基于紧致子序列的航班着陆调度问题研究

航班着陆调度问题已被证明是NP难问题,综合考虑多种实际情况,建立了时间窗约束的航班着陆优化模型,定义了紧致子序列概念,论述了其性质及左移、分割和合并的条件。在此基础上,提出一种基于紧致子序列的算法(CSA)求解固定顺序下航班着陆调度问题。按照航班的最优着陆时间排序,运用CSA计算出该顺序下各航班着陆时间;采用循环线性交换和循环线性插空策略微调该固定顺序,不断迭代逼近模型的最优解;采用OR-Library数据集进行验证。实验结果表明,CSA结合启发式微调策略求解结果明显优于位移决策算法DALP和仿生算法(BA),与CPLEX、混合粒子群优化-局部搜索算法RH-HPSO-LS、细胞自动机优化(CAO)算法相近,在时间效率上明显优于对比算法;在小规模数据集上,计算精度与速度优势更加明显。CSA是一种确定性算法,不依赖于先验参数,具有更高的鲁棒性,保证了启发式微调策略不断逼近最优解。

基于改进灰狼优化算法的舰载机着舰调度

针对第一类着舰模式下的舰载机着舰调度问题进行了研究,建立着舰调度模型,以最小化加权着舰延误时间和、着舰完成时间为优化目标,考虑舰载机战损程度、剩余燃油量的影响。为减轻人工调度的负担,提出一种改进灰狼优化(IGWO)算法对调度模型进行优化求解,在灰狼优化(GWO)算法的基础上,改进算法选择历史最优解灰狼个体为α狼,引入混沌算子,设置算法参数更新控制变量,以应对GWO算法后期收敛速度慢、可能陷入局部最优解的缺点。通过不同规模着舰调度案例仿真和算法对比,验证了IGWO算法的有效性,所提算法在30、60、90机规模着舰调度案例中的优化效果均优于对比算法,证明其具备一定工程应用价值。

基于受限位移约束的蚁群算法在航班着陆调度问题中的应用研究

航班着陆调度问题是机场跑道调度中的重要问题,合理的调度策略将极大的减少航班延误。本文提出基于受限位移约束的蚁群算法(CPS-AC),该算法利用了蚁群算法高效的全局搜索能力,同时结合CPS确保调度的可操作性和公平性,能够为实际的空中交通流量管理提供理论方法和依据。数值模拟实验结果表明,CPS-AC算法明显优于经典的先到先服务(FCFS)的调度方法和标准的蚁群算法(AC),能在较短时间内有效减少着陆航班的总延迟时间,且具有较好的收敛性。这些对于减少航班延误,提高着陆容量具有推动作用。

求解带有时间窗和提前/拖期惩罚的飞机着陆问题的遗传算法

研究了带有时间窗、飞机着陆的总提前/拖期惩罚最小为目标函数的飞机着陆问题.针对此问题设计了一种遗传算法进行求解.染色体表示为飞机着陆次序和着陆跑道两个向量,一个新的解码算法来计算飞机的着陆时间.采用数据库OR-Library中的实例进行数值实验,实验结果表明:设计的算法是有效的,主要原因是解码算法能大大提高解的质量.该算法对于求解带有时间窗、目标函数为提前/拖期惩罚最小的调度问题具有借鉴意义.

飞机着陆调度排序算法的设计与实现

航空管制员必须为同时到达的每一架飞机计算着陆时间，使整体费用最小，同时还要注意一些硬性的限制条件。在某一时刻，给定管制员视野内的飞机数量，可以公式化为约束最优化问题，从而应用一定的算法来解决。该文提出了基于分枝定界的飞机着陆调度排序算法——ASAL，实验证明通过该算法能够很好地解决飞机着陆调度优化问题。

进近阶段飞机着陆调度优化

飞机着陆调度问题属于NP-hard问题,文中建立了进近阶段调度模型,在此模型基础上提出了一种改进的遗传算法来求解此问题。该算法基于双染色体编码方案,构建了满足MPS约束的初始种群,给出了启发式选择算子和自适应变异算子。针对多跑道飞机着陆调度问题,提出了随机分配和选择分配两种跑道分配策略。仿真结果表明,该方法能有效地减少飞机着陆调度中的总延迟,使待着陆飞机快速有序地进入机场着陆。

