CN114693190B - 一种基于gpu算力调度的航班效率提升系统 - Google Patents

一种基于gpu算力调度的航班效率提升系统 Download PDF

Info

Publication number
CN114693190B
CN114693190B CN202210605330.8A CN202210605330A CN114693190B CN 114693190 B CN114693190 B CN 114693190B CN 202210605330 A CN202210605330 A CN 202210605330A CN 114693190 B CN114693190 B CN 114693190B
Authority
CN
China
Prior art keywords
flight
time
scheduling
inbound
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.)
Active
Application number
CN202210605330.8A
Other languages
English (en)
Other versions
CN114693190A (zh
Inventor
戴元永
苏敏敏
曹强大
康晓渊
孙新波
褚振伟
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.)
Suzhou Shuzhiyuan Information Technology Co ltd
Original Assignee
Suzhou Shuzhiyuan Information Technology 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 Suzhou Shuzhiyuan Information Technology Co ltd filed Critical Suzhou Shuzhiyuan Information Technology Co ltd
Priority to CN202210605330.8A priority Critical patent/CN114693190B/zh
Publication of CN114693190A publication Critical patent/CN114693190A/zh
Application granted granted Critical
Publication of CN114693190B publication Critical patent/CN114693190B/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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于GPU算力调度的航班效率提升系统，属于航空技术领域，该系统包括：航班信息获取模块，用于获取目标机场飞行计划信息；航班调度模块，用于基于预设的遗传算法航班调度模型对目标机场飞行计划信息进行更新，得到更新后的目标机场飞行计划信息；GPU算力调度模块，用于根据航班调度单元的数量拆分目标机场飞行计划信息，并将拆分后的目标飞行计划信息分配给各个航班调度单元；控制中心模块，用于发送更新后的目标机场飞行计划信息至塔台模块；塔台模块，用于根据更新后的目标机场飞行计划信息调度所有航班。本发明与现有技术相比实现了航班调度系统的GPU算力自动调度，提高了航班调度系统的效率和稳定性。

Description

一种基于GPU算力调度的航班效率提升系统
技术领域
本发明属于航空技术领域，尤其涉及一种基于GPU算力调度的航班效率提升系统。
背景技术
随着交通工具的不断升级，飞机已经成为比较普遍的出行方式，但是，航班延误却成为普遍存在的问题，台风、暴雨、雾霾或者飞机故障等因素都有可能导致航班延误情况。在出现航班延误情况时，则需要给出合理的航班调度计划，快速恢复机场正常运行，从而保证用户体验，并降低航空公司的运行成本。
图形处理器GPU作用一种通用化处理器，与中央处理器CPU擅长处理具有复杂计算步骤和复杂数据依赖的计算任务不同，GPU具有处理海量数据的优势，现有的GPU算力的配额分配，依赖具有飞机调度相关经验的业务人员进行分配，不仅使用方法复杂，且分配效率低。另外，GPU算力在配额分配部署后就固定了，当进港航班和离港航班数量激增时会出现无法应对的现象，业务人员不得不通过手动扩容或者后续配额以调整，才能缓解数量激增带来的影响，一旦处理不及时还可能导致航班调度系统崩溃。
发明内容
有鉴于此，本发明提供了一种基于GPU算力调度的航班效率提升系统，以解决现有技术中因航班调度系统的GPU算力无法实现自动调度，导致航班调度系统效率低、稳定差的问题。
