[发明专利]一种多跑道进离场航班时隙协同分配的多目标优化方法

摘要

本发明涉及一种多跑道进离场航班时隙协同分配的多目标优化方法，本发明属于民航技术领域。本方法主要基于协同决策的思想，首先将时间区间分为若干时隙，确定机场的进离场容量、动态创建时隙，然后建立以延误总成本最小、各航空公司延误损失公平和各跑道使用次数均衡为目标，以有效性和机场进离场容量为约束的多目标优化模型；最后通过遗传算法求解得到最优的航班时隙分配方案。本发明适用于解决各机场进离场航班时隙分配问题。

主权项

1.一种多跑道进离场航班时隙协同分配的多目标优化方法，其特征在于，包括：步骤一：收集机场进离场航班时刻信息，并掌握机场容量信息；步骤二：根据机场容量和航班时刻信息，将时间区间划分为若干连续的时隙T＝{T₁，T₂，…，T_N}，N是机场容量值，T是时间区间，T_i是时间子区间i＝{1，2，…，N}；步骤三：每个区间对应一种天气状况下的机场容量曲线，根据曲线可将机场进离场容量之间的关系描述为：表示进、离场容量曲线，A_t表示进场容量值，D_t表示离场容量值；步骤四：确立多目标优化模型；(1)建立目标函数：进离场延误总成本最小f1=min(ΣTt∈TΣfi∈FΣRr∈RCA(tt)Xirt+ΣTt∈TΣfi∈FΣRr∈RCD(tt)Yirt).]]>式中，X_irt表示在时隙T_t跑道R_r上是否分配到航班f_i，C_A(t_t)表示进场航班f_i分配到时隙T_t的进场延误成本，C_D(t_t)表示离场航班f_i分配到时隙T_t的离场延误成本；A是所有航空公司的集合，|A|＝m；F是所有航班的集合，F_i是航空公司i的所有航班集合，|F|＝n，|F_i|＝n_i，各航空公司之间的延误损失均衡：式中，FN_i表示航空公司i的当量航班量，当量航班量与航空器性能、乘客数量和飞行距离有关，用单位延误损失表示为：其中，C_i表示航班f_i的单位延误成本；CN表示某标准航班的单位延误成本；各跑道的使用次数均衡：f3=minΣRr∈R|p(ΣTt∈TΣfi∈FXir1t+ΣTt∈TΣfi∈FYir1t)-n|.]]>式中，p为跑道数量，n为总的航班数量；(2)确定约束条件：确保每个航班仅仅且必须分配到一个时隙，且进离场航班所分配时隙要晚于计划的进离场时间：T_t∈T，R_r∈R，X_irt表示是否有进场航班分配到时隙T_t，Y_irt表示是否有离场场航班分配到时隙T_t，TA是所有进场航班预计最早进场时间的集合，TD是所有离场航班预计最早离场时间的集合；确保每个时隙至多可以分配给p个航班：T_t∈T，R_r∈R，其中R为跑道集合，p为跑道数量，|R|＝p；确保每个航班只分配到一条跑道：T_t∈T，f_i∈F；确保每条跑道至多分配到一个航班：R_r∈R，T_t∈T；容量约束：其中，X_t表示时间区间T_t内的总进场航班数量，Y_t表示时间区间T_t内的总离场航班数量；步骤五：根据所建立的多目标函数和约束条件，采用遗传算法求得机场进离场航班时隙分配最优方案；(1)采用期望值法初始化种群，并利用分配时隙在计划进离场时间之后的原则过滤初始化种群；(2)确定适应度函数；Fi(Sj)=NS2-2NSRi(Sj)+Ri2(Sj)kNS2,Ri(Xj)<1Ri(Xj)=1]]>F(Sj)=Σi=1NFFi(Sj),j=1,2,···,n]]>式中，N_F表示目标函数个数；N_S为种群的个体总数；S_j为种群的第j个个体；R_i(S_j)为种群的个体总数；F_i(S_j)为S_j对目标i所得的适应度；F(S_j)为S_j对全部目标的适应度；k是(1，2)之间的常数，用于加大个体的函数值表现最优时的适应度；(3)按照将基因分成大小片段的原则，随机选择交叉点，把两个父个体分成两部分。将其中一个父个体的大片段直接转交给一个子个体，然后再把该父个体的小片段基因按另一个父个体的顺序重新排列。同样由另一个父个体得出另一个子个体。同时判断新序列是否满足有效性约束，若满足则组成子个体的一部分基因，否则重复此步骤；(4)采用变换基因值的变异方式，在染色体基因串中随机选择2个交换变异点。如果两位置处均是对应两航班的可用时隙，则交换他们。否则重新选择交换位置；(5)采用自适应调整遗传参数：Pc=Pc1-(Pc1-Pc2)(fc-favg)fmax-favgfc\favgPc1fc<favg]]>Pm=Pm1-(Pm1-Pc2)(fc-favg)fmax-favgf\favgPm1f<favg]]>其中，f_c为进行交叉的两个个体中较大适应度值，f为进行变异的个体适应度值；f_max为群体中最大适应度值；f_avg表示群体适应度的平均值，一般选取P_c1＝0.9，P_c2＝0.6，P_m1＝0.1，P_m2＝0.001；(6)采用最优保留策略的排序选择方式，根据每个个体的适应度值降序排列种群个体，然后根据预先设定的淘汰率淘汰适应度较小的个体，复制相同比例的适应度较大的个体；(7)采用PARETO最优解作为选择解的判定条件，通过设置PARETO最优解外部存储器Q存放当代种群中的非劣最优解。第一代进化产生的表现最好的非劣解作为现有解集保存，以后对于每一代进化所产生的一系列非劣解与Q中的非劣解进行比较替换，将更好地非劣解加入集合Q中，同时删除比较差的非劣解；(8)若优化过程中已经超过所规定的最高迭代次数时，或者搜索得到新一代的子个体为空集时，则无法找到新一代子个体，算法终止，输出PARETO最优解。