CN105390030A - 飞行流量调控方法及系统 - Google Patents

Abstract

本发明实施例提供一种飞行流量调控方法及系统，包括：生成包括多条染色体的N个种群，每条染色体包括每个航班的起飞时刻和飞行路径，然后将每条染色体分解为多条子染色体并进行种群内的交叉、变异处理，再将每个种群中的进化后的多条子染色体合并为进化后的多条染色体，最后根据进化后的多条染色体以及空域容量信息求得每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集，通过该解集对目标解集进行更新，当进化结束后在目标解集中选取目标解，并按照目标解所对应的染色体中的起飞时刻和飞行路径对航班进行调控。从而实现了根据空域容量的动态变化对飞行流量进行动态调整的目标。

Description

飞行流量调控方法及系统

技术领域

本发明实施例涉及航空管理，尤其涉及一种飞行流量调控方法及系统。

背景技术

我国经济的快速增长带动了我国航空运输业的发展，进入二十一世纪之后，我国每年的航班数量直线上升，由此带来的空域拥挤问题日益严重。尤其是在北京、上海和广州等经济发达的城市，航班延误非常严重，这不仅给乘客带来了严重的经济损失，也给航空公司带来了很大负面的影响。另外，空域的拥挤严重威胁着航班的飞行安全，安全事故的发生阻碍了航空运输业的进一步发展。空中交通流量管理是解决空中交通拥挤最为有效和经济的手段，通过改变飞机的起飞时间和飞行路径达到流量调控的目的，从而降低空中交通拥挤度，提高空域的利用率。

空中交通流量调控最初局限于局部区域的管理，主要是对终端区和机场飞机起降的重新排序，从而暂时缓解局部区域的拥挤问题。但是，随着飞行流量的进一步增长，这种方法带来的波及效应影响了其他区域的飞行安排。因此，现有的空中交通流量调控方法，无法实现整个空域的全局管理，除此之外此外，该方法也更无法针对飞机的机型，以及空域中雷雨、大风、暴雪等恶劣天气的影响，甚至遇到军事演练需要对某块儿空域临时关闭的情况。因此，如何根据上述各种情况导致的空域容量的动态变化对飞行流量进行调整是当前亟需解决的问题。

发明内容

本发明实施例提供一种飞行流量调控方法及系统，能够根据空域容量的动态变化对飞行流量进行动态调整。

一方面，本发明实施例提供一种飞行流量调控方法，所述方法包括：

(a)根据航班信息数据库中的航班信息进行初始化，生成N个种群，每个种群中包括多条染色体，其中，每条染色体包括每个航班的起飞时刻和飞行路径；所述航班信息包括每个航班的可选起飞时刻集合、可选飞行路径集合，每条染色体中包含的每个航班的起飞时刻和飞行路径是在所述可选起飞时刻集合和所述可选飞行路径集合中随机选取的；

(b)分别将所述N个种群中的每条染色体分解为多条子染色体；

(c)分别对每个种群中的多条子染色体进行种群内的交叉和变异处理，得到每个种群的多个进化后的子染色体；

(d)分别将每个种群的多个进化后的子染色体进行种群内的合并，得到进化后的所述N个种群，每个进化后的种群包括多条进化后的染色体；

(e)根据进化后的所述N个种群中的多条进化后的染色体以及空域容量信息数据库中的空域容量信息，获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集，所述解集中的每个解包括空中交通拥挤度目标函数值和航班延误时间目标函数值；

(f)根据每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集对目标解集进行更新；

(g)判断所述N个种群中是否进化结束，若所述N个种群进化结束，则在所述目标解集选取目标解，并按照所述目标解对应的染色体中每个航班的起飞时刻和飞行路径对每个航班进行调控；若所述N个种群进化未结束，则再次执行步骤(b)至(g)。

另一方面，本发明实施例提供一种飞行流量调控系统，所述系统包括：

初始化单元，用于执行(a)根据航班信息数据库中的航班信息进行初始化，生成N个种群，每个种群中包括多条染色体，其中，每条染色体包括每个航班的起飞时刻和飞行路径；所述航班信息包括每个航班的可选起飞时刻集合、可选飞行路径集合，每条染色体中包含的每个航班的起飞时刻和飞行路径是在所述可选起飞时刻集合和所述可选飞行路径集合中随机选取的；

分解单元，用于执行(b)分别将所述N个种群中的每条染色体分解为多条子染色体；

交叉变异单元，用于执行(c)分别对每个种群中的多条子染色体进行种群内的交叉和变异处理，得到每个种群的多个进化后的子染色体；

合并单元，用于(d)分别将每个种群的多个进化后的子染色体进行种群内的合并，得到进化后的所述N个种群，每个进化后的种群包括多条进化后的染色体；

结果获取单元，用于执行(e)根据进化后的所述N个种群中的多条进化后的染色体以及空域容量信息数据库中的空域容量信息，获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集，所述解集中的每个解包括空中交通拥挤度目标函数值和航班延误时间目标函数值；

更新单元，用于执行(f)根据每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集对目标解集进行更新；

判断单元，用于执行(g)判断所述N个种群中是否进化结束，若所述N个种群进化结束，则在所述目标解集选取目标解，并按照所述目标解所对应的染色体中每个航班的起飞时刻和飞行路径对每个航班进行调控；若所述N个种群进化未结束，则再次执行步骤(b)至(g)。

本发明实施例提供一种飞行流量调控方法及系统，首先根据航班信息生成包括多条染色体的N个种群，每条染色体包括每个航班的起飞时刻和飞行路径，然后将每条染色体分解为多条子染色体并进行种群内的交叉、变异处理，再将每个种群中进化后的多条子染色体合并为进化后的多条染色体，再根据进化后的多条染色体以及空域容量信息获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数解集，解集中的每个解都包括空中交通拥挤度目标函数值和航班延误时间目标函数值，然后根据该解集获取每个种群的非支配解集，再根据每个种群的非支配解集对目标解集进行更新，若进化结束则在目标解集中选取目标解，并按照目标解所对应的染色体中的起飞时刻和飞行路径对航班进行调控，若进化未结束，则再次执行上述过程。由此可以看出，本发明实施例是根据航班信息构建了多条染色体，每条染色体包括全部航班的一种可能的起飞时刻和飞行路径，由于当全部航班的起飞时刻和飞行路径确定后，空域中各个扇区的流量也就确定了，而空域容量信息提供了各个扇区的监视负荷阈值和协调负荷阈值，这些阈值的大小是与天气以及一些其他突发情况相关的。因此同时根据各个种群的进化后的多条染色体以及空域容量信息计算空中交通拥挤度目标函数和航班延误时间目标函数，就能够得到全部航班的多种起飞时刻和飞行路径组合在不同天气情况(或突发情况)下所对应的空中交通拥挤度和航班延误时间，从而能够选取最理想的空中交通拥挤度和航班延误时间所对应的那一组起飞时刻和飞行路径，并以此来调整各个航班的起飞时刻和飞行路径，从而实现了根据空域容量的动态变化对飞行流量进行动态调整。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例提供的飞行流量调控方法的流程示意图；

