CN112951004B - 一种多目标多时段航班保障资源动态优化分配方法 - Google Patents

Abstract

本发明公开了一种多目标多时段航班保障资源动态优化分配方法，主要是通过分析机场地面保障特点，通盘考虑各种保障任务类型、人员岗位，深入研究资源位置、人员绩效、岗位资质等影响因子量化方法和计算模型，形成面向多目标的二分图最优匹配算法模型。基于机场多年沉淀的历史排班调度数据，进行模型训练，定期产出各因子参数，计算各匹配路径的权重数值。

Description

一种多目标多时段航班保障资源动态优化分配方法

技术领域：

本发明属于多场景资源优化分配技术领域，特别涉及一种多目标多时段航班保障资源动态优化分配方法。

背景技术：

民航领域，飞机运行的环境复杂多变，天气因素、航线因素、军事因素等多种变量都在时刻影响航班的运行状态和计划，同时随着民航发展，机场地面保障资源也愈发饱和，一方面指挥调度人员手工调配资源，难以应对越来越多的航班数量，另一方面航班延误等场景下经常出现人员不足影响航班保障的情况，同时实际人员资源利用率却不理想。如何提高人员、车辆、设备等资源的利用率，如何灵活动态地适应航班时间变化，如何让员工满意度提升，一直是困扰机场信息化建设的课题。现有地服平台或相关调度系统，普遍存在策略安排不全面，计算方法不智能，无法兼顾多种规则目标以及航班频繁动态变更的实际场景。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容：

本发明的目的在于提供一种多目标多时段航班保障资源动态优化分配方法，从而克服上述现有技术中的缺陷。

为实现上述目的，本发明提供了一种多目标多时段航班保障资源动态优化分配方法，按照如下步骤进行：

S1通过终端数据采集器，实时获取人员和设备定位数据、任务工作状态反馈数据；

S2从机场预定时间段内人员、岗位维度静态元数据，结合所述定位数据和反馈数据，进行决策影响因子量化，生成决策数据矩阵；

S3根据历史积累数据进行模型训练，产出各因子参数，带入所述决策数据矩阵得出路径权重；

S4基于所述路径权重，形成面向多目标的二分图优化匹配算法模型；

S5增加多时段因子，添加到所述二分图优化匹配模型，更新产出最佳匹配路径；

S6调度平台下发所述匹配路径结果，且收集状态反馈。

优化分配是指综合考虑航班任务变化、人员实际安排、人员资质和工作绩效等各项指标及变化，灵活动态地合理分配人员资源，其中涉及航班管理、绩效管理、设备管理等多个环节。由于航班调整频繁多变，优化匹配已经不局限于固定不变的时间范围，而是实时依据航班变化，动态跨多时段进行优化调整，实现优化分配。

优选地，上述技术方案中，步骤S1具体包括：工作人员通过手持终端或者移动终端实时上报定位数据，设备绑定终端实时上报定位数据；通过所述手持终端，人员反馈保障流程节点完成状态至调度指挥平台。

优选地，上述技术方案中，步骤S2具体包括：获取预定时间段内人员排班、资质、绩效、排班规则等数据做出初始静态数据；通过所述终端实时获取航班动态、资源定位、旅客人数、任务状态反馈数据；集成所述静态数据和动态数据，对非数值数据进行量化，统一格式作为决策数据。

优选地，上述技术方案中，步骤S3具体包括：从数据仓库获取预定时间段内的历史排班调度数据；将所述历史数据带入影响因子量化模型计算，生成优化决策影响因子参数；将所述决策数据矩阵乘以所述优化决策影响因子参数，实时生成当前待分配任务的可选路径权重。

优选地，上述技术方案中，从数据仓库获取预定时间段内历史排班调度数据，主要由数值型数据和非数值型数据组成，所述数值型数据包括绩效、定位、满意度、反馈评分、综合调度指标、平均航班保障时间或其他可获得的指标数据；所述非数值型数据包括资质、职务、排班记录或者其他固定信息。

优选地，上述技术方案中，将历史数据带入影响因子量化模型计算，生成优化决策影响因子参数，具体包括：根据不同因子影响程度，选定相应子目标函数；集合子目标函数构成整体目标函数；带入所述历史排班调度数据，拟合计算各影响因子参数值。

优选地，上述技术方案中，步骤S4具体包括：根据所述路径权重，初始化二分图顶标值和权重值；进行最大权重资源匹配和抢占；重复任务匹配和抢占过程，迭代计算生成优化匹配路径。

