邢志偉，韓大浩，羅 謙

(1.中國民航大學(xué) 電子信息與自動化學(xué)院，天津 300300；2.中國民航局第二研究所工程技術(shù)研究中心,四川 成都 610041)

0 引 言

機(jī)場運(yùn)行是以機(jī)場保障服務(wù)為核心展開的，因此要對機(jī)場保障服務(wù)流程進(jìn)行建模、評估、優(yōu)化。在航班保障服務(wù)仿真模擬方面，王琪[1]從不同角度考慮建立不同的數(shù)學(xué)模型，以達(dá)到減少餐食配送成本的目的。殷龍等[2]建立基于KNN算法的帶有時(shí)間窗的車輛調(diào)度數(shù)學(xué)模型，提高機(jī)場的資源利用率。Kellenbrink等[3]采用遺傳算法建立數(shù)學(xué)模型實(shí)現(xiàn)資源的合理調(diào)度，用于安排具有資源約束的靈活項(xiàng)目。Ansola P G等[4]提出了一個(gè)理論與實(shí)驗(yàn)相結(jié)合的多智能體系統(tǒng)，以強(qiáng)制實(shí)現(xiàn)物理元素與信息通信技術(shù)之間的劃分。ANDREATTA G等[5]提出將快速啟發(fā)式算法集成到現(xiàn)代機(jī)場實(shí)時(shí)調(diào)度決策支持系統(tǒng)中，來提高處理操作的效率。樊瑋等[6]建立多目標(biāo)車輛數(shù)學(xué)模型并設(shè)計(jì)啟發(fā)式算法，實(shí)現(xiàn)了特種車輛的合理調(diào)配。Miller T等[7]建立仿真模擬系統(tǒng)，結(jié)合具體案例將改進(jìn)后的需求工程流程模型應(yīng)用于維護(hù)大型空中交通模擬器；在航班保障服務(wù)優(yōu)化方面，Makhloof M A A等[8]利用項(xiàng)目評估和評審技術(shù)以及關(guān)鍵路徑方法有效提升了過站航班保障服務(wù)的效率。朱新平等[9]構(gòu)建了基于Petri網(wǎng)的關(guān)聯(lián)模型，將保障服務(wù)過程按層級進(jìn)行分解，結(jié)合實(shí)例驗(yàn)證模型的有效性。Du J Y等[10]引入了基于VRP的MIP模型，提出一種算法求解該模型，目標(biāo)函數(shù)將操作成本降到最低；在航班保障服務(wù)時(shí)間估計(jì)方面，丁建立等[11]分析了航班過站時(shí)間的影響因素，建立網(wǎng)絡(luò)拓?fù)淠Ｐ?，用增量學(xué)習(xí)的方法對所建立的模型進(jìn)行修正。邢志偉等[12]通過建立貝葉斯網(wǎng)絡(luò)模型，采用機(jī)器學(xué)習(xí)的方法，實(shí)現(xiàn)對航班保障服務(wù)時(shí)間的動態(tài)估計(jì)。

本文提出一種基于改進(jìn)遺傳算法(AMGA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的航班保障服務(wù)時(shí)間估計(jì)方法，即AMGA-BP算法，該算法的主要?jiǎng)?chuàng)新點(diǎn)在于：在傳統(tǒng)遺傳算法的基礎(chǔ)上，分別對染色體結(jié)構(gòu)、適應(yīng)度函數(shù)、選擇算子、交叉算子、變異算子以及交叉變異概率進(jìn)行設(shè)計(jì)，以實(shí)現(xiàn)對航班保障服務(wù)時(shí)間的準(zhǔn)確估計(jì)，進(jìn)而提高保障服務(wù)效率。

1 相關(guān)理論和航班保障服務(wù)過程分析

1.1 主成分分析理論

主成分分析(PCA)方法是利用降維(線性變換)的思想，在很少丟失信息的情況下把多個(gè)指標(biāo)轉(zhuǎn)化為幾個(gè)不相關(guān)的指標(biāo),每個(gè)主成分都是原始指標(biāo)的線性組合,各主成分之間互不相關(guān)。影響航班保障服務(wù)時(shí)間的主成分分析步驟如下：