图2为本发明实施例提供的飞行流量调控方法的另一流程示意图；

图3为本发明实施例提供的染色体结构示意图；

图4为本发明实施例提供的染色体协同进化的示意图；

图5为本发明实施例提供的空域中扇区的划分示意图；

图6为本发明实施例提供的飞行流量调控方法的效果示意图；

图7为本发明实施例提供的飞行流量调控方法的又一流程示意图；

图8为本发明实施例提供的飞行流量调控系统的结构示意图；

图9为本发明实施例提供的飞行流量调控系统的另一结构示意图；

图10为本发明实施例提供的飞行流量调控系统的结果获取单元的结构示意图；

图11为本发明实施例提供的飞行流量调控系统的交叉变异单元的结构示意图。

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。

在对本发明的具体实施方式进行说明之前，先就航空领域的一些概念进行解释：

航路：由国家统一划定的具有一定宽度的空中通道。有较完善的通信、导航设备，宽度通常为20Km。划定航路的目的是维护空中交通秩序，提高空间利用率，保证飞行安全。

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。

空域：空域就是飞行所占用的空间。通常以明显地标或导航台为标志。空域同领土、领海一样，是国家的主权范围，也是重要的军用及民航资源。为了便于地面管制员对于飞行流量的管理，空域通常被划分为多个扇区，每个扇区可容纳的飞行流量与扇区的大小、天气情况、管制员数量以及导航设备有关。

客机机型：客机按起飞重量与载客量分为小型、中型、大型客机，不同国家划分的标准也不相同，我国民航总局是按飞机客座数划分大、中、小型飞机的，飞机的客座数在100座以下的为小型机(用S表示)，100-200座之间为中型机(用M表示)，200座以上为大型机(用B表示)。

本发明实施例提供一种飞行流量调控方法，如图1所示，该方法包括：

S101、根据航班信息数据库中的航班信息进行初始化，生成N个种群，每个种群中包括多条染色体，其中，每条染色体包括每个航班的起飞时刻和飞行路径。

航班信息包括每个航班的可选起飞时刻集合、可选飞行路径集合，每条染色体中包含的每个航班的起飞时刻和飞行路径是在可选起飞时刻集合和可选飞行路径集合中随机选取的。

S102、分别将N个种群中的每条染色体分解为多条子染色体。

S103、分别对每个种群中的多条子染色体进行种群内的交叉和变异处理，得到每个种群的多个进化后的子染色体。

S104、分别将每个种群的多个进化后的子染色体进行种群内的合并，得到进化后的N个种群，每个进化后的种群包括多条进化后的染色体。

S105、根据进化后的N个种群中的多条进化后的染色体以及空域容量信息数据库中的空域容量信息，获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集，解集中的每个解包括空中交通拥挤度目标函数值和航班延误时间目标函数值。

S106、根据每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集对目标解集进行更新。

S107、判断N个种群中是否进化结束，若N个种群进化结束，则在目标解集选取目标解，并按照目标解对应的染色体中每个航班的起飞时刻和飞行路径对每个航班进行调控；若N个种群进化未结束，则再次执行步骤S102至S107。

综上所述，本发明实施例提供的飞行流量调控方法，通过根据航班信息构建多条染色体，每条染色体包括全部航班的一种可能的起飞时刻和飞行路径，由于当全部航班的起飞时刻和飞行路径确定后，空域中各个扇区的流量也就确定了，而空域容量信息提供了各个扇区的监视负荷阈值和协调负荷阈值，这些阈值的大小是与天气以及一些其他突发情况相关的。因此同时根据各个种群的进化后的多条染色体以及空域容量信息计算空中交通拥挤度目标函数和航班延误时间目标函数，就能够得到全部航班的多种起飞时刻和飞行路径组合在不同天气情况(或突发情况)下所对应的空中交通拥挤度和航班延误时间，从而能够选取最理想的空中交通拥挤度和航班延误时间所对应的那一组起飞时刻和飞行路径，并以此来调整各个航班的起飞时刻和飞行路径，通过改变飞机的起飞时刻或飞行路径，使其提前或延后进入某一扇区，从而达到降低该扇区拥挤度的效果，从而实现了根据空域容量的动态变化对飞行流量进行动态调整。

为了使本领域技术人员能够更清楚地理解本发明实施例提供的技术方案，下面通过具体的实施例，对本发明的实施例提供的飞行流量调控方法进行详细说明，如图2所示，本发明的实施例提供的飞行流量调控方法包括：

S201、根据航班信息数据库中的航班信息进行初始化，生成N个种群，每个种群中包括多条染色体。

具体的，航班信息包括每个航班的可选起飞时刻集合、可选飞行路径集合以及航班机型。在初始化时，从每个航班的可选起飞时刻集合、可选飞行路径集合中随机选取每一个航班的一个起飞时刻和一条飞行路径组成一条染色体。因此，可以将每条染色体看成是全部航班的起飞时刻和飞行路径的一种组合，N个种群中的多条染色体就是全部航班的起飞时刻和飞行路径的多种组合。其中，可以假设所有航班的飞行速度相同，并在飞行过程中速度保持不变。

其中，每个航班的可选起飞时刻集合中的起飞时刻，以及可选飞行路径集合中的每条路径的选取都是有严格的约束条件的。首先，考虑应该到旅客对飞行的满意度，因此任何航班的延误都应该有一个最大值，所以航班起飞的可选起飞时刻集合应该是一个有限元素的集合。其次，出于航空公司经济利益的考虑，任何航班的备选飞行路径都不能比初始路径远太多，而且飞行路径必须沿着航路点飞，因此航班的可选飞行路径集合也是一个有限元素的集合。并且，同一个起止点之间的航班可选路径的集合是一样的。

因此，每个航班都可以包括一组变量(δ_i,r_i)，其中，δ_i表示飞机起飞延误的时间，r_i表示重新选择的飞行路径，δ_i和r_i的可选集合可以分别表示为：

Δ＝0,1,...,δ_p-1,δ_p

R＝r₀,r₁,r₂,...,r_max

其中，δ_p表示飞机可以延误的最大时间，r₀表示最优路径，r_max表示最差路径。这里为了方便计算，航班的起飞时刻实际是用航班的起飞时刻的延误时间来表示的，只需要将航班的原计划起飞时刻加上起飞时刻的延误时间就能够得到实际的可选起飞时刻集合。

