多跑道航班起降调度优化算法

为了提升大型繁忙机场的运行效率, 考虑了多跑道的运行条件和安全要求等因素, 以最小航班总延误为目标函数, 以最大位置偏移为约束条件, 引入滚动时域控制策略, 建立了航班动态排序模型。针对多跑道航班调度问题的特点, 分别采用基于滚动时域控制策略的遗传算法和现有的先到先服务算法求解模型。计算结果表明: 当航班正常时, 采用现有的先到先服务算法, 航班总延误为1 712s, 采用基于滚动时域控制策略的遗传算法, 航班总延误为1 080s, 与先到先服务算法相比, 延误时间减小37.0%;当航班不正常时, 采用现有的先到先服务算法, 航班总延误为1 658s, 采用基于滚动时域控制策略的遗传算法, 航班总延误为969s, 与先到先服务算法相比, 延误减小41.5%。可见, 基于滚动时域控制策略的遗传算法有效。     

基于蚁群算法的多跑道航班协同调度建模

针对终端区航班拥堵问题,模型通过读取进离场航班的航班号、机型和所属航空公司等实时信息,以提高航空公司效益性和航空公司之间竞争公平性为目标,建立了多跑道航班协同调度（CDM GDP）的多目标动态优化模型,采用蚁群算法对模型进行仿真.经过仿真验证表明,模型优化算法与先到先服务（FCFS）状态下航班排序相比,延误损失降低70.10%;延误损失偏差和降低38.64%.     

基于蚁群算法的航班着陆排序

当空中交通拥挤时，对航班的着陆顺序进行的调整，可以缓解拥挤，减少航班延误，提高飞行安全性，本文将蚁群算法用于着陆航班的排序问题，首先，建立以航班延误总时间最小为目标的规划模型，将航班着陆排序问题转化为非对称的TSP问题；然后，用蚁群算法寻找符合实际操作的优化排列；最后，经过对某机场实际数据的仿真计算，并与实际运行相比较，本文应用的算法具有较好的有效性和较强的使用性。     

遗传算法在终端区飞机排序中的应用

研究了遗传算法在终端区跑道分配以及飞机排序中的应用, 建立了多条跑道多架飞机排序的数学模型, 并进行了算例仿真分析。仿真结果表明, 遗传算法与先到先服务排序相比较, 适应度增加了80%, 延时减小了40%, 说明遗传算法的排序结果优于先到先服务的排序结果。     

多跑道机场离场航班推出时刻的优化研究

针对繁忙机场场面拥挤造成的大量航班延误状况,作者研究了繁忙多跑道机场离场航班的推出时刻最优问题,以缓解机场场面拥挤,减少航班的地面等待时间和提高跑道利用率。根据飞机尾流间隔的要求以及跑道起飞容量的限制,本文建立了多跑道机场离场航班推出时刻模型,并针对机场小规模的离场航班流量,设计启发式算法,并用算例进行仿真验证。结果表明,与先到先服务的推出时刻策略相比,经该算法优化后的航班总地面等待时间减少了近41%,同时跑道利用率提高了30%。     

基于GC-ZCPS的航班优先级调度研究

在航班着陆调度问题的研究中,传统的航班调度策略先到先服务(FCFS)总是安排先来的飞机先降落,后来的飞机等待后降落,但是却忽略了航班在等待过程中也有优先降落等级,航班的重要程度不同,有的航班比较重要或者发生了紧急情况,具有降落优先权。引入不同重要程度因子的约束位移交换(ZCPS),并结合改进的蚁群算法和遗传算法(GC),采取精英保留策略,将蚁群算法的一次寻优结果分成两个群落,再利用遗传算法找出符合实际操作的最优排列。实例仿真计算表明,该方法通常优于经典的先到先服务,新方法能够节省19%～38%的时间,能有效减少飞机延迟时间。     

到场飞机排序及调度问题的Memetic算法

为克服遗传算法求解多跑道系统到场飞机排序及调度问题时局部搜索能力不强的弱点,建立了该问题的混合整数0-1二次规划模型.通过证明同型飞机在每条跑道上都应按其预计到达该跑道时间的先后顺序依次着陆这一命题,设计了遗传算法与局部优化算法相结合的Memetic算法.算例结果表明:其运行10次的最劣解均不劣于其他遗传算法的最好解,且在5条跑道、20架飞机的情况下,Memetic算法求解时间为0.17 s,与精确算法相比,能满足实时应用需求.     

