CN105117792A - 一种考虑跑道口等待时长的航班机场场面运行优化方法 - Google Patents

Abstract

本发明公开了一种考虑跑道口等待时长的航班机场场面运行优化方法，属于航空机场场面优化技术领域。所述的优化方法首先建立MAGMO模型，同时优化滑行时间和跑道口等待起飞时间；然后设计RSS策略为所有航班分配路径，并对起飞航班分配推出时间；同时根据等待节点分配策略HNAS为航班选择路径中的节点并分配等待时间，从而对双目标机场场面优化求得最优解。本发明充分考虑了航班的优先级、航班之间公平性、对环境的影响，确保了场面航班流的安全、有序和高效；本发明可以提高整个航班流安全性，一定程度上有效避免航班冲突；同时防止由于大量航班长时间等待而带来安全隐患、燃油消耗、环境污染。

Description

一种考虑跑道口等待时长的航班机场场面运行优化方法

技术领域

本发明属于航空机场场面优化技术领域，具体涉及一种考虑跑道口等待时长的航班机场场面运行优化方法。

背景技术

随着航空运输业的飞速发展，机场规模也不断扩大，航班机场场面运行问题变得日益复杂，导致场面拥挤与大规模航班延误现象时有发生，机场场面运行成为航班延误的瓶颈所在。因此，有必要对机场场面运行进行优化，以提高机场场面运行效率，同时又能保障运行的安全性。航班机场场面运行问题是指在考虑航班运行效率(例如时间、燃油消耗等)的前提下，航班由停机位(或跑道口)滑行至跑道口(或停机位)的过程。

机场场面运行优化是基本的时间路径规划问题，具体通过为同一时间段内进出港航班规划合理的滑行路径，分配适当的等待时间和推出时间，避免发生滑行冲突，从而达到缩短滑行时间和跑道口等待时间的目的。航班量的增多与有限的机场资源之间的矛盾，使得起飞航班不得不在跑道口排队等待以缓解停机位等资源的暂时短缺，然而大量的航班过长时间在跑道口等待会带来安全隐患、燃油消耗同时导致旅客满意度的下降。合理的时间路径规划不仅可以通过减少滑行时间提高运行效率，而且可以减少跑道口的等待时间，提升旅客的旅行体验。

现有工作主要将优化机场场面运行效率作为主要关注点，通过缩短所有航班的滑行时间或者完成滑行的时间为优化的目标，部分文献也考虑到航班起降时间与计划时间的偏离程度、起飞航班跑道口等待时间、延误航班的数量等目标，通常采用线性加权和法将多个目标转换成新的单目标函数进行求解，其本质仍然是一个单目标优化问题，得到的最优的唯一解也仅限于某一固定情景下，而在实际中，对于像滑行时间与跑道口等待时长这样冲突的两个目标，目前简单的加权处理而得到的方案对运行决策者而言并不一定是实际最佳的运行方案，机场决策者更希望可以从根据当时的机场情况来选择适用于当前的更合适解。而多目标优化研究目前仅存在针对滑行时间与燃油消耗的双目标优化方法，其焦点都是滑行过程中的燃油消耗与滑行时间，并没有考虑到实际运行中跑道口等待所带来的一系列问题。因而，为了使机场的运行兼备高效、安全、环保同时提升旅客的体验，该问题实质是要解决一个双目标机场场面优化(Multi-objectiveAirportGroundMovementOptimization；以下简称：MAGMO)问题。

发明内容

本发明的目的在于解决现有技术中存在的上述问题，建立了以最小优化滑行时间与跑道口等待时长为目标的MAGMO模型，并针对双目标设计了机场场面运行双目标的启发式优化方法，该方法不仅仅考虑两两航班之间的安全间隔，而且为了防止相同路径上过多架航班同时滑行出现安全隐患，设计了一种考虑安全性、公平性的路径选择策略(RouteSelectedStrategy；以下简称:RSS)，设计了基于低油耗的等待节点分配策略(HoldNodeAssignmentStrategy；以下简称:HNAS)，从而获取MAGMO问题模型最优滑行路径与推出或者降落时间。

为了实现上述目的，本发明提供了一种考虑跑道口等待时长的航班机场场面运行优化方法，所述的优化方法首先建立一个通用的机场场面优化双目标模型，同时优化滑行时间和跑道口等待起飞时间；然后提出了机场场面运行双目标的启发式优化方法，在优化滑行路径方面设计了路径选择策略(RSS)为所有航班分配路径，并对起飞航班分配推出时间；同时根据等待节点分配策略HNAS为航班选择路径中的节点并分配等待时间，从而对双目标机场场面优化求得最优解。具体通过如下步骤实现：

步骤一，建立考虑跑道口等待时长的航班机场场面优化双目标模型；

步骤二，设计路径选择策略，为航班选择滑行路径；

步骤三，设计路径选择策略编码方式，即机场场面优化双目标模型的问题解编码形式设计，也即个体设计；

步骤四，根据路径选择策略编码方式，根据所建立机场场面优化双目标模型的约束条件，随机初始化种群Pop(g)，初始化非支配解集EPop为空，设定演化代数gen＝0；

步骤五，将种群Pop(g)中个体进行进化操作，包括选择、交叉、变异，其中选择操作采用精英选择方式，个体中不同基因采用基于HNAS策略变异方式，得到新的子代个体与原始种群Pop(g)一并放入种群GenPop(g)中；

步骤六，对种群GenPop(g)中每一个体进行解码，获得航班滑行路径、推出或降落时间、滑行速度以及等待节点与时间，计算种群中GenPop(g)中的每一个体的两个目标函数值，对种群GenPop(g)中不满足约束条件(1)～(7)任意一项条件约束的个体的两个目标函数值利用罚函数进行处理，并根据此时目标函数值对个体进行非支配排序放入种群SPop(g)中；

步骤七，清空非支配解集EPop，将种群SPop(g)中按顺序选择α·M复制到非支配解集种群EPop中，其中M表示种群SPop(g)的中个体总数，α为选择的比例参数，α∈[0,1]；

步骤八，判断gen是否满足指定演化代数，若达到演化代数N，优化结束，输出非支配解集Epop，即为最终的最优解集；否则令gen＝gen+1，返回步骤五。

本发明与现有技术相比，取得了如下技术效果：

(1)建立了更加符合实际的机场场面优化双目标模型，充分考虑了航班的优先级、航班之间公平性、对环境的影响，确保了场面航班流的安全、有序和高效；

(2)设计了更加合理有效的路径选择策略(RSS)，是一种考虑有效性和公平性的路径选择策略，相比现有的路径选择的策略，提高了整个航班流安全性，同时也考虑了滑行路径有效性。HNAS提供了等待节点选择和等待时间的分配方式，可以一定程度上有效避免航班冲突。在资源利用方面，允许在跑道口排队等待，充分利用了机场有限资源，同时目标函数考虑优化跑道口航班等待时长，防止由于大量航班长时间等待而带来安全隐患、燃油消耗、加重环境污染，并降低乘客满意度。

附图说明

图1为本发明涉及一种考虑跑道口等待时长的航班机场场面运行优化方法实施例中机场场面点-线式示意图；

图2为本发明涉及一种考虑跑道口等待时长的航班机场场面运行优化方法实施例中方法流程图。

具体实施方式

下面通过具体实施例并结合附图对本发明做进一步的详细描述。

图1为本发明的中机场场面点-线式示意图。实际中机场场面主要由跑道、停机坪、交叉节点和滑行路径段组成。而机场场面示意图主要是将跑道口、停机位、交叉节点作为图中的点分别表示为N_ri,N_pi,N_ci三类节点，相邻的两节点之间的连线作为滑行路径段，同时为了防止滑行路径段过长，在滑行路径段中加入虚拟节点N_fi，故图1中航班i滑行路径可以表示成rⁱ＝(N_p5,N_c4,N_c2,N_f3,N_f4,N_r1，)在滑行路径中由节点N_c4滑行至节点N_c2的路径段可表示为(N_c4，N_c2)，即简单标记为S_m,m∈[1,m_max]，其中m表示为路径段的标号，m_max表示为路径段的最大标号。

本发明中问题描述为：给定机场场面路径网络、相应的节点类型以及航班飞行计划，为某一计划时间段T内的每一航班分配推出时间(降落时间)和滑行路径，尽可能充分利用机场资源，降低跑道口等待时长的同时减少航班的总体滑行时间。下面将对本发明中MAGMO模型进行描述，该MAGMO模型的建立基于如下假设：

