截止周四晚上11点已更新五个问题完整建模和问题一二的代码
截止周五早上完整版已更新 可以看主页最新博文获取
完整内容请看文末最后的推广群
2.1问题1的分析
问题1是典型的确定性时空几何与运动学计算问题，核心在于通过建立坐标系下的参数方程，量化烟幕云团、导弹M1及真目标的时空位置关系，最终求解有效遮蔽的时间区间长度。该问题无需优化，仅需严格依据给定参数进行"事件链-位置计算-遮蔽判定"的闭环推导，所依赖的核心模型为运动学参数方程与空间几何相交判定模型。
首先，构建统一的时间与空间基准模型。以雷达发现导弹时刻为t=0，基于笛卡尔坐标系（假目标为原点，z轴垂直于水平面），建立各主体的位置参数方程：
1.无人机FY1的位置方程：已知其沿x轴负方向（朝向假目标）以120 m/s匀速飞行，初始坐标(17800, 0, 1800)，则t时刻位置为。
2.导弹M1的位置方程：以300 m/s直指原点，初始坐标(20000, 0, 2000)，则t时刻位置为。
3.烟幕云团的位置方程：投放时刻s，投放点为；起爆延迟3.6 s，起爆时刻s，起爆后云团以3 m/s匀速下沉，故t≥5.1 s时云团中心坐标为，云团为半径10 m的球体。
其次，明确有效遮蔽的判定模型。烟幕对M1的有效遮蔽需同时满足时间约束与空间约束：
时间约束：起爆后20 s内，即。
空间约束：M1与真目标之间的视线线段需与烟幕云团球体相交。真目标为底面圆心(0,200,0)、半径7 m、高10 m的圆柱，可简化为点集。任取中一点，视线线段与球体有交点，则判定为有效遮蔽。
最后，通过线段与球体相交的解析算法求解约束条件。将视线线段参数化为（），代入球体方程得到关于s的二次方程，若方程在s∈[0,1]内有实根，则判定相交。遍历真目标特征点（如圆心、边缘点），求解满足相交条件的t区间，区间长度即为有效遮蔽时长。该过程需通过MATLAB或Python实现数值求解，核心是将几何判定转化为代数方程的根的存在性问题。
2.2问题2的分析
问题2是单变量约束优化问题，目标函数为有效遮蔽时长，优化变量为FY1的飞行参数（方向θ、速度v）、投放时刻t0、起爆延迟Δt，核心是通过建立"变量-目标函数"的映射关系，结合约束条件寻找最优解，所依赖的模型为多变量优化模型与烟幕遮蔽效能评估模型。
首先，定义优化变量与约束集。设飞行方向θ为速度向量与x轴正方向的夹角，则FY1的速度分量为，t时刻位置为；投放时刻t0（t0≥0），投放点为；起爆延迟Δt（Δt≥0），起爆时刻，云团中心坐标为（t≥t1）。约束条件包括：，，（为M1到达真目标的时间，计算得约66.67 s）。
其次，构建目标函数模型。有效遮蔽时长是t的集合的测度。为简化计算，采用真目标中心近似法，以真目标底面圆心代表真目标，此时视线线段为，目标函数可通过求解线段与球体相交的t区间长度直接量化。
最后，设计优化算法求解。由于变量维度较高（4维），采用分层优化策略结合粒子群优化（PSO）算法：
2.第一层：固定θ，将问题降为3维（v,t0,Δt）优化，通过PSO算法搜索该θ下的最优解；
3.第二层：遍历θ∈[0,2π)，寻找全局最优θ及对应的v,t0*,Δt*。
优化过程中需通过数值迭代验证每个粒子（变量组合）对应的遮蔽时长，核心是将优化算法与几何相交判定模型耦合，确保目标函数计算的准确性。同时，为避免局部最优，需设置合理的PSO参数（种群规模、迭代次数、惯性权重），并通过多次随机初始化种群提高解的全局最优性。
2.3问题3的分析
问题3是多弹时序协同优化问题，需在单无人机约束下（投放间隔≥1 s，飞行参数固定），通过优化3枚干扰弹的投放与起爆时序，实现遮蔽时长的叠加最大化，核心模型为多弹时序协同模型与整数规划约束下的优化模型。
首先，建立多弹投放的时序约束模型。设3枚弹的投放时刻为t01、t02、t03，满足，；起爆延迟为Δt1、Δt2、Δt3，起爆时刻为t11=t01+Δt1、t12=t02+Δt2、t13=t03+Δt3；各弹有效遮蔽时段为（i=1,2,3）。总有效遮蔽时长为3个区间的并集测度，即，目标是最大化。