优选地，上述技术方案中，进行最大权重资源匹配和抢占，具体包括：任务匹配最大权重边对应资源；资源被占用则抢占资源；被抢占任务搜索新资源。

优选地，上述技术方案中，步骤S5具体包括：动态监控航班变化，生成跨时段因子并赋值；所述二分图优化匹配算法中增加多时段因子，更新计算路径权重；进行任务转移分配新区间；采用所述二分图优化匹配算法重新进行路径计算。

优选地，上述技术方案中，二分图优化匹配算法中增加多时段因子，更新计算路径权重，具体包括：增加多时段因子，根据实时航班变化信息和预测时间数据，赋值多时段因子值；多时段区间内的算法模型在计算中计入时段因子，适配任务在不同时段区间的变化；涉及的多时段区间内更新计算路径权重。

优选地，上述技术方案中，进行任务转移分配新区间，具体包括：实时计算航班预达时间，确定任务优先转移的目标区间；更新目标区间时段因子值，在新时间区间激活转移任务。

优选地，上述技术方案中，包括如下步骤：

S1、定义和采集相关各因子主数据、实时数据:

S1.1、初始化任务类型、岗位资质元数据；作为因子量化计算的静态基础数据，系统首先加载航班保障任务的各种类型数据、每种任务类型的岗位资质信息、工作人员资质信息，基于此进行人员匹配过滤；

S1.2、实时采集资源位置数据；平台系统通过一线航班保障人员手持终端，实时获取人员/设备的定位数据，由资源、设备、人员定位数据，实时生成任务-人员距离值，作为距离影响因子数据；

S1.3、定期收集人员绩效数据；系统每日定时计算一次各人员本月和本周共工作绩效情况，包含排班时间和排班频度，基于S1.1静态数据收集和S1.2-S1.3动态数据收集，完成数据准备工作；

S2、生成各时段任务清单和人员清单，量化影响因子，生成决策数据矩阵:

S2.1、生成航班保障任务清单,根据航班预达时间，实时获取当前时间段和后续时间段计划航班，结合S1.1任务类型基础元数据，生成任务-时间窗口矩阵；

S2.2、生成当前时段和后续时段的在岗人员清单,根据系统当日注册工作员工数据和当前派单工作情况，计算各时间段员工计划，生成人员-时间窗口矩阵；

S2.3、决策影响因子量化，集成所述静态数据和动态数据，对原始数值数据进行量化，统一格式作为决策数据,系统将原始数值元素分成N个区间范围，并将这N个区间内的数值分别映射到对应的N个量化值上；

S2.4、汇聚各时段因子量化后的数据值，以任务-人员-因子构成三个维度因子矩阵，生成决策数据矩阵；

S3、历史调度排班评价值输出：

S3.1、计算保障时间延误值，根据航班实际起飞/降落时间和历史任务保障完成时间点，结合机场各保障节点时间要求，得出该任务的保障时间延误值，实际完成在要求时间内则视作无延误，标为0，延误值记为delay(s)，其中s为当次保障任务标识参数；

S3.2、计算平均绩效基线和绩效偏差值，历史任务数据计算各任务类型的班组历史当月每人平均执行该类型任务时常增长趋势，作为该类任务的平均绩效基线，基于此，计算历史各任务对当月绩效基线的偏差，作为任务绩效的评价值，计算的绩效偏差值记为performance(s)；

S3.3、计算人员资源利用率，历史任务当日人员、资源执行任务时常除以在岗时常作为利用率考核指标，纳入评价值构成因素，计算的人员资源利用率记为rate(s)；

S3.4、统计满意度反馈指标，历史任务所收集的员工反馈评价打分值作为自动调度排班的指标之一，纳入评价值构成因素，计算的满意度反馈值记为feedback(s)；

S3.5、生成调度排班评价值；

基于S3.1-S3.4所述四项评价指标，根据历史经验事先设定线性参数矩阵[w1,w2,w3,w4]，线性合成历史调度排班任务的评价值，计算方法如下：P(s) = w1*delay(s) + w2*performance(s) + w3*rate(s) + w4*feedback(s)，P(s)为历史单次保障任务的评价值；对历史积累的各任务带入计算，完成任务相对应的综合评价值建立；

