亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        考慮機(jī)場、航空公司與空管需求的機(jī)場群離場航班時(shí)刻優(yōu)化

        2024-05-10 05:26:44張兆寧劉澤鏵
        科學(xué)技術(shù)與工程 2024年9期
        關(guān)鍵詞:航班時(shí)刻適應(yīng)度航班

        張兆寧, 劉澤鏵

        (中國民航大學(xué)空中交通管理學(xué)院, 天津 300300)

        隨著需求的提高,中國航班量不斷增加。2019年,中國運(yùn)輸航線完成運(yùn)行架次986.8 萬架次,相較于2015年的729.4 萬架次提升約35.3%。隨著航空運(yùn)輸?shù)闹鸩交謴?fù),流量將會不斷增加。

        機(jī)場群是指在一定區(qū)域范圍內(nèi),以一個或多個大型機(jī)場為核心,各機(jī)場與區(qū)域間其他城市通過基于航空需求的地面運(yùn)輸聯(lián)系而形成的空間集群。機(jī)場群不僅是區(qū)域內(nèi)多個機(jī)場的簡單集合,更是差異化與協(xié)同發(fā)展為主要特征的多機(jī)場體系。目前,國內(nèi)已初步形成京津冀、長三角、珠三角、成渝四大機(jī)場群。

        隨著航班量的增加以及機(jī)場群間各機(jī)場航班起落的相互影響,機(jī)場群內(nèi)樞紐機(jī)場高峰時(shí)段時(shí)隙資源十分緊張,如遇到天氣等突發(fā)狀況,會導(dǎo)致樞紐機(jī)場航班出現(xiàn)大量延誤。航班的延誤現(xiàn)象主要是由于航班時(shí)刻設(shè)置不合理,因此,需要對機(jī)場群航班時(shí)刻進(jìn)行優(yōu)化,以防止大量延誤現(xiàn)象的發(fā)生。

        在對于航班時(shí)刻優(yōu)化方面的研究,國內(nèi)外學(xué)者有了不少研究成果。

        國外學(xué)者Benlic[1]設(shè)計(jì)了啟發(fā)式算法以分配機(jī)場航班時(shí)刻,并通過反復(fù)迭代得到了優(yōu)化后的航班時(shí)刻分配;Pellegrini 等[2]提出機(jī)場航班時(shí)刻分配同步優(yōu)化的模型,可以對歐洲內(nèi)機(jī)場的航班時(shí)刻進(jìn)行分配。

        國內(nèi)學(xué)者盧婷婷等[3]以對目的地機(jī)場產(chǎn)生的影響與航班運(yùn)行延誤作為目標(biāo)建立優(yōu)化模型,以武漢天河機(jī)場作為案例進(jìn)行優(yōu)化;左杰俊等[4]針對航班實(shí)時(shí)調(diào)度問題,以航班調(diào)整量與航班運(yùn)行延誤為目標(biāo)建立優(yōu)化模型,并以成都雙流國際機(jī)場為例進(jìn)行分析;楊琳等[5]以航班總延誤時(shí)間最短為目標(biāo),以機(jī)場容量、區(qū)域管制扇區(qū)容量、航班時(shí)刻調(diào)整量為約束條件,建立優(yōu)化模型,并以上海浦東國際機(jī)場為例進(jìn)行優(yōu)化;柯雨辰等[6]以跑道、機(jī)位以及走廊口構(gòu)成的系統(tǒng)為對象,以最小化航班時(shí)刻偏移化為目標(biāo)函數(shù)建立模型,利用MATLAB內(nèi)部的線性整數(shù)規(guī)劃工具箱intlinprog進(jìn)行求解,以冬春浦東機(jī)場為例進(jìn)行優(yōu)化;陳彬等[7]為解決航班時(shí)刻優(yōu)化時(shí)不同目標(biāo)之間相互影響的問題,提出了基于零和博弈的航班時(shí)刻優(yōu)化模型,將航班總延誤和總調(diào)整量轉(zhuǎn)化為一個整體,并使用螢火蟲算法進(jìn)行求解;劉田野等[8]提出從飛機(jī)輪擋時(shí)間的相關(guān)事件具有隨機(jī)性的角度對航班時(shí)刻進(jìn)行優(yōu)化,首次使用泰爾指數(shù)作為公平性目標(biāo)函數(shù),使用粒子群算法進(jìn)行求解,以杭州蕭山國際機(jī)場為例進(jìn)行分析。

