当前位置：首页 > ai >正文

2025数学建模国赛高教社杯A题思路代码文章助攻

ai 2025/9/5 17:08:19

代码+论文+降重+降AI率攻略下载：https://docs.qq.com/doc/DUUFYWEJja0ZXY1Na

题目核心分析

这道题的核心是解决一个动态、三维空间中的几何遮蔽与轨迹优化问题。我们需要在满足一系列动力学和战术约束的条件下，通过优化无人机（UAV）的飞行策略和烟幕弹的投爆时机，使得烟幕云团对特定来袭导弹的视线（Line of Sight, LOS）形成有效遮蔽，并最大化总遮蔽时间。

关键模型与公式:

坐标系：题目已给出，以假目标为原点 (0, 0, 0) 的三维笛卡尔坐标系。
导弹运动模型：导弹匀速直线飞向假目标。
- 导弹 M 的初始位置：\vec{P}_{M,0} = (x_{M,0}, y_{M,0}, z_{M,0})
- 飞行方向单位向量：\vec{d}_M = -\frac{\vec{P}_{M,0}}{||\vec{P}_{M,0}||}
- t 时刻的位置：\vec{P}_M(t) = \vec{P}_{M,0} + v_M \cdot \vec{d}_M \cdot t，其中 v_M = 300 m/s。
无人机运动模型：无人机在接收任务后，等高、匀速、直线飞行。
- 无人机 F 的初始位置：\vec{P}_{F,0} = (x_{F,0}, y_{F,0}, z_{F,0})
- 飞行速度 v_F \in [70, 140] m/s，飞行方向（与x轴正向夹角）为 \theta_F。
- t 时刻的位置：\vec{P}_F(t) = (x_{F,0} + v_F \cos(\theta_F) t, y_{F,0} + v_F \sin(\theta_F) t, z_{F,0})。
烟幕弹运动模型：脱离无人机后做平抛运动（受重力影响）。
- 投放时间 t_{drop}，投放点位置 \vec{P}_{drop} = \vec{P}_F(t_{drop})。
- 投放时初速度等于无人机速度 \vec{v}_{drop} = (v_F \cos(\theta_F), v_F \sin(\theta_F), 0)。
- 自投放后经过时间 \Delta t，烟幕弹的位置： \vec{P}_{proj}(t_{drop} + \Delta t) = \vec{P}_{drop} + \vec{v}_{drop} \Delta t + (0, 0, -\frac{1}{2}g(\Delta t)^2) 其中 g \approx 9.8 \ m/s^2。
烟幕云团模型：起爆后形成球状云团，并匀速下沉。
- 起爆时间 t_{det}，起爆点位置 \vec{P}_{det} = \vec{P}_{proj}(t_{det})。
- 起爆后经过时间 \Delta t' (即在 t = t_{det} + \Delta t' 时刻)，云团中心位置： \vec{P}_{cloud}(t) = \vec{P}_{det} + (0, 0, -v_{sink} \cdot (t - t_{det})) 其中 v_{sink} = 3 m/s。
- 有效遮蔽区域：以 \vec{P}_{cloud}(t) 为中心、半径 R_{cloud} = 10 m 的球体。
- 有效遮蔽时段：[t_{det}, t_{det} + 20] s。
遮蔽条件判断：在 t 时刻，如果导弹到真目标上某点的连线被烟幕云团球体阻断，则形成有效遮蔽。
- 真目标：底面圆心 (0, 200, 0)，半径 7m，高 10m 的圆柱体。为简化计算并保证覆盖，可将真目标近似为一个关键点，如圆柱体中心 \vec{P}_{TT} = (0, 200, 5)。
- 遮蔽条件：在时刻 t \in [t_{det}, t_{det} + 20]，云团中心 \vec{P}_{cloud}(t) 到线段 \vec{P}_M(t)\vec{P}_{TT} 的距离小于等于云团半径 R_{cloud}。
- 点到直线的距离公式：令 \vec{A} = \vec{P}_M(t), \vec{B} = \vec{P}_{TT}, \vec{C} = \vec{P}_{cloud}(t)，距离为： d(t) = \frac{||\vec{AC} \times \vec{AB}||}{||\vec{AB}||} \le R_{cloud}

