CN115115097A

CN115115097A - 一种机场停机位与航空器滑行路径的联合优化方法

Info

Publication number: CN115115097A
Application number: CN202210653776.8A
Authority: CN
Inventors: 赵宁宁; 李子涵; 王岩韬
Original assignee: Civil Aviation University of China
Current assignee: Civil Aviation University of China
Priority date: 2022-06-10
Filing date: 2022-06-10
Publication date: 2022-09-27

Abstract

本发明提供了一种机场停机位与航空器滑行路径的联合优化方法，包括建立机场停机位与滑行路径联合优化模型；确定所述优化模型的约束条件；基于所述约束条件，建立自适应遗传算法求解此联合优化模型。本发明可实现机场对滑行路径和停机位的联合优化，避免了单一考虑停机位或滑行路径，带来的不便之处，以滑行时间最短为优化目标，在考虑停机位预分配的同时，节省了航空公司运行成本。

Description

一种机场停机位与航空器滑行路径的联合优化方法

技术领域

本发明属于航天技术领域，尤其是涉及一种机场停机位与航空器滑行路径的联合优化方法。

背景技术

2000年，Ahmet Bolat建立混合0-1规划的再分配模型，在初始分配方案不受到破坏的前提下，将所建立的模型选用分支限界法进行求解，将较远机位航班停靠的问题得到解决并且减少了机场资源使用量。

2001年，Ahmet Bolat改进了停机位分配模型，将停机位分配模型线性化，设计遗传算法对线性模型进行求解，提高了停机位使用效率。

2001年，Xu和Bailey考虑了旅客满意度，将中转旅客步行时间作为优化目标，建立了混合0-1整数规划分配模型，构建线性函数对约束条件和目标函数进行处理，算法设计禁忌遗传算法对模型进行求解。

2004年Smeltink JW设计混合整数线性规划方案，增加考虑航空器在滑行道上滑行时发生的冲突导致航班延误，滑行路径规划的优化目标是减小航空器的延误时间，在这样的基础上，往后越来越多的学者主要开始研究路径规划的优化和先后顺序的优化两方面内容。

2006年Angel G将滑行路径规划问题建立为多商品网络流模型，优化目标为滑行时间，滑行路径规划方案要使得航空器滑行时间达到最小。算法设计分支限界法对模型进行求解。2008年Marin A等以Angel G的研究为基础，增加了机场地面管制员工作量对滑行路径规划问题的影响。同年Keith G等以Smeltink JW和Angel G研究为基础，考虑航班离场顺序不同导致滑行路径规划方案不同进而影响航空器滑行时间和滑行距离。

2007年，Shangyao Yan在研究停机位分配问题时考虑航班延误具有随机性，建立启发式算法结构。

2008年，鞠姝妹在研究停机位分配问题时，提出将航空器座位数类比为旅客数，提前估计了旅客数，将停机位使用效率和中转旅客步行距离作为目标函数，算法设计了贪婪模拟退火算法对模型进行求解。

2008年，Hu Xiaobing在研究停机位分配模型时，提出了一种改良的遗传算法，不同于传统遗传算法的染色体编码方式，改良后的交叉算子平衡了种群在不断迭代的过程中子代的多样性。

以上学者们对滑行路径优化问题或停机位分配问题单独进行了研究与分析，并没有进行联合优化，极有可能出现一方面的优化结果使得另一方面出现协调难度增大或降低另一方面的运行效率，因此综合两者进行联合优化会有一个较好的结果，近年来，越来越多的学者开始思考这个问题。

2019年3月马思思将滑行道和停机位联合调度问题拆分为计划阶段和运行阶段两个方面来研究，并在传统约束的基础上增加了停机坪上航空器在停机位滑行道上冲突的考虑，根据停机位位置具体分布情况设定安全时间从而达到冲突规避的效果，设计遗传算法和禁忌搜索算法对比分析两个算法对优化方案的影响。

2020年6月马晓茜在国内外已有研究的基础上增加了对不同公司之间，其航空器在停机位上推出等待时间不等的考虑，通过改进模型以确保不同航空公司之间航空器推出等待时间的公平性，并设计遗传算法对模型进行求解。

