CN103218681B - 航空枢纽应急管控方法 - Google Patents

Abstract

本发明涉及交通运输规划设计与管理技术领域。为航空枢纽中心具体调度、应急管理提供基础支持与方法，本发明采取的技术方案是，航空枢纽应急管控方法：首先对飞机与乘客可能的不正常状态等实时信息影响的航班时刻表做一个航空枢纽综合服务水平的预评价，若服务水平变化不大则不用优化，按照时刻表执行；否则依据航空枢纽的航班时刻表、实时信息以及本航空枢纽具体特点、各种约束，优化调整应急管理预案，迅速制定出优化调整后的时刻表；对此时刻表同样做一个航空枢纽综合服务水平的预评价，若服务水平没有提高则继续优化，否则执行优化调整后的时刻表；最后对实际实施结果做一个综合评价。本发明主要应用于交通运输规划设计与管理。

Description

航空枢纽应急管控方法

技术领域

本发明涉及交通运输规划设计与管理技术领域，具体讲，涉及航空枢纽应急管控方法。

背景技术

航空枢纽在出现航班延误情况时，如何快速地实时调整航班时刻表并及时调整航空枢纽的各个部分运营管理工作，是航空应急管理的核心内容。航班延误是一个复杂的综合调度过程，在实际工作中机场调度人员仅凭经验对航班进行调度往往是不实际的。因此国内外相关学者对此均做了研究，Teodorovic等首次提出以最小化旅客总延误为目标函数的模型，在受到干扰的航线网络上进行航班任务的最优调整，采用分支定界法进行求解。Medard等对求解机组恢复问题，采用基于航班网络的深度优先搜索算法和基于任务周期的列生成算法两种方法进行比较，结果表明这两种算法都能较快地求解机组调配问题，且运行时间只有几分钟；Pete等研究了静态多机场地面等待问题，探讨了地面等待策略的实时性问题；Terrab和Odoni完整地对单机场地面等待策略问题进行了研究。白风针对机组调度建立了多商品网络流的数学模型，设计了基于深度优先搜索的启发式算法，通过修复被破坏的机组任务配对，使机组任务配对在较短的时间范围内尽可能恢复正常等；陆宏兰把各种机型的飞机和各个OD对上的旅客分别看作一种商品，建立以边流量为变量的多商品网络流数学模型，设计了禁忌搜索求解算法；沈洋等针对灾害气候中各重要交通枢纽（汽车站、火车站、机场）有大面积人群滞留的情况，采用贝叶斯网络和影响图作为建模工具，研究滞留旅客转移决策过程模型；胡明华等针对国内空域的具体情况和空中交通流量的特点，研究提出了多元受限的地面等待问题。

从已有相关文献阅读分析可知，针对航空枢纽应急管理的已有技术具有以下特点：

（1）现有应急管理技术都是针对一种特定的情况来研究的问题不，具备普遍性，不能全面的反映问题，实用性稍差。

（2）现有应急管理研究一般仅涉及到乘客转移及其有关乘客费用的计算，或者仅涉及到航空公司的地面等待问题，主要考虑的是航空公司各个航空器及机组人员费用，尚未从多角度考虑，追求包括乘客费用，航空公司，机场成本合计的最小化。

（3）针对延误时间在不同航班不同机型的研究比较少，且不够深入。目前的研究仅仅是根据航班的优先级进行航班排序，没有考虑航班之间的尾流间隔。

（4）现有应急管理研究没有与机场枢纽综合服务水平相结合，不能综合的体现航班优化后的效果。

发明内容

本发明旨在克服现有技术的不足，为航空枢纽中心具体调度、应急管理提供基础支持与方法，为达到上述目的，本发明采取的技术方案是，航空枢纽应急管控方法，包括如下步骤：首先对由于受到天气，交通管制，飞机与乘客可能的不正常状态等实时信息影响的航班时刻表做一个航空枢纽综合服务水平的预评价，若服务水平变化不大则不用优化，按照时刻表执行；否则依据航空枢纽的航班时刻表、实时信息以及本航空枢纽具体特点、各种约束，优化调整应急管理预案，迅速制定出优化调整后的时刻表；对此时刻表同样做一个航空枢纽综合服务水平的预评价，若服务水平没有提高则继续优化，否则执行优化调整后的时刻表，必要时通过演习对预案的具体实施进行调整；最后对实际实施结果做一个综合评价。

