CN114897343A - 一种航班时刻资源优化配置方法和装置 - Google Patents

一种航班时刻资源优化配置方法和装置 Download PDF

Info

Publication number
CN114897343A
CN114897343A CN202210493580.7A CN202210493580A CN114897343A CN 114897343 A CN114897343 A CN 114897343A CN 202210493580 A CN202210493580 A CN 202210493580A CN 114897343 A CN114897343 A CN 114897343A
Authority
CN
China
Prior art keywords
flight
information
objective function
airport
time
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.)
Pending
Application number
CN202210493580.7A
Other languages
English (en)
Inventor
邹国良
钟琦
王强
侯佳
刘继宏
耿稀
刘勇
罗瑶
左杰俊
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210493580.7A priority Critical patent/CN114897343A/zh
Publication of CN114897343A publication Critical patent/CN114897343A/zh
Pending legal-status Critical Current

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
    • 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
    • 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

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

Abstract

本发明提出了一种航班时刻资源优化配置方法和装置，涉及空中交通流量管理技术领域。通过获取航班信息、机场信息和尾流间隔信息；根据航班信息和机场信息建立第一目标函数和第二目标函数；根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。通过建立约束条件，确定航班的最优起飞着陆时间，通过时隙分配来调节空中交通网络的流量，并使航班的流量与机场、空域的容量大体匹配，减少延误时间，从而减少经济损失，提高机场、空域的利用率，保证飞行的安全与准时。

