CN104239977A - 一种基于ma的大批次航班中长期冲突避免的优化方法 - Google Patents

Abstract

本发明提供一种基于MA的大批次航班中长期冲突避免的优化方法，本发明的航班冲突避免优化方法通过在每一代种群的局部搜索中应用局部搜索算子以及调节参与局部搜索的种群个体，对每一代局部搜索过的种群进行全局搜索，在全局搜索中根据航班之间的冲突关系对所有航班进行分组，对各个组进行子群优化，提高了算法的搜索能力以及最优解的质量，同时在保证航班安全飞行的前提下减少了大批次航班间的冲突以及降低了航班延误时间。

Description

一种基于MA的大批次航班中长期冲突避免的优化方法

技术领域

本发明涉及一种民航技术领域，尤其涉及一种基于文化基因算法(Memetic Algorithm，简称：MA)的大批次航班中长期冲突避免的优化方法。

背景技术

随着中国经济的快速发展，航空因其快速省时，灵活机动，国际性，安全舒适等特点，将来人们选择飞机作为交通工具的几率会越来越大，这样就需要越来越多的航班，对在同一个管制空域内航班增加的情况下保证准时且安全飞行不延误对航空公司来说非常重要。

目前，大批次航班网络配流方法可以直接消除潜在冲突，有效均衡飞行流量，减少扇区拥堵，从而避免局部空域航班高密度运行，降低管制员工作负荷，间接减少飞行冲突可能性，保证飞行安全。

然而由于目前空管系统无法准确提供大范围空中交通态势信息，也无法对未来冲突做出充分预测并对冲突回避做出预先规划和决策，因此当前冲突解脱方法主要致力于解决短期冲突，然而随着航空运输需求的快速增加，飞行流量不断增长，造成空域内飞行冲突表现出大规模、高复杂度等新特性，导致现有数学规划方法以及智能进化算法难以适用；另一方面，现有冲突解脱方法是局部的、孤立的、被动的，单纯依靠“头痛医头，脚痛医脚”的方式可能导致“多米诺效应”，难以最大程度保证空中交通系统的运行安全。

发明内容

本发明提供一种基于MA的大批次航班中长期冲突避免的优化方法，减少了大批次航班间的冲突以及降低了航班延误时间。

本发明提供一种基于MA的大批次航班中长期冲突避免的优化方法，包括：

第一步：建立待优化的n个航班的信息库，所述信息库包括所述n个航班相互之间的冲突关系及所述n个航班的延误时间；

第二步：生成初始种群，所述初始种群由ps个个体随机组成，每个个体包含n个基因，其中，一个基因表示一个航班的延误时间，将所述初始种群作为第0代种群，所述ps和所述n为正整数；

第三步：基于仙农信息熵获取参与所述第0代种群局部搜索的个体数量

第四步：对从所述第0代种群中随机选择的个个体应用局部搜索算子，并将应用过局部搜索算子的个个体替换所述第0代种群中随机选择的个个体，将替换后的所述第0代种群作为局部优化过的第0代种群，所述局部搜索算子用于优化所述个体的基因；

第五步：根据预设的第一目标函数获取所述局部优化过的第0代种群的个体适应度，并将适应度最大的个体作为所述第0代种群局部搜索的最优个体；

第六步：根据所述信息库中所述n个航班相互之间的冲突关系，将所述n个航班分为sn个组，其中，每个组内的航班之间存在冲突，每个组内的航班与其他组中的航班之间不存在冲突，所述sn<n；

第七步：分别对每个组中的所述局部优化过的第0代种群个体进行子群优化，所述子群优化用于将所述局部优化过的第0代种群个体中每个组所包含的航班进行优化，对所述个体中的其他航班用所述第0代种群局部搜索的最优个体中对应的航班替换，并将所述子群优化后的第0代种群作为全局优化过的第0代种群；

