CN110751309A - 一种不正常航班的恢复方法、电子设备及存储介质 - Google Patents

一种不正常航班的恢复方法、电子设备及存储介质 Download PDF

Info

Publication number
CN110751309A
CN110751309A CN201910813465.1A CN201910813465A CN110751309A CN 110751309 A CN110751309 A CN 110751309A CN 201910813465 A CN201910813465 A CN 201910813465A CN 110751309 A CN110751309 A CN 110751309A
Authority
CN
China
Prior art keywords
solution
flight
aircraft
buffer pool
subsequent
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.)
Granted
Application number
CN201910813465.1A
Other languages
English (en)
Other versions
CN110751309B (zh
Inventor
赵明宇
许南
于贵桃
陈创希
赵磊
常先英
曾力舜
丁树民
吴东岳
刘醒龙
林志发
董松月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHINA NANFANG AIRWAYS Co Ltd
Original Assignee
CHINA NANFANG AIRWAYS Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHINA NANFANG AIRWAYS Co Ltd filed Critical CHINA NANFANG AIRWAYS Co Ltd
Priority to CN201910813465.1A priority Critical patent/CN110751309B/zh
Publication of CN110751309A publication Critical patent/CN110751309A/zh
Application granted granted Critical
Publication of CN110751309B publication Critical patent/CN110751309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开不正常航班的恢复方法、电子设备及存储介质，读取航班计划、异常事件，生成航班连接规则和航班连接图；通过对航班的顺延和取消，获得初始可行解；从解缓冲池中随机选取若干可行解，并分别转换成后继解的形式；通过对后继解进行交叉和变异操作，获得部分后继解；利用列生成算法，获得由当前部分后继解所定义的局部飞机恢复问题的线性松弛问题的最优解或近优解；令C为求解过程中所生成的列的集合，将C的列放入列缓冲池；构造飞机恢复问题的整数规划模型，以P中最差解的目标值作为上界进行求解；求出最终解，完成航班的恢复。本发明通过对航空公司运行调度业务的分析，提取相应规则，制定不正常航班的恢复方案，达到资源的优化配置。

Description

一种不正常航班的恢复方法、电子设备及存储介质
技术领域
本发明涉及航空运输规划与管理领域，尤其涉及一种不正常航班的恢复方法、电子设备及存储介质。
背景技术
近年来，随着极端恶劣天气的频繁发生和民航运输业的高速发展，我国航班延误的现象日趋频繁，造成的后果也愈加严重。尽管难以准确量化航延所造成经济损失，但是它无疑是巨大的。这从中国民航局已将“航班正常率力争达到80％”作为第四大主要目标中也可见一斑。
民航系统的运行受天气、航空管制、旅客因素和技术保障等多种不可控因素影响，因此航班延误的成因非常复杂，无法做到完全避免。不过，在发生航班延误时，航空公司可以通过重新安排飞机、机组和旅客行程来尽可能降低航延损失，这个过程被称为航班恢复。航班恢复是一项直接决定航班正常率的关键因素。
飞机是航空公司最稀缺的资源，在发生延误的情况下如何使用飞机直接决定了最终的航班正点率以及绝大部分的航延损失。因此，对飞机进行重新调度的飞机恢复问题(ARP,Aircraft Recovery Problem)是整个航班恢复过程中最重要的问题。
在发生航班延误时，ARP为每架飞机重新规划路线并重新安排航班时刻，从而生成一个新的航班计划。恢复的目标有多个，但主要在于降低总体延误时间，以使航空公司和旅客的损失最小。通常，飞机恢复只考虑一天内的航班。合法的航班计划必须满足一些物理限制和行业规定。ARP的核心约束主要包括：
1.起飞时间限制规则：航班起飞时间不得早于其计划起飞时间；另外航班也不能任意晚点，一般要求延误不能超过8小时。若实在无法执行，则应取消航班。总之，任何一个航班的起飞时间必须在一个时间窗口[ta,tb]内。
2.航班衔接规则：同一架飞机前后相邻的两个航班任务，前一个航班的落地机场必须与后一个航班的起飞机场相同。
3.过站时间规则限制：飞机在机场的过站时间需大于等于其在该机场的最小过站时间。这段时间用来加油、上下旅客、装卸行李以及对飞机进行检查等等。
4.机场宵禁/关闭规则：起飞和落地时间不得在机场宵禁或关闭时段。
5.出港流量规则：根据中国民航局的现行规定，有两种流量规则需要同时满足：
(1)时段流量限制。即流控时段内，恢复机场(或走廊口)的各时段内出港航班总量不超过规定上限。时段通常以小时为单位；
(2)时间点的流量限制。在一个时段内，每隔n分钟划分为多个时间点。在每个时间点上，恢复机场(或走廊口)起飞的航班不得超过机场(或走廊口)规定上限。
6.飞机的目标机场：必须保证在每个机场过夜的飞机数量满足原计划的规定，以保证次日可按原计划进行。
解决ARP的困难主要源于两方面：一方面，ARP本身属于NP-hard问题而无法在多项式时间内求解；另一方面，ARP是实时调度问题，在几分钟内必须给出一个解决方案。因此，几乎是所有的学术研究都是以某种启发式策略进行解决。不过，这些研究往往基于某些过于理想化的假设条件，从而与现实的需求尚有差距。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种不正常航班的恢复方法，通过对航空公司运行调度业务的分析，提取相应规则，制定不正常航班的恢复方案，达到资源的优化配置。
本发明的目的之二在于提供一种电子设备，通过对航空公司运行调度业务的分析，提取相应规则，制定不正常航班的恢复方案，达到资源的优化配置。