Description

一种航班时刻资源优化配置方法和装置
技术领域
本发明涉及空中交通流量管理技术领域，具体而言，涉及一种航班时刻资源优化配置方法和装置。
背景技术
目前航班时刻资源主要依靠行政手段分配和以市场拍卖为辅。存在以下问题：分配的时刻与机场容量、航路点容量不匹配；由于时刻安排不合理导致航班延误；分配不均衡，导致时刻资源浪费。
目前出现很多基于遗传算法的分配方法，但是这些方法在时刻协调过程中通常把机场公布容量作为协调的唯一的约束，而忽视了其它部分潜在的瓶颈。以走廊口为例，作为机场终端区进港和离港航班的重要通道，在日常运行中，经常被管制员实施流量控制来维持航班秩序。通常同一方向的航班从同一走廊口进出，需要特别注意的是，从同一走廊口的进出的航班可能来自区域内两个及以上机场。在这种情况下，时刻协调更为复杂，不仅要考虑走廊口的容量约束，还需要协同多个机场间的航班运行。一旦某些时间区间的航班数量超出了管制员的管制能力，将会引起空中交通堵塞，进而影响后续通过该点的航班，即使机场运行条件正常，也会被推迟起飞或降落。
发明内容
本发明的目的在于提供一种航班时刻资源优化配置方法和装置，用以改善现有技术中某些时间区间的航班数量超出了管制员的管制能力，将会引起空中交通堵塞，进而影响后续通过该点的航班，即使机场运行条件正常，也会被推迟起飞或降落的问题。
第一方面，本申请实施例提供一种航班时刻资源优化配置方法，包括以下步骤：
获取航班信息、机场信息和尾流间隔信息；
根据航班信息和机场信息建立第一目标函数和第二目标函数；
根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；
根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。
上述实现过程中，通过获取航班信息、机场信息和尾流间隔信息；然后根据航班信息和机场信息建立第一目标函数和第二目标函数；然后根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；最后根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。通过分别建立起飞、落地优化模型，从简单到复杂逐步增加模型约束条件，确定航班的最优起飞着陆时间，通过时隙分配来调节空中交通网络的流量，并使航班的流量与机场、空域的容量大体匹配，减少延误时间，从而减少经济损失，提高机场、空域的利用率，保证飞行的安全与准时。有助于空管运行安全，提高机场运行容量和航班时刻利用率，保证民航空管业务乃至航空运输业务持续性。通过将机场场空侧视为一个系统，考虑机场实际放行能力、和管制间隔建立了混合优化模型。对于起飞和落地航班之间，考虑了各自的跑道占用时间作为约束条件。
基于第一方面，在本发明的一些实施例中，第一目标函数为：
Figure BDA0003632770700000031
其中，Z1为最小总延误时间，I为按时间排列的航班序号，I＝1,2,…,m，共有m个航班待优化，ATFI为优化后航班I的起飞/落地时间，ETFI为航班的FPL报计划起飞/落地时间。
基于第一方面，在本发明的一些实施例中，第二目标函数为：
Figure BDA0003632770700000032
其中，Z2为最少延误航班量，I为按时间排列的航班序号，I＝1,2,…,m，共有m个航班待优化，XI为决策变量，当航班I延误时XI＝1，航班I不延误时XI＝0。
基于第一方面，在本发明的一些实施例中，根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件的步骤包括以下步骤：
根据航班信息按照预设的约束规则设置进港点间隔约束条件；
根据机场信息中的机场容量按照预设的约束规则设置机场容量约束条件；
根据航班信息和尾流间隔信息按照预设的约束规则设置尾流间隔约束条件；
根据航班信息按照预设的约束规则设置航班计划调整约束条件；
根据机场信息和尾流间隔信息按照预设的约束规则设置起飞和落地航班之间的间隔约束条件。
基于第一方面，在本发明的一些实施例中，根据机场信息和尾流间隔信息设置起飞和落地航班之间的间隔约束条件的步骤包括以下步骤：
根据机场信息和尾流间隔信息按照预设的第一规则计算得到落地航空器后跟随起飞航空器安全间隔δAD；
根据机场信息和尾流间隔信息按照预设的第二规则计算得到起飞航空器后跟随落地航空器安全间隔δDA；
根据落地航空器后跟随起飞航空器安全间隔δAD和起飞航空器后跟随落地航空器安全间隔δDA设置起飞和落地航班之间的间隔约束条件。
基于第一方面，在本发明的一些实施例中，根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻的步骤包括以下步骤：
获取遗传参数信息；
根据第一目标函数、第二目标函数确定适应度函数；
根据航班信息中的航班时刻随机产生初始化种群；
根据多个约束条件计算与初始化种群中飞行队列对应的染色体的目标函数；
根据飞行队列对应的染色体的目标函数计算初始化种群中各个个体的适应度值；
根据各个个体的适应度值得到个体序列，并根据个体序列寻找得到最优的个体；
提取并根据当前遗传参数信息中的演化代数和最优的个体得到优化的航班时刻。
基于第一方面，在本发明的一些实施例中，提取并根据遗传参数信息中的演化代数和最优的个体得到优化的航班时刻的步骤包括以下步骤：
A1：提取当前遗传参数信息中的演化代数；
A2：判断演化代数是否小于预置的阈值，若是，则执行A3；若否，则输出并将最优的个体作为优化的航班时刻；
A3：将演化代数加1得到新的演化代数；
