CN105355091B - 终端区流量调控方法 - Google Patents
终端区流量调控方法 Download PDFInfo
- Publication number
- CN105355091B CN105355091B CN201510690036.1A CN201510690036A CN105355091B CN 105355091 B CN105355091 B CN 105355091B CN 201510690036 A CN201510690036 A CN 201510690036A CN 105355091 B CN105355091 B CN 105355091B
- Authority
- CN
- China
- Prior art keywords
- sequence
- flight
- population
- fitness
- landing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种终端区流量调控方法,该方法包括:根据各航班预计到达时间的先后顺序,生成待调度序列,然后对该待调度序列进行优化,得到使得各航班在保证陆时间间隔满足安全时间间隔,且各航班的着陆时间在其最早/最晚着陆时间范围内的前提下,着陆完成所需时间最短的最优序列,最后按照最优序列,对各航班进行调控,从而根据终端区的运行情况以及待着陆航班的相关信息,进行实时调度并快速地给出优化后的结果,实时的根据终端区的运行状况,对航班进行合理调控的目的。
Description
技术领域
本发明涉及信息控制技术领域,尤其涉及一种终端区流量调控方法。
背景技术
随着世界经济的不断发展,对航空运输的需求不断增长,导致飞机数量和飞行流量急剧增加,空中交通拥堵问题日益严重,空中交通流量管理为解决该问题的重要手段。一般来说,空中交通流量管理包括:终端区流量管理、机场流量管理和航路流量管理。其中,终端区流量管理指在终端区的范围内进行流量调控实时交通管理。
在繁忙终端区,拥堵现象时有发生,造成该拥堵现象的主要原因为等待着陆的航班未能及时着陆。终端区流量管理过程中,根据提前定制好的调度方案,在确保安全的前提下,重新为待着陆航班安排着陆次序与着陆时间,以减少航班之间的相互影响,从而降低飞行延误。
然而,一些突发情况,如恶劣天气、临时加入航班、临时取消航班等,导致提前定制好的调度方案不再可行。因此,如何实时的根据终端区的运行状况来进行合理调控,是亟待解决的问题。
发明内容
本发明提供一种终端区流量调控方法,以实现实时的根据终端区的运行状况,对航班进行合理调控。
第一个方面,本发明实施例提供一种终端区流量调控方法,该方法包括:
步骤1、根据各航班预计到达时间的先后顺序,生成待调度序列,所述各航班为超过阈值时间着陆的航班;
步骤2、对所述待调度序列进行优化,得到最优序列,所述最优序列为使得所述各航班在安全着陆前提下,着陆完成所需时间最短的序列;
步骤3、按照所述最优序列,对所述各航班进行调控。
在第一个方面的第一种可能的实现方式中,所述步骤2包括:
步骤2.1、初始化参数并建立概率分布模型,所述参数包括:扩展指数θ,种群规模M以及最大迭代次数;
步骤2.2、根据所述待调度序列,生成第一种群,所述第一种群包括M个序列,所述M个序列为对所述待调度序列中的所有航班重新排列得到的序列,迭代次数=0;
步骤2.3、根据所述M个序列,确定所述第一种群的中心排列σ0;
步骤2.4、根据所述中心排列σ0与所述扩展指数θ建立概率分布模型,根据所述概率分布模型,对所述中心排列σ0随机采样,生成(1-p)×M个序列,根据启发式搜索,生成p×M个序列,其中,p为比例因子,小于0<p<1;
步骤2.5、将所述(1-p)×M个序列、所述p×M个序列加入所述第一种群,使得所述第一种群包括2M个序列;
步骤2.6、从所述2M个序列中,根据适应度函数确定出适应度依次降低的M个序列,所述迭代次数+1,将所述步骤2.3中的M个序列,更新为所述适应度依次降低的M个序列;
步骤2.7、确定所述迭代次数是否等于所述最大迭代次数,若是,则执行步骤2.8;否则,执行步骤2.3;
步骤2.8、确定是否有新航班进入终端区,若是,则执行步骤2.9;否则,执行步骤2.10;
