无人机烟幕遮蔽导弹时间的代码实现与优化

无人机烟幕遮蔽导弹时间的代码实现与优化

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，下面详细拆解一下。

一、问题定义：我们要解决啥？

简单说，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]（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：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，拆成 3 步说：

1. 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：

• 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
• 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

比如这段逻辑，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）格式

2. 合并重叠的时间段

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 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：加了两个实用功能

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

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？看两个关键步骤

1. 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]
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
    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。

六、结果展示

跑出来的结果大致是这样：

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~