运用分值或者等级指标对航空枢纽综合服务水平进行量化，具体服务水平评价标准见表1，明确表示优化调整后的服务水平的变化：通过对航空枢纽周边交通流，旅客流的具体仿真，明确表示优化前后机场枢纽的拥堵状况；

表1服务水平评价标准

当判定服务水平是否为A—D级时，需考虑分指标值和综合指标值是否同时到达标准；当判定服务水平是否为E级时，只要分指标值或综合指标值某一项到达各自标准即为当前等级。

优化调整应急管理预案具体步骤为：

1）模型

变量定义：

F为航班的集合，J为管制区集合，T_i为航班i可行的起飞时间段集合；

角标中i为航班下标，j为管制区下标，t为时间下标，本模型中1分钟为一个离散化步长，k为飞机下标；

参数中DT_i为航班i预计起飞时间，TD_max为最大延误时间，S_j(t)为t时刻管制区j的容量，Ds(t)为t时刻机场的起飞容量，As(t)为t时刻机场的降落容量，v_i为航班i的实际载客人数，p_i为航班i的票价，E_t为等待在机场上空准备降落的飞机数，V_t为等待在机场起飞的飞机数，t_i为航班i的实际起飞时间，△_min为相邻两架航班最小起降时间间隔，w₁、w₂、w₃分别为航班动态调整时决策者对旅客，机场，航空公司的权重，即偏重程度，g_k为飞机k单位时间的延误成本，S为每位旅客单位时间的损失成本，C_i为取消航班i的成本，按照延误8小时的延误成本计算取消成本，Hi为一位旅客单位时间的恢复成本，包括赔偿费、安置费、转签费；

决策变量中和Y_i是0-1变量，可以数量化地描述航班是否起降，航班是否取消；g_k为条件变量，是判断飞机在不同型号条件下的单位时间损失成本：

该模型表示为：

①

$\begin{array}{cccc}s.t.& t_i\≥{\mathrm{DT}}_i& t\⋐T& i\⋐F\end{array}$ ②

$\begin{array}{ccc}{t}_i-{\mathrm{DT}}_i\≤{\mathrm{TD}}_{\max }& t\⋐T& i\⋐F\end{array}$ ③

$\begin{array}{ccc}{t}_{i+1}-t_i\≥{\mathrm{\Δ}}_{\min }& t\⋐T& i\⋐F\end{array}$ ④

$\begin{array}{cc}{V}_t\≤\mathrm{Ds}\left(t\right)& t\⋐T\end{array}$ ⑤

$\begin{array}{cc}{E}_t\≤\mathrm{As}\left(t\right)& t\⋐T\end{array}$ ⑥

$\begin{array}{cccc}\mathrm{\Σ}{X}_t^i\≤S_j\left(t\right)& t\⋐T& i\⋐F& j\⋐J\end{array}$ ⑦

$\begin{array}{ccc}{X}_t^i+Y_i=1& t\⋐T& i\⋐F\end{array}$ ⑧

$\begin{array}{cc}{X}_t^i=\mathrm{0,1}& Y_i=\mathrm{0,1}\end{array}$ ⑨

其中目标函数即式①表示追求加权总成本费用最小化，第一项、第二项为乘客费用，分别表示旅客失望溢出成本和旅客延误损失；第三项表示机场负担的恢复成本；第四项﹑第五项表示航空公司的延误成本和取消成本；

约束中式②表示航班i实际起降时间不能早于计划起降时间；式③表示航班延误时间不能超过飞机最长延误时间；式④为对相邻两架飞机起（降）时间间隔的约束，具体时间间隔最低标准见表1；式⑤是t时刻等待起飞的飞机数量不能超过t时刻机场跑道的起飞容量；式⑥是t时刻等待降落的飞机数量不能超过t时刻机场跑道的降落容量；式⑦是t时刻起飞的飞机数量不能超过管制区的容量；式⑧为变量约束；