步骤2.9、更新所述第一种群中的M个序列,执行步骤2.3;
步骤2.10、将所述适应度依次降低的M个序列中适应度最高的序列,作为所述最优序列输出。
结合第一个方面的第一种可能的实现方式,在第一个方面的第二种可能的实现方式中,所述步骤2.6中,根据适应度函数确定出适应度依次降低的M个序列,包括:
步骤2.61、从所述2M个序列中,删除不满足约束条件的序列,其中,约束条件包括下述条件1与条件2:
条件1、对于所述各航班中的任意一个航班i,所述航班i的指定着陆时间介于所述航班i的预计到达时间与最晚着陆时间之间;
条件2、所述各航班着陆时,依次着陆的航班之间需满足最小安全间隔;
步骤2.62、根据所述适应度函数,确定序列X的适应度,所述序列X为从所述2M个序列中删除不满足所述约束条件的序列后,剩余序列中的任意一个;
步骤2.63、根据所述序列X的适应度,从所述剩余序列中确定出所述适应度依次降低的M个序列。
结合第一个方面的第一种可能的实现方式,在第一个方面的第三种可能的实现方式中,所述适应度函数为:
T=max[ALT(1),…ALT(N)],其中,ALT(i)表示航班i的指定着陆时间。
结合第一个方面的第一种可能的实现方式,在第一个方面的第四种可能的实现方式中,所述步骤2.2中,所述第一种群包括的M个序列中的任一序列S,所述序列S采用实数编码:
S=[s1,s2,…,sN],其中,N为航班的数目,si为位于所述序列S的第i个位置上着陆的航班的实数编码序号,1≤i≤N。
结合第一个方面的第一种可能的实现方式,在第一个方面的第五种可能的实现方式中,所述步骤2.9中,更新所述第一种群中的M个序列,包括:
步骤2.91、删除序列Y中已经或即将安排着陆的航班,所述序列Y为所述M个序列中的任一序列Y;
步骤2.92、将所述新航班加入所述序列Y的尾部。
结合第一个方面的第一种至第五种中任一种可能的实现方式,在第一个方面的第六种可能的实现方式中,所述步骤2.4中,所述概率分布模型具体为:
其中,P()为所述概率分布模型,d为所述M个序列中两个序列之间的序列间距,ψ(θ)为归一化常数,σ为待生成的序列。
结合第一个方面、第一个方面的第一种至第五种中任一种可能的实现方式,在第一个方面的第七种可能的实现方式中,所述步骤1中,所述超过阈值时间着陆的航班包括:刚进入终端区的航班,和/或,本次调控之前,已经经过优化但还未被安排着陆的航班。
本发明实施例提供的终端区流量调控方法,根据各航班预计到达时间的先后顺序,生成待调度序列,然后对该待调度序列进行优化,得到使得各航班在保证陆时间间隔满足安全时间间隔,且各航班的着陆时间在其最早/最晚着陆时间范围内的前提下,着陆完成所需时间最短的最优序列,最后按照最优序列,对各航班进行调控,从而根据终端区的运行情况以及待着陆航班的相关信息,进行实时调度并快速地给出优化后的结果,实时的根据终端区的运行状况,对航班进行合理调控的目的。
附图说明
图1为本发明终端区流量调控方法实施例一的流程图;
图2为本发明终端区流量调控方法一实施例的动态调度示意图;
图3为本发明终端区流量调控方法实施例一中步骤2的分解示意图。
图4A为本发明终端区流量调控方法再一实施例的动态调度示意图;
图4B为本发明终端区流量调控方法又一实施例的动态调度示意图。
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,本领域技术人员在没有做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。
在繁忙终端区,由于各种不确定因素,如恶劣天气、临时加入航班、临时取消航班等的影响,航班的飞行计划不断的发生变化,导致工作人员无法提前预知进入终端区的所有航班的信息,仅凭当前的情况作出判断。本发明实施例中,当前调度过程中,对于那些马上就要着陆的航班,若重新安排其着陆时间势必会带来安全问题,因此不考虑对其重新调度;而对于上一调度过程已经安排着陆时间、但仍然需要一定时间才会着陆的航班,以及当前调度过程中刚刚进入终端区的航班,可根据上一调度过程的信息等,对该些需要经过一段时间才会着陆的航班进行调度排序,使得该些航班在安全着陆的前提下,着陆完成所需时间最短,具体的,可参见图1。
