CN101582204B - 降落航班调度优化方法 - Google Patents

Abstract

本发明公开了一种降落航班调度优化方法，包括以下步骤：将空域中的各个待降落航班对应转化为元胞自动机CA中的元胞，其中元胞的格子序号表示待降落航班到机场的距离，元胞的速度表示待降落航班的飞行速度；根据元胞的当前速度对应的降落代价以及对应航班间最小降落间隔设置的相邻元胞间最小距离，更新各个元胞的当前速度和格子序号，直至所有元胞的格子序号为零；以及按照元胞格子序号更新为零的先后顺序进行排序，得到所述各个待降落航班的优化降落顺序。本发明可以简单、有效地得到降落航班调度的优化方案。

Description

降落航班调度优化方法 

技术领域

本发明涉及一种航班流量优化概念下的进场航班调度算法，属于航班流量优化领域。 

背景技术

随着空中交通运输的迅速发展，现在的空中交通管理系统已经难以满足日益增长的空中交通流量的需要，解决这一问题的最简单的方法是加强基础设施的建设。但是这些方法需要资金多，改进周期长，而通过各种空中交通的调度算法合理分配空中交通流量，达到好的容量资源和流量需求就可以和改善硬件设施互补，以给空中交通的发展提供更多的空间。而对单个机场，通过对航班降落序列的优化调度可以提升单个机场的航班流量、减少航班降落的代价(如降低耗油量，提高乘客的满意度)。航班降落的优化调度就成了空中流量优化的一个重要的组成部分。 

航班调度可以描述为一个使航班总体降落代价最小化的多限制问题。由于航班有一个最经济(油量耗费少，乘客满意度高等)的飞行速度，过快降落会导致飞机加速，使油量耗费增多。而航班如果延后降落，势必在空中滞留过多的时间，不但会造成飞行耗油的增多，而且会导致乘客的不满，无形中又会增加航班的耗费。 

另外，航班之间必须要保持一个安全的间隔。飞机在受调度时，它到机场的距离、飞行的速度等都是已知的，受其最快速度的影响，它只能在距离/最快速度之后降落。而受其载油量影响，它必须在油量耗光之前降落。调度的方案必须要考虑到这些限制(飞机间最小间隔，降落的时间窗)。 

由于雷达扫描终端空域需要的时间很短，为了应对这种不断发生的变化，控制台时必须能够及时地提出一个调度方案，满足降落航班调度的实时性要求。 

航班优化调度的目的就是在满足上述限制的基础上尽可能减少航班的总体耗费。目前针对这个问题提出了线性规划算法，种群进化算法，先来先服务算法。由于线性规划和种群进化的算法复杂性和不可控性(进化算法是一种随机搜索算法，其得到好的解的时间是不可控的)，它们得到一个很好的调度方案的时间可能会很长，这就不能满足降落航班调度的实时性要求。而先来先服务(FCFS)算法由于它的简单快捷成为在实际中可用的算法，但是由于其不包含寻优的品质，所以这种方法只能给出一个可行解，并不能保证会减少耗费。 

发明内容

本发明的目的旨在至少解决现有技术中的上述问题之一。 

为此，本发明的实施例提出一种简单、有效的降落航班调度优化方法 

根据本发明实施例的降落航班调度优化方法，所述方法包括以下步骤：将空域中的各个待降落航班对应转化为元胞自动机CA中的元胞，其中元胞的格子序号表示待降落航班到机场的距离，元胞的速度表示待降落航班的飞行速度；根据元胞的当前速度对应的降落代价以及对应航班间最小降落间隔设置的相邻元胞间最小距离，更新各个元胞的当前速度和格子序号，直至所有元胞的格子序号为零；以及按照元胞格子序号更新为零的先后顺序进行排序，得到所述各个待降落航班的优化降落顺序，其中所述元胞的当前速度对应的降落代价包括提前降落的代价和/或延后降落的代价，所述提前降落代价 

