【数学建模】用代码搞定无人机烟幕：怎么挡导弹最久？
前言：欢迎各位光临本博客，这里小编带你直接手撕**，文章并不复杂，愿诸君耐其心性，忘却杂尘，道有所长！！！！
**🔥个人主页：IF’Maxue-ZEEKLOG博客
🎬作者简介：C++研发方向学习者
📖**个人专栏：
《C语言》
《C++深度学习》
《Linux》
《数据结构》
《数学建模》**
⭐️人生格言：生活是默默的坚持，毅力是永久的享受。不破不立，远方请直行！
文章目录
平时看军事片里的烟幕遮蔽，其实背后藏着不少参数讲究——比如无人机往哪个方向飞、飞多快、啥时候投烟幕、烟幕啥时候爆，这些都会影响“能挡住导弹多久”。我写了一段代码专门解决这个问题，能自动算出最优参数，还能直接看结果，今天就用大白话跟大家拆解清楚。
一、先搞懂：我们要解决啥问题？
简单说，我们的目标是：让3架无人机投的烟幕，在导弹飞到假目标前，“有效遮蔽时间”最长。
先明确几个关键角色的初始设定（代码里main函数能直接改）：
- 导弹起点：
[20000, 0, 2000]（可以理解为x/y/z坐标，单位米） - 真目标位置：
[0, 200, 0]（我们要保护的目标） - 3架无人机起点：比如“FY1”从
[17800, 0, 1800]出发，每架位置都能调
代码里用SmokeObscurationModel这个“模型类”，把这些初始信息装进去，后续所有计算都基于这个基础。
二、核心计算：代码怎么判断“烟幕有没有用”？
烟幕不是投了就有用，得算准“啥时候生效、生效多久、能不能覆盖导弹飞来的关键期”。代码里最核心的是calculate_effective_time方法，我拆成3步说：
1. 先算单个烟幕的“有效时间段”
每架无人机投烟幕，都要算2个时间点：
- 烟幕生效时间：无人机飞了
drop_time秒后投烟，烟幕再等blast_delay秒爆炸，所以生效时间=drop_time + blast_delay - 烟幕失效时间：烟幕爆炸后，有效时长是
effective_duration（代码里设的20秒），所以失效时间= 生效时间 + 20秒
比如代码里这段，就是算单架无人机的烟幕时间段：
smoke_blast_time = drop_time + blast_delay # 生效时间 smoke_end_time = smoke_blast_time + self.effective_duration # 失效时间 intervals.append((smoke_blast_time, smoke_end_time))# 存成“（生效，失效）”的格式2. 合并重叠的时间段（避免重复计算）
3架无人机的烟幕可能会“叠buff”——比如A烟幕10-15秒生效，B烟幕12-18秒生效，重叠的2秒不能算2次。
代码会把所有时间段排序，然后合并重叠部分：
intervals.sort()# 先按生效时间排序 merged =[intervals[0]]# 先拿第一个时间段当基础for current in intervals[1:]: last = merged[-1]if current[0]<= last[1]:# 如果当前时间段和上一个重叠 merged[-1]=(last[0],max(last[1], current[1]))# 合并成一个长时间段else: merged.append(current)# 不重叠就直接加进去3. 只算“导弹到达前”的有效时间
烟幕再久，导弹都已经炸了也没用。所以要先算导弹飞到假目标的时间（missile_arrival_time方法）：
“导弹飞的距离 ÷ 导弹速度（代码里设300m/s）”，比如从20000米外飞过来，大概要60多秒。
然后只算“烟幕时间段”和“导弹到达前”的交集：
total =0for interval in merged: start =max(0, interval[0])# 烟幕生效时间不能早于0 end =min(missile_arrival, interval[1])# 烟幕失效时间不能晚于导弹到达if start < end:# 只要有重叠，就加这段时间 total += end - start return total # 这就是最终的“有效遮蔽时间”三、代码优化：加了2个实用功能，结果直接看
原来的代码跑起来看不到关键结果，我改了两处，用起来更方便：
1. 跑完直接显示“最优遮蔽时长”
代码里的GeneticOptimizer（遗传优化器），会像“试错进化”一样，不断调整无人机参数（方向、速度、投放时间、起爆延迟），找到最优解。
现在跑完会直接打印结果，比如：
# 优化器返回最优参数和对应时间 best_individual, best_time = optimizer.optimize()print(f"最优遮蔽时长：{best_time:.2f}秒")# 直接显示，比如“18.72秒”2. 参数自动存到Excel，不用手动记
3架无人机的最优参数（比如FY1要朝30度飞、速度120m/s），会自动存到result2.xlsx里，打开就能看：
df = pd.DataFrame({'无人机ID':['FY1','FY2','FY3'],'方向角度(度)': best_individual[0::4],# 每4个参数对应1架无人机'飞行速度(m/s)': best_individual[1::4],'投放时间(s)': best_individual[2::4],'起爆延迟(s)': best_individual[3::4]}) df.to_excel('result2.xlsx', index=False)# 保存到Excel四、怎么跑代码？看2个关键步骤
1. 先补全“遗传优化”的核心逻辑
代码里optimize方法有个小缺口——“选择、交叉、变异”这三步没写全（这是遗传算法的核心，用来“筛选好参数、生成新参数”）。补全示例可以参考：
# 补全选择：选效果好的参数留下 fitnesses =[self.evaluate(ind)for ind in population]# 按适应度（有效时间）排序，选前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]]# 补全交叉：两个好参数“混合”出新品 offspring =[]for i inrange(0,len(selected),2): parent1 = selected[i] parent2 = selected[i+1]if i+1<len(selected)else parent1 # 随机选个位置交叉参数 cross_pos = random.randint(1,len(parent1)-1) child = parent1[:cross_pos]+ parent2[cross_pos:] offspring.append(child)# 补全变异：偶尔改个参数，避免“钻牛角尖”for ind in offspring:if random.random()<0.1:# 10%的变异概率 param_idx = random.randint(0,len(ind)-1) low, high = self.param_ranges[param_idx] ind[param_idx]= random.uniform(low, high)# 新种群 = 选出来的好参数 + 新生成的参数 population = selected + offspring 2. 调参数平衡“速度”和“精度”
第一次跑可以先设小一点规模，避免等太久：
pop_size=50（每次试50组参数，默认150）generations=50（试50轮，默认80）
比如改优化器初始化：
optimizer = GeneticOptimizer(model, pop_size=50, generations=50)五、避坑提醒
- 方向角度要转弧度：代码里已经用
np.radians(i_param)把“度”转成“弧度”（数学计算需要），不用自己再改； - 运行时间可能长：如果参数设得大（比如150种群、80世代），建议用多进程加速（可以搜“Python多进程计算”）；
- 先小规模测试：第一次跑先试
pop_size=30、generations=30，确认代码能跑通，再调大参数追求精度。
最后：跑出来的结果长这样
最优遮蔽时长：18.72秒 参数已保存到result2.xlsx 打开Excel就能看到每架无人机的具体参数——比如FY1要朝45度飞，速度130m/s，10秒后投烟幕，5秒后起爆，这样3架配合起来，能挡导弹近19秒。
如果想调整场景（比如导弹速度变了、无人机起点改了），直接改main函数里的初始参数就行，代码会自动重新算最优解~