除了上述约束条件外，航班的起飞时刻还受到航班之间的相互约束，这主要指连续航班的影响，连续航班是指一架飞机在完成一次航班任务后还要再次起飞完成另一次航班任务。两次航班之间必须留有充足的时间进行飞机安全检查、卫生打扫、机箱加油等工作。

例如，假设航班F_a的飞机是大型机，则两次航班之间的时间间隔记为T_B(对于小型机和中型机，连续航班之间的时间间隔分别记为T_S和T_M)，航班F_ab是航班F_a的后续航班，如果F_a在飞行途中花费的时间为T_a，起飞时刻集合Δ_a为：

Δ_a＝0,1,...,δ_a-1,δ_a

则航班F_ab的起飞时刻集合Δ_ab为T_a+T_B之后的某个时刻集合，对于小型机和中型机的原理与大型机相同，不再赘述。

示例性的，通过以下过程对初始化过程进行更为详细的说明，假设一共有N个航班，分别表示为航班1～N，假设航班1～N的可选起飞时刻集合可以分别为Δ₁,...,Δ_k,...,Δ_N，航班1～N的可选飞行路径集合可以分别为R₁,...,R_k,...,R_N，从Δ₁,...,Δ_k,...,Δ_N中的每一个集合中随机选取一个起飞时刻，并从R₁,...,R_k,...,R_N中的每一个集合中随机选取一个飞行路径，分别为航班1～N组成上述的变量(r_i,δ_i)，比如从航班1的Δ₁中选取起飞时刻δ₁，从航班1的R₁中选取飞行路径r₁，得到(r₁,δ₁)，从航班2的Δ₂中选取起飞时刻δ₂，从航班2的R₂中选取飞行路径r₂，得到(r₂,δ₂)，以此类推一直到得到(r_N,δ_N)，从而就得到了染色体(r₁,δ₁),...,(r_k,δ_k),...(r_N,δ_N)。上述过程以及染色体的结构可以如图3所示。

S202、分别将N个种群中的每条染色体分解为多条子染色体。

具体的，根据S201的描述，每个种群中都有多条染色体，每条染色体都包括了所有航班的一个起飞时刻和一个飞行路径。由于在后续计算空中交通拥挤度和航班延误时间之前需要对每个种群中的染色体进行交叉和变异处理，当航班数量很大时，染色体的长度非常长，此时直接对染色体进行进化是一个维度很高、规模很大的问题。如果直接在这么长的染色体上进行交叉和变异操作，进化的收敛速度将非常慢，很难得到满意的结果。

因此，为了减小计算量，加快收敛速度，可以采用协同进化的方法，协同进化就是先将问题分解为若干子问题，对每个子问题单独进行求解，子问题的解只是整个问题的部分解，通过子问题的解的合作就可以得到完整的解。在本实施例中，协同进化就是将每个种群中的每条染色体都分解成小的子染色体，然后对子染色体进行交叉和变异操作。

S203、分别对每个种群中的多条子染色体进行种群内的交叉和变异处理，得到进化后的N个种群的多条子染色体。

具体的，交叉处理包括：在一个种群中，选取两条子染色体，并按照交叉概率将所述两条子染色体中对应位置的元素进行交换。

变异处理包括：按照变异概率改变每个种群中染色体中的元素。

S204、分别将每个种群中的多条子染色体进行种群内的合并，得到进化后的N个种群的多条染色体。

具体的，将进化后的N个种群中的多条子染色体按照分解前的位置进行合并，得到进化后的N个种群的多条染色体。示例性的，S202～S204的过程可以如图4所示(图中航班k是航班1和N之间的任意一个航班)，图4中将一个完整的染色体分解为以r,δ,r为一组的子染色体，实际上，在分解时，同一个航班的r和δ不一定分在一组，分组是随机分的。图4所示只是其中一种可能，也可以是r,r,r或δ,δ,r等组合。并且，由于是对子染色体按照一定概率进行交叉、变异处理，因此最终得到的染色体中同一位置的δ或r与进化前相比可能发生了改变也可能没有变。上述S202～S204实际上是一种并行进化，多个种群同时进行进化，且由于染色体都不同，相当于每个种群都向不同的方向搜索，这样可以加快进化速度，在较短的时间内找出满意的结果。

S205、根据进化后的N个种群的多条染色体以及空域容量信息数据库中的空域容量信息，获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集。其中，解集中的每个解包括一空中交通拥挤度目标函数值和一航班延误时间目标函数值。

具体的，就是利用S202～S204进化后的染色体，和空域容量信息来计算空中交通拥挤度目标函数和航班延误时间目标函数的函数值，从而获取不同起飞时刻和不同飞行路径所对应的空中交通拥挤度和航班延误时间。

首先，需要确定目标函数：空中交通拥挤度可以借助扇区的概念来定量描述，中国的空域在逻辑上被分为若干个扇区，每个扇区的拥挤度可以根据该扇区内的飞行流量是否超出其容量来计算。示例性的，如图5所示为中国扇区的划分情况。另外，扇区的划分和扇区标号等信息可以从空域容量信息数据库中的空域容量信息中获知。

具体的，以扇区S_k为例，扇区S_k为全部扇区中的任意一个扇区，该扇区S_k在t时刻的拥挤度(或称为：负荷)主要包括两个部分：监视负荷和协调负荷

该可以通过以下拥挤度公式表示：

$W_{S_k}\left(t\right)=w\×W_{{\mathrm{moS}}_k}\left(t\right)+\mathrm{\ψ}\×W_{{\mathrm{coS}}_k}\left(t\right),w,\mathrm{\ψ}\∈\left[\mathrm{0,1}\right]$

其中，表示扇区S_k在t时刻的拥挤度，表示扇区S_k的监视负荷，表示扇区S_k的协调负荷，w、ψ分别表示所述监视负荷和所述协调负荷的权重。

其中，扇区S_k的监视负荷可以通过以下监视负荷公式表示：

$W_{{\mathrm{moS}}_k}\left(t\right)=\left\{\begin{array}{cc}(1+M_{S_k}\left(t\right)-C_{{\mathrm{mS}}_k}\left(t\right){)}^2-1& \mathrm{if}{M}_{S_k}\left(t\right)>C_{{\mathrm{mS}}_k}\left(t\right)\\ 0& \mathrm{else}\end{array}\right.$

其中，表示扇区S_k在t时刻的拥挤度，表示扇区S_k的监视流量，与t时刻通过扇区S_k的飞机数目的平方成正比，表示t时刻扇区S_k的监视负荷阈值，随天气的恶化而减小(可以是随天气的恶化而急剧减小)。

扇区S_k的协调负荷可以通过以下协调负荷公式表示：

$W_{{\mathrm{coS}}_k}\left(t\right)=\left\{\begin{array}{cc}(1+C_{S_k}\left(t\right)-C_{{\mathrm{cS}}_k}\left(t\right){)}^2-1& \mathrm{if}{C}_{S_k}\left(t\right)>C_{{\mathrm{cS}}_k}\left(t\right)\\ 0& \mathrm{else}\end{array}\right.$