图1为本发明终端区流量调控方法实施例一的流程图。本实施例的执行主体为终端区流量调控装置,适用于需要实时对终端区流量进行调控的场景。具体的,本实施例包括如下步骤:
步骤1、根据各航班预计到达时间的先后顺序,生成待调度序列,所述各航班为超过阈值时间着陆的航班。
一般来说,航班的到达时间不能早于其预计到达时间,即最早到达时间。为避免对马上就要着陆的航班进行调度带来的安全问题,可设置一阈值时间,将阈值时间内预计到达的航班作为马上就要着陆的航班,而将超过阈值时间到达的航班作为待调度航班。具体的,可参见图2,图2为本发明终端区流量调控方法一实施例的动态调度示意图。
如图2所示,时间延伸方向为箭头指向,竖直虚线的左边为已当前调度时刻为参考点,已经被安排着陆、且阈值时间内预计到达的航班,出于安全考虑,不对其进行调度;而竖直虚线右边的航班包括两部分,其中一部分为新进入的航班(如最右边的小虚线框所示),剩余部分为上一调度过程已经安排着陆时间、但仍然需要一定时间才会着陆的航班。本发明实施例中,主要是针对竖直序列右边的两部分航班的调度。
本步骤中,假设航班着陆前1分钟,对其调度会带来安全问题,则可将阈值时间设置为1分钟。对于1分钟内着陆的航班,不对其进行调度,而对于超过1分钟着陆的航班,可对其进行调度。具体的,对于超过阈值时间到达的航班,可根据预计到达时间的先后顺序生成一个待调度序列。例如,超过1分钟到达的航班有5架,编号依次为1、2、3、4、5,其预计到达时间依次为90s、310s、380s,140s、200s、则可以得到待调度序列为{1,4,5,2,3}。
步骤2、对所述待调度序列进行优化,得到最优序列,所述最优序列为使得所述各航班在安全着陆前提下,着陆完成所需时间最短的序列。
本步骤中,对于待调度序列进行一系列优化,最终得到一个最优序列。使得各航班按照该最优序列着陆时,各航班在安全着陆前提下,着陆完成所需时间最短的序列。
步骤3、按照所述最优序列,对所述各航班进行调控。
在得到最优序列后,根据该最优序列对各航班进行调度,即使得各航班按照最优序列,依次着陆。
本发明实施例提供的终端区流量调控方法,根据各航班预计到达时间的先后顺序,生成待调度序列,然后对该待调度序列进行优化,得到使得各航班在保证陆时间间隔满足安全时间间隔,且各航班的着陆时间在其最早/最晚着陆时间范围内的前提下,着陆完成所需时间最短的最优序列,最后按照最优序列,对各航班进行调控,从而根据终端区的运行情况以及待着陆航班的相关信息,进行实时调度并快速地给出优化后的结果,实时的根据终端区的运行状况,对航班进行合理调控的目的。
下面,对步骤2进行详细说明。具体的,可参见图3,图3为本发明终端区流量调控方法实施例一中步骤2的分解示意图。如图3所示,步骤2包括如下子步骤:
步骤2.1、初始化参数并建立概率分布模型,所述参数包括:扩展指数θ,种群规模M以及最大迭代次数。
本步骤中,初始化航班着陆动态模型的参数,该航班着陆动态模型的参数包括扩展指数θ,种群规模M以及最大迭代次数maxgen。
步骤2.2、根据所述待调度序列,生成第一种群,所述第一种群包括M个序列,所述M个序列为对所述待调度序列中的所有航班重新排列得到的序列,迭代次数=0;
本步骤中,根据步骤2.1中,对超过阈值时间预计到达的航班排序得到的待调度序列,生成第一种群。该第一种群包括M个随机生成的序列,各序列为对待调度序列中的所有航班重新排序得到,各序列为一种可能的航班着陆序列。可选的,第一种群包括的M个序列中的任一序列S,该序列S采用实数编码:S=[s1,s2,…,sN],其中,N为航班的数目,si为位于所述序列S的第i个位置上着陆的航班的实数编码序号,1≤i≤N。此时,当前迭代次数为0。
步骤2.3、根据所述M个序列,确定所述第一种群的中心排列σ0。
本步骤中,根据步骤2.2中生成的第一种群包括的全部序列,即M个序列,获取中心排列σ0。也即是说,中心排序σ0根据第一种群中的所有序列确定出。
具体的,首先,根据第一种群中全部序列,计算序列中每一位的平均值,例如,假设5架飞机的实数编码序号分别为1~5,第一种群包括序列1:{2,3,4,5,1}与序列2:{2,1,3,4,5},则每一位的平均值为2、2、3.5、4.5、3。该过程中,若有两位的平均数相同,则随机安排这两位的先后顺序。其次,将的值设定为其中最小值的位置,的值设定为其中第二小的值的位置,以此类推,来确定σ0的全部取值。
