CN112070355A - 一种机场摆渡车的分配调度方法 - Google Patents

一种机场摆渡车的分配调度方法 Download PDF

Info

Publication number
CN112070355A
CN112070355A CN202010779848.4A CN202010779848A CN112070355A CN 112070355 A CN112070355 A CN 112070355A CN 202010779848 A CN202010779848 A CN 202010779848A CN 112070355 A CN112070355 A CN 112070355A
Authority
CN
China
Prior art keywords
flight
ferry
population
flights
search
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
CN202010779848.4A
Other languages
English (en)
Other versions
CN112070355B (zh
Inventor
毕军
刘祎
丁聪
王付军
赵小梅
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010779848.4A priority Critical patent/CN112070355B/zh
Publication of CN112070355A publication Critical patent/CN112070355A/zh
Application granted granted Critical
Publication of CN112070355B publication Critical patent/CN112070355B/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
    • G06Q10/06—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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提供了一种机场摆渡车的分配调度方法，包括：计算出服务航班之间的相对延误时间和中转距离；以每个待服务航班必须接受摆渡车服务且只能有一次、航班服务的延误时间小于第一设定阈值、服务于同一航班的多辆摆渡车的到达时间差小于第二设定阈值以及满足延误传递作为约束条件，以摆渡车调度导致的航班延误时间最小化、车辆转移距离最小化以及任务量差异最小化为目标构建多目标调度模型；根据摆渡车初始条件、服务航班之间的相对延误时间和中转距离，利用改进的NSGA‑II算法求解，得到Pareto解集，挑选出适合目标值的解，并解码得到摆渡车的调度方案。本方法可以减少机场地面服务能力短缺带来的航班延误。

Description

一种机场摆渡车的分配调度方法
技术领域
本发明涉及车辆调度技术领域，尤其涉及一种机场摆渡车的分配调度方法。
背景技术
随着民航事业的快速发展，日益增长的航班数量与有限的地面服务设施之间的供需矛盾开始凸显，机场地面保障服务成为了机场的重点工作。目前，我国大部分机场的地面服务车辆调度工作基本停留在人工水平，这种调度方式过度依赖于人工经验，得到的调度结果难以保证，且容易导致航班延误。在大型机场高峰时段，因为车辆资源紧张，这种弊端更加明显。因此，为确保大型机场高峰时段航班的正常运行，有必要对航班地面服务中的摆渡车调度问题进行建模研究，通过建模的优点在于：
(1)运用数学建模的方法，科学制定合理的调度方案来实现摆渡车资源的优化配置，不仅能节省人工成本，而且能提高摆渡车的使用效率，对推进机场智能化的发展和提高机场运营管理水平具有重大意义。
(2)针对大型机场高峰时段车辆资源紧张的特点，对摆渡车资源进行优化调度，可以提高航班过站效率，减少特殊时期造成的航班延误，确保航班的正常运行。
目前，现有的机场地面服务摆渡车调度方法主要存在两个不足之处。首先，机场地面服务车辆的高昂成本以及机场空间限制等原因导致车辆数目非常有限，在大型机场高峰时段内车辆资源难以满足服务需要的情况十分常见，然而现有的大多数调度方法很少考虑到这些特点，模型构建往往是在相关车辆资源充足的前提下，其调度结果不具有针对性和实用性；其次，现有的机场摆渡车调度方法的时间执行效率较低，无法及时响应用户的需求。因此，亟需要一种能有效兼顾车辆资源紧张下并提升计算速度的摆渡车调度方法。
发明内容
本发明提供了一种机场摆渡车的分配调度方法，以解决现有技术问题中的缺陷。
为了实现上述目的，本发明采取了如下技术方案。
一种机场摆渡车的分配调度方法，其特征在于，包括：
根据航班时刻表筛选出时间窗内的待服务航班集合，计算出待服务航班的服务需求，进而计算出服务航班之间的相对延误时间和中转距离；
以每个待服务航班必须接受摆渡车服务且只能有一次、航班服务的延误时间小于第一设定阈值、服务于同一航班的多辆摆渡车的到达时间差小于第二设定阈值以及满足延误传递作为约束条件，以摆渡车调度导致的航班延误时间最小化、车辆转移距离最小化以及任务量差异最小化为目标构建多目标调度模型；
根据摆渡车初始条件和所述的服务航班之间的相对延误时间和中转距离，利用改进的NSGA-II算法对所述的多目标调度模型进行求解，得到Pareto解集；
根据调度现场需要，从所述的Pareto解集中挑选出适合目标值的解，并解码得到摆渡车的调度方案；
根据所述的调度方案对摆渡车进行分配调度。
优选地，多目标调度模型的目标函数表达式如下式(1)所示：
Figure BDA0002619804630000021