其中，表示扇区S_k的协调负荷，表示扇区S_k的协调流量，与t时刻穿越扇区S_k边界的飞机数目的平方成正比，表示t时刻扇区S_k的协调负荷阈值，随天气的恶化而减小(可以是随天气的恶化而急剧减小)。上述监视负荷阈值和协调负荷阈值也可以从空域容量信息数据库中的空域容量信息中获知，t时刻通过扇区S_k的飞机数目，以及t时刻穿越S_k边界的飞机数目是根据染色体中包含的每个航班的一个起飞时刻和一条飞行路径确定的。

因此，空中交通拥挤度的目标函数可以表示为：

其中，y₁表示空中交通拥挤度，表示扇区S_k在t时刻的拥挤度，表示扇区S_k在时间T内的总拥挤度，表示扇区S_k在时间T内的最大拥挤度，P表示扇区的数量，φ和是权重系数。

而对于航班延误时间，可从起飞延误时间(也可以称为地面延误)和额外飞行路径带来的延误(以下简称额外飞行路径延误时间)两方面考虑。对于不同机型的航班，相同的时间延误带来的损失是不相同的，将航班根据机型大小分为B、M、S三种，分别赋予其权重λ_B，λ_M和λ_S(λ_B＞λ_M＞λ_S)。对于每种机型的航班，如果航班i计划在t_k时刻起飞，而实际上它在t_n时刻起飞，这样航班的起飞延误时间可以表示为：δ_s(i)＝t_n-t_k。航班在起飞之后如果选择的不是最优路径，则在飞行过程中会产生额外的飞行时间，相同的时间内，空中飞行的花费一般是地面延误的3倍，所以航班的额外飞行路径延误时间可以表示为：δ_r(i)＝3*(T_r-T₀)，T_r表示实际飞行路径需要的时间，T₀表示最短路径需要的时间。

所以总延误时间δ(i)可以表示为：δ(i)＝δ_s(i)+δ_r(i)。

为了保证航班之间的公平性，这里将线性的目标函数改为平方和的形式，所以航班延误时间的目标函数可以表示为：

$y_2=\underset{i=1}{\overset{N_B}{\mathrm{\Σ}}}{\mathrm{\λ}}_B\mathrm{\δ}{\left(i\right)}^2+\underset{i=1}{\overset{N_M}{\mathrm{\Σ}}}{\mathrm{\λ}}_M\mathrm{\δ}{\left(i\right)}^2+\underset{i=1}{\overset{N_S}{\mathrm{\Σ}}}{\mathrm{\λ}}_S\mathrm{\δ}{\left(i\right)}^2$

其中，δ(i)表示航班i的总延误时间，所述航班i的总延误时间包括所述航班i的起飞延误时间和额外飞行路径延误时间，N_S分别表示大型航班的数量、中型航班的数量、小型航班的数量，λ_B，λ_M和λ_S表示各类型航班对应的权重系数，且λ_B＜λ_M＜λ_S。

根据以上所述可知，对于目标函数y₁而言，决定其取值的因素主要为各个扇区的监视流量、监视负荷阈值以及各个扇区的协调流量、协调负荷阈值，且监视流量与通过扇区的飞机数目的平方成正比，协调流量穿越扇区边界的飞机数目的平方成正比。而一条染色体中提供了所有航班的起飞时刻和飞行路径，根据这些航班的起飞时刻和飞行路径就能够计算出在某一时刻通过各个扇区的飞机数目和穿越各个扇区边界的飞机数目，而监视负荷阈值和协调负荷阈值是随着天气(或一些突发状况)相关的，且能够从空域容量信息中获知，所以根据不同的染色体、空域容量信息就能够得出多个y₁的值。

对于目标函数y₂而言，决定其取值的因素主要为各个航班的起飞时刻延误和额外飞行路径带来的延误，而根据所有航班的起飞时刻和飞行路径就能够计算出各个航班的起飞时刻延误和额外飞行路径带来的延误，所以根据各个种群的多条染色体就能够得出多个y₂的值。

在确定目标函数后就可以通过以下流程获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集，为了方便说明，这里仅仅以第一种群中的第一染色体为例进行说明(该第一种群为进化后的N个种群中的任意一个种群，该第一染色体为该第一种群中的任意一个进化后的染色体，另外，根据每个种群中各个染色体计算目标函数的过程可以同时进行，且根据第一种群中的其他染色体，以及其他种群中的染色体计算目标函数的过程值得方法与该第一染色体的步骤完全相同，不再进行重复说明)：

一方面，首先，根据该第一种群的第一染色体中的每个航班的起飞时刻和飞行路径，获取空域中每个扇区在时间T内各个时刻监视流量和协调流量。其中，该时间T为一连续时间段，比如24小时，T内各个时刻的粒度可以根据实际需要设置，比如每隔分钟为一个时刻，或者每隔一小时为一个时刻。

然后，根据空域中每个扇区在各个时刻监视流量以及空域中每个扇区在所述各个时刻的监视负荷阈值，获取所述空域中每个扇区在所述各个时刻的监视负荷，具体的可以利用上述监视负荷公式获取。

同时，根据空域中每个扇区在所述各个时刻协调流量以及空域中每个扇区在所述各个时刻的协调负荷阈值，获取空域中每个扇区在所述各个时刻的协调负荷，具体的可以利用上述协调负荷公式获取。

然后，根据空域中每个扇区在所述各个时刻的监视负荷和协调负荷，获取空域中每个扇区在所述各个时刻的拥挤度，具体的可以利用上述拥挤度公式获取。

然后，根据空域中每个扇区在所述各个时刻的拥挤度，利用空中交通拥挤度目标函数获取时间T内的空中交通拥挤度目标函数值，即y₁的值。

另一方面，根据第一染色体中的每个航班的飞行路径，获取每个航班的额外飞行路径延误时间，根据第一染色体中的每个航班的起飞时刻和实际起飞时刻获取每个航班的起飞延误时间。

然后，根据每个航班的起飞延误时间、每个航班的额外飞行路径延误时间，获取每个航班的总延误时间。

最后，根据每个航班的总延误时间和每个航班的机型，利用航班延误时间目标函数获取航班延误时间目标函数值，即y₂的值，从而得到了第一染色体所对应的解，该解包括上述y₁的值和y₂的值。

通过以上方法，就可以获得第一种群中第一染色体的解，通过同样的方法，就可以得到每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集。

根据上述描述可知，一条染色体可以计算出一个空中交通拥挤度和一个航班延误时间(以下为了方便说明，将空中交通拥挤度简称为y₁的值，将航班延误时间简称为y₂的值)，可以将这一个y₁的值和一个y₂的值作为一个解，由于一个种群中存在多条染色体，所以每个种群对应的就有多个y₁的值，y₂的值，即对应有多个解。另外，并不是将一个种群中所有结果的y₁的值，y₂的值都作为该种群的最终解进行下一步，在此之前，还需要将这多个解之间进行y₁的值，y₂的值的比较。若存在一解，该解中的y₁的值，y₂的值均小于同一种群的其他解中的y₁的值，y₂的值，则称该解支配其他解。不被其他结果支配的解称之为非支配解，非支配解的集合就称为非支配解集，所有非支配解将进入种群的下一代进行进化。

S206、根据每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集对目标解集进行更新。

示例性的，设置一个目标解集，用于存目标函数y₁和y₂的最优结果，可以称之为Archive解集，Archive解集初始时为空集。在第一次计算出N个种群的非支配解时，由于Archive解集为空集，因此直接将得到的非支配解放入Archive解集即可；在其后的过程中，当再次计算出N个种群的非支配解后，在将非支配解放入Archive解集时，需要将它们与Archive解集中的每个解进行比较若得到的某种群的非支配解集存在至少一个非支配解支配Archive解集中的某个解，则用该非支配解替换掉Archive中被该非支配解支配的解。

S207、判断N个种群中是否进化结束。若N个种群进化结束，则执行S208；若N个种群进化未结束，则执行S209。

示例性的，可以设置一个各个种群进化的最大代数，每执行一轮S202～S207为一代，判断是否进化结束就可以通过当前的代数是否达到进化的最大代数，若达到最大代数则判定为进化结束，否则判定为进化未结束。

S208、在目标解集选取目标解，并按照目标解，所对应的染色体中每个航班的起飞时刻和飞行路径对每个航班进行调控。

具体的，本实施例所提供的飞行流量调控的过程中能够同时兼顾安全性和经济性，安全性主要参考空中交通拥挤度，经济性主要参考航班延误时间，因此这是一个多目标优化问题。S206中获得Archive解集中包含了多个非支配解，具体选取哪个解，可以根据实际情况来考虑，比如当前更侧重于安全性，则可以在Archive解集中选取空中交通拥挤度较小的那个结果，侧重于经济性，以在Archive解集中选取航班延误时间较小的那个结果。

而后，找出计算出所选解所用的那条染色体，并将该染色体中的所有航班的起飞时刻和飞行路径作为调控方案，使所有航班按照该染色体中的所有航班的起飞时刻和飞行路径飞行。这样，就实现了对飞行流量的调控。

为了更清楚得说明本实施例所能达到的效果，如图6所示，图中有一个航班要从机场A飞往机场B，它有3条路径可选择，分别为路径1、路径2、路径3，正常情况下它会选择距离比较短的路径2，但是此时扇区S突然发生降雨时，扇区S的容量大大下降。此时，通过目标函数y₁和y₂计算出的结果，路径1～3所对应的结果中，路径2对应的结果的y₂值小于路径1和路径3对应的结果，但是路径1和路径3对应的结果的y₁值明显小于路径2对应的结果的y₁值，此时，基于安全性的考虑，就会建议飞机选择距离较长的路径1或3，这样就使飞机避开了危险区域，达到安全飞行的效果。

S209、判断是否满足种群信息交互条件。若满足种群信息交互条件，则执行S210；若不满足种群信息交互条件，则再次执行S202～S207。

示例性的，信息交互条件可以设置为距离上一次种群信息交互的进化代数。比如设置可以设置为5代，当本次进化距离上一次种群信息交互已经间隔5代时，则判定为满足种群信息交互条件，否则，判定不满足种群信息交互条件。

S210、在N个种群之间进行部分染色体的交换。执行S210后再次执行S202～S207。

示例性的，以种群1和种群2为例，选出种群1中的非支配解(即其y₁的值，y₂的值均小于种群1中其他解的解)，选出种群2中的支配解(即其y₁的值，y₂的值均大于种群1中其他解的解)，将种群1中的非支配解放入种群2中替换掉种群2中的支配解。

这样做是为了各个种群能够共享进化信息，防止一些种群陷入局部最优。

为了更加直观的体现本实施例提供的飞行流量调控方法流程，如图7所示，提供上述飞行流量调控方法的另一流程示意图。

综上所述，本发明实施例提供的飞行流量调控方法，首先根据航班信息生成包括多条染色体的N个种群，每条染色体包括每个航班的起飞时刻和飞行路径，然后将每条染色体分解为多条子染色体并进行种群内的交叉、变异处理，再将每个种群中进化后的多条子染色体合并为进化后的多条染色体，再根据进化后的多条染色体以及空域容量信息获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数解集，解集中的每个解都包括空中交通拥挤度目标函数值和航班延误时间目标函数值，然后根据该解集获取每个种群的非支配解集，再根据每个种群的非支配解集对目标解集进行更新，若进化结束则在目标解集中选取目标解，并按照目标解所对应的染色体中的起飞时刻和飞行路径对航班进行调控，若进化未结束，则再次执行上述过程。由此可以看出，本发明实施例是根据航班信息构建了多条染色体，每条染色体包括全部航班的一种可能的起飞时刻和飞行路径，由于当全部航班的起飞时刻和飞行路径确定后，空域中各个扇区的流量也就确定了，而空域容量信息提供了各个扇区的监视负荷阈值和协调负荷阈值，这些阈值的大小是与天气以及一些其他突发情况相关的。因此同时根据各个种群的进化后的多条染色体以及空域容量信息计算空中交通拥挤度目标函数和航班延误时间目标函数，就能够得到全部航班的多种起飞时刻和飞行路径组合在不同天气情况(或突发情况)下所对应的空中交通拥挤度和航班延误时间，从而能够选取最理想的空中交通拥挤度和航班延误时间所对应的那一组起飞时刻和飞行路径，并以此来调整各个航班的起飞时刻和飞行路径，从而实现了根据空域容量的动态变化对飞行流量进行动态调整。

本发明实施例提供给一种飞行流量调控系统1，如图8所示，该系统1包括：

初始化单元11，用于执行(a)根据航班信息数据库中的航班信息进行初始化，生成N个种群，每个种群中包括多条染色体，其中，每条染色体包括每个航班的起飞时刻和飞行路径；所述航班信息包括每个航班的可选起飞时刻集合、可选飞行路径集合，每条染色体中包含的每个航班的起飞时刻和飞行路径是在所述可选起飞时刻集合和所述可选飞行路径集合中随机选取的；