        隨著研究的深入,近些年來許多學(xué)者開始轉(zhuǎn)向?qū)Χ鄼C(jī)場與機(jī)場群的航班時(shí)刻優(yōu)化進(jìn)行研究。

        國外學(xué)者Clarke等[9]建立了機(jī)場群各機(jī)場之間關(guān)系的方式,進(jìn)一步確認(rèn)了機(jī)場群內(nèi)各機(jī)場之間的影響因素,認(rèn)為航路當(dāng)中的間隔以及機(jī)場的時(shí)間調(diào)度是緩解終端區(qū)延誤狀況的最主要因素;Rahmalia等[10]將時(shí)刻和機(jī)組人員的成本進(jìn)行了匹配,運(yùn)用了蝙蝠算法對航班時(shí)刻進(jìn)行了優(yōu)化;Flores[11]通過研究機(jī)場群內(nèi)樞紐機(jī)場的相關(guān)問題,通過構(gòu)建與機(jī)型有關(guān)的相關(guān)模型發(fā)現(xiàn)樞紐機(jī)場航班擁擠主要是因?yàn)槭褂眠^多航班采用較小機(jī)型;Yoo等[12]通過對紐約機(jī)場群的兩種運(yùn)行狀況進(jìn)行了仿真分析,證實(shí)了紐約機(jī)場群的一體化需求管理所帶來的一定效益;Zografos等[13]以航班時(shí)刻不可接受的調(diào)整量以及總調(diào)整量作為優(yōu)化目標(biāo),建立雙目標(biāo)規(guī)劃模型,使結(jié)果更容易被航空公司所接受;Liu等[14]以地面周轉(zhuǎn)時(shí)間、航班連接性、總延誤時(shí)間作為目標(biāo),將遺傳算法與多目標(biāo)優(yōu)化方法結(jié)合進(jìn)行求解。

