CN115938162A - 一种考虑高空风时变性的冲突最小化航迹协同规划方法 - Google Patents
一种考虑高空风时变性的冲突最小化航迹协同规划方法 Download PDFInfo
- Publication number
- CN115938162A CN115938162A CN202211142292.3A CN202211142292A CN115938162A CN 115938162 A CN115938162 A CN 115938162A CN 202211142292 A CN202211142292 A CN 202211142292A CN 115938162 A CN115938162 A CN 115938162A
- Authority
- CN
- China
- Prior art keywords
- flight
- time
- flights
- conflict
- segment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000010006 flight Effects 0.000 claims abstract description 71
- 238000005070 sampling Methods 0.000 claims description 55
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑高空风时变性的冲突最小化航迹协同规划方法,引入双层规划方法,研究了战略阶段考虑高空风时变性的航迹规划问题;考虑了飞行时间与冲突对航班运行效率和安全的影响,以航班起飞时刻及高度层作为决策变量,以航班在灵活航路空域中飞行时间最短与无冲突作为目标函数,构建了多航班战略航迹协同规划模型;针对战略航迹规划问题的特点,设计了适应于多航班战略航迹协同规划模型的双层规划算法。本发明为考虑高空风时变性的冲突最小化航迹规划方法提供了一种快速实现方法,为合理安排航班飞行计划,保障飞行安全以及空域资源合理分配提供了技术支持。
Description
技术领域
本发明属于空中交通规划领域,具体涉及一种考虑高空风时变性的冲突最小化航迹协同规划方法。
背景技术
当前,随着民航运输业的不断发展,交通需求与交通供给之间的矛盾越来越突出,传统的空中交通管理方式逐渐显示出其落后性。目前,基于四维航迹的运行为突破这一瓶颈提供了系统性的解决方案。现有的关于航迹规划方面的研究仅仅考虑高空风不确定性对于航迹规划的影响。但是战略阶段的航迹规划,由于提前时间较长,航班运行时间跨度较大,高空风随时间空间的变化不容忽视。仅考虑不确定性规划出的最优航迹可能随着时间的推移无法实现运行效率的提高。除此之外,现有的研究常常将水平航路规划与冲突探测与解脱分离,即建立两阶段航迹规划模型。但是在冲突解脱时,随着航班起飞时刻的调整及高度层的变化,两阶段规划模型无法根据具体情况调整最优航路。
发明内容
发明目的:针对以上缺点,本发明公开了一种考虑高空风时变性的冲突最小化航迹协同规划方法,建立航迹规划双层规划模型,综合考虑航班运行效率及安全性。
技术方案:本发明提供了一种考虑高空风时变性的冲突最小化航迹协同规划方法,具体包括以下步骤:
(1)预先获取时变高空风集合预报数据、航班历史飞行计划、空域信息和航班安全间隔标准;
(2)根据航班历史飞行计划获取航班在灵活航路空域中的进出点;
(3)根据空域信息对灵活航路空域进行网格化处理,建立节点之间的连接规则;
(4)根据时变高空风集合预报数据,计算每个航班到达航路点的期望到达时刻,确定影响航班在当前航段上飞行的高空风条件,获取航班在航段上的飞行时间集合,拟合航班在当前航段上的飞行时间分布;将航段飞行时间期望值作为航段飞行成本并以最小化飞行时间为目标规划最优航路,将方差作为约束条件保障航迹的可预测性;
(5)基于规划出的最优航路,采用等间隔采样法形成航迹采样点集合;根据航班到达采样点时间集合拟合过点时间分布;利用网格冲突探测法进行航班飞行冲突初筛;根据航班安全间隔标准及冲突概率对航班之间的冲突进一步识别,得到相互之间有冲突的航班;