表2时间间隔最低标准

2）基于遗传算法的航班动态调整模型的优化求解，具体步骤为：

①设定遗传算法的各参数：群体规模、最大迭代次数S、交叉概率JP_c、变异概率JP_m等。定义适应度函数为：

Fitness=MMM-C

其中MMM为非常大的数，可取100000；C为成本函数，即①式中的z；

②随机产生MM组可行的航班调整方案，其中编码采用二进制，决策变量作为染色体，为1值编码为1，否则为0。同时设置迭代计数器；

③在第s代，计算每一个个体（即航班调整方案）的适应度；

④若s>=S，选择最优个体为最佳航班调整方案，输出。否则转向⑤；

⑤选择最优10%个体直接进入下一代。同时按照遗传算法复制、淘汰原则，进行交叉变异，产生下一代，即一组可行的航班数；

⑥令s=s+1，转向③。

应急状态下航班动态调整后航空枢纽管理内容的调整：

在调整后的航班时刻表批准后，对空中管理、飞行跑道、停机坪、内候机大厅、安全检查、外候机厅等管理服务内容进行实时调整，特别是对于出现个别服务窗口，调整后的排队长度等内容超过系统设计容量时，提出解决方案，包括信息发布与诱导、增加办理窗口工作。

应急状态下航班动态调整后乘客疏散安排：

如对需要等待时间较长的乘客提供食宿等服务。对到达航班延误、起飞航班延误或取消、等待时间特别长等乘客，若客运量与实际乘客量出现较大偏差的，予以车辆调整，必要时增加公交车，出租车，对人员予以最大限度的疏散，对私家车出行的乘客增派机场人员及时的疏导停车场内的车辆出入，减少车辆在机场内的拥堵。

本发明的技术特点及效果：

1）本发明通过具体的仿真以及对航空枢纽服务水平的综合评价，建立应急管理预案模块，建立系统，全面的包括航空公司、机场、乘客三方利益最小化的应急状态下航班动态调整模型。采用遗传算法予以优化求解，得到在航班延误等应急情况下的动态调度航班时刻表，为航空枢纽中心具体调度、应急管理提供基础支持与方法，技术创新性强，并且为应急管理提供了评价指标，提出具体量化标准。

2）本发明在模型建立及其优化求解算法，采用基于动态调度的模型，采用遗传算法进行优化求解，计算简单且速度快，能够满足实时航空管理技术的需要。

3）本发明方法不仅能实现动态更新航空时刻表，还能依据更新的时刻表对航空枢纽各个管理模块包括乘客疏散等提出具体量化要求，满足航空枢纽具体管理的高水平、实时性、智能化要求，技术扩展能力较强。

附图说明

图1应急管理技术结构框架。

图2应急状态航班动态调整模型GA算法。

图3遗传算法目标函数值与种群均值的变化。

图4正常情况下候机厅人数时间动态图。

图5优化调整前候机厅人数时间动态图。

图6优化调整前候机厅人数时间动态图。

具体实施方式

根据背景技术分析可知，现有国内外航空枢纽应急管理技术包括基于经验分析，或仅从航空公司角度考虑问题。没有建立全面，系统的包括航空公司、机场、乘客三方利益最小化的动态调度模型以及航空枢纽服务水平的量化。

本发明通过具体的旅客流仿真以及对航空枢纽各阶段综合服务水平的评价，建立应急管理预案模块，建立全面，系统的包括航空公司、机场、乘客三方损失成本最小化的应急状态下航班动态调整模型，采用遗传算法予以优化求解，求解速度快。本发明为航空枢纽中心具体调度、应急管理提供基础支持与方法。

1.1应急管理技术基本框架

本发明采用的航空枢纽应急管理技术方案基本框架见图1。具体原理为首先对由于受到天气，交通管制，飞机与乘客可能的不正常状态等实时信息影响的航班时刻表做一个航空枢纽综合服务水平的预评价，若服务水平变化不大则不用优化，按照时刻表执行。否则依据航空枢纽的航班时刻表、实时信息以及本航空枢纽具体特点、各种约束，优化调整应急管理预案，迅速制定出优化调整后的时刻表。对此时刻表同样做一个航空枢纽综合服务水平的预评价，若服务水平没有提高则继续优化，否则执行优化调整后的时刻表。必要时通过演习对预案的具体实施进行调整。最后对实际实施结果做一个综合评价。

本发明在航空枢纽服务水平综合评价以及仿真模型的基础上予以实现航班动态调整。在本发明中，运用分值或者等级指标对航空枢纽综合服务水平进行量化，具体服务水平评价标准见表1，明确表示优化调整后的服务水平的变化：通过对航空枢纽周边交通流，旅客流的具体仿真，明确表示优化前后机场枢纽的拥堵状况。

