✅作者简介热爱科研的Matlab仿真开发者擅长毕业设计辅导、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格物致知,完整Matlab代码获取及仿真咨询内容私信。 内容介绍单文件可完整复现实验无额外工具箱依赖仅需基础 MATLAB一次性生成 5 组仿真对比图表任务重规划时序曲线15min 风扰、40min 禁飞区干扰4 种规划算法对比并发无人机数量 - 系统延迟曲线M/M/1 事件驱动排队仿真误码率 BER - 信噪比 SNR 曲线BPSK 调制 高斯白噪声 算法专属干扰信任安全合规率 vs 环境自适应得分分组柱状图可解释性指标柱状图EAR 解释可用率附带局部放大插图核心统一设计规范每个仿真模块独立分配随机数流RandStream无随机数串扰实验可复现各子仿真独立固定随机种子结果完全可重复三类对比基线纯符号规划、纯神经网络、混合 NSAI 框架额外增加传统最短路径基准算法。分模块逐段解析入口主函数run_nsai_uav_usecases()初始化清空命令行、关闭已有画布保证绘图干净。实验 1任务重规划时序仿真调用simulate_mission_replans_matched()生成重规划累计次数时序数据绘图采用阶梯图stairs区分 4 种算法线型竖线标注两个扰动时刻15 分钟风场干扰、40 分钟禁飞区 (NFZ) 入侵横轴任务时长 0~60 分钟纵轴累计重规划次数。实验 2并发无人机排队延迟仿真基于 M/M/1 排队模型遍历 1~10 架并发无人机分别计算纯神经网络、纯符号、NSAI 混合框架的系统处理延迟 (ms)折线图对比直观体现无人机数量上升后的延迟增长差异。实验 3通信链路 BER-SNR 仿真BPSK 调制 AWGN 信道叠加各算法专属干扰噪声SNR 范围 0~20dB采样间隔 2dB每组信噪比发送 200000 比特保证曲线平滑半对数坐标semilogy绘制误码率适合观察低误码区间差异。实验 4安全合规率 自适应得分分组柱状图三类算法两组指标并列柱状规则合规率越高代表安全约束违反越少环境自适应得分越高代表扰动下调整能力更强输出 0~100 分百分比无双坐标轴可读性更强。实验 5可解释性 EAR 指标柱状图主图完整区间 0~100% 展示解释可用率 EAR内嵌小插图放大 0~10% 区间凸显纯神经网络极低可解释性柱顶标注数值清晰量化差距。子仿真函数原理详解1.simulate_mission_replans_matched()任务重规划仿真场景参数总任务时长 60min仿真步长 0.1min6 秒更新一次位置起点、终点二维坐标无人机匀速 14m/s 直线飞行两类扰动15min 全局风扰、40min 途经圆形禁飞区蒙特卡洛仿真 5000 次取均值消除随机波动。算法重规划逻辑NSAI 混合框架扰动触发仅重规划 1 次无重复调整最优纯符号 / 传统最短路径扰动区间多次重复重规划次数最多纯神经网络扰动触发存在 50% 概率二次重规划稳定性差。辅助几何函数segmentHitsCircle(a,b,c,r)判断无人机飞行线段a-b是否进入圆心c、半径r的禁飞圆用于 40min 禁飞区触发判断。2.simulate_latency_mm1_ms(U, mode)M/M/1 排队延迟仿真排队理论基础到达率 λ单无人机 7 任务 / 秒并发 U 架总到达率λ7U服务率 μ不同框架基础处理速度不同叠加并发惩罚系数纯神经网络基础处理慢并发惩罚大纯符号中等速度NSAI 混合基础处理速度最快、并发惩罚最小强制系统稳定若负载过高自动抬升服务率避免队列无限累积。仿真流程生成任务到达间隔、服务时长指数分布M/M/1 标准假设模拟任务排队、服务完成时间计算单任务总驻留时间丢弃前 2500 个任务作为预热 (warm-up)消除初始化偏差仿真实测延迟叠加校准系数贴合工程实测数值。工具函数modeToInt(mode)将字符串模式转为整数用于随机种子偏移保证三类算法随机序列完全独立。3.simulate_ber_bpsk_interf(snr_db, Nbits, mode)通信误码仿真信道模型BPSK 调制比特 0→-1比特 1→1接收信号y 调制符号 高斯白噪声 算法专属干扰白噪声功率由 SNR 换算干扰强度纯神经网络干扰最大纯符号次之NSAI 混合干扰最小判决规则y≥0 判 1否则判 0统计错误比特占比 BER。