(6)根据动态分组规则将相互之间有冲突的航班放入同一小组内,根据小组内冲突数量及航班数量为各个小组分配不同的种群规模,采用变种群规模算子,动态设计各种群规模大小;
(7)针对每小组航班,采用调整该小组内各个航班的起飞时刻和飞行高度层来避免冲突,对各种群进行初始化;再采用一种快速遗传算法对各种群进行优化,获取各种群最优解;通过各个子种群之间的协同进化获得多航班冲突最小化4D航迹;
(8)将冲突最小化4D航迹对应的各个航班起飞时刻及高度层输入至步骤(4),在当前起飞时刻及高度层条件下考虑高空风时变性规划最优航路,得到当前最优4D航迹;
(9)重复步骤(4)至步骤(8),直至达到最大迭代次数N,输出多航班冲突最小化4D航迹。
进一步地,所述步骤(3)包括以下步骤:
(31)建立矩形搜索区域,覆盖灵活航路空域所有进出点,区域纬度范围从λmin至λmax,经度范围从φmin至φmax,在内部定义一个规则的航路点网格,纬度间隔为Δlat,经度间隔为Δlon;
(32)构建航路连接规则,以当前航路点为中心,与7×7正方形区域内的所有航路点进行全联通,该航路点集合定义为可连接的航路点;在与可连接的航路点相连时,7×7的范围内部分航路点发生重叠,将7×7的范围内发生重叠的航路点定义为不可连航路点;航路网络建模为图形,其中表示航路网络节点,ε表示航段。
进一步地,所述步骤(4)包括以下步骤:
(41)计算航班航段飞行时间集合:
(42)拟合航段飞行时间概率分布:
其中,δf为航班的起飞时刻,ΔT为航班从起飞至进入FRA的时间;
(43)计算航段飞行时间数学期望及方差:
(44)根据航段飞行时间期望及方差,采用遗传算法规划最优航路,结合起飞时刻及高度层,得到飞行时间最短最优航迹。
进一步地,所述步骤(5)实现过程如下:
(51)采用等间隔采样的方式进行航迹采样:
若航段上存在时变点,在tvp前后,航班受到不同风场的影响,将航段在tvp处分段,将其视为两个子航段,并将tvp作为采样点;若航段上不存在时变点,直接等间距进行航迹采样;计算航班航迹采样点的过点时间集合,假设其服从正态分布,拟合概率分布;
(52)将航迹采样点的四维坐标离散化映射至对应的网格单元Am.n.l.k中,采用网格化冲突探测方法进行航班飞行冲突初筛;
建立飞行冲突初筛方法对应的4D时空网格:定义一个网格Am.n.l.k的邻域由其自身以及其在空间维度上的周围33-1=26个网格单元,记为:
Cm,n,l,k=[cm,n,l-1,k cm,n,l,k cm,n,l+1,k]
其中:
式中,矩阵cm,n,l,k表示本层的九网格邻域;矩阵cm,n,l-1,k表示当前网格上层九网格邻域,cm,n,l+1,k表示当前网格下层的九网格邻域;aM,N,L,k表示坐标为L,M,N,k的网格,其中M取m、m+1、m-1;N取n、n-1、n+1;L取l-1、l+1、l;
依次检查网格Am.n.l.k邻域中的27个网格,如果邻域中任意网格内存在其他航班的航迹采样点,则表明存在潜在的飞行冲突,对航班之间的冲突再进行精确探测;否则,则表明不存在潜在的飞行冲突;
对航班之间的冲突进行精确探测:针对同一个网格中的两个不同航班的航迹采样点s和s’,根据其坐标计算在航班预计过点时间集合内航班之间的垂直距离和水平距离,当垂直距离与水平距离同时违反航班安全间隔时,计算冲突概率;否则,表明不存在飞行冲突;
当航段上不存在tvp时,则:
当航段上存在tvp时,在tvp前后,航班受到不同风场的影响;此时将航段在tvp处分段,将其视为两个子航段,并将tvp作为采样点,对应采样点各项参数再按照当航段上不存在tvp时计算;
考虑空域中的航班f1,采样点为s1;航班f2,采样点为s2;则有:
由于相互独立,则其联合概率密度函数为:
冲突概率为:
若两个航迹采样点的冲突概率小于预定值,则认定为飞行冲突,得到相互间存在冲突的航班。
进一步地,所述步骤(6)包括以下步骤:
(61)采用动态分组策略将相互之间有冲突的航班放入同一小组之内,即满足如下相关性:
(62)根据小组内冲突数量及航班数量为各个小组分配不同的种群规模,采用变种群规模算子,动态设计各种群规模大小;所述变种群规模算子如下:
式中,sk为第k组种群规模,pop_size为初始种群规模,Ck表示第k组组内冲突数量,Lk表示第k组组内航班数量,C表示初始冲突数量;L表示初始航班数量。
进一步地,所述步骤(7)包括以下步骤:
(71)种群初始化;
(72)针对初始化后的每个种群小组采用遗传算法进行优化,获取每个小组的最优解;所述的最优解是指适应度函数最大的值时对应的个体,所述适应度函数表达式如下:
其中,n表示航班数量;表示第k组第i架航班的冲突数量;δmax表示最大的δi;λGH表示地面延误成本系数,ti表示航班起飞时刻,torig表示航班初始起飞时刻,Tmax表示最大允许延误;λFL表示高度层调整成本系数,fli表示航班飞行高度层,florig表示航班初始飞行高度层,FLmax表示最大允许高度层调整量;
(73)合并各个种群之间的最优解获得多航班冲突最小化4D航迹。
有益效果:与现有技术相比,本发明的有益效果:1、本发明不仅考虑高空风的不确定性,同时考虑了高空风的时变性,更加符合航班运行的实际情况;将高空风不确定性及时变性转化为航班过点时间的不确定性及时变性;2、本发明建立了航迹规划双层规划模型;在根据当前最优航迹进行冲突解脱后,由于起飞时刻及飞行高度层的调整,航班的最优航路此时会发生变化;采用了双层规划模型可以根据当前条件及时优化航路,保证航班运行效率最大化,同时保障了航班运行的安全性。
附图说明
图1是本发明的流程图;
图2是本发明所构造的航路网络连接规则示意图;
图3是本发明在时变点两边风场变化示意图;
图4是本发明冲突概率计算方式示意图;
图5是本发明中基于动态分组的变种群规模合作协同进化算法流程图;
图6是本发明种群初始化流程图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示,本发明所述的一种考虑高空风时变性的冲突最小化航迹协同规划方法,具体包括以下步骤:
步骤1、获取时变高空风集合预报数据、航班历史飞行计划、空域信息和航班安全间隔标准。
步骤2、根据历史航班被飞行计划数据(FPL)获取航班在灵活航路空域中的进出点经纬度坐标、进入灵活航路空域的时刻、飞行高度层。
步骤3、根据空域信息对灵活航路空域进行网格化处理,建立节点之间的连接规则。
建立矩形搜索区域,覆盖灵活航路空域所有进出点,区域纬度范围从λmin至λmax,经度范围从φmin至φmax,在内部定义一个规则的航路点网格,纬度间隔为Δlat,经度间隔为Δlon。
构建航路连接规则,如图2所示,其中,圆形表示当前航路点;为了保证航路的灵活性,可连接的航路点为以当前航路点为中心的7×7正方形区域内的航路点,图中用菱形表示;在与可连接的航路点相连时,7×7的范围内部分航路点发生重叠,因此为了降低复杂度,将发生重叠的航路点定义为不可连航路点,图中用方形表示;航路网络可建模为图形其中表示航路网络节点,ε表示航段。
步骤4、根据时变高空风集合预报数据,计算每个航班到达航路点的期望到达时刻,确定影响航班在当前航段上飞行的高空风条件,获取航班在航段上的飞行时间集合,拟合航班在当前航段上的飞行时间分布;将航段飞行时间期望值作为航段飞行成本并以最小化飞行时间为目标规划最优航路,将方差作为约束条件保障航迹的可预测性。
(4.1)计算航班航段飞行时间集合:
风的集合预报数据进行预处理,获取每个航路点处的风值。在图2中,每个航路点包含以下信息:纬度λ,经度φ,高度h,东西向风分量WE(t)和南北向风分量WN(t),风的二范数为:
计算航段e的长度:
其中,
计算航段e的航向角、风向角及航段起终点风力值,方向角θe计算方式如下:
其中,θwo(t)为起点处风向角,θwd(t)为终点处风向角。
计算单一风场条件下航班飞行时间:
航段e上的风力值TWe(t)采用起点和终点风力值的平均值,假设航段上风力值恒定:
则航班在航段e上的飞行时间为:
其中,Ta为航班的真空速,在巡航阶段为定值。
获取航班过点时间集合:设为EPS集合预报成员集合。航班f∈F,在给定的高度层h∈H下,根据上述的航段飞行时间计算方法,得到在成员k条件下,当f到达航段e的期望时刻为t时,f在航段e上的飞行时间最终得到飞行时间集合 为EPS成员数量。
(4.2)拟合航段飞行时间概率分布:
通过假设航班在航段上的飞行时间集合服从正态分布,拟合航班在各个航段上的飞行时间概率分布。
δf为航班的起飞时刻,ΔT为航班从起飞至进入FRA的时间,假设其为定值。
(4.3)计算航段飞行时间数学期望及方差:
航段上存在时变点:当且时,风场条件发生变化,如图3所示。当时,航班受到Wind1的影响,航段飞行时间概率密度函数为f1(t);当时,航班受到Wind2的影响,航段飞行时间概率密度函数为f2(t)。则:
(4.4)根据航段飞行时间期望及方差,采用遗传算法规划最优航路,结合起飞时刻及高度层,得到飞行时间最短最优航迹。
步骤5、基于步骤4规划出的航空器4D航迹,采用等间隔采样法形成航迹采样点集合;根据航空器到达采样点时间集合拟合过点时间分布;利用网格冲突探测法进行航空器飞行冲突初筛;根据航空器安全间隔标准及冲突概率对航空器之间的冲突进一步识别,得到相互之间有冲突的航班.
(5.1)航迹采样:采用等间隔采样的方式。
航段上存在时变点:在tvp前后,航班受到不同风场的影响,如图3所示。此时将航段在tvp处分段,将其视为两个子航段,并将tvp作为采样点。航段上不存在时变点:直接等间距采样。计算航班航迹采样点的过点时间集合,假设其服从正态分布,拟合概率分布。
(5.2)网格冲突探测法:将航迹采样点的四维坐标离散化映射至对应的网格单元Am.n.l.k中,采用网格化冲突探测方法进行航班飞行冲突初筛。
S1:建立如下飞行冲突初筛方法对应的4D时空网格:定义一个网格Am.n.l.k的邻域由其自身以及其在空间维度上的周围33-1=26个网格单元,记为:
Cm,n,l,k=[cm,n,l-1,k cm,n,l,k cm,n,l+1,k]
其中:
式中,矩阵cm,n,l,k表示本层的九网格邻域;矩阵cm,n,l-1,k表示当前网格上层九网格邻域,cm,n,l+1,k表示当前网格下层的九网格邻域;aM,N,L,k表示坐标为L,M,N,k的网格,其中M取m、m+1、m-1;N取n、n-1、n+1;L取l-1、l+1、l。
S2:依次检查网格Am.n.l.k邻域中的27个网格,如果邻域中任意网格内存在其他航班的航迹采样点,则表明存在潜在的飞行冲突,则执行步骤S3;否则,则表明不存在潜在的飞行冲突。
S3:对航班之间的冲突进行精确探测:针对同一个网格中的两个不同航班的航迹采样点s和s’,根据其坐标计算在航班预计过点时间集合内航班之间的垂直距离和水平距离,当垂直距离与水平距离同时违反航班安全间隔时,执行S4;否则,表明不存在飞行冲突。
①当航段上不存在tvp时,则:
②当航段上存在tvp时,在tvp前后,航班受到不同风场的影响,如图3所示。此时将航段在tvp处分段,将其视为两个子航段,并将tvp作为采样点,对应采样点各项参数按照①计算。
考虑空域中的航班f1,采样点为s1;航班f2,采样点为s2。则有:
由于相互独立,则其联合概率密度函数为:
冲突概率如图4所示,即:
若两个航迹采样点的冲突概率小于预定值,则认定为飞行冲突,得到相互间存在冲突的航班。
步骤6、根据动态分组规则将相互之间有冲突的航班放入同一小组内,根据小组内冲突数量及航空器数量为各个小组分配不同的种群规模,采用变种群规模算子,动态设计各种群规模大小,具体如图5所示。
(6.1)采用动态分组策略将相互之间有冲突的航班放入同一小组之内,即满足如下相关性:
(6.2)根据小组内冲突数量及航班数量为各个小组分配不同的种群规模,采用变种群规模算子,动态设计各种群规模大小;所述变种群规模算子如下:
式中,sk为第k组种群规模,pop_size为初始种群规模,Ck表示第k组组内冲突数量,Lk表示第k组组内航班数量,C表示初始冲突数量;L表示初始航班数量。
步骤7、针对每小组航班,采用调整该小组内各个航班的起飞时刻和飞行高度层来避免冲突,对各种群进行初始化;再采用一种快速遗传算法对各种群进行优化,获取各种群最优解;通过各个子种群之间的协同进化获得多航空器冲突最小化4D航迹。
种群初始化:如图6所示,在种群初始化过程中,每个小组中各个航班的飞行计划构成该小组的初始可行解Xinitial,在初始可行解中的各个航班,根据其冲突数量,采用轮盘赌的方式优先选择冲突数量最多的航班。在选择冲突解脱方式时,生成随机数r,0<r<1,令选择地面等待策略解决冲突的概率为PGH,当r<PGH时,修改航班起飞时刻;当PGH≤r时,修改航班飞行高度层。
