数学建模：无人机烟幕遮蔽导弹时间优化算法与代码实现

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 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