本发明的目的之三在于提供一种计算机可读存储介质，存储有计算机程序，通过对航空公司运行调度业务的分析，提取相应规则，制定不正常航班的恢复方案，达到资源的优化配置。
本发明的目的之一采用如下技术方案实现：
一种不正常航班的恢复方法，包括以下步骤：
S10、读取航班计划和异常事件；生成航班连接规则和每架飞机的航班连接图；通过对航班的顺延和取消，获得初始可行解；将所述初始可行解放入解缓冲池P，初始可行解中的列放入列缓冲池L；
S20、创建k个线程，每个线程执行以下S30到S90；
S30、从所述解缓冲池P中随机选取若干可行解，并分别转换成后继解的形式；通过对所述后继解进行交叉和变异操作，获得一个部分后继解；
S40、利用列生成算法，获得由当前部分后继解所定义的局部飞机恢复问题的线性松弛问题的最优解或近优解；令C为求解过程中所生成的列的集合，并将C中的列同时放入所述列缓冲池L；
S50、利用C中的列构造飞机恢复问题的整数规划模型，并以P中最差解的目标值作为上界进行求解；若无解，转至S90；否则将获得一个优于P中最差解的整数解；
S60、比较所述整数解与解缓冲池P中的最优解，若它优于解缓冲池P中最优解或者与解缓冲池P中某个解的相似度小于某个预设值，则将所述整数解添加到所述解缓冲池P中，且在解缓冲池P中解的数量达到一个预设最大值时移除其中的最差解；否则，则转至S90；
S70、若S60更新了当前最优解，则通过列的软固定技术在所述飞机恢复问题的整数规划模型中增加约束条件，且令当前部分后继解为平凡后继解，转至 S40；
S80、令C为解缓冲池P的全部解所包含的所有列，转至S50；
S90、若满足预设终止条件，则结束当前线程的执行；否则转至S30；
S100、完成不正常航班的恢复，当前最优解为最终解。
进一步地，所述S40中局部飞机恢复问题模型为：
Figure BDA0002185676440000041
其中
F：所有待恢复航班的集合，设有m个航班，并记作F＝{1,2,…,m}；
A：所有飞机的集合；
R：全部飞机的所有飞行路线的集合；一条飞行路线r∈R可以表示为
Figure BDA0002185676440000051
P：所有机场的集合；
P′：所有存在流控限制的机场集合，
Figure BDA0002185676440000052
Wp：在机场p∈P′上所有流量受控的时段集合；用w∈Wp表示某个特定时段，wk：表示时段w中的第k个时间点；
up,w：表示在机场p∈P′上时段w的流量上限；
vp,w,k：表示在机场p∈P′上时段w中的第k个时间点的流量上限；
cr：飞行路线r∈R的成本；
oi：是取消航班i∈F的所引发的成本；
ar,i：若飞机路线r包含航班i则为1，否则为0；
br,a：若飞机路线r由飞机a执行则为1，否则为0；
sr,p,w：若飞机路线r中包含的某个航班fi为受管制航班，且其起飞时间在受管制的时段w之内，则sr,p,w＝1，否则sr,p,w＝0；
tr,p,w,k：如果sr,w＝1且飞机在时刻wk出发，则tr,p,w,k＝1，否则tr,p,w,k＝0；
Q：可以过夜的机场子集，对于某个特定机场q∈Q；
er,q：如果飞机路线r∈R最终停留在机场q∈Q，则er,q＝1，否则er,q＝0；
hq：原计划中在机场q∈Q过夜的飞机数量，hq>0；
xr：模型的决策变量为对所有飞机路线集合R中的每条飞机路线r定义的0-1变量，若变量取1则表示该飞机路线被选中，反之为0；
yi：航班i∈F是否被取消的决策变量，若被取消则yi＝1，否则yi＝0。
进一步地，S30生成部分后继解，包括以下步骤：
S31、从缓冲池P中随机选取若干可行解，并分别将其转换为后继解的形式，记作s1,…,sn；
S32、对s1,…,sn执行交叉操作和变异操作，得到一个部分后继解S；
所述后继解是一个m元组，G＝(g1,g2,…,gm)，其中的gi表示在航班i的下一个航班，
Figure BDA0002185676440000061
如果任意gi都不等于-1，则称为完全后继解，否则称部分后继解；如果所有gi都等于-1则称为平凡后继解；
所述交叉操作所得到的后继解为其中，
Figure BDA0002185676440000062
所述变异操作是随机地将某些航班的下一个航班设置为-1。
进一步地，S70所述列的软固定技术为在所述不正常航班的飞机恢复问题模型中增加约束条件：
Figure BDA0002185676440000063
其中，
Figure BDA0002185676440000065
为由当前最优解中的飞机路线的列所构成的集合。
进一步地，S40中所述利用列生成算法获得当前部分后继解所定义的局部飞机恢复问题的线性松弛问题的最优解或近优解，包括以下步骤：
S41、根据S10中所述航班连接规则和S30中所述部分后继解，得到当前连接规则；
S42、根据所述当前连接规则，为每架飞机构造当前航班连接图；
S43、从所述列缓冲池L中随机选取若干满足所述当前连接规则的列，构成受限主问题；
S44、求解受限主问题，获得最优解与最优对偶解；
S45、根据所述最优对偶解，在所述列缓冲池L中寻找满足所述当前航班连接规则且缩减成本小于0的列；若有，则将其中缩减成本最小的若干列加入到所述受限主问题，并转至S44；若无，执行S46；
S46、根据所述最优对偶解，对于每架飞机的当前航班连接图调用多标签最短路径算法，寻找最短路径；所述多标签最短路径算法为有资源约束的最短路径算法，所述最短路径为缩减成本最小的路径；所述多标签最短路径算法中所调用的路径比较算法基于概率来决定比较结果；
S47、将所述最短路径的长度小于0的路径转换成列并加入所述受限主问题，并转至S44；若无，执行S48；
S48、若所述概率为0或满足预设的停止条件，则S40结束，所述受限主问题的最优解为由当前部分后继解所定义的线性松弛问题的最优解或近优解；否则，降低所述概率，并转至S46。
进一步地，所述多标签最短路径算法中的标签定义为 (C,t,n,<s1,s2,…,sm>)
成本项C为标签所对应的部分路径的成本，t为此节点所对应的事件发生的时间,n为相应部分路径中的航班数量，<s1,s2,…,sm>是一个m维的向量，用来记录已经执行过的航班，若si>0则表示该部分路径已经包括了航班i，否则为0。
进一步地，在所述多标签最短路径算法中所调用的路径比较算法中根据比较条件、概率ρ对标签进行比较；所述比较条件包括松弛条件与精确条件，对于任意两个标签l＝(C,t,n,<s1,s2,…,sm>)和l′＝(C′,t′,n′,<s′1,s′2,…,s′m>)，所述松弛条件为
Figure BDA0002185676440000082
其中∈,Δ和δ，分别表示C,t和n的误差；所述精确条件为：
Figure BDA0002185676440000083
若ρ＝100％，且标签l、l′满足松弛条件，则标签l优于标签l′；若ρ＝0，且标签l、l′满足精确条件，则标签l优于标签l′；否则，标签l优于标签l′的概率为ρ。