步骤2.4、根据所述中心排列σ0与所述扩展指数θ建立概率分布模型,根据所述概率分布模型,对所述中心排列σ0随机采样,生成(1-p)×M个序列;根据启发式搜索,生成p×M个序列,其中,p为比例因子,小于0<p<1。
首先,对如何建立概率分布模型进行说明。
具体的,根据锦葵模型(Mallows Model)和肯德尔距离(Kendall-tau Distance),建立针对排序问题的EAD算法框架。其中,Mallows Model是一个以序列间“距离”为基础的指数分布概率模型。具体的,可根据一个“中心排列”序列σ0和一个预先设定的扩展指数θ,定义一个概率分布模型,即其中,d为两个序列之间的Kendall-tau距离,σ为待生成的序列,对于两个序列σ1和σ2,定义两者之间的Kendall-tau距离为:即将其中一个序列转化为另一个序列所需的最少邻位变换次数;P()为所述概率分布模型;σ为所述M个序列的序列间距,ψ(θ)为归一化常数,该归一化常数
接着,获取新的序列个体。
具体的,在确定中心排列σ0与概率分布模型之后,便可以得新的序列个体,可通过两种方式获得新个体:
方式一、根据概率分布模型,对中心排列σ0随机采样,生成(1-p)×M个序列,其中,p为比例因子,小于0<p<1。
具体的,根据概率分布模型,确定所需生成的序列的距离d的值,然后随机生成一个与中心排列σ0距离为d的新序列,即对σ0做d次不重复的邻位变换操作,变换的位置随机进行选择,以这种方式便可随机采样生成与中心排列σ0距离为d的新序列。
方式二、根据启发式搜索,生成p×M个序列。
需要说明的是,该启发式搜索被设置于当且仅当产生新的序列时、以及由于新航班的加入导致第一种群重新配置时生效。
通过方式一与方式二,将分布估计算法(EDA)的算法框架与一种局部搜索相结合,得到一种动态调控的方法。该方法中,由于每次求解最优序列时,仅仅已知整个航班序列的部分航班的信息,即对于一个具体的调度过程来说,只考虑上一个调度过程中仍然需要一段时间才能着陆的航班,以及本调度过程中进入终端区的新航班,因此必须充分考虑航班之间的相互关系,从而得到更好的结果,达到具备动态求解能力的同时,使最终得到的最优序列的质量尽可能接近于已知全局信息情况下得到的序列的质量。
步骤2.5、将所述(1-p)×M个序列、所述p×M个序列加入所述第一种群,使得所述第一种群包括2M个序列。
步骤2.6、从所述2M个序列中,根据适应度函数确定出适应度依次降低的M个序列,所述迭代次数+1,将所述步骤2.3中的M个序列,更新为所述适应度依次降低的M个序列。
本步骤中,从第一种群包括的2M个序列中,选出质量高的M个序列,并用该M个质量高的序列,替换步骤2.3中的M个序列,其中,质量高的M个序列即为2M个序列中,除了不满足约束条件的序列外,适应度值相对较高的M个序列,约束条件为:各航班在安全着陆前提下,着陆完成所需时间最短,之后,迭代次数加1。
在实际应用中,航班的着陆时间并不能被随意安排,还需要考虑一些约束条件。具体的,该步骤2.6中,根据适应度函数确定出适应度依次降低的M个序列,包括:
步骤2.61、从所述2M个序列中,删除不满足约束条件的序列,其中,约束条件包括下述条件1与条件2:
条件1、对于所述各航班中的任意一个航班i,所述航班i的指定着陆时间介于所述航班i的预计到达时间与最晚着陆时间之间,
具体的,每架航班的着陆时间应落在一个特定的时间范围内,航班的最早着陆时间应为其预计到达时间,最晚到达时间即为航班的燃料耗尽时间。因此,令航班i的指定着陆时间为PLT(i),预计到达时间为ALT(i),最晚到达时间为Li,则PLT(i)≤ALT(i)≤L(i),i=1,…,N,其中,N为航班数目。
条件2、所述各航班着陆时,依次着陆的航班之间需满足最小安全间隔。
具体的,相邻着陆的航班需满足最小安全间隔,安全间隔的标准与前后航班的机型相关。一个常见的标准如表1所示:
表1
(1)波音747;(2)波音727;(3)波音707;(4)Mc Donnel Douglas DC9.
