CN112633562A - 一种机场停机位智能调度方法 - Google Patents

Abstract

一种机场停机位智能调度方法，包括以下步骤：模型建立：提前将两个关联航班链接成一组过站飞机，链接完成后，将当天需要分配的过站组分为三类：早班、普通过站和航后；模型计算:根据唯一性约束、独占性约束、固定停机位约束及拖靠有效性约束并计算出最终的决策变量矩阵X，提取中的信息即可得到每一个航班对应的停靠机位，将传统的机场分配算法分为模型建立和模型求解两部分，结合了数学规划法和智能算法。首先利用数学规划法建立复杂的约束条件，再通过Gurobi求解器对模型进行求解，得出全局最优解的停机位分配方案。

Description

一种机场停机位智能调度方法

技术领域

本发明涉及信息技术领域，具体为一种机场停机位智能调度方法。

背景技术

停机位是机场重要的运行资源，停机位分配直接影响机场的运行效率、航空公司的满意度和旅客体验。停机位分配是一个非常复杂的过程，需要综合考虑机位和机型的相容性、停机位占用在时间和空间上的相容性、特定属性或特定航司的航班对于停机位的特殊要求等等诸多因素。在停机位资源相对紧张的条件下，综合考虑各种约束条件，兼顾各方利益，最小化冲突率的同时最大化航班靠桥率、旅客靠桥率等指标，是一项非常复杂的工作，通常一位经验丰富的调度员也要花上一个小时甚至数个小时为次日计划航班分配停机位。在实际运行时，还要根据航班和资源的临时调整对停机位分配作出实时调整，当航班密集时，人工调度难免出现牵一发而动全身的调整。

停机位调度问题是一个NP问题。由于计算时间复杂度会随着机场和航班规模的增加呈指数增长，因此对于大规模问题在较短时间内难以获得最优解。现在通用的停机位分配算法主要分为数学规划、启发式优化和系统仿真这三类。

数学规划法是指将机场的各种约束规则，如航班类型、位置、航班时刻、停机位类型等用关系式或符号表示，再根据实际情况建立相应的数学模型，最后从运筹学角度对优化模型进行求解。启发式算法是建立在经验和判断的基础之上，将停机位分配转换成有限域约束满足问题，将分配结果转换成智能体的最优路径问题的方法，可以寻找到近似最优解，具有收敛快，节省计算空间的特点。系统仿真法通过建立各种类型仿真系统，并使用仿真技术对机场的停机位进行实时模拟，主要为解决航班在停机位上的冲突控制问题。

算法性能方面：对于数学规划法，虽然它在理论上能够获得最优分配方案，但在运算时间上却不能够完全满足实际需要。对于启发式算法，求解结果是往往是得到局部最优解，且当航班起降架次数量达到上千后，复杂度将呈阶数递增，难以满足停机位分配实时性的要求。对于系统仿真法，模拟计算机仿真技术虽然可以对机场的停机位分配进行实时模拟，但必须保证模拟环境与实际环境较为相似，不具有通用性。

模型方面：由于大部分方案在面对计划排班问题时，严格遵守飞机与停机位之间的一对一约束，没有有效地考虑到拖靠问题，严重影响靠桥率。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种机场停机位智能调度方法。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种机场停机位智能调度方法，包括以下步骤：

模型建立：提前将两个关联航班链接成一组过站飞机，链接完成后，将当天需要分配的过站组分为三类：早班、普通过站和航后；

模型计算:根据唯一性约束、独占性约束、固定停机位约束及拖靠有效性约束并计算出最终的决策变量矩阵X，提取中的信息即可得到每一个航班对应的停靠机位。

本发明改进有，所述模型建立步骤中，将每一个早班都分为早班过夜和早班出港两个过站组，允许它们在各自停机时间内各占用一个停机位，航后同理。

3、根据权利要求2所述的一种机场停机位智能调度方法，其特征在于，当日待分配过站组M个，机场上共有N个停机位。

决策变量为矩阵X，且

x_i,j为0-1变量，表示飞机j是否安排停靠于停机位i，取1时为是，取0时为否。

将目标设为Ω＝{g_i|i＝1,2,…,p}，分别赋予权重

再加权，得到总目标函数

为：

令F＝{f_i|i＝1,2,…,N}表示按照进港时间升序排列的过站组集合，其中每个分量包含了进港时间

离港时间

机型s_i、航司c_i、任务w_i、方向y_i。其中早班过夜为

早班出港为

正常过站为

航后进港为{f_i ⁴|i＝1,2,…,N₄}，航后过夜为

且N₁+N₂+N₃+N₄+N₅＝N；

令常数B为靠桥的停机位个数，前B个停机位为靠桥；D＝{d_i|i＝1,2,…,M}表示进入每个机场停机位所需要滑行的距离；

中的分量θ_i,k为0-1变量，表示过站组i根据f_i判断是否可停靠在停机位k上，取1时为是，取0时为否；ΔT＝{Δt_i|i＝1,2,…,M}为每个停机位进行相邻停机作业的最小作业时间间隔。