S4、根据历史积累数据进行模型训练，产出各因子参数，带入所述决策数据矩阵得出路径权重：

S4.1、抽取历史数据，合成因子数值；从数据仓库抽取机场若干年历史内的航班动态、预达时间、旅客人数、停机位、登机口和人员绩效、定位、资质、排班记录，数据统一量化后合成为航班综合输入因子值和资源综合输入因子值，作为历史数据分析拟合的两个维度输入数据；构建拟合多项式，所述历史评价值作为综合调度评价指标，用作构建的多项式的输出值；

S4.2、最小二乘法实现多项式拟合，基于S4.1所述合成因子数值作为输入，综合调度评价指标作为输出，采用多项式模型，系统输入机场历史数据进行分析计算，自动进行拟合运算，定期产出最佳因子参数；

S4.3、计算各匹配路径权重数值，将定期产出的因子参数结合S1.1-S1.3和S2.1-S2.3量化的决策影响因子，实时计算当前时间下各任务与各人员匹配权重，作为最优匹配计算的路径权重；

S5、当前时段内最优匹配路径计算：

S5.1、初始化各路径权重，各项任务根据最大权重边设定其顶标值，将S4.3产出的权重设定成二分图相应任务-人员连线的权重，同时依据权重设定各任务、人员的顶标值，其中，所有人员顶标值设为0，任务顶标值设定为其所连线的最大权重值，据此逐一做初始化，直到所有任务和人员顶标值都完成设定；

S5.2、任务匹配最大权重边对应资源，如资源已经被之前任务占用，则抢占该资源,新任务抢占资源后，老任务搜索新资源,计算过程如下：

S5.2.1计算老任务和各资源顶标和与原被抢占资源的最小偏差；

S5.2.2老任务顶标值减去该最小偏差；

S5.2.3原被抢占资源顶标值加上该最小偏差；

S5.2.4老任务与最小偏差所对应的新资源形成匹配；

S5.3、重复任务匹配和抢占过程，迭代计算生成最优匹配路径；

S6、跨时段航班动态调整，更新路径匹配：

S6.1、跨时段航班任务转移，当系统遇到航班延误或者资源不足等需要动态实时调整的场景时，将保障任务做跨时段转移，时段选择上优先满足航班预达时间要求，在此基础上优先选择距当前时间段最近区间进行调配；

S6.2、更新路径权重，调整任务完成区间转移后，将其对新区间内资源路径进行权重计算，计算方法遵循S4.3；

S6.3、重新进行路径计算，转移任务作为下一个时间段中任务一起参与新区间内路径匹配计算，计算方法遵循S4.1-S4.3，产出最优匹配路径，路径图覆盖转移任务则结束转移匹配，作为最终路径执行；若路径图未覆盖转移任务，说明资源未能满足新转移任务，将任务继续转移到下一个时间段迭代计算，直至匹配成功

与现有技术相比，本发明具有如下有益效果：本发明可使机场航班保障任务按照最优匹配算法分配给人员及设备，能够最大化利用现有资源，减少资源不足导致的航班保障延误，提升机场保障能力。

附图说明：

图1是本发明航班任务与人员匹配关系示意图；

图2是本发明原始数值作图；

图3是本发明量化后的数据作图；

图4是本发明评价指标体系图；

图5是本发明多元拟合作图；

图6是本发明任务资源抢占示意图；

图7是本发明跨时段动态匹配示意图。

具体实施方式：

下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

分析机场地面保障特点，通盘考虑各种保障任务类型、人员岗位，深入研究资源位置、人员绩效、岗位资质等影响因子量化方法和计算模型，形成面向多目标的二分图最优匹配算法模型。基于机场多年沉淀的历史排班调度数据，进行模型训练，定期产出各因子参数，计算各匹配路径的权重数值。

在二分图最优匹配算法模型基础上，结合机场航班延误等动态调整场景，增加多时段因子，依据实时航班状态动态计算时段因子值，并添加到二分图最优模型中重新计算多时段下的各因子参数，更新不同时段的路径权重数值。

搭建多目标多时段的二分图最优匹配算法模型，通过模型计算实现时段内和跨时段的航班任务动态实时分配，指导机场资源调度系统根据匹配结果自动调配资源，有效提升人员资源利用率和满意度，减少保障任务延迟。具体匹配模型结构如图1所示。

1、 为实现模型的因子参数和权重计算，需要定义和采集相关各因子主数据、实时数据。

1.1、初始化任务类型、岗位资质元数据。作为因子量化计算的静态基础数据，系统首先加载航班保障任务的各种类型数据、每种任务类型的岗位资质信息、工作人员资质信息，基于此进行人员匹配过滤。

