无人机烟幕投放策略：如何用代码计算最长遮蔽时间

3. 截取导弹到达前的有效时间

烟幕持续时间再长，若导弹已命中则无意义。因此需先计算导弹飞抵假目标的时间（通过 missile_arrival_time 方法）：

导弹飞行距离 ÷ 导弹速度（代码中设为 300m/s）

然后只计算'烟幕时间段'与'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、功能优化与结果展示

原始代码运行后缺乏直观反馈，我做了两处改进，使结果更易读：

1. 直接显示最优遮蔽时长

代码中的 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），寻找最优解。

现在运行后会直接打印结果，例如：

# 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，如'18.72 秒'

2. 自动导出 Excel 记录

3 架无人机的最优参数（如 FY1 朝 30 度飞、速度 120m/s）会自动保存至 result2.xlsx，方便查阅：

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、运行指南

1. 补全遗传优化核心逻辑

代码中 optimize 方法存在缺口——'选择、交叉、变异'这三步是遗传算法的核心，用于筛选好参数并生成新参数。补全示例如下：

# 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. 平衡速度与精度

首次运行建议缩小规模，避免等待过久：

• pop_size=50（每次试 50 组参数，默认 150）
• generations=50（试 50 轮，默认 80）

修改优化器初始化即可：

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

五、注意事项

1. 角度转换：代码中已使用 np.radians(i_param) 将'度'转为'弧度'（数学计算必需），无需手动修改；
2. 运行耗时：若参数设置较大（如 150 种群、80 世代），建议使用多进程加速；
3. 小规模测试：首次运行建议先试 pop_size=30、generations=30，确认流程无误后再调大参数追求精度。

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 即可查看每架无人机的具体参数——例如 FY1 需朝 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，可阻挡导弹近 19 秒。

如需调整场景（如导弹速度变化、无人机起点变更），直接修改 main 函数内的初始参数，代码会自动重新计算最优解。