根据以上定义，可得到靠桥率g₁为：

总的滑行距离g₂为：

总目标函数

为

本发明改进有，在分配时需要遵守以下约束：

(1)唯一性约束

每一个过站组只能被分配到一个停机位，即：

(2)独占性约束

每一个过站组在时间和空间上对所停机位拥有绝对的独占性，即在同一停机位上，两个过站组不能发生冲突；

(3)固定停机位约束

由于早班中的早班过夜部分与为前一天的航后过夜属于同一飞机，所以会停靠在同一停机位上，因此读取前一天的航后过夜数据，并将其作为当日早班过夜的停机位分配结果；航后同理：

x_i,k＝1；i＝1,2,…,N₁,N₄+1,…,N₅；k＝1,2,…,M (15)

(4)拖靠有效性约束

拖靠行为的发生方向只能从远机位向近机位，其余均为无效拖靠，链接到同一飞机的早班过夜和早班拖靠这两组过站，必须分配至同一停机位；

其中，f_i与f_j属于链接到同一飞机的两组过站组，f_i为早班过夜或航后过夜，f_j为早班过站或航后过站。

(三)有益效果

与现有技术相比，本发明提供了一种机场停机位智能调度方法，本方案将传统的机场分配算法分为模型建立和模型求解两部分，结合了数学规划法和智能算法。首先利用数学规划法建立复杂的约束条件，再通过Gurobi求解器对模型进行求解，得出全局最优解的停机位分配方案。

附图说明

图1为本发明的系统示意图；

图2为发生拖靠行为后的机位分配甘特图；

图3为不主动发生拖靠行为后的机位分配甘特图。

具体实施方式

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，所描述的实施例仅仅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做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。

本发明提供一种机场停机位智能调度方法，包括以下步骤：

1、模型建立

首先需要提前将两个关联航班链接成一组过站飞机。链接完成后，将当天需要分配的过站组分为三类：早班、普通过站和航后。为了提高靠桥率和优化拖靠方案，现将每一个早班都分为早班过夜和早班出港两个过站组，允许它们在各自停机时间内各占用一个停机位；航后同理。

假设计划当日待分配过站组M个，机场上共有N个停机位。

决策变量为矩阵X，且

x_i,j为0-1变量，表示飞机j是否安排停靠于停机位i，取1时为是，取0时为否。

建立机场停机位分配优化模型有如下基本目标Ω：

(1)靠桥率尽可能高

(2)所有航空器在该机场总的滑行距离最短

此外，还有航司均衡、停机位尽可能限制停放等小的目标。将以上这些目标设为Ω＝{g_i|i＝1,2,…,p}，分别赋予权重

再加权，得到总目标函数

为：

令F＝{f_i|i＝1,2,…,N}表示按照进港时间升序排列的过站组集合，其中每个分量包含了进港时间

离港时间

机型s_i、航司c_i、任务w_i、方向y_i等各种属性。其中早班过夜为

早班出港为{f_i ²|i＝1,2,…,N₂}，正常过站为

航后进港为

航后过夜为

且N₁+N₂+N₃+N₄+N₅＝N。

令常数B为靠桥的停机位个数，前B个停机位为靠桥；D＝{d_i|i＝1,2,…,M}表示进入每个机场停机位所需要滑行的距离；

中的分量θ_i,k为0-1变量，表示过站组i根据f_i判断是否可停靠在停机位k上，取1时为是，取0时为否；ΔT＝{Δt_i|i＝1,2,…,M}为每个停机位进行相邻停机作业的最小作业时间间隔。

根据以上定义，可得到靠桥率g₁为：

总的滑行距离g₂为：

所以总目标函数

为

在分配时需要遵守以下约束：

1)唯一性约束

每一个过站组只能被分配到一个停机位，即：

2)独占性约束

每一个过站组在时间和空间上对所停机位拥有绝对的独占性，即在同一停机位上，两个过站组不能发生冲突。

3)固定停机位约束

由于早班中的早班过夜部分与为前一天的航后过夜属于同一飞机，所以会停靠在同一停机位上，因此读取前一天的航后过夜数据，并将其作为当日早班过夜的停机位分配结果；航后同理：

x_i,k＝1；i＝1,2,…,N₁,N₄+1,…,N₅；k＝1,2,…,M (23)

