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-CSDN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！

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 = 0
for interval in merged:start = max(0, interval[0])  # 烟幕生效时间不能早于0end = 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 in range(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

1. 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；
2. 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”）；
3. 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~