LTI(i,j)表示前机为航班i,后机为航班j依次着陆所需的最小安全间隔。该约束可表示为:ALT(∏(i+1))-ALT(∏(i))≥δi,i+1,i=2,…,N。对于一个特定序列∏,∏(i)表示其中第i架航班的航班序号,δi,i+1表示序列中第i和第i+1架航班之间的最小安全间隔。由此可知,航班着陆次序的改变将会显著地影响航班着陆的时间,因此航班着陆调度问题的优化主要是利用此约束的特点来进行。对于航班i,其指定着陆时间可根据如下公式计算得到:
根据上述公式可知:当航班i为序列中第一架着陆的航班时,其指定着陆时间即为其最早到达时间,而当航班i为序列中第一架之外的其他航班时,其指定着陆时间需要考虑安全距离。
假设表1中的所有航班都为超过阈值时间着陆的航班,则根据表1可知,类型1的航班由于与其他类型的航班的最小安全间隔较大,因此比较适合最后着陆,即安排在序列的尾部;类型4的航班更适合安排在序列前端优先调度;类型2和3的航班比较适合于安排于序列中部,且类型2更适合于安排在类型3之前。因此,先将同机型的航班按预计到达时间的顺序排列在一起,再按照类型4-2-3-1的顺序将全部航班排列起来,便得到了一个初步的序列。之后,利用上述的指定着陆时间计算公式来计算此序列中所有航班的指定着陆时间。
一般来说,由于不允许航班提前着陆,部分航班可能会存在“空中等待”的情况,这将会使得着陆完成时间大幅度延长。因此需要对该序列进行微调:当序列中相邻两架航班的间隔大于所需的最小安全间隔时,在被安排在这两架航班之后着陆的航班中,选择一架插入到这两架航班的中间。需要注意的是,被选择航班的预计到达时间(PLT),必须介于该两架航班的指定着陆时间(ALT)之间,如图4A所示,图4A为本发明终端区流量调控方法再一实施例的动态调度示意图。根据图4A可知:当航班i与航班i+1之间的间隔大于最小安全间隔,即ALT(∏(i+1))-ALT(∏(i))>δi,i+1,并且PLT(∏(j))<ALT(∏(i+1))时,可以考虑将航班j调入航班i与航班i+1之间。
另外,由于最早/晚着陆时间的约束限制,一些航班可能并不满足约束要求,因此还需要对这些航班的位置进行进一步调整。一般来说,当同类型的航班以成组的方式被安排着陆时,最终解的质量较高。因此,对于一架不满足最早/晚着陆时间约束(条件1)的航班j,从该航班开始向序列前端寻找与其机型相同的另一架航班i,并将航班j安排在紧随航班i之后着陆,如图4B所示,图4B为本发明终端区流量调控方法又一实施例的动态调度示意图。根据图4B可知:当航班j不满足约束条件1时,可将其安排与航班j同一类型的航班i之后,也就是说,当ALT(∏(j))>L(∏(j))、并且航班i与航班j的类型相同(即Type(∏(j))=Type(∏(i)))时,可将航班j安排在航班i之后。
由此可知:上述步骤2.4的方式二中,在每次启发式搜索操作中,以图4A与图4B对应的调整将持续进行,直到任意相邻航班之间的安全间隔都不大于所需的最小安全间隔,或者是没有航班需要更改其在序列中的位置为止。
步骤2.62、根据所述适应度函数,确定序列X的适应度,所述序列X为从所述2M个序列中删除不满足所述约束条件的序列后,剩余序列中的任意一个。
可选的,步骤2.6中,所述适应度函数为:
T=max[ALT(1),…ALT(N)],其中,ALT(i)表示航班i的指定着陆时间,该函数表示序列中最后着陆航班的指定着陆时间,即全部航班着陆的完成时间。
步骤2.63、根据所述序列X的适应度,从所述剩余序列中确定出所述适应度依次降低的M个序列。
步骤2.7、确定所述迭代次数是否等于所述最大迭代次数,若是,则执行步骤2.8;否则,执行步骤2.3。
本步骤中,若还未达到最大迭代次数,则返回执行步骤2.3;否则,将该M个适应度依次降低的序列中,适应度最高的序列作为最优解输出并执行步骤2.8。
步骤2.8、确定是否有新航班进入终端区,若是,则执行步骤2.9;否则,执行步骤2.10。
步骤2.9、更新所述第一种群中的M个序列,执行步骤2.3。
本步骤中,更新所述第一种群中的M个序列,具体为:
步骤2.91、删除序列Y中已经或即将安排着陆的航班,所述序列Y为所述M个序列中的任一序列Y;
步骤2.92、将所述新航班加入所述序列Y的尾部。
步骤2.10、将所述适应度依次降低的M个序列中适应度最高的序列,作为所述最优序列输出。
本步骤中,当没有航班需要调度时,输出航班调度的结果,并将算法挂起直到再次有新航班到达。
下面,用一个具体的实施例对本发明终端区流量调控方法进行详细说明。
本实施例中,航班数N=5,航班序号Num={1,2,3,4,5},航班类型Cat={4,3,1,1,2},航班预计到达时间为PLT={35,142,307,328,362},终端区流量调控包括如下步骤:
步骤a、初始化参数:设定扩展指数θ=0.1,种群规模M=10,最大迭代次数max gen=5。
根据Mallows Model,序列间的最小距离为0,最大距离为5*(5-1)/2=10,可以得到不同距离序列的概率分布模型,即P(0)=0.1426,P(1)=0.1291,P(2)=0.1168,P(3)=0.1057,P(4)=0.0956,P(5)=0.0865,P(6)=0.0783,P(7)=0.0708,P(8)=0.0641,P(9)=0.0580,P(10)=0.0525。
