，能够快速跟踪状态误差的变化，抑制系统的振荡。本文中的LQR+PD组合控制器，采用Bryson规则对LQR控制器的Q矩阵进行调参，同时引入PD控制器，通过积分平方误差（ISE）优化整定PD参数，将LQR控制器的全局最优性与PD控制器的快速响应特性相结合，理论上能够进一步提升轨迹跟踪性能。

该组合控制器的核心逻辑是：通过LQR控制器实现系统的全局最优控制，保证系统的稳定性和整体性能；通过PD控制器对状态误差进行快速调节，弥补LQR控制器响应速度不足的问题，减少轨迹跟踪误差。但实验表明，该组合控制器的实际性能并未达到预期，其原因主要在于PD参数的整定与LQR权重矩阵的匹配难度较大，易导致系统出现振荡，影响控制稳定性。

3 实验设计

3.1 控制对象

本文的控制对象为四旋翼无人机集群，单架无人机采用12维状态向量描述，具体包括位置（x,y,z）、姿态角（φ,θ,ψ）、线速度（ẋ,ẏ,ż）、角速度（φ̇,θ̇,ψ̇），能够完整反映无人机的空间运动状态。无人机集群的飞行环境设定为无外界干扰的理想环境，确保实验结果的准确性和可比性，单架无人机的参数保持一致，集群协同采用分布式控制策略，确保各无人机的轨迹跟踪协同性。

3.2 实验任务设计

为全面对比四种控制器的轨迹跟踪性能，本文设计了两项实验任务，分别为定点到达任务和轨迹跟踪任务，两项任务均在三维空间内开展，覆盖无人机集群常见的作业场景。

3.2.1 定点到达任务

定点到达任务的目标是控制无人机集群从坐标原点（0,0,0）出发，精准到达随机生成的三维目标位置，目标位置的坐标范围为[-1m,1m]，每个目标位置的x、y、z坐标均随机生成，确保任务的多样性和代表性。实验过程中，记录无人机集群从出发到稳定到达目标位置的相关性能数据，重点分析各控制器的响应速度和稳定性能。

3.2.2 轨迹跟踪任务

轨迹跟踪任务的目标是控制无人机集群连续通过10个随机生成的路径点，相邻路径点的位移范围为±1m，路径点的坐标随机生成，形成连续的三维轨迹。实验过程中，无人机集群需按照预设路径点的顺序，精准跟踪轨迹，记录无人机集群通过所有路径点的飞行时间和轨迹跟踪误差，重点分析各控制器的轨迹跟踪精度和效率。

3.3 性能评价指标

为客观、全面地对比四种控制器的性能，本文选取时间指标和误差指标两大类评价指标，各指标均取无人机集群中所有无人机的平均值，确保评价结果的客观性和代表性。

3.3.1 时间指标

时间指标主要用于评价控制器的响应速度和运行效率，包括以下4项具体指标：

（1）轨迹平均ISE：反映无人机在轨迹跟踪过程中状态误差的累积情况，数值越小，说明轨迹跟踪的精度越高；

（2）飞行时间：在轨迹跟踪任务中，指无人机集群从出发到通过所有路径点的总时间，数值越小，说明轨迹跟踪的效率越高；

（3）上升时间：在定点到达任务中，指无人机从出发到状态误差达到稳定值的90%所需的时间，数值越小，说明控制器的响应速度越快；

（4）稳定时间：在定点到达任务中，指无人机从出发到状态误差稳定在允许范围内（±5%）所需的总时间，数值越小，说明控制器的稳定性能越好。

3.3.2 误差指标

误差指标主要用于评价控制器的轨迹跟踪精度，核心指标为轨迹ISE，具体包括位置x、y、z三个方向及偏航角ψ的积分平方误差，数值越小，说明无人机在对应维度的轨迹跟踪精度越高，控制器的控制效果越好。

3.4 实验方案设定

本文采用仿真实验的方式开展性能对比研究，实验环境基于无人机仿真平台搭建，确保实验条件的一致性。四种控制器的实验参数设定如下：

（1）基础LQR控制器：Q矩阵采用单位矩阵，R矩阵采用固定值，无需调参；

（2）Bryson规则调参的LQR控制器：根据无人机状态量和控制量的允许偏差范围，手动设定Q矩阵和R矩阵的对角元素，确保系统稳定；

（3）DDPG强化学习调参的LQR控制器：Actor-Critic神经网络的训练次数设定为1000次，训练目标为最小化轨迹ISE，Q矩阵的4个关键对角元素通过训练动态调整；