Figure BDA0002619804630000031
其中，I表示待服务航班集合；DELAYi是航班i服务产生的延误时间；K表示摆渡车集合；
Figure BDA0002619804630000032
表示摆渡车在服务完航班i后紧接着服务航班j所需要的转移时间；
Figure BDA0002619804630000033
表示摆渡车k从空闲开始地点到首个航班i的服务开始地点之间的转移时间；yi,j表示航班i和航班j是否由同一摆渡车服务且任务相邻，航班i和航班j由同一摆渡车服务且任务紧邻是取1否则取0；
Figure BDA0002619804630000034
表示航班j是否由摆渡车k服务，航班j由摆渡车k服务时取1否则取0；|I|和|K|分别表示待服务航班数量和摆渡车数量。
优选地，以每个待服务航班必须接受摆渡车服务且只能有一次、航班服务的延误时间小于第一设定阈值、服务于同一航班的多辆摆渡车的到达时间差小于第二设定阈值以及满足延误传递作为约束条件，包括根据下式(2)计算的延误传递作为约束条件：
Figure BDA0002619804630000035
其中，DELAYi是航班i服务产生的延误时间；
Figure BDA0002619804630000036
表示当航班i按时服务时航班j服务产生的延误时间。
优选地，利用改进的NSGA-II算法对所述的多目标调度模型进行求解，得到Pareto解集，包括：
S401对改进的NSGA-II算法参数进行初始化；
S402采用排列编码对待服务航班集合进行编码，随机产生种群规模为N的初始种群Pt，将染色体解码成调度计划并根据摆渡车初始条件和所述的服务航班之间的相对延误时间和中转距离计算每个个体对应的三个目标函数值，依据每个个体得到的三个目标函数值对种群Pt进行快速非支配排序和拥挤距离计算；
S403根据得到的排序和拥挤距离计算结果，借助拥挤度比较算子进行二元锦标赛选择，筛选出一部分种群，
S404根据计算出的交叉率和变异率，对S403筛选出的种群进行顺序交叉(OrderCrossover，OX)和基于基因互换的变异，产生种群规模为N的子代种群Qt；
S405依据局部搜索算子对子代种群Qt中的个体进行局部搜索，并根据搜索结果对子代种群Qt中个体进行更新；
S406根据进化代数判断是否终结算法：
如果进化代数超过最大进化代数则算法结束，当前得到的种群中非支配解集即为所求的Pareto解集，否则进入步骤S407；
S407进化代数增加一，根据增加后的进化代数和温度控制公式更新当前温度，并根据当前温度更新局部搜索长度；
S408将父代种群Pt和子代种群Qt合并，生成规模为2N的临时种群，计算每个个体对应的的三个目标函数值，依据每个个体得到的三个目标函数值对临时种群进行快速非支配排序和拥挤距离计算，通过精英策略选出N个个体，构成新的父代种群Pt+1；
S409依据局部搜索算子对父代种群Pt+1中的个体进行局部搜索，并根据搜索结果对父代种群Pt+1中个体进行更新；
S410根据当前进化代数和更新后的父代种群Pt+1′中个体的非支配排序层级，计算出每个个体的交叉率和变异率，并跳转到S403。
优选地，算法参数包括遗传算法的种群规模、最大进化代数、交叉率最大值和最小值、变异率的最大值和最小值、最大搜索步长，局部搜索的初始温度、最大内循环次数、降温比例系数、初始搜索长度和调节系数。
优选地，S402采用排列编码对待服务航班集合进行编码，包括：采用排列编码的编码方式，每个染色体由所有待分配的航班组成，每个航班对应染色体上的一个基因且唯一存在。
优选地，将染色体解码成调度计划，包括根据以下方式解码：
将摆渡车按照空闲开始时间升序排序，首先为前面的摆渡车分配航班，从染色体最左边的航班开始，在满足模型约束情况下，依次将航班分配给当前摆渡车，如果航班分配给摆渡车时不满足约束条件则忽略该航班，直到连续忽略航班数超过最大搜索步长Ssearch或者无可分配航班时，则更新摆渡车，已分配航班不再考虑，依此循环，当所有的航班分配完毕，即可得到完整的调度计划。
优选地，局部搜索算子的具体操作，包括：
首先，在新染色体上随机选择一个基因，作为搜索的起始点；根据当前温度确定搜索长度的长度，根据起始点和搜索长度能确定最终的搜索区域；将搜索区域染色体倒置，其他区域保持不变，产生新的染色体；
其中，温度控制方式采用按比例降温的降温方式，温度控制公式如下式(3)所示：
T(t+1)＝k1T(t) (3)
式中，k1为降温比例系数，0＜k1＜1
搜索长度变化的计算公式如下式(4)所示：
H(t)＝k2T(t)·H0 (4)
式中，H0为初始局部搜索长度，k2为搜索长度调节系数，T(t)为第t代时的退火温度。
优选地，计算出每个个体的交叉率和变异率，包括：交叉率和变异率按照非支配集个体和支配集个体采用不同的计算公式，其中，非支配集个体按照不同进化阶段来设置参数值；支配集个体按照个体优劣程度来参数值；
非支配集个体交叉率和变异率调整模型如下式(5)和(6)所示：
Figure BDA0002619804630000061
Figure BDA0002619804630000062
其中，t表示进化代数，
Figure BDA0002619804630000063
和
Figure BDA0002619804630000064
分别表示非支配集中个体i(i∈Z1)在第t(t∈[0,T])代时的交叉率和变异率，
Figure BDA0002619804630000065
和
Figure BDA0002619804630000066
分别表示在进化过程中交叉率的最大值和最小值，
Figure BDA0002619804630000067
和
Figure BDA0002619804630000068
分别表示在进化过程中变异率的最大值和最小值；
支配集个体交叉率和变异率调整模型如下式(7)和(8)所示：
