简介：面向水下自主航行器三维轨迹跟踪的Matlab仿真系统，专为计算机、电子工程及数学等专业高校学生打造，适用于课程实践、学期项目或学位论文等学术场景。系统采用模块化设计，关键参数可灵活调整，代码注释详尽，并附带可直接执行的示例数据集；借助Simulink模型与WRL格式三维潜艇模型，能够直观呈现三维路径跟踪的动态过程。代码涵盖潜艇数学模型、姿态误差计算、三维路径耦合解算等脚本模块，逻辑清晰，便于二次开发与算法调试，对路径规划优化与风险预警有参考价值。资源包共18个文件，核心为9个.m源码文件，另有.slx仿真模型、.zbak备份文件、说明文档、三维模型及授权文件等，压缩后仅1.01MB，轻量易用。目前已有55人学习，资源源自网络分享，仅供学习交流，请勿商用。
1. 三维路径跟踪仿真为什么值得自己搭一套：从“能跑”到“可信”
手里有AUV项目的工程师基本都遇到过这种局面：论文里的三维路径跟踪仿真图漂漂亮亮，代码包拿到手里却连模型都跑不转。基于Matlab的水下自主航行器三维路径跟踪仿真系统，说白了就是把运动学模型、控制律、环境干扰和可视化串成一个可调参的闭环环境。它能帮你回答三件事：路径跟踪误差能不能收敛、控制器参数在什么范围能稳定、换一条路径或加上海流之后系统还成不成。适合正在做水下机器人课程设计的学生、刚接手AUV控制系统的工程师，以及想验证自己控制算法但不想从零搭建试验平台的团队。下面这套方案，是我在几个项目里反复用过的落地套路。
2. 六自由度运动学与动力学模型：用最少代码把AUV立起来
2.1 体坐标系到大地坐标系的转换：旋转矩阵是仿真系统的地基
做三维路径跟踪，第一件事不是写控制器，而是确定“位置和姿态到底用哪套坐标系”。AUV的传感器大部分给的是体坐标系下的速度（前向速度u、侧向速度v、垂向速度w），但路径跟踪的误差是在大地坐标系下算的。两者靠欧拉角旋转矩阵衔接。
我习惯把AUV状态分成两段：位置姿态eta = [x y z phi theta psi]，速度nu = [u v w p q r]。位置导数和速度之间的关系写出来就是：
function eta_dot = kin_states(eta, nu) phi = eta(4); theta = eta(5); psi = eta(6); % 线速度：体坐标系到大地坐标系 R = rotz(psi) * roty(theta) * rotx(phi); p_dot = R * nu(1:3); % 角速度：欧拉角速率到体坐标系角速度的变换 T = [1 sin(phi)*tan(theta) cos(phi)*tan(theta); 0 cos(phi) -sin(phi); 0 sin(phi)/cos(theta) cos(phi)/cos(theta)]; eta_dot = [p_dot; T * nu(4:6)]; end这里rotx/roty/rotz我直接用Matlab自带的Rotation matrices，或者自己写三行：
function R = rotz(a) R = [cos(a) -sin(a) 0; sin(a) cos(a) 0; 0 0 1]; end逻辑说明：线速度部分直接乘旋转矩阵R，角速度部分用了带tan和cos分母的变换阵T。路径跟踪仿真里，theta在±90度附近时T会爆炸，这就是很多人遇到的“船头朝下然后整个仿真崩掉”的原因。如果你的AUV不会做大角度俯仰，可以忽略；但如果要做三维路径跟踪，姿态角范围覆盖大，最好换成四元数。不过为了方便大多数场景，先用欧拉角没问题。
参数说明：nu(1:3)是体坐标系下的线速度，单位要统一成m/s；nu(4:6)是角速度rad/s。如果你从其他代码里拿模型，先检查这里的单位，不然误差曲线会给你一个“看起来收敛但物理上很怪”的结果。我一般会在脚本开头加一个assert(norm(eta(4:6)) < pi, '姿态角超出范围')来提醒自己。
2.2 动力学简化：路径跟踪仿真不需要完整水动力系数
AUV的动力学模型完整版有十几项水动力系数，很多仿真系统根本拿不到真实参数。做路径跟踪仿真，我一般用Fossen模型的骨架，但把非对角项和耦合项去掉，保留最重要的加速度、阻尼和回复力。核心思想是把控制输入看作产生加速度的指令，而不是直接去解完整的流体方程。
简化后的动力学可以写成：
function nu_dot = dyn_simple(nu, tau, M_inv, D_lin, g_eta) % nu: 六自由度速度，tau: 控制力/力矩，g_eta: 重力浮力项 nu_dot = M_inv * (tau - D_lin * nu - g_eta); end具体到路径跟踪，通常只控制纵向推力、俯仰力矩和偏航力矩，横荡和垂荡是被动阻尼。我把M_inv设成对角矩阵diag([1/m, 1/m, 1/m, 1/Ixx, 1/Iyy, 1/Izz])，D_lin设成diag([X_u, Y_v, Z_w, K_p, M_q, N_r])。这样速度响应是一个一阶惯性过程，虽然没有流体耦合，但对控制律验证来说足够了。
逻辑说明：tau是控制器算出来的合力和力矩，M_inv是惯性矩阵的逆，D_lin是线性阻尼系数。如果你想模拟海流，可以在tau这边加一个等效的扰动项，或者按2.3节的做法叠加到速度上。
参数说明：m是AUV质量，Ixx/Iyy/Izz是转动惯量，X_u这些阻尼系数我一般取水动力实验的一阶近似值，比如X_u = 20、Y_v = 30、Z_w = 40，单位是kg/s。很多人会用论文里的参数，但你要知道这些参数对控制器设计的直接影响：阻尼系数越小，系统越容易被高频激励激发抖动。如果你发现仿真结果对阻尼系数特别敏感，多半是控制增益给得太激进。
2.3 海流和浮力：环境干扰怎么自然加入仿真系统
路径跟踪仿真如果完全无扰，控制律再差都能收敛。真实环境里海流是最主要的干扰。我见过两种加法：一种是直接把海流速度加到运动学上，比如大地坐标系下p_dot = R * nu + v_c；另一种是先把海流速度转到体坐标系，再和相对速度叠加。
常见做法是第一种，因为v_c在仿真里通常给常数或缓慢变化量。代码：
function eta_dot = kine_with_current(eta, nu, V_c, beta_c) % V_c: 海流流速大小, beta_c: 海流方向角（大地坐标系） R = rotz(eta(6)) * roty(eta(5)) * rotx(eta(4)); vel_body = nu(1:3); vel_earth = R * vel_body + [V_c*cos(beta_c); V_c*sin(beta_c); 0]; eta_dot = [vel_earth; T * nu(4:6)]; end逻辑说明：这里只考虑了水平面海流，深度方向海流不常见，先忽略。加上海流后系统变成了“速度积分方向不等于船头方向”，路径跟踪误差会明显变大，这样仿真才可信。注意，控制器反馈用的nu是AUV相对水的速度，但定位系统看到的可能是大地坐标下的速度，一定要在控制律里做区分，不然会得出“有海流也能零误差”的假结论。
参数说明：beta_c是海流流向角，一般取0~360度；V_c可以先从0.2 m/s开始试，这个速度已经能明显影响很长航程的路径了。后面第5章会专门说海流加了但轨迹不变的情况。
3. 三维视线导引与控制律设计：路径跟踪该用哪种控制器
3.1 三维LOS制导律：把路径跟踪问题拆成“横向误差”和“深度误差”
路径跟踪最简单的思路是“找一个路径上的参考点，让AUV朝它冲”。这个参考点在三维空间里移动，AUV与它的连线就是视线线LOS。水平面上的期望艏向角可以写成：
psi_d = atan2(ey_delta, Delta)但这个公式里的ey_delta是水平横向误差，Delta是前视距离。在三维里，还要处理垂直面。我习惯先把期望路径参数化为弧长s，在路径坐标系（SF坐标系）里算误差，然后分别给偏航角psi_d和纵倾角theta_d：
function [psi_d, theta_d, V_d] = los3d(p_AUV, path_pt, Delta) % p_AUV: 当前位置; path_pt: 当前路径参考点; Delta: 前视距离 err = p_AUV - path_pt; % 切向单位向量 t = path_tangent(path_pt); % 误差在路径切向和法向上的投影 e_t = dot(err, t); e_n = norm(err - e_t * t); % 视线指向目标点（路径参考点沿切向前移Delta） target = path_pt + t * Delta; diff = target - p_AUV; psi_d = atan2(diff(2), diff(1)); theta_d = atan2(-diff(3), norm(diff(1:2))); V_d = norm(diff); % 也可以直接给巡航速度 end逻辑说明：这里path_pt是路径上离AUV最近的点，path_tangent是路径在该点的切向单位向量。e_t是沿路径方向的位置误差，e_n是横向距离。先算法向误差，再把视线目标点沿切向往前偏移Delta，AUV指向的就不是最近点而是前方一点，这样能避免“到达目标点后左右摇摆”的问题。theta_d用atan2把期望纵倾角限制在±pi之间。
参数说明：Delta是LOS前视距离，这个参数非常关键。Delta太小，跟踪紧但容易振荡；Delta太大，路径转弯处会切弯，误差明显。我一般先取AUV长度的2~3倍，再根据仿真误差曲线调整。如果你想做自适应LOS，让Delta随横向误差增大而减小，也可以，但先别急着上，把基础流程跑通再说。
3.2 控制器分层：运动学虚拟控制与动力学控制的解耦
直接把路径误差丢给PID往往不稳定，原因是AUV是典型的欠驱动系统——水平面里没有直接控制横荡方向的能力，只能通过艏向间接控制。所以我把控制拆成两层：
- 运动学层：根据LOS制导律算出期望艏向角和期望纵倾角，再用一个航向/纵倾PID生成期望角速度。
- 动力学层：根据期望角速度和期望前向速度，生成推力、俯仰力矩、偏航力矩。
代码框架：
function tau = controller(eta, nu, path_pt, Delta, gains) [psi_d, theta_d, V_d] = los3d(eta(1:3), path_pt, Delta); e_psi = wrapToPi(psi_d - eta(6)); e_theta = wrapToPi(theta_d - eta(5)); % 运动学层：期望角速度 r_d = gains.kp_psi * e_psi; q_d = gains.kp_theta * e_theta; % 动力学层：力矩（这里先不加微分项） tau_r = gains.kp_r * (r_d - nu(6)); tau_q = gains.kp_q * (q_d - nu(5)); % 前向速度控制 tau_u = gains.kp_u * (V_d - nu(1)); tau = [tau_u; 0; 0; 0; tau_q; tau_r]; end逻辑说明：wrapToPi是Matlab自带的角度折叠函数，避免psi在±180度附近跳变导致控制量突变。r_d是期望偏航角速度，实际上就是比例控制生成的虚拟输入；动力学层再对r_d做一次比例跟踪，相当于串级PID。前向速度环很简单，因为路径跟踪控制的目标不只靠速度，主要靠航向。
参数说明：kp_psi和kp_theta量纲是1/s，先取0.5~2。kp_r和kp_q取1~5。如果你发现控制量太大导致模型发散，先降低kp_r，因为微分项kd_r在那个代码里是多余的，首版不需要加。串级PID的整定顺序是“先内环后外环”，也就是先定kp_r/kp_q，再定kp_psi/kp_theta，最后加前向速度环。
3.3 参数整定顺序：先慢变量后快变量，别上来调PID
很多人在这个环节翻车：一开始就把三个PID参数同时丢进optimize函数，结果仿真时间步长或控制量饱和让目标函数特别难看。我做路径跟踪的参数整定顺序是固定的：
- 先关掉海流和干扰，把LOS制导律里的
Delta从大到小扫一遍，看横向误差包络。 - 再把航向环和纵倾环的
kp_psi/kp_theta从小到大加，直到误差曲线在期望角附近没有明显超调。 - 最后打开海流，只调前向速度环的
kp_u，因为海流会改变地速，前向速度如果太慢，横向误差被海流拉大控制不住。
这里可以用一个简单的批量扫描脚本：
clear; close all; Delta_list = [1 2 4 8]; for i = 1:length(Delta_list) sim_state = run_simulation('Delta', Delta_list(i)); err_max(i) = max(sim_state.err_norm); end figure; semilogx(Delta_list, err_max, 'o-'); xlabel('Delta (m)'); ylabel('最大横向误差 (m)');逻辑说明：run_simulation是我自己封装的单次仿真函数，输入参数名和值，输出包含误差曲线的结构体。批量扫描用semilogx是因为Delta取值范围常跨越一个数量级，线性坐标会看不清小值区间。这样你能很快找到“误差可接受且不振荡”的Delta区间，再去细调。
参数说明：run_simulation内部需要固定仿真时间、步长和随机种子，不然后面加干扰时两次运行结果不一样，没法对比。这也是第5章会重点说的问题。
4. 用Matlab和Simulink搭建仿真系统：模块划分、参数配置与可视化
4.1 仿真系统架构：模型、控制器、路径生成、记录器四个模块
我搭的仿真系统不像论文里给一整块代码，而是拆成四个职责明确的模块：
- 路径生成器：输入路径关键点，输出带弧长参数的期望路径。
- 制导与控制器：输入AUV状态和期望路径，输出控制力和力矩。
- AUV模型：输入控制力和环境扰动，输出状态导数。
- 记录器：把每步时间、状态、误差存成数组，方便后处理。
这样做的好处是：换一条路径只改路径生成器，换一个控制器只改控制器模块，其他代码不碰。最小主循环可以写成：
function result = run_simulation(params) dt = params.dt; T = params.T; t = 0:dt:T; eta = params.eta0; nu = params.nu0; % 预分配记录数组 N = length(t); log_eta = zeros(N,6); log_nu = zeros(N,6); log_err = zeros(N,3); % 路径生成 path_handle = @(s) path_spline(params.waypoints, s); rng(params.seed); % 固定随机种子 s_prev = 0; for k = 1:N % 当前最近点参数 s [~, s] = nearest_point(eta(1:3), path_handle, s_prev); % 制导与控制 path_pt = path_handle(s); tau = controller(eta, nu, path_pt, params.Delta, params.gains); % 环境扰动 tau_env = disturbance(t(k), params.current); % 模型更新 nu_dot = dyn_simple(nu, tau + tau_env, params.M_inv, params.D_lin); eta_dot = kin_states(eta, nu); nu = nu + dt * nu_dot; eta = eta + dt * eta_dot; s_prev = s; % 记录 log_eta(k,:) = eta; log_nu(k,:) = nu; log_err(k,:) = path_error(eta(1:3), path_handle, s); end result.t = t; result.eta = log_eta; result.err = log_err; end逻辑说明：这个循环是显式欧拉积分，胜在简单直观。每步先通过nearest_point找到路径上距当前位置最近的参数s，再算制导和控制。path_handle是一个匿名函数，输入弧长s输出三维坐标，这样路径生成器返回的是一个连续函数而不是离散点，控制律可以直接取到任意点。rng(params.seed)在进入循环前调用，保证后续随机扰动可复现。
参数说明：dt是仿真步长，我一般取0.05秒，航速1~2m/s的AUV完全够。如果你用了更快的模型或需要看高频响应，可以缩到0.01。nearest_point是核心函数，建议用黄金分割搜索或者牛顿法，不要在每一步都全路径扫描三维点，否则路径点数一多循环就非常慢。
4.2 Simulink还是脚本：混合方案的工程考量
很多人拿到这类系统就问“是不是非要用Simulink”。我的答案是不一定。纯脚本的好处是易调试、易批量跑参数；Simulink的好处是可视化连接关系、方便嵌入式代码生成。我常用的混合方案是：用脚本做控制器和模型的函数原型，验证算法后，再把核心模块封装成Level-2 Matlab S-Function接到Simulink里，供项目汇报或代码生成用。
用Simulink时我会把AUV模型单独放一个子系统，控制器放另一个子系统，中间用GoTo/From跨越不同模块，避免线拉得太乱。Simulink的缺点也有：如果直接用连续模块而步长不匹配，误差曲线会变得很奇怪。我一般把模型写成Dormand-Prince变步长求解器，但路径参考点的最近点计算要写进MATLAB Function块，这时要特别注意函数不能有持久变量。
如果你只是验证路径跟踪算法，我建议先跑纯脚本。脚本跑通了，再封装到Simulink，不然两边同时DEBUG会怀疑人生。Matlab安装版本不同对S-Function的API有影响，R2020以后建议直接用matlab.System基类写类对象，比传统S-Function好维护一些。
4.3 三维可视化与误差曲线：仿真结果怎么让人一眼信服
仿真系统的最终输出要能支撑结论。我固定输出两张图：一张三维轨迹图，一张误差随时间变化图。三维轨迹图示例：
figure; plot3(path_pts(:,1), path_pts(:,2), path_pts(:,3), 'k--', 'LineWidth', 1.5); hold on; plot3(log_eta(:,1), log_eta(:,2), log_eta(:,3), 'b-', 'LineWidth', 1.2); plot3(log_eta(1,1), log_eta(1,2), log_eta(1,3), 'go', 'MarkerFaceColor', 'g'); plot3(log_eta(end,1), log_eta(end,2), log_eta(end,3), 'r^', 'MarkerFaceColor', 'r'); legend('期望路径','实际轨迹','起点','终点'); xlabel('东向 x (m)'); ylabel('北向 y (m)'); zlabel('深度 z (m)'); axis equal; grid on; view(-45, 20);逻辑说明：用view(-45,20)设置三维视角，这个角度能同时看到水平面和深度变化。axis equal很重要，不然z轴会被人为拉长，轨迹看起来像是偏航很大，实际不是。误差曲线我建议画三个子图：水平横向误差、深度误差、总距离误差，不要只画一个总误差，否则无法判断到底是水平回路还是深度回路出了问题。
参数说明：path_pts是路径生成器里的离散采样点，画图时当作期望路径参考；log_eta是记录器存下的实际轨迹。如果轨迹和期望路径在转弯处差了一段弧线，别急着改图，先检查Delta是否太大，这是第5章的主要坑之一。
5. 仿真系统常见问题排查：五个必踩的坑
AUV仿真这块，踩得最多的坑往往不是控制算法本身，而是模型、坐标系和步长的细节。下面这五个问题复现度很高，按“现象→原因→解决”记下来，可以直接对照排查。
5.1 姿态角一到±90度就飞出边界
现象：仿真跑到一半，位置直接变成NaN，或者轨迹突然飞上天空，而且毫无规律。
原因：欧拉角速率变换阵里的1/cos(theta)在纵倾角接近±90度时趋于无穷。即使初值正常，控制量过大也会把这个点推到奇异值附近。很多AUV模型在静态条件下不会接近垂直，但加了海流或激进控制后，俯仰角很容易超限。
解决：如果AUV工作范围本来就不到±90度，就在控制器输出端加一个纵倾角限幅，比如theta = wrapToPi(theta)并限幅到±80度。如果要做全姿态，就用四元数替换欧拉角。最简单的应急方案是在kin_states里加判断：当abs(theta) > pi/2 - 0.01时把状态导数的角速度项直接置零，避免积分发散。这个方法不优雅，但能在不重写旋转矩阵的情况下保住仿真。
5.2 误差曲线收敛，但三维轨迹偏航一团糟
现象：每个控制通道的误差曲线都在减小，画出来的三维轨迹却和期望路径明显不一致，像是“差着一个旋转”。
原因：坐标系搞反了。常见的是把体坐标系的x轴朝前当成大地坐标系的北向，或者纵倾角的符号定义不一致。另一个常见原因是路径参考点参数s在期望路径上的切向和AUV运动方向不同步，导致横向误差投影错了。
解决：先用一个最简单的直线路径从头到尾走一遍，打印eta和期望姿态角，人工核对每个时间点。我一般会在path_error函数里加断言：dot(tangent, target_dir) > 0，确认参考点确实在AUV前方。如果符号反了，改atan2参数顺序，不要靠调PID的正负去硬凑。把符号改对后，误差曲线和轨迹会同时变好。
5.3 海流加上去后，误差曲线纹丝不动
现象：把海流速度从0加到0.5m/s，误差曲线几乎没变化，甚至比无流时看起来更好。
原因：海流被当成控制力矩加到了动力学方程里，而运动学积分用的还是相对水的速度，等于海流对地速没有影响。正确做法是把海流速度加在运动学层，比如vel_earth = R * nu + v_c，而不是直接加到tau。
解决：按2.3节的代码改。注意控制器反馈用的速度如果来自DVL，它测的是相对水的速度；而位置来源是USBL或惯性导航，给的是大地速度。仿真里要同时模拟这两类传感器，才不会出现“导航位置漂移但控制器以为速度没变”的假象。加了海流后如果误差真的不变，先检查你输出的误差是相对路径还是相对水的速度，很多误差定义会把这个掩盖掉。
5.4 Simulink里出现代数环，或者仿真结果和脚本对不上
现象：用Simulink跑同样的参数，要么报警代数环，要么结果比脚本差很多，误差曲线高频抖动。
原因：控制器输出和模型状态在同一时刻互相依赖。脚本里的显式欧拉天然打断了时序，Simulink却会去精确求解代数关系。另外步长设置不同也会导致误差曲线差异，尤其是有快速姿态环时。
解决：在两个模块之间加一个Memory块或者Unit Delay，让控制输入比状态更新晚一个步长即可。如果你追求和脚本一致，固定步长设为和脚本相同的dt，求解器选ode4（四阶龙格库塔）。代数环另一种常见来源是S-Function里用了当前时刻的输出反馈，建议把输出写成状态运算后的结果，不要在output方法里调用需要隐式求解的方程。
5.5 随机扰动导致结果不可复现
现象：同一个脚本跑两次，误差曲线的细节差不少，批量扫参根本没法定夺参数好坏。
原因：随机扰动、初始化或者全局变量没有被重置。很多人在脚本开头用了rand但忘了固定种子；或者在循环里用了tic/toc这类时间相关量。另一个隐蔽点是Ode45这类自适应步长求解器在高频扰动下的时间步可能不同，导致结果差异。
解决：在run_simulation开头加rng(params.seed)，并显式重置所有全局变量。如果扰动模型是基于随机过程的，把随机序列生成提前到进入循环之前，用randn一次性生成N步分量，再按步长索引取用。最后，把求解器固定步长或改成ode4，这样同样参数在任何机器上都是一样的结果。
6. 把仿真系统参数化成模板：从单条直线到连续路径跟踪的复用技巧
6.1 用关键点数组生成平滑期望路径
前面的仿真系统已经能跟踪一条直线。实际需求往往是多航路点、连续转弯，甚至水下巡检路径。我一般把路径定义成关键点矩阵，然后用三次样条插值生成参数化路径：
function p = path_spline(waypoints, s) % waypoints: Nx3 矩阵，每行是 [x y z] % s: 弧长参数 % 先对关键点进行参数化，累积折线长度作为初始参数 N = size(waypoints, 1); seg_len = sqrt(sum(diff(waypoints).^2, 2)); s_nodes = [0; cumsum(seg_len)]; % 三次样条插值 px = spline(s_nodes, waypoints(:,1), s); py = spline(s_nodes, waypoints(:,2), s); pz = spline(s_nodes, waypoints(:,3), s); p = [px; py; pz]; end逻辑说明：s_nodes是每个关键点的累积长度，作为插值自变量，这样s就是真正的弧长参数。spline默认是三次样条，在关键点处保证位置和斜率连续，路径不会出现折角。注意spline在端点处的边界条件默认是“非扭结”边界，基本满足路径跟踪要求。如果路径出现明显过冲，可以把样条换成pchip，不会产生大的上下摆动。
参数说明：waypoints可以包含起点和终点，中间加点控制形状。连续路径跟踪时，路径生成器返回的不只是坐标，最好同时返回切向量。我一般写一个path_derivative函数，用fnder在对应的样条结构上求导，而不是每次diff，否则第二个点位置误差就大了。
6.2 批量跑蒙特卡洛：把仿真系统当试验台
有了参数化路径和固定随机种子，下一步就是把仿真系统变成可以批量试验的模板。我常做的是把Delta、V_c、kp_u三个参数组合起来跑网格，最后画误差热图。代码：
Deltas = [2 4 6]; currents = [0 0.3 0.6]; for i = 1:length(Deltas) for j = 1:length(currents) p.Delta = Deltas(i); p.current = currents(j); res = run_simulation(p); err_max(i,j) = max(res.err(:,1)); end end imagesc(err_max); colorbar;逻辑说明：这个双层循环不涉及路径内部改动，跑完直接看最大值矩阵。imagesc配colorbar比surf更适合快速浏览，热图能让你一眼察觉“某个海流速度下所有Delta都不稳”的系统性风险。如果你要跑更多维度，把脚本改造成parfor，注意rng种子要按索引单独设置，否则并行池里每个worker用的流一样，结果会假收敛。
我自己最开始做这类系统时，也是拿着别人的代码改参数，结果连续三条路径全部翻车，后来逼着自己把路径、控制器、记录器分开，再固定随机种子，才慢慢让调参变成有规律的事。这个模板现在每个新项目都在用，希望你也能少走这些弯路。
本文还有配套的精品资源，点击获取