(1)对于起飞航班的推出时间、到达时间和滑行路径在一定的范围内可选，且其到达跑道时间小于其起飞时间；

(2)对于降落航班的降落时间视为固定值，而滑行路径在一定范围可选；

(3)所有航班在滑行路径上的速度是常量，最大滑行速度为v_max＝14(m/s)；

(4)滑行路径段的长度划分依据航班间安全间隔距离D_sep＝200m，本发明中路径段长度选取范围(单位m):[200,300]；

(5)同一停机位(起点：O)—跑道(终点：D)(跑道(D)-停机位(O))对之间的可选路径集合相同，该路径集合中路径长度均在选取范围，如不超过O-D(D-O)中最短路径的1.5倍，航班i的可选路径集合为了表示简洁以后用数字标号表示路径集合中每条路径，即可选路径集合表示为：Rⁱ＝{1,2,3,...s_max}，s_max是可选路径集合内路径的数目；

图2为本发明提供的一种考虑跑道口等待时长的航班机场场面运行优化方法实施例的流程图，具体包括如下步骤：

步骤一，建立考虑跑道口等待时长的航班机场场面优化双目标模型。

以同步最小化航班的总滑行时间和跑道口等待时长为目标函数，即：

(1)在计划时间段T内所有的航班，最小化航班的总滑行时间：

$\min \underset{i\∈F}{\Σ}\underset{n=1}{\overset{n_{\max }}{\mathrm{\Σ}}}{K}_i\[K_r(t_s^{r^i}-t_e^{r^i})+K_f{f}_i+K_d{d}_n\]---\left(1\right)$

其中，K_r表示航班i滑行时间成本系数，K_d表示滑行路径段等待时间成本系数；K_f为航班在滑行过程中等待次数的成本系数，K_i表示航班优先级关系的系数；F表示该计划时间段T内所有航班的集合，其中F＝F_D∪F_A表示航班由具有起飞和降落两种属性的航班组成，F_D表示具有起飞属性的航班，F_A表示具有降落属性的航班；n表示航班的等待节点编号，n_max表示航班的等待节点的最大编号；d_n为航班i滑行过程中在选择的等待节点n的等待时间(单位：秒)，d_n∈{0,20,40,...120},n＝1,2；f_i为航班i在路径中等待次数，为航班i开始进入滑行路径的时间，为航班i到达滑行路径目的节点的时间，也即离开滑行路径的时间，rⁱ表示航班i所选的滑行路径的标号。

(2)最小化跑道口等待时长：

$min\underset{i\∈F_D}{\Σ}{\mathrm{TTOT}}^i-t_{N_{r^i}}---\left(2\right)$

其中，TTOTⁱ表示航班i的预计起飞时间，表示航班i到达其跑道口(目标节点)的时间。

机场场面优化双目标模型中约束条件：

(1)滑行线路点容量约束：

其中，节点N_k为机场场面内的节点，N_k∈Rⁱ,Rⁱ＝{1,2,3,...s_max},i∈F，Rⁱ表示航班i从起点O到终点D的可选路径集合，s_max是可选路径集合内路径的数目。

(2)滑行路径段容量约束：

(3)防止追尾冲突产生的约束：

$z_{iju}-z_{ijv}=0,\∀(N_u,N_v)\∈r^i\∩r^j,\∀i,j\∈F$

z_iju＝1表示是航班i比航班j先到达节点N_u，否则为0；z_ijv＝1表示是航班i比航班j先到达节点N_v，否则为0；(N_u,N_v)∈rⁱ∩r^j表示是航班i和航班j均自节点N_u滑行至节点N_v，防止追尾冲突产生的约束是防止尾随的航班超过前面的航班发生追尾冲突。

(4)防止正面冲突产生的约束：

z_iju＝1表示是航班i比航班j先到达节点N_u，否则为0；z_ijv＝1表示是航班i比航班j先到达节点N_v，否则为0；(N_u,N_v)∈rⁱ表示是航班i自节点N_u滑行至节点N_v，(N_v,N_u)∈r^j则表示是航班j自节点N_v滑行至节点N_u。