进一步地，所述路径的成本为
其中，若飞行路线r中的航班f是从p机场出发的，并且时间在流控窗口w内，则 ST(f,p,w)＝1，否则为0；若ST(f,p,w)＝1且航班f的起飞时间为流控窗口w中的时间点k，则ET(f,p,w,k)＝1，否则ET(f,p,w,k)＝0；所述局部飞机恢复问题模型中约束(2)～(6)所对应的对偶向量分别记作π,ρ,λ,τ,σ。
本发明的目的之二采用如下技术方案实现：
一种电子设备，包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行，处理器执行所述程序时实现如上任一项所述一种不正常航班的恢复方法的步骤。
本发明的目的之三采用如下技术方案实现：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现如上任意一项所述一种不正常航班的恢复方法。
相比现有技术，本发明的有益效果在于：
本发明提供了不正常航班的恢复方法、电子设备、存储介质，通过对航空公司运行调度业务的分析，提取了相应的优化目标、规则与约束，基于集合划分问题与列生成理论的航班恢复方法。本申请基于局部搜索策略，固定飞机飞行路线的某些片段，进行恢复，并重复此步骤，直至得到满足要求航班恢复方案。为此通过遗传算法与软固定方式，基于编码方式和列生成技术，针对不正常航班恢复的问题对对经典的多标签最短路径算法进行了改进，以控制标签数量，提高性能，快速科学地制定恢复方案，达到资源的优化配置。
附图说明
图1为本发明所提供的不正常航班的恢复方法的流程图；
图2为本发明所提供的路径比较算法流程图；
图3为本发明所提供的4架飞机的飞行计划表；
图4为本发明所提供实施例的顺延后初始解的后继形式图；
图5为本发明所提供实施例的调整方案；
图6为本发明所提供实施例二的结构框图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本申请的基本思想是同时利用启发式算法和精确算法技术来解决ARP问题。针对问题的结构特点，提出了三种构造局部问题的方法；利用本质上属于精确算法的列生成技术对子问题求解。通过这两类互补技术的深度融合，本申请所提出的方案可以获得更好的性能。
本发明具体提供了一种不正常航班的恢复方法，包括以下步骤：
(1)步骤S10，初始化：读取航班计划和异常事件；生成航班连接规则和每架飞机的航班连接图；通过对航班的顺延和取消，获得初始可行解；将所述初始可行解放入解缓冲池P，初始可行解中的列放入列缓冲池L；
初始化工作主要包括为构造航班连接规则和为每架飞机生成航班连接图等基本数据结构，以便在后面列生成中进一步处理。
对于航班i，可以根据ARP的业务规则来确定下一个航班的选择范围。因此，通过考察航班i与其他所有航班之间的关系，可以构造一个航班连接规则，记作 ConnRule＝{(i,j)|i,j∈F}。
飞机a∈A的航班连接图Ga＝(Va,Ea)。对于该飞机可执行的每个航班i都有两个节点ni和n′i，分别表示i的出发和到达；节点集合Va还包含两个虚拟节点s和 t，分别表示开始和结束。图Ga的有向边集合记作Ea。两个节点ni和n′i之间存在边(ni,n′i)∈E表示航班，称为航班边；如果两个航班i和j满足条件(i,j)∈ ConnRule，则有(n′i,nj)∈E，称之为地面边；开始节点s到每个从飞机a的就绪机场出发的航班都有一条边，称为开始边；类似地，每个到达该飞机目标机场的航班都有一条到达结束节点t的边，称为结束边。
按照上述定义构造了图Ga之后，某些节点是可以合并的。如果一组出发节点中的每一个后继节点集合相同，那么这些出发节点可以进行合并；类似地，如果一组到达节点中的每个节点的前趋节点集合相同，则这些到达节点可以合并。图Ga的简化操作很重要，可以显著降低ESPPRC (Elementary Shortest Path Problem with Resource Constraints)问题的规模，使得后面的路径比较算法操作效率更高。
根据对异常情况的分析，可以通过简单地对航班延迟和取消而得到一个初始解。它也是在发生轻微延误时，航空公司通常所采用的一种办法。
解缓冲池P是一个有序且有最大容量的集合，它存储了在求解过程中所得到的一些比较好的解，按照目标值从小到大排列。实际上，P对应遗传算法的种群，每个解都是这个种群中的个体。
列缓冲池L保存了在整个求解过程中所产生的全部列，在L中的每个列都是唯一的。
(2)步骤S20，实现并行：创建k个线程，每个线程执行以下S30到S90 步骤
可以有多个线程相对独立地运行S30到S90步骤，但是它们共享在步骤S10 所创建的解缓冲池P和列缓冲池L，以及航班连接图和航班连接规则；
(3)步骤S30，通过遗传算法定义局部问题：从所述解缓冲池P中随机选取若干可行解，并分别转换成后继解的形式；通过对所述的后继解进行交叉和变异操作，获得一个部分后继解；
S31、从缓冲池P中随机选取若干可行解，并分别将其转换为后继解的形式，记作s1,…,sn；
S32、对s1,…,sn执行交叉和变异操作，得到一个部分后继解S；
所述后继解是一个m元组，G＝(g1,g2,…,gm)，其中的gi表示在航班i的下一个航班，
Figure BDA0002185676440000121
如果任意gi都不等于-1，则称为完全后继解，否则称部分后继解；如果所有gi都等于-1则称为平凡后继解。
所述交叉操作所得到的后继解为
Figure BDA0002185676440000123
其中，
Figure BDA0002185676440000122
所述变异操作是随机地将后继解中某些航班的下一个航班设置为-1。
在现有技术中，基于遗传算法解决超大规模问题，通常是采用所谓“先生成后优化”的策略。即，首先通过某种方法生成一组可能的列，然后再利用遗传算法从中找到一个优化的解。此时，每个列对应一个基因，然后利用2点或3点交叉生成后代，再用启发式方法进行合法性修正。这种方式的缺点很明显，好解中的列可能根本就没有生成，因此不能保证得到最优解甚至近优解，这其实也是列生成技术取代了“先生成后优化”策略的根本原因。
本申请提出了一种更小粒度的编码方式，使得在优化中可以潜在地考虑全部合法的列，即飞机路线。可以用一个一维数组来表示ARP的一个解或部分解，位置i所对应的值表示在这个解中航班i的下一个航班，若等于0则表示航班i是某架飞机在当天的最后一个航班，若等于-1则表示该航班的下一个航班尚未确定。如
i 1 2 3 4 … m
h<sub>i</sub> 9 8 -1 5 … 0
航班i有以下性质：
(1)若i没有出现在数组中，且i的下一个航班为0，则表明i是被取消的航班。
(2)若i没有出现在数组中，但它的下一个航班大于0，则表明i是某架飞机所执行的第一个航班。
定义：称m元组G＝(g1,g2,…,gm),