(1)根據(jù)對航班保障服務(wù)時(shí)間影響因素大小的不同，因此在PCA之前要根據(jù)式(1)對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理

(1)

(2)根據(jù)標(biāo)準(zhǔn)化后的數(shù)據(jù)矩陣，計(jì)算相關(guān)系數(shù)矩陣及其特征值λj。

(3)根據(jù)式(2)計(jì)算貢獻(xiàn)率η，從大到小對貢獻(xiàn)率進(jìn)行排序，選擇累計(jì)貢獻(xiàn)率大于85%的特征值λj所對應(yīng)的多個(gè)主成分來作為最終網(wǎng)絡(luò)結(jié)構(gòu)輸入

(2)

1.2 保障服務(wù)流程

過站的地面航班保障服務(wù)流程是指從飛機(jī)著陸后上輪擋開始到撤輪擋完成結(jié)束之間的一系列作業(yè)活動的集合。本文選取的研究對象是空客A320和波音B737系列等型號的航空器。地面航班保障服務(wù)流程是一個(gè)復(fù)雜的拓?fù)渚W(wǎng)絡(luò)，我們能夠?qū)⑵涑橄蟊硎境鰜?，如圖1所示，通過對大型樞紐機(jī)場地面保障過程的了解和分析，航班保障作業(yè)大致可以由4個(gè)并行工作流程組成，分別是機(jī)務(wù)巡檢服務(wù)、客艙服務(wù)、貨艙服務(wù)、航油加注服務(wù)，每一個(gè)并行的工作流程又由許許多多的串行子工作流程組成。航班作業(yè)具體包括以下部分：廊橋?qū)?，開客艙門，開貨艙門，航油加注，垃圾處理，客艙清潔，旅客登機(jī)等21個(gè)標(biāo)準(zhǔn)動作節(jié)點(diǎn)，在這個(gè)網(wǎng)狀拓?fù)鋱D中，按圖1箭頭所指方向依次進(jìn)行，每個(gè)節(jié)點(diǎn)相互之間既有時(shí)間順序，不可進(jìn)行顛倒，又有邏輯次序，能夠確保航班保障服務(wù)過程的合理性。這21個(gè)節(jié)點(diǎn)之間的復(fù)雜關(guān)系組成了地面保障服務(wù)的過程。在這個(gè)流程中，如果各種保障服務(wù)車輛沒有及時(shí)到位，那么將會對后續(xù)的一系列作業(yè)產(chǎn)生極大的影響，即所謂的波及效應(yīng)，會造成航班延誤。

圖1 航班保障服務(wù)流程

1.3 地面保障服務(wù)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

2 AMGA-BP算法對航班保障服務(wù)時(shí)間的估計(jì)

AMGA-BP算法是基于BP神經(jīng)網(wǎng)絡(luò)理論，將傳統(tǒng)GA中的染色體表示為兩層結(jié)構(gòu)并改進(jìn)相應(yīng)算子，將傳統(tǒng)變異概率設(shè)計(jì)為自適應(yīng)交叉變異概率，來優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)連接權(quán)重、閾值，下面對AMGA-BP算法的主要思想做簡要介紹。

2.1 AMGA-BP算法的兩層結(jié)構(gòu)染色體設(shè)計(jì)

對傳統(tǒng)的染色體進(jìn)行改進(jìn)，染色體的結(jié)構(gòu)是由許多基因按照層次排列起來的，將染色體基因設(shè)計(jì)分為上下兩層，包括對照基因和參數(shù)基因，對照基因處于上層，控制隱含層節(jié)點(diǎn)數(shù)，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)；參數(shù)基因在下層，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)重和閾值，并且下層的參數(shù)基因串由上層對照基因來控制。對基因進(jìn)行編碼，對照基因的編碼為二進(jìn)制，“1”代表對應(yīng)基因處于活化狀態(tài)，與這個(gè)基因相聯(lián)系的低層基因串有效；“0”代表對應(yīng)基因處于失活狀態(tài)，與這個(gè)基因相聯(lián)系的低層基因串無效；參數(shù)基因編碼為實(shí)數(shù)。設(shè)計(jì)的兩層結(jié)構(gòu)染色體及其編碼圖如圖2所示。本文所設(shè)計(jì)的染色體可以分為兩個(gè)層次，對照基因的編碼長度應(yīng)該等于隱含層節(jié)點(diǎn)數(shù)量m，其位置應(yīng)該處于染色體的上層；參數(shù)基因的位置應(yīng)該處于染色體的下層，其編碼長度應(yīng)該等于染色體中連接權(quán)重和閾值的總數(shù) (n+1)*m+(m+1)*p，其中m為隱含層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)個(gè)數(shù)，p為輸出層節(jié)點(diǎn)個(gè)數(shù)。

