第二章 仿真环境搭建：MATLAB/Simulink基础、Python控制库安装与配置、仿真工具选型对比
各位同学，咱们今天聊聊仿真环境搭建。说实话，我见过太多人一上来就埋头写代码，结果仿真跑不通，最后发现是环境没配好。这就像盖楼不打地基，迟早要塌。我个人习惯是，先花半天时间把环境理清楚，后面能省下好几天的调试时间。
2.1 MATLAB/Simulink 基础配置
MATLAB 这东西，圈内人都叫它「矩阵实验室」。做控制仿真，它确实是老牌劲旅。我记得刚入行那会儿，带我的老师傅就说：「搞控制，MATLAB 是吃饭的家伙。」
安装时要注意几个关键点：
- 版本选择：别追新。我建议用 R2020b 到 R2023a 之间的版本。太新的版本，有些工具箱兼容性反而不好。我在项目中遇到过，R2024a 对某些老版 Simulink 模块支持有问题，折腾了两天才降级回去。
- 必备工具箱：Control System Toolbox、Simulink、Simscape（做物理建模用）、Signal Processing Toolbox。其他的按需安装，别一股脑全装，占空间还拖慢启动速度。
- 路径设置：把工作目录和代码库路径加进去。我习惯用
addpath(genpath('D:\MyControlLib'))这种写法，一次性把子文件夹都包含进来。
核心操作：启动后先敲 ver 命令，看看工具箱是不是都加载了。这一步很多人忽略，结果调用函数时报错「未定义」，其实只是没装对。
2.2 Simulink 基础操作
Simulink 说白了就是图形化搭积木。你想想看，把传递函数、PID 控制器、示波器这些模块拖到画布上，连上线就能跑仿真，多直观。
我的个人工作流是这样的：
- 新建模型：
simulink命令打开库浏览器，或者直接点工具栏的新建按钮。 - 拖模块：Continuous 库里的 Transfer Fcn、Math Operations 里的 Sum、Sinks 里的 Scope。这几个最常用。
- 设置参数：双击模块，填传递函数系数。比如
num = [1]，den = [1 2 1]，这就是一个二阶系统。 - 运行仿真：设置仿真时间，比如 10 秒。点运行，双击 Scope 看波形。
小技巧：仿真步长别用默认的 auto。我一般设成固定步长 0.001 秒，用 ode4（龙格-库塔）求解器。这样结果更稳定，也方便对比不同参数下的响应。
2.3 Python 控制库安装与配置
Python 做控制仿真，这几年越来越流行。免费、开源、社区活跃。但说实话，安装配置比 MATLAB 麻烦一点。尤其是 slycot 这个库，很多人卡在这一步。
安装步骤：
# 第一步：安装基础库
pip install numpy scipy matplotlib
# 第二步：安装 control 库
pip install control
# 第三步：安装 slycot（这个最坑）
# Windows 用户建议用预编译的 wheel 文件
pip install slycot‑0.4.0‑cp39‑cp39‑win_amd64.whl
# Linux/Mac 用户
pip install slycot
避坑指南：我曾经在 Windows 上装 slycot 装了一下午，一直报编译错误。后来发现是 Visual C++ 编译器没装。建议直接去 PyPI 下载对应 Python 版本的 .whl 文件，用 pip 本地安装。省心。
验证安装：
import control as ct
import numpy as np
# 创建一个传递函数
num = [1]
den = [1, 2, 1]
sys = ct.TransferFunction(num, den)
print(sys)
# 画阶跃响应
t, y = ct.step_response(sys)
import matplotlib.pyplot as plt
plt.plot(t, y)
plt.grid(True)
plt.show()
如果这段代码能跑通，恭喜你，环境搭好了。如果报错，多半是 slycot 没装好。嗯，这里要注意，control 库的底层计算依赖 slycot，没有它也能用，但有些函数会慢很多。
2.4 仿真工具选型对比
做项目时经常要选工具。我个人的经验是：没有最好的工具，只有最合适的工具。下面这张表是我多年总结的，你直接拿去用。
| 对比维度 | MATLAB/Simulink | Python (control + slycot) |
|---|---|---|
| 上手难度 | 低，图形化界面友好 | 中，需要命令行操作 |
| 工具箱丰富度 | 极高，官方维护 | 中等，社区驱动 |
| 实时仿真 | 支持 Simulink Desktop Real-Time | 需额外库，较复杂 |
| 成本 | 昂贵（企业版数万/年） | 免费 |
| 代码复用性 | 一般，依赖 MATLAB 环境 | 好，可嵌入其他系统 |
| 适合场景 | 快速原型、教学演示、工业级仿真 | 算法研究、数据驱动控制、嵌入式部署 |
我的建议：如果你做的是传统 PID 控制、状态空间设计，用 MATLAB 最顺手。如果你要做机器学习控制、或者要把算法部署到树莓派上，Python 是更好的选择。我现在的习惯是：MATLAB 做验证，Python 做落地。
2.5 实战：搭建一个简单的反馈控制系统
光说不练假把式。咱们用两个工具分别搭一个单位负反馈系统，看看效果。
MATLAB 版本：
% 被控对象：G(s) = 1/(s^2 + 2s + 1)
num = [1];
den = [1 2 1];
G = tf(num, den);
% PID 控制器
Kp = 5; Ki = 2; Kd = 0.5;
C = pid(Kp, Ki, Kd);
% 闭环系统
sys_cl = feedback(C * G, 1);
% 阶跃响应
step(sys_cl);
grid on;
Python 版本：
import control as ct
import matplotlib.pyplot as plt
# 被控对象
num = [1]
den = [1, 2, 1]
G = ct.TransferFunction(num, den)
# PID 控制器
Kp = 5; Ki = 2; Kd = 0.5
C = ct.TransferFunction([Kd, Kp, Ki], [1, 0])
# 闭环系统
sys_cl = ct.feedback(C * G, 1)
# 阶跃响应
t, y = ct.step_response(sys_cl)
plt.plot(t, y)
plt.grid(True)
plt.title('Step Response (Python)')
plt.show()
你看，两边的代码结构几乎一样。但 MATLAB 的 pid() 函数更直观，Python 需要自己构造传递函数。这就是工具差异——MATLAB 封装得更好，Python 更灵活。
个人经验：做仿真时，我习惯先用 MATLAB 快速验证算法对不对，再用 Python 重写一遍，顺便检查有没有理解偏差。两边的结果对比一下，如果曲线重合，说明代码没问题。如果不重合，那就是某个参数理解错了。
好了，这一章的内容就到这儿。环境搭建是基本功，别嫌麻烦。把 MATLAB 和 Python 都配好，后面咱们才能放开手脚做控制算法仿真。下一章，咱们聊聊传递函数建模和状态空间表示，那才是控制理论的硬核内容。