分解单元12，用于执行(b)分别将所述N个种群中的每条染色体分解为多条子染色体；

交叉变异单元13，用于执行(c)分别对每个种群中的多条子染色体进行种群内的交叉和变异处理，得到每个种群的多个进化后的子染色体；

合并单元14，用于(d)分别将每个种群的多个进化后的子染色体进行种群内的合并，得到进化后的所述N个种群，每个进化后的种群包括多条进化后的染色体；

结果获取单元15，用于执行(e)根据进化后的所述N个种群中的多条进化后的染色体以及空域容量信息数据库中的空域容量信息，获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集，所述解集中的每个解包括空中交通拥挤度目标函数值和航班延误时间目标函数值；

更新单元16，用于执行(f)根据每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集对目标解集进行更新；

判断单元17，用于执行(g)判断所述N个种群中是否进化结束，若所述N个种群进化结束，则在所述目标解集选取目标解，并按照所述目标解对应的染色体中每个航班的起飞时刻和飞行路径对每个航班进行调控；若所述N个种群进化未结束，则再次执行步骤(b)至(g)。

可选的，如图9所示，该系统还可以包括：

信息交互单元18，用于当N个种群进化未结束时，在再次执行步骤(b)至(g)之前，判断N个种群是否满足种群信息交互条件；

若N个种群满足种群信息交互条件，则N个种群之间进行部分或全部染色体的交换。

可选的，航班信息包括还包括每个航班的航班机型，航班机型包括大型机、中型机和小型机；空域容量信息包括：空域中每个扇区的监视负荷阈值、协调负荷阈值；如图10所示，结果获取单元15可以包括：

流量获取单元151，用于根据进化后的N个种群中第一种群的第一染色体中的每个航班的起飞时刻和飞行路径，获取空域中每个扇区在时间T内各个时刻监视流量和协调流量；其中，第一种群为进化后的N个种群中的任意一个种群，第一染色体为第一种群中的任意一个进化后的染色体；

负荷获取单元152，用于根据空域中每个扇区在各个时刻监视流量以及空域中每个扇区在各个时刻的监视负荷阈值，获取空域中每个扇区在各个时刻的监视负荷，根据空域中每个扇区在各个时刻协调流量以及空域中每个扇区在各个时刻的协调负荷阈值，获取空域中每个扇区在各个时刻的协调负荷；

扇区拥挤度获取单元153，用于根据空域中每个扇区在各个时刻的监视负荷和协调负荷，获取空域中每个扇区在各个时刻的拥挤度；

总拥挤度获取单元154，用于根据空域中每个扇区在各个时刻的拥挤度，利用空中交通拥挤度目标函数获取时间T内的空中交通拥挤度目标函数值；

路径延误时间获取单元155，用于根根据第一染色体中的每个航班的飞行路径，获取每个航班的额外飞行路径延误时间，根据第一染色体中的每个航班的起飞时刻和实际起飞时刻获取每个航班的起飞延误时间；

航班延误时间获取单元156，用于根据每个航班的起飞延误时间、每个航班的额外飞行路径延误时间，获取每个航班的总延误时间；

总延误时间获取单元157，用于根据每个航班的总延误时间和每个航班的机型，利用航班延误时间目标函数获取航班延误时间目标函数值，得到第一染色体所对应的解。

其中，空中交通拥挤度目标函数和航班延误时间目标函数分别与前述实施例中的y₁与y₂完全相同，不再赘述。

可选的，如图11所示，交叉变异单元13可以包括：

交叉单元131，用于选取每个种群中的两条子染色体；根据交叉概率将两条子染色体中对应位置的元素进行交换；

变异单元132，用于根据变异概率改变每个种群中子染色体中的元素。

可选的，更新单元16可以具体用于：

将种群的多个结果中的空中交通拥挤度和航班延误时间同时进行比较；

将每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集中的各个解进行比较，得到每个种群的非支配解集；

将每个种群的非支配解集与目标解集进行比较，如果非支配解集中存在至少一个解，该至少一个解能够支配目标解集中的解，则用所述至少一个解替换掉目标解集中被所述至少一个解支配的解。

本实施例用于实现上述各方法实施例，本实施例中各个单元的工作流程和工作原理参见上述各方法实施例中的描述，在此不再赘述。

综上所述，本发明实施例提供的飞行流量调控系统，首先根据航班信息生成包括多条染色体的N个种群，每条染色体包括每个航班的起飞时刻和飞行路径，然后将每条染色体分解为多条子染色体并进行种群内的交叉、变异处理，再将每个种群中进化后的多条子染色体合并为进化后的多条染色体，再根据进化后的多条染色体以及空域容量信息获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数解集，解集中的每个解都包括空中交通拥挤度目标函数值和航班延误时间目标函数值，然后根据该解集获取每个种群的非支配解集，再根据每个种群的非支配解集对目标解集进行更新，若进化结束则在目标解集中选取目标解，并按照目标解所对应的染色体中的起飞时刻和飞行路径对航班进行调控，若进化未结束，则再次执行上述过程。由此可以看出，本发明实施例是根据航班信息构建了多条染色体，每条染色体包括全部航班的一种可能的起飞时刻和飞行路径，由于当全部航班的起飞时刻和飞行路径确定后，空域中各个扇区的流量也就确定了，而空域容量信息提供了各个扇区的监视负荷阈值和协调负荷阈值，这些阈值的大小是与天气以及一些其他突发情况相关的。因此同时根据各个种群的进化后的多条染色体以及空域容量信息计算空中交通拥挤度目标函数和航班延误时间目标函数，就能够得到全部航班的多种起飞时刻和飞行路径组合在不同天气情况(或突发情况)下所对应的空中交通拥挤度和航班延误时间，从而能够选取最理想的空中交通拥挤度和航班延误时间所对应的那一组起飞时刻和飞行路径，并以此来调整各个航班的起飞时刻和飞行路径，从而实现了根据空域容量的动态变化对飞行流量进行动态调整。

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 (10)

1.一种飞行流量调控方法，其特征在于，所述方法包括：

(a)根据航班信息数据库中的航班信息进行初始化，生成N个种群，每个种群中包括多条染色体，其中，每条染色体包括每个航班的起飞时刻和飞行路径；所述航班信息包括每个航班的可选起飞时刻集合、可选飞行路径集合，每条染色体中包含的每个航班的起飞时刻和飞行路径是在所述可选起飞时刻集合和所述可选飞行路径集合中随机选取的；

(b)分别将所述N个种群中的每条染色体分解为多条子染色体；

(c)分别对每个种群中的多条子染色体进行种群内的交叉和变异处理，得到每个种群的多条进化后的子染色体；

(d)分别将每个种群的多个进化后的子染色体进行种群内的合并，得到进化后的所述N个种群，每个进化后的种群包括多条进化后的染色体；

(e)根据进化后的所述N个种群中的多条进化后的染色体以及空域容量信息数据库中的空域容量信息，获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集，所述解集中的每个解包括空中交通拥挤度目标函数值和航班延误时间目标函数值；