Figure BDA0002619804630000069
Figure BDA00026198046300000610
其中，t表示进化代数，
Figure BDA00026198046300000611
和
Figure BDA00026198046300000612
分别表示支配集中个体i(i∈{Z2,Z3,...,Zl})在第t(t∈[0,T])代时的交叉率和变异率，ranki表示个体i所在的层级，R表示目前非支配排序中的最大层级，
Figure BDA00026198046300000613
和
Figure BDA00026198046300000614
表示与个体i同进化代数的非支配集的交叉率和变异率。
由上述本发明的机场地面服务摆渡车预分配调度方法提供的技术方案可以看出，本发明通过考虑特定环境下的时间约束、空间约束和资源配置需求来进行建模求解，将局部搜索策略加入到NSGA-II算法中，兼备良好的全局搜索能力和局部搜索能力，能计算出高质量的调度方案；并设计了特殊的解码方式来解决模型约束条件，能迅速提高种群中可行解的数量，缩短算法收敛时间；可以在大型机场高峰时段车辆资源紧缺的情况下完成摆渡车调度方案制的定，为大型机场高峰时段内提供有针对性可执行的摆渡车调度计划，减少机场地面服务能力短缺带来的航班延误。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本实例的机场摆渡车的分配调度方法流程示意图；
图2为本实例的机场摆渡车的分配调度的具体计算过程示意图；
图3为本实施例采用的改进的NSGA-II算法流程图；
图4为本实施例的解码方案示意图；
图5为本实施例的局部搜索算子方法示意图；
图6为本实施例的数据传输过程示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤和/或操作，但是并不排除存在或添加一个或多个其他特征、整数、步骤和/或操作的组。应该理解，这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例
本实施例采用浏览器和服务器架构(Browser/Server Architecture，B/S)，数据传输过程如图6所示。服务器之间的数据传输格式为Json，具体数据包括航班时刻表数据和摆渡车初始数据，数据内容如下表1和表2所示：
表1
字段 中文解释 存储数据类型
Flt_Nbr 航班号 char(10)
Estmt_Arrv_Dt 预计进港时间 DATE
Estmt_Dpt_Dt 预计离港时间 DATE
IO 进港离港属性 TINYINT(1)
Flt_Attr 国内国际属性 TINYINT(1)
Air_Crft_Typ_Cd 机型 char(10)
book 订票人数 INT
Airpt_No 停机位 char(10)
Gate 登机口 char(10)
表2
Figure BDA0002619804630000081
Figure BDA0002619804630000091
图1为本实例的机场摆渡车的分配调度方法流程示意图，图2为本实例的机场摆渡车的分配调度的具体计算过程示意图，如图1和图2所示，本实施例的机场摆渡车的分配调度方法包括：
S1根据航班时刻表筛选出时间窗内的待服务航班集合，计算出待服务航班的服务需求，进而计算出服务航班之间的相对延误时间和中转距离。
首先，筛选出时间窗内的待服务航班集合，并计算出这些航班的服务需求即服务开始时间和服务结束时间；结合距离静态信息，计算出航班服务之间的相对延误时间和中转距离。
S2以每个待服务航班必须接受摆渡车服务且只能有一次、航班服务的延误时间小于第一设定阈值、服务于同一航班的多辆摆渡车的到达时间差小于第二设定阈值以及满足延误传递作为约束条件，以摆渡车调度导致的航班延误时间最小化、车辆转移距离最小化以及任务量差异最小化为目标构建多目标调度模型。
多目标调度模型的目标函数表达式如下式(1)所示：
Figure BDA0002619804630000092
其中，I表示待服务航班集合；DELAYi是航班i服务产生的延误时间；K表示摆渡车集合；
Figure BDA0002619804630000093
表示摆渡车在服务完航班i后紧接着服务航班j所需要的转移时间；
Figure BDA0002619804630000094
表示摆渡车k从空闲开始地点到首个航班i的服务开始地点之间的转移时间；yi,j表示航班i和航班j是否由同一摆渡车服务且任务相邻，由统一摆渡车服务且服务相邻时取1否则取0；
Figure BDA0002619804630000101
表示航班j是否由摆渡车k服务，航班j由摆渡车k服务时取1否则取0；|I|和|K|分别表示待服务航班数量和摆渡车数量。
根据下式(2)计算的延误传递作为约束条件：
Figure BDA0002619804630000102
其中，DELAYi是航班i服务产生的延误时间；
Figure BDA0002619804630000103
表示当航班i按时服务时航班j服务产生的延误时间。
S3根据摆渡车初始条件和所述的服务航班之间的相对延误时间和中转距离，利用改进的NSGA-II算法对多目标调度模型进行求解，得到Pareto解集。
图3为本实施例采用的改进的NSGA-II算法流程图，参照图3，具体步骤包括：
S301对改进的NSGA-II算法参数进行初始化。
本实例采用Python3编程实现，算法中用到相关算法参数的参照值如下表3所示。
表3
Figure BDA0002619804630000104
S302采用排列编码对待服务航班集合进行编码，随机产生种群规模为N的初始种群Pt，将染色体解码成调度计划并根据摆渡车初始条件和服务航班之间的相对延误时间和中转距离计算每个个体对应的三个目标函数值，依据每个个体得到的三个目标函数值对种群Pt进行快速非支配排序和拥挤距离计算。