A4：采用轮盘赌算法在个体序列中选择得到新的染色体；
A5：对新的染色体进行交叉操作和变异操作，得到下一代种群；
A6：根据多个约束条件计算与下一代种群中飞行队列对应的染色体的目标函数。
基于第一方面，在本发明的一些实施例中，对新的染色体进行交叉操作和变异操作，得到下一代种群的步骤包括以下步骤：
采用单点交叉法对新的染色体进行交叉操作，得到下一代初始种群；
采用均匀变异法对下一代初始种群中的染色体进行变异操作，得到下一代种群。
第二方面，本申请实施例提供一种航班时刻资源优化配置装置，包括：
信息模块，用于获取航班信息、机场信息和尾流间隔信息；
目标函数建立模块，用于根据航班信息和机场信息建立第一目标函数和第二目标函数；
约束条件确定模块，用于根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；
遗传算法模块，用于根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。
上述实现过程中，通过信息模块获取航班信息、机场信息和尾流间隔信息；然后目标函数建立模块根据航班信息和机场信息建立第一目标函数和第二目标函数；然后约束条件确定模块根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；最后遗传算法模块根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。通过分别建立起飞、落地优化模型，从简单到复杂逐步增加模型约束条件，确定航班的最优起飞着陆时间，通过时隙分配来调节空中交通网络的流量，并使航班的流量与机场、空域的容量大体匹配，减少延误时间，从而减少经济损失，提高机场、空域的利用率，保证飞行的安全与准时。有助于空管运行安全，提高机场运行容量和航班时刻利用率，保证民航空管业务乃至航空运输业务持续性。通过将机场场空侧视为一个系统，考虑机场实际放行能力、和管制间隔建立了混合优化模型。对于起飞和落地航班之间，考虑了各自的跑道占用时间作为约束条件。
第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果：
本发明实施例提供一种航班时刻资源优化配置方法和装置，通过获取航班信息、机场信息和尾流间隔信息；然后根据航班信息和机场信息建立第一目标函数和第二目标函数；然后根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；最后根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。通过分别建立起飞、落地优化模型，从简单到复杂逐步增加模型约束条件，确定航班的最优起飞着陆时间，通过时隙分配来调节空中交通网络的流量，并使航班的流量与机场、空域的容量大体匹配，减少延误时间，从而减少经济损失，提高机场、空域的利用率，保证飞行的安全与准时。有助于空管运行安全，提高机场运行容量和航班时刻利用率，保证民航空管业务乃至航空运输业务持续性。通过将机场场空侧视为一个系统，考虑机场实际放行能力、和管制间隔建立了混合优化模型。对于起飞和落地航班之间，考虑了各自的跑道占用时间作为约束条件。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种航班时刻资源优化配置方法流程图；
图2为本发明实施例提供的落地航班时刻资源优化配置实施过程图；
图3为本发明实施例提供的起飞、落地航班时刻资源混合优化配置实施过程；
图4为本发明实施例提供的前两个均为落地航空器δAD示意图；
图5为本发明实施例提供的更前面一个为起飞航空器δAD示意图；
图6为本发明实施例提供的更前面一个为落地航空器δDA示意图；
图7为本发明实施例提供的前两个均为起飞航空器δAD示意图；
图8为本发明实施例提供的遗传算法求解流程图；
图9为本发明实施例提供的一种航班时刻资源优化配置装置结构框图；
图10为本发明实施例提供的一种电子设备的结构框图。
图标：110-信息模块；120-目标函数建立模块；130-约束条件确定模块；140-遗传算法模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
请查看图1-图3，图1为本发明实施例提供的一种航班时刻资源优化配置方法流程图，图2为本发明实施例提供的落地航班时刻资源优化配置实施过程图，图3为本发明实施例提供的起飞、落地航班时刻资源混合优化配置实施过程。该航班时刻资源优化配置方法，包括以下步骤：
步骤S110：获取航班信息、机场信息和尾流间隔信息；上述航班信息包括进港点、离港点、起飞机场、目的机场、航班时刻等，机场信息包括进港点、离港点、机场容量、进港点通行能力、FAF至跑到接地点的平均飞行时间等，尾流间隔信息包括尾流间隔、起飞放飞间隔、进港点间隔等。上述信息的获取可以是后台输入也可以是从其他系统中获取得到。
步骤S120：根据航班信息和机场信息建立第一目标函数和第二目标函数；第一目标函数为最小总延误时间函数，第二目标函数为最少延误航班量函数。
第一目标函数为：
Figure BDA0003632770700000101
其中，Z1为最小总延误时间，I为按时间排列的航班序号，I＝1,2,…,m，共有m个航班待优化，ATFI为优化后航班I的起飞/落地时间，ETFI为航班的FPL报计划起飞/落地时间。上式中，当优化后起飞/落地时间比FPL报计划时间早或相等时ATFI-ETF＝0。
第二目标函数为：
Figure BDA0003632770700000102
