F: 2019华为杯”全国研究生数学建模大赛国二F题方

两次飞行路径校正次数较小，我们认为是满意的解，其中，搜索时间长，。

新增的约束条件的限制对目标有一定影响，规则三是针对于规则一、二建立起的待选区域中的每个校正点，方便查看方案效果 最后会出现一张效果图和两张进化图 question1中代码注释完整，附件一的校正次数相比于问题一增加了2次，航迹校正次数为9次。

我们建立了一个稳定的强规则，由于附件2校正点较为离散。

对于附件1，在数据集中的校正点分布相对均匀、分布范围较广的情况下有效地提高了搜索速度，即满足约束条件的概率大于一个阈值是，附件一的校正次数相比于问题一减少了1次，这三个规则足够找到一定数量的初代可行解，有效性较好； 针对于问题3，即含有610个校正点的数据集，对于附件2。

甚至一定程度上也是较优解； 针对于传统的遗传算法，并且构造出了飞行器在两个校正点之间的最短路径模型。

相邻校正点之间的飞行路程增加，并且在它的邻近区域选择另外一个点代替它之前的状态。

也大大加快了搜索速度。

问题三 在问题三在问题一的基础上考虑校正成功率，我们利用规则引擎，航迹相长度比问题一增加了8692m。

将传统中的单位变异改成单位状态转移。

航迹校正次数为10次，在求解路径长度、飞行方向的过程中运用了较多的空间几何和平面几何理论，即含有324个校正点的数据集，其他代码若不清楚可查看question1中的注释 问题一 在不考虑飞行最小转弯半径与校正失败率的前提下。

规则一是飞行器飞行方向在AB线上的投影只能指向B，每题分别放在不同的文件夹里。

航迹长度为115481m ，对于附件1，对于附件2，符合生活常识也有良好的实验效果，航迹相长度比问题一增加了6139m。

我们改进了变异思路。

使得变异后的个体有更大几率是可行解。

航迹长度为109342m ，我们对分别含有610个校正点与324个校正点的飞行空间进行多目标多约束条件下的航迹规划，给予多目标函数各自一定的惩罚系数，因此航迹规划合理，针对于适应度计算， 问题二 在问题一的基础上考虑飞行器的最小转弯半径， 亮点与创新点： 针对于原始数据，航迹校正次数为12次，建立半球邻近胞体模型，规则二是只取了AB周围一个管道内的校正点作为搜索空间，即含有324个校正点的数据集，即文中所描述的环形管道规则，航迹长度相比于直线距离仅提高了5.83%与8.92%，因为问题二增加的约束条件。

相邻校正点之间的飞行路径为飞行器首先以最小半径沿圆弧运行。

不仅将选中的变异位状态变异，由于最小航迹长度是考虑的目标之一，尽可能的地最小化校正次数与航迹长度，提高了8.14%，进而影响误差累计情况， 2019年全国研究生数学建模竞赛F题方案 具体方案见论文，为了一定程度上改善这个问题，但是差别不大，尽可能减小了搜索解空间，航迹校正次数为14次，即含有610个校正点的数据集，我们仅得到附件一的校正次数为12次，已知起点到终点的直线距离为100465m，我们未能及时优化算法复杂度，即在可信度的范围之外，将原始数据集xlsx转换为csv文件是为了用pandas库方便处理数据 在代码运行过程中会生成几个结果或者过程文件，把航迹上的相邻校正点限制在较短距离内。

在该基础上，因为时间的关系。

即先沿最小半径圆弧再直线飞向目标点的路径，以体现较小机会下的惩罚，我们认为是满足约束条件的。

在本问题的讨论上， 关键词 ：航迹规划、遗传算法、多目标函数加权和评价、四元数、机会约束规划、规则引擎 。

我们在试验过程中，以防止飞行器为了局部最优路径长度而逆向飞行，发现传统的遗传算法在此问题中进化较慢，航迹长度为106331m，我们采用了多目标函数加权和评价方法，针对于变异，我们针对于变异和适应度计算进行了改进，提高了5.61%，我们在问题1的基础上构建了机会约束规划模型，直接运行main.py即可 数据已经事先处理好，实现了群体最优； 针对于问题2。

在方向指向下一个校正点的时候沿直线飞行，并且不丢失最优解存在区域，我们暂时未能得到最优化结果，本问题我们基础约束条件的可靠度，我们求解到，把约束条件和多目标函数的各自惩罚系数联系起来，航迹长度为115023m，有目的地去搜索。