CN109583627B - 飞机着陆排队优化方法及装置 - Google Patents
飞机着陆排队优化方法及装置 Download PDFInfo
- Publication number
- CN109583627B CN109583627B CN201811291122.5A CN201811291122A CN109583627B CN 109583627 B CN109583627 B CN 109583627B CN 201811291122 A CN201811291122 A CN 201811291122A CN 109583627 B CN109583627 B CN 109583627B
- Authority
- CN
- China
- Prior art keywords
- runway
- landing
- coefficient
- aircraft
- optimization
- 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
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种飞机着陆排队优化方法及装置,所述方法包括:基于空中盘旋等待时间最短,并结合飞机剩余油量、故障安全系数和着陆优先级信息,构建飞机着陆排队优化的目标模型;确定所述飞机着陆排队优化的目标模型的约束条件;基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的最优航班序列。本发明实施例在空中盘旋等待时间最短的基础上同时考虑飞机剩余油量、故障、优先级等信息,提出了综合的优化目标;在约束条件中加入了跑道占用时间约束;利用改进的蚁群算法对目标函数进行优化,收敛速度快,不易限于局部最优,获得的结果也更符合实际航班调度的情况。
Description
技术领域
本发明实施例涉及航班调度技术领域,更具体地,涉及一种飞机着陆排队优化方法及装置。
背景技术
随着民航运输量的快速增长,机场终端区拥堵频发,从而带来了延误时间和运营成本的大幅增长,同时影响了飞行安全。空中交通流量的激增,导致短时间内会有大量的飞机需要着陆,由于航空资源短缺、机场和空域容量不足,例如跑道数目有限,使飞机着陆产生延误,造成机场进出场效率下降、航空公司经济损失、乘客不能准点到达等不利影响。但是单纯地扩大机场跑道容量受到各种因素的制约,所以需要对要着陆的飞机进行合理管理、调度,减少终端拥堵和延误,从而减少上述不利影响。
在设计求解飞机着陆排队问题的算法时,若运用暴力搜索方法,列出其排序的所有可能,必可以选出满足要求的最优排序。但是随着飞机数量的增加,计算量呈指数上升,不适合实际使用。于是,一些人工智能方法被运用到该问题中。人工智能方法中,蚁群算法由于具有较强鲁棒性、分布式计算等优点,被广泛使用在各类优化问题中。
蚁群算法是基于真实环境下蚂蚁群体觅食的合作提出的,包括通信机制即信息素遗留、当前路径记录、节点随机选择的特性。同时,人工蚁群还可以具有一些真实蚂蚁不具备的特性,包括处于离散空间、记录过去行为、信息量更新时机可根据问题进行选择等,甚至可以具有包括简单预测、局部优化等功能。
但是利用基本蚁群算法解决多跑道排队问题时,由于解的可能组合大幅增长,基本蚁群算法搜索时间较长、容易出现停滞、陷入局部最优的问题。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的飞机着陆排队优化方法及装置。
第一个方面,本发明实施例提供一种飞机着陆排队优化方法,包括:
基于空中盘旋等待时间最短,并结合飞机剩余油量、故障安全系数和着陆优先级信息,构建飞机着陆排队优化的目标模型;
确定所述飞机着陆排队优化的目标模型的约束条件;
基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的航班序列。
第二个方面,本发明实施例提供一种飞机着陆排队优化装置,包括:
目标构建模块,用于基于空中盘旋等待时间最短,并结合飞机剩余油量、故障安全系数和着陆优先级信息,构建飞机着陆排队优化的目标模型;
约束确定模块,用于确定所述飞机着陆排队优化的目标模型的约束条件;
求解模块,用于基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的航班序列。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的飞机着陆排队优化方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的飞机着陆排队优化方法的步骤。