第八步：根据所述第一目标函数获得所述每个组中适应度最大的个体，再从各个组中选取适应度最大的个体作为第0代种群的最优个体，将所述第0代种群的最优个体所属的组中的所述全局优化过的第0代种群作为第1代种群；

第九步：依次循环执行第三步至第八步，直到到达预设的进化代数N为止，所述N为整数；

第十步：从N代种群的最优个体中选取适应度最大的个体作为航班冲突避免的优化解。

本发明的实施方案中，所述仙农信息熵，表示为：

$E=-\underset{d}{\overset{Q}{\mathrm{\&Sigma;}}}{p}_d\log \left(p_d\right)$

其中，所述E为熵，所述p_d为：所述|G_d|为组G_d中包含的个体数量，所述为种群中所有的个体数量，所述组G_d由冲突数相同的个体组成，所述个体的冲突数通过所述信息库中所述n个航班相互之间的冲突关系得到，其中，1≤b≤Q，1≤d≤Q，所述Q为自然数。

本发明的实施方案中，根据仙农信息熵获得参与所述第gen代种群局部搜索的个体数量所述表示为：

其中，所述E(0)和所述E(gen)分别为种群进化的第0代种群和第gen代种群的熵，所述floor(β(gen))表示取不超过β(gen)的最大整数。

本发明的实施方案中，所述局部搜索算子φ(ind_i)：，表示为：

φ(ind_i)＝(δ′_i1,δ′_i2,...,δ′_in)

其中，所述ind_i为种群个体i，ind_i＝(δ_i1,δ_i2,...,δ_in),1≤i≤ps，所述δ_i1,δ_i2,.....δ_in为所述ind_i中的基因；

当ind_i中基因的适应度小于预设适应度时，δ′_ij＝reinitialize(δ_ij)，其中所述δ_ij为所述ind_i中航班j的延误时间，1≤j≤n，所述reinitialize表示对δ_ij重新初始化；

当ind_i中基因的适应度大于等于预设适应度时，δ′_ij＝δ_ij；

用所述局部搜索算子φ(ind_i)：替换种群中所述ind_i，并将替换后的种群作为局部搜索过的种群。

本发明的实施方案中，所述预设的第一目标函数，表示为：

$\mathrm{Max\; OF}=\frac{1-\frac{1}{n}{\mathrm{\&Sigma;}}_{j=1}^n\frac{{\mathrm{\&delta;}}_j}{{\mathrm{\&delta;}}_{\max }}}{1+\mathrm{CS}}$

其中，所示OF为个体的适应度，所述δ_j表示航班j的延误时间，所述CS为所有航班的冲突概率之和；

个体中基因的适应度gf为：

gf_i＝(gf_i1,gf_i2,...,gf_in)

其中，所述nc_ij为个体i中航班j与其它航班冲突概率之和，所述δ_max为航班的最大延误时间。

本发明的实施方案中，所述信息库中所述n个航班相互之间的冲突关系用矩阵C表示，所述矩阵C如下所示：

$C=\left(\begin{array}{ccc}{C}_{11}& \&CenterDot;\&CenterDot;\&CenterDot;& C_{1n}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ C_{n1}& \&CenterDot;\&CenterDot;\&CenterDot;& C_{\mathrm{nn}}\end{array}\right)$

其中C_xy表示为：

本发明的实施方案中，所述子群优化包括：

按照以下公式得到每个组中所包含的航班的适应度：

${\mathrm{gf}}_k^s=\frac{1-{\mathrm{\&delta;}}_{\mathrm{ks}}/{\mathrm{\&delta;}}_{\max }}{1+{\mathrm{nc}}_{\mathrm{ks}}},(1\&le;s\&le;m_k),1\&le;k\&le;\mathrm{sn}$

其中，所述m_k表示组中的航班数量，所述δ_ks表示组中航班s的延误时间，所述nc_ks表示选取的组为k时组中航班s与组中其他航班的冲突概率之和；

根据所述每个组所包含的航班的适应度，对每组的所述局部优化过的第gen代种群个体中组所对应的航班应用自适应交叉算子和变异算子，对每组中所述局部优化过的第gen代种群个体中其他航班用所述局部搜索的最优个体中对应的航班替换；

根据所述第一目标函数获得每个组中适应度最大的个体；

从各个组中选取适应度最大的个体作为第gen代种群的最优个体。

本发明的实施方案中，还包括：

经过一代种群进化后，更新所述信息库中所述n个航班之间的冲突关系。

本发明实施例提供的基于MA的大批次航班中长期冲突避免的优化方法，通过在每一代种群的局部搜索中应用局部搜索算子以及调节参与局部搜索的种群个体，对每一代局部搜索过的种群进行全局搜索，在全局搜索中根据航班之间的冲突关系对所有航班进行分组，对各个组进行子群优化，提高了算法的搜索能力以及最优解的质量，同时减少了大批次航班间的冲突以及降低了航班延误时间。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于MA的大批次航班中长期冲突避免的优化方法实施例一的流程示意图；

图2为本发明种群个体自适应交叉算子的示意图；

图3为本发明种群个体变异算子的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

首先介绍如下概念与定义：

航线：飞机飞行的路线称为空中交通线，简称航线。飞机的航线不仅确定了飞机飞行具体方向、起讫点和经停点，而且还根据空中交通管制的需要，规定了航线的宽度和飞行高度，以维护空中交通秩序，保证飞行安全。

文化基因算法(Memetic Algorithm，简称：MA)：用局部启发式搜索来模拟由大量专业知识支撑的变异过程，文化基因算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体。文化基因算法提出的是一种框架、是一个概念，在这个框架下，采用不同的搜索策略可以构成不同的文化基因算法，如全局搜索策略可以采用遗传算法、进化策略、进化规划等，局部搜索策略可以采用爬山搜索、模拟退火、贪婪算法、禁忌搜索、导引式局部搜索等。

协同进化：利用分而治之的思想将一个高维问题分解为多个低维问题进行求解，然后通过低维问题的解的合作得到高维问题的解，优点是可以降低问题的复杂度。

本发明主要通过优化航班的延误时间来避免航班之间的冲突。

图1为本发明基于MA的大批次航班中长期冲突避免的优化方法实施例一的流程示意图。如图1所示，本实施例的方法包括：

步骤101、第一步：建立待优化的n个航班的信息库，所述信息库包括所述n个航班相互之间的冲突关系及所述n个航班的延误时间。

本实施例中，首先建立待优化的n个航班的信息库，该信息库由所述n个航班相互之间的冲突关系及所述n个航班的延误时间组成，其中，决策变量定义为D＝{δ_j∈H,1≤j≤n,}，其中H是一组时间间隔，H＝(0,ts,2*ts,....,δ_max)，δ_max是可接受的最大延误时间，ts是采样时间，δ_j表示航班j的延误时间，举例来说，假设有1000架航班，δ_max被设定为90分钟，ts为0.5分钟，那么每个航班的延误时间将有180种可能的取值，而1000架航班形成的搜索空间非常庞大。

步骤102、第二步：生成初始种群，所述初始种群由ps个个体随机组成，每个个体包含n个基因，其中，一个基因表示一个航班的延误时间，将所述初始种群作为第0代种群，所述ps和所述n为正整数。

本实施例中，初始种群由ps个个体组成(个体的具体数量可以根据实际需求设定，在此不加以限定)，本实施例中，将初始种群定义为第0代种群，因此，第0代种群中包含有ps个个体，每个个体中包含n个基因，其中一个基因代表一个航班的延误时间，举例来说，若第0代种群中包含有50个个体，其中第1个个体中n个航班的延误时间都为10min，第2个个体中包含的n个航班的延误时间都为15min，依次类推，第50个个体中包含的n个航班的延误时间都为255min。

步骤103、第三步：基于仙农信息熵获取参与所述第0代种群局部搜索的个体数量

本实施例中，对于第0代种群而言，对参与第0代种群局部搜索的个体数量为ps，即对第0代种群中所有个体都进行局部搜索，而对于第gen代种群而言，参与第gen代种群局部搜索的个体数量通过仙农信息熵获得，具体为：首先用矩阵C来描述两架航班相互间的冲突关系，n个航班中，矩阵C如下所述：

$C=\left(\begin{array}{ccc}{C}_{11}& \&CenterDot;\&CenterDot;\&CenterDot;& C_{1n}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ C_{n1}& \&CenterDot;\&CenterDot;\&CenterDot;& C_{\mathrm{nn}}\end{array}\right)$

其中，C_xy表示为：

种群中个体i的冲突数为a_i，a_i按照以下公式获得：

$a_i=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_{\mathrm{ij}}$

然后根据种群中个体的冲突数是否相等，将种群中的个体分为G₁,G₂,...,G_Q组，每组所包含的个体都有相同的冲突数，其中，G_d相对于第gen代种群的个体数目比值记作p_d，p_d表示为：

$p_d=\frac{\left|G_d\right|}{\underset{b=1}{\overset{Q}{\mathrm{\&Sigma;}}}\left|G_b\right|}$

其中，|G_d|为组G_d中包含的个体数量，为第gen代种群中所有的个体数量；

种群的仙农信息熵表示为：

$E=-\underset{d}{\overset{Q}{\mathrm{\&Sigma;}}}{p}_d\log \left(p_d\right)$

其中，E为熵，其中第0代种群的熵为E(0),第gen代种群的熵为E(gen)；

而局部搜索频率β(gen)按照以下公式得到：

$\mathrm{\&beta;}\left(\mathrm{gen}\right)=\frac{E\left(\mathrm{gen}\right)}{E\left(0\right)}$

E(0)和E(gen)分别为种群进化的第0代种群和第gen代种群的熵；

参与种群局部搜索的个体数目表示为：

其中，floor(β(gen))表示选取不超过β(gen)的最大整数，N为预设的进化代数。

本实施例种，需要说明的是，进化过程中，有两种特殊的个体需要进行局部搜索，一种是作为最优解决方案的具有最大适应度值的个体，对其进行局部搜索以获得更高质量的解；另一种是适应度值最差的个体，因为它获得更高质量解的潜力最大，因此每代种群进化中，除了对计算获得的参与种群局部搜索的个体进行局部搜索外，还需对种群中的最优个体和最差个体进行局部搜索。

步骤104、第四步：对从所述第0代种群中随机选择的个个体应用局部搜索算子，并将应用过局部搜索算子的个个体替换所述第0代种群中随机选择的个个体，将替换后的所述第0代种群作为局部优化过的第0代种群，所述局部搜索算子用于优化所述个体的基因。

本实施例种，根据步骤103确定出参与第0代种群的局部搜索的个体数量后，从第0代种群中随机选择个个体，对个个体应用局部搜索算子，具体为：

种群个体i表示为：

ind_i＝(δ_i1,δ_i2,...,δ_in),1≤i≤ps

其中，ind_i表示个体i，ind_i中包含n个航班的延误时间；

个体的基因适应度gf，表示为：

gf_i＝(gf_i1,gf_i2,...,gf_in)

其中，nc_ij为个体i中航班j与其它航班冲突概率之和，δ_max为航班的最大延误时间；

局部搜索算子φ(ind_i)：，表示为：

φ(ind_i)＝(δ′_i1,δ′_i2,...,δ′_in)

其中，当ind_i中基因δ_ij的适应度gf_ij小于预设适应度ε时，即gf_ij＜ε局部搜索算子φ(ind_i)：中的δ′_ij为：δ′_ij＝reinitialize(δ_ij)，即将ind_i中的基因δ_ij重新初始化，当gf_ij≥ε时，δ′_ij＝δ_ij，例如，当ind_i中的基因δ_ij为30min，此时δ_ij的适应度gf_ij小于ε，即个体i中的航班j的延误时间太大，则将δ_ij可以初始化为25min，则δ′_ij＝25min，本实施例中，依次对个体ind_i中的其他基因进行适应度的判断，最终得到局部搜索算子φ(ind_i)：，然后用局部搜索算子φ(ind_i)：代替个体ind_i，本实施例中，分别对从第0代种群中选取的个个体用对应的局部搜索算子进行替换，将替换后的第0代种群作为局部优化过的第0代种群。