其中，Z2为最少延误航班量，I为按时间排列的航班序号，I＝1,2,…,m，共有m个航班待优化，XI为决策变量，当航班I延误时XI＝1，航班I不延误时XI＝0。
其中，为实现起飞航班时刻资源优化配置功能，上述建立可以是兼顾航空公司和管理者双方利益，基于历史航季运行数据，以航班总延误时间最小和航班调整量最少为目标，建立优化目标函数。
其中，如图2所示，为实现落地航班时刻资源优化配置功能，落地航班时刻资源优化范围从进港点开始至航班落地，设定所有航班到达进港点之前均无延误。过进港点之后的航空器均能顺利落地，无复飞或造成航班不正常的等特殊情况。航班时刻资源优化的目的是减少延误时间，提高航班正常率。所以我们以航班总延误时间最小和延误的航班量最少建立目标函数，这里的航空器延误被定义为航空器过最后排序点的实际到达时间加上公共进场航段飞行时间(即实际落地时间)与FPL报计划落地时间之差值。航班优化后的落地时间晚于航空器的计划落地时间，则统计为延误，优化后落地时间早于或等于计划落地时间则不统计为延误。
其中，如图3所示，为实现起飞、落地航班时刻资源混合优化配置功能，航班时刻优化的目的是减少延误时间，提高航班正常率。所以我们以最小总延误时间和最少延误航班量建立目标函数。所表示的目标函数为机场终端区内所有航空器的总延误时间最小。优化后起飞/落地时间晚于航空器的计划起飞/落地时间，则统计为延误，优化后起飞/落地时间早于或等于计划起飞/落地时间则不统计为延误。
步骤S130：根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；可以根据不同的优化功能设置不同的约束条件，比如：
起飞航班时刻资源优化配置功能中，设置的约束条件为：航班时刻唯一性；为保证后续航班可执行设航班时刻优化前后仅在一定范围内调整；机场容量约束，例如：设置5分钟容量约束、15分钟容量约束、60分钟容量约束。
落地航班时刻资源优化配置中，为最大程度的贴近实际，根据机场终端区航班运行规则设置约束条件如下：
约束条件1：进港点间隔约束，同一个进港点的航空器过点时间间隔为3分钟/架。
约束条件2：机场进港容量约束，根据机场公布的容量，设置优化过程中一小时落地航班不超过36架次。
约束条件3：调整范围约束，优化后的航班落地时间与FPL报计划落地时间相比前后不超过40分钟。
约束条件4：从FAF到跑道连续落地的航空器之间保持间隔不小于航空器尾流间隔。
起飞、落地航班时刻资源混合优化配置中，具体设置约束条件的步骤包括根据航班信息按照预设的约束规则设置进港点间隔约束条件；根据机场信息中的机场容量按照预设的约束规则设置机场容量约束条件；根据航班信息和尾流间隔信息按照预设的约束规则设置尾流间隔约束条件；根据航班信息按照预设的约束规则设置航班计划调整约束条件；根据机场信息和尾流间隔信息按照预设的约束规则设置起飞和落地航班之间的间隔约束条件。上述预设的约束规则可以是根据实际机场和航班情况进行设置。可以根据中国民航总局公布的航班协调参数设置机场整体的容量约束。例如：约束条件可以包括：①进港点间隔约束条件：通过同一个进港点的航空器间隔为不小于3分钟/架；②机场容量约束条件：机场小时容量不超48架次，进港小时容量不超36架次，离港小时容量不超34架次；③尾流间隔约束条件：公共航段航空器之间的间隔不小于尾流间隔；④航班计划调整约束条件：优化前后航班计划调整不超40分钟。⑤起飞和落地航班之间的间隔约束条件：起飞和落地航班之间满足间隔约束。
其中，请查看图4-图7，图4为本发明实施例提供的前两个均为落地航空器δAD示意图；图5为本发明实施例提供的更前面一个为起飞航空器δAD示意图；图6为本发明实施例提供的更前面一个为落地航空器δDA示意图；图7为本发明实施例提供的前两个均为起飞航空器δAD示意图。根据机场信息和尾流间隔信息设置起飞和落地航班之间的间隔约束条件的步骤包括以下步骤：
首先，根据机场信息和尾流间隔信息按照预设的第一规则计算得到落地航空器后跟随起飞航空器安全间隔δAD；上述第一规则是根据实际机场情况设置，比如落地航空器跑道占用时间为15秒左右，所以落地航空器后跟随起飞航空器的间隔主要考虑尾流间隔，如图4所示，2为落地航空器、3为起飞航空器，2、3之间的间隔δAD主要考虑2前面一个航空器与3之间的尾流间隔。落地航空器(2)后跟随起飞航空器(3)的安全间隔δAD为15秒。若落地航空器更前面一个为离港航班，如图5所示，则δAD＝max(15,S1',3-S1',2)秒，即s1,3-s1,2秒。
然后，根据机场信息和尾流间隔信息按照预设的第二规则计算得到起飞航空器后跟随落地航空器安全间隔δDA；上述第二规则是根据实际机场情况设置，比如：因起飞航空器跑道占用时间为15秒左右，所以起飞航空器后跟随落地航空器的间隔主要考虑尾流间隔。起飞航空器(2)后跟随落地航空器(3)图6安全间隔为s1,3-s1,2秒。起飞航空器(2)后跟随落地航空器(3)图7的安全间隔为δDA＝15秒。
最后，根据落地航空器后跟随起飞航空器安全间隔δAD和起飞航空器后跟随落地航空器安全间隔δDA设置起飞和落地航班之间的间隔约束条件。通过计算得到的δAD和δDA作为起飞和落地航班之间的间隔约束条件。
步骤S140：根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。航班时刻优化的实质是航班排序，对不同飞机对重新组合，使得总延误时间或延误成本最小。对于数据量不大的排序问题可以使用列举法进行精确求解，也可以用数学规划法快速求解，但针对航班时刻资源配置问题，维度大，复杂性高。因此，可以采用遗传算法进行求解，遗传算法的基本思想是模拟遗传机制和生物进化的自然过程，从而形成寻找最佳解的过程。它的特征是它的处理对象是代码集合的参数，而不是问题参数本身。此外，其搜索过程不受优化函数连接约束的影响，并且优化函数也不需要可微。因此它具有更好的搜索能力。