所述延后降落代价 

其中D_i表示元胞i的格子序号，V_i表示元胞i的当前速度，T_i表示元胞i对应的待降落航班的最佳降落时间，t表示元胞的当前时间，g_i表示元胞i对应的待降落航班每提前单位时间降落的额外代价，h_i表示元胞i对应的待降落航班每延后单位时间降落的额外代价，i为正整数；所述更新元胞的当前速度包括：在对应元胞的格子序号大 于所述最小距离时，若判断f_l(i)＞f_l(i-1)，则V_i更新为V_i＝min{V_i+α×V_i，max，V_i，max}；若判断f_e(i)＞f_e(i+1)，则V_i更新为V_i＝max{V_i-β×V_i，max，0}；在对应元胞的格子序号不大于所述最小距离时，若判断 

且元胞i不是第一个元胞，则V_i更新为V_i＝max{V_i-β×V_i，max，0}；否则，V_i更新为V_i＝min{V_i+α×V_i，max，V_i，max}，其中α和β表示加速率，V_i，max表示元胞i的最快速度，S_i-1，i表示相邻元胞i-1和i对应的待降落航班的最小降落间隔。 

所述格子序号更新表示为D_i＝max{0，D_i-V_i×Δt}，其中Δt表示元胞的更新时间周期。 

优选地，本发明还包括根据待降落航班的提前或延后降落代价，调整所述优化降落顺序对应的待降落航班的降落时间。 

所述调整步骤包括：a)按照所述优化降落顺序，利用先来先服务FCFS预先得到调度序列；b)将所述调度序列对应的航班分成多个段，其中每段对应的待降落航班降落间隔符合所述最小降落间隔要求；c)检测每段对应的待降落航班能否通过同时提前或同时延后降落来减少降落代价；以及d)对于能够通过同时提前降落或同时延后降落的段，相应前移或后移所述段。 

进一步地，对于不能够通过同时提前降落或同时延后降落的段，包括以下步骤：检测所述段能否分成两段，其中所述段的前半段能通过同时提前降落或者所述段的后半段能通过同时延后降落来减少降落代价；以及对于能够分成两段的所述段，相应前移所述前半段或后移所述后半段。 

并且，对于能够提前降落的段，对应最大移动时间为min{A，B，C}，其中A表示保证所述段与其之前段之间符合所述最小降落间隔要求的最大前移时间，B表示所述段对应的待降落航班符合降落时间窗限制的最大前移时间，C表示所述段对应的待降落航班的调度降落时间与最优降落时间的关系在移动前后保持一致的最大前移时间。对于能够延后降落的段，对应最大移动时间为min{A，B，C}，其中A表示保证所述段与其之后段之间符合所述最小降落间隔要求的最大后移时间，B表示所述段对应的待降落航班符合降落时间窗限制的最大后移时间，C表示所述段对应的待降落航班的调度降落时间与最优降落时间的关系在移动前后保持一致的最大前移时 间。 

在所述最大移动时间为零时，包括以下步骤：检测所述段与其之前段是否符合所述最小降落间隔要求；在符合时将所述段与其之前段合并为一段；检测所述合并段能否通过同时提前降落或者同时延后降落来减少降落代价；以及对于能够通过同时提前或同时延后降落的合并段，相应前移或后移所述段。 

优选地，本发明还包括利用遗传算法进一步调整所述优化降落顺序的步骤，所述调整步骤包括：初始化预定数量的个体组成一个迭代的种群，其中每个个体代表一个航班降落序列；每一次迭代将每个个体中的随机两架航班调换次序，并根据所述降落时间调整步骤确定的优化降落时间，选取预定数量的个体进入下一次迭代；以及在迭代预定次数后，选取一个最优个体对应的航班降落时间及航班降落序列。 

