[发明专利]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

摘要

本发明公开了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，包括以下步骤：1)描述航班列队组成；2)设置航班优先权；3)设定单条跑道上航班的优先系数；4)建立多跑道机场进离港地面等待问题协同优化模型；5)设置协同优化评价标准；6)提出启发式局部搜索策略；7)混合遗传算法的设计；本发明旨在解决地面等待策略在多跑道机场进、离港地面等待问题中的应用难题，使得延误费用能够在进离港航班队列之间进行合理的分配，相比现有技术本发明建立的模型以降低延误损失为目标，实现延误损失的协同优化；使用当量航班平均延误损失作为启发信息，引导局部搜索朝着既定的方向进行，避免了搜索的盲目性，对延误费用的协同优化有了明显的提高。

主权项

1.一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，其特征在于，包括以下步骤：1)描述航班列队组成航班的单位时间延误成本反映了该航班被延误时将造成的经济损失，单位时间延误成本同时还体现了该航班应该承担的延误损失；从而，进、离港队列的航班组成可表示为相应队列中航班单位时间延误成本的叠加，为叙述方便，称该叠加为队列的服务需求量，所述队列的服务需求量定义如下：定义1设由M架航班组成队列FS，令CDm表示FS中飞机m的单位时间地面延误损失系数，令服务需求量反映了队列航班如果被延误则会造成的延误损失量，即队列航班使用跑道总的期望值，同时也体现了该队列航班应该承担的延误损失；2)设置航班优先权航班对跑道的使用优先权体现了飞行管制人员对航班类型的倾向性，多跑道机场中起降航班的优先性考虑了以下两个因素：a.队列服务需求量队列服务需求量划分为两部分，即当前已服务的需求量和尚待服务的需求量，显然航班使用跑道的优先权正比于所在队列的总需求量以及尚待服务的需求量，反比于该队列已服务的需求量，因为已服务需求量体现了跑道资源在一段时间内被该队列使用情况；b.专用跑道和混合跑道的构成航班进行起降时，机场为其分配专用跑道或混合跑道，而机场中进、离港专用跑道以及混合跑道数可能存在差异，所以为了均衡航班队列的延误损失，航班在专用和混合跑道中选择一条合理的跑道进行起降；因此，混合跑道rm上航班nrm的优先系数其中，FRMA、FRMD和FRM分别为混合跑道上的进港航班、离港航班及所有航班，FAQ为进港队列，FDQ为离港队列；其中，(2)式中将进港专用跑道视为一个系统，以Dtrans(FAQ)在专用和混合跑道上的分配比例作为相应航班的优先系数,来调节进港队列FAQ在专用、混合跑道上的分布；以Dtrans(FDQ)在专用和混合跑道上的分配比例作为相应航班的优先系数,来调节离港队列FDQ在专用、混合跑道上的分布；实际中，由于进港专用跑道数RA和离港专用跑道数RD的不同，进一步优化得到进港航班优先系数为Dtrans(FRA)/RA/Dtrans(FAQ)，以均衡相应队列航班在专用跑道上的优先权，其中，FRA为专用跑道上进港航班；对于混合跑道，进港航班优先系数为其服务需求量与混合跑道服务总需求量的比例，即Dtrans(FRMA)/Dtrans(FRM)；3)设定单条跑道上航班的优先系数令采用cr(r)作为跑道r上航班的优先系数，当跑道r上航班延误损失较大时，其对应的优先系数则较大，反之亦然，所以通过系数cr(r)可调节跑道r的负载量；式中，表示跑道r上航班nr在时间使用跑道r时所产生的地面延误费用；kc为常量；4)建立多跑道机场进离港地面等待问题协同优化模型以航班进离港专用跑道以及混合跑道的优先权为基础，建立多跑道机场进离港地面等待问题协同优化模型，目标函数描述如下：式中，RA、RD分别为进港专用跑道数和离港专用跑道数；RM为混合跑道数；N_r为分配到跑道r上的航班数；表示飞机p在跑道r上进行起降时的分配下降时间；5)设置协同优化评价标准当遗传算法(Genetic Algorithm,GA)通过遗传操作生成新的个体后，计算该个体的进、离港延误费用，记为CPA和CPD；由于所述定义1中Dtrans(FS)反映了队列FS的服务需求量，不能直观表达其航班组成，故在所述定义1的基础上，对现有的当量航班概念重新定义，定义如下：定义2设FQ为一航班队列，任取航班p∈FQ，以其为基准，则航班q∈FQ的当量为两者单位时间地面延误费用之比：ν(p,q)＝CGq/CGp                 (5)FQ的当量航班总数说明了该队列的航班组成情况，从而进离港队列的航班组成差异可以通过队列当量航班总数之间的比较进行说明，记进、离港队列FAQ、FDQ的当量航班总数分别为V(p,FAQ)和V(p,FDQ)；定义3队列的延误费用与其当量航班总数之比称为该队列的当量航班平均延误损失；航班安排计划s下的进、离港队列当量航班平均延误损失分别为CPA/V(p,FAQ)和CPD/V(p,FDQ),并分别记为even(s,FAQ)和even(s,FDQ)；当even(s,FAQ)与even(s,FDQ)的值越接近，说明s的延误费用分配越合理，反之则说明不公平；定义4设even(s,FAQ)和even(s,FDQ)分别为s对应进、离港当量航班平均延误损失，令：distance(s)＝|even(s,FAQ)‑even(s,FDQ)|，称distance(s)为计划s延误损失的分配均匀度偏差；6)提出启发式局部搜索策略当even(s,FAQ)＞even(s,FDQ)时，说明进港队列承担了过多的延误损失，此时需要调整作为公共资源的混合跑道使用权限，方案有两种：A、从进港专用跑道选取一航班移至混合跑道；B、从混合跑道选取一离港航班移至离港专用跑道；这两种方案都增加了进港航班对混合跑道的使用权限，若航班和目标位置选取合适，方案A可以降低进港队列的延误损失，方案B则在降低进港队列延误损失的同时，增加离港队列的延误损失，两种方法都可以缩小even(s,FAQ)与even(s,FDQ)的差距；当even(s,FAQ)＜even(s,FDQ)时，说明离港队列承担了过多的延误损失，此时亦需要调整作为公共资源的混合跑道使用权限，调整方案：C、从离港专用跑道上随机选取一航班移至混合跑道的某一位置；D、从混合跑道上随机选取一进港航班移至进港专用跑道上的某一位置；相应地，这两种方案都增加了离港航班对混合跑道的使用权限，且在降低离港队列延误损失的同时，增加进港队列的延误损失，也均缩小了even(s,FAQ)与even(s,FDQ)的差距；令个体x代表多跑道进离港地面等待问题(Multi‑Runway Arrival‑Departure Ground‑holding Problem,MRADGHP)的一种航班飞行安排计划，其在温度t下的启发式局部搜索步骤描述如下，每个温度下的局部搜索次数为Lst：Step 1初始化搜索次数k＝1；Step 2执行温度t下的局部搜索；Step 2.1计算个体x的进、离港队列的even(s,FAQ)和even(s,FDQ)；Step 2.2随机产出choice＝rand()％2，若choice＝0，则实施方案A,否则实施方案B，具体Step如下：Step 2.3确定参与局部搜索的专用跑道r，在专用跑道中随机选择r，满足：若choice＝0且even(s,FAQ)＞even(s,FDQ)或者choice＝1且even(s,FAQ)＜even(s,FDQ)时，r为进港专用跑道，否则为离港专用跑道；Step 2.4确定航班基因移出跑道Rout和移入跑道Rin，若choice＝0，则Rout＝r，Rin为任意混合跑道；若choice＝1，则Rout为任意混合跑道，Rin＝r；Step 2.5在Rout中选取基因g，如果Rin为专用跑道，则基因g对应航班需要满足跑道使用属性；在跑道Rin的航班序列中随机产生一个位置，将基因g插入，得到新个体y；Step 2.6计算x和y的适应值H(x)、H(y)，若H(x)＜H(y),则x＝y；若H(x)＝H(y)，转Step 3；Step 2.7计算y劣于x时的接受概率pa＝exp(‑(H(y)‑H(x))/t)；Step 2.8产生随机数pr＝random(0,1)，若pa＞pr，则x＝y，H(x)＝H(y)；Step 3 k＝k+1，若k≤Lst，则转Step2继续执行，否则停止温度t下的局部搜索；7)混合遗传算法的设计将所述步骤6)中启发式局部搜索策略嵌入遗传算法GA，从而形成一种有效的混合GA对MRADGHP进行求解，所得最优个体即为满足要求的航班飞行计划；所述混合GA对MRADGHP进行求解的过程如下：Step 1生成规模为popsize的初始群体pop，其中部分个体按航班使用跑道的计划时间先后次序产生，其余个体随机生成，计算个体的适应度函数值；设置模拟退火算法初始温度ts、终止温度te、温度下降率td以及Lst；设置最大进化代数maxgen、交叉概率Pc、变异概率Pm以及最优个体取代当前代中的最差个体数Subn，令代数g＝1；Step 2适应度比例选择策略是一种典型的个体选择策略，高适应度个体以较高概率进行复制， 由于遗传算法的随机性可能导致一些优秀个体被丢失，所以结合精华保留机制，优秀个体取代群体中的最差个体，直接进入下一代， 使用此结合精华保留的适应度比例选择策略从pop中选取进入交配池的个体，并对交配池中的个体进行交叉、变异操作，生成新个体并组成临时种群temp_pop；Step 3对所有x∈temp_pop执行模拟退火局部搜索；Step 3.1初始化温度t＝ts；Step 3.2使用步骤6)中局部搜索策略对x执行温度t下的模拟退火局部搜索，寻找适应度函数值更高、延误损失在进、离港队列之间分配更合理的个体代替x；Step 3.3退温t＝td*t；Step 3.4如果t＜te，结束个体x的局部搜索；否则转本步骤中所述Step3.2重新开始当前温度t下的局部搜索；Step 4令pop＝temp_pop，得到新一代种群；Step 5执行精华保留策略，以群体中的最优个体取代pop中Subn个最差个体；Step 6 g＝g+1；Step 7如果g＞maxgen，则结束算法，否则转本步骤中所述Step2继续执行。