Figure BDA0002185676440000131
是一个后继解。如果在一个后继解中，每个航班都被指定了下一个航班或者是最后一个航班，则称其为完全后继解，否则称为部分后继解。
如果在一个后继解中，每个航班都被指定了下一个航班或者是最后一个航班，则称其为完全后继解，否则称为部分后继解。设存在两个后继解sn＝ {f1,f2,…,m}；sm＝{g1,g2,…,m}，则
定义：交叉操作得到的后继解为其中，
Figure BDA0002185676440000132
定义：变异操作是将某些航班的下一个航班设置为-1。
下面结合实例说明遗传算法中后继解的编码方式：
图3是4架飞机的飞行计划，其中3架因为机务维修事件在某些时段内不可用，具体为图中机尾号为B6040的飞机的02:00-08:00、B6200的10:00-13:30、 B6203的06:00-16:00时段。现有技术中最简单的调整方式，是把与飞机上与机务维修事件重叠的航班，推迟到机务维修事件结束后执行，则造成的影响是航班延误。
而通过本申请中遗传算法的更小粒度的编码方式，图4则给出了顺延后的初始解的后继形式，其中曲线是其中第二架飞机的路线。通过更换飞机，避免航班延误，使得飞行的成本更低。图5则为通过优化后的调整方案，其对应的后继解形式为：
i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
h<sub>i</sub> 3 4 6 8 10 9 11 12 0 13 0 15 14 0 0
(4)步骤S40，利用列生成算法进行局部搜索：利用列生成算法，获得由当前部分后继解所定义的局部飞机恢复问题的线性松弛问题的最优解或近优解；令C为求解过程中所生成的列的集合，并将C中的列同时放入所述列缓冲池L。
步骤S40中根据后继解S定义局部飞机恢复问题模型ARP，
Figure BDA0002185676440000141
其中
F：所有待恢复航班的集合，设有m个航班，并记作F＝{1,2,…,m}。
A：所有飞机的集合。
R：全部飞机的所有飞行路线的集合。一条飞行路线r∈R可以表示为
P：所有机场的集合。
P′：所有存在流控限制的机场集合，
Figure BDA0002185676440000152
Wp：在机场p∈P′上所有流量受控的时段集合。用w∈Wp表示某个特定时段，wk：表示时段w中的第k个时间点。
up,w：表示在机场p∈P′上时段w的流量上限。
vp,w,k：表示在机场p∈P′上时段w中的第k个时间点的流量上限。
cr：飞行路线r∈R的成本。
oi：是取消航班i∈F的所引发的成本。
ar,i：若飞机路线r包含航班i则为1，否则为0。
br,a：若飞机路线r由飞机a执行则为1，否则为0。
sr,p,w：若飞机路线r中包含的某个航班fi为受管制航班，满足管制条件如从p机场出发，且其起飞时间在受管制的时段w之内，则sr,p,w＝1，否则sr,p,w＝0。 tr,p,w,k：如果sr,w＝1且飞机在时刻wk出发，则tr,p,w,k＝1，否则tr,p,w,k＝0。
Q：可以过夜的机场子集，对于某个特定机场q∈Q。
er,q：如果飞机路线r∈R最终停留在机场q∈Q，则er,q＝1，否则er,q＝0。
hq：原计划中在机场q∈Q过夜的飞机数量，hq>0。
xr：模型的决策变量为对所有飞机路线集合R中的每条飞机路线r定义的0-1变量，若变量取1则表示该飞机路线被选中，反之为0。
yi：航班i∈F是否被取消的决策变量，若被取消则yi＝1，否则yi＝0。
目标函数(1)包括两部分，第一项是所有被执行航班的执行成本，第二项是所有被取消航班的成本,模型优化目标为使二者的加权和最小。约束(2)保证一个航班要么被执行，要么被取消。约束(3)保证一架飞机至多只执行一条飞机路线。条件(4)保证每个时段出港航班数不超过该时段流量限制。条件(5)保证每个时刻出港航班数不超过规定的数量。约束(6)保证在恢复结束后，每个机场都有规定数量的飞机。条件(7)和(8)保证所有变量都是二元变量。
通过S30中的交叉和变异操作，可得到部分后继解。而该部分后继解定义了某些航班的下一个航班，但对其他航班没有添加额外限制，因此基于列生成算法解决另外的航班，即步骤S40。
具体地，S40包括以下步骤：
S41、根据S10中所述航班连接规则和S30中所述部分后继解，得到当前连接规则；
S42、根据所述当前连接规则，为每架飞机构造当前航班连接图；
S43、从所述列缓冲池L中选取若干满足所述当前连接规则的列，构成受限主问题；
S44、求解受限主问题，获得最优解与最优对偶解；
S45、根据所述最优对偶解，在所述列缓冲池L中寻找满足当前连接规则且缩减成本小于0的列；若有，则将其中缩减成本最小的列加入所述受限主问题，并转至所述步骤S44；若无，执行步骤S46；
S46、根据所述最优对偶解，对于每架飞机的当前航班连接图调用多标签最短路径算法，寻找最短路径。所述多标签最短路径算法为有资源约束的最短路径算法，所述最短路径为缩减成本最小的路径；所述多标签最短路径算法中所调用的路径比较算法为一个基于概率来决定比较结果的算法；
S47、将所述最短路径的长度小于0的路径转换成列并加入所述受限主问题，并转至所述步骤S44；若无，执行步骤S48；
S48、若所述概率为0或满足预设的停止条件，则S40结束，所述受限主问题的最优解为由当前部分后继解所定义的线性松弛问题的最优解或近优解；否则，降低所述概率，并转至所述步骤S46；
具体的，将生成缩减成本最小的列的问题，建模成一个当前航班连接图上的ESPPRC问题。
每个航班f∈F的成本定义为换飞机的惩罚值加上延误成本，航班的延误成本是飞机上旅客数量和延误时间的函数。对于不同类型的航班，延误成本函数可以不同。用gf表示更换飞机的惩罚值，函数D(nf,t)表示延误成本，则可以将航班的执行成本表示为：
cf＝gf+D(nf,t)
另外，在进行恢复的时候，最好是保持航班之间的连接关系不变，即在原计划中由一架飞机连续执行的两个航班在新计划中最好也是由同一架飞机来执行。这是因为变换飞机可能对机组人员的衔接产生一定的影响。因此，航班f和 g之间的连接也设置了一个成本值d(f,g)，对于和原计划相同的连接成本为0，否则是一个大于0的罚值。最后，飞机路线r的成本是该路线中所有航班的执行成本之和加上全部的航班之间连接的成本之和，即
Figure BDA0002185676440000171
目标不是在图中寻找成本最小的路径，而是要寻找缩减成本(reduced cost) 最小的路径。因此，必须把上面给出的成本和受限主问题RMP所给出的对偶值分配到边上，使得沿着路径相加后的成本等于缩减成本。
引入符号ST(f,p,w)和ET(f,p,w,k)。如果飞行路线r中的航班f是从p机场出发的且时间在流控窗口w内，则ST(f,p,w)＝1，否则为0。进一步，若 ST(f,p,w)＝1且航班f的起飞时间为流控窗口w中的时间点k，则 ET(f,p,w,k)＝1，否则ET(f,p,w,k)＝0。