本发明将在地面交通模拟中得到广泛应用的CA模型创造性地应用到航空流量优化领域，从全新的角度寻找航班降落最优的调度方案。由于CA的模拟现实能力特别突出，使得本方法可以更贴近现实。 

本发明针对航班降落调度问题结合CA模型设计了一个快速、高效的算法，在满足实时性要求的基础上能给出空域中的航班的可行且耗费相对很少的降落调度方案。本发明不仅克服了现有寻优算法不能满足实时性要求的缺点，还解决了现有实时性算法无法有效优化降落调度方案的问题。 

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。 

附图说明

本发明的上述和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中： 

图1为本发明降落航班调度优化方法的步骤流程图； 

图2为本发明实施例的降落航班调度优化方法步骤流程图； 

图3(a)和图3(b)为本发明降落航班在CA模型中的模拟示意图；以及 

图4为本发明实施例的航班降落时间优化方法流程图。 

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。 

首先参考图1，该图为本发明降落航班调度优化方法的步骤流程图。 

如图所示，首先将空域中的各个待降落航班对应转化为元胞自动机(Cellular Automata，CA)中的元胞(步骤102)，其中元胞的格子序号用来表示待降落航班到机场的距离，元胞的速度表示待降落航班的飞行速度。 

然后，根据元胞的当前速度对应的降落代价以及对应航班间最小降落间隔设置的相邻元胞间最小距离，更新各个元胞的当前速度和格子序号，直至所有元胞的格子序号为零(步骤104)。这里，降落代价是指航班的调度降落时间在最早降落时间和最晚降落时间之间时，因提前或延后降落所造成的额外开销。航班间最小降落间隔是相邻两航班在降落时，因安全性需要而满足的最小降落间隔。 

通过不断更新，当所有元胞的格子序号为零时则表示所有的航班均已降落，即航班距离机场的距离为零。因此，最后按照元胞格子序号更新为零的先后顺序进行排序，则得到各个待降落航班的优化降落顺序(步骤106)。 

下面，结合具体实施例对本发明的降落航班调度优化方法给出详细说明。 

参考图2，图2为本发明实施例的降落航班调度优化方法步骤流程图。首先初始化CA(步骤202)，即将空域中待降落航班的参数转化为CA中元胞的参数。在本发明中，CA模型需要真实的空域中航班数据进行模拟降落。这里一个元胞代表一架飞机，其状态为航班到机场的距离、航班的速度、航班的最早降落时间、航班的最佳降落时间、航班的最晚降落时间。 

关于明降落航班在CA模型中的模拟示意图如图3(a)和图3(b)所示，如图3(a)所示，CA模型包含M个格子，第i个格子代表实际空域中到机场距离为r，宽为1的圆环，在这个环上的飞机在CA中就在格子i上。其中第 M个格子对应的距离在雷达的扫描范围内。另外，在CA中的元胞的速度是相应航班飞行速度中半径方向的分量。 

由于一个格子并非代表一个空域中位置，所以如图3(b)所示，多架航班(图示航班i和j)可包含在同一个格子D_i＝D_j中，其分别距离机场的距离相同。另外，如图所示，航班k对应的格子序号为D_k。这时由于调度的航班并没有降落，假设降落队列为LQ，并使LQ为空。初始化的时间为需要调度的时刻。 

另外，CA模型中各个变量说明如下： 

D_safe：CA模型下为了保持元胞间最小降落时间间隔而设的一段距离。在这段靠近机场的格子中，元胞之间不能相互超越。 

V_i：元胞i的速度。 

V_i，max：元胞i的最快速度。 

D_i：元胞i的格子序号。 

由于航班调度问题的降落时间窗(最早到达时间，最晚到达时间)是由飞机的最高速度限制得来的，本发明在CA模拟阶段可以直接限制元胞的最快速度，从而得到的降落序列符合最早到达时间限制。而飞机一般油量都是很充足的，因此CA中得到的降落序列也基本能满足最晚到达时间的限制。 

