1、基于人工鱼群算法的单机场地面等待优化策略,摘要研究成果论文要点结论,1,2,3,4,摘要,目前大型机场拥塞问题日益严重。推迟飞机起飞时间, 将成本较高的空中等待转化成地面等待, 是进行空中交通流量管理的一个有效方法。本文研究基于人工鱼群算法的单机场地面等待优化策略并进行仿真, 有效地减少了总的地面等待延误损失, 说明该方法是可行的; 通过与其他几种智能算法的比较, 验证了该算法执行效率高、实用性强。,研究成果,随着中国经济的迅猛发展, 飞行流量的急剧增加，由于流量控制而造成的航班延误损失也在逐年增加。目前, 空中交通流量管理问题的解决方法有长期、中期和短期3种策略。地面等待策略(Ground
2、ho lding po licy,GHP ) 是短期策略中处理空中交通流量问题的一种重要方法。 国际上，A ndreat ta 和Romain in2J acu r 是最早深入研究地面等待算法的, 他们研究了一个单时间段内,N 架飞机到达一个拥挤的目的机场情况, 并给出了用动态规划方法获得一个地面等待策略。Terrab对单机场地面等待问题进行了研究并建立了相应的模型, 但对时间周期定义的局限性, 导致在同一时间周期内着陆的航班并没有明确的先后次序。,国内对空中交通流量管理的研究起步较晚, 对单机场地面等待问题也取得了一些研究成果: 胡明华、徐肖豪对地面保持策略进行了探讨; 罗喜伶等建立了基于离
3、散事件系统的地面等待模型; 李雄、徐肖豪建立了地面等待指派模型, 并采用匈牙利算法进行了求解; 樊军等对地面等待模型进行了合理的分解, 将地面等待问题转变成类似于旅行商问题(TSP) 形式, 通过hopf ield 神经网络来求解。,单机场地面等待模型,在建立单机场地面等待模型时, 先作如下假设:(1) 在时间区间 0, T 内, 在目的机场Z , 着陆航班出现拥挤, 并且机场Z 是空中交通网络惟一的容量受限单元。(2) 有N 个航班( ) 预计在时间区间 0, T 内, 从各自的起飞机场到达目的机场Z。每个航班的起飞时刻和飞行时间都是确定和已知的,并且全部在 0, T 内完成着陆。(3) 在
4、时间区间 0, T 内, 机场容量c (T ) 已知。根据c (T ) 变化, 把时间区间 0, T 划分为n 个着陆时间段, 每个着陆时间段内有且只有一架航班着陆。航班 的地面等待成本系数 , i1, 2, ,N 已知。,(4) 不考虑航班提前降落, 等待时间不超过设定的最大等待时间 对于单机场地面等待问题而言, 在满足目的机场Z 容量限制的条件下, 求出每个航班的最优地面等待时间, 使得总的等待损失最小。因此, 可以得到目标函 （1） （2）式中: 为航班 预计着陆时间; 为航班 实际着陆时间; 为航班 地面等待时间。,在此基础上定义变量 , 若航班 在时间段j降落, 则 = 1, 否则
5、= 0。这样, 单机场地面等待问题就转化成了指派问题, 其数学模型为 (3)约束条件为 （4） （5） （6）,式(3) 中: 表示航班 最初分配在第 个着陆时段着陆; 表示航班 在第j 个着陆时间段着陆造成的延误损失。式(4) 表示, 航班不能提前着陆, 最大等待时间不超过设定的 个着陆时间段。式(5)表示航班 只能在一个着陆时间段着落, 不能重复着陆或者不着陆。式(6) 表示在每一个着陆时间段内, 有且只有一个航班着陆。式(7) 是对变量 的取值限制。式(8) 表示着陆的航班数要满足该时间段内的容量要求。,（7）,（8）,基于人工鱼群算法的基本原理,本算法采用自下而上的设计方法, 即首先构
6、造人工鱼的个体模型, 个体在寻优的过程中自适应地选择合适的行为, 最后全局最优结果通过群体或者某个个体表现出来。 人工鱼群算法最初是应用于连续函数优化问题上的, 这里所讨论的单机场地面等待指派问题模型是离散函数的优化问题,因此需要对原始的定义进行相应的改进以满足应用需求。,符号定义:(1) : 第i 条人工鱼的状态, 在本文中表示给一组航班指派的着陆时间段序列。例如 = (1, 2,5, 4, 3) 代表在第i 条人工鱼中, 给航班(F 1, F 2, ,F 5) 分别指派在第1, 2, 5, 4, 3 着陆时间段着陆。(2) y = f (x ) : 目标函数值, 在本文中表示总的地面等待损
7、失。,(3) distance ( , ): 表示人工鱼状态 和 之间的距离, 令= ( , , ) , = ( , , ) , 其计算见式(9, 10)distance ( , ) = (9) 1, x0 sign(x) = 0, x=0 (10) -1, x0本文中所出现的距离概念, 实际上就是同一组航班在不同的指派方案中, 所对应的着陆时间段的差异程度, 即有多少个着陆时间段是不一样的。,(4) visual: 表示人工鱼的感知距离。(5)N ( , visual) : 表示当前状态 的visual-邻域, 也称视野范围 N ( , visual) = |distance ( , ) v
8、isua l (11)(6) : 表示拥挤度因子。,算法主要有4 种典型的行为: 觅食、聚群、追尾和随机行为。(1) 觅食行为: 这是鱼的基本行为, 当发现附近有食物时, 会向该方向游动。(2) 聚群行为: 它们往往能形成非常庞大的群。(3) 追尾行为: 当某条鱼发现该处食物丰富时,其他鱼会快速尾随而至。(4) 随机行为: 当闲暇无事时, 轻松地自由游动。,结果分析,结合实际情况, 本文选取了有代表性的20 架航班进行仿真。其中国内航班14 架, 国际航班4 架,要客飞行1 架, 专机飞行1 架; 重型机12 架, 中型机6 架, 轻型机2 架。仿真算例的相关数据见表1。,表1仿真算例相关数据
9、,算法的效率性分析： 本文中用蚁群算法、模拟退火算法和人工鱼群算法对模型进行仿真, 验证了人工鱼群算法的高效性。将几种智能算法各仿真计算10 次, 执行效果和效率的比较结果如表2所示。 表2 各种智能算法的仿真比较,从表2 可以看出, 航班规模为10 架时, 人工鱼群算法在效果和效率上都好于其他两种算法; 航班规模在20 架时, 人工鱼群算法能够取得较好的结果, 并且效率优于其他两种算法。同时当航班规模增加为20 架时, 使得算法的执行时间有较大幅度的增加, 但仍然在可接受范围内; 但当航班规模增加为25 架时, 3 种算法的计算时间都超过了3m in。为了解决这一问题可以采用分段计算方法或者定步长的方法, 有效地降低计算复杂性。,结论： 通过对基于人工鱼群算法的单机场地面等待策略进行仿真, 结果证明该模型能够有效地减少航班的地面等待延误总成本; 通过3 种智能算法的仿真比较, 说明了人工鱼群算法执行效率高、效果好。对于空中交通流量管理中的大规模组合优化问题, 人工鱼群算法有着广阔的应用前景。,谢谢大家！,