本发明提供了一种基于GPU算力调度的航班效率提升系统，该系统包括：航班信息获取模块、航班调度模块、GPU算力调度模块、控制中心模块以及塔台模块；
航班信息获取模块，用于获取目标机场飞行计划信息；其中，飞行计划信息包括进港航班计划时刻信息和离港航班计划时刻信息；
航班调度模块，用于基于预设的遗传算法航班调度模型对目标机场飞行计划信息进行更新，得到更新后的目标机场飞行计划信息；其中，航班调度模块包括两个及两个以上航班调度单元；
GPU算力调度模块，用于根据航班调度单元的数量拆分目标机场飞行计划信息，并将拆分后的目标飞行计划信息分配给各个航班调度单元；
控制中心模块，用于发送更新后的目标机场飞行计划信息至塔台模块；
塔台模块，用于根据更新后的目标机场飞行计划信息调度所有航班。
可选的，GPU算力调度模块包括：第一GPU算力调度单元和第二GPU算力调度单元；
第一GPU算力调度单元的执行过程包括：
基于进港航班计划时刻信息和航班调度单元的数量确定各个航班调度单元平均处理进港航班量；其中，各个航班调度单元处理的进港航班量等于平均处理进港航班量；
基于平均处理进港航班量通过滑动时间窗口拆分进港航班计划时刻信息，并将拆分后的进港航班时刻计划信息分配给各个航班调度单元；
第二GPU算力调度单元的执行过程包括：
基于离港航班计划时刻信息和航班调度单元的数量确定各个航班调度单元平均处理离港航班量；其中，各个航班调度单元处理的离港航班量等于平均处理离港航班量；
基于平均处理离港航班量通过滑动时间窗口拆分离港航班计划时刻信息，并将拆分后的离港航班时刻计划信息分配给各个航班调度单元。
可选的，航班调度单元用于执行以下步骤：
S1：构建离港航班延误时间目标函数和进港航班延误时间目标函数；
S2：基于进港航班延误时间目标函数和预设的遗传算法航班调度模型对进港航班计划时刻信息进行更新，得到更新后的进港航班计划时刻信息；
S3：基于离港航班延误时间目标函数和预设的遗传算法航班调度模型对离港航班计划时刻信息进行更新，得到更新后的离港航班计划时刻信息。
可选的，航班调度单元包括第一航班调度子单元和第二航班调度子单元；
第一航班调度子单元，用于执行S2的步骤；
第二航班调度子单元，用于执行S3的步骤。
可选的，进港航班延误目标函数为：
Figure 100002_DEST_PATH_IMAGE001
其中，Z1为进港航班延误时间，a i1j1为进港航班i1分配到第j1时刻的进港延误时间，x i1j1为进港航班i1分配到第j1时刻的决策变量，m1为进港航班数量，n1为进港航班时刻数量。
可选的，进港航班延误目标函数的约束条件包括：进港航班时刻唯一性约束条件、进港航班时刻调整范围约束条件、机场进港容量约束条件；
进港航班时刻唯一性约束条件为：
Figure 100002_DEST_PATH_IMAGE003
进港航班时刻调整范围约束条件为：
Figure 158047DEST_PATH_IMAGE004
其中，b i1j1为进港航班i1分配到第j1个时刻的时刻调整量，ATD i1j1为进港航班i1的实际进港时间，ATD i10为进港航班i1的计划进港时间，
Figure 100002_DEST_PATH_IMAGE005
为进港航班可接受的最大时刻调整量；
机场进港容量约束条件为：
Figure 100002_DEST_PATH_IMAGE007
其中，
Figure 403083DEST_PATH_IMAGE008
为机场在5分钟内的进港时刻容量，
Figure 100002_DEST_PATH_IMAGE009
为机场在15分钟内的进港时刻容量，
Figure 245138DEST_PATH_IMAGE010
为机场在60分钟内进港时刻容量，k1为第k1时刻，k1=1,2,...n1。
可选的，离港航班延误时间目标函数为：
Figure 100002_DEST_PATH_IMAGE011
其中，Z2为离港航班延误时间，a i2j2为离港航班i2分配到第j2时刻的离港延误时间，x i2j2为离港航班i2分配到第j2时刻的决策变量，m2为离港航班数量，n2为离港航班时刻数量。
可选的，航班延误时间目标函数的约束条件包括：离港航班时刻唯一性约束条件、离港航班时刻调整范围约束条件、机场离港容量约束条件；
离港航班时刻唯一性约束条件为：
Figure 100002_DEST_PATH_IMAGE013
离港航班时刻调整范围约束条件为：
Figure 100002_DEST_PATH_IMAGE015
其中，b i2j2为离港航班i2分配到第j2个时刻的时刻调整量，ATD i2j2为离港航班i2的实际时间，ATD i20为离港航班i2的计划时间，
Figure 3796DEST_PATH_IMAGE016
为离港航班可接受的最大时刻调整量。
机场离港容量约束条件为：