然后，按照规则循环更新CA中航班的速度(步骤204)。在速度更新中，若元胞按照当前状态，即未更新之前的速度和位置继续飞行，则能够得到以下代价f_l(i)和f_e(i)，这两个值将作为其加减速规则的驱动变量。 

$f_l\left(i\right)=\max \{0,(t+\frac{D_i}{V_i}-T_i)\×g_i\}---\left(1\right)$

$f_e\left(i\right)=\max \{0,(T_i-\frac{D_i}{V_i}-t)\×h_i\}---\left(2\right)$

其中V_i表示元胞i的当前速度，T_i表示元胞i对应的待降落航班的最佳降落时间，t表示元胞的当前时间，g_i表示元胞i对应的待降落航班每提前单位时间降落的额外代价，h_i表示元胞i对应的待降落航班每延后单位时间降落的额外代价，i为正整数。 

其中g_i和h_i是由实践分析得到的经验数据，油耗、机场容量等都会考虑在内。并且在航班降落的调度方案中，下面这些约束必须要得到满足： 

E_i≤X_i≤L_i(i＝1，...，P)                        (3) 

X_i-X_j≤S_ij(i＝1，…，P，j＝1，…，P，i≠j)      (4) 

其中个变量含义如下： 

P：航班的数目 

E_i：航班i的最早降落时间 

L_i：航班i的最晚降落时间 

T_i：航班i的最佳降落时间 

g_i：航班i每提前单位时间降落的额外代价 

h_i：航班i每延后单位时间降落的额外代价 

x_i：航班i的调度降落时间 

s_ij：当航班j在航班i之后，航班j和航班i的最小降落间隔。 

不等式(3)表示航班i的调度降落时间要在最早降落时间和最晚降落时间之间，不等式(4)表示航班i，j的降落间隔要满足最小降落间隔的限制。 

因此，第i架航班降落的额外开销是： 

$Z_i=\begin{array}{c}{g}_i\×(T_i-X_i)X_i\≤T_i\\ h_i\×(X_i-T_i)X_i>T_i\end{array}---\left(5\right)$

总开销是： 

Z_total＝∑_i＝1...PZi                (6) 

以下是为元胞每步更新速度的具体规则： 

如果D_i＞D_safe，即元胞i的格子序号大于最小距离时，若判断f_l(i)＞f_l(i-1)，则V_i更新为V_i＝min{V_i+α×V_i，max，V_i，max}；若判断f_e(i)＞f_e(i+1)，则V_i更新为V_i＝max{V_i-β×V_i，max，0}，其中α和β表示加速率，V_i，max表示元胞i的最快速度。 

如果D_i＞D_safe，即元胞i的格子序号不大于最小距离时，若判断 

且元胞i不是第一个元胞，则V_i更新为 

V_i＝max{V_i-β×V_i，max，0}； 

否则更新为V_i＝min{V_i+α×V_i，max，V_i，max}。 

根据元胞i的速度更新，可相应地更新元胞的位置(格子序号)，即各航班到机场的距离(步骤206)。 

上述格子序号更新表示为D_i→max{0，D_i-V_i·Δt}，其中Δt表示元胞的更新时间周期，也就是执行元胞i的一个速度更新循环所需的时间，并且t＝t+Δt。 

在更新元胞的格子序号之后，若有元胞i的D_i为0，将其从CA的元胞队列中剔除，加入LQ，即降落队列中。并接着判断是否仍有航班未降落(步骤208)，即存在D_i不为0的元胞。 

