CN110288857B - 一种基于时空间维度分解的机场停机位快速调度方法 - Google Patents

Abstract

本发明涉及机场停机控制技术领域，尤其涉及一种基于时空间维度分解的机场停机位快速调度方法，解决现有技术中存在的缺点，包括以下步骤：S1、建立初始种群，S2、得到初始停机矩阵，S3、调整停机矩阵，S4、记录最优值及停机矩阵，S5、根据改进的量子旋转门得到新的停机矩阵，S6、调整新的停机矩阵，S7、记录最优值及停机矩阵，S8、判断是否达到最大迭代次数并输出结果，本发明通过此方法实现了对枢纽机场不同时段航班停机位的高效快速分配，使其获得满意的枢纽机场停机位，不仅对提高了航空器的利用率，而且对保证航班计划的正常实现、降低运输成本、为旅客提供优良服务等有了很大的提升。

Description

一种基于时空间维度分解的机场停机位快速调度方法

技术领域

本发明涉及机场停机控制技术领域，尤其涉及一种基于时空间维度分解的机场停机位快速调度方法。

背景技术

枢纽机场停机位分配问题是一个NP问题，具有极其复杂的约束条件，且枢纽机场场面复杂布局、多航班、高频度、大量周转，使得传统求解方法已经很难找到枢纽机场停机位分配问题的精确最优解。而一般的智能优化算法也较难找到符合要求的枢纽机场停机位分配最优解。改进的量子进化算法具有种群分散性好、全局搜索能力强、收敛速度快以及较强的记忆能力，能保持解的多样性。

因此，本文将改进的量子进化算法用于求解枢纽机场停机位分配问题的多目标优化模型，提出一种基于改进量子进化算法的枢纽机场停机位优化分配方法，以实现枢纽机场不同时段航班的停机位高效快速分配，获得满意的枢纽机场停机位分配最优方案。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于时空间维度分解的机场停机位快速调度方法。

一种基于时空间维度分解的机场停机位快速调度方法，包括以下步骤：

S1、采用小生境策略初始化种群，初始种群表示为

产生一个种群数量为航班数，量子染色体长度为5的初始种群；

S2、对种群进行一次测量，得到二进制矩阵，每行的二进制串转化为一个十进制数作为当前航班的停机位，得到初始停机矩阵；

S3、读取停机位和航班信息，按照约束条件剔除矛盾航班，调整停机矩阵；

S4、求解目标函数值，记录最优值及停机矩阵；

S5、通过改进后的量子旋转门更新种群，得到新的停机矩阵，其中量子旋转门的表达式为

θ为旋转角，θ＝Δθ·s(α,β)，Δθ表示旋转角的大小，s(α,β)表示旋转角的方向，自动调整量子进化算法量子门旋转角度的大小和方向表达式为

S6、按照约束条件剔除矛盾航班，调整停机矩阵；

S7、求解目标函数值，记录最优值及停机矩阵；

S8、判断是否达到最大迭代次数，如果满足则输出结果，否则转到S5。

优选的，所述长度为5的量子染色体可表示为

其中，单个量子位可表示为

其中α和β为复数，分别表示状态|0＞和|1＞的概率幅。

优选的，所述目标函数的构建包括停机位分配的优化目标函数以及目标函数的无量化处理，其中停机位分配的优化目标函数又包含了停机位空闲时间最均衡的目标函数、旅客步行距离最短的目标函数和大型停机位最充分利用的目标函数。

优选的，所述停机位空闲时间最均衡的目标函数为：

其中，n表示航班总数，m表示停机位个数，S_dk为航班d到达k机位时，此停机位的空闲时间，SS_k表示停机位的空闲时间，旅客步行距离最短的目标函数为：

其中，q_dj是指被分配到停机位j上的航班d中的旅客转移人数，f_j是指旅客到达停机位j所需走过的距离，y_dj为0-1变量；d表示航班，j表示停机位，大型停机位最充分利用的目标函数为：

其中，G_dj是指停在大型停机位上的中小型飞机及停在中型停机位上的小型飞机。

优选的，所述目标函数的无量化处理中以一组目标函数F₁(x),F₂(x),…F_ε(x)来表示目标函数，其中ε为单目标函数的个数，对所枢纽机场停机位分配问题模型的建立如下：

min[F₁(x),F₂(x),…F_ε(x)]，

并采用加权法设定权重因子W_i≥0，其中，i＝1,2,…,ψ，则目标函数可以表示为：

设

且

则经过无量化处理后的目标函数为：

s.t.

G_r≥F_t(y_ur＝1)，

F_near＞F_far＞g_stop。

相比于现有技术，本发明通过此方法实现了对枢纽机场不同时段航班停机位的高效快速分配，使其获得满意的枢纽机场停机位，不仅对提高了航空器的利用率，而且对保证航班计划的正常实现、降低运输成本、为旅客提供优良服务等有了很大的提升。

附图说明

图1为本发明提出的一种基于时空间维度分解的机场停机位快速调度方法的流程图；

图2为本发明提出的200次迭代停机位分布甘特图；

图3为本发明提出的2000次迭代停机位分布甘特图；

图4为本发明提出的200次迭代寻优曲线；

图5为本发明提出的2000次迭代寻优曲线；

图6为本发明提出的200次迭代各停机位分配航班熟数量；

图7为本发明提出的2000次迭代各停机位分配航班熟数量。

具体实施方式

下面结合具体实施例对本发明作进一步解说。

参照图1-7，一种基于时空间维度分解的机场停机位快速调度方法，包括以下步骤：

S1、采用小生境策略初始化种群，初始种群表示为

产生一个种群数量为航班数，量子染色体长度为5的初始种群；

S2、对种群进行一次测量，得到二进制矩阵，每行的二进制串转化为一个十进制数作为当前航班的停机位，得到初始停机矩阵；

S3、读取停机位和航班信息，按照约束条件剔除矛盾航班，调整停机矩阵；

S4、求解目标函数值，记录最优值及停机矩阵；

S5、通过改进后的量子旋转门更新种群，得到新的停机矩阵，其中量子旋转门的表达式为

θ为旋转角，θ＝Δθ·s(α,β)，Δθ表示旋转角的大小，s(α,β)表示旋转角的方向，自动调整量子进化算法量子门旋转角度的大小和方向表达式为

S6、按照约束条件剔除矛盾航班，调整停机矩阵；

S7、求解目标函数值，记录最优值及停机矩阵；

S8、判断是否达到最大迭代次数，如果满足则输出结果，否则转到S5。

其中，长度为5的量子染色体可表示为

其中，单个量子位可表示为

其中α和β为复数，分别表示状态|0＞和|1＞的概率幅。

另外的，目标函数的构建包括停机位分配的优化目标函数以及目标函数的无量化处理，其中停机位分配的优化目标函数又包含了停机位空闲时间最均衡的目标函数、旅客步行距离最短的目标函数和大型停机位最充分利用的目标函数，停机位空闲时间最均衡的目标函数为：

其中，n表示航班总数，m表示停机位个数，S_dk为航班d到达k机位时，此停机位的空闲时间，SS_k表示停机位的空闲时间，旅客步行距离最短的目标函数为：

其中，q_dj是指被分配到停机位j上的航班d中的旅客转移人数，f_j是指旅客到达停机位j所需走过的距离，y_dj为0-1变量；d表示航班，j表示停机位，大型停机位最充分利用的目标函数为：

其中，G_dj是指停在大型停机位上的中小型飞机及停在中型停机位上的小型飞机。

并且，目标函数的无量化处理中以一组目标函数F₁(x),F₂(x),…F_ε(x)来表示目标函数，其中ε为单目标函数的个数，对所枢纽机场停机位分配问题模型的建立如下：

min[F₁(x),F₂(x),…F_ε(x)]，

并采用加权法设定权重因子W_i≥0，其中，i＝1,2,…,ψ，则目标函数可以表示为：

设

且

则经过无量化处理后的目标函数为：

s.t.

G_r≥F_t(y_ur＝1)，

F_near＞F_far＞g_stop。

本实施例中：

实验环境选择：Intel(R)core(TM)i5-7400CPU3.00GHz，8GRAM，Windows10，MATLABR2018a；

实验选取的数据为广州白云机场的航班停机位分配数据，对2015年7月26号的30个停机位及该机场26号一天内的250个航班进行停机位预分配。读取停机位的信息，记录在30个停机位首次有航班占用为开始时间，250个航班全部离港为结束时间。停机位按可存放的飞机大小分为大、中、小三种类型，航班也分为大、中、小三种机型。大型停机位可以存放所有机型，中型停机位可以存放中、小型机型，小型停机位只能停放小型机。没有分配到停机位上的航班全部停放在停机坪上。停机位属性如表1，部分航班信息如表2。

表1白云机场停机位数据资料

表2白云机场部分航班数据资料

本实施例所选取的实验参数为量子染色体长度5，种群大小250，学习因子2*gen/MAXGEN，分别进行迭代200代和2000代各20次实验。

采用改进的量子进化算法算法对停机位分配模型进行了停机位分配实验，实验分别进行了迭代200次和2000次各20组，取每组20次中最好一组的分配结果进行分析，得到的预分配结果如表3表4所示，进一步生成的甘特图如图2图3所示，求解最优值的变化曲线如图4图5所示，为了更直观的提现出停机位的占用情况，图6图7给出了各个停机位分配到的航班数量。

表3迭代200代停机位预分配结果

表4迭代2000代停机位预分配结果

对改进后的算法应用于机场停机位的实验分别测试了迭代200代和2000代各20次，实验测试结果整理如表5所示：

表5 20次实验测试结果

从得到的结果来看，经过两百次迭代的实验上停机位平均占有率达到92％，平均时间需要8.8352秒，平均迭代次数为99，收敛速度快，但部分停机位的利用率较低。相比200代的测试结果，2000代测试虽然所需时间略长，但能得到的分配结果更好，平均分配率达到95％，最好的一次分配率达到97％，而且从各个停机位分配航班数量来看，各个停机位分配到的航班数量比较均衡，大部分都被分配了7-9个航班，停机位利用率高，因此使用改进后的量子进化算法进行枢纽机场停机位仿真实验测试得到的结果较为理想，总体上收敛速度快，寻优能力好，停机位的利用效率高。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于时空间维度分解的机场停机位快速调度方法，其特征在于，包括以下步骤：

S1、采用小生境策略初始化种群，初始种群表示为

产生一个种群数量为航班数，量子染色体长度为5的初始种群；

S2、对种群进行一次测量，得到二进制矩阵，每行的二进制串转化为一个十进制数作为当前航班的停机位，得到初始停机矩阵；

S3、读取停机位和航班信息，按照约束条件剔除矛盾航班，调整停机矩阵；

S4、求解目标函数值，记录最优值及停机矩阵；

S5、通过改进后的量子旋转门更新种群，得到新的停机矩阵，其中量子旋转门的表达式为

θ为旋转角，θ＝Δθ·s(α,β)，Δθ表示旋转角的大小，s(α,β)表示旋转角的方向，自动调整量子进化算法量子门旋转角度的大小和方向表达式为

S6、按照约束条件剔除矛盾航班，调整停机矩阵；

S7、求解目标函数值，记录最优值及停机矩阵；

S8、判断是否达到最大迭代次数，如果满足则输出结果，否则转到S5。

2.根据权利要求1所述的一种基于时空间维度分解的机场停机位快速调度方法，其特征在于，所述长度为5的量子染色体可表示为

其中，单个量子位可表示为

其中α和β为复数，分别表示状态|0＞和|1＞的概率幅。

3.根据权利要求1所述的一种基于时空间维度分解的机场停机位快速调度方法，其特征在于，所述目标函数的构建包括停机位分配的优化目标函数以及目标函数的无量化处理，其中停机位分配的优化目标函数又包含了停机位空闲时间最均衡的目标函数、旅客步行距离最短的目标函数和大型停机位最充分利用的目标函数。

4.根据权利要求3所述的一种基于时空间维度分解的机场停机位快速调度方法，其特征在于，所述停机位空闲时间最均衡的目标函数为：

其中，n表示航班总数，m表示停机位个数，S_dk为航班d到达k机位时，此停机位的空闲时间，SS_k表示停机位的空闲时间，旅客步行距离最短的目标函数为：

其中，q_dj是指被分配到停机位j上的航班d中的旅客转移人数，f_j是指旅客到达停机位j所需走过的距离，y_dj为0-1变量；d表示航班，j表示停机位，大型停机位最充分利用的目标函数为：

其中，G_dj是指停在大型停机位上的中小型飞机及停在中型停机位上的小型飞机。

5.根据权利要求4所述的一种基于时空间维度分解的机场停机位快速调度方法，其特征在于，所述目标函数的无量化处理中以一组目标函数F_1(x),F_2(x),…F_ε(x)来表示目标函数，其中ε为单目标函数的个数，对所枢纽机场停机位分配问题模型的建立如下：

min[F₁(x),F₂(x),…F_ε(x)]，

并采用加权法设定权重因子W_i≥0，其中，i＝1,2,…,ψ，则目标函数可以表示为：

设

且

则经过无量化处理后的目标函数为：

s.t.

G_r≥F_t(y_ur＝1)，

F_near＞F_far＞g_stop。

Images