Figure 349327DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
为机场在5分钟内的离港时刻容量，
Figure 499685DEST_PATH_IMAGE020
为机场在15分钟内的离港时刻容量，
Figure DEST_PATH_IMAGE021
为机场在60分钟内的离港时刻容量，k2为第k2时刻,k2=1,2,...n2。
可选的，第一航班调度子单元执行的步骤包括：
S21：确定第一遗传策略，包括第一种群、第一选择条件、第一交叉条件、第一变异条件以及第一迭代次数；
S22：基于进港航班延误时间目标函数确定第一适应度函数；
S23：基于进港航班计划时刻信息随机产生第一种群；
S24：计算第一种群中个体的适应度值并寻找第一最优个体；
S25：判断是迭代次数是否达到第一迭代次数，若未达到第一迭代次数，则基于第一选择条件、第一交叉条件以及第一变异条件对第一群体的个体依次进行选择、交叉变异操作调整第一种群，之后重新执行步骤S24；若达到第一迭代次数，则将最小适应度值对应的第一最优个体作为更新后的进港航班计划时刻信息并退出。
可选的，第二航班调度子单元执行的步骤包括：
S31：确定第二遗传策略，包括第二种群、第二选择条件、第二交叉条件、第二变异条件以及第二迭代次数；
S32：基于离港航班延误时间目标函数确定第二适应度函数；
S33：基于离港航班计划时刻信息随机产生第二种群；
S34：计算第二种群中个体的适应度值并寻找第二最优个体；
S35：判断是迭代次数是否达到第二迭代次数，若未达到第二迭代次数，则基于第二选择条件、第二交叉条件以及第二变异条件对第二群体的个体依次进行选择、交叉变异操作调整第二种群，之后重新执行步骤S34；若达到第二迭代次数，则将最小适应度值对应的第二最优个体作为更新后的离港航班计划时刻信息并退出。
本发明与现有技术相比的有益效果为：
本发明提供了一种基于GPU算力调度的航班效率提升系统，该系统包括：航班信息获取模块、航班调度模块、GPU算力调度模块、控制中心模块以及塔台模块。航班信息获取模块，用于获取目标机场飞行计划信息；其中，飞行计划信息包括进港航班计划时刻信息和离港航班计划时刻信息；航班调度模块，用于基于预设的遗传算法航班调度模型对目标机场飞行计划信息进行更新，得到更新后的目标机场飞行计划信息；其中，航班调度模块包括两个及两个以上航班调度单元；GPU算力调度模块，用于根据航班调度单元的数量拆分目标机场飞行计划信息，并将拆分后的目标飞行计划信息分配给各个航班调度单元；控制中心模块，用于发送更新后的目标机场飞行计划信息至塔台模块；塔台模块，用于根据更新后的目标机场飞行计划信息调度所有航班。本发明与现有技术相比实现了航班调度系统的GPU算力自动调度，提高了航班调度系统的效率和稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于GPU算力调度的航班效率提升系统的结构示意图；
图2是本发明实施例提供的GPU算力调度模块的结构示意图；
图3是本发明实施例提供的航班调度单元的执行步骤示意图；
图4是本发明实施例提供的第一航班调度子单元的执行步骤示意图；
图5是本发明实施例提供的第二航班调度子单元的执行步骤示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
参见图1，其示出了本发明实施例提供的一种基于GPU算力调度的航班效率提升系统的结构示意图，该系统包括：航班信息获取模块10、航班调度模块20、GPU算力调度模块30、控制中心模块40以及塔台模块50。
航班信息获取模块10，用于获取目标机场飞行计划信息。其中，飞行计划信息包括进港航班计划时刻信息和离港航班计划时刻信息。
可选的，在一些实施例中，进港航班计划时刻信息包括：进港航班序号、进港航班的计划进港时间以及进港航班的实际进港时间。
可选的，在一些实施例中，离港航班的计划时刻信息包括：离港航班序号、离港航班的计划离港时间以及离港航班的实际离港时间。
航班调度模块20，用于基于预设的遗传算法航班调度模型对目标机场飞行计划信息进行更新，得到更新后的目标机场飞行计划信息。其中，航班调度模块20包括两个及两个以上航班调度单元。
可选的，在一些实施例中，航班调度单元可以随机场航班总容量的增加而增加，航班调度单元越多，系统运算速度越快，更新后的目标机场飞行计划信息效率越高。
GPU算力调度模块30，用于根据航班调度单元的数量拆分目标机场飞行计划信息，并将拆分后的目标飞行计划信息分配给各个航班调度单元。
控制中心模块40，用于发送更新后的目标机场飞行计划信息至塔台模块50。
塔台模块50，用于根据更新后的目标机场飞行计划信息调度所有航班。
参见图2，作为本发明实施例提供的基于GPU算力调度的航班效率提升系统的一种具体实施方式，GPU算力调度模块30包括：第一GPU算力调度单元31和第二GPU算力调度单元32。