步骤b、生成第一种群。
本步骤中,生成第一种群,即随机生成M=10个序列个体,每个个体为1-5的一种排列方式,例如:m1={1,3,5,2,4},m2={3,5,4,2,1},m3={4,1,2,3,5},m4={1,4,3,5,2},m5={3,5,2,1,4},m6={1,5,2,4,3},m7={4,1,2,5,3},m8={3,2,4,5,1},m9={1,3,4,5,2},m10={1,2,3,4,5},设定gen=0。
步骤c、获取第一种群的中心排列σ0={1,5,2,3,4}。
令比例因子p=0.2,即根据概率分布模型随机采样生成(1-0.2)×10=8个序列个体,即n1={1,2,5,3,4},n2={2,5,4,1,3},n3={2,5,3,1,4},n4={1,5,3,2,4},n5={1,5,2,3,4},n6={2,5,1,3,4},n7={5,1,3,4,2},n8={2,5,4,3,1};根据航班类型4-2-3-1的顺序,用启发式搜索方式生成0.2×10=2个个体,即n9=n10={1,5,2,3,4}。
步骤d、计算m1-m10和n1-n10的可行度及适应度值,并取其中适应度最高的10个个体作为更新后的种群,gen=gen+1。
步骤e、当gen<5时,返回到步骤c;否则,输出当前最优序列,即opt={1,2,5,3,4},各航班的指定着陆时间为ALT={35,142,362,434,530}。
本发明根据机场终端区的运行情况,在保证安全的前提下优化了各航班的着陆时间,从而实现全部航班着陆的完成时间最小。利用本发明提供的航班着陆动态调度方法能够快速有效地得到高质量调度结果,体现了该方法在求解航班着陆动态调度问题上的有效性和实时性。
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 (5)
1.一种终端区流量调控方法,其特征在于,包括:
步骤1、根据各航班预计到达时间的先后顺序,生成待调度序列,所述各航班为超过阈值时间着陆的航班;
步骤2、对所述待调度序列进行优化,得到最优序列,所述最优序列为使得所述各航班在安全着陆前提下,着陆完成所需时间最短的序列;
步骤3、按照所述最优序列,对所述各航班进行调控;
所述步骤2包括:
步骤2.1、初始化参数,所述参数包括:扩展指数θ,种群规模M以及最大迭代次数;
步骤2.2、根据所述待调度序列,生成第一种群,所述第一种群包括M个序列,所述M个序列为对所述待调度序列中的所有航班重新排列得到的序列,迭代次数=0;
步骤2.3、根据所述M个序列,确定所述第一种群的中心排列σ0;
步骤2.4、根据所述中心排列σ0与所述扩展指数θ建立概率分布模型,根据所述概率分布模型,对所述中心排列σ0随机采样,生成(1-p)×M个序列,根据启发式搜索,生成p×M个序列,其中,p为比例因子,小于0<p<1;
概率分布模型具体为:其中,P()为所述概率分布模型,d为所述M个序列中两个序列之间的序列间距,ψ(θ)为归一化常数,σ为待生成的序列;
步骤2.5、将所述(1-p)×M个序列、所述p×M个序列加入所述第一种群,使得所述第一种群包括2M个序列;
步骤2.6、从所述2M个序列中,根据适应度函数确定出适应度依次降低的M个序列,所述迭代次数+1,将所述步骤2.3中的M个序列,更新为所述适应度依次降低的M个序列;
适应度函数为:T=max[ALT(1),...ALT(N)],其中,ALT(i)表示航班i的指定着陆时间;
步骤2.7、确定所述迭代次数是否等于所述最大迭代次数,若是,则执行步骤2.8;否则,执行步骤2.3;
步骤2.8、确定是否有新航班进入终端区,若是,则执行步骤2.9;否则,执行步骤2.10;
步骤2.9、更新所述第一种群中的M个序列,执行步骤2.3;
步骤2.10、将所述适应度依次降低的M个序列中适应度最高的序列,作为所述最优序列输出。
2.根据权利要求1所述的方法,其特征在于,所述步骤2.6中,根据适应度函数确定出适应度依次降低的M个序列,包括:
步骤2.61、从所述2M个序列中,删除不满足约束条件的序列,其中,约束条件包括下述条件1与条件2:
条件1、对于所述各航班中的任意一个航班i,所述航班i的指定着陆时间介于所述航班i的预计到达时间与最晚着陆时间之间;
条件2、所述各航班着陆时,依次着陆的航班之间需满足最小安全间隔;
步骤2.62、根据所述适应度函数,确定序列X的适应度,所述序列X为从所述2M个序列中删除不满足所述约束条件的序列后,剩余序列中的任意一个;
步骤2.63、根据所述序列X的适应度,从所述剩余序列中确定出所述适应度依次降低的M个序列。
3.根据权利要求1所述的方法,其特征在于,所述步骤2.2中,所述第一种群包括的M个序列中的任一序列S,所述序列S采用实数编码:
S=[s1,s2,...,sN],其中,N为航班的数目,si为位于所述序列S的第i个位置上着陆的航班的实数编码序号,1≤i≤N。
4.根据权利要求1所述的方法,其特征在于,所述步骤2.9中,更新所述第一种群中的M个序列,包括:
步骤2.91、删除序列Y中已经或即将安排着陆的航班,所述序列Y为所述M个序列中的任一序列Y;
步骤2.92、将所述新航班加入所述序列Y的尾部。