问题1：固定策略下的遮蔽时长计算

建模思路: 这是一道正向模拟与计算题，没有优化环节。只需根据给定的参数，一步步计算出无人机、烟幕弹、烟幕云团和导弹的轨迹，然后在有效时间内判断遮蔽条件是否满足。

代码思路:

初始化: 定义M1和FY1的初始位置、速度向量。
- M1初始位置 \vec{P}_{M1,0}=(20000,0,2000)，速度大小 v_{M1}=300。计算其飞向原点的单位方向向量 \vec{d}_{M1} 和速度向量 \vec{v}_{M1}。
- FY1初始位置 \vec{P}_{FY1,0}=(17800,0,1800)，速度大小 v_{FY1}=120。其飞行方向朝向假目标，即 x 轴负方向，所以速度向量 \vec{v}_{FY1}=(-120, 0, 0)。
计算投放点: 无人机飞行 t_{drop} = 1.5 s 后投放。
- 投放点坐标 \vec{P}_{drop} = \vec{P}_{FY1,0} + \vec{v}_{FY1} \cdot t_{drop}。
计算起爆点: 烟幕弹投放后经过 3.6 s 起爆。
- 起爆总时刻 t_{det} = 1.5 + 3.6 = 5.1 s。
- 烟幕弹在空中飞行时间 \Delta t = 3.6 s。
- 起爆点坐标 \vec{P}_{det} = \vec{P}_{drop} + \vec{v}_{FY1} \cdot \Delta t + (0, 0, -\frac{1}{2}g(\Delta t)^2)。
遮蔽判断: 在时间区间 [t_{det}, t_{det}+20] (即 [5.1, 25.1]) 内进行判断。
- 建立一个循环或向量化计算，时间 t 从 5.1s 到 25.1s，步长设为足够小（如 0.01s）。
- 在每个时间步 t：
  - 计算M1的位置 \vec{P}_{M1}(t) = \vec{P}_{M1,0} + \vec{v}_{M1} \cdot t。
  - 计算真目标位置 \vec{P}_{TT}=(0, 200, 5)。
  - 计算烟幕云团中心位置 \vec{P}_{cloud}(t) = \vec{P}_{det} + (0, 0, -3 \cdot (t - t_{det}))。
  - 利用前述点到直线距离公式，计算 d(t)。
  - 如果 d(t) \le 10，则当前时间步为有效遮蔽。
- 将所有有效遮蔽的时间步长累加，得到总有效遮蔽时长。

问题2：单无人机单弹的最优策略

建模思路: 这是一个非线性优化问题。决策变量是无人机的飞行方向和速度，以及烟幕弹的投放和起爆时机。目标是最大化问题1中计算的有效遮蔽时长。

决策变量 (Decision Variables):
1. 无人机FY1的速度 v_{F1} \in [70, 140]。
2. 无人机FY1的飞行方向角 \theta_{F1} \in [0, 2\pi)。
3. 烟幕弹的投放时间 t_{drop} > 0。
4. 烟幕弹从投放到起爆的延迟时间 \Delta t_{det} > 0。
目标函数 (Objective Function): \max \quad L(v_{F1}, \theta_{F1}, t_{drop}, \Delta t_{det}) 其中 L 是通过问题1的计算流程得到的有效遮蔽时长。
约束条件 (Constraints):
1. 70 \le v_{F1} \le 140
2. t_{drop} > 0, \Delta t_{det} > 0
3. 起爆点高度 z_{det} > 0 (防止地面爆炸)。
4. 遮蔽应在导弹击中目标前发生，即 t_{det} < T_{impact}，其中 T_{impact} 是M1到达 x=0 平面的时间。

代码思路: 直接求解这个复杂的非线性、非凸优化问题非常困难。应采用智能优化算法，如遗传算法 (Genetic Algorithm, GA) 或 粒子群优化 (Particle Swarm Optimization, PSO)。

