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。

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。

基于免疫粒子群优化算法的航班着陆调度研究

为解决机场在交通高峰期的航班着陆动态调度问题,提出一种结合免疫思想的离散粒子群优化算法。将免疫系统多样性保持能力和粒子群优化算法明确方向性搜索的优势相结合,避免在待调度航班队列更新时,由于动态调用排序算法很难获得稳定排序结果而造成的额外开销。实验结果表明,该算法具备高效的全局搜索能力,能在一个雷达扫描周期内,为管制员提供一个稳定的调度方案。

基于改进免疫粒子群算法的动态航班着陆调度

为改进机场终端区空中交通流量管理,对动态航班着陆次序进行适当调整,使机场和空域的可用容量达到最有效利用,减少航班延误造成的经济损失,提出一种新颖的动态免疫粒子群优化算法(DIPSO),重点针对待着陆航班的动态变化,结合滑动时间窗,多方面考虑现实约束,在确保航班延误成本最小的同时,兼顾航班着陆的公平性和管制员的工作负荷。仿真结果表明,在处理动态航班着陆问题上与先来先服务相比有效降低了延误成本。

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.

基于遗传算法的平行跑道航班着陆调度问题研究

航空行业快速发展,航空流量也在急剧增加,机场的航班调度压力不断增大。为了减少机场拥挤,帮助机场制定合理的航班着陆方案,研究了一个平行跑道航班着陆调度问题。根据所研究的平行航班着陆调度问题的特点,构建了平行航班着陆调度问题的整数规划模型。考虑到CPLEX求解的问题规模有限,设计了一个遗传算法进行求解,仿真结果说明了遗传算法的有效性。

近距平行跑道航班着陆调度研究

针对我国航空运输业快速发展导致空中交通拥挤以及航班延误问题,研究了近距平行跑道航班着陆调度问题,以缓解空中交通拥挤和减少航班延误。以配对进近的形式,考虑时间、配对、间隔、排序等因素,建立航班着陆调度模型。针对机场小规模的进场航班流量,采用穷举法求解,并用算例进行仿真验证。结果表明,与先到先服务原则相比,经算法调度的进场航班总的延误时间减少了33%。

一种限界优化方法求解航班着陆调度问题

航空运输需求持续增长与枢纽终端区空域资源紧张的情况日益凸显,本文提出了一种限界优化的动态规划方法(Dynamic programming approach to limit optimization,DPALO)求解终端区航班着陆调度问题(Arrived landing problem,ALP)。首先建立了时间窗约束的航班着陆调度的离散化数学模型,推导了固定顺序下求解ALP的递推公式,并结合ALP问题特点,限界优化航班时间窗,并证明了所提方法不影响模型最优值的求解。其次,运用精英遗传算法、粒子群算法、线性循环交换和线性循环插空等方法调整航班序列,以期求得较优解。最后在OR‑Library数据集进行验证,实验结果表明,采用精英遗传算法调整航班着陆序列,DPALO的计算结果优于已知最优解(Best known values,BKV)、仿生算法(Bionic algorithm,BA)和位移决策算法(Displacement decision algorthm,DDA),与细胞自动机优化方法(Cellular automaton optimization,CAO)、紧致子序列算法(Compact subsequence algorithm,CSA)和滚动时域‑混合粒子群优化‑局部搜索算法(Rolling horizon framework hybrid particle swarm optimization local search algorithm,RH‑HPSO‑LS)的结果相近;DPALO的时间效率在小样本数据集上时间效率达到毫秒级,在大样本数据集上相较于CSA、CAO和RH‑HPSO‑LS分别提升了76.88%、89.11%和78.28%。

基于深度强化学习算法的终端区飞机着陆调度算法研究

针对当前机场终端区空中交通中存在的航班着陆成本过大,飞机延误率过高,调度成本过大等问题,提出利用深度强化学习算法结合终端区调度算法的一系列新调度算法,重点在于解决机场终端区空中交通中待着陆飞机的安全时间间隔与着陆成本的矛盾,使飞机在安全着陆的前提下尽量减少着陆成本.实验结果表明,新调度算法在着陆成本上明显低于传统调度算法先来先服务算法.