将(ARP)模型中约束(2)～(6)所对应的对偶向量分别记作π,ρ,λ,τ,σ，则列的缩减成本可以表示为：
Figure BDA0002185676440000181
将cr的定义代入上式：
Figure BDA0002185676440000182
在上式的第一项求和式中的每一子项都对应一个航班边，将其作为该航班边的成本；第二项求和式中的每一子项都对应一个地面边，将其作为该地面边的成本；而第三项对于飞机a来说是个常数，将其作为所有从原点s出发的边的成本；第四项为某个航班的到达节点到目标节点t的成本。
至此，定义了图G’a中每条边的成本，使得一条从s到t的路径恰好对应一条飞行路线，而路径的长度也恰好等于飞机路线的缩减成本。
但由于航班有延误时间的限制，以及一个航班不可能执行两次，在图G′a中的路径未必全部是合法的路径，因此需要在满足约束的路径中寻找缩减成本小于0的路径。
将节点n上的标签定义为(C,t,<s1,s2,…,sm>)。其中的成本项C如上述计算方法，为标签所对应的路径成本；t为该节点所对应的事件发生的时间， <s1,s2,…,sm>是一个m维的向量，用来记录前面已经执行过的航班。
当沿G′a中的一条边(ni,nj)扩展路径时，如下计算t：
1.如果(ni,nj)是一个航班边，那么节点nj上的相应时间资源t只需要简单地加上该航班的飞行时间；
2.设(ni,nj)是两个航班fa和fb之间的地面边，
(1)若fb是不受流控影响的航班，则时间tj等于ti加上最小过站时间的和与航班fb的计划起飞时间中的最大值，即
tj＝max(ti+MST,PT(fb))
MST表示相应的最小过站时间，而PT(f)表示航班f的计划起飞时间。
(2)若fb是受到流控影响的航班，则需要针对max(ti+MST,PT(fb))之后的每个时间点t′都生成一个对应的标签，且tj＝t′。
3.对于开始边和结束边，tj＝ti。
另外，每个标签都必须满足条件tj∈[ta,tb]。
资源<s1,s2,…,sm>用来表示部分路径在前面已经执行过的航班，每当经过一个航班fk的边，则如下计算新标签<s′1,s′2,…,s′m>，
Figure BDA0002185676440000191
对于其他类型的边，只需要简单地复制。若新标签存在某个s′i>1，则该标签是不合法的。
按照标准的路径比较算法，标签l＝(C,t,n,<s1,s2,…,sm>)优于 l′＝(C′,t′,n′,<s′1,s′2,…,s′m>)，记作
Figure BDA0002185676440000203
必须满足：
Figure BDA0002185676440000201
由于较为苛刻的比较条件会使节点保留大量标签，最终导致性能降低，求解时间过长。为此本申请中的路径比较算法则进行了改进。首先在标签中增加一个资源n，它表示航班向量中等于1的元素数量，即相应部分路径中的航班数量。在精确条件中增加n≤n′。
另外引入一个精确条件的松弛条件，称为松弛条件：
Figure BDA0002185676440000202
条件中的∈,Δ和δ，大于0，分别表示C,t和n的误差。显然，若满足精确条件则一定满足松弛条件。在每个地面边上引入一个概率ρ。基本思想是，对于满足松弛条件但不满足精确条件的两个标签，根据概率ρ进行删除。如图2所示，若ρ＝100％，且标签l、l′满足松弛条件，则标签l优于标签l′；若ρ＝0，且标签l、l′满足精确条件，则标签l优于标签l′；否则，标签l优于标签l′的概率为ρ。因此，通过控制ρ的取值，就可以控制ESPPRC算法的精度和运行时间。
在每次列生成的迭代中，从ρ＝100％开始执行ESPPRC算法，若得到了若干缩减成本小于0的列，就结束本次迭代；否则，将某些边的ρ降低而再次运行 ESPPRC算法。重复上述步骤，直到满足一个停止条件。在降低ρ的过程中，每个节点上一次生成的标签会继续保留，因此这是一个热启动算法，不需要每次都从头开始。在本实施例中ρ的停止条件为ρ＜0，或循环次数达到限制。
(5)步骤S50，获得整数解：利用C中的列构造飞机恢复问题的整数规划模型，并以P中最差解的目标值作为上界进行求解；若无解，转至S90；否则将获得一个优于P中最差解的整数解；
可以利用商业数学规划软件对得到的(ARP)模型求解，例如Cplex，Gurobi 等。尽管这个整数规划模型的规模受到限制并给出了上界，但获得最优解仍可能需要很长时间。因此，在进行求解时仍然需要对探索的节点数量进行限制，以实现对求解时间的限制。
(6)步骤S60，更新种群：比较所述整数解与解缓冲池P中的最优解，若它优于解缓冲池P中最优解或者与解缓冲池P中某个解的相似度小于某个预设值，则将所述整数解添加到所述解缓冲池P中，且在解缓冲池P中解的数量达到一个预设最大值时移除其中的最差解；否则，则转至S90；
该步骤的目的是更新种群，如果新得到的解是当前最优的，则直接将其加入到种群中；否则，为了保持种群的多样性，只有那些与种群中的个体有较大差异的解才能进入种群。差异是由解之间的相似度来衡量的，两个后继解F和G的相似度SIM(F,G)一个函数，它等于满足条件fi＝gi≠-1,1≤i≤m的数量。
(7)步骤S70，基于列的软固定技术定义局部问题：若步骤S60更新了当前最优解，则通过列的软固定技术增加约束条件，且令当前部分后继解为平凡后继解，转至S40；
给定了一个当前最优解，现有技术中的直接做法是固定其中某些飞机的路线，然后再尝试改进其他飞机的路线。但是在实践中，很难决定要固定哪些飞机的路线，以及要固定多少条。因此本申请了提出的列的软固定技术只给出固定路线数量的一个下限D，即要求当前解中的路线至少有D条保持不变。这是通过在(ARP)模型中增加约束实现的：
Figure BDA0002185676440000221
其中的I是当前最优解中的飞机路线构成的集合。
通过参数D，可以轻易地调节邻域的大小，以控制后面求解局部问题的速度。另外，在这条新增约束中，只有已存在的列的系数才可能为1，所有其他列都为 0，也就是说它对于后面求解所使用的列生成技术是透明的。总之，软固定技术不是具体指定某些飞机的路线是固定的，而是通过指定当前的飞机路线必须保留的数量来探索邻域。
(8)步骤S80，使用解缓冲池构造局部问题：若S60使解缓冲池P发生了变化，令C为解缓冲池P的全部解所包含的所有变量，转至S50；
如果在S60中更新了解缓冲池P，则将整个种群所涉及的列是潜在的好的列，因此构成了一个小的邻域。
(9)步骤S90，线程的结束条件：S90、若满足预设终止条件，则结束当前线程的执行；否则转至S30；
如果达到了终止条件，则当前线程退出程序的执行。