需要说明的是，采用排列编码的编码方式，每个染色体由所有待分配的航班组成，每个航班对应染色体上的一个基因且唯一存在。
其中，解码方式为：将摆渡车按照空闲开始时间升序排序，首先为前面的摆渡车分配航班，从染色体最左边的航班开始，在满足模型约束情况下，依次将航班分配给当前摆渡车，如果航班分配给摆渡车时不满足约束条件则忽略该航班，直到连续忽略航班数超过最大搜索步长Ssearch或者无可分配航班时，则更新摆渡车，已分配航班不再考虑，依此循环，当所有的航班分配完毕，即可得到完整的调度计划。
具体地，图4为本实施例的解码方案示意图，如图4所示，将摆渡车可以按照空闲开始时间先后排序，首先为前面的摆渡车分配航班。从染色体最左边的航班开始，在满足模型约束情况下，连续将航班1、6和8分配给摆渡车1；将航班7分配给摆渡车1时，不满足约束条件选择忽略该航班，如果连续忽略航班数超过最大搜索步长Ssearch时，则结束对摆渡车1的航班分配。按此操作，当所有摆渡车分配完毕，就可以得到完整的调度计划。
S303根据得到的排序和拥挤距离计算结果，借助拥挤度比较算子进行二元锦标赛选择，筛选一部分种群。
S304根据计算出的交叉率和变异率，对S303筛选出的种群进行顺序交叉(OrderCrossover，OX)和基于基因互换的变异，产生种群规模为N的子代种群Qt。
S305依据局部搜索算子对子代种群Qt中的个体进行局部搜索，并根据搜索结果对子代种群Qt中个体进行更新。
图5为本实施例的局部搜索算子方法示意图，参照图5，局部搜索算子的具体操作，包括：
首先，在新染色体上随机选择一个基因，作为搜索的起始点；根据当前温度确定搜索长度的长度，根据起始点和搜索长度能确定最终的搜索区域；将搜索区域染色体倒置，其他区域保持不变，产生新的染色体。
其中，温度控制方式采用按比例降温的降温方式，温度控制公式如下式(3)所示：
T(t+1)＝k1T(t) (3)
式中，k1为降温比例系数，0＜k1＜1
搜索长度变化的计算公式如下式(4)所示：
H(t)＝k2T(t)·H0 (4)
式中，H0为初始局部搜索长度，k2为搜索长度调节系数，T(t)为第t代时的退火温度。
S306根据进化代数判断是否终结算法。
如果进化代数超过最大进化代数则算法结束，当前得到的种群中非支配解集即为所求的Pareto解集，否则进入步骤S307。
S307进化代数增加一，根据增加后的进化代数和温度控制公式更新当前温度，并根据当前温度更新局部搜索长度。
S308将父代种群Pt和子代种群Qt合并，生成规模为2N的临时种群，计算每个个体对应的的三个目标函数值，依据每个个体得到的三个目标函数值对临时种群进行快速非支配排序和拥挤距离计算，通过精英策略选出N个个体，构成新的父代种群Pt+1。
S309依据局部搜索算子对父代种群Pt+1中的个体进行局部搜索，并根据搜索结果对父代种群Pt+1中个体进行更新。
S310根据当前进化代数和更新后的父代种群Pt+1′中个体的非支配排序层级，计算出每个个体的交叉率和变异率，并跳转到S303。
计算出每个个体的交叉率和变异率，包括：交叉率和变异率按照非支配集个体和支配集个体采用不同的计算公式，其中，非支配集个体按照不同进化阶段来设置参数值；支配集个体按照个体优劣程度来参数值。
非支配集个体交叉率和变异率调整模型如下式(5)和(6)所示：
Figure BDA0002619804630000131
Figure BDA0002619804630000132
其中，t表示进化代数，
Figure BDA0002619804630000133
和
Figure BDA0002619804630000134
分别表示非支配集中个体i(i∈Z1)在第t(t∈[0,T])代时的交叉率和变异率，
Figure BDA0002619804630000135
和
Figure BDA0002619804630000136
分别表示在进化过程中交叉率的最大值和最小值，
Figure BDA0002619804630000137
和
Figure BDA0002619804630000138
分别表示在进化过程中变异率的最大值和最小值；
支配集个体交叉率和变异率调整模型如下式(7)和(8)所示：
Figure BDA0002619804630000139
Figure BDA00026198046300001310
其中，t表示进化代数，
Figure BDA00026198046300001311
和
Figure BDA00026198046300001312
分别表示支配集中个体i(i∈{Z2,Z3,...,Zl})在第t(t∈[0,T])代时的交叉率和变异率，ranki表示个体i所在的层级，R表示目前非支配排序中的最大层级，
Figure BDA00026198046300001313
和
Figure BDA00026198046300001314
表示与个体i同进化代数的非支配集的交叉率和变异率。
S4根据调度现场需要，从所述的Pareto解集中挑选出适合目标值的解，并解码得到摆渡车的调度方案。
S5根据所述的调度方案对摆渡车进行分配调度。
基于上述的系统构架和数据传输格式，采用本发明提供的机场地面服务摆渡车预分配调度方法能制定出高质量的摆渡车调度方案，为地勤保障调度室工作人员提供决策支持。
以昆明长水国际机场2018年7点到11点时间段航班数据为例，设置23辆摆渡车进行车辆调度，调度结果如下表4所示：
表4
Figure BDA0002619804630000141
上表4中，带括号的航班号表示虚拟航班，虚拟航班为载客量超过摆渡车最大乘客量的航班拆分来；延误时间单位为分钟；转移距离用行驶时间表示，单位为分钟。