4.simulate_trust_safety_adaptability()安全与自适应仿真扰动场景三类运行场景正常环境、环境扰动、网络网络攻击扰动固定扰动发生概率。规则合规率统计不同场景下安全约束违规概率合规率 100 - 违规百分比纯符号违规极少合规率最高神经网络扰动下违规严重NSAI 兼顾两者自适应得分正态分布生成 0~100 分自适应分数神经网络自适应最强但安全差NSAI 均衡纯符号自适应最差。子函数onePlannerTrustSim单算法蒙特卡洛仿真分别输出平均违规率、平均自适应得分。5.simulate_explainability_metrics()可解释性仿真三大量化指标EAR 解释可用率决策后可输出规则化解释的概率纯符号几乎 100% 可解释神经网络仅 2%NSAI 接近符号保真度 Fidelity解释逻辑与实际决策行为一致性百分比神经网络无有效解释保真度为 0简洁性 Conciseness基于输出规则数量指数衰减打分规则越少分数越高神经网络无规则解释简洁性为 0。子函数onePlannerExplainSim单框架可解释性蒙特卡洛仿真统一扰动分布保证与安全实验场景对齐。⛳️ 运行结果 部分代码%% (2) Latency vs concurrent UAVs (queue simulation) uavs 1:10;lat_neural zeros(size(uavs));lat_symbolic zeros(size(uavs));lat_nsai zeros(size(uavs));for ii 1:numel(uavs)U uavs(ii);lat_neural(ii) simulate_latency_mm1_ms(U, neural);lat_symbolic(ii) simulate_latency_mm1_ms(U, symbolic);lat_nsai(ii) simulate_latency_mm1_ms(U, nsai);endfigure(Color,w,Position,[80 120 520 420]);plot(uavs, lat_neural, -o,LineWidth,2); hold on;plot(uavs, lat_symbolic, --s,LineWidth,2);plot(uavs, lat_nsai, -^,LineWidth,2);grid on;xlabel(Concurrent UAVs);ylabel(Latency (ms));legend({Neural-only,Symbolic-only,NSAI (Hybrid)}, Location,northwest);set(gca,FontSize,12);%% (3) BER vs SNR (BPSK simulation) snr_db 0:2:20;Nbits 2e5; % increase if you want smoother curvesber_neural zeros(size(snr_db));ber_symbolic zeros(size(snr_db));ber_nsai zeros(size(snr_db));for k 1:numel(snr_db)ber_neural(k) simulate_ber_bpsk_interf(snr_db(k), Nbits, neural);ber_symbolic(k) simulate_ber_bpsk_interf(snr_db(k), Nbits, symbolic);ber_nsai(k) simulate_ber_bpsk_interf(snr_db(k), Nbits, nsai);endfigure(Color,w,Position,[80 120 560 430]);semilogy(snr_db, ber_neural, -o,LineWidth,2); hold on;semilogy(snr_db, ber_symbolic, -s,LineWidth,2);semilogy(snr_db, ber_nsai, -^,LineWidth,2);grid on;xlabel(SNR (dB));ylabel(Bit Error Rate (BER));legend({Neural-only,Symbolic-only,NSAI (Hybrid)}, Location,northeast);ylim([1e-3 1]);set(gca,FontSize,12); 参考文献往期回顾扫扫下方二维码