CN114664119A - 一种航班跑道排序与优化调度方法 - Google Patents

一种航班跑道排序与优化调度方法 Download PDF

Info

Publication number
CN114664119A
CN114664119A CN202210224338.XA CN202210224338A CN114664119A CN 114664119 A CN114664119 A CN 114664119A CN 202210224338 A CN202210224338 A CN 202210224338A CN 114664119 A CN114664119 A CN 114664119A
Authority
CN
China
Prior art keywords
flight
runway
sequencing
time
departure
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
CN202210224338.XA
Other languages
English (en)
Other versions
CN114664119B (zh
Inventor
苏佳明
胡明华
丁文浩
赵征
江斌
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210224338.XA priority Critical patent/CN114664119B/zh
Publication of CN114664119A publication Critical patent/CN114664119A/zh
Application granted granted Critical
Publication of CN114664119B publication Critical patent/CN114664119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/003—Flight plan management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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"
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0043—Traffic management of multiple aircrafts from the ground
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0047—Navigation or guidance aids for a single aircraft
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种航班跑道排序与优化调度方法，包括构建进离场航班跑道排序模型；获取第一航班计划，设计航班顺序调整规则，基于所述航班顺序调整规则调整第一航班计划，获取满足预设数量阈值的第二航班计划；以所述第二航班计划作为初始可行解，使用分布式估计算法求解所述进离场航班跑道排序模型，获取满足预设条件的最优航班计划。本发明不仅从整体上降低了航班总延误时间，而且算法具备良好性能，实施性强，较传统算法效率显著提升。