2021年3月闫萍、袁媛提出改进的自适应差分进化算法来求解停机位与滑行路径联合优化问题。

既往研究对于求解滑行道调度、停机位分配以及联合优化问题模型的算法有很多，其中被研究所用较多算法一般分为两类：(1)精确路径规划算法(2)启发式算法。其中精确路径规划算法主要以混合整数线性规划算法为主；而启发式算法主要以遗传算法、蚁群算法、A*算法、模拟退火算法等为主。

(1)既有研究在建立停机位和滑行路径联合模型时是将多目标拆分成单目标进行建模和分析，并没有同时将两个字问题建立在同一个模型中，两个子问题具有强烈的关联性，所以在本次研究当中，将其放在同一个模型中考虑它们的复杂性。

(2)大多既往研究在进行多目标优化时，并没有考虑各个优化目标的占比权重对优化结果的影响，缺乏对各个优化目标权重的分析，本发明增加了以线性加权的方式将多目标处理成单目标，增加了目标权重对优化结果的影响与分析，再选择出最优的权重占比，进行后续停机位分配与滑行路径联合优化方案的分析。

发明内容

有鉴于此，本发明旨在提出一种机场停机位与航空器滑行路径的联合优化方法。

为达到上述目的，本发明的技术方案是这样实现的：

1、建立机场停机位与滑行路径联合优化模型，模型的目标函数为

(1)停机位的分配结果要使得进港航空器滑行时间最短：minf^AA

(2)离港航空器滑行时间最短：minf^AD

(3)优化目标

利用线性加权对两个目标合并成单目标来进行运算求解，因此得到如下目标函数：

minZ＝W₁f^AA+W₂f^AD

优化目标公式中W1、W2表示两个目标所占权重W₁+W₂＝1，且W₁、W₂∈[0,1]。

2、确定所述优化模型的约束条件

基于停机位分配的要求，可以形成一下3个约束：

(1)每个航班须分配有且仅有一个停机位：

(2)要求每个航空器在停靠停机位的时间段内仅供该航空器停靠，任何其他航空器不得停靠该停机位，直到该航空器离开为止，同时要规避停机位冲突所以增加一个停机位安全缓冲时间：

(D_i-A_k+Δj)(D_K-A_i+Δj)x_ijx_kj≤0，

且i≠k，

(3)航空器的属性类型要匹配停机位的属性类型：

(T_j-M_i)x_ij≥0，

且

基于滑行路径规划的要求可以将滑行路径规划问题看作是一个多商品网络流问题，可以形成以下3个约束：

(4)要保证进港和离港航空器在滑行道上滑行时的路径时连续有效的：

(5)进离港的每一架航空器在自己的滑行过程中滑行路径不要重复，即考虑航空器不要重复经过某个节点：

且

且

(6)对于滑行路径规划是会遇到的几个冲突需要冲突规避，此处考虑会发生在机场拓扑图中各节点上的冲突：

(t_pi-t_pk+Δik)(t_pk-t_pi+Δik)x_pqix_pqk≤0，

且i＜k。

3、基于所述约束条件，建立自适应遗传算法求解此联合优化模型

(1)为了提升遗传算法计算能力，加快算法收敛的速度故而在设计适应度函数的时候引入模拟退火思想令适应度函数：

fitness＝e^score*(-a)*10ⁿ

其中，score表示目标函数，score＝W₁f^AA+W₂f^AD，适应度函数表达式其中a和n是为了调整区分度，目标函数与适应度函数的单调性是相反的。

(2)在适应度评估的时候，通过惩罚函数将模型转为一个无约束模型，若一个解不符合约束条件，则引用惩罚函数对其进行惩罚。

(3)每代种群的所有个体按照计算的适应度值进行排序，排在第一位的个体适应度最大即个体最优，将其复制进下一代，下一代剩下的个体根据这一代适应度值通过轮盘赌选择法产生。

(4)通过自适应变异率和自适应交叉率提高遗传算法寻优计算的效率，自适应交叉率会随着进化代数的增大，交叉率会变低；自适应变异率根据个体的适应度值的高低来确定变异率，适应度高的个体变异率越低。

算法流程如下：

Step1：初始化种群：

Step1.1：对到港航空器进行停机位分配，停机位分配原则要满足使进港航空器进港滑行时间最短且要满足模型约束条件。

Step1.2：判断用于停机位分配的航空器在滑入分配的停机位时是否发生停机位冲突，进行冲突规避操作。

Step1.3：对原离港航空器进行出港滑行路径规划。

Step1.4：对原进港航空器再离港进行出港滑行路径规划。

Step1.5：优化全滑行路径冲突，比对所有滑行路径查看是否有冲突，若有冲突进行冲突规避操作。

Step2：进行个体适应度评分并设置最大迭代数开始迭代

Step3：选择操作，采用轮盘赌法进行选择操作

Step3：交叉操作，采用自适应交叉率

Step4：变异操作，采用自适应变异率

Step5：得到下一代种群，重复步骤2到步骤4

终止：达到设置的迭代数上限后，停止过程，输出得到最优解。

相对于现有技术，本发明所述的一种机场停机位与航空器滑行路径的联合优化方法具有以下优势：

(1)本发明可实现机场对滑行路径和停机位的联合优化，避免了单一考虑停机位或滑行路径，带来的不便之处，以滑行时间最短为优化目标，在考虑停机位预分配的同时，节省了航空公司运行成本，因此形成了航空公司成本和机场资源合理分配的双赢效果；

(2)本发明在构建模型的同时，进行了算法的优化，设置了冲突的避让的内容，数据显示算法优化后可优先避让案例中航班的5次潜在冲突，优化后冲突为0，因此可实现航空器机坪的安全运营。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为西安机场简化拓扑图；

图2为邻接矩阵部分图；

图3为进化迭代图；

图4为W1对进港、离港航空器滑行时间影响示意图；

图5为W1对总滑行时间影响示意图；

图6为优化后的NS8264进港航班滑行路径图；

图7为优化后的MU4405进港航班滑行路径图；

图8为优化后的MU2158进港航班滑行路径图；

图9为优化后的HU7577离港航班滑行路径图；

图10为优化后的MU5569离港航班滑行路径图；

图11为优化后的HU7817离港航班滑行路径图；

图12为优化后的NS8264离港航班滑行路径图；

图13为优化后的MU4405离港航班滑行路径图；

图14为优化后的MU2158离港航班滑行路径图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

下面将参考附图并结合实施例来详细说明本发明。

下面以西安机场为例说明本发明的方案，简化后的机场拓扑图如图1所示，重新定义西安机场场面拓扑图，将西安机场滑行道节点、停机位、跑到端头以170个节点的邻接矩阵来表示各自位置关系，并额外有各相邻节点之间的距离矩阵来量化滑行道长度。部分邻接矩阵数据如图2所示，此为机场拓扑图中部分节点43到68与节点44到64的位置关系。1表示两个节点相邻，两节点中间由一条滑行道相接，0则表示两节点不相邻。共有170个节点。

部分节点之间的距离数据如表1所示：

表1部分节点距离数据表

节点	节点	节点间距离
			1	22	13.335
2	23	13.335
			3	10	18.9195
4	11	18.9994
			5	31	13.335
6	12	18.9977
			7	13	18.9977
8	39	13.335
			9	40	13.335
10	14	15.5457

第一行表示节点1与节点22之间的滑行道长度为133.335米。

以上对机场场面资源的解释为后文MATLAB编码算法求解模型提供数据支撑。航空器在运行过程中会出现运行冲突，这对机场来说会带来较大的负面影响，会严重影响机场运行效率，严重的情况下甚至会对机场造成安全隐患，因此应当提前规划好可能会出现的冲突以及冲突规避的方案，航空器一般在滑行道和停机坪上发生冲突，发生的主要冲突如下：

(1)停机位冲突

一个停机位在同一时间段内只能停靠一架航班，但前后两架航空器若要停靠同一停机位或航空器滑入停机位时其相邻机位有航空器滑出停机位，前一架航空器的撤轮挡时间晚于后一家航空器的上轮挡时间，就会产生冲突。考虑到机场诸多航空器运行的复杂性，以及飞机飞行运行中遇到的各种情况可能会导致航班延误，为了规避航空器在停机坪和停机位上发生冲突，考虑增加安全间隔时间，需要前后两架航空器的进出停机位的时间差不能低于规定的安全间隔时间，才能避免冲突。

(2)滑行道冲突

滑行道冲突是指进离港航空器在滑行道系统中滑行时，航空器在同一时间段内同时经过同一滑行道节点，这样会导致航空器之间无法满足规定的安全距离，从而产生滑行道冲突，使得机场运行过程中产生严重的安全隐患。滑行道冲突主要分为，对头冲突、交叉冲突、超越(追尾)冲突。

民航局规定航空器在滑行道上滑行时必须满足以下时间间隔标准，如表2所示：

表2航空器场面滑行间隔标准表(m)

同时机场要求航空器在滑行道上滑行时其最大速度不得超过50km/h所以能够得到机场场面滑行时间间隔标准如表3所示：

表3航空器场面滑行最低间隔标准(s)

若两航空器在滑行道上发生了冲突，其冲突的冲突解脱方案通常是让优先级较低的航空器在冲突节点等待或重新规划滑行路径。对于国内大型机场，如果出现了有可能会发生的冲突，严重加深了机场运行负荷，所以在计划阶段应当充分考虑滑行道各个节点可能会发生的冲突，提前规划好航空器华星路经尽力规避冲突。

以西安机场作为本发明对象，根据西安机场拓扑图，选择西安机场2019年5月2日15：16至15：29、16：20至16：50部分航班，停机位选择西安机场近机位101、120、126、315、318、320号停机位。共9个航班，其中涉及3个进港航班，6个离港航班，共6架航空器、6个停机位。

模型中停机位冲突安全时间间隔取值与停机位属性有关，规定C类取10分钟，D类取15分钟，E类取20分钟；滑行道冲突前后航空器安全缓冲时间规定见第二章表1.2，鉴于所选航班航空器均为中型机，则滑行间隔时间标准取14.4s；停机位安全缓冲时间取120s。

本次研究拟定机场资源无限制；民航局规定航空器在场面运行时速度不能大于50km/h因此假设航空器运行时采用平均速度5m/s；

本发明为了提高遗传算法寻优计算的效率，加快遗传算法收敛速度，设定算法参数为种群个体数为20个，交叉率采用自适应交叉率，变异率采用自适应变异率。较大的交叉率容易破坏种群中已形成的优良结构，使搜索具有太大随机性，自适应交叉率是指在优化过程中交叉率会随着进化代数的递进，交叉率会变低；自适应变异率是指根据遗传个体的适应度值自适应确定各个个体的变异率，适应度大的个体意味着个体越优即该方案越优则该个体变异率较小，而适应度小的个体变异率越大。同时对多次算法运算结果分析可得，当种群的进化迭代数最多不超过40代时，就会使得总目标函数值达到相对最小，若迭代数过多，则会导致运算时间增加太多，且对目标函数没有明显优化，效率低下，因此设定此次遗传算法进化代数总迭代数为50次，取部分运算结果如图3所示。

航班信息见表4：

表4航班信息

表中括号里的数字表示该停机位或跑道端头在邻接矩阵里的节点，便于matlab导入数据计算。

318、315、101号停机位已被初始3个离港航班(HU7577、MU5569、HU7817)占用，剩下的126、320、120号停机位则用于初始到港航班(NS8264、MU4405、MU2158)的停机位分配。

