✅作者简介：热爱科研的Matlab仿真开发者，擅长数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
今天给大家分享一个非常经典、在机器人 / 无人机持续搜索领域高频出现的算法 ——谱多尺度覆盖（Spectral Multiscale Coverage，SMC）。
很多做无人机集群、移动机器人区域搜索的同学，接触覆盖任务时第一反应是栅格遍历、A*、螺旋扫描、随机路点。这类方法有一个明显短板：属于 “一次性遍历”，很难实现统计意义上的持续巡检；如果指定重点区域、热点搜索，传统路径规划很难量化 “哪里该多逛、哪里少逛”。
而 SMC 遍历控制，走的是一条完全不一样的路线：它不预先规划固定路径，而是用控制律实时生成运动速度，让智能体轨迹的时间分布，慢慢逼近我们预先设定的目标密度分布。 简单一句话概括：密度高的区域，集群花更多时间停留、经过；密度为 0 的障碍区域，自动避开，不进入。
你在网上搜到的 Hadi Salman 的这套 SMC 代码，就是遍历控制领域的标杆开源实现，原生支持多智能体、静态障碍物规避、智能体之间防碰撞，非常适合无人机集群持续侦察、环境巡检、污染源追踪、搜救搜索场景。
本文会从原理、仿真逻辑、代码解读、效果分析、拓展方向一步步讲清楚，文末附带完整可直接运行的 MATLAB 代码，复制到 MATLAB 即可一键跑通。
一、什么是遍历覆盖（Ergodic Coverage）？
先区分两个容易混淆的概念：全覆盖（complete coverage）和遍历覆盖（ergodic coverage）。
普通全覆盖任务，目标是把工作区域每一个栅格至少访问一次，属于 “确定性路径规划”，比如扫地机器人弓字形扫图、无人机栅格测绘。任务完成之后，路径就结束了。
遍历覆盖，追求的是统计意义上的匹配。假设我们在区域内定义一个目标密度函数 μ(x,y)，这个函数代表区域的搜索优先级：
-
μ(x,y) 越大：这个位置越重要，智能体应该花费更高比例的时间在这里巡视；
-
μ(x,y)=0：障碍区域、禁入区域，智能体不允许进入；
-
μ 整体归一化，满足全区域积分等于 1，本质是一个概率分布。
遍历性的核心定义：当仿真时间足够长时，智能体轨迹的时间平均分布，收敛到目标密度 μ(x,y)。
极限式文字描述：当 T 趋向无穷大时，(1/T) 乘以 从 0 到 T 对 δ(x−x (t), y−y (t)) 积分，结果等于 μ(x,y)。 δ 是狄拉克函数，代表智能体在某位置停留的时间占比。
举个工程场景例子：灾后搜救，废墟核心区是高优先级热点，外围安全区域优先级低，墙体、障碍物区域禁止进入。我们只需要设计对应的密度函数 μ，SMC 算法会自动引导集群，在热点区域反复盘旋搜索，障碍物区域自动远离，不需要人工一条条规划航路。
SMC 全称 Spectral Multiscale Coverage，谱多尺度覆盖。名字里的 “谱”，就是指傅里叶谱分解。算法把目标密度、智能体轨迹分布，全部投影到一组余弦基函数上，通过对比两组傅里叶系数的差异，构造遍历代价，再用梯度下降的思路生成控制速度，驱动智能体运动，不断缩小遍历误差。
这套框架最早由 Hadi Salman 等人提出，相比其他遍历控制方案，优势在于：
-
用有限阶傅里叶基近似密度，计算量可控，实时性好；
-
天然支持多智能体协同，多个机器人共同贡献覆盖分布；
-
可以嵌入障碍物、智能体之间的碰撞排斥项，实现安全约束；
-
输出连续速度指令，适配无人机、差分轮机器人的底层控制器。
划重点：SMC 不是路径规划算法！它是反馈控制算法，没有预先规划好的轨迹，每一步的运动方向，由当前位置、历史轨迹、目标密度共同实时计算得到。这也是很多同学第一次跑代码时，看到轨迹蜿蜒、不断来回巡检的原因。
二、SMC 算法核心原理：傅里叶谱对比
SMC 采用二维余弦基函数作为展开基，适配正方形区域的诺伊曼边界条件（边界处法向速度为 0，智能体不会直接冲出区域边界）。 区域范围 x∈[0,Lₓ], y∈[0,Lᵧ]，基函数形式：
φ(kₓ,kᵧ, x,y) = [1 / h(kₓ,kᵧ)] × cos( kₓ·π·x / Lₓ ) × cos( kᵧ·π·y / Lᵧ )
其中归一化系数 h (kₓ,kᵧ) 分三种情况： ① kₓ=0，kᵧ=0：h = Lₓ × Lᵧ ② kₓ=0、kᵧ>0 或者 kₓ>0、kᵧ=0：h = Lₓ × Lᵧ / 2 ③ kₓ>0，kᵧ>0：h = Lₓ × Lᵧ / 4
我们可以把任意二维密度函数，展开成这组余弦基的加权和： μ(x,y) = 对所有 kₓ、kᵧ求和 [ m (kₓ,kᵧ) × φ(kₓ,kᵧ, x,y) ] m (kₓ,kᵧ) 就是目标密度对应的傅里叶系数，也就是代码里的 muk，仿真开始前一次性离线计算完成，固定不变。
与此同时，智能体在运动过程中，我们持续统计轨迹对应的傅里叶系数 C (kₓ,kᵧ,t)，也就是代码中的 Ck。 C (kₓ,kᵧ,t) = 对每一个智能体 i，从 0 到 t 积分 φ(kₓ,kᵧ, xᵢ(τ), yᵢ(τ)) dτ Nₐ 是智能体数量，每一个智能体经过的位置，都会持续累加贡献到谱系数。
遍历代价（Ergodicity Metric），就是两组谱系数之间的加权误差： Φ(t) = 对所有 kₓ、kᵧ求和 { w (kₓ,kᵧ) × [ C (kₓ,kᵧ,t)/(Nₐ・t) − m (kₓ,kᵧ) ]² }
权重 w (kₓ,kᵧ) 一般随频率升高衰减，保证低频大尺度覆盖优先收敛，高频细节逐步优化，也就是 “多尺度” 的含义。 仿真过程中，我们持续最小化这个代价函数，对状态求梯度，就可以得到每个智能体的速度控制律。
在基础控制律之外，原版代码额外叠加了两层排斥势场：
-
障碍物排斥势：靠近圆形障碍、矩形障碍区域时，产生排斥速度，防止撞障；
-
智能体互斥势：两个智能体距离过近，互相排斥，避免集群内部碰撞。
势场避障是附加安全层，SMC 主控制律负责 “去哪里搜索”，势场负责 “躲开危险区域”，两者叠加得到最终速度。这也是这套代码的亮点：兼顾遍历搜索性能和安全性。
三、仿真模型与参数解读
我们直接对照 Hadi Salman 开源代码里的仿真设置，把每一个参数的工程意义讲清楚，方便大家二次修改。
仿真区域为单位正方形 [0,1] × [0,1]，Lₓ=1，Lᵧ=1。 障碍分为两类：
-
4 个圆形静态障碍物，半径分别为 0.1、0.05、0.08、0.05，坐标位置固定；
-
一块矩形障碍区域：x∈[0.5,0.9]，y∈[0.7,0.9]，灰色填充区域，同样禁止进入。
目标密度 μ 的构造逻辑： 整个区域初始均匀赋值为 1，所有障碍物内部像素置 0，最后全局归一化，保证密度总和等于 1。 也就是说，这个仿真案例的任务目标：避开所有障碍物，在可行区域内均匀遍历搜索。 如果大家后续想要做热点搜索，只需要修改 μ，在感兴趣的搜索区域设置更高的数值即可，算法框架完全不用改动。
其他关键参数：
-
Nk=50：傅里叶基截断阶数，采用 50×50 的谱系数；阶数越高，对密度细节的拟合能力越强，但是计算开销上升；
-
Nagents=4：4 个智能体协同搜索；
-
AgentSpeed=5：智能体最大运动速度；
-
Nsteps=5000、dt=0.001：总仿真时长 5 秒；
-
livePlot=true：开启实时轨迹可视化，调试时打开；大批量对比实验可以关闭，提升仿真速度。
仿真输出两类结果：
-
可视化画面：实时绘制智能体点位、累积运动轨迹、障碍物；
-
遍历代价曲线：双对数坐标下绘制 Φ(t) 随时间变化曲线。 正常收敛的 SMC 仿真，代价曲线会持续下降，代表轨迹分布越来越贴近目标密度。
很多同学跑代码的时候会疑惑：为什么智能体不会走一条简洁的固定路线，而是来回穿梭？ 原因就是遍历控制的目标不是 “扫一遍完事”，而是持续维持统计分布匹配。哪怕分布已经接近目标密度，智能体依然会持续巡检，适合长期持续监测、巡逻场景。
⛳️ 运行结果
📣 部分代码
🔗 参考文献
🍅更多创新智能优化算法模型和应用场景可扫描关注
#机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
#组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
#分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~
#路径规划类：旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~
#小众优化类：生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~
# 无人机应用方面：无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
#通信方面：传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
#信号处理方面：信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
#电力系统方面： 微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化
#原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/qq_59747472/article/details/169162113