4)拖靠有效性约束

拖靠行为的发生方向只能从远机位向近机位，其余均为无效拖靠，链接到同一飞机的早班过夜和早班拖靠这两组过站，必须分配至同一停机位。

其中，f_i与f_j属于链接到同一飞机的两组过站组，f_i为早班过夜或航后过夜，f_j为早班过站或航后过站。

在这些基本约束上，可以再根据不同机场加入特殊的限定约束。

2、模型求解

采用Gurobi软件，进行约束条件的配置和求解，得到最后的决策变量矩阵X。提取X中的信息即可得到每一个航班对应的停靠机位。

下面通过一个实施例,详细说明:

现提取厦门机场2020年9月17日的计划飞行任务数据。共586架次的航班，128架次早班飞行任务，134架次航后保障任务。

步骤一：关联航班被链接成162个正常过站组。

步骤二：将早班和航后的每个任务都分为两部分：早班过夜128组、早班出港128组、航后进港162组和航后过夜162组。

步骤三：固定早班过夜的128组：将前一天(2020年9月16日)的航后过夜机位保障结果分配给今日的早班过夜，保持决策变量矩阵中的值不变。

步骤四：建立相关约束。

步骤五：利用Gurobi进行求解。

在i5-8265U CPU/8G RAM的处理器上，平均运行400s可以求解出一组结果,如图2及图3。

由图2和图3可知，通过条件限制下的计算机智能拖靠分配，可以将靠桥率从65.5％提升至72.3％，可以有效提升旅客满意率，减少机场调度员的工作量。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种机场停机位智能调度方法，其特征在于，包括以下步骤：

模型建立：提前将两个关联航班链接成一组过站飞机，链接完成后，将当天需要分配的过站组分为三类：早班、普通过站和航后；

模型计算:根据唯一性约束、独占性约束、固定停机位约束及拖靠有效性约束并计算出最终的决策变量矩阵X，提取中的信息即可得到每一个航班对应的停靠机位。

2.根据权利要求1所述的一种机场停机位智能调度方法，其特征在于，所述模型建立步骤中，将每一个早班都分为早班过夜和早班出港两个过站组，允许它们在各自停机时间内各占用一个停机位，航后同理。

3.根据权利要求2所述的一种机场停机位智能调度方法，其特征在于，当日待分配过站组M个，机场上共有N个停机位。

决策变量为矩阵X，且

x_i,j为0-1变量，表示飞机j是否安排停靠于停机位i，取1时为是，取0时为否。

将目标设为Ω＝{g_i|i＝1,2,…,p}，分别赋予权重

再加权，得到总目标函数

为：

令F＝{f_i|i＝1,2,…,N}表示按照进港时间升序排列的过站组集合，其中每个分量包含了进港时间

离港时间

机型s_i、航司c_i、任务w_i、方向y_i。其中早班过夜为

早班出港为

正常过站为

航后进港为

航后过夜为

且N₁+N₂+N₃+N₄+N₅＝N；

令常数B为靠桥的停机位个数，前B个停机位为靠桥；D＝{d_i|i＝1,2,…,M}表示进入每个机场停机位所需要滑行的距离；

中的分量θ_i,k为0-1变量，表示过站组i根据f_i判断是否可停靠在停机位k上，取1时为是，取0时为否；ΔT＝{Δt_i|i＝1,2,…,M}为每个停机位进行相邻停机作业的最小作业时间间隔。

根据以上定义，可得到靠桥率g₁为：

总的滑行距离g₂为：

总目标函数

为

4.根据权利要求3所述的一种机场停机位智能调度方法，其特征在于，在分配时需要遵守以下约束：

(1)唯一性约束

每一个过站组只能被分配到一个停机位，即：

(2)独占性约束

每一个过站组在时间和空间上对所停机位拥有绝对的独占性，即在同一停机位上，两个过站组不能发生冲突；

(3)固定停机位约束

由于早班中的早班过夜部分与为前一天的航后过夜属于同一飞机，所以会停靠在同一停机位上，因此读取前一天的航后过夜数据，并将其作为当日早班过夜的停机位分配结果；航后同理：

x_i,k＝1；i＝1,2,…,N₁,N₄+1,…,N₅；k＝1,2,…,M (7)

(4)拖靠有效性约束

拖靠行为的发生方向只能从远机位向近机位，其余均为无效拖靠，链接到同一飞机的早班过夜和早班拖靠这两组过站，必须分配至同一停机位；

其中，f_i与f_j属于链接到同一飞机的两组过站组，f_i为早班过夜或航后过夜，f_j为早班过站或航后过站。

Images