表2服务水平评价标准

当判定服务水平是否为A—D级时，需考虑分指标值和综合指标值是否同时到达标准；当判定服务水平是否为E级时，只要分指标值或综合指标值某一项到达各自标准即为当前等级。

5.2应急状态下航班动态调整模块

本发明从机场管理、航空枢纽管理的角度，考虑到当部分航班出现飞行延误情况下，如何快速的动态调整航班，以实现包括乘客、机场、航空公司在内的损失成本最小化。该动态调整模型受到民航管理调度中心、空中管理中心、乘客与航空公司等基本要求约束。本发明建立在航空枢纽服务水平综合评价以及机场仿真模型基础上，通过遗传算法寻求最优解。本发明是一个在具体执行过程中不断更新的过程。

1）模型

本模型变量定义：

F为航班的集合，J为管制区集合，T_i为航班i可行的起飞时间段集合。

角标中i为航班下标，j为管制区下标，t为时间下标，本模型中1分钟为一个离散化步长，k为飞机下标。

参数中DT_i为航班i预计起飞时间，TD_max为最大延误时间，S_j(t)为t时刻管制区j的容量，Ds(t)为t时刻机场的起飞容量，As(t)为t时刻机场的降落容量，v_i为航班i的实际载客人数，p_i为航班i的票价，E_t为等待在机场上空准备降落的飞机数，V_t为等待在机场起飞的飞机数，t_i为航班i的实际起飞时间，△_min为相邻两架航班最小起降时间间隔，w₁、w₂、w₃分别为航班动态调整时决策者对旅客，机场，航空公司的权重，即偏重程度，g_k为飞机k单位时间的延误成本，S为每位旅客单位时间的损失成本，C_i为取消航班i的成本(按照延误8小时的延误成本计算取消成本），Hi为一位旅客单位时间的恢复成本（包括赔偿费、安置费、转签费）等。

决策变量中和Y_i是0-1变量，可以数量化地描述航班是否起降，航班是否取消；g_k为条件变量，是判断飞机在不同型号条件下的单位时间损失成本。

该模型表示为：

①

$\begin{array}{cccc}s.t.& t_i\≥{\mathrm{DT}}_i& t\⋐T& i\⋐F\end{array}$ ②

$\begin{array}{cc}{t}_i-{\mathrm{DT}}_i\≤{\mathrm{TD}}_{\max }& t\⋐T\end{array}$ ③

$\begin{array}{ccc}{t}_{i+1}-t_i\≥{\mathrm{\Δ}}_{\min }& t\⋐T& i\⋐F\end{array}$ ④

$\begin{array}{cc}{V}_t\≤\mathrm{Ds}\left(t\right)& t\⋐T\end{array}$ ⑤

$\begin{array}{cc}{E}_t\≤\mathrm{As}\left(t\right)& t\⋐T\end{array}$ ⑥

$\begin{array}{cccc}\mathrm{\Σ}{X}_t^i\≤S_j\left(t\right)& t\⋐T& i\⋐F& j\⋐J\end{array}$ ⑦

$\begin{array}{ccc}{X}_t^i+Y_i=1& t\⋐T& i\⋐F\end{array}$ ⑧

$\begin{array}{cc}{X}_t^i=\mathrm{0,1}& Y_i=\mathrm{0,1}\end{array}$ ⑨

其中目标函数即式①表示追求加权总成本费用最小化，第一项、第二项为乘客费用，分别表示旅客失望溢出成本和旅客延误损失；第三项表示机场负担的恢复成本；第四项﹑第五项表示航空公司的延误成本和取消成本。

约束中式②表示航班i实际起降时间不能早于计划起降时间；式③表示航班延误时间不能超过飞机最长延误时间；式④为对相邻两架飞机起（降）时间间隔的约束，具体时间间隔最低标准见表1；式⑤是t时刻等待起飞的飞机数量不能超过t时刻机场跑道的起飞容量；式⑥是t时刻等待降落的飞机数量不能超过t时刻机场跑道的降落容量；式⑦是t时刻起飞的飞机数量不能超过管制区的容量；式⑧为变量约束。