定义适应度函数 (Fitness Function):
- 创建一个函数 calculate_shielding_duration(params)，输入参数 params 是一个包含四个决策变量 (v_{F1}, \theta_{F1}, t_{drop}, \Delta t_{det}) 的向量。
- 该函数内部完整实现问题1的计算逻辑，返回有效遮蔽时长。这个时长就是适应度值。
设置优化器:
- 选择一个优化库，如 scipy.optimize (对于简单问题)、DEAP (遗传算法) 或 pyswarms (粒子群)。
- 定义变量边界: 为每个决策变量设置一个合理的搜索范围。例如，v_{F1} \in [70, 140], \theta_{F1} \in [0, 2\pi], t_{drop} \in [0.1, 60], \Delta t_{det} \in [0.1, 20]。
- 设置算法参数: 如种群大小、迭代次数、交叉和变异概率等。
运行优化:
- 执行优化算法。算法将反复调用你的适应度函数，不断迭代寻找最优的决策变量组合。
- 优化结束后，输出使得遮蔽时间最长的策略参数，包括无人机飞行方向、速度、投放点和起爆点。投放点和起爆点坐标可以通过最优的策略参数计算得出。

问题3：单无人机三弹的最优策略

建模思路: 这是问题2的扩展，决策变量增加，且增加了投放时间间隔的约束。

决策变量:
1. 无人机FY1的速度 v_{F1} 和方向 \theta_{F1} (整个过程只确定一次)。
2. 三枚烟幕弹的投放时间 t_{drop,1}, t_{drop,2}, t_{drop,3}。
3. 三枚烟幕弹的起爆延迟 \Delta t_{det,1}, \Delta t_{det,2}, \Delta t_{det,3}。
- 总计 2 + 3 + 3 = 8 个变量。
目标函数: 最大化三个烟幕云团产生的总遮蔽时间。注意，三个遮蔽区间可能会重叠，目标是最大化它们并集的总长度。 \max \quad \text{Length}(\bigcup_{i=1}^{3} \text{Interval}_i) 其中 \text{Interval}_i 是第 i 枚烟幕弹产生的有效遮蔽时间区间。
约束条件:
- 与问题2类似的约束。
- 新增约束：投放时间间隔至少为 1s。不失一般性，可设 t_{drop,1} < t_{drop,2} < t_{drop,3}，则 t_{drop,2} \ge t_{drop,1} + 1 且 t_{drop,3} \ge t_{drop,2} + 1。

代码思路: 同样采用智能优化算法。

修改适应度函数:
- 函数 calculate_total_shielding_duration(params) 的输入 params 是一个包含8个决策变量的向量。
- 函数内部： a. 根据 v_{F1}, \theta_{F1} 计算无人机的唯一飞行轨迹。 b. 循环3次，对每一枚弹： i. 根据 t_{drop,i} 计算投放点。 ii. 根据 \Delta t_{det,i} 计算起爆点和起爆时间。 iii. 计算该弹产生的有效遮蔽区间 [t_{start,i}, t_{end,i}]。 c. 对得到的三个区间 [t_{start,1}, t_{end,1}], [t_{start,2}, t_{end,2}], [t_{start,3}, t_{end,3}]，计算它们并集的长度。这可以通过先排序，再合并重叠区间来实现。 d. 返回并集的总长度作为适应度。
执行优化:
- 使用与问题2相同的优化框架，但变量维度增加到8，并确保在优化过程中处理好投放间隔的约束（可以在生成新个体时就强制满足该约束）。
- 最终结果需整理成 result1.xlsx 要求的格式。

问题4：三无人机各一弹的最优策略

建模思路: 此问题涉及多智能体协同，但由于各无人机独立决策飞行路径，问题可以看作是并行地优化三个独立的“问题2”，但目标是联合目标。

决策变量:
- 对于每架无人机 FY1, FY2, FY3，都需要确定其飞行速度 v_{Fi}、方向 \theta_{Fi}、投放时间 t_{drop,i} 和起爆延迟 \Delta t_{det,i}。
- 总计 3 \times 4 = 12 个变量。
目标函数: 与问题3相同，最大化三个烟幕云团产生的总遮蔽时间并集的长度。 \max \quad \text{Length}(\bigcup_{i=1}^{3} \text{Interval}_i)
约束条件:
- 每架无人机都满足问题2的约束。
- 由于是不同无人机投放，没有1s间隔的限制。

代码思路: 依然是采用智能优化算法解决更高维度的优化问题。

修改适应度函数:
- calculate_multi_uav_shielding(params) 的输入 params 是一个12维向量。
- 函数内部： a. 将12个参数分解到3架无人机上（每架4个）。 b. 对每架无人机，独立计算其飞行、投放、起爆过程，并得到各自的有效遮蔽区间 [t_{start,i}, t_{end,i}]。 c. 计算三个遮蔽区间的并集长度。 d. 返回该长度作为适应度。
执行优化:
- 由于维度增加，可能需要调整智能优化算法的参数（如更大的种群、更多的迭代次数）以保证收敛。
- 将最终的最优策略结果存入 result2.xlsx。

问题5：五无人机、三导弹的综合策略

建模思路: 这是最复杂的一题，是一个资源分配（任务规划）与轨迹优化相结合的复合问题。需要决定：

任务分配: 哪架无人机（或哪些）负责哪个导弹（或哪些）？
弹药分配: 每架被分配任务的无人机使用多少枚弹药（1到3枚）？
时空协同: 如何优化所有投放弹药的时空参数，以最大化对三个导弹的总遮蔽时间？

由于问题的复杂性，采用“一次性”完全优化的方法（例如一个包含几十个变量的GA）可能难以收敛到好的结果。建议采用分层或启发式的方法。

一种可行的分层启发式策略:

威胁评估与初步分配 (高层决策):
- 计算各导弹的“威胁时间窗口”。M1, M2, M3 的初始位置不同，它们到达关键区域（例如，能清晰分辨真假目标）的时间也不同。可以根据它们到真目标的距离来排序威胁等级。
- 根据无人机与各导弹飞行路径的“拦截”便利性进行初步匹配。例如，计算每架无人机到每条导弹-真目标视线的最短距离，距离近的无人机优先分配给对应导弹。
- 可以形成一个初步的分配方案，例如：FY1、FY2 负责 M1；FY4、FY5 负责 M2；FY3 负责 M3。
子问题优化 (中层决策):
- 将大问题分解为针对每个导弹的子问题。例如，针对 M1，我们现在的问题是：如何利用 FY1 和 FY2 的所有弹药（最多6枚），最大化对 M1 的遮蔽？
- 这个子问题本身仍然很复杂。可以进一步简化：
  - 贪心策略: 优先使用“位置最好”的无人机（如FY1）的3枚弹药去解决 M1 的部分遮蔽窗口（调用问题3的模型），然后再用 FY2 的弹药去“补充”剩余的未遮蔽窗口。
  - 协同优化: 建立一个针对 M1 的协同优化模型，决策变量包括 FY1 和 FY2 的飞行参数和所有6枚弹的投爆参数，然后用智能算法求解。
全局整合与迭代 (底层执行与反馈):
- 对每个导弹都执行上述子问题优化后，得到一个完整的策略。
- 计算该策略下的总目标函数值（对所有导弹的遮蔽时间并集求和）。
- 可以设计一个更高层的循环，尝试不同的初步分配方案（例如，使用模拟退火或GA来搜索最优的分配方案），并以子问题优化的结果作为评估分配方案好坏的依据。

代码思路:

顶层框架: 设计一个主程序，负责任务分配。可以先从一个基于距离的简单启发式分配开始。
中层优化模块: 实现一个通用的优化函数，例如 optimize_for_missile(missile_id, uav_list, ammo_counts)。
- 此函数接收一个导弹目标和分配给它的无人机及弹药数量。
- 内部构建并运行一个智能优化算法（如GA），其决策变量是所有相关无人机的飞行参数和所有弹药的投爆参数。
- 其适应度函数计算对指定 missile_id 的总遮蔽时长。
执行流程:
- 主程序根据分配策略，依次调用 optimize_for_missile 函数为 M1, M2, M3 规划策略。
- 收集所有规划结果，整合成最终的投放策略。
- 将结果存入 result3.xlsx。