请参看图8，图8为本发明实施例提供的遗传算法求解流程图。上述进行优化的过程具体包括以下步骤：
首先，获取遗传参数信息；上述在采用遗传算法进行优化时，首先可以是先确定遗传策略，包括种群数量n，选择、交叉和变异的方法。同时，确定杂交的可能性pc和变异pm的可能性，演化代数以及其他遗传参数。
然后，根据第一目标函数、第二目标函数确定适应度函数；适应度函数也称为评价函数。它是依据客观函数判断个体好坏的标志。它也是进化过程的驱动力。因为适应度函数总是非负的，所以在任何情况下都希望它的值越大越好。本发明求解的目标函数是总延误时间最小化问题和最少延误航班量函数，需要对它进行转换生成遗传算法的适应度函数。本项目将目标函数的倒数作为适应度选择函数。计算中为了避免延误时间为0时造成适应度函数分母无意义的情况，给分母加上一个正整数1。此时染色体x对应的适应度选择函数为：
Figure BDA0003632770700000141
其中，Z为第一目标函数或第二目标函数。
然后，根据航班信息中的航班时刻随机产生初始化种群；通过读取航班信息，导入航班时刻表随机产生得到。
然后，根据多个约束条件计算与初始化种群中飞行队列对应的染色体的目标函数；根据航班调度问题的真实特征，可以采用实数编码方案，即数字序列号编码。每个飞行队列是一个染色体，队列中的每个飞行都是一个基因值。也就是说，每个染色体代表一个调度方案。例如，6 3 4 1 2 5 7是一条染色体，其中6表示要调度的第一次飞行，而3 4 1 2 57是按顺序调度的。编码方案的基因型是实数，其表型是飞行队列。它的优点是使基因型和表型对应。
然后，根据飞行队列对应的染色体的目标函数计算初始化种群中各个个体的适应度值；
然后，根据各个个体的适应度值得到个体序列，并根据个体序列寻找得到最优的个体；上述最优的个体是在当前条件下寻找得到最好的个体。
最后，提取并根据当前遗传参数信息中的演化代数和最优的个体得到优化的航班时刻。具体包括以下步骤：
第一步：提取当前遗传参数信息中的演化代数；演化代数即是循环次数，每循环完一次演化代数加1。
第二步：判断演化代数是否小于预置的阈值，若是，则执行第三步；若否，则输出并将最优的个体作为优化的航班时刻；上述预置的阈值为最大代数，判断演化代数是否小于预置的阈值即是判断演化代数是否满足小于最大代数的条件。
第三步：将演化代数加1得到新的演化代数；
第四步：采用轮盘赌算法在个体序列中选择得到新的染色体；集采用轮盘赌算法选择算子。选择操作是从上层数据中以一定概率选出优秀个体，然后再生下一代。它的目的是复制具有更好适应下一代的个体的好基因。本发明采用轮盘赌选择算子，即适应度成比例的概率决定其后代去或留的可能性。如果一个特定的个体是i，适应度是fiti，那么被选择的概率可以表示为：
Figure BDA0003632770700000151
第五步：对新的染色体进行交叉操作和变异操作，得到下一代种群；可以是采用单点交叉法对新的染色体进行交叉操作，得到下一代初始种群；可以是采用均匀变异法对下一代初始种群中的染色体进行变异操作，得到下一代种群。杂交是指从群体中随机选择两个个体，通过染色体的交换和组合，从亲本中继承优良性状，从而产生新的优良个体。本发明采用单点交叉映射方法；该方法是对Goldberg和Lingle提出的部分匹配交叉(PMX)方法的改进。现在举个例子：编写两个航班队列A和B作为父队列，并将多跑道随机分配给航班序列。在这里，随机选择交叉点，如下：
A＝9 1 4 5 6|7 8 3 2，
B＝6 8 1 2 3|9 5 4 7.
通过单点交叉后得到：
A'＝9 1 4 5 6|9 5 4 7，
B'＝6 8 1 2 3|7 8 3 2.
交叉后，同一个个体中有重复的航班序列号，不重复的数字保留，重复的根据位置映射关系进行一次交换。
对A'有：5→8；4→3；9→7；7→2(9→2)，
对B'有：8→5；3→4；2→7；7→9(2→9)，
因此：A"＝2 1 3 8 6 9 5 4 7，B"＝6 5 1 9 4 7 8 3 2.在交叉过程中，跑道不产生交叉，而是在交叉后将跑道随机分配给新的飞机队列。即为A"以及B"分配多条跑道，从而扩大可行方案的范围。
变异算子是为了提高遗传算法的局部搜索能力，同时避免陷入局部最优解。它也是保持种群多样性的重要手段。本文采用均匀变异，即在一定范围内均匀分布的随机函数以一定的小概率代替每个基因位点上的原基因。该方法特别适用于遗传算法的初级运算阶段，使搜索点能够在整个搜索空间自由移动，从而增加种群的多样性，使算法能够处理更多的模式。
假设X＝X1X2X3…Xk…Xl是一条基因，Xk是变化点，其值从最小值到最大值的随机数。此时对个体进行均匀变异后，可以得到一个新的个体：X'＝X1X2X3…X'k…Xl，变化点的新基因值为：
Figure BDA0003632770700000171
其中，d是在一个范围内符合均匀分布的随机数。
第六步：根据多个约束条件计算与下一代种群中飞行队列对应的染色体的目标函数。进而再次进行查找，以得到最好的个体，进而进行遗传算法的效果评估，以得到最优值。