表2时间间隔最低标准

2）基于遗传算法的航班动态调整模型的优化求解

考虑到本模型具体决策变量为0-1变量、仿真模型的复杂性，本发明采用遗传算法对航班动态调整模型进行优化求解，具体步骤为：

①设定遗传算法的各参数：群体规模、最大迭代次数S、交叉概率JP_c、变异概率JP_m等。定义适应度函数为：

Fitness=MMM-C

其中MMM为非常大的数，可取100000；C为成本函数，即①式中的z；

②随机产生MM组可行的航班调整方案，其中编码采用二进制，决策变量作为染色体，为1值编码为1，否则为0。同时设置迭代计数器。

③在第s代，计算每一个个体（即航班调整方案）的适应度。

④若s>=S，选择最优个体为最佳航班调整方案，输出。否则转向⑤。

⑤选择最优10%个体直接进入下一代。同时按照遗传算法复制、淘汰原则，进行交叉变异，产生下一代，即一组可行的航班数。

⑥令s=s+1，转向③。

具体迭代过程见图2.

5.3应急状态下航班动态调整后航空枢纽管理内容的调整

在调整后的航班时刻表批准后，对空中管理、飞行跑道、停机坪、内候机大厅、安全检查、外候机厅等管理服务内容进行实时调整，特别是对于出现个别服务窗口，调整后的排队长度等内容超过系统设计容量时，提出解决方案，如信息发布与诱导、增加办理窗口等工作。

5.4应急状态下航班动态调整后乘客疏散安排

如对需要等待时间较长的乘客提供食宿等服务。对到达航班延误、起飞航班延误或取消、等待时间特别长等乘客，若客运量与实际乘客量出现较大偏差，予以车辆调整，必要时增加公交车，出租车，对人员予以最大限度的疏散。对私家车出行的乘客增派机场人员及时的疏导停车场内的车辆出入，减少车辆在机场内的拥堵。

5.5实验案例及其及分析

5.5.1实验条件

以天津机场某一天7：00—21：00的航班应急管理为例。航班时刻表如表3所示（表中时间仅截至到21：00，天津机场21：00之后仍有少部分飞机起降），该时间段内部分航班的具体延误时间通过预测已知。各航班人数及票价见表4，各机型参数及单位时间延误成本如表5所示。假定每位旅客单位时间的延误成本S为1.5元/分钟，一位旅客单位时间的恢复成本H_i为2元/分钟。

表3航班时刻表

表4航班人数-票价

表5各机型单位时间损失成本

5.5.2具体航班时刻表的调整

案例：假设7：30天津机场下雾，航班延误，预计在9：00恢复正常，可以重新安排起飞；8：00接到临时通知，今天11：02的飞机由于故障延误40分钟起飞；12：00-15：30进行空中管制，不允许飞机进行起降。对于航班延误，机场规定最迟在当天24：00之前将延误航班起飞，不取消航班，不影响明天的航班运行。

假定机场在收到航班延误信息后，机场调度人员根据经验排出一个新航班时刻表。如表6所示。

表6新航班时刻表

新时刻表是对延误的航班进行插空安排，不影响其他正常航班的起降。但是由于许多航班一直找不到合适的时间起飞，造成大量乘客长时间延误。经过评价，新航班时刻表航空枢纽服务水平分值是58分，属于E级。不符合现实要求，需要进行优化。

假定航空枢纽在具体调整航班时对机场、航空公司、乘客平等看待，即w₁:w₂:w₃=1：1：1，建立5.2所述模型，其中S=1.5，Hi=2。采用遗传算法进行求解，其中群体规模MM=240，代沟GGAP=0.8，交叉概率JP_c=70%，变异概率JP_m=70%，最大迭代次数S=500。

具体目标函数每代最优值变化见图3，显然到第500代时，目标函数值即达到最优。优化后的航班时刻表见表7。

表7优化后的航班时刻表

（注：标红的为受影响的正常航班）

对优化调整后的航班时刻表进行航空枢纽综合服务水平预评价，得到84分，属于B级，明显优于调整前的E级。说明此方案可行。

对优化前后的部分航班延误时间做对比，结果见表8

表8优化前后部分航班延误时间对比

（注：航班11-15是由于天气原因受影响的航班，其余为正常航班）

从此表可以明显看出，优化后的航班总延误时间远远小于优化调整前的航班总延误时间。优化前的航班时刻表虽然不影响正常航班的起降时间，但是大大延长了延误航班旅客的等待时间，增加了机场的客流。优化后的时刻表虽然影响了部分正常航班的起降时间，但是大大降低了延误航班旅客的等待时间，减少了机场，航空公司的延误成本。