1.2、实时采集资源位置数据。平台系统通过一线航班保障人员手持终端，实时获取人员/设备的定位数据，由资源、设备、人员定位数据，实时生成任务-人员距离值，作为距离影响因子数据。

1.3、定期收集人员绩效数据。系统每日定时计算一次各人员本月和本周共工作绩效情况，包含排班时间和排班频度。基于1.1静态数据收集和1.2-1.3动态数据收集，完成数据准备工作。

2、生成各时段任务清单和人员清单，量化影响因子，生成决策数据矩阵。

2.1、生成航班保障任务清单。根据航班预达时间，实时获取当前时间段和后续时间段计划航班，结合1.1任务类型基础元数据，生成任务-时间窗口矩阵。

，

表格1，任务-时间窗口矩阵。

2.2、生成当前时段和后续时段的在岗人员清单。根据系统当日注册工作员工数据和当前派单工作情况，计算各时间段员工计划，生成人员-时间窗口矩阵。

，

表格2，人员-时间窗口矩阵。

2.3、决策影响因子量化，集成所述静态数据和动态数据，对原始数值数据进行量化，统一格式作为决策数据。系统将原始数值元素分成N个区间范围，并将这N个区间内的数值分别映射到对应的N个量化值上。

2.4、汇聚各时段因子量化后的数据值，以任务-人员-因子构成三个维度因子矩阵，生成决策数据矩阵。

3、历史调度排班评价值输出。

3.1、计算保障时间延误值。根据航班实际起飞/降落时间和历史任务保障完成时间点，结合机场各保障节点时间要求，得出该任务的保障时间延误值（实际完成在要求时间内则视作无延误，标为0）。延误值记为delay(s)，其中s为当次保障任务标识参数。以客梯车对接保障任务为例，该历史任务降落时间t1,客梯车对接任务完成时间为t2，任务要求完成时间间隔为T，如果 t2-t1 < T，则该历史任务实际完成时间在要求时间内，试做无延误，delay(s) = 0；如果 t2-t1 > T，则该历史任务实际完成时间超出要求，任务有延误，delay(s) = t2 -t1-T。

3.2、计算平均绩效基线和绩效偏差值。由积累的历史任务数据，计算各任务类型的当月人均任务执行时长，作为该类任务的平均绩效基线。基于此，计算历史各任务对当月绩效基线的偏差，作为任务绩效的评价值，计算的绩效偏差值记为performance(s)。以配餐任务为例，计算历史上每个月的配餐任务执行平均时长，记为`t(m)，针对历史当月每一个配餐任务，从数据库中取出其执行时长，记为t(s),该历史任务相对于本月配餐任务基线的偏差，就是任务时间减去月平均时长，即performance(s) = t(s)-t(m)。

3.3、计算人员资源利用率。历史任务当日人员、资源执行任务时长除以在岗时长作为利用率考核指标，纳入评价值构成因素，计算的人员资源利用率记为rate(s)。以装卸任务为例，一名工人历史当日实际在岗时长记为t1，分配参与任务执行的实际时长记为t2，利用率指标为任务时长除以在岗时长，即rate(s) = t2/t1 * 100%。

3.4、统计满意度反馈指标。历史任务所收集的员工反馈评价打分值作为自动调度排班的指标之一，纳入评价值构成因素，计算的满意度反馈值记为feedback(s)。在实际执行过程中，每次调度任务下发后，一线人员完成执行任务，并对调度排班按照1-10分分值做主观评价打分，打分值通过终端反馈记录到数据库中，形成历史评价数据，参与整体评价值计算。

3.5、生成调度排班评价值。

基于3.1-3.4所述四项评价指标，根据历史经验事先设定线性参数矩阵[w1,w2,w3,w4]，线性合成历史调度排班任务的评价值。计算方法如下：P(s) = w1*delay(s) + w2*performance(s) + w3*rate(s) + w4*feedback(s)，P(s)为历史单次保障任务的评价值。对历史积累的各任务带入计算，完成任务相对应的综合评价值建立。

4、根据历史积累数据进行模型训练，产出各因子参数，带入所述决策数据矩阵得出路径权重。

4.1、抽取历史数据，合成因子数值。从数据仓库抽取机场2年历史内的航班维度数据（航班动态、预达时间、旅客人数、停机位、登机口）和人员资源维度数据（绩效、定位、资质、排班记录），数据统一量化后合成为航班综合输入因子值和资源综合输入因子值，作为历史数据分析拟合的两个维度输入数据。构建拟合多项式，所述历史评价值作为综合调度评价指标，用作构建的多项式的输出值。