基于人工分配的思路，设计参照人工规则的摆渡车调度算法，计算得到的结果与通过本实施例方法得到的调度结果的比较如下表5和6所示，其中，表5为采用本实施例的方法与人工调度结果目标值比较，表6为采用本实施例的方法与人工调度结果延误航班数比较。
表5
Figure BDA0002619804630000151
表6
Figure BDA0002619804630000152
上表6中所说的轻微延误航班表示延误时间不足15分钟的航班。
通过比较两种调度方式的结果可以发现，采用本实施例的方法调度的结果在各项指标上均要优于人工的调度方式。其中，延误时间指标的提升是最为明显的，正好符合机场高峰时段摆渡车紧缺的调度需要，可以有效减少这时期不正常航班的产生。从延误航班数量上看，采用本实施例的方法的结果可以有效地减少延误航班个数，符合机场提高准点率的需要。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的流程并不一定是实施本发明所必须的。
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。
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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种机场摆渡车的分配调度方法，其特征在于，包括：
根据航班时刻表筛选出时间窗内的待服务航班集合，计算出待服务航班的服务需求，进而计算出服务航班之间的相对延误时间和中转距离；
以每个待服务航班必须接受摆渡车服务且只能有一次、航班服务的延误时间小于第一设定阈值、服务于同一航班的多辆摆渡车的到达时间差小于第二设定阈值以及满足延误传递作为约束条件，以摆渡车调度导致的航班延误时间最小化、车辆转移距离最小化以及任务量差异最小化为目标构建多目标调度模型；
根据摆渡车初始条件和所述的服务航班之间的相对延误时间和中转距离，利用改进的NSGA-II算法对所述的多目标调度模型进行求解，得到Pareto解集；
根据调度现场需要，从所述的Pareto解集中挑选出适合目标值的解，并解码得到摆渡车的调度方案；
根据所述的调度方案对摆渡车进行分配调度。
2.根据权利要求1所述的方法，其特征在于，所述多目标调度模型的目标函数表达式如下式(1)所示：
Figure FDA0002619804620000011
其中，I表示待服务航班集合；DELAYi是航班i服务产生的延误时间；K表示摆渡车集合；
Figure FDA0002619804620000012
表示摆渡车在服务完航班i后紧接着服务航班j所需要的转移时间；
Figure FDA0002619804620000013
表示摆渡车k从空闲开始地点到首个航班i的服务开始地点之间的转移时间；yi,j表示航班i和航班j是否由同一摆渡车服务且任务相邻，航班i和航班j由同一摆渡车服务且任务紧邻时取1否则取0；
Figure FDA0002619804620000021
表示航班j是否由摆渡车k服务，航班j由摆渡车k服务时取1否则取0；|I|和|K|分别表示待服务航班数量和摆渡车数量。
3.根据权利要求1所述的方法，其特征在于，所述的以每个待服务航班必须接受摆渡车服务且只能有一次、航班服务的延误时间小于第一设定阈值、服务于同一航班的多辆摆渡车的到达时间差小于第二设定阈值以及满足延误传递作为约束条件，包括根据下式(2)计算的延误传递作为约束条件：
Figure FDA0002619804620000022
其中，DELAYi是航班i服务产生的延误时间；
Figure FDA0002619804620000023
表示当航班i按时服务时航班j服务产生的延误时间。
4.根据权利要求1所述的方法，其特征在于，所述的利用改进的NSGA-II算法对所述的多目标调度模型进行求解，得到Pareto解集，包括：
S401对改进的NSGA-II算法参数进行初始化；
S402采用排列编码对待服务航班集合进行编码，随机产生种群规模为N的初始种群Pt，将染色体解码成调度计划并根据摆渡车初始条件和所述的服务航班之间的相对延误时间和中转距离计算每个个体对应的三个目标函数值，依据每个个体得到的三个目标函数值对种群Pt进行快速非支配排序和拥挤距离计算；
S403根据得到的排序和拥挤距离计算结果，借助拥挤度比较算子进行二元锦标赛选择，筛选出一部分种群，
S404根据计算出的交叉率和变异率，对S403筛选出的种群进行顺序交叉(OrderCrossover，OX)和基于基因互换的变异，产生种群规模为N的子代种群Qt；
S405依据局部搜索算子对子代种群Qt中的个体进行局部搜索，并根据搜索结果对子代种群Qt中个体进行更新；
S406根据进化代数判断是否终结算法：
如果进化代数超过最大进化代数则算法结束，当前得到的种群中非支配解集即为所求的Pareto解集，否则进入步骤S407；
S407进化代数增加一，根据增加后的进化代数和温度控制公式更新当前温度，并根据当前温度更新局部搜索长度；
S408将父代种群Pt和子代种群Qt合并，生成规模为2N的临时种群，计算每个个体对应的的三个目标函数值，依据每个个体得到的三个目标函数值对临时种群进行快速非支配排序和拥挤距离计算，通过精英策略选出N个个体，构成新的父代种群Pt+1；
S409依据局部搜索算子对父代种群Pt+1中的个体进行局部搜索，并根据搜索结果对父代种群Pt+1中个体进行更新；
S410根据当前进化代数和更新后的父代种群Pt+1′中个体的非支配排序层级，计算出每个个体的交叉率和变异率，并跳转到S403。
5.根据权利要求4所述的方法，其特征在于，所述的算法参数包括遗传算法的种群规模、最大进化代数、交叉率最大值和最小值、变异率的最大值和最小值、最大搜索步长，局部搜索的初始温度、最大内循环次数、降温比例系数、初始搜索长度和调节系数。
