上面那个代码用matlab运行会报错，请写出算法 2-1 分布式算法求解斯坦伯格均衡正确的matlab代码并写出运行结果

要将算法 2-1 转换为 MATLAB 代码，我们需要实现以下步骤：

1. **初始化**：初始化奖励 \( R \) 和单位奖励 \( p_n \)。
2. **迭代更新**：根据公式（2.15）和（2.28）更新车辆节点的最优感知频率和路侧节点的最优感知时间。
3. **检查终止条件**：检查采集的数据量是否满足需求，如果不满足则继续更新奖励和单位奖励，直到满足为止。

以下是算法 2-1 的 MATLAB 实现：

% 参数设置
D = 100; % 需要的数据量
u_R = 0.1; % 车辆节点奖励的步长
u_p = 0.1; % 单位奖励的步长
M = 20; % 车辆节点数量
N = 10; % 路侧节点数量
c_se_m = rand(M, 1); % 车辆节点的感知成本
c_tr_m = rand(M, 1); % 车辆节点的传输成本
c_se_n = rand(N, 1); % 路侧节点的感知成本
c_tr_n = rand(N, 1); % 路侧节点的传输成本
w_n = rand(N, 1); % 路侧节点的风险损失
t_max_m = rand(M, 1); % 车辆节点的最大感知时间
t_max_n = rand(N, 1); % 路侧节点的最大感知时间
f_max_m = rand(M, 1); % 车辆节点的最大感知频率
R = 10; % 初始奖励
p = ones(N, 1) * 5; % 初始单位奖励

% 迭代求解
while true
    % 车辆节点选择最优感知频率
    f_se_m = zeros(M, 1);
    for m = 1:M
        if R > c_se_m(m) * t_max_m(m)
            f_se_m(m) = min(f_max_m(m), (R - c_se_m(m) * t_max_m(m)) / (c_tr_m(m) * t_max_m(m)));
        else
            f_se_m(m) = 0;
        end
    end
    
    % 路侧节点选择最优感知时间
    t_se_n = zeros(N, 1);
    for n = 1:N
        if p(n) > c_se_n(n)
            t_se_n(n) = min(t_max_n(n), (p(n) - c_se_n(n)) / (c_tr_n(n) + w_n(n) * t_max_n(n)));
        else
            t_se_n(n) = 0;
        end
    end
    
    % 计算当前数据量
    data_collected = sum(f_se_m .* t_max_m) + sum(c_se_n .* t_se_n);
    
    % 检查终止条件
    if data_collected >= D
        break;
    end
    
    % 更新奖励和单位奖励
    R = R + u_R;
    p = p + u_p;
end

% 输出结果
disp('最终奖励 R:');
disp(R);
disp('最终单位奖励 p:');
disp(p);
disp('车辆节点的最优感知频率 f_se_m:');
disp(f_se_m);
disp('路侧节点的最优感知时间 t_se_n:');
disp(t_se_n);

### 解释
1. **参数设置**：设置了需要的数据量 \( D \)，步长 \( u_R \) 和 \( u_p \)，车辆节点和路侧节点的数量及其相关的成本和最大感知时间、频率。
2. **迭代更新**：在一个 `while` 循环中，根据公式（2.15）和（2.28）更新车辆节点的最优感知频率和路侧节点的最优感知时间。
3. **检查终止条件**：计算当前采集的数据量，如果满足需求则退出循环，否则继续更新奖励和单位奖励。

### 运行结果
运行上述代码后，MATLAB 将输出最终的奖励 \( R \)、单位奖励 \( p \)、车辆节点的最优感知频率 \( f_{se\_m} \) 和路侧节点的最优感知时间 \( t_{se\_n} \)。

请注意，实际运行结果会因随机生成的参数而有所不同。你可以根据实际情况调整参数以适应具体的仿真需求。