4.2、最小二乘法实现多项式拟合。基于4.1所述合成因子数值作为输入，综合调度评价指标作为输出，采用多项式模型，系统输入机场历史数据进行分析计算，自动进行拟合运算，定期产出最佳因子参数。

4.3、计算各匹配路径权重数值。将定期产出的因子参数结合1.1-1.3和2.1-2.3量化的决策影响因子，实时计算当前时间下各任务与各人员匹配权重，作为最优匹配计算的路径权重。

权重	任务1	任务2	任务3	任务4
					人员1	5	8	2	13
人员2	7	11	6	4
					人员3	5	6	10	8

表格3，人员-任务权重矩阵。

5、当前时段内最优匹配路径计算。

5.1、初始化各路径权重，各项任务根据最大权重边设定其顶标值。将4.3产出的权重设定成二分图相应任务-人员连线的权重，同时依据权重设定各任务、人员的顶标值。其中，所有人员顶标值设为0，任务顶标值设定为其所连线的最大权重值。据此逐一做初始化，直到所有任务和人员顶标值都完成设定。

5.2、任务匹配最大权重边对应资源，如资源已经被之前任务占用，则抢占该资源。新任务抢占资源后，老任务搜索新资源。计算过程如下：

1）计算老任务和各资源顶标和与原被抢占资源的最小偏差；

2）老任务顶标值减去该最小偏差；

3）原被抢占资源顶标值加上该最小偏差；

4）老任务与最小偏差所对应的新资源形成匹配。

5.3、重复任务匹配和抢占过程，迭代计算生成最优匹配路径。

6、跨时段航班动态调整，更新路径匹配。

6.1、跨时段航班任务转移。当系统遇到航班延误或者资源不足等需要动态实时调整的场景时，将保障任务做跨时段转移。时段选择上优先满足航班预达时间要求，在此基础上优先选择距当前时间段最近区间进行调配。

6.2、更新路径权重。调整任务完成区间转移后，将其对新区间内资源路径进行权重计算，计算方法遵循4.3。

6.3、重新进行路径计算。转移任务作为下一个时间段中任务一起参与新区间内路径匹配计算，计算方法遵循4.1-4.3。产出最优匹配路径，路径图覆盖转移任务则结束转移匹配，作为最终路径执行；若路径图未覆盖转移任务，说明资源未能满足新转移任务，将任务继续转移到下一个时间段迭代计算，直至匹配成功。

本发明可使机场航班保障任务按照最优匹配算法分配给人员及设备，能够最大化利用现有资源，减少资源不足导致的航班保障延误，提升机场保障能力。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (1)

1.一种多目标多时段航班保障资源动态优化分配方法，其特征在于：包括如下步骤：

S1、定义和采集相关各因子主数据、实时数据:

S1.1、初始化任务类型、岗位资质元数据；作为因子量化计算的静态基础数据，系统首先加载航班保障任务的各种类型数据、每种任务类型的岗位资质信息、工作人员资质信息，基于此进行人员匹配过滤；

S1.2、实时采集资源位置数据；平台系统通过一线航班保障人员手持终端，实时获取人员/设备的定位数据，由资源、设备、人员定位数据，实时生成任务-人员距离值，作为距离影响因子数据；

S1.3、定期收集人员绩效数据；系统每日定时计算一次各人员本月和本周共工作绩效情况，包含排班时间和排班频度，基于S1.1静态数据收集和S1.2-S1.3动态数据收集，完成数据准备工作；

S2、生成各时段任务清单和人员清单，量化影响因子，生成决策数据矩阵:

S2.1、生成航班保障任务清单,根据航班预达时间，实时获取当前时间段和后续时间段计划航班，结合S1.1任务类型基础元数据，生成任务-时间窗口矩阵；

S2.2、生成当前时段和后续时段的在岗人员清单,根据系统当日注册工作员工数据和当前派单工作情况，计算各时间段员工计划，生成人员-时间窗口矩阵；

S2.3、决策影响因子量化，集成所述静态数据和动态数据，对原始数值数据进行量化，统一格式作为决策数据,系统将原始数值元素分成N个区间范围，并将这N个区间内的数值分别映射到对应的N个量化值上；