进港航班再离港：停机位分配好并完成地面保障服务后再离港，并分配起飞跑道。

下面对求解结果进行分析

(1)优化目标权重分析

优化目标所占权重改变时，会对目标函数以及优化结果如停机位分配结果和滑行路径规划结果产生影响，因此需要深入研究权重值对结果的影响情况，并且不同权重占比也反映了对目标函数里元素的不同重视程度，所以将(W1、W2)分别取值(0.1，0.9)、(0.2、0.8)、(0.3、0.7)、(0.4、0.6)、(0.5、0.5)、(0.6、0.4)、(0.7、0.3)、(0.8、0.2)、(0.9、0.1)来进行分析，每次取值由matlab算法运算10遍并取平均值来代表此次取值的优化结果。本次分析结果主要研究W1对航班进港滑行时间、航班离港滑行时间、总滑行时间的影响，最终确定W1的取值范围。(W1+W2＝1，因此W1确定下来后W2也随之确定)。

W1对进港离滑行时间的影响如图4所示。从图4可知，当W1取0.1权重时，进港航空器滑行时间最长，为1467s，离港航空器滑行时间最短，为1802s。当W1权重取0.2时进港航空器滑行时间出现了较大转折，进港时间减小为975.8s，离港航空器滑行时间有小幅增加，为1821.5s；当W1∈(0.3，0.6)时，进港航空器滑行时间下降率稍大，离港航空器滑行时间相较平缓，但在W1取值0.5时略微下降，为1907.5s；当W1∈(0.6，0.8)时，进港航空器滑行时间下降速率较为平缓，离港航空器滑行时间上升速率较大，且当W1取值0.8时离港航班总滑行时间达到最大，为2055s，进港航空器总滑行时间达到最小，为771s；W1取值0.9时，进港航空器滑行时间为774.5s，离港航空器滑行时间为1988s。总体来看，随着W1值的逐渐增加，进港航班滑行总时间逐渐减小，离港航班滑行总时间逐渐增大，数据结果符合预期：W1取值越大则进港滑行时间占比越重，优化后进港滑行时间就会越小，离港滑行时间会越大。

因此综合上述数据分析，在机场运行时，若认为进港航班较重要即想要航空器进港滑行时间缩短，则建议W1取值范围不小于0.3，最佳取值范围为(0.6，0.8)。若认为出港航空器较重要即想要航空器出港滑行时间缩短，则建议W1取值范围为(0.1，0.4)。

W1对总滑行时间的影响如图5所示：根据图5，W1对进出港总滑行时间影响分析可知，当W1取0.1权重时，滑行时间最长，为3269s；当W1取值为0.2时，总滑行时间出现较大的转折，为2797.3s；当W1取值为0.6时，总滑行时间达到最短，为2737.5s；当W1取其它值时，总滑行时间变化较为平缓，没有太大的波动。

结合上述分析，给出三种方案进行比较，(W1，W2)分别取(0.4，0.6)、(0.5，0.5)、(0.6，0.4)分别代表视出港航班较为重要、进港出港航班同等重要、进港航班较为重要。此次数据由matlab算法运算10遍并取相对最优解来代表此次取值的优化结果

方案对比如表5所示：

表5三种方案对比

由上表结果可见当(W1，W2)取值为(0.6，0.4)时，优化前的冲突次数为5次，优化后全航线不发生冲突且总滑行时间与目标函数值较其他两种方案偏小，模型的求解时间也相对较短。因此综合来看，当W1＝0.6，W2＝0.4时，方案要更优一些，所以后续仿真实验采用W1＝0.6，W2＝0.4来进行计算。

(2)停机位与滑行道联合优化结果分析

如上所述采用(W1，W2)＝(0.6，0.4)进行实验，其他数值不变，算法优化后的实验结果与未经过算法优化的初代种群实验结果验证此次模型的可运行性和经过算法优化后方案的优势以此体现算法的优化能力。

停机位分配实验数据如下：

算法优化前初代种群停机位分配结果如表6所示：

表6算法优化前初代种群停机位分配方案

经过算法优化后停机位结果如表7所示：

表7算法优化后各航班滑停机位分配方案

由以上两表数据分析可得，初代种群的停机位分配方案进港航班的滑行时间为2217.3s，算法优化后的停机位分配方案的进港航班滑行时间为784.34s。算法优化后的方案相较于初代种群的停机位分配方案其总滑行时间减少了64.6％的时间，大大缩短了进港滑行时间。并且没有经过算法优化的方案单个航空器如MU4405，进港滑行时间为1044.5s，还有MU2158，进港滑行时间为934.02s；而同样的两个航班在经过算法优化后的滑行时间分别为275.5s和328.3s，未经过算法优化的进港滑行时间比算法优化后的多出了三到四倍，若采用这样的方案会对航空器和航空公司造成相应损失，因此停机位分配方案应当采取经过算法优化后的方案如表7所示。

滑行路径规划实验结果如下：

算法优化前初代种群滑行路径规划结果如表8所示：

表8算法优化前初代种群滑行路径规划方案

经过算法优化后滑行路径规划结果如表9所示：

表9算法优化后各航班滑行路径优化方案

对以上两表进行数据分析，初代种群的滑行路径复杂滑行耗时长，总滑行时间4436.91s且个别航班滑行时间长达800至1000s甚至长达1000s以上，全滑行路径总共存在冲突5次，若不经过算法优化停机位分配和滑行路径则会严重影响机场的运行效率甚至产生严重安全隐患。模型经过算法优化后，总滑行时间缩短39％，仅2717.79s，并且规避了潜在冲突，总冲突次数为0。各航航空器滑行距离缩短，滑行时间变短，提高了运行效率。

优化前后航空器滑行路径图如图6-14所示，加粗且有箭头指向的路线为优化后的滑行路径图。

在本发明中，停机位是滑行路径的终点或起始点，停机位的分配方案会直接影响滑行路径的规划进而影响滑行时间，如果单独对停机位分配方案和滑行路径规划两个问题分别进行优化分析，可能会导致一个问题的运行优化结果非常好，而另一个问题的优化结果差强人意，进而整个机场场面运行情况较差，本发明在既有研究的基础上进行停机位与滑行路径联合优化模型的构建。实例应用的效果显示联合优化模型不仅减少了航空器的滑行时间，

在本发明中，机场停机位与滑行路径联合优化模型，约束条件公式比较多且复杂，并且需要同时考虑停机位与滑行路径上的冲突规避，机场网络节点多，数据庞杂，因此为求解本次模型需要设计启发式算法，启发式算法中的模拟退火算法和蚁群算法容易陷入局部最优而粒子群算法适用于连续型的优化，对离散优化问题处理能力较弱，但适应度函数可以引入模拟退火思想。而遗传算法用于求解规模较大的调度问题时，其搜索能力强，鲁棒性较高且全局搜索的能力强，对于局部最优的情况鲜有发生，因此本发明选择设计一个自适应遗传算法来求解此次研究的联合优化模型。数据结果显示模型经过算法优化后，总滑行时间缩短39％并且规避了潜在5次冲突，优化后总冲突次数为0。各航空器滑行距离缩短，滑行时间变少，提高了场面运行效率。

本发明引入了优化目标的权重，权重的改变会对目标函数以及优化结果如停机位分配结果和滑行路径规划结果产生影响，因此需要深入研究权重值对结果的影响情况，并且不同权重占比也反映了对目标函数里元素的不同重视程度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种机场停机位与航空器滑行路径的联合优化方法，其特征在于：包括

建立机场停机位与滑行路径联合优化模型；

确定所述优化模型的约束条件；

基于所述约束条件，建立自适应遗传算法求解此联合优化模型。

2.根据权利要求1所述的一种机场停机位与航空器滑行路径的联合优化方法，其特征在于：所述建立机场停机位与滑行路径联合优化模型具的目标函数具体包括：

(1)停机位的分配结果要使得进港航空器滑行时间最短：minf^AA

其中，

f^AA为所有进港航空器滑行总时间，

F为航空器的集合，

G为停机位的集合，

i为航空器i，i∈F，

j为航空器j，j∈G，

R^A为进港跑道的集合，

r为进港跑道，r∈R^A，

为进港航空器从跑道r滑行至停机位j所用滑行时间，

x_ij为0-1变量，航空器i停靠停机位j时取值为1，否则为0，

y_ir为0-1变量，进港航空器使用跑道r时取值为1，否则为0；

(2)离港航空器滑行时间最短：minf^AD

其中，

f^AD为所有离港航空器滑行总时间，

R^D为离港跑道的集合，

r’为离港跑道r’，r’属于R^D，

z_ir′为0-1变量，离港航空器使用跑道r’时取值为1，否则为0，

为离港航空器从停机位r’滑行至跑道r’所用滑行时间；

(3)优化目标

minZ＝W₁f^AA+W₂f^AD

优化目标公式中W1、W2表示两个目标所占权重W1+W2＝1，且W1、W2∈[0,1]。

3.根据权利要求2所述的一种机场停机位与航空器滑行路径的联合优化方法，其特征在于：所述约束条件具体为：

其中

k为航空器k,k∈F，

A_i为航空器i的到港时间,

D_i为航空器i的离港时间，

A_k为航空器k的到港时间，

Δj为停机位的安全缓冲时间间隔，

D_k为航空器k的离港时间；

X_kj为一个0-1变量，航空器k停靠停机位j时等于1，不停靠该停机位时为0；

T_j为停机位j属性类型，

M_i为航空器i的属性类型；

X_pqi为0-1变量，当航空器i经过(p，q)边时X_pqi取1否则为0，

p、q是机场拓扑图上的节点；

adj为节点的伴随矩阵；其中adj(p),表示p节点的伴随矩阵，adj(q)为节点q的伴随矩阵；q∈adj(p)表示滑行路径上q点与p不重合，p:q∈adj(q)表示从节点p到节点q的滑行路径上的节点与q点不重合，即保障滑行的连续性；

s为起点，

t为终点，

V为机场拓扑图点集合，

t_pi为航空器i经过p时的时间

t_pk为航空器k经过p时的时间

Δik为航空i和k之间在滑行道上运行时应到注意的安全时间间隔，

X_pqk为一个0-1变量，航空器k通过p、q之间的滑行道时等于1不通过该滑行道时为0。

4.根据权利要求3所述的一种机场停机位与航空器滑行路径的联合优化方法，其特征在于：所述建立自适应遗传算法求解此联合优化模型具体包括：

Step1：初始化种群；

Step2：进行个体适应度评分并设置最大迭代数开始迭代；

Step3：选择操作，采用轮盘赌法进行选择操作；

Step3：交叉操作，采用自适应交叉率；

Step4：变异操作，采用自适应变异率；

Step5：得到下一代种群，重复步骤2到步骤4；

5.根据权利要求4所述的一种机场停机位与航空器滑行路径的联合优化方法，其特征在于：所述步骤1具体包括

Step1.1：对到港航空器进行停机位分配，停机位分配原则要满足使进港航空器进港滑行时间最短且要满足模型约束条件；

Step1.2：判断用于停机位分配的航空器在滑入分配的停机位时是否发生停机位冲突，进行冲突规避操作；

Step1.3：对原离港航空器进行出港滑行路径规划；

Step1.4：对原进港航空器再离港进行出港滑行路径规划；

6.根据权利要求4所述的一种机场停机位与航空器滑行路径的联合优化方法，其特征在于：所述步骤2中，设计适应度函数时引入模拟退火思想，适应度函数：

fitness＝e^score*(-a)*10ⁿ

其中，score表示目标函数，score＝W₁f^AA+W₂f^AD，适应度函数表达式其中a和n是为了调整区分度，目标函数与适应度函数的单调性是相反的；

在适应度评估的时候，通过惩罚函数将模型转为一个无约束模型，若一个解不符合约束条件，则引用惩罚函数对其进行惩罚。

7.一种机场停机位与航空器滑行路径的联合优化装置，其特征在于：包括

目标构建模块，用于建立机场停机位与滑行路径联合优化模型；

约束确定模块，用于确定所述优化模型的约束条件；

求解模块，用于基于所述约束条件，建立自适应遗传算法求解此联合优化模型。

8.一种电子设备，其特征在于：包括

至少一个处理器，以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-6任一所述的方法。

9.一种非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行权利要求1-6中任一项所述的方法。