基于分组的MPS进近航班着陆调度算法研究

讨论了机场终端区到达航班流的着陆调度规划问题。以航班总延误时间最小为目标函数,考虑了复杂的空中管制约束,提出了基于分组的MPS为1的隐枚举排序算法。该算法考虑了空中交通管制的多种约束条件,首先,分航路对航班进行分组;其次,根据约束条件初始化位置许可矩阵;然后建立解空间树搜索最优解。通过边界条件选取、无效分支判断、次优序列淘汰的设计提高了算法求解速度。结合真实数据,用计算机仿真实验对该算法进行了验证,结果表明,该算法能满足复杂空中交通管制条件下的各种限制约束,有效减少交通延误和提高空域利用率。

人工鱼群——粒子群混合算法优化进港航班排序

针对空中交通管理中的进港航班排序问题,提出了人工鱼群—粒子群混合算法(AFPSO)这一航班排序算法来优化进港航班排序,使时段内进港航班队列总延误时间最少。算法结合了基本人工鱼群算法(AFSA)和基本粒子群算法(PSO)各自的优点,先以AFSA在全局寻找满意的解域,再以PSO算法在这些解域中进行快速的局部搜索获得精确解,最终使算法提高收敛速度和搜索精度。仿真结果表明,在单跑道和双跑道情况下,AFPSO算法使得航班队列总延误时间比FCFS调度方法减少了20.9%和34.4%,比基本AFSA减少了3.2%和3.5%。算法得到的满意解能够为自动化空中交通管理提供实时支持。

空中航空交通流进场调度管理研究

在空中交通流优化调度的研究中,为了保障飞行安全、降低飞行成本,应对多跑道机场管制区进场航空器进行有效的排序。由于不同航空器应配备不同的安全间隔及航空器提前/延迟降落,都会增加额外的飞行成本。为解决上述问题,建立了以总飞行成本最小为目标函数的多跑道机场进场航班排序模型,运用改进人工鱼群算法,对多跑道机场的进场航班排序进行了算例仿真分析,并与先到先服务算法进行了对比研究。仿真结果表明:与先到先服务算法相比,人工鱼群算法使航班延误减少了49.7%,有效地缓解了航班延误,降低了飞行成本。

基于遗传算法的航班着陆调度的设计与实现

使用遗传算法对航班着陆进行优化调度。算法采用整数编码,用目标函数的倒数构造适应度函数,选择算子采用轮盘赌选择,交叉算子采用实数交叉法,变异算子采用个体随机变异,通过罚函数处理约束条件,并运用mat-lab2012进行编程和求解。最后通过具体实例仿真,得出所提出的方法计算效率高,操作方便简单,具有较强的可扩展性和实用性。

遗传算法在飞机着陆调度问题上的应用

用遗传算法对飞机着陆调度问题的两个方面:队列顺序的确定和跑道指派进行了研究。队列顺序采用飞机编号的单一整数染色体编码方案,配合相应的变异、交叉算子,避免了后代非法解的问题。跑道指派则在适值函数计算中,基于对列最短的原则来加以确定,避免了对队列顺序和跑道指派进行分别编码。算例研究了单跑道与双跑道两种情况。计算结果表明,这种编码方案以及变异、交叉算子对这一问题具有很好的效果,可在普通PC机上实现雷达扫描周期内的实时计算要求。

基于混合粒子群的航班着陆调度优化研究

研究终端区航班着陆调度优化控制问题,为对多目标着陆实现实时调度,克服粒子群算法易陷入局部最优的问题,提出了一种免疫思想和禁忌搜索的混合粒子群调度算法,在粒子群算法的基础上引入了免疫系统的抗体浓度调节机制,以保证群体多样性。针对算法后期进化速度慢的缺点,采用了具有自适应能力的禁忌搜索算法进一步优化性能。最后将混合粒子群调度算法在不同规模的实例上进行了测试,并与其它几种具有代表性的算法进行了比较。实验结果表明,改进算法不仅较好地避免了陷入局部最优,提高了收敛速度,还有效地减少了航班着陆调度中的延迟。

基于最小延误成本的进港航班公平排序

进港航班排序优化是提高航空公司的经济效益和空中交通流量管理的主要手段。作者在一定假设的条件下,以所有到达航班在机场终端总延误成本最小为目标函数,并在该函数中引进公平性惩罚因子,得到一个带有公平性惩罚因子的航班总延误成本最小进港排序模型。该模型用粒子群算法求解,作者给出了解法步骤。文中列出了两个实例。实例结果表明:在自然状况下,本文模型的总延迟成本显著地下降;与遗传算法的结果比较,两个方法都有效地降低了总延误成本,但是,本文方法的最大延迟顺序小于遗传算法的相应值,结果比较公平;此外,本文方法的计算量相对较小。

