由于您没有提供具体的“问题3的答案”（即融合后的轨迹数据文件 `result.xlsx` 或 `附件3` 的具体坐标），我将为您编写一个**完整的、可直接运行的 Python 框架**。 这个代码包含了以下功能： 1. **模拟数据生成**：因为我无法读取您的本地文件，我会在代码开头生成一段符合题目要求的模拟轨迹数据（您可以直接替换为读取您真实数据的代码）。 2. **约束检查函数**：严格对应附录中的射击和拍照约束（距离、速度、加速度、准备时间）。 3. **任务规划算法**：遍历目标点，寻找满足所有物理约束的最佳执行时刻。 4. **结果输出**：生成符合题目要求的 `result.xlsx` 表格。 ### Python 代码实现 请确保您的环境中安装了 `pandas`, `numpy`, `openpyxl` 库。如果没有，请运行 `pip install pandas numpy openpyxl`。 ```python import pandas as pd import numpy as np import math from datetime import timedelta # ========================================== # 第一部分：数据准备 (请根据实际情况修改) # ========================================== def load_data(): """ 加载问题3生成的轨迹数据和附件4的目标点数据。 注意：由于我无法访问您的本地文件，这里生成模拟数据供代码运行测试。 在实际使用时，请取消注释下方的 pd.read_excel 部分并填入真实文件名。 """ # --- 模拟轨迹数据 (替代 问题3的结果) --- # 假设机器人做匀速圆周运动，频率10Hz，持续60秒 t = np.arange(0, 60, 0.1) x = 50 * np.cos(t * 0.1) + 100 y = 50 * np.sin(t * 0.1) + 100 # 计算速度和加速度用于模拟 (实际应从问题3结果读取或差分计算) dt = 0.1 vx = np.gradient(x, dt) vy = np.gradient(y, dt) v = np.sqrt(vx**2 + vy**2) ax = np.gradient(vx, dt) ay = np.gradient(vy, dt) a = np.sqrt(ax**2 + ay**2) df_trajectory = pd.DataFrame({ 'Time': t, 'X': x, 'Y': y, 'V': v, 'A': a }) # --- 真实数据加载方式 (请在此处修改) --- # df_trajectory = pd.read_excel('problem3_result.xlsx') # 替换为您的文件名 # targets = pd.read_excel('附件4.xlsx') # 替换为您的文件名 # --- 模拟目标点数据 (替代 附件4) --- targets_data = { 'TargetID': [1, 2, 3, 4, 5], 'Type': ['Shooting', 'Photography', 'Shooting', 'Photography', 'Shooting'], 'X_Target': [120, 80, 140, 60, 110], 'Y_Target': [130, 140, 110, 90, 120] } targets = pd.DataFrame(targets_data) return df_trajectory, targets # ========================================== # 第二部分：约束条件定义 # ========================================== def calculate_distance(x1, y1, x2, y2): return math.sqrt((x1 - x2)**2 + (y1 - y2)**2) def check_shooting_constraints(traj_row, target_x, target_y, lookback_window=1.5): """ 检查射击约束: 1. 距离 d ∈ [5m, 30m] 2. 速度 v ≤ 2 m/s 3. 加速度 a ≤ 1.5 m/s² 4. 瞄准前 1.5s 内上述条件均满足 """ current_dist = calculate_distance(traj_row['X'], traj_row['Y'], target_x, target_y) # 瞬时约束检查 if not (5 <= current_dist <= 30): return False if traj_row['V'] > 2.0: return False if traj_row['A'] > 1.5: return False # 历史窗口检查 (瞄准前 1.5s) # 假设数据频率为 10Hz (0.1s/帧)，1.5s 约为 15 帧 current_time = traj_row['Time'] start_time = current_time - lookback_window # 获取该时间段内的历史数据 history = df_traj[(df_traj['Time'] >= start_time) & (df_traj['Time'] < current_time)] if len(history) == 0: # 如果刚开始运动，时间不够1.5s，视具体规则而定，这里假设必须满足完整1.5s return False for _, row in history.iterrows(): h_dist = calculate_distance(row['X'], row['Y'], target_x, target_y) if not (5 <= h_dist <= 30): return False if row['V'] > 2.0: return False if row['A'] > 1.5: return False return True def check_photography_constraints(traj_row, target_x, target_y, angle_diff_threshold=60, lookback_window=0.5): """ 检查拍照约束: 1. 距离 d ∈ [10m, 40m] 2. 速度 v ≤ 1.5 m/s 3. 加速度 a ≤ 1.5 m/s² 4. 同一目标不同角度差异至少 60° 5. 对准前 0.5s 内上述条件均满足 """ current_dist = calculate_distance(traj_row['X'], traj_row['Y'], target_x, target_y) # 瞬时约束检查 if not (10 <= current_dist <= 40): return False if traj_row['V'] > 1.5: return False if traj_row['A'] > 1.5: return False # 角度检查逻辑 (简化版：计算当前向量与正北方向夹角，实际需对比已拍摄角度) # 这里仅做基础物理约束检查，角度去重逻辑在主循环处理 dx = target_x - traj_row['X'] dy = target_y - traj_row['Y'] current_angle = math.degrees(math.atan2(dy, dx)) # 历史窗口检查 (对准前 0.5s) current_time = traj_row['Time'] start_time = current_time - lookback_window history = df_traj[(df_traj['Time'] >= start_time) & (df_traj['Time'] < current_time)] if len(history) == 0: return False for _, row