(f)根据每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集对目标解集进行更新；

(g)判断所述N个种群中是否进化结束，若所述N个种群进化结束，则在所述目标解集选取目标解，并按照所述目标解对应的染色体中每个航班的起飞时刻和飞行路径对每个航班进行调控；若所述N个种群进化未结束，则再次执行步骤(b)至(g)。

2.根据权利要求1所述的方法，其特征在于，若所述N个种群进化未结束，在再次执行步骤(b)至(g)之前，所述方法还包括：

判断所述N个种群是否满足种群信息交互条件；

若所述N个种群满足所述种群信息交互条件，则在所述N个种群之间进行部分染色体的交换。

3.根据权利要求1所述的方法，其特征在于，所述航班信息包括还包括每个航班的航班机型，所述航班机型包括大型机、中型机和小型机；所述空域容量信息包括：空域中每个扇区的监视负荷阈值、协调负荷阈值；

所述根据进化后的所述N个种群中的多条进化后的染色体以及空域容量信息数据库中的空域容量信息，获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集包括：

根据进化后的所述N个种群中第一种群的第一染色体中的每个航班的起飞时刻和飞行路径，获取空域中每个扇区在时间T内各个时刻监视流量和协调流量；其中，所述第一种群为进化后的所述N个种群中的任意一个种群，所述第一染色体为所述第一种群中的任意一个进化后的染色体；

根据所述空域中每个扇区在所述各个时刻监视流量以及所述空域中每个扇区在所述各个时刻的监视负荷阈值，获取所述空域中每个扇区在所述各个时刻的监视负荷，根据所述空域中每个扇区在所述各个时刻协调流量以及所述空域中每个扇区在所述各个时刻的协调负荷阈值，获取所述空域中每个扇区在所述各个时刻的协调负荷；

根据所述空域中每个扇区在所述各个时刻的监视负荷和协调负荷，获取所述空域中每个扇区在所述各个时刻的拥挤度；

根据所述空域中每个扇区在所述各个时刻的拥挤度，利用所述空中交通拥挤度目标函数获取所述时间T内的空中交通拥挤度目标函数值；

根据所述第一染色体中的每个航班的飞行路径，获取每个航班的额外飞行路径延误时间，根据所述第一染色体中的每个航班的起飞时刻和实际起飞时刻获取每个航班的起飞延误时间；

根据所述每个航班的起飞延误时间、所述每个航班的额外飞行路径延误时间，获取每个航班的总延误时间；

根据所述每个航班的总延误时间和每个航班的机型，利用所述航班延误时间目标函数获取航班延误时间目标函数值，得到所述第一染色体所对应的解；

其中，所述空中交通拥挤度目标函数包括：

其中，y₁表示空中交通拥挤度，表示扇区S_k在t时刻的拥挤度，表示扇区S_k在时间T内的总拥挤度，表示扇区S_k在时间T内的最大拥挤度，P表示扇区的数量，φ和是权重系数；

所述航班延误时间目标函数包括：

$y_2=\underset{i=1}{\overset{N_B}{\mathrm{\Σ}}}{\mathrm{\λ}}_B\mathrm{\δ}{\left(i\right)}^2+\underset{i=1}{\overset{N_M}{\mathrm{\Σ}}}{\mathrm{\λ}}_M\mathrm{\δ}{\left(i\right)}^2+\underset{i=1}{\overset{N_S}{\mathrm{\Σ}}}{\mathrm{\λ}}_S\mathrm{\δ}{\left(i\right)}^2$

其中，y₂表示航班延误时间，δ(i)表示航班i的总延误时间，所述航班i的总延误时间包括所述航班i的起飞时刻延误时间和额外飞行路径延误时间，N_S分别表示大型航班的数量、中型航班的数量、小型航班的数量，λ_B，λ_M和λ_S表示各类型航班对应的权重系数，且λ_B＜λ_M＜λ_S。

4.根据权利要求3所述的方法，其特征在于，所述根据所述空域中每个扇区在所述各个时刻监视流量以及所述空域中每个扇区在所述各个时刻的监视负荷阈值，获取所述空域中每个扇区在所述各个时刻的监视负荷包括：

根据所述空域中每个扇区在所述各个时刻监视流量以及所述空域中每个扇区在所述各个时刻的监视负荷阈值，利用监视负荷公式获取所述空域中每个扇区在所述各个时刻的监视负荷；

所述根据所述空域中每个扇区在所述各个时刻协调流量以及所述空域中每个扇区在所述各个时刻的协调负荷阈值，获取所述空域中每个扇区在所述各个时刻的协调负荷包括：

根据所述空域中每个扇区在所述各个时刻协调流量以及所述空域中每个扇区在所述各个时刻的协调负荷阈值，利用协调负荷公式获取所述空域中每个扇区在所述各个时刻的协调负荷；

所述根据所述空域中每个扇区在所述各个时刻的监视负荷和协调负荷，获取所述空域中每个扇区在所述各个时刻的拥挤度包括：

根据所述空域中每个扇区在所述各个时刻的监视负荷和协调负荷，利用拥挤度公式获取所述空域中每个扇区在所述各个时刻的拥挤度；

其中，所述拥挤度公式包括：

$W_{S_k}\left(t\right)=w\×W_{{\mathrm{moS}}_k}\left(t\right)+\mathrm{\ψ}\×W_{{\mathrm{coS}}_k}\left(t\right),w,\mathrm{\ψ}\∈\left[\mathrm{0,1}\right]$

其中，表示扇区S_k在t时刻的拥挤度，表示扇区S_k的监视负荷，表示扇区S_k的协调负荷，w、ψ分别表示所述监视负荷和所述协调负荷的权重；

所述监视负荷公式包括：

$W_{{\mathrm{moS}}_k}\left(t\right)=\left\{\begin{array}{cc}(1+M_{S_k}\left(t\right)-C_{{\mathrm{mS}}_k}\left(t\right){)}^2-1& \mathrm{if}{M}_{S_k}\left(t\right)>C_{{\mathrm{mS}}_k}\left(t\right)\\ 0& \mathrm{else}\end{array}\right.$

其中，表示扇区S_k的监视负荷，表示扇区S_k的监视流量，与t时刻通过扇区S_k的飞机数目的平方成正比，表示t时刻扇区S_k的监视负荷阈值，随天气的恶化而减小；

所述协调负荷公式包括：

$W_{{\mathrm{coS}}_k}\left(t\right)=\left\{\begin{array}{cc}(1+C_{S_k}\left(t\right)-C_{{\mathrm{cS}}_k}\left(t\right){)}^2-1& \mathrm{if}{C}_{S_k}\left(t\right)>C_{{\mathrm{cS}}_k}\left(t\right)\\ 0& \mathrm{else}\end{array}\right.$

其中，表示扇区S_k的协调负荷，表示扇区S_k的协调流量，与t时刻穿越扇区S_k边界的飞机数目的平方成正比，表示t时刻扇区S_k的协调负荷阈值，随天气的恶化而减小；