        國內(nèi)學(xué)者陳梵驛等[15]以機(jī)場群總體效益最大化為優(yōu)化目標(biāo),并將決策樹C4.5算法應(yīng)用于優(yōu)化問題之中。王倩[16]列舉了世界級機(jī)場群的概念與相關(guān)定義,針對機(jī)場群的大面積延誤問題,以航班總調(diào)整量為目標(biāo)函數(shù)建立了機(jī)場群航班時(shí)刻優(yōu)化及動態(tài)排隊(duì)雙層規(guī)劃模型,并使用改良的粒子群算法對珠三角機(jī)場群進(jìn)行驗(yàn)證;劉佳等[17]以總費(fèi)用最小為目標(biāo),建立了優(yōu)化模型,并設(shè)計(jì)了啟發(fā)式算法對航班時(shí)刻進(jìn)行優(yōu)化;王興隆等[18]建立了機(jī)場群離港航班時(shí)刻穩(wěn)定性評估指標(biāo)對航班時(shí)刻進(jìn)行穩(wěn)定性評估,以總延誤成本為目標(biāo)建立優(yōu)化模型,使用粒子群算法對京津冀機(jī)場群進(jìn)行了評估;李昂等[19]以系統(tǒng)整體準(zhǔn)點(diǎn)率最大化為優(yōu)化目標(biāo),采用迭代尋優(yōu)算法,最終通過對比發(fā)現(xiàn)優(yōu)化后航班時(shí)刻沖突水平與延誤水平均有一定程度降低;朱承元等[20]為降低珠三角地區(qū)的航班延誤,提出以延誤分層模型為優(yōu)化目標(biāo)進(jìn)行空域機(jī)場仿真模型進(jìn)行建模,同時(shí)和有約束限制的并行擾動隨機(jī)近似優(yōu)化算法相結(jié)合,對珠三角機(jī)場群的航班時(shí)刻進(jìn)行仿真研究優(yōu)化;王倩等[21]在滿足延誤水平基礎(chǔ)上,基于航空公司公平性設(shè)計(jì)了航班時(shí)刻表的優(yōu)化模型,并使用布谷鳥搜索算法進(jìn)行航班時(shí)刻表優(yōu)化;王興隆等[22]以延誤總成本與延誤總時(shí)間為目標(biāo),建立終端區(qū)多機(jī)場的協(xié)同放行模型,采用改進(jìn)的多目標(biāo)粒子群算法對所見模型進(jìn)行求解;翟文鵬等[23]提出程序交叉容量約束對航班時(shí)刻進(jìn)行優(yōu)化,以航班時(shí)刻總調(diào)整量以及各航空公司調(diào)整量作為目標(biāo),并運(yùn)用模擬退火算法進(jìn)行求解;林雍雅[24]從戰(zhàn)略和戰(zhàn)術(shù)層面對機(jī)場群航班時(shí)刻進(jìn)行研究,以航班時(shí)刻調(diào)整量及調(diào)整次數(shù)為目標(biāo)函數(shù)建立戰(zhàn)略層航班時(shí)刻優(yōu)化模型,以延誤時(shí)間成本為目標(biāo)函數(shù)建立戰(zhàn)術(shù)層航班時(shí)刻優(yōu)化模型;薛依晨[25]在考慮航線穩(wěn)定性的基礎(chǔ)上,以總延誤成本為目標(biāo),建立了機(jī)場群航班時(shí)刻優(yōu)化模型;陳彬[26]以航班總延誤及調(diào)整量、疏解航班貼合度、機(jī)場收益作為目標(biāo)函數(shù)建立多機(jī)場航班時(shí)刻模型,對多機(jī)場間的博弈進(jìn)行仿真分析,考慮機(jī)場準(zhǔn)點(diǎn)率、航空公司市場占用率、機(jī)場功能定位作為目標(biāo)函數(shù);水笑雨等[27]從考慮機(jī)場公平性的角度入手,以航班時(shí)刻偏移量和機(jī)場群中機(jī)場公平性為目標(biāo),建立機(jī)場群航班時(shí)刻優(yōu)化模型,以大灣區(qū)機(jī)場群為例進(jìn)行分析;林思奇[28]對區(qū)域多機(jī)場系統(tǒng)航班時(shí)刻優(yōu)化展開研究,從航空運(yùn)輸企業(yè)和旅客角度出發(fā),對航班時(shí)刻展開研究;向征等[29]針對多機(jī)場終端區(qū)空域資源緊張的問題,以總調(diào)整時(shí)間最小化為目標(biāo)提出基于管制移交間隔優(yōu)化的離港航班時(shí)刻模型,采用遺傳算法進(jìn)行求解,使用北京終端區(qū)下轄的北京大興機(jī)場、北京首都機(jī)場與天津?yàn)I海機(jī)場為例進(jìn)行實(shí)例認(rèn)證。

        綜上文獻(xiàn),可以看出學(xué)者對于航班時(shí)刻優(yōu)化的規(guī)劃模型目標(biāo)大多數(shù)集中于延誤時(shí)間、延誤成本、航班調(diào)整量、系統(tǒng)準(zhǔn)點(diǎn)率等方面,規(guī)劃模型求解尋優(yōu)方法多采用遺傳算法、粒子群算法、蟻群算法、模擬退火算法等。

        由于機(jī)場群內(nèi)航班時(shí)刻的設(shè)定主要由機(jī)場、航空公司與空管3方所決定。此前對于機(jī)場群航班時(shí)刻的研究多數(shù)集中于機(jī)場、航空公司、空管的其中一個或兩個角度,考慮角度不夠全面,并沒有從機(jī)場、航空公司、空管3個方面同時(shí)進(jìn)行考慮?,F(xiàn)以機(jī)場、航空公司與空管3個方面為主要方向,以航班總延誤時(shí)間、航空公司總延誤方差、航班總調(diào)整量為目標(biāo),建立機(jī)場群航班時(shí)刻的優(yōu)化模型,并使用權(quán)重線性遞減的粒子群算法對模式進(jìn)行求解。為驗(yàn)證模型的有效性,以京津冀機(jī)場群為例,將建立的模型運(yùn)用權(quán)重線性遞減的粒子群算法進(jìn)行運(yùn)算,對機(jī)場群航班時(shí)刻進(jìn)行優(yōu)化,以促進(jìn)機(jī)場、航司、空管三方之間的平衡。

        1 模型建立

        機(jī)場群內(nèi)航班時(shí)刻的設(shè)定主要由機(jī)場、航空公司與空管三方所決定,因此考慮機(jī)場、航空公司、空管三方之間的平衡來建立模型。

        從機(jī)場、航空公司、空管3個角度設(shè)立目標(biāo)函數(shù)。從機(jī)場角度出發(fā),實(shí)現(xiàn)航班總延誤最小比較重要,設(shè)立航班總延誤時(shí)間為優(yōu)化目標(biāo);對于航空公司,各航空公司之間的公平性較為重要,設(shè)立航班時(shí)刻調(diào)整總方差為優(yōu)化目標(biāo);對于空管,需要降低管制員的工作負(fù)荷,設(shè)立管制員調(diào)整航班總次數(shù)作為目標(biāo)。

        根據(jù)機(jī)場群實(shí)際運(yùn)行情況,考慮主要的約束條件,給出模型約束條件如下。

        由于每個航班僅可選擇一個時(shí)段離場,設(shè)立航班唯一性約束;參照機(jī)場群內(nèi)設(shè)立航班時(shí)刻的主要制約因素,設(shè)立機(jī)場及機(jī)場群容量作為容量約束條件;航班無法提前起飛,僅能按時(shí)或延誤起飛,且航班延誤時(shí)間不得超過最大延誤時(shí)間,設(shè)定航班時(shí)刻調(diào)整量約束。

        1.1 問題描述

        假設(shè)如下條件。

        (1)機(jī)場群內(nèi)各機(jī)場起飛航班與降落航班不相互影響。

        (2)機(jī)場航班時(shí)刻以5 min作為最小的時(shí)間單位。

        (3)調(diào)整前后航班及航班總量與出發(fā)機(jī)場不變,僅調(diào)整離場時(shí)刻。

        1.2 變量設(shè)置

        (2)xs:航空公司s離港航班總數(shù)。

        (3)tf:航班f的預(yù)計(jì)時(shí)刻。

        (4)tfs:航班f的實(shí)際時(shí)刻。

        (5)tmax:最大延誤時(shí)間。

        (6)mi:i機(jī)場單位時(shí)間的最大容量。

        (7)m:機(jī)場群單位時(shí)間的最大容量。

        (8)Cf:航班總調(diào)整次數(shù)。

        (9)X:離場航班集合。

        (10)F:航班集合。

        (11)Fs:航空公司s的航班集合。

        (12)A:機(jī)場群內(nèi)部機(jī)場集合。

        (13)S:航空公司集合。

        (14)T:進(jìn)港與離港航班時(shí)刻集合。

        1.3 目標(biāo)函數(shù)

        (1)機(jī)場角度。設(shè)立總延誤時(shí)間最小作為目標(biāo)函數(shù)。

        (1)

        (2)航空公司角度。設(shè)立各航空公司航班時(shí)刻調(diào)整總方差最小化作為目標(biāo)函數(shù)。

        (2)

        (3)空管角度。設(shè)立管制員調(diào)整航班次數(shù)的最小化作為目標(biāo)函數(shù)。

        minZ3=Cf

        (3)

        1.4 約束條件

        (1)航班唯一性約束。

        (4)

        (2)機(jī)場容量約束。

        (5)

        (3)機(jī)場群容量約束。

        (6)

        (4)航班時(shí)刻調(diào)整量約束。

        0≤tfs-tf≤tmax

        (7)

        2 模型求解算法設(shè)計(jì)

        在對機(jī)場群時(shí)刻優(yōu)化過程中,通常使用蟻群算法、遺傳算法、粒子群算法等算法對優(yōu)化模型進(jìn)行求解。粒子群算法具有群體智能、內(nèi)在并行性、迭代格式簡單等優(yōu)點(diǎn),同時(shí)可以快速收斂到最優(yōu)解的所在區(qū)域。

        由于機(jī)場群每日航班架次多,涉及數(shù)據(jù)量較大,對航班時(shí)刻進(jìn)行尋優(yōu)具有一定的難度。粒子群算法較為簡單,同時(shí)收斂快速,比較適合用于求解所研究的優(yōu)化問題。因此選用粒子群優(yōu)化算法作為求解優(yōu)化問題的算法。