圖2 兩層階梯結(jié)構(gòu)染色體及其編碼

2.2 AMGA-BP算法的適應(yīng)度函數(shù)設(shè)計(jì)

AMGA-BP算法既要實(shí)現(xiàn)對BP網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，又要實(shí)現(xiàn)對BP網(wǎng)絡(luò)連接權(quán)重和閾值的優(yōu)化，從而既能夠使航班保障服務(wù)時(shí)間的估計(jì)誤差最小，又能使所建立模型的復(fù)雜程度達(dá)到最優(yōu)，這是一個(gè)雙目標(biāo)的優(yōu)化問題。設(shè)計(jì)的適應(yīng)度函數(shù)既應(yīng)該能夠反映BP網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，又應(yīng)該能夠反映BP網(wǎng)絡(luò)結(jié)構(gòu)的估計(jì)精度。估計(jì)精度是由航班保障服務(wù)各個(gè)節(jié)點(diǎn)時(shí)間實(shí)際訓(xùn)練集數(shù)據(jù)的總體估計(jì)誤差決定，而網(wǎng)絡(luò)復(fù)雜程度是由所設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的隱含層節(jié)點(diǎn)數(shù)所決定。適應(yīng)度函數(shù)設(shè)計(jì)如下

(3)

2.3 AMGA-BP算法的選擇算子

傳統(tǒng)的輪盤和基于適應(yīng)度比例的一些方法通常會出現(xiàn)“過早成熟”或者“封閉的競爭”。使得沒有可行的辦法進(jìn)行檢索，最終容易導(dǎo)致陷于局部的極值點(diǎn)而非最值點(diǎn)。針對這個(gè)局限，選擇 “最佳個(gè)體保存策略”和“規(guī)模為2的隨機(jī)聯(lián)賽選擇策略”的操作方法。

(1)最佳個(gè)體保存策略：選擇父代群體中最適應(yīng)的個(gè)體，把選定的個(gè)體直接選入下一代群體，這樣不僅使上一代種群中的最佳個(gè)體得以保存下來，還確保了遺傳算法的全局收斂。

(2)規(guī)模為2的聯(lián)賽選擇策略：對于除了上一代種群中最優(yōu)解決方案之外的所有個(gè)體，隨機(jī)挑選兩個(gè)個(gè)體來對比它們的適應(yīng)度，將具有更好適應(yīng)度的個(gè)體選擇進(jìn)入到下一代群體中，并淘汰具有較差適應(yīng)值的個(gè)體，直到產(chǎn)生完整的后代群組。這保證了具有相對較高質(zhì)量的個(gè)體能夠進(jìn)入下一代群體中。

2.4 AMGA-BP算法的交叉算子和變異算子

在AMGA-BP算法中，染色體上層的對照基因?qū)邮褂脝吸c(diǎn)交叉算子和簡單變異算子；染色體下層的參數(shù)基因?qū)邮褂谜w算數(shù)交叉算子和非均勻變異算子。整體算數(shù)交叉算子使用幾何向量的疊加原理來計(jì)算相交上一代矢量的每一個(gè)分量，從而擴(kuò)大了算法的搜索范圍；非均勻變異算子使突變與群體的進(jìn)化代數(shù)相關(guān)聯(lián)，并且在進(jìn)化過程的早期階段精英個(gè)體數(shù)量比較少，使用的范圍比較大，并且在演化過程中的后期階段，為了防止優(yōu)秀個(gè)體被破壞，允許變化的范圍比較窄，這樣能夠獲取局部最佳值。

2.5 AMGA-BP算法的自適應(yīng)交叉和變異概率

因?yàn)榻徊?、變異概率的選擇會導(dǎo)致遺傳算法效率的降低，如果挑選的概率太大，它將輕松破壞種群中的優(yōu)秀個(gè)體；如果挑選的概率太小，個(gè)體更新的速度會變慢很多，很容易陷入“過早成熟”，設(shè)計(jì)自適應(yīng)交叉概率的計(jì)算公式如下