第一GPU算力调度单元31的执行过程包括：
基于进港航班计划时刻信息和航班调度单元的数量确定各个航班调度单元平均处理进港航班量。其中，各个航班调度单元处理的进港航班量等于平均处理进港航班量。
基于平均处理进港航班量通过滑动时间窗口拆分进港航班计划时刻信息，并将拆分后的进港航班时刻计划信息分配给各个航班调度单元。
第二GPU算力调度单元32的执行过程包括：
基于离港航班计划时刻信息和航班调度单元的数量确定各个航班调度单元平均处理离港航班量。其中，各个航班调度单元处理的离港航班量等于平均处理离港航班量。
基于平均处理离港航班量通过滑动时间窗口拆分离港航班计划时刻信息，并将拆分后的离港航班时刻计划信息分配给各个航班调度单元。
参见图3，作为本发明实施例提供的基于GPU算力调度的航班效率提升系统的一种具体实施方式，航班调度单元用于执行以下步骤：
S1：构建离港航班延误时间目标函数和进港航班延误时间目标函数。
S2：基于进港航班延误时间目标函数和预设的遗传算法航班调度模型对进港航班计划时刻信息进行更新，得到更新后的进港航班计划时刻信息。
S3：基于离港航班延误时间目标函数和预设的遗传算法航班调度模型对离港航班计划时刻信息进行更新，得到更新后的离港航班计划时刻信息。
可选的，作为本发明实施例提供的基于GPU算力调度的航班效率提升系统的一种具体实施方式，航班调度单元包括第一航班调度子单元和第二航班调度子单元。
第一航班调度子单元，用于执行S2的步骤。
第二航班调度子单元，用于执行S3的步骤。
可选的，作为本发明实施例提供的基于GPU算力调度的航班效率提升系统的一种具体实施方式，进港航班延误目标函数为：
Figure 127238DEST_PATH_IMAGE001
其中，Z1为进港航班延误时间，a i1j1为进港航班i1分配到第j1时刻的进港延误时间，x i1j1为进港航班i1分配到第j1时刻的决策变量，m1为进港航班数量，n1为进港航班时刻数量。
可选的，在一些实施例中，当x i1j1=1时，表示进港航班i1分配到第j1时刻；当x i1j1=0时，表示进港航班i1未分配到第j1时刻。
可选的，在一些实施例中，时刻j1=1，2，3...n1之间的顺序间隔为5分钟。其中，j1=1为第一架进港航班时刻，j1=n1为最后一架进港航班时刻。
可选的，在一些实施例中，进港航班i1分配到第j1时刻的进港延误时间的计算方法为：
Figure DEST_PATH_IMAGE023
其中，ATD i1j1为航班i1分配到第j1个时刻的实际进港时间，ETD i1为航班i1的计划进港时间。
可选的，在一些实施例中，航班i1分配到第j1个时刻的实际进港时间的计算方法为：
Figure DEST_PATH_IMAGE025
其中，ATD 1为起始进港时间。
可选的，作为本发明实施例提供的基于GPU算力调度的航班效率提升系统的一种具体实施方式，进港航班延误目标函数的约束条件包括：进港航班时刻唯一性约束条件、进港航班时刻调整范围约束条件、机场进港容量约束条件。
进港航班时刻唯一性约束条件为：
Figure 981930DEST_PATH_IMAGE026
进港航班时刻调整范围约束条件为：
Figure DEST_PATH_IMAGE027
其中，b i1j1为进港航班i1分配到第j1个时刻的时刻调整量，ATD i1j1为进港航班i1的实际进港时间，ATD i10为进港航班i1的计划进港时间，
Figure 713126DEST_PATH_IMAGE005
为进港航班可接受的最大时刻调整量。
机场进港容量约束条件为：
Figure 736183DEST_PATH_IMAGE028
其中，
Figure 287250DEST_PATH_IMAGE008
为机场在5分钟内的进港时刻容量，
Figure 555421DEST_PATH_IMAGE009
为机场在15分钟内的进港时刻容量，
Figure 609964DEST_PATH_IMAGE010
为机场在60分钟内进港时刻容量，k1为第k1时刻，k1=1,2,...n1。
可选的，作为本发明实施例提供的基于GPU算力调度的航班效率提升系统的一种具体实施方式，离港航班延误时间目标函数为：
Figure 570967DEST_PATH_IMAGE011
其中，Z2为离港航班延误时间，a i2j2为离港航班i2分配到第j2时刻的离港延误时间，x i2j2为离港航班i2分配到第j2时刻的决策变量，m2为离港航班数量，n2为离港航班时刻数量。
可选的，在一些实施例中，时刻j2=1，2，3...n2之间的顺序间隔为5分钟。其中，j2=1为第一架离港航班时刻，j2=n2为最后一架离港航班时刻。
可选的，在一些实施例中，当x i2j2=1时，表示离港航班i2分配到第j2时刻；当x i2j2=0时，表示离港航班i2未分配到第j2时刻。