        傳統(tǒng)的粒子群算法存在早熟性,容易陷入局部最優(yōu)的狀況,進(jìn)而導(dǎo)致尋優(yōu)結(jié)果的誤差較大??紤]到粒子群算法的早熟性,進(jìn)一步對算法進(jìn)行改進(jìn),采用權(quán)重線性遞減的粒子群優(yōu)化算法對模型進(jìn)行求解。

        由于需要通過加權(quán)求和將多目標(biāo)函數(shù)轉(zhuǎn)化為單目標(biāo)函數(shù)進(jìn)行求解,在設(shè)計(jì)適應(yīng)度函數(shù)時(shí)使用變異系數(shù)法對目標(biāo)函數(shù)進(jìn)行去量綱化。

        2.1 權(quán)重線性遞減的粒子群優(yōu)化算法

        粒子群算法(particle swarm optimization,PSO)是一種通過模仿鳥類捕食運(yùn)動而誕生的算法。其將鳥類的飛行空間比作搜索的目標(biāo)空間,將每只鳥比作在空間運(yùn)動的無質(zhì)量體積的粒子,以代表當(dāng)前問題的一個解。每個粒子分別包含位置與速度兩個因素,其中位置代表粒子當(dāng)前所處的方位,速度代表粒子移動的距離與方向。通過粒子不斷更新自身的最優(yōu)位置,找到穩(wěn)定的最優(yōu)解。

        傳統(tǒng)的粒子群算法在計(jì)算函數(shù)的過程中常常出現(xiàn)早熟現(xiàn)象,容易陷入局部最優(yōu),導(dǎo)致系統(tǒng)收斂性較弱,因此需要對粒子群算法進(jìn)行改進(jìn)。由于較大的權(quán)重利于粒子跳出局部最小點(diǎn),利于全局搜索,而較小的權(quán)重則利于對當(dāng)前的搜索區(qū)域進(jìn)行精確的搜索。因此針對PSO算法前期易早熟、后期易波動的特點(diǎn),采用權(quán)重線性遞減的PSO算法。該算法進(jìn)一步提高了迭代尋優(yōu)的能力。

        根據(jù)迭代次數(shù)的變化,慣性權(quán)重不斷由最大值ωmax減少至ωmin,慣性權(quán)重的變化公式為

        (8)

        式(8)中:M為當(dāng)前迭代次數(shù);Mmax為最大迭代次數(shù)。

        2.2 算法參數(shù)設(shè)計(jì)

        根據(jù)涉及的航班時(shí)刻優(yōu)化問題,設(shè)計(jì)算法所涉及的相關(guān)參數(shù)。

        2.2.1 粒子設(shè)計(jì)

        針對航空時(shí)刻優(yōu)化問題,定義每個粒子的位置表示代表所排序的一組時(shí)刻集合,每個粒子的維度等于航班數(shù)目。其中每個粒子中的每個向量包含離場時(shí)間tn、機(jī)場群內(nèi)的起飛機(jī)場an、所屬航司sn。

        2.2.2 速度更新

        粒子群的速度更新公式為

        (9)

        式(9)中:rand為0~1的隨機(jī)數(shù);gbest為當(dāng)前粒子的個體最優(yōu)位置,即當(dāng)前最佳時(shí)刻安排;zbest為當(dāng)前種群的全局最優(yōu)位置;c1、c2為學(xué)習(xí)因子。

        2.2.3 適應(yīng)度函數(shù)

        在每次迭代過程中,需要對此次迭代的狀況進(jìn)行評價(jià),適應(yīng)度函數(shù)便是評價(jià)此次迭代是否最優(yōu)的函數(shù)。

        采用加權(quán)求和法將多目標(biāo)函數(shù)轉(zhuǎn)化成單目標(biāo)函數(shù),設(shè)定適應(yīng)度函數(shù)。經(jīng)過分析,最終適應(yīng)度函數(shù)設(shè)計(jì)為

        fitness=α1Z1+α2Z2+α3Z3+Ma

        (10)

        模型綜合考慮3個方向,3個目標(biāo)函數(shù)之間并無優(yōu)劣之分,各指標(biāo)重要性相等,但由于各目標(biāo)函數(shù)度量指標(biāo)不同,需要對各函數(shù)進(jìn)行去量綱化,使得不同單位之間的目標(biāo)函數(shù)可以進(jìn)行加權(quán)求和。根據(jù)歷史航班數(shù)據(jù),使用變異系數(shù)法進(jìn)行標(biāo)準(zhǔn)化處理。

        變異系數(shù)法是根據(jù)統(tǒng)計(jì)學(xué)方法計(jì)算得出系統(tǒng)指標(biāo)變化程度的方法,是一種客觀賦權(quán)的方法。變異系數(shù)法作為適應(yīng)度函數(shù)權(quán)重參數(shù)αj的參考,具體步驟如下。

        步驟1計(jì)算各目標(biāo)函數(shù)均值和標(biāo)準(zhǔn)差。

        (11)

        (12)

        步驟2計(jì)算變異系數(shù)。

        (13)

        步驟3計(jì)算權(quán)重。

        (14)

        式中:mj為目標(biāo)j樣本數(shù)據(jù)的均值;sj為目標(biāo)j樣本數(shù)據(jù)的標(biāo)準(zhǔn)差;vj為變異系數(shù)。

        2.3 算法步驟

        運(yùn)用權(quán)重線性遞減的粒子群優(yōu)化算法求解機(jī)場群離場航班時(shí)刻優(yōu)化模型的具體步驟如下。

        步驟1讀取初始航班時(shí)刻數(shù)據(jù),作為初始解,并根據(jù)設(shè)置粒子群數(shù)量生成其余解。其中每組航班時(shí)刻代表一個粒子的位置。

        步驟2根據(jù)初始解計(jì)算初始適應(yīng)度函數(shù),將其作為當(dāng)前最優(yōu)適應(yīng)度函數(shù)。

        步驟3計(jì)算權(quán)重(隨著迭代次數(shù)線性遞減),生成速度,并進(jìn)行速度及位置更新,計(jì)算適應(yīng)度函數(shù)。

        步驟4判斷當(dāng)前粒子位置是否符合約束條件,若符合,則進(jìn)入下一步。

        步驟5若當(dāng)前適應(yīng)度函數(shù)優(yōu)于最優(yōu)適應(yīng)度函數(shù),則更新最優(yōu)位置及最優(yōu)適應(yīng)度函數(shù)。若迭代未完成,返回步驟3繼續(xù)迭代。

        步驟6迭代次數(shù)完成,輸出最優(yōu)適應(yīng)度函數(shù)以及最優(yōu)時(shí)刻。

        該算法流程圖如圖1所示。

        圖1 算法流程圖Fig.1 Flow chart of algorithm

        3 實(shí)例分析

        京津冀機(jī)場群包含北京首都國際機(jī)場、北京大興國際機(jī)場、天津?yàn)I海國際機(jī)場、石家莊正定國際機(jī)場共4個機(jī)場,是中國目前四大機(jī)場群之一,2019年總起降航班874 216 架次,日均起降航班2395 架次。以京津冀機(jī)場群內(nèi)部4座機(jī)場作為實(shí)例,運(yùn)用機(jī)場群離港航班時(shí)刻優(yōu)化模型對機(jī)場群內(nèi)各機(jī)場航班時(shí)刻進(jìn)行優(yōu)化。

        3.1 樣本選取

        3.1.1 信息獲取

        獲取2023年4月11日的京津冀機(jī)場群4 個機(jī)場07:00—14:00時(shí)段的共561個離場航班數(shù)據(jù),其中北京首都國際機(jī)場離場航班共224個,北京大興國際機(jī)場離場航班共209個,天津?yàn)I海國際機(jī)場離場航班共86個,石家莊正定國際機(jī)場離場航班共42個。獲取數(shù)據(jù)包含航班號、航班預(yù)計(jì)離場時(shí)刻、航班實(shí)際離場時(shí)刻、執(zhí)行航司、起飛機(jī)場。

        獲取原始航班數(shù)據(jù)(部分)如表1所示。

        表1 2023年4月11日京津冀機(jī)場群離場航班數(shù)據(jù)Table 1 Data of departure flights of the Beijing-Tianjin-Hebei airport group on April 11, 2023

        3.1.2 容量設(shè)置

        參考民航局所公布的國內(nèi)機(jī)場高峰小時(shí)容量數(shù)據(jù),定義各機(jī)場最大容量如表2所示。

        表2 機(jī)場容量設(shè)置表Table 2 Airport capacity setting table

        3.1.3 算法參數(shù)設(shè)置

        (1)權(quán)重。對于權(quán)重線性遞減的粒子群算法,早期設(shè)置較大的權(quán)重可以利于全局搜索,后期設(shè)置較小的權(quán)重利于局部搜索,加快收斂。設(shè)置最大權(quán)重ωmax= 0.9,最小權(quán)重ωmin= 0.4。

        (2)種群大小。若種群大小設(shè)置太大,則收斂速度較慢;若種群大小設(shè)置太小,則容易陷入局部最優(yōu)。根據(jù)多次實(shí)驗(yàn),設(shè)置種群大小N=100。

        (3)迭代次數(shù)。若迭代次數(shù)設(shè)置過大,則優(yōu)化結(jié)果體現(xiàn)不明顯,若迭代次數(shù)設(shè)置過小,則數(shù)據(jù)不夠精確,無法確定是否已經(jīng)收斂到最優(yōu)。根據(jù)多次實(shí)驗(yàn),發(fā)現(xiàn)適應(yīng)度函數(shù)多數(shù)在200~400 次收斂至最優(yōu),設(shè)置最大迭代次數(shù)M=500。

        (4)適應(yīng)度函數(shù)權(quán)重參數(shù)。選取天津?yàn)I海國際機(jī)場2023年3月離場航班數(shù)據(jù)作為參考。通過變異系數(shù)法對目標(biāo)函數(shù)進(jìn)行標(biāo)準(zhǔn)化處理。最終得到適應(yīng)度函數(shù)的權(quán)重參數(shù)αj如表3所示。

        表3 函數(shù)權(quán)重參數(shù)設(shè)置Table 3 Object function weight

        3.2 結(jié)果分析

        通過使用MATLAB軟件對模型進(jìn)行仿真,最終得到適應(yīng)度曲線變化如圖2所示。

        圖2 仿真收斂情況Fig.2 Simulation convergence situation

        從圖2中可以看出,隨著迭代次數(shù)的增加,適應(yīng)度函數(shù)值逐漸減少,在迭代約160 次左右趨于穩(wěn)定,達(dá)到最優(yōu),由原來的739.607 減少至 377.985,有了較大幅度的變化。

        各目標(biāo)函數(shù)隨著迭代次數(shù)的變化分別如圖3、圖4、圖5所示。

        圖3 總延誤時(shí)間收斂情況Fig.3 Convergence of total delay time

        圖4 航司方差收斂情況Fig.4 Convergence of airline variance

        圖5 管制員調(diào)整量收斂情況Fig.5 Convergence of controllers adjusting amount

        分別從總延誤時(shí)間、航司方差及管制員調(diào)整量3個目標(biāo)函數(shù)來看,各目標(biāo)函數(shù)均在160次左右收斂至最小值,達(dá)到最優(yōu)。時(shí)段內(nèi)航班的總延誤時(shí)間由最初的77 580 min減少至46 260 min;各航司的航班調(diào)整方差由最初的447.076減少至63.141;管制員的總調(diào)整量由467次減少至253次。3個目標(biāo)均得到了較好的優(yōu)化。

        優(yōu)化前后航班時(shí)刻分布如圖6和圖7所示,部分離場航班優(yōu)化前后時(shí)刻表4所示。

        表4 部分離場航班優(yōu)化前后時(shí)刻Table 4 Part of departure flight time before and after optimization

        圖7 優(yōu)化后航班時(shí)間分布Fig.7 Optimized flight time distribution

        圖6 優(yōu)化前航班時(shí)間分布Fig.6 Optimization of flight schedule distribution before optimization