所述t时刻通过扇区S_k的飞机数目，以及t时刻穿越S_k边界的飞机数目是根据染色体中包含的每个航班的一个起飞时刻和一条飞行路径确定的。

5.根据权利要求1所述的方法，其特征在于，所述分别对每个种群中的多条子染色体进行种群内的交叉处理包括：

选取每个种群中的两条子染色体；

按照交叉概率将所述两条子染色体中对应位置的元素进行交换；

所述分别对每个种群中的多条子染色体进行种群内的变异处理包括：

按照变异概率改变每个种群中的染色体中的元素。

6.根据权利要求1所述的方法，其特征在于，所述步骤(f)包括：

获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集中的各个解进行比较，得到每个种群的非支配解集；

将每个种群的非支配解集与所述目标解集进行比较，如果所述非支配解集中存在至少一个解，所述至少一个解支配所述目标解集中的解，则用所述至少一个解替换掉所述目标解集中被所述至少一个解支配的解。

7.一种飞行流量调控系统，其特征在于，所述系统包括：

初始化单元，用于执行(a)根据航班信息数据库中的航班信息进行初始化，生成N个种群，每个种群中包括多条染色体，其中，每条染色体包括每个航班的起飞时刻和飞行路径；所述航班信息包括每个航班的可选起飞时刻集合、可选飞行路径集合，每条染色体中包含的每个航班的起飞时刻和飞行路径是在所述可选起飞时刻集合和所述可选飞行路径集合中随机选取的；

分解单元，用于执行(b)分别将所述N个种群中的每条染色体分解为多条子染色体；

交叉变异单元，用于执行(c)分别对每个种群中的多条子染色体进行种群内的交叉和变异处理，得到每个种群的多个进化后的子染色体；

合并单元，用于(d)分别将每个种群的多个进化后的子染色体进行种群内的合并，得到进化后的所述N个种群，每个进化后的种群包括多条进化后的染色体；

结果获取单元，用于执行(e)根据进化后的所述N个种群中的多条进化后的染色体以及空域容量信息数据库中的空域容量信息，获取每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集，所述解集中的每个解包括空中交通拥挤度目标函数值和航班延误时间目标函数值；

更新单元，用于执行(f)根据每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集对目标解集进行更新；

判断单元，用于执行(g)判断所述N个种群中是否进化结束，若所述N个种群进化结束，则在所述目标解集选取目标解，并按照所述目标解所对应的染色体中每个航班的起飞时刻和飞行路径对每个航班进行调控；若所述N个种群进化未结束，则再次执行步骤(b)至(g)。

8.根据权利要求7所述的系统，其特征在于，所述系统还包括：

信息交互单元，用于当所述N个种群进化未结束时，在再次执行步骤(b)至(g)之前，判断所述N个种群是否满足种群信息交互条件；

若所述N个种群满足所述种群信息交互条件，则所述N个种群之间进行部分或全部染色体的交换。

9.根据权利要求7所述的系统，其特征在于，所述航班信息包括还包括每个航班的航班机型，所述航班机型包括大型机、中型机和小型机；所述空域容量信息包括：空域中每个扇区的监视负荷阈值、协调负荷阈值；所述结果获取单元包括：

流量获取单元，用于根据进化后的所述N个种群中第一种群的第一染色体中的每个航班的起飞时刻和飞行路径，获取空域中每个扇区在时间T内各个时刻监视流量和协调流量；其中，所述第一种群为进化后的所述N个种群中的任意一个种群，所述第一染色体为所述第一种群中的任意一个进化后的染色体；

负荷获取单元，用于根据所述空域中每个扇区在所述各个时刻监视流量以及所述空域中每个扇区在所述各个时刻的监视负荷阈值，获取所述空域中每个扇区在所述各个时刻的监视负荷，根据所述空域中每个扇区在所述各个时刻协调流量以及所述空域中每个扇区在所述各个时刻的协调负荷阈值，获取所述空域中每个扇区在所述各个时刻的协调负荷；

扇区拥挤度获取单元，用于根据所述空域中每个扇区在所述各个时刻的监视负荷和协调负荷，获取所述空域中每个扇区在所述各个时刻的拥挤度；

总拥挤度获取单元，用于根据所述空域中每个扇区在所述各个时刻的拥挤度，利用所述空中交通拥挤度目标函数获取所述时间T内的空中交通拥挤度目标函数值；

路径延误时间获取单元，用于根据所述第一染色体中的每个航班的飞行路径，获取每个航班的额外飞行路径延误时间，根据所述第一染色体中的每个航班的起飞时刻和实际起飞时刻获取每个航班的起飞延误时间；

航班延误时间获取单元，用于根据所述每个航班的起飞延误时间、所述每个航班的额外飞行路径延误时间，获取每个航班的总延误时间；

总延误时间获取单元，用于根据所述每个航班的总延误时间和每个航班的机型，利用所述航班延误时间目标函数获取航班延误时间目标函数值，得到所述第一染色体所对应的解；

其中，所述空中交通拥挤度目标函数包括：

其中，y₁表示空中交通拥挤度，表示扇区S_k在t时刻的拥挤度，表示扇区S_k在时间T内的总拥挤度，表示扇区S_k在时间T内的最大拥挤度，P表示扇区的数量，φ和是权重系数；

所述航班延误时间目标函数包括：

$y_2=\underset{i=1}{\overset{N_B}{\mathrm{\Σ}}}{\mathrm{\λ}}_B\mathrm{\δ}{\left(i\right)}^2+\underset{i=1}{\overset{N_M}{\mathrm{\Σ}}}{\mathrm{\λ}}_M\mathrm{\δ}{\left(i\right)}^2+\underset{i=1}{\overset{N_S}{\mathrm{\Σ}}}{\mathrm{\λ}}_S\mathrm{\δ}{\left(i\right)}^2$

其中，y₂表示航班延误时间，δ(i)表示航班i的总延误时间，所述航班i的总延误时间包括所述航班i的起飞时刻延误时间和额外飞行路径延误时间，N_S分别表示大型航班的数量、中型航班的数量、小型航班的数量，λ_B，λ_M和λ_S表示各类型航班对应的权重系数，且λ_B＜λ_M＜λ_S。

10.根据权利要求7所述的系统，其特征在于，所述更新单元具体用于：

将种群的多个结果中的空中交通拥挤度和航班延误时间同时进行比较；

将每个种群的空中交通拥挤度目标函数和航班延误时间目标函数的解集中的各个解进行比较，得到每个种群的非支配解集；

将每个种群的非支配解集与所述目标解集进行比较，如果所述非支配解集中存在至少一个解，所述至少一个解支配所述目标解集中的解，则用所述至少一个解替换掉所述目标解集中被所述至少一个解支配的解。