可选的，在一些实施例中，离港航班i2分配到第j2时刻的离港延误时间的计算方法为：
Figure DEST_PATH_IMAGE029
其中，ATD i2j2 为航班i2分配到第j2个时刻的实际离港时间，ETD i2为航班i2的计划离港时间。
可选的，在一些实施例中，航班i2分配到第j2个时刻的实际离港时间的计算方法为：
Figure 140489DEST_PATH_IMAGE030
其中，ATD 2为起始离港时间。
可选的，作为本发明实施例提供的基于GPU算力调度的航班效率提升系统的一种具体实施方式，航班延误时间目标函数的约束条件包括：离港航班时刻唯一性约束条件、离港航班时刻调整范围约束条件、机场离港容量约束条件。
离港航班时刻唯一性约束条件为：
Figure DEST_PATH_IMAGE031
离港航班时刻调整范围约束条件为：
Figure 979394DEST_PATH_IMAGE032
其中，b i2j2为离港航班i2分配到第j2个时刻的时刻调整量，ATD i2j2为离港航班i2的实际时间，ATD i20为离港航班i2的计划时间，
Figure 419603DEST_PATH_IMAGE016
为离港航班可接受的最大时刻调整量。
机场离港容量约束条件为：
Figure DEST_PATH_IMAGE033
其中，
Figure 551507DEST_PATH_IMAGE019
为机场在5分钟内的离港时刻容量，
Figure 811587DEST_PATH_IMAGE020
为机场在15分钟内的离港时刻容量，
Figure 421560DEST_PATH_IMAGE021
为机场在60分钟内的离港时刻容量，k2为第k2时刻,k2=1,2,...n2。
参见图4，作为本发明实施例提供的基于GPU算力调度的航班效率提升系统的一种具体实施方式，第一航班调度子单元执行的步骤包括：
S21：确定第一遗传策略，包括第一种群、第一选择条件、第一交叉条件、第一变异条件以及第一迭代次数。
可选的，在一些实施例中，第一种群的数量可以为50，第一迭代次数可以为500。
可选的，在一些实施例中，第一选择条件可以为轮盘赌选择，第一交叉条件可以为单点交叉。
S22：基于进港航班延误时间目标函数确定第一适应度函数。
S23：基于进港航班计划时刻信息随机产生第一种群。
S24：计算第一种群中个体的适应度值并寻找第一最优个体。
S25：判断是迭代次数是否达到第一迭代次数，若未达到第一迭代次数，则基于第一选择条件、第一交叉条件以及第一变异条件对第一群体的个体依次进行选择、交叉变异操作调整第一种群，之后重新执行步骤S24。若达到第一迭代次数，则将最小适应度值对应的第一最优个体作为更新后的进港航班计划时刻信息并退出。
参见图5，作为本发明实施例提供的基于GPU算力调度的航班效率提升系统的一种具体实施方式，第二航班调度子单元执行的步骤包括：
S31：确定第二遗传策略，包括第二种群、第二选择条件、第二交叉条件、第二变异条件以及第二迭代次数。
可选的，在一些实施例中，第二种群的数量可以为50，第二迭代次数可以为500。
可选的，在一些实施例中，第二选择条件可以为轮盘赌选择，第二交叉条件可以为单点交叉。
S32：基于离港航班延误时间目标函数确定第二适应度函数。
S33：基于离港航班计划时刻信息随机产生第二种群。
S34：计算第二种群中个体的适应度值并寻找第二最优个体。
S35：判断是迭代次数是否达到第二迭代次数，若未达到第二迭代次数，则基于第二选择条件、第二交叉条件以及第二变异条件对第二群体的个体依次进行选择、交叉变异操作调整第二种群，之后重新执行步骤S34；若达到第二迭代次数，则将最小适应度值对应的第二最优个体作为更新后的离港航班计划时刻信息并退出。
本发明与现有技术相比的有益效果为：
本发明提供了一种基于GPU算力调度的航班效率提升系统，该系统包括：航班信息获取模块10、航班调度模块20、GPU算力调度模块30、控制中心模块40以及塔台模块50。航班信息获取模块10，用于获取目标机场飞行计划信息；其中，飞行计划信息包括进港航班计划时刻信息和离港航班计划时刻信息；航班调度模块20，用于基于预设的遗传算法航班调度模型对目标机场飞行计划信息进行更新，得到更新后的目标机场飞行计划信息；其中，航班调度模块20包括两个及两个以上航班调度单元；GPU算力调度模块30，用于根据航班调度单元的数量拆分目标机场飞行计划信息，并将拆分后的目标飞行计划信息分配给各个航班调度单元；控制中心模块40，用于发送更新后的目标机场飞行计划信息至塔台模块50；塔台模块50，用于根据更新后的目标机场飞行计划信息调度所有航班。本发明与现有技术相比实现了航班调度系统的GPU算力自动调度，提高了航班调度系统的效率和稳定性。
以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于GPU算力调度的航班效率提升系统，其特征在于，包括：航班信息获取模块、航班调度模块、GPU算力调度模块、控制中心模块以及塔台模块；
航班信息获取模块，用于获取目标机场飞行计划信息；其中，飞行计划信息包括进港航班计划时刻信息和离港航班计划时刻信息；
航班调度模块，用于基于预设的遗传算法航班调度模型对目标机场飞行计划信息进行更新，得到更新后的目标机场飞行计划信息；其中，航班调度模块包括两个及两个以上航班调度单元；
GPU算力调度模块，用于根据航班调度单元的数量拆分目标机场飞行计划信息，并将拆分后的目标飞行计划信息分配给各个航班调度单元；
控制中心模块，用于发送更新后的目标机场飞行计划信息至塔台模块；
塔台模块，用于根据更新后的目标机场飞行计划信息调度所有航班；
GPU算力调度模块包括：第一GPU算力调度单元和第二GPU算力调度单元；
第一GPU算力调度单元的执行过程包括：
基于所述进港航班计划时刻信息和所述航班调度单元的数量确定各个所述航班调度单元平均处理进港航班量；其中，各个所述航班调度单元处理的进港航班量等于平均处理进港航班量；
基于平均处理进港航班量通过滑动时间窗口拆分所述进港航班计划时刻信息，并将拆分后的进港航班时刻计划信息分配给各个所述航班调度单元；
第二GPU算力调度单元的执行过程包括：
基于所述离港航班计划时刻信息和所述航班调度单元的数量确定各个所述航班调度单元平均处理离港航班量；其中，各个所述航班调度单元处理的离港航班量等于平均处理离港航班量；
基于平均处理离港航班量通过滑动时间窗口拆分所述离港航班计划时刻信息，并将拆分后的离港航班时刻计划信息分配给各个所述航班调度单元。
2.如权利要求1所述的基于GPU算力调度的航班效率提升系统，其特征在于，所述航班调度单元用于执行以下步骤：
S1：构建离港航班延误时间目标函数和进港航班延误时间目标函数；
S2：基于进港航班延误时间目标函数和所述预设的遗传算法航班调度模型对所述进港航班计划时刻信息进行更新，得到更新后的进港航班计划时刻信息；
S3：基于离港航班延误时间目标函数和所述预设的遗传算法航班调度模型对所述离港航班计划时刻信息进行更新，得到更新后的离港航班计划时刻信息。
3.如权利要求2所述的基于GPU算力调度的航班效率提升系统，其特征在于，所述航班调度单元包括第一航班调度子单元和第二航班调度子单元；
第一航班调度子单元，用于执行所述S2的步骤；
第二航班调度子单元，用于执行所述S3的步骤。
4.如权利要求2所述的基于GPU算力调度的航班效率提升系统，其特征在于，所述进港航班延误目标函数为：
Figure DEST_PATH_IMAGE001
其中，Z1为进港航班延误时间，a i1j1为进港航班i1分配到第j1时刻的进港延误时间，x i1j1为进港航班i1分配到第j1时刻的决策变量，m1为进港航班数量，n1为进港航班时刻数量。
5.如权利要求4所述的基于GPU算力调度的航班效率提升系统，其特征在于，所述进港航班延误目标函数的约束条件包括：进港航班时刻唯一性约束条件、进港航班时刻调整范围约束条件、机场进港容量约束条件；
所述进港航班时刻唯一性约束条件为：
Figure 566052DEST_PATH_IMAGE002
所述进港航班时刻调整范围约束条件为：
Figure DEST_PATH_IMAGE003
其中，b i1j1为进港航班i1分配到第j1个时刻的时刻调整量，ATD i1j1为进港航班i1的实际进港时间，ATD i10为进港航班i1的计划进港时间，
Figure 811088DEST_PATH_IMAGE004
为进港航班可接受的最大时刻调整量；
所述机场进港容量约束条件为：
Figure DEST_PATH_IMAGE005
其中，
Figure 403875DEST_PATH_IMAGE006
为机场在5分钟内的进港时刻容量，
Figure DEST_PATH_IMAGE007
为机场在15分钟内的进港时刻容量，
Figure 861401DEST_PATH_IMAGE008
为机场在60分钟内进港时刻容量，k1为第k1时刻，k1=1,2,...n1。
6.如权利要求2所述的基于GPU算力调度的航班效率提升系统，其特征在于，所述离港航班延误时间目标函数为：
Figure DEST_PATH_IMAGE009
其中，Z2为离港航班延误时间，a i2j2为离港航班i2分配到第j2时刻的离港延误时间，x i2j2为离港航班i2分配到第j2时刻的决策变量，m2为离港航班数量，n2为离港航班时刻数量。
7.如权利要求6所述的基于GPU算力调度的航班效率提升系统，其特征在于，所述航班延误时间目标函数的约束条件包括：离港航班时刻唯一性约束条件、离港航班时刻调整范围约束条件、机场离港容量约束条件；
所述离港航班时刻唯一性约束条件为：
Figure 488822DEST_PATH_IMAGE010
所述离港航班时刻调整范围约束条件为：
Figure DEST_PATH_IMAGE011
其中，b i2j2为离港航班i2分配到第j2个时刻的时刻调整量，ATD i2j2为离港航班i2的实际时间，ATD i20为离港航班i2的计划时间，
Figure 373602DEST_PATH_IMAGE012
为离港航班可接受的最大时刻调整量；
所述机场离港容量约束条件为：
Figure DEST_PATH_IMAGE013
其中，
Figure 450755DEST_PATH_IMAGE014
为机场在5分钟内的离港时刻容量，
Figure DEST_PATH_IMAGE015
为机场在15分钟内的离港时刻容量，
Figure 711972DEST_PATH_IMAGE016
为机场在60分钟内的离港时刻容量，k2为第k2时刻,k2=1,2,...n2。
8.如权利要求3所述的基于GPU算力调度的航班效率提升系统，其特征在于，所述第一航班调度子单元执行的步骤包括：
S21：确定第一遗传策略，包括第一种群、第一选择条件、第一交叉条件、第一变异条件以及第一迭代次数；
S22：基于所述进港航班延误时间目标函数确定第一适应度函数；
S23：基于所述进港航班计划时刻信息随机产生第一种群；
S24：计算第一种群中个体的适应度值并寻找第一最优个体；
S25：判断是迭代次数是否达到第一迭代次数，若未达到第一迭代次数，则基于第一选择条件、第一交叉条件以及第一变异条件对第一群体的个体依次进行选择、交叉变异操作调整第一种群，之后重新执行步骤S24；若达到第一迭代次数，则将最小适应度值对应的第一最优个体作为所述更新后的进港航班计划时刻信息并退出。
9.如权利要求3所述的基于GPU算力调度的航班效率提升系统，其特征在于，所述第二航班调度子单元执行的步骤包括：
S31：确定第二遗传策略，包括第二种群、第二选择条件、第二交叉条件、第二变异条件以及第二迭代次数；
S32：基于所述离港航班延误时间目标函数确定第二适应度函数；
S33：基于所述离港航班计划时刻信息随机产生第二种群；
S34：计算第二种群中个体的适应度值并寻找第二最优个体；
S35：判断是迭代次数是否达到第二迭代次数，若未达到第二迭代次数，则基于第二选择条件、第二交叉条件以及第二变异条件对第二群体的个体依次进行选择、交叉变异操作调整第二种群，之后重新执行步骤S34；若达到第二迭代次数，则将最小适应度值对应的第二最优个体作为所述更新后的离港航班计划时刻信息并退出。
CN202210605330.8A 2022-05-31 2022-05-31 一种基于gpu算力调度的航班效率提升系统 Active CN114693190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210605330.8A CN114693190B (zh) 2022-05-31 2022-05-31 一种基于gpu算力调度的航班效率提升系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210605330.8A CN114693190B (zh) 2022-05-31 2022-05-31 一种基于gpu算力调度的航班效率提升系统

Publications (2)

Publication Number Publication Date
CN114693190A CN114693190A (zh) 2022-07-01
CN114693190B true CN114693190B (zh) 2022-09-16

Family

ID=82131333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210605330.8A Active CN114693190B (zh) 2022-05-31 2022-05-31 一种基于gpu算力调度的航班效率提升系统

Country Status (1)

Country Link
CN (1) CN114693190B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464966A (zh) * 2008-12-31 2009-06-24 中山大学 基于遗传算法的飞机航班规划方法
CN101465067A (zh) * 2009-01-15 2009-06-24 北京航空航天大学 机场场面航班调度辅助决策方法和系统
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
CN107016462A (zh) * 2017-04-05 2017-08-04 张玉州 一种基于混合遗传算法的多跑道机场航班起降协同优化方法