(10)步骤S100，输出结果：S100、完成不正常航班的恢复，当前最优解为最终解。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的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)执行本发明各个实施例或者实施例的某些部分所述的方法，如：
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述不正常航班的恢复方法的步骤。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等，如实施例二。
实施例二
如图6所示一种电子设备，包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行，处理器执行所述程序时实现上述不正常航班的恢复方法的步骤。
本实施例中的设备与前述实施例中的方法是基于同一发明构思下的两个方面，在前面已经对方法实施过程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的系统的结构及实施过程，为了说明书的简洁，在此就不再赘述。
本发明提供一种通过计算机软件实现不正常航班的智能恢复方法、存储介质、电子设备，快速科学地制定恢复方案，达到资源的优化配置。通过对航空公司运行调度业务的分析，提取了相应的优化目标、规则与约束，设计了一种基于集合划分问题与列生成理论的航班恢复方法。具体通过三种启发式方法相结合来解决飞机路线恢复问题的方法：
1.遗传算法。提出了一种新的基因编码方法，基于该编码方式和列生成技术，设计了交叉和变异操作。在列生成算法中，针对飞机恢复问题，对经典的多标签最短路径算法进行了改进，基于概率来决定结果，以控制标签数量，提高性能。
2.软固定技术。通过指定当前的飞机路线必须保留的数量来探索邻域，调节邻域的大小，控制求解局部问题的速度。
3.直接优化法。将全部解的全部路线放在一起求解。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种不正常航班的恢复方法，其特征在于，包括以下步骤：
S10、读取航班计划和异常事件；生成航班连接规则和每架飞机的航班连接图；通过对航班的顺延和取消，获得初始可行解；将所述初始可行解放入解缓冲池P，初始可行解中的列放入列缓冲池L；
S20、创建k个线程，每个线程执行以下S30到S90；
S30、从所述解缓冲池P中随机选取若干可行解，并分别转换成后继解的形式；通过对所述后继解进行交叉和变异操作，获得一个部分后继解；
S40、利用列生成算法，获得由当前部分后继解所定义的局部飞机恢复问题的线性松弛问题的最优解或近优解；令C为求解过程中所生成的列的集合，并将C中的列同时放入所述列缓冲池L；
S50、利用C中的列构造飞机恢复问题的整数规划模型，并以P中最差解的目标值作为上界进行求解；若无解，转至S90；否则将获得一个优于P中最差解的整数解；
S60、比较所述整数解与解缓冲池P中的最优解，若它优于解缓冲池P中最优解或者与解缓冲池P中某个解的相似度小于某个预设值，则将所述整数解添加到所述解缓冲池P中，且在解缓冲池P中解的数量达到一个预设最大值时移除其中的最差解；否则，则转至S90；
S70、若S60更新了当前最优解，则通过列的软固定技术在所述飞机恢复问题的整数规划模型中增加约束条件，且令当前部分后继解为平凡后继解，转至S40；
S80、令C为解缓冲池P的全部解所包含的所有列，转至S50；
S90、若满足预设终止条件，则结束当前线程的执行；否则转至S30；
S100、完成不正常航班的恢复，当前最优解为最终解。
2.如权利要求1所述一种不正常航班的恢复方法，其特征在于，所述S40中局部飞机恢复问题模型为：
其中
F：所有待恢复航班的集合，设有m个航班，并记作F＝{1,2,…,m}；
A：所有飞机的集合；
R：全部飞机的所有飞行路线的集合；一条飞行路线r∈R可以表示为
Figure FDA0002185676430000029
P：所有机场的集合；
P′：所有存在流控限制的机场集合，
Figure FDA00021856764300000210
Wp：在机场p∈P′上所有流量受控的时段集合；用w∈Wp表示某个特定时段，wk：表示时段w中的第k个时间点；
up,w：表示在机场p∈P′上时段w的流量上限；
vp,w,k：表示在机场p∈P′上时段w中的第k个时间点的流量上限；
cr：飞行路线r∈R的成本；
oi：是取消航班i∈F的所引发的成本；
ar,i：若飞机路线r包含航班i则为1，否则为0；
br,a：若飞机路线r由飞机a执行则为1，否则为0；
sr,p,w：若飞机路线r中包含的某个航班fi为受管制航班，且其起飞时间在受管制的时段w之内，则sr,p,w＝1，否则sr,p,w＝0；
tr,p,w,k：如果sr,w＝1且飞机在时刻wk出发，则tr,p,w,k＝1，否则tr,p,w,k＝0；
Q：可以过夜的机场子集，对于某个特定机场q∈Q；
er,q：如果飞机路线r∈R最终停留在机场q∈Q，则er,q＝1，否则er,q＝0；
hq：原计划中在机场q∈Q过夜的飞机数量，hq>0；
xr：模型的决策变量为对所有飞机路线集合R中的每条飞机路线r定义的0-1变量，若变量取1则表示该飞机路线被选中，反之为0；
yi：航班i∈F是否被取消的决策变量，若被取消则yi＝1，否则yi＝0。
3.如权利要求1所述一种不正常航班的恢复方法，其特征在于，S30生成部分后继解，包括以下步骤：
S31、从缓冲池P中随机选取若干可行解，并分别将其转换为后继解的形式，记作s1,…,sn；
S32、对s1,…,sn执行交叉操作和变异操作，得到一个部分后继解S；
所述后继解是一个m元组，G＝(g1,g2,…,gm)，其中的gi表示在航班i的下一个航班，
Figure FDA0002185676430000041
如果任意gi都不等于-1，则称为完全后继解，否则称部分后继解；如果所有gi都等于-1则称为平凡后继解；
所述交叉操作所得到的后继解为
Figure FDA0002185676430000042
其中，
Figure FDA0002185676430000043
所述变异操作是随机地将某些航班的下一个航班设置为-1。
4.如权利要求1所述一种不正常航班的恢复方法，其特征在于，S70所述列的软固定技术为在所述不正常航班的飞机恢复问题模型中增加约束条件：
Figure FDA0002185676430000044
其中，为由当前最优解中的飞机路线的列所构成的集合。
5.如权利要求1所述一种不正常航班的恢复方法，其特征在于，S40中所述利用列生成算法获得当前部分后继解所定义的局部飞机恢复问题的线性松弛问题的最优解或近优解，包括以下步骤：
S41、根据S10中所述航班连接规则和S30中所述部分后继解，得到当前连接规则；
S42、根据所述当前连接规则，为每架飞机构造当前航班连接图；