其次，构建飞行参数与投放点的关联模型。FY1飞行参数（θ,v）固定后，3枚弹的投放点为，起爆点云团中心在t时刻的坐标为。由于飞行参数固定，投放点的空间分布由t01、t02、t03唯一确定，因此优化变量可归为（θ,v,t01,t02,t03,Δt1,Δt2,Δt3）。
最后，设计混合优化算法。考虑到变量维度高且含时序约束，采用遗传算法（GA）+局部搜索的混合策略：
3.编码：将θ、v、t01、t02、t03、Δt1、Δt2、Δt3编码为染色体，其中θ采用角度编码，v、t0i、Δti采用实数编码；
4.适应度函数：计算每个染色体对应的，作为适应度值；
5.选择、交叉、变异：采用轮盘赌选择、算术交叉、高斯变异，确保种群多样性；
6.局部搜索：对适应度前20%的个体，微调t0i和Δti，优化区间衔接效果，避免遮蔽空白。
同时，需嵌入约束处理机制：对违反投放间隔或时间上限（t13+20≤66.67）的个体，设置适应度惩罚值，确保解的可行性。通过该算法可求解出最优飞行参数与多弹时序，实现遮蔽时段的连续或部分重叠，最大化总时长。
2.4问题4的分析
问题4是多无人机协同优化问题，需为FY1、FY2、FY3分配遮蔽任务，优化各机飞行与投放参数，实现多弹遮蔽时段的全局最优衔接，核心模型为任务分配模型与多智能体协同优化模型。
首先，建立任务分配的聚类模型。基于M1的飞行时间轴，将遮蔽任务划分为3个时段：早期（t∈[tA,tB]）、中期（t∈[tB,tC]）、后期（t∈[tC,tD]）。采用K-means聚类算法，以M1在不同时刻的位置为样本，将其划分为3类，对应3个任务时段。根据无人机初始位置与任务时段的距离匹配度（距离=无人机初始位置到任务时段M1平均位置的欧氏距离/最大速度），分配FY1（初始距M1最近）执行早期任务，FY2执行中期任务，FY3（初始距真目标最近）执行后期任务。
其次，构建多无人机参数优化模型。设第k架无人机（k=1,2,3对应FY1,FY2,FY3）的优化变量为（θk,vk,t0k,Δtk），约束条件为，，（t1k=t0k+Δtk）。目标函数为总遮蔽时长，需满足时段衔接约束（δ≤1 s，确保无缝衔接）。
最后，采用分布式粒子群优化（DPSO）算法求解。将3架无人机视为3个粒子群，每个粒子群优化自身变量，通过信息交互（共享各机的t1k）协调时段衔接：
4.每个子群优化自身变量，计算局部适应度（自身遮蔽时长）；
5.全局通信层汇总各子群的t1k，计算全局适应度（总遮蔽时长）；
6.各子群根据全局适应度调整自身搜索方向，优先优化t0k和Δtk以满足衔接约束。
该算法通过分布式计算降低复杂度，同时通过信息共享实现全局协同，避免各机独立优化导致的遮蔽重叠浪费或空白。
2.5问题5的分析
问题5是多目标、多资源的复杂优化问题，需统筹5架无人机（每架至多3枚弹）对M1、M2、M3的干扰任务，核心模型为资源分配整数规划模型与多目标优化模型。
首先，建立资源分配的整数规划模型。设决策变量为（1≤k≤5，1≤j≤3），表示第k架无人机分配给第j枚导弹的干扰弹数量，满足（每机至多3枚），（每枚导弹至少1枚弹干扰），。目标函数为最大化3枚导弹的总遮蔽时长（为第j枚导弹的遮蔽时长）。采用分支定界法求解该整数规划，确定各机对各导弹的投弹数量分配方案。
其次，构建多导弹遮蔽的效能评估模型。对每枚导弹Mj，其位置方程为，其中（xMj0,yMj0,zMj0）为初始坐标，αj为Mj飞行方向与x轴的夹角（由初始位置指向原点计算得出）。每枚干扰弹对Mj的遮蔽判定同问题1，需独立计算。
最后，采用多目标遗传算法（MOGA） 求解全局优化问题。由于需同时优化5架无人机的飞行参数（θk,vk）、各枚弹的投放时刻（t0kj）与起爆延迟（Δtkj），变量维度极高，需通过以下策略简化：
1.分层优化：先通过整数规划确定，再针对每个（k,j）组合优化其参数；
2.多目标处理：将T1、T2、T3作为三个目标，采用非支配排序遗传算法（NSGA-II）搜索帕累托最优解，最终根据实际需求（如优先保护真目标，可侧重M1的遮蔽时长）选择折中解。
同时，需考虑多导弹视线的干扰耦合：若一枚干扰弹同时处于多枚导弹的视线路径上，可同时计入多枚导弹的遮蔽时长，通过该"协同增益"提升整体效能。算法实现中需通过并行计算加速多弹遮蔽判定，确保优化效率。