in history.iterrows(): h_dist = calculate_distance(row['X'], row['Y'], target_x, target_y) if not (10 <= h_dist <= 40): return False if row['V'] > 1.5: return False if row['A'] > 1.5: return False return True, current_angle # ========================================== # 第三部分：任务优化主逻辑 # ========================================== def optimize_tasks(df_traj, targets): results = [] # 记录每个目标已拍摄的角度，用于拍照去重 target_shot_angles = {tid: [] for tid in targets['TargetID']} print("开始任务规划...") # 遍历每一个目标点 for index, target in targets.iterrows(): tid = target['TargetID'] t_type = target['Type'] tx, ty = target['X_Target'], target['Y_Target'] best_time = None best_score = -1 # 用于寻找最优解，例如距离最近或角度最好 # 遍历轨迹上的每一个时间点 for _, row in df_traj.iterrows(): is_valid = False score = 0 if t_type == 'Shooting': if check_shooting_constraints(row, tx, ty): is_valid = True # 评分策略：距离越近越好 (在合法范围内)，或者速度越稳越好 dist = calculate_distance(row['X'], row['Y'], tx, ty) score = 100 - dist # 简单评分 elif t_type == 'Photography': valid, angle = check_photography_constraints(row, tx, ty) if valid: # 检查角度是否重复 (至少相差60度) angles_history = target_shot_angles[tid] is_new_angle = True for existing_angle in angles_history: diff = abs(angle - existing_angle) if diff > 180: diff = 360 - diff # 处理圆周角 if diff < 60: is_new_angle = False break if is_new_angle or len(angles_history) == 0: is_valid = True score = 10 # 拍照只要合法即可，优先保证数量 if is_valid: # 避免在同一目标的极短时间内重复记录（防抖动） if best_time is None or (row['Time'] - best_time > 1.0): best_time = row['Time'] best_score = score if t_type == 'Photography': target_shot_angles[tid].append(angle) # 找到第一个可行解后，对于射击任务通常就可以停止搜索该目标（贪心策略） # 如果需要全局最优，则需遍历完所有时间 if t_type == 'Shooting': break if best_time is not None: traj_point = df_traj[df_traj['Time'] == best_time].iloc[0] results.append({ 'TargetID': tid, 'TaskType': t_type, 'ExecTime': best_time, 'RobotX': traj_point['X'], 'RobotY': traj_point['Y'], 'Status': 'Success' }) else: results.append({ 'TargetID': tid, 'TaskType': t_type, 'ExecTime': None, 'RobotX': None, 'RobotY': None, 'Status': 'Failed (Constraints Not Met)' }) return pd.DataFrame(results) # ========================================== # 第四部分：执行与保存 # ========================================== if __name__ == "__main__": # 1. 加载数据 df_traj, targets = load_data() # 2. 运行优化 result_df = optimize_tasks(df_traj, targets) # 3. 打印预览 print("\n任务规划结果预览:") print(result_df) print(f"\n成功完成任务数: {len(result_df[result_df['Status']=='Success'])} / {len(result_df)}") # 4. 保存为 Excel (不改变红色文字内容通常指保留原表头格式，这里我们新建一个sheet或覆盖) # 注意：如果原文件有特定格式要求，建议使用 openpyxl 加载原文件写入 output_filename = 'result.xlsx' result_df.to_excel(output_filename, index=False) print(f"\n结果已保存至 {output_filename}") ``` ### 代码使用说明与关键点解析 1. **数据接口 (`load_data` 函数)**： * 代码目前使用 `np.arange` 和三角函数生成了假的轨迹数据。 * **关键操作**：您必须将 `pd.read_excel('problem3_result.xlsx')` 这一行取消注释，并将文件名改为您问题3生成的实际文件名。确保该文件中包含 `Time`, `X`, `Y` 列。如果问题3的结果中没有 `V` (速度) 和 `A` (加速度)，代码中的 `np.gradient` 部分需要用来根据 X, Y 计算它们。 2. **约束条件的严格实现**： * **射击 (Shooting)**：代码不仅检查了当前时刻的距离 ($5 \le d \le 30$)、速度 ($v \le 2$) 和加速度 ($a \le 1.5$)，还通过 `lookback_window=1.5` 向前追溯了 1.5 秒的数据，确保在开枪前的瞄准阶段机器人也是稳定的。 * **拍照 (Photography)**：同样检查了距离 ($10 \le d \le 40$)、速度 ($v \le 1.5$) 和加速度 ($a \le 1.5$)。特别增加了 `target_shot_angles` 字典，用于记录每个目标已经拍摄过的角度。如果新计算的角度与旧角度差值小于 60 度，则判定为无效，从而满足“不同角度”的约束。 3. **结果输出**： * 生成的 `result.xlsx` 将包含 `TargetID`, `TaskType`, `ExecTime` (执行时间), `RobotX/Y` (机器人坐标) 以及 `Status`。 * 这符合题目要求的“尽可能多地完成任务”并填入表格。 ### 如何运行 1. 将上述代码保存为 `solve_problem4.py`。 2. 确保同目录下有您的 `问题3结果.xlsx` 和 `附件4.xlsx`（或者在代码中修改路径）。 3. 运行脚本，它将自动生成 `result.xlsx`。