6.根据权利要求4所述的方法，其特征在于，所述的S402采用排列编码对待服务航班集合进行编码，包括：采用排列编码的编码方式，每个染色体由所有待分配的航班组成，每个航班对应染色体上的一个基因且唯一存在。
7.根据权利要求4所述的方法，其特征在于，所述的将染色体解码成调度计划，包括根据以下方式解码：
将摆渡车按照空闲开始时间升序排序，首先为前面的摆渡车分配航班，从染色体最左边的航班开始，在满足模型约束情况下，依次将航班分配给当前摆渡车，如果航班分配给摆渡车时不满足约束条件则忽略该航班，直到连续忽略航班数超过最大搜索步长Ssearch或者无可分配航班时，则更新摆渡车，已分配航班不再考虑，依此循环，当所有的航班分配完毕，即可得到完整的调度计划。
8.根据权利要求4所述的方法，其特征在于，所述的局部搜索算子的具体操作，包括：
首先，在新染色体上随机选择一个基因，作为搜索的起始点；根据当前温度确定搜索长度的长度，根据起始点和搜索长度能确定最终的搜索区域；将搜索区域染色体倒置，其他区域保持不变，产生新的染色体；
其中，温度控制方式采用按比例降温的降温方式，温度控制公式如下式(3)所示：
T(t+1)＝k1T(t) (3)
式中，k1为降温比例系数，0＜k1＜1
搜索长度变化的计算公式如下式(4)所示：
H(t)＝k2T(t)·H0 (4)
式中，H0为初始局部搜索长度，k2为搜索长度调节系数，T(t)为第t代时的退火温度。
9.根据权利要求4所述的方法，其特征在于，所述的计算出每个个体的交叉率和变异率，包括：交叉率和变异率按照非支配集个体和支配集个体采用不同的计算公式，其中，非支配集个体按照不同进化阶段来设置参数值；支配集个体按照个体优劣程度来参数值；
非支配集个体交叉率和变异率调整模型如下式(5)和(6)所示：
Figure FDA0002619804620000051
Figure FDA0002619804620000052
其中，t表示进化代数，
Figure FDA0002619804620000053
和
Figure FDA0002619804620000054
分别表示非支配集中个体i(i∈Z1)在第t(t∈[0,T])代时的交叉率和变异率，
Figure FDA0002619804620000055
和
Figure FDA0002619804620000056
分别表示在进化过程中交叉率的最大值和最小值，
Figure FDA0002619804620000057
和
Figure FDA0002619804620000058
分别表示在进化过程中变异率的最大值和最小值；
支配集个体交叉率和变异率调整模型如下式(7)和(8)所示：
Figure FDA0002619804620000059
Figure FDA00026198046200000510
其中，t表示进化代数，
Figure FDA00026198046200000511
和
Figure FDA00026198046200000512
分别表示支配集中个体i(i∈{Z2,Z3,...,Zl})在第t(t∈[0,T])代时的交叉率和变异率，ranki表示个体i所在的层级，R表示目前非支配排序中的最大层级，
Figure FDA00026198046200000513
和
Figure FDA00026198046200000514
表示与个体i同进化代数的非支配集的交叉率和变异率。
CN202010779848.4A 2020-08-05 2020-08-05 一种机场摆渡车的分配调度方法 Active CN112070355B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010779848.4A CN112070355B (zh) 2020-08-05 2020-08-05 一种机场摆渡车的分配调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010779848.4A CN112070355B (zh) 2020-08-05 2020-08-05 一种机场摆渡车的分配调度方法

Publications (2)

Publication Number Publication Date
CN112070355A true CN112070355A (zh) 2020-12-11
CN112070355B CN112070355B (zh) 2024-04-05

Family

ID=73657733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010779848.4A Active CN112070355B (zh) 2020-08-05 2020-08-05 一种机场摆渡车的分配调度方法

Country Status (1)

Country Link
CN (1) CN112070355B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580204A (zh) * 2020-12-16 2021-03-30 同济大学 一种铁路区间非正常事件下的列车延误时间预测方法
CN112598328A (zh) * 2021-01-05 2021-04-02 中国人民解放军国防科技大学 卫星厅模式下中转登机口多目标分配的优化方法及系统
CN112734302A (zh) * 2021-02-04 2021-04-30 成都国翼电子技术有限公司 基于人车分离的机场摆渡车调度方法、装置、设备及存储介质
CN113034060A (zh) * 2021-05-20 2021-06-25 成都戎星科技有限公司 一种航班摆渡车的匹配方法
CN113065692A (zh) * 2021-03-22 2021-07-02 南京航空航天大学 一种机场清水车服务时间的预测方法