S2.4、汇聚各时段因子量化后的数据值，以任务-人员-因子构成三个维度因子矩阵，生成决策数据矩阵；

S3、历史调度排班评价值输出：

S3.1、计算保障时间延误值，根据航班实际起飞/降落时间和历史任务保障完成时间点，结合机场各保障节点时间要求，得出该任务的保障时间延误值，实际完成在要求时间内则视作无延误，标为0，延误值记为delay(s)，其中s为当次保障任务标识参数；

S3.2、计算平均绩效基线和绩效偏差值，历史任务数据计算各任务类型的班组历史当月每人平均执行该类型任务时常增长趋势，作为该类任务的平均绩效基线，基于此，计算历史各任务对当月绩效基线的偏差，作为任务绩效的评价值，计算的绩效偏差值记为performance(s)；

S3.3、计算人员资源利用率，历史任务当日人员、资源执行任务时常除以在岗时常作为利用率考核指标，纳入评价值构成因素，计算的人员资源利用率记为rate(s)；

S3.4、统计满意度反馈指标，历史任务所收集的员工反馈评价打分值作为自动调度排班的指标之一，纳入评价值构成因素，计算的满意度反馈值记为feedback(s)；

S3.5、生成调度排班评价值；

基于S3.1-S3.4四项评价指标，根据历史经验事先设定线性参数矩阵[w1,w2,w3,w4]，线性合成历史调度排班任务的评价值，计算方法如下：P(s) = w1*delay(s) + w2*performance(s) + w3*rate(s) + w4*feedback(s)，P(s)为历史单次保障任务的评价值；对历史积累的各任务带入计算，完成任务相对应的综合评价值建立；

S4、根据历史积累数据进行模型训练，产出各因子参数，带入所述决策数据矩阵得出路径权重：

S4.1、抽取历史数据，合成因子数值；从数据仓库抽取机场若干年历史内的航班动态、预达时间、旅客人数、停机位、登机口和人员绩效、定位、资质、排班记录，数据统一量化后合成为航班综合输入因子值和资源综合输入因子值，作为历史数据分析拟合的两个维度输入数据；构建拟合多项式，所述历史评价值作为综合调度评价指标，用作构建的多项式的输出值；

S4.2、最小二乘法实现多项式拟合，基于S4.1所述合成因子数值作为输入，综合调度评价指标作为输出，采用多项式模型，系统输入机场历史数据进行分析计算，自动进行拟合运算，定期产出最佳因子参数；

S4.3、计算各匹配路径权重数值，将定期产出的因子参数结合S1.1-S1.3和S2.1-S2.3量化的决策影响因子，实时计算当前时间下各任务与各人员匹配权重，作为最优匹配计算的路径权重；

S5、当前时段内最优匹配路径计算：

S5.1、初始化各路径权重，各项任务根据最大权重边设定其顶标值，将S4.3产出的权重设定成二分图相应任务-人员连线的权重，同时依据权重设定各任务、人员的顶标值，其中，所有人员顶标值设为0，任务顶标值设定为其所连线的最大权重值，据此逐一做初始化，直到所有任务和人员顶标值都完成设定；

S5.2、任务匹配最大权重边对应资源，如资源已经被之前任务占用，则抢占该资源,新任务抢占资源后，老任务搜索新资源,计算过程如下：

S5.2.1计算老任务和各资源顶标和与原被抢占资源的最小偏差；

S5.2.2老任务顶标值减去该最小偏差；

S5.2.3原被抢占资源顶标值加上该最小偏差；

S5.2.4老任务与最小偏差所对应的新资源形成匹配；

S5.3、重复任务匹配和抢占过程，迭代计算生成最优匹配路径；

S6、跨时段航班动态调整，更新路径匹配：

S6.1、跨时段航班任务转移，当系统遇到航班延误或者资源不足而 需要动态实时调整的场景时，将保障任务做跨时段转移，时段选择上优先满足航班预达时间要求，在此基础上优先选择距当前时间段最近区间进行调配；

S6.2、更新路径权重，调整任务完成区间转移后，将其对新区间内资源路径进行权重计算，计算方法遵循S4.3；

S6.3、重新进行路径计算，转移任务作为下一个时间段中任务一起参与新区间内路径匹配计算，计算方法遵循S4.1-S4.3，产出最优匹配路径，路径图覆盖转移任务则结束转移匹配，作为最终路径执行；若路径图未覆盖转移任务，说明资源未能满足新转移任务，将任务继续转移到下一个时间段迭代计算，直至匹配成功。

Images