Description

一种航班跑道排序与优化调度方法
技术领域
本发明属于空中交通管制决策支持领域，具体涉及一种航班跑道排序与优化调度方法。
背景技术
近年来，随着我国经济的快速增长，我国民航运输周转量、起降架次以及旅客吞吐量等各项指标保持较快的速度增长。在空域航路航线结构相对固定的前提下，空中交通网络日趋拥挤。到2040年，航空运输周转量预计将是2019年的两倍，航班延误情况可能会进一步加剧。机场作为航线网络中的关键节点，提高其运行效率将大大减少整个航线网络的延误。机场运行过程中，跑道系统拥堵是主要运行瓶颈，要解决该问题可考虑增加跑道容量和调整交通流量两方面。提高机场跑道容量的物理方法有机场改扩建、增加跑道数量等，但需耗费大量人力、物力成本，且周期长、见效慢。因此，将优化方案加入到空中交通流量管理过程中，在不增加基础设施投资的前提下利用有限的机场容量，合理安排进离场航班使用跑道顺序，可有效降低航空器延误、提高机场运行效率。
进离场航班跑道排序是科学配置可用的跑道资源、合理安排航班起降顺序的一种流量管理技术，是管制决策支持的关键与核心。空管部门现有航班排序系统采用先到先服务排序方法，即按照航班的预计进离港时间进行顺序排序，以在一定程度上减低管制员工作负荷，使管制员集中精力保证航班安全运行，虽然通过实验证明先到先服务有利于在保证公平的前提下降低航班整体延误，但随着重型机比例的增加以及航班运行的不确定性因素增加，仅按先到先服务原则进行跑道排序会导致个别航班的延误过大。
发明内容
针对上述现有技术中存在的缺陷，本发明提供一种可以有效降低航班总延误时间的航班跑道排序与优化调度方法。
本发明提出的技术方案如下：
一方面本发明公开了一种航班跑道排序与优化调度方法，包括以下步骤：
构建进离场航班跑道排序模型；
获取第一航班计划，设计航班顺序调整规则，基于所述航班顺序调整规则调整第一航班计划，获取满足预设数量阈值的第二航班计划；
以所述第二航班计划作为初始可行解，使用分布式估计算法求解所述进离场航班跑道排序模型，获取满足预设条件的最优航班计划。
进一步地，所述构建进离场航班跑道排序模型具体包括：
设置目标函数；
设置安全间隔约束条件；
设置进离场航班间斜距要求约束条件；
设置进离场航班使用跑道时间窗约束条件；
设置进离场航班跑道占用时间约束条件。
进一步地，所述目标函数具体为：
Figure BDA0003538626190000021
其中，|A|表示进场航班数量，|D|表示离场航班数量，
Figure BDA0003538626190000022
表示进场航班i的分配着陆时间，
Figure BDA0003538626190000023
表示进场航班i的预计着陆时间，
Figure BDA0003538626190000024
表示离场航班m的分配起飞时间，
Figure BDA0003538626190000025
表示离场航班m的预计起飞时间。
进一步地，所述安全间隔约束条件具体为：
Figure BDA0003538626190000026
Figure BDA0003538626190000027
其中，
Figure BDA0003538626190000028
表示进场航班i的分配着陆时间
Figure BDA0003538626190000029
和进场航班j的分配着陆时间
Figure BDA00035386261900000210
间的最小着陆间隔时间，M表示无穷大的数值，
Figure BDA00035386261900000211
表示进场航班i和进场航班j之间的着陆顺序，如果进场航班i先于进场航班j着陆则为1，否则为0；
Figure BDA00035386261900000212
表示离场航班m的分配起飞时间
Figure BDA00035386261900000213
和离场航班n的分配起飞时间
Figure BDA00035386261900000214
之间的最小放行间隔时间，M表示无穷大的数值，
Figure BDA00035386261900000215