步骤105、第五步：根据预设的第一目标函数获取所述局部优化过的第0代种群的个体适应度，并将适应度最大的个体作为所述第0代种群局部搜索的最优个体。

本实施例中，决策变量为D＝{δ_j∈H,1≤j≤n,}，其中H是一组时间间隔，H＝(0,ts,2*ts,....,δ_max)，δ_max是可接受的最大延误时间，ts是采样时间，δ_j表示航班j的延误时间，考虑到降低运行成本以及保证飞行安全，优化目标主要为减少冲突和降低航班延误，因此，预设的第一目标函数，表示为：

$\mathrm{Max\; OF}=\frac{1-\frac{1}{n}{\mathrm{\&Sigma;}}_{j=1}^n\frac{{\mathrm{\&delta;}}_j}{{\mathrm{\&delta;}}_{\max }}}{1+\mathrm{CS}}$

其中，OF为个体的适应度，δ_j表示航班j的延误时间，CS为所有航班的冲突概率之和，第一目标函数非线性、不可微，本实施例中，根据第一目标函数获得局部优化过的第0代种群中所有个体的适应度，并从所有的个体适应度中选取适应度最大的个体作为第0代种群局部搜索的最优个体。

步骤106、第六步：根据所述信息库中所述n个航班相互之间的冲突关系，将所述n个航班分为sn个组，其中，每个组内的航班之间存在冲突，每个组内的航班与其他组中的航班之间不存在冲突，所述sn<n。

本实施例种，根据所述n个航班相互之间的冲突关系，将n个航班分为sn个组，具体分组可以为：

至少两个航班之间存在关联，即冲突，任意x≠y时，C_xy＝1，航班分组通过如下的算法获得：

其中，所有航班的集合F组成为：

F＝{group₁,…,group_sn}

其中sn满足sn<n，且

${\mathrm{group}}_k=({F_k}^{\left(1\right)},{F_k}^{\left(2\right)},...,{F_k}^{\left(m_k\right)}),1\&le;k\&le;\mathrm{sn},1\&le;m_k<n,\underset{k=1}{\overset{\left|\mathrm{sn}\right|}{\mathrm{\&Sigma;}}}{m}_k=n.$

其中F_k ^(j)表示group_k中的第j架航班，m_k表示group_k中的航班数量。

每组中的航班有如下关系：

对于 $\&ForAll;a\&Element;{\mathrm{group}}_k,\&Exists;b\&Element;{\mathrm{group}}_k,b\&NotEqual;a,\mathrm{st},C_{\mathrm{ab}}=1$

不同组间的航班满足， $\&ForAll;a\&Element;{\mathrm{group}}_k,\&ForAll;b\&Element;{\mathrm{group}}_l,\mathrm{st},C_{\mathrm{ab}}=0;$

上述关系表明航班冲突只存在于同一组中，不同组的航班没有冲突。

具体分组还可以为：

假设任意x≠y，C_xy＝0，即任意航班之间没有冲突，因此采用随机分组策略减少航班平均延误，其原理为将所有航班随机且平均的分成若干组；

具体分组还可以为：

如果分组情况在连续的两代进化中都没有变化，那么将采用随机分组策略重新分组，以避免算法陷入局部极值。

步骤107、第七步：分别对每个组中的所述局部优化过的第0代种群个体进行子群优化，所述子群优化用于将所述局部优化过的第0代种群个体中每个组所包含的航班进行优化，对所述个体中的其他航班用所述第0代种群局部搜索的最优个体中对应的航班替换，并将所述子群优化后的第0代种群作为全局优化过的第0代种群。