(4)

式中：fc對應(yīng)具有較小適應(yīng)度值的交叉?zhèn)€體，fmin對應(yīng)當(dāng)前種群中的最小的適應(yīng)度值，fa對應(yīng)當(dāng)前種群適應(yīng)度的平均值，0

(5)

式中：fm對應(yīng)待變異個(gè)體的適應(yīng)度值，fmin對應(yīng)當(dāng)前群體中的最小的適應(yīng)度值，fa對應(yīng)當(dāng)前群體的平均適應(yīng)度值，0

2.6 AMGA-BP神經(jīng)網(wǎng)絡(luò)算法實(shí)施步驟

步驟1 載入數(shù)據(jù)，然后把樣本數(shù)據(jù)分成兩部分，一部分是作為訓(xùn)練數(shù)據(jù)集合，另一部分用于對模型進(jìn)行測試，將地面航班保障服務(wù)每個(gè)節(jié)點(diǎn)時(shí)間的樣本數(shù)據(jù)歸一化，采用PCA方法降維；

步驟2 設(shè)置群體的操作參數(shù)，總體數(shù)為N，最大進(jìn)化代數(shù)G，開始假設(shè)的隱含層節(jié)點(diǎn)數(shù)(通常采用較大的值)等；

步驟3 隨機(jī)產(chǎn)生N個(gè)個(gè)體組成初始種群，將種群分成兩個(gè)子代群體并且將染色體編碼為兩層結(jié)構(gòu)；

步驟4 解碼個(gè)體以統(tǒng)計(jì)上層子代群體中單個(gè)基因串中1的數(shù)量，就是相應(yīng)BP網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)量；將上層對照基因相聯(lián)系的下層參數(shù)基因的實(shí)參數(shù)串分解成值1，得到隱含層節(jié)點(diǎn)最開始的連接權(quán)重和閾值；同時(shí)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)計(jì)算適應(yīng)值；

步驟5 將得到的網(wǎng)絡(luò)連接權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)，使用訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，然后在使用測試樣本測試網(wǎng)絡(luò)，求出測試誤差；

步驟6 根據(jù)每一個(gè)個(gè)體的不同適應(yīng)值，按照所設(shè)計(jì)2.3中的選擇算子，選擇進(jìn)入下一代的精英個(gè)體；

步驟7 根據(jù)本文設(shè)計(jì)2.4中的交叉和變異算子，選定的個(gè)體利用自適應(yīng)概率執(zhí)行變異操作，以生成后代群體；

步驟8 解碼后代群體中上、下層個(gè)體，獲得BP網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)初始權(quán)重和閾值，多次訓(xùn)練網(wǎng)絡(luò)，并計(jì)算它們的適應(yīng)度值；

步驟9 確定最佳個(gè)體適應(yīng)度值能否滿足設(shè)定值，或者能否增加到最大進(jìn)化數(shù)，如果能，則進(jìn)入步驟10，如果不能，則回到步驟4；

步驟10 解碼具有最佳適應(yīng)度值的個(gè)體，獲得隱含層節(jié)點(diǎn)的最佳數(shù)量及其最佳網(wǎng)絡(luò)初始連接權(quán)重和閾值，并分配給BP網(wǎng)絡(luò)。AMGA-BP算法流程如圖3所示。

圖3 AMGA-BP神經(jīng)網(wǎng)絡(luò)模型流程

3 航班保障服務(wù)流程實(shí)例建模分析

通過對國內(nèi)某樞紐機(jī)場航班保障服務(wù)過程的研究，本文建立AMGA-BP神經(jīng)網(wǎng)絡(luò)模型。主要考慮了空客A320機(jī)型和波音B737機(jī)型的航班保障服務(wù)過程，提取國內(nèi)某樞紐機(jī)場2017年1月份到8月份實(shí)際保障服務(wù)時(shí)間數(shù)據(jù)，經(jīng)初步處理隨機(jī)篩選出3600組數(shù)據(jù)作為訓(xùn)練樣本，1200組數(shù)據(jù)作為測試樣本，實(shí)驗(yàn)過程是用MATLAB2014a軟件來完成的。