若存在，则返回步骤204，继续执行相应元胞的速度和格子序号更新循环，不断更新航班速度和位置，直至所有元胞的格子序号为零，也就是说所有航班都降落到机场上。 

在所有元胞的状态更新完毕之后，根据其格子的序号排序，从而得到根据CA模拟的优化航班降落序列(步骤210)。这样i-1航班就是紧邻航班i的在其之前的航班。 

本发明利用一种自组织的模型，即CA模拟航班进场过程，在这个过程中，每架航班的飞行都有将局部代价减少的趋势，最后会产生一个降落的序列，即需要的优化调度降落次序。 

在本实施例中，本发明可以在CA结果给定的降落顺序基础上，利用步骤212进一步调整各个航班的降落时间，从而得到各航班的优化降落时间。在一个实施例中，步骤212根据待降落航班的提前或延后降落代价，调整上述优化降落顺序对应的待降落航班的降落时间。 

关于航班降落时间优化步骤可以参考图4，图4为本发明实施例的方法流程图。 

首先，按照CA模型得到的降落顺序，使用先来先服务(FCFS)的方法预先得到一个可行的调度序列(步骤302)。这里，先来先服务方法可以表述为： 

1.降落序列中第一架航班(i＝1)，取最早降落时间E1降落； 

2.之后每架航班i(i＞1)的降落时间取：min{x_i-1+S_i-1，i，...，x₁+S_1，i，E_i}。 

然后，将FCFS预调度得到的序列对应的航班分成若干段，其中每段 的待降落航班的降落时间都是紧密关联的，即在每段中航班降落的间隔刚好能满足最小间隔的要求(步骤304)。 

对于步骤304划分的多个段，分别测试每段中对应的航班能否同时提前或同时延后降落来减少降落的耗费(步骤306)。 

一种情况是，如果对某段中的航班为X≤T，则提前单位时间降落会有g的代价；如果存在航班为X＞T，则提前单位时间会有-h的代价(即会减少延后降落的代价)。假如该段中这样的代价之和g+(-h)为正，则表示这个段不能通过前移降落来减少降落耗费而得利；如果这个代价之和g+(-h)为负，则该段可以通过整体前移得利。 

另一种情况是，如果对某段中的航班为X＜T，则提前单位时间降落会有-g的代价，如果存在航班为X≥T，则提前单位时间会有h的代价。假如该段中这样的代价之和(-g)+h为正，则表示这个段不能通过前移降落来减少降落耗费而得利；如果这个代价之和(-g)+h为负，这么该段可以通过整体后移得利。 

因此，通过以上方法可以判断能否得到能够移动的段，若能够得到，则前进至步骤310，计算该段对应的最大前移或后移时间，即相应段能改变降落的最多时间。 

在一个实施例中，对于能够提前降落得利的段，可以如下计算其最大前移时间：设A为其向前最大移动的时间数，并保证其和之前段的最小间隔不被破坏，即保证所述段与其之前段之间符合最小降落间隔要求的最大前移时间；设B为其最大向前移动的时间数，使其中的飞机不破坏降落时间窗限制；设C为其最大向前移动的时间数，并使其中的飞机降落时间和最优降落时间的关系不改变(比如，移动前x＜T，移动后x＜T依然成立)，即所述段对应的待降落航班的调度降落时间与最优降落时间的关系在移动前后保持一致的最大前移时间。则对应段的最大移动时间为min{A，B，C}。 

对于能够延后降落得利的段，可以如下计算其最大后移时间：设A为其向前最大后移的时间数，并保证其和之后段的最小间隔不被破坏；设B为其最大向后移动的时间数，使其中的飞机不破坏降落时间窗限制；设C为其最大向前移动的时间数，并使其中的飞机降落时间和最优降落时间的 关系不改变(比如，移动前x＜T，移动后x＜T依然成立)。则min{A，B，C}为对应段的最大后移时间数。 

在步骤312中进一步判断min{A，B，C}对应的最大前移或后移时间是否为零，若不为零，则按照最大移动时间相应地前移或后移对应段(步骤316)。这样，通过对各个段内航班的相应移动，从而得到CA模型优化航班降落序列的最优降落时间。 

在步骤306的判断中，若存在某段的对应航班不能够通过同时提前或延后降落获利，则进一步检测该段能否分成两段(步骤308)，其中所述段的前半段能通过同时提前降落或者所述段的后半段能通过同时延后降落来减少降落代价。若能分成两段(步骤318)，则返回到步骤306，重复步骤306至步骤316，计算相应最大移动时间，并相应前移所述前半段或后移所述后半段。若不能分成两段，则结束该段检测。 

在步骤312的判断中，若检测到最大移动时间min{A，B，C}为零，则进一步检测所述段与其之前段能否合成一段(步骤314)，即两段是否符合最小降落间隔要求。在符合时将所述段与其之前段合并为一段(步骤320)，并返回到步骤306，重复步骤306至步骤316，检测合并段能否通过同时提前降落或者同时延后降落来减少降落代价。对于能够通过同时提前或同时延后降落的合并段，计算合并段的最大移动时间，并相应前移所述合并段。 

若通过步骤306、步骤308和步骤314等步骤均不能找到能够优化的段，则结束，当前得到的降落时间即为最优降落时间。因此，结合上述步骤，本发明可以根据给定的降落顺序给出每架飞机最好的调度降落时间。 

返回参考图2，在一个实施例中，本发明还可以在步骤210和步骤212所得优化航班降落调度方案的基础上，利用遗传算法(GA)进一步调整航班的优化降落次序(步骤214)。从而得到更优化的航班降落调度方案(步骤216)。 

在一个实施例中，所述调整步骤214可具体包括：初始化预定数量(例如30个)的个体组成一个迭代的种群，其中每个个体代表一个航班降落序列，这些序列即表示CA模型得到的降落顺序。然后，在每一次迭代中，将每个个体中的随机两架航班调换次序，并根据上述降落时间调整步骤212 确定的优化降落时间，结合公式(5)和(6)得到相应序列中航班的优化降落时间，并从迭代所得种群中选取能够更好地减少总开销对应的降落时间的上述数量(30个)的个体进入下一次迭代。 

在迭代预定次数(例如100次)后，选取种群中一个最佳个体得到航班的降落时间，即能够最好减少降落开销的最优航班降落时间，并且相应地该最优航班降落时间对应的航班降落序列也唯一确定，从而得到最后的航班调度方案。 

本发明针对航班降落调度问题设计了一个快速、高效的算法，在满足实时性要求的基础上能给出空域中的航班的可行且耗费相对很少的降落调度方案。本发明不仅克服了现有寻优算法不能满足实时性要求的缺点，还解决了现有实时性算法无法有效优化降落调度方案的问题。 

本发明将在地面交通模拟中得到广泛应用的CA模型创造性地应用到航空流量优化领域，从全新的角度寻找航班降落最优的调度方案。由于CA的模拟现实能力特别突出，使得本方法可以更贴近现实。 

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同限定。 

Claims (9)

1.一种降落航班调度优化方法，其特征在于，所述方法包括以下步骤：

将空域中的各个待降落航班对应转化为元胞自动机CA中的元胞，其中元胞的格子序号表示待降落航班到机场的距离，元胞的速度表示待降落航班的飞行速度；

根据元胞的当前速度对应的降落代价以及对应航班间最小降落间隔设置的相邻元胞间最小距离，更新各个元胞的当前速度和格子序号，直至所有元胞的格子序号为零；以及

按照元胞格子序号更新为零的先后顺序进行排序，得到所述各个待降落航班的优化降落顺序，其中

所述元胞的当前速度对应的降落代价包括提前降落的代价和/或延后降落的代价，所述提前降落代价

所述延后降落代价

所述更新元胞的当前速度包括：

在对应元胞的格子序号大于所述最小距离时，若判断f_l(i)＞f_l(i-1)，则V_i更新为V_i＝min{V_i+α×V_i，max，V_i，max}；若判断f_e(i)＞f_e(i+1)，则V_i更新为V_i＝max{V_i-β×V_i，max，0}；以及