本实施例中，根据步骤108将所有航班分好组后，每个组包含有冲突的航班，然后对每个组进行子群优化，本实施例中，选取其中一个组group_k为例进行说明，group_k中包含的航班数量为m_k，group_k中航班的适应度如下所示：

${\mathrm{gf}}_k^s=\frac{1-{\mathrm{\&delta;}}_{\mathrm{ks}}/{\mathrm{\&delta;}}_{\max }}{1+{\mathrm{nc}}_{\mathrm{ks}}},(1\&le;s\&le;m_k),1\&le;k\&le;\mathrm{sn},$

其中，δ_ks表示group_k中航班s的延误时间，nc_ks表示group_k中航班s与组中其他航班的冲突概率之和；

在group_k中，对局部优化过的第0代种群的个体中的m_k个航班进行自适应交叉算子和变异算子，其中m_k个航班为group_k中包含的有冲突的航班，举例来说，图2为本发明种群个体自适应交叉算子的示意图，如图2所示，对局部优化过的第0代种群的个体中的m_k个航班进行自适应交叉算子时，交叉概率为p_c，交叉概率为m_k个航班中选取进行交叉的航班数量与m_k个航班的比值，自适应交叉算子具体为：假设A和B被选为group_k的父代，若两子代继承A₁，若两子代继承B₁，如果二者相等，两子代由父代线性组合获得：

CA＝floor(αA+(1-α)B),

CB＝floor(αB+(1-α)A).

其中α是线性组合的参数，如图2中，若交叉概率p_c＝0.6，则从A₁,A₂,A₃,A₄,A₅中选取3个基因进行交叉算子，如图2所示，从A₁,A₂,A₃,A₄,A₅中选取A₁,A₃,A₅进行了交叉算子，其中，所以两子代都继承A₁，所以两子代都继承B₃，则子代CA₅＝floor[αA₅+(1-α)B₅],子代CB₅＝floor[αB₅+(1-α)A₅]。，本实施例中，需要说明的，子代A为父代A进行交叉算子后的个体，举例来说，第0代种群个体为父代，对第0代种群个体进行全局优化后得到的第1代种群个体则为子代，因此，经过全局优化，父代中适应度大的个体将遗传到子代中。

图3为本发明种群个体变异算子的示意图，对局部优化过的第0代种群的个体中的m_k个航班进行自适应交叉算子后，如图3所示，对局部优化过的第0代种群的个体中的m_k个航班进行变异算子，m_k个航班是按概率p_m进行变异，如图3所示，group_k中基因3的适应度小于ε，ε为预设的基因适应度，所以将基因3进行变异。

而在group_k中，局部优化过的第0代种群的个体中除m_k个航班之外的其他航班用第0代种群局部搜索的最优个体中对应的航班进行替换，最终将替换后的第0代种群作为全局优化过的第0代种群。

步骤107、第八步：根据所述第一目标函数获得所述每个组中适应度最大的个体，再从各个组中选取适应度最大的个体作为第0代种群的最优个体，将所述第0代种群的最优个体所属的组中的所述全局优化过的第0代种群作为第1代种群。

本实施例中，根据第一目标函数获取每个组中全局优化过的第0代种群的个体适应度，并从每个组中选取适应度最大的个体，然后再从各个组中选取适应度最大的个体作为第0代种群的最优个体，将第0代种群的最优个体所在组中经过全局优化过的第0代种群作为第1代种群，对第1代种群再进行局部优化和全局优化。

步骤109、第九步：依次循环执行第三步至第八步，直到到达预设的进化代数N为止，所述N为整数。

本实施例中，第0代种群搜索完后开始对第1代种群进行搜索，依次循环执行上述步骤103-步骤108，其中由于每次迭代后不同组之间的航班可能产生新的冲突，每次迭代后根据冲突状况对信息库中n个航班之间的冲突关系进行更新。