表示离场航班m和离场航班n之间的起飞顺序，如果离场航班m先于离场航班n起飞则为1，否则为0。
进一步地，所述进离场航班间斜距要求约束条件具体为：
Figure BDA0003538626190000031
其中，δ'表示离场航班起飞时，进场航班距离跑道入口的最小距离，
Figure BDA0003538626190000032
表示进场航班i处于最后进近阶段飞行速度，βim表示离场航班m和进场航班i之间的顺序，如果离场航班m先于进场航班i起飞则为1，否则为0。
进一步地，所述进离场航班使用跑道时间窗约束条件具体为：
Figure BDA0003538626190000033
Figure BDA0003538626190000034
其中，
Figure BDA0003538626190000035
表示进场航班i的预计着陆时间，
Figure BDA0003538626190000036
表示离场航班m的预计起飞时间，
Figure BDA0003538626190000037
表示进场航班i可接受最大延误时间，
Figure BDA0003538626190000038
表示离场航班m可接受最大延误时间。
进一步地，所述进离场航班跑道占用时间约束条件具体为：
Figure BDA0003538626190000039
Figure BDA00035386261900000310
其中，
Figure BDA00035386261900000311
表示进场航班i的跑道占用时间，
Figure BDA00035386261900000312
表示离场航班m的跑道占用时间。
进一步地，所述航班顺序调整规则为预计跑道使用时间差值≤5分钟的航班可以调整着陆或起飞顺序。
进一步地，所述分布式估计算法具体包括：
根据所述初始可行解构建基于距离的Mallows模型，其中编码方式采用航班的跑道使用顺序，选择目标函数满足预设条件的算子作为父代算子；
计算分布式估计算法的中心排序参数和扩散参数；
根据所述中心排序参数和扩散参数获取子代算子；
计算所述子代算子的目标函数值，获取最优航班计划，判断是否符合预设迭代终止条件，若不符合，则继续构建基于距离的Mallows模型。
另一方面本发明公开了一种计算机可读存储介质，用于存储计算机执行指令，当所述计算机执行指令被执行时，实现第一方面所述的任一种可能实现的航班跑道排序与优化调度方法。
现有技术通常仅按先到先服务原则进行航班跑道排序，由于重型机比例的增加以及航班运行的不确定性因素增加，导致个别航班的延误过大，本发明提出的航班跑道排序与优化调度方法，以航班总延误时间最小作为目标函数，构建进离场航班跑道排序优化模型，并设计了分布式估计算法对模型进行求解，不仅从整体上降低了航班总延误时间，而且算法具备良好性能，实施性强，较传统算法效率显著提升。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对技术方案描述时所需要使用的附图作简单地介绍，显而易见地，本发明的示意性实施例及其说明仅用于解释本发明，并不构成对本发明的不当限定，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，还可以根据提供的附图获得其他的附图。在附图中：
图1是本发明方法实施的流程示意图；
图2是本发明实施例2中的目标函数迭代曲线示意图；
图3是本发明实施例2中方法的排序结果示意图；
图4是本发明实施例2中EDA算法和传统算法的求解结果对比示意图。
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。
参照图1，本实施例提供一种航班跑道排序与优化调度方法，该方法包括以下步骤：
S1：构建进离场航班跑道排序模型；
具体地，进离场航班跑道排序模型以总延误时间最小为目标，对模型描述如下：对于给定的航空器集合，在满足其最早与最晚跑道使用时间构成的时间窗约束，以及航空器之间的尾流间隔约束的条件下，以航班总延误时间最小为目标，计算进离场航班的跑道使用顺序以及跑道使用时间；