多机场终端区进离场航班协同排序研究

为了缓解繁忙终端区日益严重的空域拥堵和航班延误现状,研究了多机场终端区进离场航班协同优化排序问题.通过深入分析多机场终端空域结构,以及进离场航班运行特征,综合考虑尾流间隔、移交间隔、放行间隔、多跑道不同运行模式下的运行间隔等约束限制,将多机场终端区视为一个系统,引入"外围航班流"概念,以最小化航班延误为优化目标,建立了多机场终端区进离场航班协同优化排序模型,并采用改进的模拟退火算法对所建模型求解.选取上海终端区为研究对象进行仿真验证,仿真结果表明:利用本文提出的优化方法航班总延误比先到先服务策略减少了37.85%,有效地提高了多机场终端区进离场航班的运行效率.     

基于复合分派规则的进场航班排序方法

为解决航班延误问题, 提出了基于复合分派规则的进场航班排序方法。基于机器调度理论, 将最小化加权总延误为目标的进场航班排序问题等效为最小化加权总滞后的机器调度问题; 考虑顺序决定的准备时间约束、提交时间约束与最后期限约束, 构建了进场航班排序模型; 引入加权最短加工时间因子、松弛因子、准备时间因子、提交时间因子与最后期限因子, 提出了进场航班排序的复合分派规则, 设计了进场航班排序的启发式算法; 基于实际案例, 对比了采用提出的排序方法、先到先服务规则与Lingo软件得到的进场加权总延误、总延误与最大延误。计算结果表明: 提出的排序方法在30架次航班数值仿真中, 加权总延误比先到先服务规则缩短了31min, 延误航班数量减少了6架次; 在以上海浦东机场北向运行为场景的实际案例验证中, 基于排序方法的优化降落时间与Lingo软件的仿真结果相同, 与实际降落时间相比, 平均每架次航班提前了2.4min降落。     

航班延误恢复调度的混合粒子群算法

为了优化航班延误恢复调度, 考虑了航班延误的经济效益、社会影响和经济损失构成, 定义了航线影响因子, 构建了一种新的航班延误恢复调度模型, 将局部搜索方法引入到粒子群算法中, 提出了求解航班延误恢复调度问题的混合粒子群算法。计算结果表明: 与先来先服务调度方法相比, 混合粒子群算法可以减少航班延误损失4.2%, 与基本粒子群算法和进化策略算法相比, 混合粒子群算法平均可减少航班延误损失2.0%, 随着航班延误恢复规模的增大, 算法优势会更明显。     

��æ�������ཱུ������Ķ�Ŀ���Ż�

航班的合理降落排序是减少航班延误,提高服务质量的重要手段之一.空管人员在进行决策时,其评价标准往往不是单一的和同向的.本文将跑道上的飞机降落排序建模成单机多目标调度问题,重点讨论了此类问题的帕累托优化求解.建立的整数规划模型能够在航班降落过程中,对航班加权延误数量和所有延误航班的最长晚点时间两目标值进行协调并根据现场实际情况灵活地进行取舍.利用共享信息素机制的多目标蚁群算法对模型进行求解.最后的算例结果显示,与传统的启发式方法相比较,本文的方法不仅能够求得更好的结果,还能为空管人员提供一个相对直观的调度策略选择方案.     

终端区进离场资源分配优化模型

为提高终端区运行效率和减小航班延误, 考虑了空域容量和安全间隔等约束, 以最小化航班总燃油消耗、均衡进场点等待时间和最小化航班总延误为优化目标, 建立了终端区空域进离场资源分配优化模型, 设计了带精英策略的非支配排序遗传算法, 使用上海终端区实际运行数据进行实例验证。计算结果表明: 当SASAN进场节点容量下降时, 与先到先服务策略相比, 进场点分配策略下总燃油消耗由462 282.7 kg降为337 752.9 kg, 减少了26.9%, HC、CO、NO_x排放量分别由492.6、3 815.7、16 570.6 kg降为429.2、3 352.1、14 129.1 kg, 进场点总等待时间减少了93.5%, 所有航班平均延误降为104 s, 94.6%的航班的延误在600 s以内, 因此, 优化模型能有效解决终端区交通需求不均衡或节点容量下降导致的延误, 提高终端区运行效率。     