(5)安全间隔的约束：

z_ijut_ju≥z_iju(t_iu+t_sep),t_sep＝d_sep/|v_j-v_i|

z_iju＝1表示是航班i比航班j先到达节点N_u，否则为0；t_iu,t_ju分别表示航班i和航班j到达节点N_u的时间，v_i,v_j分别表示航班i和航班j的滑行速度，d_sep表示航班间的最小间隔距离。

(6)推出时间约束：

表示航班i的推出时间大于等于预计推出时间EOBTⁱ。

(7)起飞时间约束：

表示航班i到达跑道口的时间小于等于预计起飞时间TTOTⁱ。

综上，本发明中机场场面优化双目标模型可表示为：

目标函数：

$\min \underset{i\∈F}{\Σ}\underset{n=1}{\overset{n_{\max }}{\mathrm{\Σ}}}{K}_i\[K_r(t_s^{r^i}-t_e^{r^i})+K_f{f}_i+K_d{d}_n\]$

$min\underset{i\∈F_D}{\Σ}{\mathrm{TTOT}}^i-t_{N_{r^i}}$

约束条件：

$z_{iju}-z_{ijv}=0,\∀(N_u,N_v)\∈r^i\∩r^j,\∀i,j\∈F$

$z_{\mathrm{iju}}-z_{\mathrm{ijv}}=0,\∀(N_u,N_v)\∈r^i,\∀(N_v,N_u)\∈r^j,\∀i,j\∈F$

z_ijut_ju≥z_iju(t_iu+t_sep),t_sep＝d_sep/|v_j-v_i|

$t_{p_i}\≥{\mathrm{EOBT}}^i$

$t_{N_{r^i}}\≤{\mathrm{TTOT}}^i.$

步骤二，设计路径选择策略(RSS策略)，为航班公平有效的选择滑行路径。RSS策略具体表示由如下公式(3)所示，RSS策略中根据变量ω_i决定所选择的路径：

$\min \left\{{\mathrm{\ω}}_i\·\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\frac{l_j}{l_{\max }}+\left(1-{\mathrm{\ω}}_i\right)\·\left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\frac{C_{l_j}^i}{C_{l_{\max }}^i}+\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\frac{C_{N_j}^i}{C_{N_{\max }}^i}\right)\right\}---\left(3\right)$

其中，l_j表示第j条路径段的长度，l_j∈[200,300]，l_max表示机场场面所有路径段的长度最大值，l_max＝300m，表示航班i所选路径中所有路径段的长度l_j归一化后的总和，k表示所选路径中包含路径段的总数；表示航班i所选路径中第j条路径段上航班数量，表示航班i所选路径中所有路径段中承载航班数最大值， 表示航班i所选路径中节点N_j上航班数量，表示航班i所选路径中所有节点上承载航班数量最大值， $\begin{array}{cc}{C}_{N_j}^i\∈\{0,1\},& C_{N_{max}}^i=1;\end{array}$

表示航班i所选路径中所有和承载航班数量归一化后的总和，其中m表示航班i所选路径中的节点总数；

步骤三，设计RSS策略编码方式，即MAGMO模型的问题解(推出时间、降落时间、等待时间、滑行路径)编码形式设计，也即个体设计。

如表1所示为RSS编码方式示意图，具体设计包括如下步骤：

步骤301，编码示意图中第一类基因T_i是表示第i架航班降落或者推出时间，其中T_i是根据计划时间以及约束条件(3)对航班i进行编码；

步骤302，为了保证选择路径顺序的公平性，第二类基因p_i表示航班i的优先级顺序；

步骤303，第三类基因d_i,n表示航班i路径中的两个等待时间，等待时间依据其范围d_i,n∈{0,20,40,...120},n＝1,2随机生成从而完成对航班i的编码；

步骤304，第四类基因n_i,μ是航班i路径中的等待节点(对应步骤203的等待时间)，等待节点以顺序标号形式表示：

$\begin{array}{cc}{n}_{i,\mathrm{\μ}}=1,2,\mathrm{..},n_{r_{\max ,\mathrm{\μ}}^i},& \mathrm{\μ}=1,2\end{array},$

μ表示等待节点的标号，表示航班i所选路径r中节点的最大标号；

步骤305，第五类基因ω_i表示航班路径的选择，是根据航班优先级顺序通过RSS策略中变量ω_i对路径进行选择，其中航班i路径选择集合为:

$R^i=\left\{r_s^i\right\},s=1,2,3...s_{max},$

用数字标号表示集合中每条路径Rⁱ＝{1,2,3,...s_max}，其中，s_max表示可选路径的最大标号；

步骤306，第六类基因v_i表示航班i的滑行速度，其中v_i∈(0,14]。

表1RSS编码方式示意图

T1	T2	…	T9	T10
					p1	p2	…	p9	p10
d1,1	d2,1	…	d9,1	d10,1
					d1,2	d2,2	…	d9,2	d10,2
n1,1	n2,1	…	n9,1	n10,1
					n1,2	n2,2	…	n9,2	n10,2
ω1	ω2	…	ω9	w10
					v1	v2	…	v9	v10

步骤四，根据RSS策略编码方式，根据所建立MAGMO模型的约束条件中(1)～(7)，随机初始化种群Pop(g)，初始化非支配解集EPop为空，设定演化代数(Generation；以下简称：gen)gen＝0；

步骤五，将种群Pop(g)中个体进行进化操作，包括选择、交叉、变异，其中选择操作采用精英选择方式，个体中不同基因采用不同的交叉变异，此处设计了基于HNAS策略变异方式，得到新的子代个体与原始种群Pop(g)一并放入种群GenPop(g)中；

所述基于HNAS策略变异方式，具体包括如下步骤：

步骤501，对种群Pop(g)中的个体各类基因进行不同的交叉变异，即对于路径选择变量和滑行速度进行两点交叉以及变异，而针对推出和等待时间仅进行符合约束条件的变异；

步骤502，对于个体中表示航班位于此节点处等待的点，进行基于HNAS策略的变异，HNAS策略的具体表示由如下公式(4)所示：

$n_{i,1}=\left\{\begin{array}{cc}{N}_u& if\∀N_u\∈\left(r_{od}^i\∩N_H\right)\\ N_v& {\mathrm{otherwiseN}}_v\∈r_{od}^i\end{array}\right.---\left(4\right)$

$\begin{array}{cc}{n}_{i,2}=N_v& if\∀N_v\∈r_{od}^i\end{array}$

机场场面图有等待属性节点的集合N_H，表示航班i所选路径中除了起始节点和目的节点以外的所有节点集；N_u、N_v表示所选取的节点编号，n_i,1、n_i,2分别表示航班i所选路径中两个等待节点。

步骤六，对种群GenPop(g)中每一个体进行解码，获得航班滑行路径、推出或降落时间、滑行速度以及等待节点与时间，计算种群中GenPop(g)中的每一个体的两个目标函数值即MAGMO模型中目标函数中(1)和(2)，对种群GenPop(g)中不满足约束条件(1)～(7)任意一项条件约束的个体的两个目标函数值利用罚函数进行处理，并根据此时目标函数值对个体进行非支配排序放入种群SPop(g)中；

步骤七，清空非支配解集EPop，将种群SPop(g)中按顺序选择α·M复制到非支配解集EPop中，其中M表示种群SPop(g)的中个体总数，α为选择的比例参数，α∈[0,1]，本发明中α＝0.5；

步骤八，判断gen是否满足指定演化代数N，如果演化代数太少，优化不够充分，所需优化的目标函数(跑道口拥挤度和航班总滑行时间)不能得到较优的解，故本发明N＝500；若达到演化代数N，优化结束，输出非支配解集Epop，即为最终的最优解集；否则令gen＝gen+1，返回步骤五。

本实施例提供了一种考虑跑道口航班等待时长的机场场面运行双目标优化方法，建立了更加实用的MAGMO模型，考虑滑行安全、节点等待次数、起飞和到达等限制条件，并提供一种考虑安全性、公平性路径选择策略(RSS)和等待节点分配策略(HNAS)，获取MAGMO模型的问题最优解，保证航班安全有效的滑行。

最后应说明的是：以上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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分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实施例技术方案的精神和范围。

Claims (6)

1.一种考虑跑道口等待时长的航班机场场面运行优化方法，其特征在于：

步骤一，建立考虑跑道口等待时长的航班机场场面优化双目标模型；

以同步最小化航班的总滑行时间和跑道口等待时长为目标函数，即：

(1)在计划时间段T内所有的航班，最小化航班的总滑行时间：

$\min \underset{i\∈F}{\Σ}\underset{n=1}{\overset{n_{\max }}{\mathrm{\Σ}}}{K}_i\[K_r(t_s^{r^i}-t_e^{r^i})+K_f{f}_i+K_d{d}_n\]---\left(1\right)$

其中，K_r表示航班i滑行时间成本系数，K_d表示滑行路径段等待时间成本系数；K_f为航班在滑行过程中等待次数的成本系数，K_i表示航班优先级关系的系数；F表示该计划时间段T内所有航班的集合，其中F＝F_D∪F_A表示航班由具有起飞和降落两种属性的航班组成，F_D表示具有起飞属性的航班，F_A表示具有降落属性的航班；n表示航班的等待节点编号，n_max表示航班的等待节点的最大编号；d_n为航班i滑行过程中在选择的等待节点n的等待时间，d_n∈{0,20,40,...120},n＝1,2；f_i为航班i在路径中等待次数，为航班i开始进入滑行路径的时间，为航班i到达滑行路径目的节点的时间，也即离开滑行路径的时间，rⁱ表示航班i所选的滑行路径的标号；

(2)最小化跑道口等待时长：

$min\underset{i\∈F_D}{\Σ}{\mathrm{TTOT}}^i-t_{N_{r^i}}---\left(2\right)$

其中，TTOTⁱ表示航班i的预计起飞时间，表示航班i到达其跑道口的时间；

机场场面优化双目标模型中约束条件：

(1)滑行线路点容量约束：

其中，节点N_k为机场场面内的节点，N_k∈Rⁱ,Rⁱ＝{1,2,3,...s_max},i∈F，Rⁱ表示航班i从起点O到终点D的可选路径集合，s_max是可选路径集合内路径的数目；

(2)滑行路径段容量约束：

(3)防止追尾冲突产生的约束：

$z_{iju}-z_{ijv}=0,\∀(N_u,N_v)\∈r^i\∩r^j,\∀i,j\∈F$

z_iju＝1表示是航班i比航班j先到达节点N_u，否则为0；z_ijv＝1表示是航班i比航班j先到达节点N_v，否则为0；(N_u,N_v)∈rⁱ∩r^j表示是航班i和航班j均自节点N_u滑行至节点N_v，防止追尾冲突产生的约束是防止尾随的航班超过前面的航班发生追尾冲突；

(4)防止正面冲突产生的约束：

z_iju＝1表示是航班i比航班j先到达节点N_u，否则为0；z_ijv＝1表示是航班i比航班j先到达节点N_v，否则为0；(N_u,N_v)∈rⁱ表示是航班i自节点N_u滑行至节点N_v，(N_v,N_u)∈r^j则表示是航班j自节点N_v滑行至节点N_u；

(5)安全间隔的约束：

z_ijut_ju≥z_iju(t_iu+t_sep),t_sep＝d_sep/|v_j-v_i|

z_iju＝1表示是航班i比航班j先到达节点N_u，否则为0；t_iu,t_ju分别表示航班i和航班j到达节点N_u的时间，v_i,v_j分别表示航班i和航班j的滑行速度，d_sep表示航班间的最小间隔距离；

(6)推出时间约束：

表示航班i的推出时间大于等于预计推出时间EOBTⁱ；

(7)起飞时间约束：

表示航班i到达跑道口的时间小于等于预计起飞时间TTOTⁱ；

步骤二，设计路径选择策略，为航班选择滑行路径；

步骤三，设计路径选择策略编码方式，即机场场面优化双目标模型的问题解编码形式设计，也即个体设计；

步骤四，根据路径选择策略编码方式，根据所建立机场场面优化双目标模型的约束条件，随机初始化种群Pop(g)，初始化非支配解集EPop为空，设定演化代数gen＝0；

步骤五，将种群Pop(g)中个体进行进化操作，包括选择、交叉、变异，其中选择操作采用精英选择方式，个体中不同基因采用基于HNAS策略变异方式，得到新的子代个体与原始种群Pop(g)一并放入种群GenPop(g)中；

步骤六，对种群GenPop(g)中每一个体进行解码，获得航班滑行路径、推出或降落时间、滑行速度以及等待节点与时间，计算种群中GenPop(g)中的每一个体的两个目标函数值，对种群GenPop(g)中不满足约束条件(1)～(7)任意一项条件约束的个体的两个目标函数值利用罚函数进行处理，并根据此时目标函数值对个体进行非支配排序放入种群SPop(g)中；