5.5.3航空枢纽管理内容的调整

航班出现延误，除了影响航班时刻表外，对航空枢纽周边，候机厅等地的客流量也具有很大影响。

根据正常情况下的航班时刻表和各航班人数，绘制天津机场正常状态下的乘客流仿真图，见图4。

正常条件下，机场在9：00-10：00和16：00-17：00两个高峰时间段的客流量较高，分别是500和400。其他时间短均低于500，客流疏散比较均匀，疏散速度快，没有大范围的人员拥挤。由于天津机场21：00之后仍然有少部分航班进行起降，因此客流量没有完全降为零，候机厅仍然存在少部分客流。

根据优化调整前的航班时刻表和各航班人数，绘制机场候机厅客流量仿真图，见图5。

调整前的仿真图可以看出高峰小时的客流量是正常情况的4倍，波谷值都高于正常时刻表的最高值，并且客流的疏散速度变慢，造成大批乘客长时间滞留在机场，造成机场候机大厅的拥堵，降低了机场综合服务水平。由于天津机场21：00之后仍然有少部分航班进行起降，因此客流量没有完全降为零，候机厅仍然存在少部分客流。

根据优化调整后的航班时刻表和各航班人数，绘制机场候机厅客流量仿真图，见图6。调整后的仿真图由于航空管制和天气原因，高峰小时客流量仍然高于正常时刻。但是客流疏散速度快，防止机场候机厅产生拥堵。由于天津机场21：00之后仍然有少部分航班进行起降，因此客流量没有完全降为零，候机厅仍然存在少部分客流。

比较上面三张图可以看出，优化调整后的客流疏散速度明显高于优化前的。优化结果不仅降低了旅客的延误时间，缓解了机场内客流的拥堵现象，提高了航空枢纽的综合服务水平，同时追求旅客，机场和航空公司损失成本的最小化。

Claims (4)

1.一种航空枢纽应急管控方法，其特征是，包括如下步骤：首先对由于受到天气，交通管制，包括飞机与乘客可能的不正常状态的实时信息影响的航班时刻表做一个航空枢纽综合服务水平的预评价，若服务水平变化不大则不用优化，按照时刻表执行；否则依据航空枢纽的航班时刻表、实时信息以及本航空枢纽具体特点、各种约束，优化调整应急管理预案，迅速制定出优化调整后的时刻表；对此时刻表同样做一个航空枢纽综合服务水平的预评价，若服务水平没有提高则继续优化，否则执行优化调整后的时刻表，必要时通过演习对预案的具体实施进行调整；最后对实际实施结果做一个综合评价；

优化调整应急管理预案具体步骤为：

1)模型

变量定义：

F为航班的集合，J为管制区集合，T_i为航班i可行的起飞时间段集合；

角标中i为航班下标，j为管制区下标，t为时间下标，本模型中1分钟为一个离散化步长，k为飞机下标；

参数中DT_i为航班i预计起飞时间，TD_max为最大延误时间，S_j(t)为t时刻管制区j的容量，Ds(t)为t时刻机场的起飞容量，As(t)为t时刻机场的降落容量，v_i为航班i的实际载客人数，p_i为航班i的票价，E_t为等待在机场上空准备降落的飞机数，V_t为等待在机场起飞的飞机数，t_i为航班i的实际起飞时间，△_min为相邻两架航班最小起降时间间隔，w₁、w₂、w₃分别为航班动态调整时决策者对旅客，机场，航空公司的权重，即偏重程度，g_k为飞机k单位时间的延误成本，S为每位旅客单位时间的损失成本，C_i为取消航班i的成本，按照延误8小时的延误成本计算取消成本，Hi为一位旅客单位时间的恢复成本，包括赔偿费、安置费、转签费；

决策变量中和Y_i是0-1变量，可以数量化地描述航班是否起降，航班是否取消；g_k为条件变量，是判断飞机在不同型号条件下的单位时间损失成本：

该模型表示为：

$\begin{array}{cc}\min & z=\underset{i\⋐F}{\Σ}\underset{t_i\⋐T_i}{\Σ}\{w_1\[v_i\×p_i\×\sqrt[3]{{\[\left(t_i-{\mathrm{DT}}_i\right)X_t^i/60\]}^2}/29+S*v_i\left(t_i-{\mathrm{DT}}_i\right)X_t^i\]\end{array}$

