基于遗传算法的无人机烟幕遮蔽时间优化

只计算烟幕时间段与导弹到达时间的交集。

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  # 最终有效遮蔽时间

三、功能优化

1. 显示最优遮蔽时长

使用 GeneticOptimizer（遗传优化器）不断调整参数找到最优解。

best_individual, best_time = optimizer.optimize()
print(f"最优遮蔽时长：{best_time:.2f}秒")

2. 自动导出参数到 Excel

将 3 架无人机的最优参数保存至 result2.xlsx。

df = pd.DataFrame({
    '无人机 ID': ['FY1', 'FY2', 'FY3'],
    '方向角度 (度)': best_individual[0::4],
    '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)

四、运行指南

1. 补全遗传优化逻辑

需完善选择、交叉、变异步骤。

# 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]]

# 交叉：混合好参数
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)

# 变异：偶尔修改参数
for ind in offspring:
    if random.random() < 0.1:
        param_idx = random.randint(0, len(ind)-1)
        low, high = self.param_ranges[param_idx]
        ind[param_idx] = random.uniform(low, high)

population = selected + offspring

2. 调参平衡速度与精度

建议初次运行时设置较小规模：

• pop_size=50（默认 150）
• generations=50（默认 80）

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

五、注意事项

1. 角度转换：代码已使用 np.radians() 将角度转为弧度，无需手动处理。
2. 性能优化：若参数较大，建议使用多进程加速。
3. 测试策略：首次运行建议小参数测试，确认无误后再追求精度。

六、运行结果示例

最优遮蔽时长：18.72 秒
参数已保存到 result2.xlsx

打开 Excel 可查看具体参数配置，如 FY1 朝 45 度飞、速度 130m/s 等。如需调整场景（如导弹速度变化），直接修改 main 函数中的初始参数即可。