CN113205216A (zh) * 2021-05-07 2021-08-03 哈尔滨工业大学 一种枢纽机场摆渡车动态调度方法及系统
CN113222243A (zh) * 2021-05-10 2021-08-06 桂林理工大学 一种多目标航空物流智能配载优化方法
CN116187719A (zh) * 2023-04-24 2023-05-30 广东工业大学 民航机场地面保障资源调度方法及系统
CN116258353A (zh) * 2023-05-15 2023-06-13 民航成都信息技术有限公司 航班地勤节点执行序列的确定方法、装置、设备及介质
CN116485091A (zh) * 2023-02-14 2023-07-25 航安云创数据科技(上海)有限公司 机场车辆调度方法、装置、电子设备和存储介质
CN117391401A (zh) * 2023-12-07 2024-01-12 中国民用航空飞行学院 机场电动地勤车的调度方法
CN118134207A (zh) * 2024-05-06 2024-06-04 青岛民航凯亚系统集成有限公司 一种民用机场引导车自动分配场景中生产调度方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130132148A1 (en) * 2011-11-07 2013-05-23 Ecole Polytechnique Federale De Lausanne (Epfl) Method for multi-objective quality-driven service selection
CN105160417A (zh) * 2015-08-04 2015-12-16 大连大学 基于改进nsga-ii算法的航天器任务规划求解方法
US20170011292A1 (en) * 2015-07-10 2017-01-12 The Aerospace Corporation Systems and Methods for Multi-Objective Evolutionary Algorithms with Category Discovery
CN107301510A (zh) * 2017-06-26 2017-10-27 北京首都国际机场股份有限公司 一种基于遗传算法的加油车和摆渡车协同调度方法
CN111291888A (zh) * 2020-01-21 2020-06-16 西安科技大学 一种机场特种车辆调度优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130132148A1 (en) * 2011-11-07 2013-05-23 Ecole Polytechnique Federale De Lausanne (Epfl) Method for multi-objective quality-driven service selection
US20170011292A1 (en) * 2015-07-10 2017-01-12 The Aerospace Corporation Systems and Methods for Multi-Objective Evolutionary Algorithms with Category Discovery
CN105160417A (zh) * 2015-08-04 2015-12-16 大连大学 基于改进nsga-ii算法的航天器任务规划求解方法
CN107301510A (zh) * 2017-06-26 2017-10-27 北京首都国际机场股份有限公司 一种基于遗传算法的加油车和摆渡车协同调度方法
CN111291888A (zh) * 2020-01-21 2020-06-16 西安科技大学 一种机场特种车辆调度优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
I LIU, JUN ZHANG, CONG DING 等: "Modeling and Heuristic Algorithm of Ground Ferry Vehicle Scheduling in Large Airports", CICTP 2019, pages 163 - 167 *
唐非, 刘树安: "机场地勤服务优化问题的双重变异单亲遗传算法", 东北大学学报(自然科学版), vol. 39, no. 10 *
王嵘冰, 徐红艳, 郭军: "自适应的非支配排序遗传算法", 控制与决策, vol. 33, no. 12, pages 2 *
高伟, 王俊义: "机场特种服务保障车辆优化调度研究", 计算机仿真, vol. 36, no. 04 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580204B (zh) * 2020-12-16 2022-07-26 同济大学 一种铁路区间非正常事件下的列车延误时间预测方法
CN112580204A (zh) * 2020-12-16 2021-03-30 同济大学 一种铁路区间非正常事件下的列车延误时间预测方法
CN112598328A (zh) * 2021-01-05 2021-04-02 中国人民解放军国防科技大学 卫星厅模式下中转登机口多目标分配的优化方法及系统
CN112734302A (zh) * 2021-02-04 2021-04-30 成都国翼电子技术有限公司 基于人车分离的机场摆渡车调度方法、装置、设备及存储介质
CN112734302B (zh) * 2021-02-04 2023-08-29 成都国翼电子技术有限公司 基于人车分离的机场摆渡车调度方法、装置、设备及存储介质