进离场航班跑道排序模型所需要的相关参数如表1所示：
表1模型的集合，参数，变量
Figure BDA0003538626190000051
S1.1：设置目标函数；
Figure BDA0003538626190000052
以航班总延误时间最小作为目标函数，其中，A表示进场航班数量，D表示离场航班数量。为了减少航空器使用跑道总延误时间，将目标函数设置为规划时段内，所有航班分配的跑道使用时间与预计跑道使用时间之间的差值；
S1.2：设置安全间隔约束条件；
对于连续进场航班或连续离场航班，必须满足最低间隔的要求，以遵守FAA和国际民航组织实施的安全规定，如下所示：
Figure BDA0003538626190000061
Figure BDA0003538626190000062
S1.3：设置进离场航班间斜距要求约束条件；
Figure BDA0003538626190000063
S1.4：设置进离场航班使用跑道时间窗约束；
Figure BDA0003538626190000064
Figure BDA0003538626190000065
为每架进场航班分配的着陆时间，必须在由预计着陆时间和可接受最大延误时间定义的时间窗之内；为每架离场航班分配的起飞时间，必须在由预计起飞时间和可接受最大延误时间定义的时间窗之内。
S1.5：设置进离场航班跑道占用时间约束；
为了使每条跑道在同一时间只能被一架航空器占用，根据机场实际运行的历史数据，设置进场航班跑道占用时间约束以及离场航班跑道占用时间约束；
Figure BDA0003538626190000066
Figure BDA0003538626190000067
在上式中，对于连续进场航班而言，使用跑道时间间隔为
Figure BDA0003538626190000068
和
Figure BDA0003538626190000069
之间的较大者，对于中型机，一般
Figure BDA00035386261900000610
会大于
Figure BDA00035386261900000611
以确保航班运行安全。
S2：获取第一航班计划，设计航班顺序调整规则，基于所述航班顺序调整规则调整第一航班计划，获取满足预设数量阈值的第二航班计划；
S2.1：以实际机场的进离场航班信息为基础，获取初始航班计划(第一航班计划)，规定各航班的预计跑道使用时间相差在5分钟以内的(包含5分钟)，航班之间可以调整跑道使用顺序；
S2.2：在时间轴上随机选择5分钟时间片，打乱航班顺序，根据S1中的约束条件生成大量新的航班计划(第二航班计划)，其中航班计划的数量需要达到S3中分布式估计算法的种群规模，以新的航班计划作为S3中优化算法的初始可行解。
S3：使用分布式估计算法求解所述进离场航班跑道排序模型，获取最优航班计划；
具体地，利用分布式估计算法(EDA)求解进离场航班跑道排序模型，为每一架航班分配符合约束条件的跑道使用时间，使得总延误时间最小；
S3.1：基于S2.2中产生的新的航班计划构建基于距离的Mallows模型，编码方式采用航班跑道顺序，父代算子选择方式为目标函数值最好的前20％的算子，引入Kendall-τ距离，计算分布式估计算法中心排序参数σ0以及扩散参数θ，计算方法如下：
Kendall-τ距离统计它们之间成对顺序差异的总数，σ1和σ2之间的Kendall-τ距离τ(σ1,σ2)如下所示：
Figure BDA0003538626190000071
上式也可等价表示为：
Figure BDA0003538626190000072
其中，n为规划时间段内参与排序的离场航班数，Vj(σ1,σ2)是σ1和σ2在第j个位置交换的最小次数，即σ1(j)和σ2(j)的差值大小，将τ(σ1,σ2)按上式分解后，P(σ)可写为单变量指数乘积形式：
Figure BDA0003538626190000073
进一步地，本实施例也可以通过计算V1(σ),V2(σ),…,Vn-1(σ)，来确定唯一的排列σ，Vj(σ,I)的计算如下：
