基于约束编程的飞机排班问题研究

飞机排班是航空运输生产计划的重要环节,对航空公司的正常运营和整体效益有着决定性影响.飞机排班通常构建为大规模整数规划问题,是航空运筹学研究的重要课题,构建的模型属于严重退化的NP Hard问题.本文把飞机排班问题构建为多商品网络流模型,并应用列生成算法求解;在列生成子问题中,引入约束编程系统实现快速求解航班连线（航班串）并计算各航班串简约成本,动态选择列集并与限制主问题进行迭代.最后,利用国内某航空公司干线航班网络实际数据验证模型和算法的有效性,并与航空公司实际排班进行比较研究.     

面向层次资质的机场外航服务人员排班研究

机场外航服务人员排班是机场智能调度系统的重要组成.针对目前我国机场外航服务人员排班主要采用人工方式，排班效率低下，员工工作时间均衡性不高，且难以满足多种类约束这一现状，本文充分考虑员工对任务具有层次资质及各类劳动法规约束，以均衡员工工作时间为优化目标，提出了面向层次资质的机场外航服务人员排班模型，并设计了基于禁忌搜索算法的模型求解策略.在首都机场外航服务部实际数据集上进行实验，验证结果表明，相比较于现有人工排班方案，利用本文模型得到的排班方案能满足所有排班约束条件，且在员工工作时间均衡性上有显著提高.     

飞机排班一体化模型与算法研究

为了改善航班计划两阶段完成的次优性,将机型指派、路线选择与机尾号指派综合考虑,构建了飞机排班的整数规划与约束规划杂交一体化模型.通过设计了一种基于约束编程思想的列生成算法对该问题进行求解.最后,通过航空公司实例数据验证了模型算法的正确性和有效性.     

基于延误传播的飞机排班一体化鲁棒优化模型

为了减少航班延误对航班运行计划的影响,在分析航班延误传播特性及其分布的基础上,以总波及延误时间最少和航空公司运营成本最小为优化目标,建立了双目标飞机排班一体化网络流鲁棒优化模型.将该模型应用于国内某航空公司的实际运营数据进行实例分析,利用列生成和分枝定价法求解,结果表明:用本文模型优化后的航班计划使航班延误传播减少了41%;运营总成本比航空公司实际成本减少了11.33%,比没有考虑鲁棒性的飞机排班一体化模型的成本减少了9.93%.      

基于固定班制的地铁乘务计划一体化优化方法

针对运营中常用的固定班制轮班模式，通过加入班次数量比例和备班约束，构建排班和轮班计划一体化的乘务计划优化模型，进行乘务组数的全局优化；之后对传统列生成求解算法进行改进，在定价子问题中分别针对不同班次类型，各自生成班次以适应新的模型约束，并设计加速策略，以完成对一体化优化模型的求解；最后以轮乘站设置不同的两条地铁线路为例开展案例研究，研究了在四班三运转和六班五运转班制下的优化效果，分析了算法的求解效率. 研究结果表明:固定班制条件下，与分阶段优化方法相比，简化了轮班单元构成，乘务组数量减少了6.67%～14.29%，求解时间节约了44.2%～51.4%.      

飞机排班数学规划模型

分析了国内航空公司普遍采用的单枢纽线性航线结构以及飞机排班工作流程和要求,研究了描述飞机排班问题的数学模型构造方法,引入“航班节”的概念,将一个具体的飞机排班问题归结为三种典型排班模式中的一种,即基于飞机调度指令要求的排班问题、基于最少需用飞机数的排班问题、基于飞机使用均衡要求的排班问题。应用结果表明平均每架飞机分配的航班任务时间与期望飞行时间的偏差仅为4．8min,而且得到飞机排班方案的时间不到23s,因此此飞机排班模式是解决单枢纽线性航线结构下的飞机排班问题的一种有效方法。     

基于时间牌轮循方法的城市公交智能化排班

公交驾驶员排班方案是公交智能化调度的重要研究内容,也是城市公交运营中最耗时、最繁重的任务之一。不同的公交企业有着不同的约束规则,排班方案的合理性,是决定城市公共交通客运健康发展的重要因素。通过引入营运车辆数、周转时长、首末班时间、发车间隔、各类型时间牌数量等实际公交发车数据,自动生成时间牌,并通过时间牌轮循方法,能够快速完成公交线路排班。理论分析和实验结果表明,文中方法能有效降低排班工作中的人力和时间成本。     

进化算法在终端区飞机动态排序中的应用

讨论了终端区飞机动态排序问题,并利用进化算法建立了终端区航班排序的数学模型.根据飞机尾流间隔要求,利用生物进化理论,找到更合理的航班着陆队列,减小了航班的总延误成本.仿真结果表明,航班总延误成本的优化结果是令人满意的,该算法在终端区飞机动态排序问题中的应用是可行的.     

考虑时间均衡度的城市轨道交通乘务排班计划优化方法

乘务排班计划是城市轨道交通乘务组织的核心内容和运营管理工作的重要组成部分,其生成质量对城市轨道交通的运营效率有显著影响.本文将时间均衡度作为给定周期条件下评价乘务员值乘时间与休息时间合理程度的指标,构建了基于该均衡度的乘务排班计划优化模型.为同时考虑乘务区段的最优组合与早晚班的匹配问题,本文的求解过程由改进遗传算法和双相匹配算法两个部分构成.最后将所建模型应用于北京市某轨道交通线路的案例研究中,对优化结果与既有乘务计划进行比较分析,验证模型的有效性.对比发现,该模型的结果在较大程度上提高了乘务排班计划的时间均衡度.     

公交司机排班问题的混合元启发算法研究

针对我国公交企业中司机在1 个工作日内驾驶同一辆车的“人车绑定”管理模式, 提出混合元启发算法求解司机排班问题.首先建立以车辆数为目标的车辆调度模型,获得仅 满足司机休息时间的非可行解;接着迭代地使用局部搜索算子、破坏重建扰动等方法对解进 行调整,使其满足司机工作时间和吃饭时间等约束,并尽可能地降低排班成本;在迭代搜索 过程中记录发现的可行排班链集合,迭代结束后构建集合覆盖问题(SCP)模型对其进行改 进,以获得最佳的司机排班方案.在13 条公交线路案例上进行测试,实验结果验证了本文算 法的有效性.     

The dynamic scheduling model of battlefield rush-repair tasks

During the war, equipment is constantly being damaged with limited battlefield rush-repair time and power. Therefore, some military problems are presented in this paper. In order to get more fighting time for damaged equipment to participate in operation again as much as possible, three problems should be considered properly. The first problem is how to dynamically choose the most suitable damaged equipment for each repair group. The second one is how to divide tasks between different groups. The third one is how to determine execution sequence in the same group. A mathematical model is established to solve the dynamic battlefield rushrepair task scheduling problem (DBRTSP) in wartime. A variant genetic algorithm is designed to dynamically track the change of the optimal solution. A scheduling example is solved through Matlab. Results show that the proposed model is not only scientific and reasonable, but also convenient and efficient.     

具有反向学习能力的串车调度算法研究

为了避免串车问题,研究了多条线路不同站点间隔的车辆实时串车调度算法.基于车辆自动定位(AVL)数据的分析预测,给出了具备反向学习能力的克隆选择优化算法 (Opposition-learning Clonal Selection Algorithm, OCSA )求解避免串车的调度序列,指导车辆调度.算法中设计了反向抗体库,反向抗体库存储了种群迭代过程中多个较差抗体的信息,利用较差基因位置信息,指导部分基因链以较快速度进行反向学习,将其迅速牵引出局部最优区域.反向学习过程可迅速改善抗体的多样性,使得算法在短时间内具有较强的全局寻优能力;且局部学习的缩放因子可随迭代过程动态调整,提高了算法的求解精度.实验结果表明,基于 OCSA算法获取的调度序列与经典的调度算法相比有较好的适应性,求得的调度序列能够实时有效地降低站点串车问题.     

����ʽ�ò�Լ���ij���������⪤

有效的乘务调度能够为公交企业带来巨大的成本节约,但是,公交乘务调度问题因受制于一系列劳动法规的约束变得十分复杂.我国公交普遍存在"中式用餐"约束,进一步加大了问题的复杂性,使西方主流调度系统在国内实施面临困难.本文基于"生成与选择"方法解决乘务调度问题,关键在于"生成"阶段处理"中式用餐"难题;利用"中式用餐"约束和乘务问题特点,设计一种基于启发式规则的换班机会筛选方法;在所选换班机会集合的基础上构造能满足"中式用餐"约束的潜在乘务班次集合.对实际公交乘务调度问题中的12组实例进行测试,表明本文方法不仅能处理"中式用餐"约束,而且能极大减少所求问题的规模,因此适用于解决大规模的带有"中式用餐"约束的乘务调度问题.     

过站保障车辆集中式调度的单亲遗传算法

针对飞机过站保障车辆集中式调度问题,提出递阶式编码结构单亲遗传算法.该算法采用保障作业编号构成控制基因染色体、车辆编号构成参数基因染色体,分别体现过站保障作业时序约束和车辆指派规则约束,使算法对问题具有良好的适用性;设计控制基因染色体片段段内换位变异和参数基因染色体片段段间换位变异相结合的遗传算子,并引入车辆可调度能力空间概念提出解码算法,实现对解空间搜索能力优化;以过站保障造成的航班延误惩罚费用和车辆行驶费用之和最小为优化目标,建立算法适应度函数,可衡量过站保障和车辆使用综合效率.采集某机场过站航班数据验证所给算法有效性并对比分析车辆就近指派和使用率均衡两种调度策略,结果表明,算法收敛性良好,且就近指派策略相对于使用率均衡策略,在过站保障延误方面改进较小,但在车辆行驶时间方面改进达40%.      

网络控制系统的变采样周期调度算法

综合考虑网络控制系统的误差、误差变化率、网络利用率及采样周期对系统性能的影响,设计了一种基于模糊反馈的变采样周期调度算法．该算法由网络利用率预测和采样周期调节两部分组成：网络利用率预测部分根据当前网络运行状况预测新的网络利用率;采样周期调节部分包含网络利用率分配和采样周期的计算．采样周期调节部分的网络利用率分配,用于重新分配各控制回路的网络利用率,分配时考虑系统各回路的误差和误差变化率,利用模糊控制理论调整各回路对网络的需求程度,完成分配;而采样周期计算是根据所得的网络利用率及数据的传输时间,动态调节系统各回路的采样周期．最后,结合EDF调度算法利用TrueTime工具箱对所研究的调度算法进行了仿真,结果表明采用本文所研究的变采样周期调度算法的控制系统性能要优于采用固定采样周期调度算法的控制系统性能．     

基于动态学习的泊位调度方案优化

泊位调度方案的制定要依据在泊船舶的占用泊位情况及预计在泊时间,确定其他待泊船舶的靠泊位置与靠泊时间.然而,预计在泊时间受水文气象等多种复杂因素的影响,且影响程度是随时间动态变化的,给泊位调度方案的制定增加了难度.对此,本文采用动态学习方法对在泊时间计算函数进行更新,再基于所得函数对泊位调度方案进行优化.并设计了包含船舶在泊时间动态学习及泊位调度方案优化的并行算法,前者为后者提供更新的在泊时间计算函数,后者的实际执行结果为前者提供学习样本.通过算例对模型有效性进行了验证,结果表明：加入动态学习过程,船舶在泊时间的计算偏差得以降低;优化方案的平均在泊时间缩短2.4 h,总成本降低11.1%.     

考虑行程时间波动的电动公交可变行车计划

为解决因运行时间不确定性导致的公交到发时间不准点问题,本文基于公交线路双方向发车趟次和运营时间的不对称特征,提出一种可变行车计划优化问题。以最小化车辆使用数和乘客等待时间为目标,考虑车次链的行程接续和电动公交车辆电量等约束,构建公交时刻表和车辆排班一体化优化模型。根据可变行车计划优化问题特性设计改进的粒子群算法(Modified Particle Swarm Optimization for Timetabling and Scheduling, MPSO-TS)进行求解,定制粒子编码和子代更新方式。采用“基于优势车次链”的子代更新机制,以“车次链”为纽带最大程度地保留父代被继承信息中时刻表与车辆调度方案之间的关联性。使用连云港市某公交线路验证模型和算法,案例结果表明：可变行车计划能够有效保证车辆到发准点性,通过更紧密的排班计划将使用车数由35辆减少至31辆,车辆使用效率提升了28.1%;所提出的MPSO-TS算法求解效率较高,具有较好的稳定性,可有效避免计算结果陷入“局部最优”。     

An efficient approach for solving yard crane scheduling in a container terminal

An efcient approach for yard crane（YC）scheduling is proposed in this paper.The definition of task group for YC scheduling is proposed.A mixed integer programming（MIP）model is developed.In the model,objective functions are subject to the minimization of the total delay of complete time for all task groups and the minimization of block-to-block movements of YCs.Due to the computational scale of the non-deterministic polynomial（NP）complete problem regarding YC scheduling,a rolling-horizon decision-making strategy is employed to solve this problem,by converting the MIP model into another MIP model in the scheduling of each rolling period.Afterwards,a heuristic algorithm based on modified A＊search is developed to solve the converted model and obtain near optimal solution.Finally,the computational experiments are used to examine the performance of the proposed approach for YC scheduling.