5.根据权利要求1~4任一项所述的方法,其特征在于,所述步骤1中,所述超过阈值时间着陆的航班包括:刚进入终端区的航班,和/或,本次调控之前,已经经过优化但还未被安排着陆的航班。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510690036.1A CN105355091B (zh) | 2015-10-22 | 2015-10-22 | 终端区流量调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510690036.1A CN105355091B (zh) | 2015-10-22 | 2015-10-22 | 终端区流量调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105355091A CN105355091A (zh) | 2016-02-24 |
CN105355091B true CN105355091B (zh) | 2017-11-24 |
Family
ID=55331055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510690036.1A Active CN105355091B (zh) | 2015-10-22 | 2015-10-22 | 终端区流量调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105355091B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460994B (zh) * | 2018-01-23 | 2021-10-08 | 广州市中南民航空管通信网络科技有限公司 | 一种航班流控排序方法、电子设备及存储介质 |
CN109583627B (zh) * | 2018-10-31 | 2020-09-29 | 北京航空航天大学 | 飞机着陆排队优化方法及装置 |
CN109544998B (zh) * | 2018-12-27 | 2020-08-04 | 中国电子科技集团公司第二十八研究所 | 一种基于分布估计算法的航班时隙分配多目标优化方法 |
CN110060514B (zh) * | 2019-03-29 | 2021-11-02 | 江汉大学 | 航班调度方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1768361A (zh) * | 2003-03-27 | 2006-05-03 | 英国电讯有限公司 | 着陆飞行器排序方法 |
CN101477642A (zh) * | 2008-12-31 | 2009-07-08 | 中山大学 | 基于蚁群算法的飞机进港调度方法 |
CN101582204A (zh) * | 2009-06-10 | 2009-11-18 | 中国科学技术大学 | 降落航班调度优化方法 |
CN102621528A (zh) * | 2012-04-07 | 2012-08-01 | 西安电子科技大学 | 基于改进遗传算法的m-序列雷达信号波形优化方法 |
CN102930342A (zh) * | 2012-09-10 | 2013-02-13 | 南京航空航天大学 | 一种多跑道进离场航班时隙协同分配的多目标优化方法 |
CN103426331A (zh) * | 2013-08-22 | 2013-12-04 | 南京莱斯信息技术股份有限公司 | 多机场协同放行系统航班排序决策方法 |
CN104537897A (zh) * | 2014-12-23 | 2015-04-22 | 北京航空航天大学 | 双跑道航班着陆实时调度方法 |
CN104732807A (zh) * | 2015-03-25 | 2015-06-24 | 北京航空航天大学 | 繁忙终端区流量调控方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9052375B2 (en) * | 2009-09-10 | 2015-06-09 | The Boeing Company | Method for validating aircraft traffic control data |
US9082300B2 (en) * | 2012-05-22 | 2015-07-14 | William F Scott | Defined interval (DI) risk based air traffic control separation |
US10269251B2 (en) * | 2012-07-13 | 2019-04-23 | The Boeing Company | Generalized arrival planning |
-
2015
- 2015-10-22 CN CN201510690036.1A patent/CN105355091B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1768361A (zh) * | 2003-03-27 | 2006-05-03 | 英国电讯有限公司 | 着陆飞行器排序方法 |
