多跑道着陆飞机协同调度多目标优化

综合考虑空中交通管制、航空公司和机场因素,研究了多跑道降落航班的协同调度问题,以实现安全、公平和高效的空中交通管理战术决策．提出了采用协同航班调度策略和多目标优化调度模型．模型以安全性为约束,以总延误成本和空中交通管制员管制负荷最小、航空公司之间尽量公平为优化目标,用多目标遗传算法求解．算例仿真结果表明,用本文算法得出的最优方案与FCFS算法结果相比,因延误造成的总成本损失减少了61．4％,并使延误损失在各航空公司间的分配更加均衡．     

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RHC-GA的多跑道进离场航班多目标动态优化模型

以管制负荷与航班延误总成本最小为目标函数,以尾流间隔、跑道限制与最大位置约束为约束条件,结合中国民航最新运行标准,建立了基于滚动时域控制策略的多跑道进离场航班多目标动态优化模型。针对模型求解规模庞大的特点,结合滚动时域控制策略的动态特性,设计了求解模型的遗传算法,选取中国某大型繁忙机场高峰时段的48个航班数据进行实例验证。仿真结果表明:当重、中、轻3种机型的单位飞行成本分别为25、16、10元·s-1时,采用现有先到先服务的策略,总延误损失为36 098元,管制负荷为32架次;当采用5个滚动时域的控制策略时,总延误损失为28 900元,管制负荷为31架次;当采用4个滚动时域的控制策略时,总延误损失为27 375元,管制负荷为32架次;当采用3个滚动时域的控制策略时,总延误损失为27 194元,管制负荷为33架次。与现有的先到先服务策略相比,提出的模型能动态地优化多跑道进离场航班排序问题,有效减少延误损失,并均衡跑道资源利用状况。     

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。     

基于遗传算法的加油车和摆渡车协同调度研究

航班地面服务是机场运行的重要环节.航班在机场过站期间所接受的一系列 地面服务通过不同类型的保障车辆来执行.通过分析机场过站航班保障的业务流程,确定 了加油服务和上客服务的时间约束关系,并在此基础上,以至少需要的保障车辆数目和 服务总开始时间最早为目标,研究构建了远机位航班加油服务和上客服务的协同调度模 型,并给出了基于多目标遗传算法的模型求解.基于首都国际机场实际运行数据的实验结 果表明,所提出的模型能较好地解决加油车和摆渡车协同调度问题.实验得到一组Pareto 最优解为业务部门提供决策支持.     

多跑道机场停机位分配仿真模型及算法

基于传统滑行路径和停机位等待的理念, 建立了多跑道机场停机位分配仿真模型, 在满足场面运行安全约束的条件下, 寻求滑行时间最小的分配方案。通过多跑道机场的地面网络数据、运行模式以及航班计划等信息, 利用计算机仿真对模型进行了算法设计, 并对场面的实时运行状况进行了停机位分配的仿真模拟。仿真结果表明: 该算法与随机分配算法相比, 多跑道机场的地面容量提高了4.6%, 冲突探测与解脱的次数降低了10.7%, 最大延误减小了34.8%, 因此, 机场场面的运行效率得到提高, 所提算法有效。     

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.     

多车场协同运输的公共自行车调度方法研究

为改善城市公共自行车使用过程中“借车难,还车难”的问题,针对公共自行车调度问题展开研究。通过构建一个多车场协同运输的公共自行车调度优化模型,分析公共自行车系统静态调度的最优路径问题。在模型求解方面,设计一种融合遗传算法和禁忌搜索算法的启发式求解算法,通过M atlab编程对模型进行求解。最后,以中山市公共自行车系统为例进行分析,结果显示本调度方法比传统调度方法节约9.3％的调度成本。     

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%。     

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道调度进行反向优化;设计了一种改进型基因编码的遗传算法以避免非可行解的产生,提高求解效率。仿真结果表明：对比先到先服务策略,改进型遗传算法的进场航空器跑道排序时间减少了20 s,总延误从254 350 s降至199 760 s,减少了21%;对比蚁群算法,改进型遗传算法的总延误减少了20 060 s,降低了9%,且迭代曲线更平稳;改进遗传算法迭代12次时即能为进场航空器全部分配至近机位,18架进场航空器的总滑行时间从4 575 s降至4 145 s,降低了9%,且滑行过程中仅发生3次冲突;11架航空器均选择最短路滑行,仅3架航空器的额外滑行时间超过40 s;经停机位调整后,总额外滑行时间减少58 s,降低了27%。可见,进场航空器联合调度模型能提高大型机场运行效率,为场面资源管理提供决策参考。     