步骤1010、第十步：从N代种群的最优个体中选取适应度最大的个体作为航班冲突避免的优化解。

本实施例中，每代种群优化后获得一个最优个体，如果一代种群的最优个体的适应度大于上一代种群最优个体的适应度，则将这一代种群的最优个体替换上一代的最优个体，否则，将上一代的最优个体替换这一代种群的最优个体，达到最大进化代数后，最终获得的最优个体为N代种群最优个体中适应度最大的个体。

本实施例中，步骤105-108为全局优化，在全局优化中，主要分析大批次航班飞行冲突的特点，挖掘航班内在本质关联，然后将有关联的航班进行分组，构建具有高效问题分解方式的协同进化框架；步骤103-104为局部优化(局部搜索)，在局部搜索中基于中长期飞行冲突解脱特性设计搜索算子以及参与局部搜索的种群个体数量自适应调节策略，兼顾有效性与时效性，因此，本发明中，通过种群全局优化与种群个体局部搜索相结合的MA优化框架，有效地提高算法的搜索能力以及解的质量。

本实施例提供的航班冲突避免的优化方法，通过在每一代种群的局部搜索中应用局部搜索算子以及调节参与局部搜索的种群个体，对每一代局部搜索过的种群进行全局搜索，在全局搜索中根据航班之间的冲突关系对所有航班进行分组，对各个组进行子群优化，提高了算法的搜索能力以及最优解的质量，通过优化，预先获得大批次航班间的最优解，同时通过该方法减少了大批次航班间的冲突以及降低了航班延误时间。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种基于MA的大批次航班中长期冲突避免的优化方法，其特征在于，所述方法包括：

第一步：建立待优化的n个航班的信息库，所述信息库包括所述n个航班相互之间的冲突关系及所述n个航班的延误时间；

第二步：生成初始种群，所述初始种群由ps个个体随机组成，每个个体包含n个基因，其中，一个基因表示一个航班的延误时间，将所述初始种群作为第0代种群，所述ps和所述n为正整数；

第三步：基于仙农信息熵获取参与所述第0代种群局部搜索的个体数量

第四步：对从所述第0代种群中随机选择的个个体应用局部搜索算子，并将应用过局部搜索算子的个个体替换所述第0代种群中随机选择的个个体，将替换后的所述第0代种群作为局部优化过的第0代种群，所述局部搜索算子用于优化所述个体的基因；

第五步：根据预设的第一目标函数获取所述局部优化过的第0代种群的个体适应度，并将适应度最大的个体作为所述第0代种群局部搜索的最优个体；

第六步：根据所述信息库中所述n个航班相互之间的冲突关系，将所述n个航班分为sn个组，其中，每个组内的航班之间存在冲突，每个组内的航班与其他组中的航班之间不存在冲突，所述sn<n；

第七步：分别对每个组中的所述局部优化过的第0代种群个体进行子群优化，所述子群优化用于将所述局部优化过的第0代种群个体中每个组所包含的航班进行优化，对所述个体中的其他航班用所述第0代种群局部搜索的最优个体中对应的航班替换，并将所述子群优化后的第0代种群作为全局优化过的第0代种群；

第八步：根据所述第一目标函数获得所述每个组中适应度最大的个体，再从各个组中选取适应度最大的个体作为第0代种群的最优个体，将所述第0代种群的最优个体所属的组中的所述全局优化过的第0代种群作为第1代种群；

第九步：依次循环执行第三步至第八步，直到到达预设的进化代数N为止，所述N为整数；

第十步：从N代种群的最优个体中选取适应度最大的个体作为航班冲突避免的优化解。

2.根据权利要求1所述的方法，其特征在于，所述仙农信息熵，表示为：

$E=-\underset{d}{\overset{Q}{\mathrm{\&Sigma;}}}{p}_d\log \left(p_d\right)$

其中，所述E为熵，所述p_d为：所述|G_d|为组G_d中包含的个体数量，所述为种群中所有的个体数量，所述组G_d由冲突数相同的个体组成，所述个体的冲突数通过所述信息库中所述n个航班相互之间的冲突关系得到，其中，1≤b≤Q，1≤d≤Q，所述Q为自然数。