针对初始化后的每个种群小组采用遗传算法进行优化,获取每个小组的最优解;所述的最优解是指适应度函数最大的值时对应的个体,所述适应度函数表达式如下:
其中,n表示航班数量;表示第k组第i架航班的冲突数量;σmax表示最大的σi;λGH表示地面延误成本系数,ti表示航班起飞时刻,torig表示航班初始起飞时刻,Tmax表示最大允许延误;λFL表示高度层调整成本系数,fli表示航班飞行高度层,florig表示航班初始飞行高度层,FLmax表示最大允许高度层调整量;
函数适应度值越大,表示当前解更优。各个小组独立迭代N次,组内优化终止,选择适应度最大的个体作为组内最优解。合并各个种群之间的最优解获得多航班冲突最小化4D航迹。
步骤8、将冲突最小化4D航迹对应的各个航空器起飞时刻及高度层输入至步骤4,在当前起飞时刻及高度层条件下考虑高空风时变性规划最优航路,得到当前最优4D航迹;
获取当前进化代数冲突解脱后航班起飞时刻集合和高度层集合;将起飞时刻集合和高度层集合作为输入参与到上层规划模型即步骤4中。由于高空风具有时变性且其在不同高度层风场条件不同,因此基于当前起飞时刻及高度层,为每架航班规划最优航路;将最优航路结合起飞时刻和高度层生成最优航迹,输入到下层模型即步骤5中作为下一代的初始条件。
步骤9、重复步骤4至步骤8,直至达到最大迭代次数N;输出多航空器冲突最小化4D航迹。
以上所述仅为本发明的优先实施例,而非对本发明作任何形式上的限制。本领域的技术人员可在上述实施例的基础上施以各种等同的更改和改进,凡在权利要求范围内所做的等同变化和修饰,均应落入本发明的保护范围之内。
Claims (6)
1.一种考虑高空风时变性的冲突最小化航迹协同规划方法,其特征在于,包括以下步骤:
(1)预先获取时变高空风集合预报数据、航班历史飞行计划、空域信息和航班安全间隔标准;
(2)根据航班历史飞行计划获取航班在灵活航路空域中的进出点;
(3)根据空域信息对灵活航路空域进行网格化处理,建立节点之间的连接规则;
(4)根据时变高空风集合预报数据,计算每个航班到达航路点的期望到达时刻,确定影响航班在当前航段上飞行的高空风条件,获取航班在航段上的飞行时间集合,拟合航班在当前航段上的飞行时间分布;将航段飞行时间期望值作为航段飞行成本并以最小化飞行时间为目标规划最优航路,将方差作为约束条件保障航迹的可预测性;
(5)基于规划出的最优航路,采用等间隔采样法形成航迹采样点集合;根据航班到达采样点时间集合拟合过点时间分布;利用网格冲突探测法进行航班飞行冲突初筛;根据航班安全间隔标准及冲突概率对航班之间的冲突进一步识别,得到相互之间有冲突的航班;
(6)根据动态分组规则将相互之间有冲突的航班放入同一小组内,根据小组内冲突数量及航班数量为各个小组分配不同的种群规模,采用变种群规模算子,动态设计各种群规模大小;
(7)针对每小组航班,采用调整该小组内各个航班的起飞时刻和飞行高度层来避免冲突,对各种群进行初始化;再采用一种快速遗传算法对各种群进行优化,获取各种群最优解;通过各个子种群之间的协同进化获得多航班冲突最小化4D航迹;
(8)将冲突最小化4D航迹对应的各个航班起飞时刻及高度层输入至步骤(4),在当前起飞时刻及高度层条件下考虑高空风时变性规划最优航路,得到当前最优4D航迹;
3.根据权利要求1所述的一种考虑高空风时变性的冲突最小化航迹协同规划方法,其特征在于,所述步骤(4)包括以下步骤:
(41)计算航班航段飞行时间集合:
(42)拟合航段飞行时间概率分布:
其中,δf为航班的起飞时刻,ΔT为航班从起飞至进入FRA的时间;
(43)计算航段飞行时间数学期望及方差:
(44)根据航段飞行时间期望及方差,采用遗传算法规划最优航路,结合起飞时刻及高度层,得到飞行时间最短最优航迹。
4.根据权利要求1所述的一种考虑高空风时变性的冲突最小化航迹协同规划方法,其特征在于,所述步骤(5)实现过程如下:
(51)采用等间隔采样的方式进行航迹采样:
若航段上存在时变点,在tvp前后,航班受到不同风场的影响,将航段在tvp处分段,将其视为两个子航段,并将tvp作为采样点;若航段上不存在时变点,直接等间距进行航迹采样;计算航班航迹采样点的过点时间集合,假设其服从正态分布,拟合概率分布;
(52)将航迹采样点的四维坐标离散化映射至对应的网格单元Am.n.l.k中,采用网格化冲突探测方法进行航班飞行冲突初筛;
建立飞行冲突初筛方法对应的4D时空网格:定义一个网格Am.n.l.k的邻域由其自身以及其在空间维度上的周围33-1=26个网格单元,记为:
Cm,n,l,k=[cm,n,l-1,k cm,n,l,k cm,n,l+1,k]
其中:
式中,矩阵cm,n,l,k表示本层的九网格邻域;矩阵cm,n,l-1,k表示当前网格上层九网格邻域,cm,n,l+1,k表示当前网格下层的九网格邻域;aM,N,L,k表示坐标为L,M,N,k的网格,其中M取m、m+1、m-1;N取n、n-1、n+1;L取l-1、l+1、l;
依次检查网格Am.n.l.k邻域中的27个网格,如果邻域中任意网格内存在其他航班的航迹采样点,则表明存在潜在的飞行冲突,对航班之间的冲突再进行精确探测;否则,则表明不存在潜在的飞行冲突;
对航班之间的冲突进行精确探测:针对同一个网格中的两个不同航班的航迹采样点s和s’,根据其坐标计算在航班预计过点时间集合内航班之间的垂直距离和水平距离,当垂直距离与水平距离同时违反航班安全间隔时,计算冲突概率;否则,表明不存在飞行冲突;
当航段上不存在tvp时,则:
当航段上存在tvp时,在tvp前后,航班受到不同风场的影响;此时将航段在tvp处分段,将其视为两个子航段,并将tvp作为采样点,对应采样点各项参数再按照当航段上不存在tvp时计算;
考虑空域中的航班f1,采样点为s1;航班f2,采样点为s2;则有:
由于相互独立,则其联合概率密度函数为:
冲突概率为:
若两个航迹采样点的冲突概率小于预定值,则认定为飞行冲突,得到相互间存在冲突的航班。
5.根据权利要求1所述的一种考虑高空风时变性的冲突最小化航迹协同规划方法,其特征在于,所述步骤(6)包括以下步骤:
(61)采用动态分组策略将相互之间有冲突的航班放入同一小组之内,即满足如下相关性:
(62)根据小组内冲突数量及航班数量为各个小组分配不同的种群规模,采用变种群规模算子,动态设计各种群规模大小;所述变种群规模算子如下:
式中,sk为第k组种群规模,pop_size为初始种群规模,Ck表示第k组组内冲突数量,Lk表示第k组组内航班数量,C表示初始冲突数量;L表示初始航班数量。
6.根据权利要求1所述的一种考虑高空风时变性的冲突最小化航迹协同规划方法,其特征在于,所述步骤(7)包括以下步骤:
(71)种群初始化;
(72)针对初始化后的每个种群小组采用遗传算法进行优化,获取每个小组的最优解;所述的最优解是指适应度函数最大的值时对应的个体,所述适应度函数表达式如下:
其中,n表示航班数量;表示第k组第i架航班的冲突数量;δmax表示最大的δi;λGH表示地面延误成本系数,ti表示航班起飞时刻,torig表示航班初始起飞时刻,Tmax表示最大允许延误;λFL表示高度层调整成本系数,fli表示航班飞行高度层,florig表示航班初始飞行高度层,FLmax表示最大允许高度层调整量;
(73)合并各个种群之间的最优解获得多航班冲突最小化4D航迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211142292.3A CN115938162A (zh) | 2022-09-20 | 2022-09-20 | 一种考虑高空风时变性的冲突最小化航迹协同规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211142292.3A CN115938162A (zh) | 2022-09-20 | 2022-09-20 | 一种考虑高空风时变性的冲突最小化航迹协同规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115938162A true CN115938162A (zh) | 2023-04-07 |
Family