上述实现过程中，通过获取航班信息、机场信息和尾流间隔信息；然后根据航班信息和机场信息建立第一目标函数和第二目标函数；然后根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；最后根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。通过分别建立起飞、落地优化模型，从简单到复杂逐步增加模型约束条件，确定航班的最优起飞着陆时间，通过时隙分配来调节空中交通网络的流量，并使航班的流量与机场、空域的容量大体匹配，减少延误时间，从而减少经济损失，提高机场、空域的利用率，保证飞行的安全与准时。有助于空管运行安全，提高机场运行容量和航班时刻利用率，保证民航空管业务乃至航空运输业务持续性。通过将机场场空侧视为一个系统，考虑机场实际放行能力、和管制间隔建立了混合优化模型。对于起飞和落地航班之间，考虑了各自的跑道占用时间作为约束条件。
基于同样的发明构思，本发明还提出一种航班时刻资源优化配置装置，请参看图9，图9为本发明实施例提供的一种航班时刻资源优化配置装置结构框图。该航班时刻资源优化配置装置包括：
信息模块110，用于获取航班信息、机场信息和尾流间隔信息；
目标函数建立模块120，用于根据航班信息和机场信息建立第一目标函数和第二目标函数；
约束条件确定模块130，用于根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；
遗传算法模块140，用于根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。
上述实现过程中，通过信息模块110获取航班信息、机场信息和尾流间隔信息；然后目标函数建立模块120根据航班信息和机场信息建立第一目标函数和第二目标函数；然后约束条件确定模块130根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；最后遗传算法模块140根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。通过分别建立起飞、落地优化模型，从简单到复杂逐步增加模型约束条件，确定航班的最优起飞着陆时间，通过时隙分配来调节空中交通网络的流量，并使航班的流量与机场、空域的容量大体匹配，减少延误时间，从而减少经济损失，提高机场、空域的利用率，保证飞行的安全与准时。有助于空管运行安全，提高机场运行容量和航班时刻利用率，保证民航空管业务乃至航空运输业务持续性。通过将机场场空侧视为一个系统，考虑机场实际放行能力、和管制间隔建立了混合优化模型。对于起飞和落地航班之间，考虑了各自的跑道占用时间作为约束条件。
其中，约束条件确定模块130包括：
第一约束条件子模块，用于根据航班信息按照预设的约束规则设置进港点间隔约束条件；
第二约束条件子模块，用于根据机场信息中的机场容量按照预设的约束规则设置机场容量约束条件；
第三约束条件子模块，用于根据航班信息和尾流间隔信息按照预设的约束规则设置尾流间隔约束条件；
第四约束条件子模块，用于根据航班信息按照预设的约束规则设置航班计划调整约束条件；
第五约束条件子模块，用于根据机场信息和尾流间隔信息按照预设的约束规则设置起飞和落地航班之间的间隔约束条件。
其中，第五约束条件子模块包括：
第一计算单元，用于根据机场信息和尾流间隔信息按照预设的第一规则计算得到落地航空器后跟随起飞航空器安全间隔δAD；
第二计算单元，用于根据机场信息和尾流间隔信息按照预设的第二规则计算得到起飞航空器后跟随落地航空器安全间隔δDA；
约束条件单元，用于根据落地航空器后跟随起飞航空器安全间隔δAD和起飞航空器后跟随落地航空器安全间隔δDA设置起飞和落地航班之间的间隔约束条件。
其中，遗传算法模块140包括：
参数获取子模块，用于获取遗传参数信息；
适应度函数子模块，用于根据第一目标函数、第二目标函数确定适应度函数；
初始化种群子模块，用于根据航班信息中的航班时刻随机产生初始化种群；
目标函数子模块，用于根据多个约束条件计算与初始化种群中飞行队列对应的染色体的目标函数；
适应度值子模块，用于根据飞行队列对应的染色体的目标函数计算初始化种群中各个个体的适应度值；
最优个体选取子模块，用于根据各个个体的适应度值得到个体序列，并根据个体序列寻找得到最优的个体；
航班时刻输出子模块，用于提取并根据当前遗传参数信息中的演化代数和最优的个体得到优化的航班时刻。
其中，航班时刻输出子模块包括：
演化代数提取单元，用于提取当前遗传参数信息中的演化代数；
判断单元，用于判断演化代数是否小于预置的阈值，若是，则执行A3；若否，则输出并将最优的个体作为优化的航班时刻；
演化代数更新单元，用于将演化代数加1得到新的演化代数；
染色体选择单元，用于采用轮盘赌算法在个体序列中选择得到新的染色体；
交叉变异单元，用于对新的染色体进行交叉操作和变异操作，得到下一代种群；
目标函数更新单元，用于根据多个约束条件计算与下一代种群中飞行队列对应的染色体的目标函数。
其中，交叉变异单元包括：
交叉子单元，用于采用单点交叉法对新的染色体进行交叉操作，得到下一代初始种群；
变异子单元，用于采用均匀变异法对下一代初始种群中的染色体进行变异操作，得到下一代种群。
请参阅图10，图10为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的航班时刻资源优化配置装置对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图10所示的结构仅为示意，电子设备还可包括比图10中所示更多或者更少的组件，或者具有与图10所示不同的配置。图10中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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介质中。基于这样的理解，本申请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介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种航班时刻资源优化配置方法，其特征在于，包括以下步骤：
获取航班信息、机场信息和尾流间隔信息；
根据航班信息和机场信息建立第一目标函数和第二目标函数；
根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；
根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。
2.根据权利要求1所述的航班时刻资源优化配置方法，其特征在于，所述第一目标函数为：
Figure FDA0003632770690000011
其中，Z1为最小总延误时间，I为按时间排列的航班序号，I＝1,2,…,m，共有m个航班待优化，ATFI为优化后航班I的起飞/落地时间，ETFI为航班的FPL报计划起飞/落地时间。
3.根据权利要求1所述的航班时刻资源优化配置方法，其特征在于，所述第二目标函数为：
Figure FDA0003632770690000012
其中，Z2为最少延误航班量，I为按时间排列的航班序号，I＝1,2,…,m，共有m个航班待优化，XI为决策变量，当航班I延误时XI＝1，航班I不延误时XI＝0。
4.根据权利要求1所述的航班时刻资源优化配置方法，其特征在于，所述根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件的步骤包括以下步骤：
根据航班信息按照预设的约束规则设置进港点间隔约束条件；
根据机场信息中的机场容量按照预设的约束规则设置机场容量约束条件；
根据航班信息和尾流间隔信息按照预设的约束规则设置尾流间隔约束条件；
根据航班信息按照预设的约束规则设置航班计划调整约束条件；
根据机场信息和尾流间隔信息按照预设的约束规则设置起飞和落地航班之间的间隔约束条件。
5.根据权利要求4所述的航班时刻资源优化配置方法，其特征在于，所述根据机场信息和尾流间隔信息设置起飞和落地航班之间的间隔约束条件的步骤包括以下步骤：
根据机场信息和尾流间隔信息按照预设的第一规则计算得到落地航空器后跟随起飞航空器安全间隔δAD；
根据机场信息和尾流间隔信息按照预设的第二规则计算得到起飞航空器后跟随落地航空器安全间隔δDA；
根据落地航空器后跟随起飞航空器安全间隔δAD和起飞航空器后跟随落地航空器安全间隔δDA设置起飞和落地航班之间的间隔约束条件。
6.根据权利要求1所述的航班时刻资源优化配置方法，其特征在于，所述根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻的步骤包括以下步骤：
获取遗传参数信息；
根据第一目标函数、第二目标函数确定适应度函数；
根据航班信息中的航班时刻随机产生初始化种群；
根据多个约束条件计算与初始化种群中飞行队列对应的染色体的目标函数；
根据飞行队列对应的染色体的目标函数计算初始化种群中各个个体的适应度值；
根据各个个体的适应度值得到个体序列，并根据个体序列寻找得到最优的个体；
提取并根据当前遗传参数信息中的演化代数和最优的个体得到优化的航班时刻。
7.根据权利要求6所述的航班时刻资源优化配置方法，其特征在于，所述提取并根据遗传参数信息中的演化代数和最优的个体得到优化的航班时刻的步骤包括以下步骤：
A1：提取当前遗传参数信息中的演化代数；
A2：判断演化代数是否小于预置的阈值，若是，则执行A3；若否，则输出并将最优的个体作为优化的航班时刻；
A3：将演化代数加1得到新的演化代数；
A4：采用轮盘赌算法在个体序列中选择得到新的染色体；
A5：对新的染色体进行交叉操作和变异操作，得到下一代种群；
A6：根据多个约束条件计算与下一代种群中飞行队列对应的染色体的目标函数。
8.根据权利要求7所述的航班时刻资源优化配置方法，其特征在于，所述对新的染色体进行交叉操作和变异操作，得到下一代种群的步骤包括以下步骤：
采用单点交叉法对新的染色体进行交叉操作，得到下一代初始种群；
采用均匀变异法对下一代初始种群中的染色体进行变异操作，得到下一代种群。
9.一种航班时刻资源优化配置装置，其特征在于，包括：
信息模块，用于获取航班信息、机场信息和尾流间隔信息；
目标函数建立模块，用于根据航班信息和机场信息建立第一目标函数和第二目标函数；
约束条件确定模块，用于根据航班信息、机场信息和尾流间隔信息按照预设的约束规则确定多个约束条件；
遗传算法模块，用于根据第一目标函数、第二目标函数和多个约束条件采用遗传算法对航班信息中的航班时刻进行优化，得到优化的航班时刻。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
CN202210493580.7A 2022-05-07 2022-05-07 一种航班时刻资源优化配置方法和装置 Pending CN114897343A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210493580.7A CN114897343A (zh) 2022-05-07 2022-05-07 一种航班时刻资源优化配置方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210493580.7A CN114897343A (zh) 2022-05-07 2022-05-07 一种航班时刻资源优化配置方法和装置