一种结合动态调整策略的在线航班调度方法

进港航班调度有助于缓解终端区空中交通拥堵，减少航班空中延误，进而提高整个空管系统的运行效率。由于进港航班调度问题是一个典型的组合优化问题，具有多约束的复杂特性，而在线航班调度中对算法实时性的要求使得该问题的求解难度进一步增加，因此一直没有得到有效解决。重点针对在线航班调度问题，采用滚动优化思想，设计多种针对延误与早到航班的处理规则，并在生成子节点时引入贪心策略，通过简化搜索过程的复杂度，提高算法运行效率。大量仿真实验表明，该方法大大降低了计算规模，使得优化调度方案能够兼顾实时性与连续性需求。

基于DPSO算法的军用飞机起降调度

作战时军用飞机的起降时刻均由作战计划指定,但实际中很难精确地使每架军机在计划时刻起降。考虑到各架军机实际与计划起降时刻的偏差对作战影响的不同,以加权提前/延误和为目标函数,将军机起降调度模型转换为带到达时间的单机加权E/T调度模型,并设计了一种针对自然数域的离散粒子群算法求解该模型。仿真结果说明了所设计模型和算法的有效性。

复杂环境下基于价格时间自动机飞机着陆调度

目前航空运输系统飞机着陆调度环节普遍存在调度策略单一、效率低、附加成本较高等不足,提出了以价格时间自动机作为基础模型架构的飞机着陆调度设计,在满足着陆时间窗、最小尾流间隔等约束条件下优化额外成本消耗,并考虑复杂气候地理环境,构建出飞机着陆过程中各交互实体的价格时间自动机模型,采用UPPAAL CORA中的分支界定算法求解飞机着陆调度最优成本的可达性。仿真实验结果表明:此研究方法可应用于复杂环境下、大吞吐量的飞机着陆调度,能够显著降低着陆消耗,提升跑道容量,具有安全性、智能性与经济性。

经验粒子群算法在飞机着陆调度中的应用

为高效解决飞机着陆调度问题,对其离散解空间进行连续化编码,提出经验粒子群(experiential particle swarm optimization,EPSO)算法。提炼飞机着陆调度问题中的领域知识作为每个粒子的经验,优化粒子群算法的寻优过程,增加算法的稳定性。引入控制工程领域中的滚动时域控制(receding horizon control,RHC)策略,在尽量考虑问题完整性的前提下,最大限度降低求解的复杂度,形成最终的RHC-EPSO算法。实验结果表明,该算法能够比现有算法更加高效和稳定地找到飞机着陆调度问题的最优解。

基于遗传算法的飞机着陆调度

使用遗传算法对飞机着陆进行优化调度。算法以所有飞机的排列次序作为个体编码,适应度函数的构建综合考虑了飞机的各种约束条件,通过选择、交叉、变异得到优化输出。仿真结果表明遗传算法用于飞机着陆调度可行、有效。

求解机场终端区飞机着陆调度问题的遗传算法

空中管制员需为到达的飞机安排跑道并计算着陆时间,以飞机空中延误最小为出发点研究了多跑道的飞机着陆调度问题,约束条件为每架飞机的着陆时间应落在规定的时间窗内及相邻两架飞机应满足最小时间间隔。针对该问题设计了一种遗传算法对问题进行求解,其中染色体由飞机排序链表和跑道链表组成,相应的交叉和变异算子也做了改进设计。仿真实验用数据库OR-Library中的实例验证了该算法的有效性。

基于滚动时域的遗传-免疫算法优化航班着陆调度

航班调度问题一直是空中交通管制(ATC)中的一个复杂而具有重要意义的任务,而航班着陆问题(ALS)是其中的核心问题.航班着陆调度是NP-hard问题,具有规模大、约束条件多的特点.因此,为了有效合理地解决航班着陆问题,本文提出了基于滚动时域的遗传-免疫算法(RHC HGIA)的航班着陆调度算法.RHC HGIA主要从两个方面解决航班着陆问题,一方面根据设定的滚动时域长度与大小选择需要进行优化的待降落航班;另一方面对选择的待降落航班使用遗传-免疫算法进行优化并确定其实际着陆时间.经过优化后的航班组成新的航班降落序列,从该序列中选择实际着陆时间在给定时域范围内的航班进行着陆.重新设置滚动时域长度,选择待降落航班进行优化,直到所有待着陆航班都已着陆为止.本文仿真实验以某机场一天内的20架待着陆航班数据为基础,并在机场管制仿真系统中进行模拟仿真.仿真实验表明,与传统航班着陆调度算法(FCFS)相比,经过RHC_HGIA算法优化后的待着陆航班的额外成本有明显的降低.