ID=86649607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211142292.3A Pending CN115938162A (zh) | 2022-09-20 | 2022-09-20 | 一种考虑高空风时变性的冲突最小化航迹协同规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115938162A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116126028A (zh) * | 2023-04-13 | 2023-05-16 | 四川腾盾科技有限公司 | 一种大型无人直升机任务推演方法 |
CN116959295A (zh) * | 2023-08-23 | 2023-10-27 | 民航局空管局技术中心 | 一种基于航迹运行的无冲突航班时隙分配方法 |
CN117346796A (zh) * | 2023-12-05 | 2024-01-05 | 武汉理工大学三亚科教创新园 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
CN117649785A (zh) * | 2023-11-28 | 2024-03-05 | 中国民航管理干部学院 | 一种无人机多运行人分布式协同冲突化解方法及系统 |
-
2022
- 2022-09-20 CN CN202211142292.3A patent/CN115938162A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116126028A (zh) * | 2023-04-13 | 2023-05-16 | 四川腾盾科技有限公司 | 一种大型无人直升机任务推演方法 |
CN116126028B (zh) * | 2023-04-13 | 2023-07-28 | 四川腾盾科技有限公司 | 一种大型无人直升机任务推演方法 |
CN116959295A (zh) * | 2023-08-23 | 2023-10-27 | 民航局空管局技术中心 | 一种基于航迹运行的无冲突航班时隙分配方法 |
CN116959295B (zh) * | 2023-08-23 | 2024-03-01 | 民航局空管局技术中心 | 一种基于航迹运行的无冲突航班时隙分配方法 |
CN117649785A (zh) * | 2023-11-28 | 2024-03-05 | 中国民航管理干部学院 | 一种无人机多运行人分布式协同冲突化解方法及系统 |
CN117649785B (zh) * | 2023-11-28 | 2024-06-07 | 中国民航管理干部学院 | 一种无人机多运行人分布式协同冲突化解方法及系统 |
CN117346796A (zh) * | 2023-12-05 | 2024-01-05 | 武汉理工大学三亚科教创新园 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
CN117346796B (zh) * | 2023-12-05 | 2024-03-08 | 武汉理工大学三亚科教创新园 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115938162A (zh) | 一种考虑高空风时变性的冲突最小化航迹协同规划方法 | |
US20220036743A1 (en) | Low-altitude air route planning and design method, device and storage medium with multi-objective constraints | |
Li et al. | Trajectory planning for UAV based on improved ACO algorithm | |
Wei et al. | Algebraic connectivity maximization for air transportation networks | |