Figure BDA0003538626190000081
其中，I表示顺序排列(1,2,...,n)，i＜σj表示在排列σ中，i位置比j的位置靠前。
在EDA算法的每一步，都需要从选择出的个体中学习一个Mallows模型，其中，个体指的是在每一次算法迭代之后，按预设的比例从前一代算子中选择出的子代算子。因此，给出排列序列{σ0,σ1,...,σN}，需要从中计算出中心排列σ0以及扩散系数θ，使用最大似然估计计算公式如下所示：
Figure BDA0003538626190000082
其中，
Figure BDA0003538626190000083
Figure BDA0003538626190000084
表示Vj的平均值。
一旦σ0确定，θ即可通过下式进行求解：
Figure BDA0003538626190000085
得到σ0以及θ后，子代排列σ与σ0的Kendall-τ距离为r的概率计算如下所示：
Figure BDA0003538626190000086
S3.2：根据σ0以及θ的计算结果，生成子代算子；
S3.3：计算所有子代算子的目标函数值，记录目标函数最优值及对应的航班计划，判断是否符合迭代终止条件，即迭代次数是否达到预设的最大迭代次数，若不符合，则进行S3.1。
实施例1
为了评估本发明提出的一种航班跑道排序与优化调度方法，本实施例以实际机场的进离场航班信息为基础，通过Monte-Carlo方法大量生成航班计划数据。使用Monte-Carlo方法随机生成数据的原因有两点，第一是可以测试算法在不同航班运行态势下的效率；第二，通过大量随机测试，可以涵盖机场实际运行的大多数情况。
在算例分析阶段，使用传统遗传算法对算例进行求解，作为对比实验进行分析，设置进离场航班比例分别为全部离场航班、25％进场航班和75％离场航班、50％进场航班和50％离场航班、75％进场航班和25％离场航班以及全部为进场航班。该实例包含50个实验案例，小时航班数涉及到20至35架航班不等。
航班排序中的事件流为进离场航班使用跑道流，由于航班使用跑道的间隔时间不可能是负值，因此其分布是非负随机变量的分布，在跑道排序领域最常用的分布为泊松分布，如下所示：
Figure BDA0003538626190000091
其中，t为单套航班计划的时间总长，P(N(t)＝n)为单套航班计划中，出现n个航班的概率，λ为泊松分布均值，即单套航班计划的时间范围内，航班架次的均值。每一组案例中的航班数目，从总体上服从参数为λ的泊松分布，相邻航班时间间隔服从参数为
Figure BDA0003538626190000092
的负指数分布。表2给出了实施算例分析所需要的参数。
表2算例参数
Figure BDA0003538626190000093
表3给出了传统遗传算法求解结果以及本发明提出算法求解结果对比，从这种横向对比中，可以得出算法在进离场航班跑道排序中拥有良好性能。
表3算法求解结果对比
Figure BDA0003538626190000101
实施例2
为了评估本发明提出的一种航班跑道排序与优化调度方法，本实施例选取机场某天真实运行数据进行分析，选取机场运行高峰运行时段，小时航班数为30架次，通过算法排序，得到目标函数值随算法迭代变化曲线如图2所示，排序结果如图3所示；将本发明提出的EDA算法与传统算法对比，发现EDA算法在收敛速度和求解精度方面均优于传统遗传算法，算法求解结果对比如图4所示。
另外，本发明实施例还提供一种计算机可读存储介质，其中，该计算机可读存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何航班跑道排序与优化调度方法的部分或全部步骤。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器、随机存取器、磁盘或光盘等。
以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。

