[0109] 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)
[0110] 令个体x代表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:
[0111] Step 1初始化搜索次数k=1;
[0112] Step 2执行温度t下的局部搜索;
[0113] Step 2.1计算个体x的进、离港队列的even(s,FAQ)和even(s,FDQ);
[0114] 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:
[0115] 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;
[0116] 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;
[0117] 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;
[0118] 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;
[0119] Step 2.7计算y劣于x时的接受概率pa=exp(-(H(y)-H(x))/t);
[0120] Step 2.8产生随机数pr=random(0,1),若pa>pr,则x=y,H(x)=H(y);
[0121] 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;
[0122] 7)混合遗传算法的设计
[0123] 将上述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。遗传算子设计说明:
[0124] 选择算子:采用适应度比例选择策略复制个体,高适应度个体以较高概率进行复制。另外,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。
[0125] 交叉算子:本文针对问题的多跑道特征,采用文献“基于自适应多局部搜索memetic算法的多跑道地面等待问题求解[J].系统工程理论与实践,2012,32(11):2523-2532.”中的顺序交叉算子对个体进行交叉操作,详细设计过程参见该文献。
[0126] 变异算子:在文献“An efficient genetic algorithm with uniform crossover for air traffic control[J].Computers&Operations Research,2009,36(1):245-259.”的基础上提出如下的变异算子:1)算法的前期,逆序随机选取的某跑道中两点间航班基因;算法的后期,交换随机选取的某跑道上的相邻基因;2)随机选取不同跑道中的两个基因,并交换他们的位置;或者将某跑道上的航班基因移至另一跑道航班序列的尾部。
[0127] 交叉、变异概率:个体参与交叉、变异的概率采用固定形式。
[0128] 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进行求解过程如下:
[0129] 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;
[0130] Step 2使用上述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;
[0131] Step 3对所有x∈temp_pop执行模拟退火局部搜索;
[0132] Step 3.1初始化温度t=ts;
[0133] 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;
[0134] Step 3.3退温t=td*t;
[0135] 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;
[0136] Step 4令pop=temp_pop,得到新一代种群;
[0137] 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;
[0138] Step 6 g=g+1;
[0139] 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。
[0140] 本实施例为了验证模型与算法的有效性,采用多组数据进行了测试,均取得了比较好的优化效果。本方案对有代表性的算例使用先来先服务FCFS、标准遗传算法(Standard GA,SGA)、无问题知识启发的随机局部搜索遗传算法(Stochastic Local Search GA,SLSGA)以及HLSGA进行计算,并对各算法计算结果作对比分析。
[0141] 1、仿真算例及算法参数设置
[0142] 以三条跑道机场航班数据为例,其中两条跑道分别用于进离港航班专用,另一条为混合使用跑道,选取25分钟内到达35个航班为算例,进港、离港以及续航航班数分别为17、18和5架。地面延误费用的计算采用现有技术中的航班延误显性成本计算公式:
[0143]
[0144] 航班p的CGp由该航班的运营成本 航空公司盈利损失 以及乘客经济损失组成,式中pp、vp和hp分别表示航班p的平均票价、平均利润率以及平均飞行时间,取值分别为750元、2.2%和2h,np表示乘客数,lp表示每名乘客的平均延误成本,国内乘客为50元/h,国际乘客为100元/h;运营成本根据航班的机型(重型(H)、中型(M)、小型(S))分别设定为4167、2916、208元/h。续航航班最短转场时间TRMh为20m,Sep(r,p1,p2)按国际民航组织规定的最小安全尾流间隔进行间隔,式(3)中系数kc取1.4。
[0145] HLSGA、SGA初始群体规模为180,其中按使用跑道时间先后顺序生成的个体数为18,精华保留参数亦为18。最大进化代数为50代,交叉概率、变异概率分别为0.94、0.25,适应度函数常量C=50;模拟退火局部搜索算法参数,初始温度:100,终止温度:0.001,温度下降率:0.50,Lst=10。本方案以C语言为工具实现算法,VC6.0中调试、运行。算例航班信息如表1所示,其中续号表示续航航班前后航班的对应号。
[0146] 表1仿真算例航班数据
[0147]
[0148] 2、仿真结果及分析
[0149] 对表1中的35个航班在25分钟内的进离港问题使用各算法进行排序,航班使用跑道的计划时间以及算法运行结果如表2所示。ETi表示航班使用跑道i的计划时间,时间采用格式:mm:ss,STA、GT、GC分别表示航班排序后的跑道使用时间、地面延误时间和费用,其中延误时间单位为s,延误费用单位为元,R代表航班使用的跑道。
[0150] 表2仿真实验排序结果
[0151]
[0152]
[0153] (1)问题的优化效果
[0154] 表1中所示进离港队列运输服务需求量分别为57.19、104.41,以21号航班为标准,则两队列的当量航班总数分别为21.41和39.09。表2中各算法排序结果统计如表3所示:
[0155] 表3实验数据统计结果
[0156]
[0157] 表中s代表各算法的排序结果方案,为叙述方便,以下使用算法名称代表该算法对应的航班安排计划。由表3数据显示知:
[0158] 1)SGA、SLSGA、HLSGA相对于FCFS算法,总延误成本分别降低了21.8%、50.5%和60.1%,HLSGA对应延误成本有了明显下降,且下降幅度最大。
[0159] 2)FCFS对应进离港队列延误费用分别为831.9和816.6元,分配较均等,然而由于航班当量总数的差异,致使当量航班平均延误损失even(FCFS,FAQ)与even(FCFS,FDQ)分别为38.85、20.89,前者近两倍于后者。HLSGA的even(HLSGA,FAQ)与even(HLSGA,FDQ)分别为10.95和10.82,延误损失分配均匀度偏差distance(HLSGA)由FCFS的17.96降至0.13,延误损失在进离港队列之间分配的合理性有了显著提高。SGA、SLSGA延误损失分配公平程度相对于FCFS有所改善,但较微弱。
[0160] (2)延误损失协同优化分析
[0161] 表4为FCFS安排下各跑道的航班序列,even(FCFS,FAQ)远高于even(FCFS,FDQ)。算例中进港专用跑道航班优先系数为0.93,混合跑道进港航班优先系数为0.47,由此产生了航班优先权的高压。所以HLSGA在跑道之间移动了部分进港航班,如FA10、FA15等,结果如表5所示。表4和表5中混合跑道上的进港航班虽然都为6架,但运输需求量由19.2增至21.7,而离港航班则由28.48降至20.49,专用跑道和混合跑道上的进港航班优先系数为0.86、0.53,趋于缓和,说明进港航班给予了较高的混合跑道使用权。经过优化,进港航班延误损失831.9降至234.5,离港航班由816.6降至423.1,下降幅度明显小于进港队列,进离港队列的当量航班平均延误损失分别为10.95和10.82,distance(HLSGA)由FCFS的17.96降至0.13。
[0162] 表4 FCFS各跑道航班序列
[0163]
[0164] 表5 HLSGA各跑道航班序列
[0165]
[0166] 由上述表格数据的描述知,本方案实施例中所提模型及其求解算法HLSGA在降低总延误成本、进离港队列延误损失分配等方面均都取得了较显著的效果,求解过程说明了HLSGA良好的寻优能力以及收敛性。