S43、从所述列缓冲池L中随机选取若干满足所述当前连接规则的列，构成受限主问题；
S44、求解受限主问题，获得最优解与最优对偶解；
S45、根据所述最优对偶解，在所述列缓冲池L中寻找满足所述当前航班连接规则且缩减成本小于0的列；若有，则将其中缩减成本最小的若干列加入到所述受限主问题，并转至S44；若无，执行S46；
S46、根据所述最优对偶解，对于每架飞机的当前航班连接图调用多标签最短路径算法，寻找最短路径；所述多标签最短路径算法为有资源约束的最短路径算法，所述最短路径为缩减成本最小的路径；所述多标签最短路径算法中所调用的路径比较算法基于概率来决定比较结果；
S47、将所述最短路径的长度小于0的路径转换成列并加入所述受限主问题，并转至S44；若无，执行S48；
S48、若所述概率为0或满足预设的停止条件，则S40结束，所述受限主问题的最优解为由当前部分后继解所定义的线性松弛问题的最优解或近优解；否则，降低所述概率，并转至S46。
6.如权利要求5所述一种不正常航班的恢复方法，其特征在于，所述多标签最短路径算法中的标签定义为(C,t,n,<s1,s2,…,sm>)
成本项C为标签所对应的部分路径的成本，t为此节点所对应的事件发生的时间,n为相应部分路径中的航班数量，<s1,s2,…,sm>是一个m维的向量，用来记录已经执行过的航班，若si>0则表示该部分路径已经包括了航班i，否则为0。
7.如权利要求5所述一种不正常航班的恢复方法，其特征在于，在所述多标签最短路径算法中所调用的路径比较算法中根据比较条件、概率ρ对标签进行比较；所述比较条件包括松弛条件与精确条件，对于任意两个标签l＝(C,t,n,<s1,s2,…,sm>)和l′＝(C′,t′,n′,<s′1,s′2,…,s′m>)，所述松弛条件为
C≤C′+∈Λt≤t′+Δ∧n≤n′+δ
其中∈,Δ和δ，分别表示C,t和n的误差；所述精确条件为：
C≤C′Λt≤t′Λn≤n′∧s1≤s′1∧…∧sm≤s′m；
若ρ＝100％，且标签l、l′满足松弛条件，则标签l优于标签l′；若ρ＝0，且标签l、l′满足精确条件，则标签l优于标签l′；否则，标签l优于标签l′的概率为ρ。
8.如权利要求5所述一种不正常航班的恢复方法，其特征在于，所述路径的成本为
其中，若飞行路线r中的航班f是从p机场出发的，并且时间在流控窗口w内，则ST(f,p,w)＝1，否则为0；若ST(f,p,w)＝1且航班f的起飞时间为流控窗口w中的时间点k，则ET(f,p,w,k)＝1，否则ET(f,p,w,k)＝0；所述局部飞机恢复问题模型中约束(2)～(6)所对应的对偶向量分别记作π,ρ,λ,τ,σ。
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行，处理器执行所述程序时实现如权利要求1至8中任一项所述一种不正常航班的恢复方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现如权利要求1至8任意一项所述一种不正常航班的恢复方法。
CN201910813465.1A 2019-08-30 2019-08-30 一种不正常航班的恢复方法、电子设备及存储介质 Active CN110751309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910813465.1A CN110751309B (zh) 2019-08-30 2019-08-30 一种不正常航班的恢复方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910813465.1A CN110751309B (zh) 2019-08-30 2019-08-30 一种不正常航班的恢复方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN110751309A true CN110751309A (zh) 2020-02-04
CN110751309B CN110751309B (zh) 2023-02-21

Family

ID=69275989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910813465.1A Active CN110751309B (zh) 2019-08-30 2019-08-30 一种不正常航班的恢复方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110751309B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967693A (zh) * 2020-09-07 2020-11-20 中国人民解放军国防科技大学 一种基于干扰管理的搜救资源方案调整方法及相关设备
CN112330983A (zh) * 2020-10-23 2021-02-05 杭州优迈科思信息科技有限责任公司 不正常航班一体化智能恢复方法
CN112819317A (zh) * 2021-01-29 2021-05-18 同济大学 一种不正常航班飞机、旅客及机务一体化恢复系统
CN114333430A (zh) * 2021-12-22 2022-04-12 悠桦林信息科技(上海)有限公司 航班信息生成方法、装置、设备、存储介质和计算机程序产品
CN117975770A (zh) * 2024-01-12 2024-05-03 中国南方航空股份有限公司 一种航班恢复方法、航班恢复系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2993627A1 (en) * 2014-09-05 2016-03-09 Amadeus S.A.A. Flight schedule optimization
CA2929757A1 (en) * 2015-05-15 2016-11-15 Taleris Global Llp Method for rescheduling flights affected by a disruption and an airline operations control system and controller
CN108875128A (zh) * 2018-05-03 2018-11-23 西安理工大学 一种带决策因子的航班恢复建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2993627A1 (en) * 2014-09-05 2016-03-09 Amadeus S.A.A. Flight schedule optimization
CA2929757A1 (en) * 2015-05-15 2016-11-15 Taleris Global Llp Method for rescheduling flights affected by a disruption and an airline operations control system and controller
CN108875128A (zh) * 2018-05-03 2018-11-23 西安理工大学 一种带决策因子的航班恢复建模方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
田倩楠: ""面向航空调度中机场任务指派与受扰航班恢复问题的研究"", 《中国优秀博硕士论文全文数据库》 *
白凤: ""不正常航班的飞机和机组调度研究"", 《中国优秀博硕士论文全文数据库》 *
赵小梅等: "考虑多因素的不正常航班飞机计划恢复模型", 《交通运输研究》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967693A (zh) * 2020-09-07 2020-11-20 中国人民解放军国防科技大学 一种基于干扰管理的搜救资源方案调整方法及相关设备
CN111967693B (zh) * 2020-09-07 2021-06-04 中国人民解放军国防科技大学 一种基于干扰管理的搜救资源方案调整方法及相关设备
CN112330983A (zh) * 2020-10-23 2021-02-05 杭州优迈科思信息科技有限责任公司 不正常航班一体化智能恢复方法
CN112330983B (zh) * 2020-10-23 2021-09-28 杭州优迈科思信息科技有限责任公司 不正常航班一体化智能恢复方法
CN112819317A (zh) * 2021-01-29 2021-05-18 同济大学 一种不正常航班飞机、旅客及机务一体化恢复系统
CN112819317B (zh) * 2021-01-29 2022-11-18 同济大学 一种不正常航班飞机、旅客及机务一体化恢复系统
CN114333430A (zh) * 2021-12-22 2022-04-12 悠桦林信息科技(上海)有限公司 航班信息生成方法、装置、设备、存储介质和计算机程序产品
CN117975770A (zh) * 2024-01-12 2024-05-03 中国南方航空股份有限公司 一种航班恢复方法、航班恢复系统、设备及介质
CN117975770B (zh) * 2024-01-12 2024-10-11 中国南方航空股份有限公司 一种航班恢复方法、航班恢复系统、设备及介质

Also Published As

Publication number Publication date
CN110751309B (zh) 2023-02-21

Similar Documents

Publication Publication Date Title
CN110751309B (zh) 一种不正常航班的恢复方法、电子设备及存储介质
Ikli et al. The aircraft runway scheduling problem: A survey
Zhang et al. Optimization for gate re-assignment
Ng et al. Robust aircraft sequencing and scheduling problem with arrival/departure delay using the min-max regret approach
Filar et al. How airlines and airports recover from schedule perturbations: a survey
Sergeeva et al. Dynamic airspace configuration by genetic algorithm
Samà et al. Optimal aircraft scheduling and routing at a terminal control area during disturbances
Ng et al. A two-stage robust optimisation for terminal traffic flow problem
Khassiba et al. Two-stage stochastic mixed-integer programming with chance constraints for extended aircraft arrival management
CN109584638B (zh) 一种面向区域网络的先期航班时刻协同优化方法
CN110533228B (zh) 一种考虑旅客意愿的航班恢复方法
Balakrishnan et al. Optimal large-scale air traffic flow management
CN113706931B (zh) 空域的流控策略推荐方法、装置、电子设备及存储介质
CN112949978A (zh) 基于协同优化的应急备降场选择方法
CN105488597A (zh) 旅客目的地预测方法及系统
CN114446094A (zh) 一种航班排序信息的时空转换方法
CN115731748A (zh) 航班跑道排序方法及存储介质
CN116009571A (zh) 飞机机群起飞调度方法、装置、设备和存储介质
CN109979245B (zh) 飞行流量调控方法和装置
CN112083734A (zh) 一种利用概率天气预报的集合飞行路径规划方法
Mahmud et al. Aircraft landing scheduling using embedded flower pollination algorithm
CN115662198B (zh) 基于动态路径规划场的穿越民航航路方法及系统
Idrissi et al. Improving the management of air traffic congestion during the approach phase
Dück Increasing stability of aircraft and crew schedules
Sandamali et al. Short-term en route air traffic flow management under departure and wind uncertainties with a heuristic and greedy solution approach

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