Claims (10)

1.一种航班跑道排序与优化调度方法，其特征在于，所述方法包括以下步骤：
构建进离场航班跑道排序模型；
获取第一航班计划，设计航班顺序调整规则，基于所述航班顺序调整规则调整第一航班计划，获取满足预设数量阈值的第二航班计划；
以所述第二航班计划作为初始可行解，使用分布式估计算法求解所述进离场航班跑道排序模型，获取满足预设条件的最优航班计划。
2.根据权利要求1所述的一种航班跑道排序与优化调度方法，其特征在于，所述构建进离场航班跑道排序模型具体包括：
设置目标函数；
设置安全间隔约束条件；
设置进离场航班间斜距要求约束条件；
设置进离场航班使用跑道时间窗约束条件；
设置进离场航班跑道占用时间约束条件。
3.根据权利要求1所述的一种航班跑道排序与优化调度方法，其特征在于，所述目标函数具体为：
Figure FDA0003538626180000011
其中，|A|表示进场航班数量，|D|表示离场航班数量，
Figure FDA0003538626180000012
表示进场航班i的分配着陆时间，
Figure FDA0003538626180000013
表示进场航班i的预计着陆时间，
Figure FDA0003538626180000014
表示离场航班m的分配起飞时间，
Figure FDA0003538626180000015
表示离场航班m的预计起飞时间。
4.根据权利要求1所述的一种航班跑道排序与优化调度方法，其特征在于，所述安全间隔约束条件具体为：
Figure FDA0003538626180000016
Figure FDA0003538626180000017
其中，
Figure FDA0003538626180000018
表示进场航班i的分配着陆时间
Figure FDA0003538626180000019
和进场航班j的分配着陆时间
Figure FDA00035386261800000110
间的最小着陆间隔时间，M表示无穷大的数值，
Figure FDA00035386261800000111
表示进场航班i和进场航班j之间的着陆顺序，如果进场航班i先于进场航班j着陆则为1，否则为0；
Figure FDA0003538626180000021
表示离场航班m的分配起飞时间
Figure FDA0003538626180000022
和离场航班n的分配起飞时间
Figure FDA0003538626180000023
之间的最小放行间隔时间，M表示无穷大的数值，
Figure FDA0003538626180000024
表示离场航班m和离场航班n之间的起飞顺序，如果离场航班m先于离场航班n起飞则为1，否则为0。
5.根据权利要求1所述的一种航班跑道排序与优化调度方法，其特征在于，所述进离场航班间斜距要求约束条件具体为：
Figure FDA0003538626180000025
其中，δ'表示离场航班起飞时，进场航班距离跑道入口的最小距离，
Figure FDA0003538626180000026
表示进场航班i处于最后进近阶段飞行速度，βim表示离场航班m和进场航班i之间的顺序，如果离场航班m先于进场航班i起飞则为1，否则为0。
6.根据权利要求1所述的一种航班跑道排序与优化调度方法，其特征在于，所述进离场航班使用跑道时间窗约束条件具体为：
Figure FDA0003538626180000027
Figure FDA0003538626180000028
其中，
Figure FDA0003538626180000029
表示进场航班i的预计着陆时间，
Figure FDA00035386261800000210
表示离场航班m的预计起飞时间，
Figure FDA00035386261800000211
表示进场航班i可接受最大延误时间，
Figure FDA00035386261800000212
表示离场航班m可接受最大延误时间。
7.根据权利要求1所述的一种航班跑道排序与优化调度方法，其特征在于，所述进离场航班跑道占用时间约束条件具体为：
Figure FDA00035386261800000213
Figure FDA00035386261800000214
其中，
Figure FDA00035386261800000215
表示进场航班i的跑道占用时间，
Figure FDA00035386261800000216
表示离场航班m的跑道占用时间。
8.根据权利要求1所述的一种航班跑道排序与优化调度方法，其特征在于，所述航班顺序调整规则为预计跑道使用时间差值≤5分钟的航班可以调整着陆或起飞顺序。
9.根据权利要求1所述的一种航班跑道排序与优化调度方法，其特征在于，所述分布式估计算法具体包括：
根据所述初始可行解构建基于距离的Mallows模型，其中编码方式采用航班的跑道使用顺序，选择目标函数满足预设条件的算子作为父代算子；
计算分布式估计算法的中心排序参数和扩散参数；
根据所述中心排序参数和扩散参数获取子代算子；
计算所述子代算子的目标函数值，获取最优航班计划，判断是否符合预设迭代终止条件，若不符合，则继续构建基于距离的Mallows模型。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机执行指令，当所述计算机执行指令被执行时，实现如权利要求1至8任一项所述的航班跑道排序与优化调度方法。
CN202210224338.XA 2022-03-09 2022-03-09 一种航班跑道排序与优化调度方法 Active CN114664119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210224338.XA CN114664119B (zh) 2022-03-09 2022-03-09 一种航班跑道排序与优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210224338.XA CN114664119B (zh) 2022-03-09 2022-03-09 一种航班跑道排序与优化调度方法