CN113065692A (zh) * 2021-03-22 2021-07-02 南京航空航天大学 一种机场清水车服务时间的预测方法
CN113205216A (zh) * 2021-05-07 2021-08-03 哈尔滨工业大学 一种枢纽机场摆渡车动态调度方法及系统
CN113222243A (zh) * 2021-05-10 2021-08-06 桂林理工大学 一种多目标航空物流智能配载优化方法
CN113034060A (zh) * 2021-05-20 2021-06-25 成都戎星科技有限公司 一种航班摆渡车的匹配方法
CN116485091A (zh) * 2023-02-14 2023-07-25 航安云创数据科技(上海)有限公司 机场车辆调度方法、装置、电子设备和存储介质
CN116485091B (zh) * 2023-02-14 2024-09-06 航安云创数据科技(上海)有限公司 机场车辆调度方法、装置、电子设备和存储介质
CN116187719A (zh) * 2023-04-24 2023-05-30 广东工业大学 民航机场地面保障资源调度方法及系统
CN116187719B (zh) * 2023-04-24 2023-09-01 广东工业大学 民航机场地面保障资源调度方法及系统
CN116258353A (zh) * 2023-05-15 2023-06-13 民航成都信息技术有限公司 航班地勤节点执行序列的确定方法、装置、设备及介质
CN116258353B (zh) * 2023-05-15 2023-07-14 民航成都信息技术有限公司 航班地勤节点执行序列的确定方法、装置、设备及介质
CN117391401A (zh) * 2023-12-07 2024-01-12 中国民用航空飞行学院 机场电动地勤车的调度方法
CN117391401B (zh) * 2023-12-07 2024-03-05 中国民用航空飞行学院 机场电动地勤车的调度方法
CN118134207A (zh) * 2024-05-06 2024-06-04 青岛民航凯亚系统集成有限公司 一种民用机场引导车自动分配场景中生产调度方法及系统

Also Published As

Publication number Publication date
CN112070355B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN112070355A (zh) 一种机场摆渡车的分配调度方法
CN110533228B (zh) 一种考虑旅客意愿的航班恢复方法
CN107392355B (zh) 一种基于差分进化算法的多机场协同调度鲁棒优化方法
CN113780808B (zh) 基于柔性公交接驳系统线的车辆服务属性决策优化方法
Tang et al. Online operations of automated electric taxi fleets: An advisor-student reinforcement learning framework
CN114664119B (zh) 一种航班跑道排序与优化调度方法
CN110705741B (zh) 一种基于改进蚁群算法的多配送中心车辆路径优化方法
CN114742340B (zh) 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法
CN117273275A (zh) 一种基于遗传规划算法的航班管控计划生成方法
CN114330920B (zh) 一种铁路轨道维修作业计划编制优化方法及系统
CN109460900B (zh) 一种机场新建卫星厅的转场航班分配方法
Jiau et al. Services-oriented computing using the compact genetic algorithm for solving the carpool services problem
CN114594744A (zh) 一种分布式工厂生产配送集成调度方法和系统
Liang et al. A cooperative coevolutionary optimization design of urban transit network and operating frequencies
CN111950910A (zh) 基于dbscan-ga的机场保障车辆任务调度方法
CN114066503A (zh) 一种基于构建虚拟服务片区进行出租车需求预测的方法
CN115731748A (zh) 航班跑道排序方法及存储介质
CN115048576A (zh) 一种空港旅客群体出行方式柔性推荐方法
Liu et al. Data-driven bus route optimization algorithm under sudden interruption of public transport
CN112862258B (zh) 一种考虑旅客偏好的有限理性的航班恢复方法
Bi et al. [Retracted] Multiobjective Optimization of Airport Ferry Vehicle Scheduling during Peak Hours Based on NSGA‐II
CN112598328A (zh) 卫星厅模式下中转登机口多目标分配的优化方法及系统
CN112950265A (zh) 区域多停车场联合定价方法
CN111582592B (zh) 一种区域机场群航线网络优化方法
CN110909946B (zh) 一种基于公路换乘的航班计划优化方法

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