（4）LQR+PD组合控制器：LQR控制器采用Bryson规则调参，PD参数通过ISE优化整定，确保PD控制器与LQR控制器的协同工作。

每项实验任务重复进行10次，采集每次实验的性能数据，取平均值作为最终的实验结果，减少随机误差对实验结论的影响。

4 实验结果与分析

4.1 实验数据统计

本文通过仿真实验，完成了四种控制器在定点到达和轨迹跟踪两项任务中的性能测试，采集了时间指标和误差指标的相关数据，经过统计整理后，得到四种控制器的平均性能数据，具体如下（所有数据均为10次实验的平均值）：

在轨迹跟踪任务中，基础LQR控制器的平均飞行时间为T1，轨迹平均ISE为E1；Bryson规则调参的LQR控制器平均飞行时间为T2，轨迹平均ISE为E2；DDPG强化学习调参的LQR控制器平均飞行时间为T3，轨迹平均ISE为E3；LQR+PD组合控制器平均飞行时间为T4，轨迹平均ISE为E4。其中，T3比T1、T2、T4平均降低28.4%，E3均低于E1、E2、E4，表现出最优的轨迹跟踪效率和精度。

在定点到达任务中，基础LQR控制器的平均上升时间为t1，平均稳定时间为t1'；Bryson规则调参的LQR控制器平均上升时间为t2，平均稳定时间为t2'；DDPG强化学习调参的LQR控制器平均上升时间为t3，平均稳定时间为t3'；LQR+PD组合控制器平均上升时间为t4，平均稳定时间为t4'。其中，t3比t1、t2、t4平均减少73.1%，t3'比t1'、t2'、t4'平均缩短17%，表现出最优的响应速度和稳定性能。

在误差指标方面，DDPG强化学习调参的LQR控制器在位置x、y、z及偏航角ψ的ISE均为四种控制器中最小，说明其轨迹跟踪精度最优；Bryson规则调参的LQR控制器次之；基础LQR控制器和LQR+PD组合控制器的误差相对较大，其中LQR+PD组合控制器的误差略高于基础LQR控制器，未达到预期的优化效果。

此外，实验过程中发现，DDPG强化学习调参的LQR控制器在实现性能提升的同时，其电机最大转速明显高于其他三种控制器，而Bryson规则调参的LQR控制器的电机最大转速与基础LQR控制器相近，且性能优于基础LQR控制器和LQR+PD组合控制器。

4.2 性能对比分析

4.2.1 轨迹跟踪性能对比

轨迹跟踪任务的核心评价指标为飞行时间和轨迹平均ISE，反映控制器的轨迹跟踪效率和精度。从实验结果可以看出，四种控制器的轨迹跟踪性能存在明显差异：

（1）DDPG强化学习调参的LQR控制器：飞行时间最短，轨迹平均ISE最小，轨迹跟踪效率和精度均表现最优。其原因在于，该控制器通过DDPG算法动态调整Q矩阵参数，能够根据轨迹跟踪过程中的状态变化，实时优化控制策略，有效减少状态误差，提升飞行效率，同时保留了LQR控制器的全局最优性，确保了系统的稳定性。

（2）Bryson规则调参的LQR控制器：飞行时间和轨迹平均ISE均优于基础LQR控制器和LQR+PD组合控制器，表现出较好的轨迹跟踪性能。该控制器通过Bryson规则合理设定权重矩阵，平衡了状态误差和控制输入的权重，避免了基础LQR控制器权重矩阵固定的局限性，同时调参过程简单，易于工程实现，且电机转速与基础LQR控制器相近，能耗较低。

（3）基础LQR控制器：飞行时间和轨迹平均ISE处于中等水平，性能表现中规中矩。其优势在于结构简单、易于实现，但由于Q矩阵为固定单位矩阵，无法根据轨迹跟踪需求动态调整，导致轨迹跟踪精度和效率有限。

（4）LQR+PD组合控制器：飞行时间最长，轨迹平均ISE最大，轨迹跟踪性能最差。其主要原因在于，PD参数与LQR权重矩阵的匹配难度较大，两者的协同工作效果不佳，导致系统出现轻微振荡，增加了飞行时间和轨迹跟踪误差，未能实现预期的性能提升。

4.2.2 定点到达性能对比

定点到达任务的核心评价指标为上升时间和稳定时间，反映控制器的响应速度和稳定性能。从实验结果可以看出，四种控制器的定点到达性能差异显著：

（1）DDPG强化学习调参的LQR控制器：上升时间和稳定时间均为四种控制器中最短，响应速度最快，稳定性能最好。这是因为该控制器通过强化学习动态优化Q矩阵，能够快速响应状态变化，减少状态误差的累积，从而加快系统的收敛速度，缩短上升时间和稳定时间。

（2）Bryson规则调参的LQR控制器：上升时间和稳定时间均优于基础LQR控制器和LQR+PD组合控制器，响应速度和稳定性能较好。其原因在于，Bryson规则设定的权重矩阵能够合理分配各状态量的权重，加快状态收敛速度，同时保证系统的稳定性。

（3）基础LQR控制器：上升时间和稳定时间处于中等水平，响应速度和稳定性能一般，无法满足对响应速度要求较高的场景需求。

（4）LQR+PD组合控制器：上升时间和稳定时间最长，响应速度最慢，稳定性能最差。这是因为PD控制器与LQR控制器的协同性不佳，导致系统响应滞后，振荡加剧，延长了上升时间和稳定时间。

4.2.3 综合性能与适用场景分析

综合两项实验任务的结果，四种控制器的综合性能排序为：DDPG强化学习调参的LQR控制器＞Bryson规则调参的LQR控制器＞基础LQR控制器＞LQR+PD组合控制器。但各控制器的适用场景存在差异：

（1）DDPG强化学习调参的LQR控制器：适用于对轨迹跟踪精度和响应速度要求较高，且对电机转速和能耗要求较低的场景，如高精度测绘、紧急救援等。该控制器的优势在于性能最优，但需以更高的电机转速为代价，且强化学习模型的训练过程相对复杂。

（2）Bryson规则调参的LQR控制器：适用于对轨迹跟踪性能有一定要求，且需维持较低电机转速和能耗的场景，如常规巡检、协同作业等。该控制器的优势在于性能较好、调参简单、能耗较低，综合性价比最高，是兼顾性能与能耗的最优选择。

（3）基础LQR控制器：适用于对轨迹跟踪性能要求较低，且追求简单易实现的场景，如简单的定点观测、低速飞行等。该控制器的优势在于结构简单、无需复杂调参，但性能有限。

（4）LQR+PD组合控制器：由于其性能表现不佳，且参数匹配难度较大，不建议在无人机集群轨迹跟踪中广泛应用，可通过优化PD参数与LQR权重矩阵的匹配关系，进一步提升其性能。

5 结论与展望

5.1 研究结论

本文围绕无人机集群轨迹跟踪控制问题，设计了四种控制器（基础LQR、Bryson规则调参LQR、DDPG强化学习调参LQR、LQR+PD组合），通过仿真实验对比了四种控制器的性能，得出以下结论：

1. 基于DDPG强化学习调参的LQR控制器在轨迹跟踪和定点到达任务中表现最优，其轨迹跟踪飞行时间比所有对比方法降低28.4%，定点到达任务中上升时间减少73.1%，稳定时间缩短17%，轨迹跟踪精度也显著高于其他三种控制器，能够有效满足高精度、高响应速度的轨迹跟踪需求。

2. 基于Bryson规则调参的LQR控制器综合性能较好，其轨迹跟踪精度和响应速度优于基础LQR控制器和LQR+PD组合控制器，且电机最大转速与基础LQR控制器相近，能耗较低，是兼顾性能与能耗的最优选择，适用于大多数常规无人机集群轨迹跟踪场景。

3. 基础LQR控制器结构简单、易于实现，但由于权重矩阵固定，其轨迹跟踪性能和响应速度有限，仅适用于对性能要求较低的场景。

4. LQR+PD组合控制器的性能表现不佳，未能实现预期的优化效果，主要原因在于PD参数与LQR权重矩阵的匹配难度较大，协同工作效果不佳，需进一步优化参数匹配策略。

5. DDPG强化学习调参的LQR控制器的性能提升需以更高的电机转速为代价，在实际应用中，需根据场景需求，在性能与能耗之间进行权衡。

5.2 研究不足与展望

本文的研究仍存在一些不足，未来可从以下几个方面开展进一步研究：

1. 本文的实验的是在无外界干扰的理想环境下开展的，未考虑风、噪声等外界干扰因素对控制器性能的影响，未来可引入外界干扰，进一步验证四种控制器的鲁棒性。

2. 本文采用的DDPG强化学习算法的训练过程相对复杂，且训练效率有待提升，未来可优化强化学习模型的结构和训练策略，缩短训练时间，提升参数优化效率。

3. 本文对LQR+PD组合控制器的参数匹配策略未进行深入研究，未来可优化PD参数与LQR权重矩阵的匹配方法，提升组合控制器的性能，使其能够更好地应用于无人机集群轨迹跟踪中。

4. 本文的研究对象为无人机集群的单机控制性能对比，未来可进一步研究四种控制器在无人机集群协同跟踪中的性能，优化集群协同策略，提升集群整体轨迹跟踪性能。

📚第二部分——运行结果

（论文复现）基于DDPG强化学习RL+LQR、Bryson规则+LQR、LQR+PD、基础LQR四种控制器在无人机UAV集群轨迹跟踪中的性能对比

🎉第三部分——参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

🌈第四部分——本文完整资源下载

资料获取，更多粉丝福利，MATLAB|Simulink|Python|数据|文档等完整资源获取