步骤七，清空非支配解集EPop，将种群SPop(g)中按顺序选择α·M复制到非支配解集种群EPop中，其中M表示种群SPop(g)的中个体总数，α为选择的比例参数，α∈[0,1]；

步骤八，判断gen是否满足指定演化代数，若达到演化代数N，优化结束，输出非支配解集Epop，即为最终的最优解集；否则令gen＝gen+1，返回步骤五。

2.根据权利要求1所述的一种考虑跑道口等待时长的航班机场场面运行优化方法，其特征在于：所述的路径选择策略具体表示由如下公式(3)所示，路径选择策略中根据变量ω_i决定所选择的路径：

$\min \left\{{\mathrm{\ω}}_i\·\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\frac{l_j}{l_{\max }}+\left(1-{\mathrm{\ω}}_i\right)\·\left(\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\frac{C_{l_j}^i}{C_{l_{\max }}^i}+\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\frac{C_{N_j}^i}{C_{N_{\max }}^i}\right)\right\}---\left(3\right)$

其中，l_j表示第j条路径段的长度，l_j∈[200,300]，l_max表示机场场面所有路径段的长度最大值，表示航班i所选路径中所有路径段的长度l_j归一化后的总和，k表示所选路径中包含路径段的总数；表示航班i所选路径中第j条路径段上航班数量，表示航班i所选路径中所有路径段中承载航班数最大值， 表示航班i所选路径中节点N_j上航班数量，表示航班i所选路线径中所有节点上承载航班数量最大值，m表示航班i所选路径中的节点总数。

3.根据权利要求1所述的一种考虑跑道口等待时长的航班机场场面运行优化方法，其特征在于：所述的路径选择策略的编码方式，具体设计包括如下步骤：

步骤301，第一类基因T_i是表示第i架航班降落或者推出时间，其中T_i是根据计划时间以及约束条件(3)对航班i进行编码；

步骤302，第二类基因p_i表示航班i的优先级顺序；

步骤303，第三类基因d_i,n表示航班i路径中的两个等待时间，等待时间依据其范围d_i,n∈{0,20,40,...120},n＝1,2随机生成从而完成对航班i的编码；

步骤304，第四类基因n_i,μ是航班i路径中的等待节点，等待节点以顺序标号形式表示：

μ＝1,2，μ表示等待节点的标号，表示航班i所选路径r中节点的最大标号；

步骤305，第五类基因ω_i表示航班路径的选择，其中航班i路径选择集合为用数字标号表示集合中每条路线Rⁱ＝{1,2,3,...s_max}，

其中，s_max表示可选路径的最大标号；

步骤306，第六类基因v_i表示航班i的滑行速度，其中v_i∈(0,14]。

4.根据权利要求1所述的一种考虑跑道口等待时长的航班机场场面运行优化方法，其特征在于：所述基于HNAS策略变异方式，具体包括如下步骤：

步骤501，对种群Pop(g)中的个体各类基因进行不同的交叉变异，即对于路径选择变量和滑行速度进行两点交叉以及变异，而针对推出和等待时间仅进行符合约束条件的变异；

步骤502，对于个体中表示航班位于此节点处等待的点，进行基于HNAS策略的变异，HNAS策略的具体表示由如下公式(4)所示：

$n_{i,1}=\left\{\begin{array}{cc}{N}_u& if\∀N_u\∈\left(r_{od}^i\∩N_H\right)\\ N_v& {\mathrm{otherwiseN}}_v\∈r_{od}^i\end{array}\right.---\left(4\right)$

$\begin{array}{cc}{n}_{i,2}=N_v& if\∀N_v\∈r_{od}^i\end{array}$

N_H为有等待属性节点的集合，表示航班i所选路径中除了起始节点和目的节点以外的所有节点集；N_u、N_v表示所选取的节点编号，n_i,1、n_i,2分别表示航班i所选路径中两个等待节点。

5.根据权利要求1所述的一种考虑跑道口等待时长的航班机场场面运行优化方法，其特征在于：所述的比例参数α＝0.5。

6.根据权利要求1所述的一种考虑跑道口等待时长的航班机场场面运行优化方法，其特征在于：所述的演化代数N＝500。