在对应元胞的格子序号不大于所述最小距离时，若判断且元胞i不是第一个元胞，则V_i更新为V_i＝max{V_i-β×V_i，max，0}；否则，V_i更新为V_i＝min{V_i+α×V_i，max，V_i，max}；

其中，D_i表示元胞i的格子序号，V_i表示元胞i的当前速度，T_i表示元胞i对应的待降落航班的最佳降落时间，t表示元胞的当前时间，g_i表示元胞i对应的待降落航班每提前单位时间降落的额外代价，h_i表示元胞i对应的待降落航班每延后单位时间降落的额外代价，i为正整数，α和β表示加速率，V_i，max表示元胞i的最快速度，S_i-1，i表示相邻元胞i-1和i对应的待降落航班的最小降落间隔。

2.如权利要求1所述的方法，其特征在于，所述格子序号更新表示为D_i＝max{0，D_i-V_i×Δt}，其中Δt表示元胞的更新时间周期。

3.如权利要求1所述的方法，其特征在于，还包括根据待降落航班的提前或延后降落代价，调整所述优化降落顺序对应的待降落航班的降落时间，以得到所述待降落航班的优化降落时间。

4.如权利要求3所述的方法，其特征在于，所述调整步骤包括：

a)按照所述优化降落顺序，利用先来先服务FCFS预先得到调度序列；

b)将所述调度序列对应的航班分成多个段，其中每段对应的待降落航班降落间隔符合所述最小降落间隔要求；

c)检测每段对应的待降落航班能否通过同时提前或同时延后降落来减少降落代价；以及

d)对于能够通过同时提前降落或同时延后降落的段，相应前移或后移所述段。

5.如权利要求4所述的方法，其特征在于，对于不能够通过同时提前降落或同时延后降落的段，包括以下步骤：

检测所述段能否分成两段，其中所述段的前半段能通过同时提前降落或者所述段的后半段能通过同时延后降落来减少降落代价；以及

对于能够分成两段的所述段，相应前移所述前半段或后移所述后半段。

6.如权利要求4或5所述的方法，其特征在于，对于能够提前降落的段，对应最大移动时间为min{A，B，C}，其中A表示保证所述段与其之前段之间符合所述最小降落间隔要求的最大前移时间，B表示所述段对应的待降落航班符合降落时间窗限制的最大前移时间，C表示所述段对应的待降落航班的调度降落时间与最优降落时间的关系在移动前后保持一致的最大前移时间。

7.如权利要求4或5所述的方法，其特征在于，对于能够延后降落的段，对应最大移动时间为min{A，B，C}，其中A表示保证所述段与其之后段之间符合所述最小降落间隔要求的最大后移时间，B表示所述段对应的待降落航班符合降落时间窗限制的最大后移时间，C表示所述段对应的待降落航班的调度降落时间与最优降落时间的关系在移动前后保持一致的最大前移时间。

8.如权利要求6所述的方法，其特征在于，在所述最大移动时间为零时，包括以下步骤：

检测所述段与其之前段是否符合所述最小降落间隔要求；

在符合时将所述段与其之前段合并为一段；

检测所述合并段能否通过同时提前降落或者同时延后降落来减少降落代价；以及

对于能够通过同时提前或同时延后降落的合并段，相应前移或后移所述段。

9.如权利要求3、4或5所述的方法，其特征在于，还包括利用遗传算法进一步调整所述优化降落顺序的步骤，所述调整步骤包括：

初始化预定数量的个体组成一个迭代的种群，其中每个个体代表一个航班降落序列；

每一次迭代将每个个体中的随机两架航班调换次序，并根据所述降落时间调整步骤确定的优化降落时间，选取预定数量的个体进入下一次迭代；以及

在迭代预定次数后，选取一个最优个体对应的航班降落时间及航班降落序列。

Images