本发明实施例提供的飞机着陆排队优化方法及装置,考虑空中盘旋等待时间最短的基础上同时考虑飞机剩余油量、故障、优先级等信息,提出了综合的优化目标;考虑了跑道和滑行道构型对飞机着陆排队的影响,在约束条件中加入了跑道占用时间约束;利用改进的蚁群算法对目标函数进行优化,收敛速度快,不易限于局部最优,获得的结果也更符合实际航班调度的情况。
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的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的飞机着陆排队优化方法的流程示意图;
图2为根据本发明实施例提供的油量系数、故障安全系数和优先级系数的变化趋势图;
图3为本发明实施例提供的飞机着陆排队优化装置的结构示意图;
图4为本发明实施例提供的电子设备的实体结构示意图。
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。
图1为根据本发明实施例提供的飞机着陆排队优化方法的流程示意图,如图所示,该方法包括:
步骤10、基于空中盘旋等待时间最短,并结合飞机剩余油量、故障安全系数和着陆优先级信息,构建飞机着陆排队优化的目标模型。
具体地,为了对要着陆的飞机进行合理管理、调度,首先要建立排队优化数学模型。在常见的优化目标中,航班延误的时间,即空中盘旋时间仍是目前关注的重点,它体现着飞机着陆排队的安全性与效率。目前,大部分研究关于民航飞机着陆排队的优化目标主要设定为空中盘旋时间最短,即最小化实际到达时间(STA)和预计到达时间(ETA)差值的总和,即
式(1)中,i=1,2,…,N,N为参加排队的飞机数量。
若使用上述优化目标,将导致飞机剩余油量、故障、优先级等关键信息被忽略,致使排队的结果与空管人员实际安排有较大的偏差。
本发明实施例在考虑空中盘旋等待时间最短的基础上将飞机剩余油量、故障、优先级等信息,提出综合的优化指标。
假设参与排序的飞机共有N架,机场的跑道数目为R。本发明实施例引入Oi、Fi、Pri来代表第i架飞机的油量系数、故障安全系数和优先级系数。各个系数的定义如下:
其中,Fueli、Faili和Prioi代表了第i架飞机的油量、故障安全比例和优先级信息;Fuelimax代表第i架飞机的油量上限,若飞机油量高于此值,则载油量过大将影响着陆安全,需要进行盘旋耗油;Fueliuna代表第i架飞机的油量下限,若飞机油量低于此值,则直接安排着陆;Failmax和Failmin代表所有飞机的故障安全比例的上、下限,正常情况下的飞机故障安全比例应介于上、下限之间;Priomax和Priomin代表预先规定的所有飞机的优先级评级的上、下限。
在飞机飞行过程中,Fueli是飞机加入排队过程时的实际油量体积值,不同的机型有不同的油量范围,故不同机型的油量上、下限是不同的,通过式(2)可以将不同机型的油量无量纲处理。
Faili代表不同航班的故障信息,包含单发失效、舵面卡死、起落架无法放下等故障,可以通过专家对不同的故障进行评级打分,例如给予70、80、90等分数,故障越严重,则分数越低;若飞机无故障,则Faili取为100。
Prioi代表优先级信息,包含是否载有要客、干线或支线飞行、是否执行重要人物等信息,可设置多个等级,例如1至5级,共5个优先级等级。
图2为油量系数、故障安全系数和优先级系数的变化趋势图,代表了当油量上、下限取为2000和600,故障安全比例上、下限取为100和65,航班优先级评级的上、下限为5和0时,Oi、Fi、Pri随飞机油量、飞机故障安全比例、航班优先级的变化趋势。可以看出,当油量、故障安全比例、优先级评级接近下限时,油量系数、故障安全系数、优先级系数数值较大,在优化目标中能保证油少、故障、执行重要任务的飞机先行着陆。
其中,j=1,2,···,R,i,kj,k的取值均为1,2,···,N
同时,定义为飞机i排序后降落在j跑道,且在该跑道队列中的位置为kj,在总队列中的位置为k的情况下的飞机调度到达跑道的时间;ETAi为根据飞机i进入空管区域时间、飞机性能、重量、气象信息等各种参数,空管系统的交通咨询工具预测出的其不受其它飞机影响下预计到达跑道的时间。
利用决策变量对优化目标进行表示,获得本发明实施例所构建的飞机着陆排队优化的目标模型:
wi=m1·Oi+m2·Fi+m3·Pri (7)
其中,m1,m2和m3分别表示油量系数、故障安全系数和优先级系数的重要程度,可由空管员根据实际情况自行定义;Oi、Fi、Pri分别表示第i架飞机的油量系数、故障安全系数和优先级系数,为排序后降落在j跑道,且在该跑道队列中的位置为kj,在总队列中的位置为k的情况下的飞机i调度到达跑道的时间,ETAi为飞机i不受其它飞机影响下预计到达跑道的时间,为0-1决策变量,N为参与排序的飞机架数,R为机场跑道数量。
步骤20、确定所述飞机着陆排队优化的目标模型的约束条件。
约束是优化问题求解过程中需要满足的条件,约束条件的目的是确保飞行安全、使飞机着陆排队结果符合实际的要求与规定。本发明实施例考虑以下四类约束:
(1)每架飞机的ETA和STA约束
受飞机性能影响,飞机的STA必须晚于ETA:
(2)尾流间隔约束
尾流是由于机翼上下表面的空气动力压力差产生的绕翼尖的涡流,限制空域容量、机场跑道起降容量。当两架连续降落的航空器保持一定间隔时,能够减小尾流带来的危害,这个间隔的最小值被称为最小尾流间隔。航空器的最小尾流空间间隔主要包括纵向、侧向和垂直间隔三种。由于各机场拥有相对固定的仪表进近程序,不允许随意改变高度。所以,目前研究主要考虑的是纵向间隔。ICAO(International CivilAviationOrganization,国际名航组织)规定进近和离场阶段必须使用以尾流距离为基准的最小间隔。CAAC(Civil Aviation Administration ofChina,中国民用航空局)基于ICAO的标准,在CCAR(中国民航公章)中将其精度由上百米简化到公里,不能满足需求。2014年,CAAC在《优化空中交通管制运行规范的暂行规定》中提出吞吐量达到一定规模的机场(年吞吐量超过1000万)可将尾流间隔缩小到ICAO标准。同时,为满足空管时基化的需求,ICAO将飞机的距离间隔转为时间间隔,本发明实施例中约束的数据来自ICAO的不同重量飞机之间的最小尾流时间间隔标准,如表1所示。
表1尾流间隔时间表
飞机类型 | 轻型(后机) | 中型(后机) | 重型(后机) |
轻型(前机) | 98s | 74s | 74s |
中型(前机) | 138s | 74s | 74s |
重型(前机) | 167s | 114s | 94s |
不同机型尾流间隔存在不对称性,其中,重型机为最大允许起飞全重等于或大于136吨的航空器,中型机为最大允许起飞全重在7到13.6吨的航空器,轻型机为最大允许起飞全重小于等于7吨的航空器。常见的机型划分如表2所示。
表2机型分类表
机型分类 | 英文简称 | 典型机型 |
重型机 | L | A300,A310,A330,A340,B707,B747,B767,B777 |
中型机 | M | A320,A321,A319,B727,B737,B757 |
轻型机 | S | 各种通用飞行的飞机,螺旋桨式的行政机 |
为减小尾流带来的威胁,保证飞行安全,前后两架飞机必须满足一定的时间间隔。假设跑道j的队列长度为Kj,则最小尾流时间间隔约束可表示为:
其中,kj=1,2,···,Kj-1,j=1,2,···,R,Sli为飞机l作为前机与飞机i作为后机之间的最小尾流时间间隔。
(3)跑道占用时间约束
跑道占用时间(Runway OccupancyTime,简称ROT)代表飞机着陆时起落架接地至离开跑道进入滑行道的总时长。由于跑道在同一时间只能服务一架飞机,为保证机场跑道安全,前后两架飞机间的时间间隔必须大于前机的跑道占用时间:
其中,kj=1,2,···,Kj-1,j=1,2,···,R,ROTl为前机的跑道占用时间。
其中,跑道占用时间与机场跑滑构型、着陆航班机型、跑道摩擦系数等因素相关。当给定机场构型和天气条件等信息时,跑道占用时间可按照机型大小进行分类。
(4)位置变动约束
飞机基于FCFS队列的变动范围不是任意的,若变动范围过大,会影响飞机飞行安全,也会增加空管员的工作负荷,因此有:
其中,MPS(maximumposition shift)为位置偏移约束。
本发明实施例考虑了跑道和滑行道构型对飞机着陆排队的影响,计算结果更接近机场实际运行情况。
步骤30、基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的航班序列。
具体地,将不同的飞机与跑道的组合作为每个蚂蚁觅食的节点,生成的路径即为航班排队的序列,路径长度为所述飞机着陆排队优化的目标模型所对应的值,本发明实施例提供的改进蚁群算法的步骤如下:
步骤301、初始化蚁群算法的基本参数,所述基本参数包括:最大蚂蚁代数K、每代蚂蚁数目M、信息素总量Q、信息素挥发系数ρ、每架飞机在每个节点的信息素初始值τ和表征信息素重要程度的信息启发因子α。
还需要读取航班信息和航班最小飞行安全间隔时间数据,其中,所述航班信息包括航班机型以及预计进场时刻,所述航班最小飞行安全间隔时间数据包括不同机型的航班之间所必需的尾流间隔。
步骤302、初始节点选择:在满足MPS约束的情况下,随机选择初始节点,按初始节点在各个跑道的滑行路径长短选择跑道,将已选择的初始节点加入禁忌表中。
步骤303、蚂蚁在航班和跑道对应的求解网络中根据自定义的状态转移规则依次选取后续节点。
将油量系数、故障安全系数、着陆优先级系数和滑行距离系数作为期望启发式信息,并设置表示期望启发式信息重要程度的期望启发式因子β1、β2、β3和β4。
本发明实施例为多跑道问题设计了跑道选择的期望启发式信息Rwy,对应的期望启发式因子为β5。
蚁群算法中蚂蚁爬行过程中的节点选择实行轮盘赌法,在满足MPS约束的情况下,每只蚂蚁在已知跑道的节点i去往跑道r的节点j的状态转移概率为:
其中,b为滑行距离系数,属于常数,distancej,r为滑行路径长度,Oj、Fj、Prj分别表示节点j的油量系数、故障安全系数和优先级系数,β1、β2、β3和β4分别为表征油量系数、故障安全系数、着陆优先级系数和滑行距离系数的重要程度的期望启发式因子,α为表征信息素重要程度的信息启发因子,为节点i去往跑道r上节点j的路径上的信息素浓度值的α次方,为处于节点i去往跑道w上节点s的路径上的信息素浓度值的α次方,s为不在禁忌表中的任一节点,w为任一跑道,Rwy为跑道选择的期望启发式信息,β5为Rwy对应的期望启发式因子,R为机场跑道数量。
假设pr为目前已走路径(即禁忌表中)r跑道上最后一架航班,若pr为空,令Rwyj,r=1,若不为空,则其中,为前后两架飞机之间的尾流间隔,c为跑道选择系数,属于常数,用于调整pr存在情况下与为空情况下概率的大小分布。
为加快收敛速度,加入蚁群系统中的新的状态转移规则——强制状态转移规则。设定值域范围为[0,1]的节点强制选择系数q0,并生成值域范围为[0,1]的随机数q,当q≥q0时,按信息素浓度的概率进行状态转移,当q<q0时,强制选择状态转移概率最大的下一步节点即
按照此自定义的状态转移规则,蚂蚁进行下一步的节点选择,重新此操作直至遍历所有节点,则视为该蚂蚁完成寻路过程。循环上述寻路过程直至当代所有蚂蚁全部出动。
步骤304、判断是否所有蚂蚁完成一次遍历,若是,则对当代最优解进行判定,若当代最优解不优于全局最优解,则引入遗传变异因子,在保证位置变动范围较小的情况下对所述当代最优解进行多次变异,若变异结果优于当代最优,则用变异结果替换当代最优解。
假设当前为第k代,第k代所有蚂蚁寻找的路径中的最短路径为当代最优解,记为current_bestk,第1代至第k代所有蚂蚁寻找的路径中最短路径的长度即全局最优解为global_bestk。当每代蚂蚁完成寻路后,对当代最优解进行判定:若不优于全局最优解,则在保证位置变动范围较小的情况下对其进行多次变异,若变异结果优于当代最优,则用变异结果替换当代最优解。从而避免局部最优的信息素浓度堆积。
步骤305、基于当前蚂蚁代数,对当代最优解进行信息素浓度的增量计算,并对所有节点进行信息素浓度更新。
具体地,每一代迭代结束,先对当代最优解current_best(对应路径为ROUTE_current)进行信息素浓度的增量计算:
其中,Δτa,b,c代表当飞机a位于位置b且落在跑道c的信息素浓度增量,Q为信息素总量。
在蚁群算法的蚁周模型中,L为对应路径的长度。式(14)中,分母引入当前蚂蚁代数k,是为了削弱迭代后期当代最优对信息素浓度更新的影响,同时引入当代最优与全局最优的差值,令差值小的路径的信息素浓度增量较大。
其次,对所有节点进行信息素浓度更新,其中信息素浓度蒸发一部分,并将之前计算的信息素浓度的增量进行累加:
τi,j,r=(1-ρ1)τi,j,r+Δτi,j,r (15)
其中,i=1,2,···,N,j=1,2,···,N,r=1,2,···,R,τi,j,r为节点i去往跑道r上节点j的路径上的信息素浓度值,ρ1为信息素浓度蒸发比例,Δτi,j,r为信息素浓度增量。
在一个实施例中,为加快收敛速度,还为当前的全局最优解(对应路径为ROUTE_global)进行信息素浓度的更新:
其中,a为全局最优的信息素浓度增量系数,a越大,表示全局最优解对应路径上的信息素浓度增量越大,可促使蚂蚁往该路径上迁移,若a过大,可能导致后代的最优解陷入局部最优,故该系数应按需要进行选择。ρ2为全局最优的信息素蒸发系数,其值越小,则全局最优对寻路的影响越大。
在迭代过程中,在为当代最优对应的路径更新信息素浓度后,通过对全局最优解对应路径上的信息素浓度进行再次更新,可以保证全局最优解对应路径上的信息素浓度值不会挥发得过快。
在一个实施例中,为保证局部浓度不会过分累积或蒸发,将各节点的信息素浓度限制在一定范围内:
步骤306、迭代到第K代,提取最后一代的最优解作为最终结果,即含有跑道号的航班序列。
本发明实施例提供的飞机着陆排队优化方法,考虑空中盘旋等待时间最短的基础上将飞机剩余油量、故障、优先级等信息,提出综合的优化目标;同时考虑了跑道和滑行道构型对飞机着陆排队的影响,在约束条件中加入了跑道占用时间约束;利用改进的蚁群算法对目标函数进行优化,在迭代过程中,在为当代最优对应的路径更新信息素浓度后,通过对全局最优解对应路径上的信息素浓度进行再次更新,可以保证全局最优解对应路径上的信息素浓度值不会挥发得过快;并且为防止在早代陷入局部最优,将蚂蚁代数加入更新规则中,保证较早代在全局最优更新时信息素浓度增量较小,同时引入强制状态转移规则加快收敛速度,引入最大最小蚂蚁机制限制信息素过度蒸发或累积。本发明实施例提供的飞机着陆排队优化方法,收敛速度快,获得的结果也更符合实际航班调度的情况。
图3为本发明实施例提供的飞机着陆排队优化装置的结构示意图,如图3所示,该装置包括:目标构建模块310、约束确定模块320和求解模块330,其中,
目标构建模块310,用于基于空中盘旋等待时间最短,并结合飞机剩余油量、故障安全系数和着陆优先级信息,构建飞机着陆排队优化的目标模型;
约束确定模块320,用于确定所述飞机着陆排队优化的目标模型的约束条件;
求解模块330,用于基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的航班序列。
本发明实施例提供的飞机着陆排队优化装置,具体执行上述各飞机着陆排队优化方法实施例的流程,具体请详见上述各飞机着陆排队优化方法实施例的内容,在此不再赘述。
本发明实施例提供的飞机着陆排队优化装置,考虑空中盘旋等待时间最短的基础上将飞机剩余油量、故障、优先级等信息,提出综合的优化目标;同时考虑了跑道和滑行道构型对飞机着陆排队的影响,在约束条件中加入了跑道占用时间约束;利用改进的蚁群算法对目标函数进行优化,在迭代过程中,在为当代最优对应的路径更新信息素浓度后,通过对全局最优解对应路径上的信息素浓度进行再次更新,可以保证全局最优解对应路径上的信息素浓度值不会挥发得过快;并且为防止在早代陷入局部最优,将蚂蚁代数加入更新规则中,保证较早代在全局最优更新时信息素浓度增量较小,同时引入强制状态转移规则加快收敛速度,引入最大最小蚂蚁机制限制信息素过度蒸发或累积。利用本发明实施例提供的飞机着陆排队优化装置,收敛速度快,获得的结果也更符合实际航班调度的情况。
基于上述实施例的内容,所述求解模块具体用于:
初始化蚁群算法的基本参数,所述基本参数包括:最大蚂蚁代数K、每代蚂蚁数目M、信息素总量Q、信息素挥发系数ρ、每架飞机在每个节点的信息素初始值τ和表征信息素重要程度的信息启发因子α;
在满足MPS约束的情况下,随机选择初始节点,按初始节点在各个跑道的滑行路径长短选择跑道,将已选择的初始节点加入禁忌表中;
蚂蚁在航班和跑道对应的求解网络中根据自定义的状态转移规则依次选取后续节点;
判断是否所有蚂蚁完成一次遍历,若是,则对当代最优解进行判定,若当代最优解不优于全局最优解,则引入遗传变异因子,在保证位置变动范围较小的情况下对所述当代最优解进行多次变异,若变异结果优于当代最优,则用变异结果替换当代最优解;
基于当前蚂蚁代数,对当代最优解进行信息素浓度的增量计算,并对所有节点进行信息素浓度更新;
重复执行选择初始节点、选取后续节点并进行信息素浓度更新的步骤,直至迭代到第K代,提取最后一代的最优解。
图4为本发明实施例提供的电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储在存储器430上并可在处理器410上运行的计算机程序,以执行上述各实施例提供的飞机着陆排队优化方法,例如包括:基于空中盘旋等待时间最短,并结合飞机剩余油量、故障安全系数和着陆优先级信息,构建飞机着陆排队优化的目标模型;确定所述飞机着陆排队优化的目标模型的约束条件;基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的航班序列。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的飞机着陆排队优化方法,例如包括:基于空中盘旋等待时间最短,并结合飞机剩余油量、故障安全系数和着陆优先级信息,构建飞机着陆排队优化的目标模型;确定所述飞机着陆排队优化的目标模型的约束条件;基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的航班序列。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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:其依然可以对前述各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各实施例技术方案的精神和范围。
Claims (9)
1.一种飞机着陆排队优化方法,其特征在于,包括:
基于空中盘旋等待时间最短,并结合飞机剩余油量、故障安全系数和着陆优先级信息,构建飞机着陆排队优化的目标模型;
确定所述飞机着陆排队优化的目标模型的约束条件;
基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的最优航班序列;
其中,所述飞机着陆排队优化的目标模型具体为:
其中,wi=m1·Oi+m2·Fi+m3·Pri,
2.根据权利要求1所述的方法,其特征在于,所述飞机着陆排队优化的目标模型的约束条件包括:每架飞机的ETA和STA约束、尾流间隔约束、跑道占用时间约束和位置变动约束。
3.根据权利要求1所述的方法,其特征在于,所述基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的航班序列的步骤,具体为:
初始化蚁群算法的基本参数,所述基本参数包括:最大蚂蚁代数K、每代蚂蚁数目M、信息素总量Q、信息素挥发系数ρ、每架飞机在每个节点的信息素初始值τ和表征信息素重要程度的信息启发因子α;
在满足MPS约束的情况下,随机选择初始节点,按初始节点在各个跑道的滑行路径长短选择跑道,将已选择的初始节点加入禁忌表中;
蚂蚁在航班和跑道对应的求解网络中根据自定义的状态转移规则依次选取后续节点;
判断是否所有蚂蚁完成一次遍历,若是,则对当代最优解进行判定,若当代最优解不优于全局最优解,则引入遗传变异因子,在保证位置变动范围较小的情况下对所述当代最优解进行多次变异,若变异结果优于当代最优,则用变异结果替换当代最优解;
基于当前蚂蚁代数,对当代最优解进行信息素浓度的增量计算,并对所有节点进行信息素浓度更新;
重复执行选择初始节点、选取后续节点并进行信息素浓度更新的步骤,直至迭代到第K代,提取最后一代的最优解。
4.根据权利要求3所述的方法,其特征在于,所述蚂蚁在航班和跑道对应的求解网络中根据自定义的状态转移规则依次选取后续节点的步骤,具体为:
设定值域范围为[0,1]的节点强制选择系数q0,并生成值域范围为[0,1]的随机数q;
若q≥q0,按信息素浓度的概率进行状态转移;或者,若q<q0,强制选择状态转移概率最大的下一步节点;
其中,在满足MPS约束的情况下,每只蚂蚁在已知跑道的节点i去往跑道r的节点j的状态转移概率的计算公式为:
5.根据权利要求3所述的方法,其特征在于,所述基于当前蚂蚁代数,对当代最优解进行信息素浓度的增量计算,并对所有节点进行信息素浓度更新的步骤,具体为:
基于当前蚂蚁代数,对当代最优解进行信息素浓度的增量计算,对所有节点进行信息素浓度更新,对当前的全局最优解进行信息素浓度的更新。
6.一种飞机着陆排队优化装置,其特征在于,包括:
目标构建模块,用于基于空中盘旋等待时间最短,并结合飞机剩余油量、故障安全系数和着陆优先级信息,构建飞机着陆排队优化的目标模型;
约束确定模块,用于确定所述飞机着陆排队优化的目标模型的约束条件;
求解模块,用于基于所述约束条件,利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解,获得含有跑道号的航班序列;
其中,所述飞机着陆排队优化的目标模型具体为:
其中,wi=m1·Oi+m2·Fi+m3·Pri,
7.根据权利要求6所述的装置,其特征在于,所述求解模块具体用于:
初始化蚁群算法的基本参数,所述基本参数包括:最大蚂蚁代数K、每代蚂蚁数目M、信息素总量Q、信息素挥发系数ρ、每架飞机在每个节点的信息素初始值τ和表征信息素重要程度的信息启发因子α;
在满足MPS约束的情况下,随机选择初始节点,按初始节点在各个跑道的滑行路径长短选择跑道,将已选择的初始节点加入禁忌表中;
蚂蚁在航班和跑道对应的求解网络中根据自定义的状态转移规则依次选取后续节点;
判断是否所有蚂蚁完成一次遍历,若是,则对当代最优解进行判定,若当代最优解不优于全局最优解,则引入遗传变异因子,在保证位置变动范围较小的情况下对所述当代最优解进行多次变异,若变异结果优于当代最优,则用变异结果替换当代最优解;
基于当前蚂蚁代数,对当代最优解进行信息素浓度的增量计算,并对所有节点进行信息素浓度更新;
重复执行选择初始节点、选取后续节点并进行信息素浓度更新的步骤,直至迭代到第K代,提取最后一代的最优解。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291122.5A CN109583627B (zh) | 2018-10-31 | 2018-10-31 | 飞机着陆排队优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291122.5A CN109583627B (zh) | 2018-10-31 | 2018-10-31 | 飞机着陆排队优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583627A CN109583627A (zh) | 2019-04-05 |
CN109583627B true CN109583627B (zh) | 2020-09-29 |
Family
ID=65921189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811291122.5A Active CN109583627B (zh) | 2018-10-31 | 2018-10-31 | 飞机着陆排队优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583627B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110364032B (zh) * | 2019-07-19 | 2021-07-20 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 飞行器进入保护区方法及系统、管理飞行器方法及系统 |
CN110808911B (zh) * | 2019-11-13 | 2022-05-17 | 天津津航计算技术研究所 | 基于蚁群信息素的组网通信路由方法 |
IT201900023916A1 (it) * | 2019-12-13 | 2021-06-13 | Giovanni Brambilla | Metodo per la generazione di una sequenza di orari di arrivo allo IAF di aeromobili. |
CN112233462B (zh) * | 2020-09-30 | 2022-03-25 | 中国民用航空飞行学院 | 一种飞机着陆的动态时间间隔计算方法与系统 |
CN112949978B (zh) * | 2021-01-25 | 2022-10-28 | 中国民航大学 | 基于协同优化的应急备降场选择方法 |
CN113159265B (zh) * | 2021-03-24 | 2022-09-09 | 国网河南省电力公司电力科学研究院 | 基于svm-蚁群算法的牵引负荷参数辨识方法及系统 |
CN114067483B (zh) * | 2021-11-23 | 2024-05-31 | 中国工商银行股份有限公司 | 智能排队叫号方法、装置、电子设备及介质 |
CN114493210A (zh) * | 2022-01-17 | 2022-05-13 | 空地互联网络科技股份有限公司 | 一种基于大数据的航空管理平台数据处理方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0307138D0 (en) * | 2003-03-27 | 2003-04-30 | British Telecomm | Sequencing vehicles |
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 |
CN104881720B (zh) * | 2015-06-04 | 2018-06-01 | 北京航空航天大学 | 一种航班调度方法和装置 |
CN105023068B (zh) * | 2015-08-06 | 2019-03-01 | 北京航空航天大学 | 一种基于规则挖掘的航班进离场协同调度方法 |
CN105355091B (zh) * | 2015-10-22 | 2017-11-24 | 北京航空航天大学 | 终端区流量调控方法 |
CN106485954B (zh) * | 2016-10-14 | 2019-02-01 | 中国民航大学 | 基于Point Merge航路结构的繁忙终端区内进场航迹动态优化方法 |
CN107016881B (zh) * | 2017-05-11 | 2019-05-31 | 中国电子科技集团公司第二十八研究所 | 一种多跑道机场进场航班多效能优化排序方法 |
CN107393348A (zh) * | 2017-07-10 | 2017-11-24 | 南京航空航天大学 | 一种信息共享机制下的进离场航班协同排序方法 |
CN107591034A (zh) * | 2017-08-09 | 2018-01-16 | 南京莱斯信息技术股份有限公司 | 一种进港航班排序的实现方法 |
-
2018
- 2018-10-31 CN CN201811291122.5A patent/CN109583627B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109583627A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583627B (zh) | 飞机着陆排队优化方法及装置 | |
CN109584638B (zh) | 一种面向区域网络的先期航班时刻协同优化方法 | |
US20220375352A1 (en) | Flight trajectory multi-objective dynamic planning method | |
CN112949978B (zh) | 基于协同优化的应急备降场选择方法 | |
Bower et al. | Multi-objective aircraft optimization for minimum cost and emissions over specific route networks | |
CN113706931B (zh) | 空域的流控策略推荐方法、装置、电子设备及存储介质 | |
CN112530206B (zh) | 空中交通网络脆弱性分析方法 | |
CN112735188B (zh) | 基于复杂网络理论的空中交通网络脆弱性分析系统 | |
CN114664119B (zh) | 一种航班跑道排序与优化调度方法 | |
Veresnikov et al. | Methods for solving of the aircraft landing problem. I. Exact solution methods | |
Bing et al. | Scheduling arrival aircrafts on multi-runway based on an improved artificial fish swarm algorithm | |
Mirmohammadsadeghi et al. | Enhancements to the runway capacity simulation model using the asde-x data for estimating airports throughput under various wake separation systems | |
CN109979245B (zh) | 飞行流量调控方法和装置 | |
Chou et al. | A machine learning application for predicting and alerting missed approaches for airport management | |
CN113449915A (zh) | 一种基于知识图谱的航班延误预测方法 | |
Mahmud et al. | Aircraft landing scheduling using embedded flower pollination algorithm | |
Marinus et al. | Fuel weight estimates of military turbo-propeller transport aircraft | |
Antolovic et al. | Calculation of airplane wake turbulence re-categorisation effects | |
Dönmez | Aircraft sequencing under the uncertainty of the runway occupancy times of arrivals during the backtrack procedure | |
Ayzit et al. | Generalizable Aircraft Takeoff Weight Estimation from Trajectory Data using Machine Learning | |
Anderson et al. | Analysis of flight delays in aviation system using different classification algorithms and feature selection methods | |
He et al. | Data-driven method for estimating aircraft mass from quick access recorder using aircraft dynamics and multilayer perceptron neural network | |
Tarasonok et al. | Models for forecasting flight delays | |
Chow et al. | Data-driven Runway Occupancy Time Prediction using Decision Trees | |
Li et al. | An Overview of Civil Aviation Accidents and Risk Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |