前言：歡迎各位光臨本博客，這里小編帶你直接手撕**，文章并不復雜，愿諸君耐其心性，忘卻雜塵，道有所長！！！！

**🔥個人主頁：IF’Maxue-CSDN博客

🎬作者簡介：C++研發方向學習者

📖**個人專欄：
《C語言》
《C++深度學習》
《Linux》
《數據結構》
《數學建模》**

??人生格言：生活是默默的堅持，毅力是永久的享受。不破不立，遠方請直行！

平時看軍事片里的煙幕遮蔽，其實背后藏著不少參數講究——比如無人機往哪個方向飛、飛多快、啥時候投煙幕、煙幕啥時候爆，這些都會影響“能擋住導彈多久”。我寫了一段代碼專門解決這個問題，能自動算出最優參數，還能直接看結果，今天就用大白話跟大家拆解清楚。

一、先搞懂：我們要解決啥問題？

簡單說，我們的目標是：讓3架無人機投的煙幕，在導彈飛到假目標前，“有效遮蔽時間”最長。

先明確幾個關鍵角色的初始設定（代碼里main函數能直接改）：

• 導彈起點：[20000, 0, 2000]（可以理解為x/y/z坐標，單位米）
• 真目標位置：[0, 200, 0]（我們要保護的目標）
• 3架無人機起點：比如“FY1”從[17800, 0, 1800]出發，每架位置都能調

代碼里用SmokeObscurationModel這個“模型類”，把這些初始信息裝進去，后續所有計算都基于這個基礎。

二、核心計算：代碼怎么判斷“煙幕有沒有用”？

煙幕不是投了就有用，得算準“啥時候生效、生效多久、能不能覆蓋導彈飛來的關鍵期”。代碼里最核心的是calculate_effective_time方法，我拆成3步說：

1. 先算單個煙幕的“有效時間段”

每架無人機投煙幕，都要算2個時間點：

• 煙幕生效時間：無人機飛了drop_time秒后投煙，煙幕再等blast_delay秒爆炸，所以生效時間= drop_time + blast_delay
• 煙幕失效時間：煙幕爆炸后，有效時長是effective_duration（代碼里設的20秒），所以失效時間= 生效時間 + 20秒

比如代碼里這段，就是算單架無人機的煙幕時間段：

smoke_blast_time = drop_time + blast_delay  # 生效時間
smoke_end_time = smoke_blast_time + self.effective_duration  # 失效時間
intervals.append( (smoke_blast_time, smoke_end_time) )  # 存成“（生效，失效）”的格式

2. 合并重疊的時間段（避免重復計算）

3架無人機的煙幕可能會“疊buff”——比如A煙幕10-15秒生效，B煙幕12-18秒生效，重疊的2秒不能算2次。

代碼會把所有時間段排序，然后合并重疊部分：

intervals.sort()  # 先按生效時間排序
merged = [intervals[0]]  # 先拿第一個時間段當基礎
for current in intervals[1:]:last = merged[-1]if current[0] <= last[1]:  # 如果當前時間段和上一個重疊merged[-1] = (last[0], max(last[1], current[1]))  # 合并成一個長時間段else:merged.append(current)  # 不重疊就直接加進去

3. 只算“導彈到達前”的有效時間

煙幕再久，導彈都已經炸了也沒用。所以要先算導彈飛到假目標的時間（missile_arrival_time方法）：
“導彈飛的距離 ÷ 導彈速度（代碼里設300m/s）”，比如從20000米外飛過來，大概要60多秒。

然后只算“煙幕時間段”和“導彈到達前”的交集：

total = 0
for interval in merged:start = max(0, interval[0])  # 煙幕生效時間不能早于0end = min(missile_arrival, interval[1])  # 煙幕失效時間不能晚于導彈到達if start < end:  # 只要有重疊，就加這段時間total += end - start
return total  # 這就是最終的“有效遮蔽時間”

三、代碼優化：加了2個實用功能，結果直接看

原來的代碼跑起來看不到關鍵結果，我改了兩處，用起來更方便：

1. 跑完直接顯示“最優遮蔽時長”

代碼里的GeneticOptimizer（遺傳優化器），會像“試錯進化”一樣，不斷調整無人機參數（方向、速度、投放時間、起爆延遲），找到最優解。

現在跑完會直接打印結果，比如：

# 優化器返回最優參數和對應時間
best_individual, best_time = optimizer.optimize()
print(f"最優遮蔽時長：{best_time:.2f}秒")  # 直接顯示，比如“18.72秒”

2. 參數自動存到Excel，不用手動記

3架無人機的最優參數（比如FY1要朝30度飛、速度120m/s），會自動存到result2.xlsx里，打開就能看：

df = pd.DataFrame({'無人機ID': ['FY1', 'FY2', 'FY3'],'方向角度(度)': best_individual[0::4],  # 每4個參數對應1架無人機'飛行速度(m/s)': best_individual[1::4],'投放時間(s)': best_individual[2::4],'起爆延遲(s)': best_individual[3::4]
})
df.to_excel('result2.xlsx', index=False)  # 保存到Excel

四、怎么跑代碼？看2個關鍵步驟

1. 先補全“遺傳優化”的核心邏輯

代碼里optimize方法有個小缺口——“選擇、交叉、變異”這三步沒寫全（這是遺傳算法的核心，用來“篩選好參數、生成新參數”）。補全示例可以參考：

# 補全選擇：選效果好的參數留下
fitnesses = [self.evaluate(ind) for ind in population]
# 按適應度（有效時間）排序，選前50%
sorted_pop = sorted(zip(population, fitnesses), key=lambda x: x[1], reverse=True)
selected = [ind for ind, _ in sorted_pop[:self.pop_size//2]]# 補全交叉：兩個好參數“混合”出新品
offspring = []
for i in range(0, len(selected), 2):parent1 = selected[i]parent2 = selected[i+1] if i+1 < len(selected) else parent1# 隨機選個位置交叉參數cross_pos = random.randint(1, len(parent1)-1)child = parent1[:cross_pos] + parent2[cross_pos:]offspring.append(child)# 補全變異：偶爾改個參數，避免“鉆牛角尖”
for ind in offspring:if random.random() < 0.1:  # 10%的變異概率param_idx = random.randint(0, len(ind)-1)low, high = self.param_ranges[param_idx]ind[param_idx] = random.uniform(low, high)# 新種群 = 選出來的好參數 + 新生成的參數
population = selected + offspring

2. 調參數平衡“速度”和“精度”

第一次跑可以先設小一點規模，避免等太久：

• pop_size=50（每次試50組參數，默認150）
• generations=50（試50輪，默認80）

比如改優化器初始化：

optimizer = GeneticOptimizer(model, pop_size=50, generations=50)

五、避坑提醒

1. 方向角度要轉弧度：代碼里已經用np.radians(i_param)把“度”轉成“弧度”（數學計算需要），不用自己再改；
2. 運行時間可能長：如果參數設得大（比如150種群、80世代），建議用多進程加速（可以搜“Python多進程計算”）；
3. 先小規模測試：第一次跑先試pop_size=30、generations=30，確認代碼能跑通，再調大參數追求精度。

最后：跑出來的結果長這樣

最優遮蔽時長：18.72秒
參數已保存到result2.xlsx

打開Excel就能看到每架無人機的具體參數——比如FY1要朝45度飛，速度130m/s，10秒后投煙幕，5秒后起爆，這樣3架配合起來，能擋導彈近19秒。

如果想調整場景（比如導彈速度變了、無人機起點改了），直接改main函數里的初始參數就行，代碼會自動重新算最優解~