Publications (2)

Publication Number Publication Date
CN114664119A true CN114664119A (zh) 2022-06-24
CN114664119B CN114664119B (zh) 2023-06-13

Family

ID=82029403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210224338.XA Active CN114664119B (zh) 2022-03-09 2022-03-09 一种航班跑道排序与优化调度方法

Country Status (1)

Country Link
CN (1) CN114664119B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273560A (zh) * 2022-07-22 2022-11-01 中国民用航空飞行学院 基于延误最小的训运结合机场训练飞行容量计算方法
CN115731748A (zh) * 2022-11-08 2023-03-03 南京航空航天大学 航班跑道排序方法及存储介质
CN117892981A (zh) * 2024-03-14 2024-04-16 四川大学 一种滑行时间不确定下的机场跑道和滑行道联合调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2866171A1 (fr) * 2004-02-06 2005-08-12 Thales Sa Procede automatique de transmission des alertes de surveillance bord vers le sol
CN103778481A (zh) * 2014-01-23 2014-05-07 南京航空航天大学 一种针对多跑道航班进离场的动态调度方法
US20160350770A1 (en) * 2015-06-01 2016-12-01 Xerox Corporation Method, system and processor-readable media for estimating airport usage demand
CN112927561A (zh) * 2021-01-20 2021-06-08 南京航空航天大学 一种离场航班动态协同排序方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2866171A1 (fr) * 2004-02-06 2005-08-12 Thales Sa Procede automatique de transmission des alertes de surveillance bord vers le sol
CN103778481A (zh) * 2014-01-23 2014-05-07 南京航空航天大学 一种针对多跑道航班进离场的动态调度方法
US20160350770A1 (en) * 2015-06-01 2016-12-01 Xerox Corporation Method, system and processor-readable media for estimating airport usage demand
CN112927561A (zh) * 2021-01-20 2021-06-08 南京航空航天大学 一种离场航班动态协同排序方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
SURESHKUMAR CHANDRASEKAR, ALGORITHM FOR OPTIMAL ARRIVAL AND DEPARTURE SEQUENCING AND RUNWAY ASSIGNMENT *
孔航;胡明华;姚逸;裔田园;: "不同运行模式下跑道容量评估技术研究", 航空计算技术 *
张军峰;葛腾腾;郑志祥;: "多机场终端区进离场航班协同排序研究", 交通运输系统工程与信息 *
张明等: "航班离场调度规划算法研究进展", 《武汉理工大学学报(交通科学与工程版)》 *
曹嵩等: "基于分布估计算法的离港航班排序优化", 《清华大学学报(自然科学版)》 *
王莉莉等: "考虑关键点处冲突的进离场排序模型算法研究", 《中国科技论文》 *
马园园等: "多机场终端区进离场交通流协同排序方法", 《航空学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115273560A (zh) * 2022-07-22 2022-11-01 中国民用航空飞行学院 基于延误最小的训运结合机场训练飞行容量计算方法
CN115273560B (zh) * 2022-07-22 2023-08-18 中国民用航空飞行学院 基于延误最小的训运结合机场训练飞行容量计算方法
CN115731748A (zh) * 2022-11-08 2023-03-03 南京航空航天大学 航班跑道排序方法及存储介质
CN115731748B (zh) * 2022-11-08 2024-01-30 南京航空航天大学 航班跑道排序方法及存储介质
CN117892981A (zh) * 2024-03-14 2024-04-16 四川大学 一种滑行时间不确定下的机场跑道和滑行道联合调度方法
CN117892981B (zh) * 2024-03-14 2024-05-14 四川大学 一种滑行时间不确定下的机场跑道和滑行道联合调度方法

Also Published As

Publication number Publication date
CN114664119B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN114664119A (zh) 一种航班跑道排序与优化调度方法
CN109584638B (zh) 一种面向区域网络的先期航班时刻协同优化方法
Ciesielski et al. Real time genetic scheduling of aircraft landing times
CN111401601B (zh) 一种面向延误传播的航班起降时间预测方法
CN112070355A (zh) 一种机场摆渡车的分配调度方法
CN109583627B (zh) 飞机着陆排队优化方法及装置
CN111191843B (zh) 一种基于时序网络传播动力学方程的机场延误预测方法
Dujardin et al. Multiobjective and multimodal adaptive traffic light control on single junctions
CN112069229B (zh) 一种面向移动轨迹大数据的最佳候车点推荐方法及系统
Jun et al. Towards a greener Extended-Arrival Manager in air traffic control: A heuristic approach for dynamic speed control using machine-learned delay prediction model
Ciesielski et al. An anytime algorithm for scheduling of aircraft landing times using genetic algorithms
Guclu et al. Analysis of aircraft ground traffic flow and gate utilisation using a hybrid dynamic gate and taxiway assignment algorithm
Erdem et al. Flight scheduling incorporating bad weather conditions through big data analytics: A comparison of metaheuristics
CN110033111B (zh) 机场场面运动规划方法和装置
CN110889596A (zh) 一种用于铁路工程线的施工计划调度方法及系统
CN115731748B (zh) 航班跑道排序方法及存储介质
Zhao et al. Evaluating ground–air network vulnerabilities in an integrated terminal maneuvering area using co-evolutionary computational red teaming
Limin et al. Multi-agent deep reinforcement learning for mix-mode runway sequencing
CN100433076C (zh) 着陆飞行器排序方法
CN116956757A (zh) 出港航班滑行时间预测方法、电子设备和存储介质
CN111476401A (zh) 航班时刻表优化方法及系统
CN114819510A (zh) 一种多目标航班时刻优化方法
CN110909946B (zh) 一种基于公路换乘的航班计划优化方法
CN114783212A (zh) 一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法
Lim et al. Variable Taxi-Out Time Prediction Using Graph Neural Networks

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