随机用户均衡交通分配问题的蚁群优化算法

研究了出行者对路网熟悉程度的指标与交通流分配均衡性之间的关系, 提出了具有指数形式信息素更新策略的随机用户均衡模型蚁群优化算法, 建立了从Logit模型加载, 到交通需求确认及路径流量、路段流量、路段阻抗、路径阻抗迭代计算的交通分配动态循环流程; 计算了Nguyen-Dupuis路网模型中各路段的流量与阻抗, 并与连续平均算法计算结果进行比较; 通过调节出行者对路网熟悉程度的因子, 分析了蚁群优化算法与连续平均算法的敏感性。研究结果表明: 采用连续平均算法和蚁群优化算法计算的路段流量分布分别为20~280、40~260pcu, 蚁群优化算法的流量分布区间减小了15.4%, 路段流量的最大值减小了7.1%, 因此, 采用蚁群优化算法计算的路段流量较为均衡; 采用蚁群优化算法时, 在Nguyen-Dupuis路网模型中各路段流量的标准差从65pcu降至48pcu, 88%可选路径的阻抗分布在61~64, 且84%的路径阻抗低于采用连续平均算法计算的阻抗, 因此, 采用蚁群优化算法减少了用户出行时间; 当路网熟悉程度分别为0.01、0.1、1、2、7、11时, 采用连续平均算法计算的路段流量标准差分别为75、65、50、47、45、45pcu, 采用蚁群优化算法计算的路段流量标准差分别为48、48、48、47、43、43pcu, 可见, 随着路网熟悉程度的增大, 分配在各路段上的流量范围逐渐减小, 标准差趋于稳定, 信息素更新策略对出行者的路径选择概率影响越明显, 出行者选择阻抗小的路径的概率变大, 因此, 采用蚁群优化算法对路段的流量分配逐渐优于连续平均算法。     

第Ⅰ类双边装配线平衡问题的改进蚁群算法

为克服传统算法求解大规模双边装配线平衡问题计算时间长、性能不稳定的缺陷,针对第Ⅰ类双边装配线平衡问题,应用综合信息素搜索规则与全局信息素更新规则,提出了一种先产生任务排列序列、后按启发式分配规则产生可行解的蚁群算法,可有效脱离陷入局部最优解.用改进蚁群算法对30个不同规模的问题进行求解,并与标准蚁群算法和禁忌搜索算法进行了对比.结果表明:改进蚁群算法求出29个最优解,比普通蚁群算法、禁忌搜索算法分别能多求得6个和3个最优解;应用于汽车双边装配线算例,在保持平衡效率的条件下,改进蚁群算法计算时间为21.01 s,比普通蚁群算法减少了9.14 s,计算效率提高了30.3%.      

大型机场进场航空器联合调度模型

为减少进场航空器总延误与总滑行时间,研究了大型机场进场航空器联合调度问题;分别以跑道排序时间跨度和总延误加权和最小、被分配至远机位航班数量最少、进场航空器总滑行时间最短为目标函数,构建了跑道、停机位、滑行道三大系统的正向联合调度模型;在此基础上引入停机位再调整模型,通过调整额外滑行时间较大的航空器的停机位指派方案对滑行...     

求解双目标带时间窗车辆路径问题的蚁群算法

针对运输网络为多重图的双目标带时间窗车辆路径问题设计了蚁群算法.首先,建立了多重图的双目标带时间窗车辆路径问题的数学模型,提出了针对该问题解的搜索空间构建方法,定义了一种综合考虑各优化目标、时间窗和信息素等启发信息的状态转移概率公式. 为了对比说明该算法的有效性,同时设计基于NSGA-II的多目标遗传算法.针对本文算例,对蚁群算法中的各参数进行了敏感性分析,根据分析结果设定算法参数,获得了算例的Pareto最优路径集,同时与NSGA-II算法及相关文献算法针对运行时间、收敛性和群体多样性进行比较.结果显示,本文设计的蚁群算法在这3个指标上均明显优于NSGA-II算法;在相同蚂蚁数量情况下,本文的算法在收敛性和群体多样性方面优于相关文献算法.     

Evolutionary algorithms for solving unconstrained multilevel lot-sizing problem with series structure

This paper presents a comparative study of evolutionary algorithms which are considered to be effective in solving the multilevel lot-sizing problem in material requirement planning (MRP) systems. Three evolutionary algorithms (simulated annealing (SA), particle swarm optimization (PSO) and genetic algorithm (GA)) are provided. For evaluating the performances of algorithms, the distribution of total cost (objective function) and the average computational time are compared. As a result, both GA and PSO have better cost performances with lower average total costs and smaller standard deviations. When the scale of the multilevel lot-sizing problem becomes larger, PSO is of a shorter computational time.     

Identification of Dynamic Parameters Based on Pseudo-Parallel Ant Colony Optimization Algorithm

IntroductionReal ants are capable of finding the shortest pathfrom a food source to the nest. Inspired by this factand the behavior of ant colonies, a novel optimizationalgorithm called ant system (AS) was first developedby Dorigo in1992[1]. In the following years, diversemodifications of the AS algorithm were made andapplied to many different types of optimization prob-lems, and satisfactory results were obtained. Re-cently, the AS algorithm has been extended to an al-gorithm for solving d…