3.根据权利要求2所述的方法，其特征在于，根据仙农信息熵获得参与所述第gen代种群局部搜索的个体数量所述表示为：

其中，所述β(gen)为局部搜索频率，所述E(0)和所述E(gen)分别为种群进化的第0代种群和第gen代种群的熵，所述floor(β(gen))表示取不超过β(gen)的最大整数。

4.根据权利要求1所述的方法，其特征在于，所述局部搜索算子φ(ind_i)：，表示为：

φ(ind_i)＝(δ′_i1,δ′_i2,...,δ′_in)

其中，所述ind_i为种群个体i，ind_i＝(δ_i1,δ_i2,...,δ_in),1≤i≤ps，所述δ_i1,δ_i2,.....δ_in为所述ind_i中的基因；

当ind_i中基因的适应度小于预设适应度时，δ′_ij＝reinitialize(δ_ij)，其中所述δ_ij为所述ind_i中航班j的延误时间，1≤j≤n，所述reinitialize表示对δ_ij重新初始化；

当ind_i中基因的适应度大于等于预设适应度时，δ′_ij＝δ_ij；

用所述局部搜索算子φ(ind_i)：替换种群中所述ind_i，并将替换后的种群作为局部搜索过的种群。

5.根据权利要求1或4所述的方法，其特征在于，所述预设的第一目标函数，表示为：

$\mathrm{Max\; OF}=\frac{1-\frac{1}{n}{\mathrm{\&Sigma;}}_{j=1}^n\frac{{\mathrm{\&delta;}}_j}{{\mathrm{\&delta;}}_{\max }}}{1+\mathrm{CS}}$

其中，所述OF为个体的适应度，所述δ_j表示航班j的延误时间，所述CS为所有航班的冲突概率之和；

个体中基因的适应度gf为：

gf_i＝(gf_i1,gf_i2,...,gf_in)

其中，所述nc_ij为个体i中航班j与其它航班冲突概率之和，所述δ_max为航班的最大延误时间。

6.根据权利要求1或2所述的方法，其特征在于，所述信息库中所述n个航班相互之间的冲突关系用矩阵C表示，所述矩阵C如下所示：

$C=\left(\begin{array}{ccc}{C}_{11}& \&CenterDot;\&CenterDot;\&CenterDot;& C_{1n}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;\\ C_{n1}& \&CenterDot;\&CenterDot;\&CenterDot;& C_{\mathrm{nn}}\end{array}\right)$

其中C_xy表示为：

7.根据权利要求2所述的方法，其特征在于，所述子群优化包括：

按照以下公式得到每个组中所包含的航班的适应度：

${\mathrm{gf}}_k^s=\frac{1-{\mathrm{\&delta;}}_{\mathrm{ks}}/{\mathrm{\&delta;}}_{\max }}{1+{\mathrm{nc}}_{\mathrm{ks}}},(1\&le;s\&le;m_k),1\&le;k\&le;\mathrm{sn}$

其中，所述m_k表示组中的航班数量，所述δ_ks表示组中航班s的延误时间，所述nc_ks表示选取的组为k时组中航班s与组中其他航班的冲突概率之和；

根据所述每个组所包含的航班的适应度，对每组的所述局部优化过的第gen代种群个体中组所对应的航班应用自适应交叉算子和变异算子，对每组中所述局部优化过的第gen代种群个体中其他航班用所述局部搜索的最优个体中对应的航班替换；

根据所述第一目标函数获得每个组中适应度最大的个体；

从各个组中选取适应度最大的个体作为第gen代种群的最优个体。

8.根据权利要求1所述的方法，其特征在于，还包括：

经过一代种群进化后，更新所述信息库中所述n个航班之间的冲突关系。