$+w_2{H}_i{v}_i(t_i-{\mathrm{DT}}_i)+w_3\[g_k*(t_i-{\mathrm{DT}}_i)X_t^i+C_i{Y}_i\]\}$ ①

s.t.t_i≥DT_i ②

t_i-DT_i≤TD_max ③

t_i+1-t_i≥△_min ④

V_t≤Ds(t)⑤

E_t≤As(t)⑥

$\begin{array}{cccc}{\mathrm{\ΣX}}_t^i\≤S_j\left(t\right)& t\⋐T& i\⋐F& j\⋐J\end{array}$ ⑦

$\begin{array}{ccc}{X}_t^i+Y_i=1& t\⋐T& i\⋐F\end{array}$ ⑧

$\begin{array}{cc}{X}_t^i=0,1& Y_i=0,1\end{array}$ ⑨

其中目标函数即式①表示追求加权总成本费用最小化，第一项、第二项为乘客费用，分别表示旅客失望溢出成本和旅客延误损失；第三项表示机场负担的恢复成本；第四项﹑第五项表示航空公司的延误成本和取消成本；

约束中式②表示航班i实际起降时间不能早于计划起降时间；式③表示航班延误时间不能超过飞机最长延误时间；式④为对相邻两架飞机起、降时间间隔的约束，具体时间间隔最低标准见表2；式⑤是t时刻等待起飞的飞机数量不能超过t时刻机场跑道的起飞容量；式⑥是t时刻等待降落的飞机数量不能超过t时刻机场跑道的降落容量；式⑦是t时刻起飞的飞机数量不能超过管制区的容量；式⑧为变量约束；

表2时间间隔最低标准

2)基于遗传算法的航班动态调整模型的优化求解，具体步骤为：

①设定遗传算法的各参数：群体规模、最大迭代次数S、交叉概率JP_c、变异概率JP_m；定义适应度函数为：

Fitness＝MMM-C

其中MMM为非常大的数；C为成本函数，即①式中的z；

②随机产生MM组可行的航班调整方案，其中编码采用二进制，决策变量作为染色体，为1值编码为1，否则为0，同时设置迭代计数器；

③在第s代，计算每一个个体即航班调整方案的适应度；

④若s>＝S，选择最优个体为最佳航班调整方案，输出；否则转向⑤；

⑤选择最优10％个体直接进入下一代，同时按照遗传算法复制、淘汰原则，进行交叉变异，产生下一代，即一组可行的航班数；

⑥令s＝s+1，转向③。

2.如权利要求1所述的航空枢纽应急管控方法，其特征是，运用分值或者等级指标对航空枢纽综合服务水平进行量化，具体服务水平评价标准见表1，明确表示优化调整后的服务水平的变化：通过对航空枢纽周边交通流，旅客流的具体仿真，明确表示优化前后机场枢纽的拥堵状况；

表1服务水平评价标准

当判定服务水平是否为A—D级时，需考虑分指标值和综合指标值是否同时到达标准；当判定服务水平是否为E级时，只要分指标值或综合指标值某一项到达各自标准即为当前等级。

3.如权利要求1所述的航空枢纽应急管控方法，其特征是，还包括有应急状态下航班动态调整后航空枢纽管理内容的调整步骤，具体为：在调整后的航班时刻表批准后，对包括空中管理、飞行跑道、停机坪、内候机大厅、安全检查、外候机厅的管理服务内容进行实时调整，对于出现个别服务窗口，调整后的排队长度超过系统设计容量时，提出解决方案，包括信息发布与诱导、增加办理窗口工作。

4.如权利要求1所述的航空枢纽应急管控方法，其特征是，还包括有应急状态下航班动态调整后乘客疏散安排步骤：对需要等待时间较长的乘客提供食宿服务，对到达航班延误、起飞航班延误或取消、等待时间特别长乘客，若客运量与实际乘客量出现较大偏差的，予以车辆调整，增加公交车，出租车，对人员予以最大限度的疏散，对私家车出行的乘客增派机场人员及时的疏导停车场内的车辆出入，减少车辆在机场内的拥堵。