CN111915046A (zh) * 2019-05-09 2020-11-10 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN114282823A (zh) * 2021-12-27 2022-04-05 中国民航信息网络股份有限公司 车辆调度方法及装置、存储介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464966A (zh) * 2008-12-31 2009-06-24 中山大学 基于遗传算法的飞机航班规划方法
CN101465067A (zh) * 2009-01-15 2009-06-24 北京航空航天大学 机场场面航班调度辅助决策方法和系统
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
CN107016462A (zh) * 2017-04-05 2017-08-04 张玉州 一种基于混合遗传算法的多跑道机场航班起降协同优化方法
CN111915046A (zh) * 2019-05-09 2020-11-10 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN114282823A (zh) * 2021-12-27 2022-04-05 中国民航信息网络股份有限公司 车辆调度方法及装置、存储介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于STW-GA 算法的离港航班调度优化模型;刘海麟等;《中国科技信息》;20220315;20-25 *

Also Published As

Publication number Publication date
CN114693190A (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN106297774B (zh) 一种神经网络声学模型的分布式并行训练方法及系统
EP3540652A1 (en) Method, device, chip and system for training neural network model
US11831708B2 (en) Distributed computation offloading method based on computation-network collaboration in stochastic network
CN112911648A (zh) 一种空地结合的移动边缘计算卸载优化方法
CN114693190B (zh) 一种基于gpu算力调度的航班效率提升系统
CN110516871B (zh) 一种基于模糊滚动时域控制策略的动态车辆路径优化方法
CN110647403B (zh) 一种多用户mec系统中的云端计算资源分配方法
CN110046777A (zh) 一种柔性作业车间持续重构调度方法及装置
CN111783357B (zh) 一种基于减少旅客延误的中转行程优化方法及系统
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
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
CN109976873B (zh) 容器化分布式计算框架的调度方案获取方法及调度方法
CN117077981A (zh) 融合邻域搜索变异和差分进化的停机位分配方法及装置
CN112286686A (zh) 一种基于pso优化的边缘计算任务调度算法
Takacs Predicting flight arrival times with a multistage model
CN105355091A (zh) 终端区流量调控方法
CN116167595B (zh) 一种人员组决策变量的确定方法、电子设备及存储介质
JP2006523874A (ja) 着陸する航空機を順序付けるための方法
CN113409619B (zh) 一种基于元胞自动机的航班调度方法、系统及存储介质
CN115731748A (zh) 航班跑道排序方法及存储介质
CN114638145A (zh) 一种基于粒子群算法多目标优化保障装备预留算法
CN115759625A (zh) 空勤人员的排班方法、装置、电子设备及存储介质
CN114020418A (zh) 一种包含轮盘赌算法的粒子群优化的虚拟机放置方法
CN111210179A (zh) 快递柜制冷控制方法及装置、可读存储介质和终端
CN113344285B (zh) 一种测算异构混合起降机场容量的方法及装置

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