CN112116830A (zh) | 一种基于空域网格化的无人机动态地理围栏规划方法 | |
CN114664122A (zh) | 一种考虑高空风不确定性的冲突最小化航迹规划方法 | |
CN105679102A (zh) | 一种全国飞行流量时空分布预测推演系统及方法 | |
Kapoor et al. | Airplanes aloft as a sensor network for wind forecasting | |
Bartolini et al. | A multi-trip task assignment for early target inspection in squads of aerial drones | |
CN110428665B (zh) | 一种航路与机场时隙协同分配的随机双层规划方法 | |
CN110059863A (zh) | 一种基于所需到达时间的航空器四维航迹优化方法 | |
CN113485409B (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
Pang et al. | Adaptive conflict resolution for multi-UAV 4D routes optimization using stochastic fractal search algorithm | |
CN112735188B (zh) | 基于复杂网络理论的空中交通网络脆弱性分析系统 | |
Wang et al. | Research on air route network nodes optimization with avoiding the three areas | |
Guan et al. | A large-scale multi-objective flights conflict avoidance approach supporting 4D trajectory operation | |
CN114199255A (zh) | 一种用于城区物流无人机终端配送航路网络的规划方法 | |
Meng et al. | Flight conflict resolution for civil aviation based on ant colony optimization | |
Yang et al. | Stochastic terminal flight arrival and departure scheduling problem under performance-based navigation environment | |
Isaacson et al. | Knowledge-based runway assignment for arrival aircraft in the terminal area | |
CN117455030A (zh) | 无人机机巢仿生规划方法、装置及存储介质 | |
Vormer et al. | Optimization of flexible approach trajectories using a genetic algorithm | |
Enayatollahi et al. | PBN-based time-optimal terminal air traffic control using cellular automata | |
Cai et al. | Optimization of the crossing waypoints in air route network | |
Vaidhun et al. | Dynamic path planning for unmanned aerial vehicles under deadline and sector capacity constraints |
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 |