CN101477642A (zh) * | 2008-12-31 | 2009-07-08 | 中山大学 | 基于蚁群算法的飞机进港调度方法 |
CN101582204A (zh) * | 2009-06-10 | 2009-11-18 | 中国科学技术大学 | 降落航班调度优化方法 |
CN102621528A (zh) * | 2012-04-07 | 2012-08-01 | 西安电子科技大学 | 基于改进遗传算法的m-序列雷达信号波形优化方法 |
CN102930342A (zh) * | 2012-09-10 | 2013-02-13 | 南京航空航天大学 | 一种多跑道进离场航班时隙协同分配的多目标优化方法 |
CN103426331A (zh) * | 2013-08-22 | 2013-12-04 | 南京莱斯信息技术股份有限公司 | 多机场协同放行系统航班排序决策方法 |
CN104537897A (zh) * | 2014-12-23 | 2015-04-22 | 北京航空航天大学 | 双跑道航班着陆实时调度方法 |
CN104732807A (zh) * | 2015-03-25 | 2015-06-24 | 北京航空航天大学 | 繁忙终端区流量调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105355091A (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105355091B (zh) | 终端区流量调控方法 | |
Chavan et al. | Vision transformer slimming: Multi-dimension searching in continuous optimization space | |
CN108334496A (zh) | 用于特定领域的人机对话理解方法与系统及相关设备 | |
CN106297414B (zh) | 航班流量的调控方法和装置 | |
CN103810999A (zh) | 基于分布式神经网络的语言模型训练方法及其系统 | |
CN108717406A (zh) | 文本情绪分析方法、装置及存储介质 | |
US10102481B2 (en) | Hybrid active learning for non-stationary streaming data with asynchronous labeling | |
CN107239335A (zh) | 分布式系统的作业调度系统及方法 | |
CN105225003A (zh) | 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法 | |
CN113643571B (zh) | 一种基于航班正常性目标的空域网络优化方法 | |
CN109840610A (zh) | 不正常航班飞机路径与旅客行程自动恢复系统及方法 | |
CN106445915A (zh) | 一种新词发现方法及装置 | |
CN109271516A (zh) | 一种知识图谱中实体类型分类方法及系统 | |
CN110443448A (zh) | 一种基于双向lstm的飞机机位分类预测方法和系统 | |
CN103246938A (zh) | 基于自适应蚁群优化的弹性车间调度技术 | |
Yang et al. | Love thy neighbor: V-formation as a problem of model predictive control | |
CN105469114A (zh) | 一种提高K-means收敛速度的方法 | |
CN106844342A (zh) | 基于增量学习的词向量生成方法和装置 | |
CN117196169A (zh) | 一种基于深度强化学习的机位调度方法 | |
CN113205220A (zh) | 一种面向实时订单数据的无人机物流配送全局规划方法 | |
CN109543175A (zh) | 一种查找同义词的方法及装置 | |
US20230334994A1 (en) | Multi-Objective Collaborative Optimization Approach for Large- Scale Air Traffic Management | |
Cao et al. | Airport Flight departure delay model on improved BN structure learning | |
Chenyang et al. | Improved simulated annealing algorithm for flexible job shop scheduling problems | |
McEnteggart et al. | A multiobjective trajectory optimisation method for planning environmentally efficient trajectories |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |