基于GAPSO Elman神经网络算法的短时航迹预测

为保证空中交通运行通畅,避免交通拥堵和其他可能存在的风险,有必要对航空器进行短时航迹预测,为管制员提前做出决策提供依据。基于遗传算法(GA)的全局搜索能力和粒子群算法(PSO)的局部搜索能力,将两者相结合的遗传粒子群混合算法(GAPSO)应用于Elman神经网络算法的优化中,提出了GAPSO Elman神经网络算法,将该算法应用于短时航迹预测。仿真实验结果表明:方法能够极大地提升Elman神经网络的预测精度,准确地预测航空器的飞行轨迹,提前15 min预测的航空器过点时间与真实过点时间平均误差能够控制在1 min以内,具有良好的预测效果,为终端区航路网络的拥挤管控提供了技术依据。

基于强化学习的航空器机场智能静态路径规划

随着人工智能迅速发展以及"智慧机场"的提出,研究人工智能在机场如何有效地辅助机场管制人员,驾驶员指挥航空器在地面滑行具有重要意义。本文提出一种基于强化学习的滑行路径规划方法,构建航空器机场地面强化学习移动模型,并以海口美兰机场为案例采用Python内置工具包Tkinter进行场面仿真;在此基础上,考虑机场航空器滑行规则,采用Off-Policy中Q-Learning算法求解贝尔曼方程,实现航空器在Modelbased环境中进行静态路径规划。结果表明:本文所提方法能够实现停机位到跑道出口智能静态路径规划。