        從原始航班時(shí)刻分布與優(yōu)化后航班時(shí)刻分布對比來看,原始航班時(shí)刻分布波動較大,出現(xiàn)個別較大高峰值,各機(jī)場分布不均衡,由于機(jī)場群內(nèi)各機(jī)場高峰期均為08:00左右,容易互相沖突導(dǎo)致航班延誤;優(yōu)化后航班時(shí)刻更加平穩(wěn),單時(shí)段最大航班量有了一定的減少,尤其是航班量較大的北京首都國際機(jī)場和北京大興國際機(jī)場,各機(jī)場整體時(shí)刻分布相較于原始航班時(shí)刻分布更加均衡。從離場航班優(yōu)化前后時(shí)刻可以看出,優(yōu)化對于延誤時(shí)間較長的航班有著較好的效果,對于延誤時(shí)間較短的航班也有一定程度的優(yōu)化,整體優(yōu)化效果明顯。

        4 結(jié)論

        研究了機(jī)場群的航班時(shí)刻優(yōu)化問題,創(chuàng)新地從機(jī)場、航空公司、空管3個角度出發(fā)進(jìn)行考慮,提出以機(jī)場群總延誤時(shí)間、航空公司航班時(shí)刻調(diào)整總方差、管制員總調(diào)整量為目標(biāo)的機(jī)場群航班時(shí)刻優(yōu)化模型。選用了慣性權(quán)重遞減的粒子群優(yōu)化算法對該模型進(jìn)行尋優(yōu)。以京津冀機(jī)場群的4座機(jī)場作為研究對象,通過MATLAB進(jìn)行模型仿真,最終通過結(jié)果表明以上3種目標(biāo)均得到一定程度的優(yōu)化,航班時(shí)刻分布更加均勻,管制員工作負(fù)荷降低,機(jī)場、航空公司、空管三方之間的公平性得到了提升,證明了該模型的有效性,為機(jī)場群航班時(shí)刻優(yōu)化領(lǐng)域的研究做出了貢獻(xiàn)。

        猜你喜歡
        航班時(shí)刻適應(yīng)度航班
        全美航班短暫停飛
        改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
        山航紅色定制航班
        金橋(2021年10期)2021-11-05 07:23:10
        山航紅色定制航班
        金橋(2021年8期)2021-08-23 01:06:24
        山航紅色定制航班
        金橋(2021年7期)2021-07-22 01:55:10
        淺議國內(nèi)外航班時(shí)刻的法律屬性
        法制博覽(2018年27期)2018-01-22 18:45:07
        廣州—溫哥華—墨西哥城航線首航
        空中之家(2017年5期)2017-04-26 06:25:34
        基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
        中國塑料(2016年11期)2016-04-16 05:26:02
        少數(shù)民族大學(xué)生文化適應(yīng)度調(diào)查
        航班時(shí)刻的國外鏡鑒
        蜜臀av一区二区三区免费观看| 国产亚洲精品日韩综合网| 亚洲综合国产成人丁香五月小说| 91免费永久国产在线观看| 久天啪天天久久99久孕妇| 亚洲免费在线视频播放| 日本va欧美va精品发布| 少妇被爽到高潮动态图| 国产九九在线观看播放| 精品麻豆一区二区三区乱码| 国产在线精品一区二区三区| 131美女爱做视频| 精品日韩欧美| 国产内射一级一片高清内射视频 | 看全色黄大色黄大片 视频| 亚洲av无码一区二区三区在线 | 91精品国产综合久久久蜜臀九色 | 久久97精品久久久久久久不卡| 亚洲图片第二页| 国产综合开心激情五月| 狠狠综合久久av一区二区蜜桃| 又黄又硬又湿又刺激视频免费| 性大片免费视频观看| 亚洲中文欧美日韩在线| 久久精品国产亚洲av网站| 熟妇人妻无码中文字幕老熟妇| 成人天堂资源www在线| 青青手机在线视频观看| 人妻免费一区二区三区免费 | 无套内谢孕妇毛片免费看看| 胳膊肘上有白色的小疙瘩| 日本视频在线观看二区| 午夜福利啪啪片| 亚洲V在线激情| 韩国美女主播国产三级| 麻豆精品在线视频观看| 国产成人无码精品久久久露脸| 偷窥村妇洗澡毛毛多| 久久国产精品国产精品久久| 国产欧美综合一区二区三区| 久久人人爽人人爽人人片av麻烦|