3.1 數(shù)據(jù)處理

本文采用主成分分析方法對相關(guān)輸入進(jìn)行降維，最終確定網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)量為10個(gè)。本文所設(shè)計(jì)的估計(jì)模型可以用函數(shù)的形式表示為y=F(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10)。 在訓(xùn)練模型之前，為了提高模型估計(jì)的準(zhǔn)確性，要對規(guī)范化輸出變量y和輸入變量x1、x2、x3、x4、x5、x6、x7、x8、x9、x10的數(shù)據(jù)做歸一化處理，歸一化公式如下

(6)

式中：u對應(yīng)處理后輸入變量值，xi對應(yīng)處理前輸入變量值，xmax對應(yīng)數(shù)據(jù)最大輸入變量值；xmin對應(yīng)最小輸入變量值；umax對應(yīng)處理后的上限值，umin對應(yīng)處理后的下限值，假設(shè)我們處理后數(shù)據(jù)范圍控制到[0，1]，則umax=1，umin=0。

3.2 模型評價(jià)標(biāo)準(zhǔn)

(7)

(8)

(9)

3.3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)過程分兩步進(jìn)行：第一步，AMGA算法用于優(yōu)化BP網(wǎng)絡(luò)，來確定隱含層節(jié)點(diǎn)的最佳數(shù)量m和最佳初始化連接權(quán)重wij、vj1、閾值θj、γ；第二步，將第一步中確定的最佳值賦給BP網(wǎng)絡(luò)來訓(xùn)練BP、GA-BP、AMGA-BP估計(jì)模型，使用3個(gè)模型對測試集進(jìn)行估算，通過比較估算結(jié)果來評估模型的估算性能。最后用AMGA-BP算法對BP網(wǎng)絡(luò)優(yōu)化后的結(jié)構(gòu)參數(shù)確定如下：種群規(guī)模N=100；最大進(jìn)化代數(shù)G=200；估計(jì)精度調(diào)整系數(shù)的適應(yīng)度函數(shù)α=0.9，網(wǎng)絡(luò)復(fù)雜調(diào)整系數(shù)β=0.1；自適應(yīng)交叉、變異概率Pc、Pm中系數(shù)k1=1,k2=1、k3=0.5、k4=0.5，最終確定輸入層節(jié)點(diǎn)個(gè)數(shù)n=10，輸出層節(jié)點(diǎn)個(gè)數(shù)為1，隱含層節(jié)點(diǎn)數(shù)取m=14；連接權(quán)值wij、vj1和閾值θj、γ的取值范圍為[-3，3]。如圖4所示，經(jīng)過103代演化，平均適應(yīng)度達(dá)到最小，并且隨著進(jìn)化代數(shù)的增加平均適應(yīng)度基本不再變化。如圖5所示，當(dāng)進(jìn)化代數(shù)為103代時(shí)，對應(yīng)的隱含層節(jié)點(diǎn)個(gè)數(shù)為7，因此網(wǎng)絡(luò)的最佳隱含層節(jié)點(diǎn)數(shù)量是m=7，相應(yīng)的網(wǎng)絡(luò)最佳初始連接權(quán)重和閾值見表1，其中I1～I(xiàn)10表示10個(gè)輸入節(jié)點(diǎn)，H1～H7表示7個(gè)隱含層節(jié)點(diǎn)，O1表示輸出節(jié)點(diǎn)，θj為每一個(gè)隱含層的閾值，γ為輸出層的閾值。

圖4 平均適應(yīng)度變化

圖5 隱含層節(jié)點(diǎn)數(shù)變化

表1 最優(yōu)初始權(quán)值、閾值

建立網(wǎng)絡(luò)結(jié)構(gòu)為10-7-1的AMGA-BP航班保障服務(wù)神經(jīng)網(wǎng)絡(luò)模型，并分配表1中的最佳初始權(quán)重和閾值，選取Sigmoid函數(shù)作為激勵(lì)函數(shù)，學(xué)習(xí)率取0.01，步長取0.9，最大訓(xùn)練次數(shù)取2000，訓(xùn)練期望值取0.01。同時(shí)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)估計(jì)模型和傳統(tǒng)的遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的估計(jì)模型,分別用3種模型來估算地面保障服務(wù)時(shí)間，隨機(jī)抽取測試集中的45組樣本，估計(jì)效果的評價(jià)指標(biāo)值見表2，不同算法估計(jì)的保障服務(wù)時(shí)間誤差對比如圖6所示。

圖6 3種模型估計(jì)誤差對比

表2 估計(jì)效果評價(jià)指標(biāo)值

表2中能夠看出，AMGA-BP網(wǎng)絡(luò)模型的平均絕對誤差MAE值小于BP、GA-BP兩種神經(jīng)網(wǎng)絡(luò)模型，希爾頓系數(shù)TIC值小于BP、GA-BP模型，說明AMGA-BP模型具有更高的估計(jì)精度。從圖6中可以看出：AMGA-BP模型的估計(jì)誤差曲線基本上低于BP和GA-BP模型的誤差曲線；GA-BP與BP模型的誤差估計(jì)曲線變化趨勢基本相同。將3個(gè)模型的保障服務(wù)時(shí)間估計(jì)值與實(shí)際值作對比，如圖7所示。

綜上所述，與BP網(wǎng)絡(luò)算法和GA-BP算法相比，AMGA-BP算法能夠更好的對地面保障服務(wù)時(shí)間進(jìn)行估計(jì)，能夠更好的對非線性問題進(jìn)行處理。值得注意的是，AMGA-BP模型并不是對每個(gè)航班保障服務(wù)時(shí)間的估計(jì)都非常準(zhǔn)確，但是AMGA-BP模型的總體估計(jì)更加穩(wěn)健。從圖6中可以看出對于某些航班，AMGA-BP模型的保障服務(wù)時(shí)間估計(jì)的準(zhǔn)確性遠(yuǎn)遠(yuǎn)高于GA-BP和BP模型，但誤差仍然不是特別小，這表明AMGA-BP模型需要進(jìn)一步提高航班保障服務(wù)時(shí)間在不同條件下的適應(yīng)性。圖7分別將AMGA-BP、GA-BP、BP算法的估計(jì)值與實(shí)際航班保障服務(wù)時(shí)間作對比，可以清晰的看出，BP算法的估計(jì)值與實(shí)際值相差最大，說明針對航班保障服務(wù)這一復(fù)雜的非線性問題，僅僅使用傳統(tǒng)的BP算法無法達(dá)到期望的要求，必須要在BP神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上進(jìn)行改進(jìn)。經(jīng)過改進(jìn)后的AMGA-BP算法估計(jì)的地面保障服務(wù)時(shí)間最接近實(shí)際地面保障服務(wù)時(shí)間。

4 結(jié)束語

為了提高機(jī)場航班保障服務(wù)效率，提出了一種基于自適應(yīng)多層遺傳算法(AMGA)的BP神經(jīng)網(wǎng)絡(luò)模型。該算法是對傳統(tǒng)遺傳算法進(jìn)行改進(jìn)，將染色體設(shè)計(jì)為兩層結(jié)構(gòu)、分別采用不同的編碼方法和遺傳操作模式，并且引入自適應(yīng)的交叉和變異概率，既實(shí)現(xiàn)了對BP網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化，又實(shí)現(xiàn)對網(wǎng)絡(luò)初始權(quán)重和閾值的優(yōu)化，有效提高了BP網(wǎng)絡(luò)對非線性問題的處理能力。與傳統(tǒng)的BP、GA-BP方法相比，AMGA-BP算法的估計(jì)時(shí)間與實(shí)際時(shí)間相比小于3.9分鐘。AMGA-BP算法具有更好的估計(jì)精度和魯棒性，能夠作為估算大型機(jī)場地面保障服務(wù)時(shí)間的有效方法。本文僅僅是以單個(gè)航班作為研究對象，因此在后續(xù)研究中，將重點(diǎn)研究多航班保障協(xié)同以及在不同航班密度、不同機(jī)型、不同保障資源量、不同天氣情況下對時(shí)間的估計(jì)，進(jìn)一步提高地面保障服務(wù)模型的有效性和普遍適應(yīng)性。

圖7 航班保障服務(wù)時(shí)間估計(jì)值與實(shí)際值對比