Publications (1)

Publication Number Publication Date
CN114897343A true CN114897343A (zh) 2022-08-12

Family

ID=82720787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210493580.7A Pending CN114897343A (zh) 2022-05-07 2022-05-07 一种航班时刻资源优化配置方法和装置

Country Status (1)

Country Link
CN (1) CN114897343A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115394124A (zh) * 2022-10-28 2022-11-25 北京航空航天大学 一种基于网络流量解耦的大规模空中交通流量优化方法
CN115860437A (zh) * 2023-02-22 2023-03-28 中国民航大学 一种机场群航班时刻优化方法、装置及存储介质、终端
CN117077990A (zh) * 2023-10-18 2023-11-17 中国电子科技集团公司第十五研究所 一种基于飞行平台的航线准时到达模型设计方法及装置
CN117933494A (zh) * 2024-03-21 2024-04-26 中国民用航空总局第二研究所 基于综合航空运输系协同的航班调时调减方法
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

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115394124A (zh) * 2022-10-28 2022-11-25 北京航空航天大学 一种基于网络流量解耦的大规模空中交通流量优化方法
CN115394124B (zh) * 2022-10-28 2023-03-03 北京航空航天大学 一种基于网络流量解耦的大规模空中交通流量优化方法
CN115860437A (zh) * 2023-02-22 2023-03-28 中国民航大学 一种机场群航班时刻优化方法、装置及存储介质、终端
CN117077990A (zh) * 2023-10-18 2023-11-17 中国电子科技集团公司第十五研究所 一种基于飞行平台的航线准时到达模型设计方法及装置
CN117077990B (zh) * 2023-10-18 2024-01-23 中国电子科技集团公司第十五研究所 一种基于飞行平台的航线准时到达模型设计方法及装置
CN117933494A (zh) * 2024-03-21 2024-04-26 中国民用航空总局第二研究所 基于综合航空运输系协同的航班调时调减方法
CN117933494B (zh) * 2024-03-21 2024-05-31 中国民用航空总局第二研究所 基于综合航空运输系协同的航班调时调减方法
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

Similar Documents

Publication Publication Date Title
CN114897343A (zh) 一种航班时刻资源优化配置方法和装置
Liang et al. An equitable traffic signal control scheme at isolated signalized intersections using Connected Vehicle technology
JP6050592B2 (ja) 航空交通を管理する方法およびシステム
JP6050591B2 (ja) 航空交通を管理する方法およびシステム
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
CN109584638B (zh) 一种面向区域网络的先期航班时刻协同优化方法
Ruiz et al. Strategic de-confliction in the presence of a large number of 4D trajectories using a causal modeling approach
US20120215434A1 (en) Methods and systems for managing air traffic
JP2004526258A (ja) 空港への航空機到着を最適化するスケジュールに基づく管理システム
CN114664119B (zh) 一种航班跑道排序与优化调度方法
EP2685441B1 (en) Generalized arrival planner
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
US20160104383A1 (en) Distributed Air Traffic Flow Management
CN115731748A (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
CN108846596B (zh) 分时段终端区尾随间隔进场管理策略计算方法
EP1616313B1 (en) Method for sequencing landing aircrafts
Hu et al. Multiairport capacity management: Genetic algorithm with receding horizon
CN108898891B (zh) 终端区尾随间隔进场管理决策支持系统
CN105469644A (zh) 飞行冲突解脱方法及设备
CN114440891A (zh) 用于空中交通管理的四维航迹规划方法及系统、设备
Li et al. Hybrid optimization of arrival and departure flight schedules
Ahmed Identification of optimal locations of adaptive traffic signal control (ATSC) using heuristic methods
CN114896856B (zh) 基于仿真的近距跑道容量评估方法
Murata et al. Merging Flows and Optimizing Aircraft Scheduling in Terminal Maneuvering Area Based on GA

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220812

WD01 Invention patent application deemed withdrawn after publication