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。     

场面航空器滑行时空协同优化模型

引入双层规划方法, 研究了场面航空器在滑行道系统中的滑行调度问题; 考虑了成本与冲突对场面航空器运行效率和安全的影响, 以航空器推出延迟时间与滑行路径作为决策变量, 以航空器在滑行道系统中滑行过程无冲突与场面航空器的总滑行距离最短为目标函数, 构建了场面航空器滑行时空协同优化模型; 针对航空器滑行道调度问题的特点, 设计了适用于航空器滑行时空协同优化模型的双层规划算法, 以降低场面航空器滑行距离和等待时间; 为了验证航空器滑行时空协同优化模型及算法的有效性, 对比了先到先服务调度方案的计算结果, 分析了滑行等待时间与滑行距离对场面航空器运行效率的影响。研究结果表明: 场面航空器滑行时空协同优化模型与先到先服务的航空器调度方案相比, 保证了航空器滑行过程无冲突, 将16架次航空器的总滑行距离从40 690 m降至37 700 m, 降低了8%;航空器平均运行时间为254 s, 提升了滑行道系统的整体运行效率; 在复制组数为100与变异概率为0.4的条件下, 采用场面航空器滑行时空协同优化模型能够在412 s内获得最优解, 求解效率与收敛性显著。可见, 采用场面航空器时空协同优化模型在保障航空器滑行安全的前提下, 能有效提高场面航空器滑行调度效率, 降低航空器运行成本, 能够为繁忙机场滑行道调度提供决策支持。     

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。     

终端区飞机排序的混合人工鱼群算法

为了保障飞行安全, 对终端区着陆飞机进行有效的排序, 建立了以航班延误总时间最小为目标函数的规划模型, 以人工鱼群算法为基础, 融合了遗传算法的选择操作和模拟退火算法的依概率接受的思想, 形成混合人工鱼群算法, 对着陆飞机排序问题进行了仿真计算, 并与先到先服务算法、模拟退火算法以及蚁群算法进行了对比研究。仿真结果表明: 与先到先服务相比, 使用人工鱼群算法使得单跑道、双跑道延误分别减少了9.3%和48.0%, 计算时间小于3s;与蚁群算法和模拟退火算法相比, 求解的延误与时间最小, 因此, 提出的混合算法可行。     

空域和流量协同管理建模与仿真

提出了空域和流量协同管理概念, 综合利用地面等待、动态航路、条件航路等多种管理手段, 建立了以最小运行成本为目标的数学模型, 同时在模型中引入了动态航路、条件航路的开放成本, 以更好地体现流量与容量之间相互协同优化关系, 最后通过实例对模型进行了验证。计算结果表明: 利用空域和流量协同运行管理模型制定的优化策略后, 总的航班运行成本比优化前减少了8 205美元, 成本波动幅度大大减小, 因此, 该协同管理策略可缩短航班延误时间, 降低航空公司的成本。     

航路时空资源分配的多目标优化方法

为了提高航空公司与空管方之间的协同决策程度, 降低航班延误水平, 以航路飞行的航班为研究对象, 研究了航路时空资源的多目标分配; 考虑实际运行条件下航班的唯一性约束、时间顺序约束和可行性约束的影响, 以航班在流量受限区所分配的飞行航迹和进入时隙为决策变量, 以航班总延误成本最小和航空公司延误公平损失偏差系数最小为目标函数, 构建了多目标非线性0-1整数规划模型; 基于模型特点引用了非支配排序遗传算法(NSGA-Ⅱ), 并利用排列编码法设计了一种整数基因编码方式, 以最大限度保证基因产生可行解集; 为了验证模型与算法的有效性, 基于南中国海地区航班运行实例, 对算法搜寻最优解的性能进行了研究, 并将此算法与传统按时刻表分配(RBS)方法进行了对比。研究结果表明: 改进编码方式的NSGA-Ⅱ算法使解集种群在约50代后世代距离从600收敛至30并稳定, 具有良好的收敛性; 针对实例中的多目标优化模型共生成有6组解的帕累托解集, 结果有66.7%的概率完全支配RBS方法, 且优化结果中航班平均延误成本比RBS方法降低了8.5%, 平均公平损失偏差系数降低了70.6%。可见提出的航路时空资源多目标优化方法的执行效果显著, 可在降低总延误成本的基础上兼顾各航空公司的公平性, 是解决航路飞行航班航迹与时隙资源分配问题的一种有效方法。