一种基于MA的大批次航班中长期冲突避免的优化方法技术

本发明专利技术提供一种基于MA的大批次航班中长期冲突避免的优化方法，本发明专利技术的航班冲突避免优化方法通过在每一代种群的局部搜索中应用局部搜索算子以及调节参与局部搜索的种群个体，对每一代局部搜索过的种群进行全局搜索，在全局搜索中根据航班之间的冲突关系对所有航班进行分组，对各个组进行子群优化，提高了算法的搜索能力以及最优解的质量，同时在保证航班安全飞行的前提下减少了大批次航班间的冲突以及降低了航班延误时间。

【技术实现步骤摘要】
【专利摘要】本专利技术提供一种基于MA的大批次航班中长期冲突避免的优化方法，本专利技术的航班冲突避免优化方法通过在每一代种群的局部搜索中应用局部搜索算子以及调节参与局部搜索的种群个体，对每一代局部搜索过的种群进行全局搜索，在全局搜索中根据航班之间的冲突关系对所有航班进行分组，对各个组进行子群优化，提高了算法的搜索能力以及最优解的质量，同时在保证航班安全飞行的前提下减少了大批次航班间的冲突以及降低了航班延误时间。【专利说明】-种基于MA的大批次航班中长期冲突避免的优化方法
本专利技术涉及一种民航
，尤其涉及一种基于文化基因算法（Memetic Algorithm，简称：MA)的大批次航班中长期冲突避免的优化方法。
技术介绍
随着中国经济的快速发展，航空因其快速省时，灵活机动，国际性，安全舒适等特 点，将来人们选择飞机作为交通工具的几率会越来越大，这样就需要越来越多的航班，对在 同一个管制空域内航班增加的情况下保证准时且安全飞行不延误对航空公司来说非常重 要。 目前，大批次航班网络配流方法可以直接消除潜在冲突，有效均衡飞行流量，减少 扇区拥堵，从而避免局部空域航班高密度运行，降低管制员工作负荷，间接减少飞行冲突可 能性，保证飞行安全。 然而由于目前空管系统无法准确提供大范围空中交通态势信息，也无法对未来冲 突做出充分预测并对冲突回避做出预先规划和决策，因此当前冲突解脱方法主要致力于解 决短期冲突，然而随着航空运输需求的快速增加，飞行流量不断增长，造成空域内飞行冲突 表现出大规模、高复杂度等新特性，导致现有数学规划方法以及智能进化算法难以适用；另 一方面，现有冲突解脱方法是局部的、孤立的、被动的，单纯依靠"头痛医头，脚痛医脚"的方 式可能导致"多米诺效应"，难以最大程度保证空中交通系统的运行安全。
技术实现思路
本专利技术提供一种基于MA的大批次航班中长期冲突避免的优化方法，减少了大批 次航班间的冲突以及降低了航班延误时间。 本专利技术提供一种基于MA的大批次航班中长期冲突避免的优化方法，包括： 第一步：建立待优化的η个航班的信息库，所述信息库包括所述η个航班相互之间 的冲突关系及所述η个航班的延误时间； 第二步：生成初始种群，所述初始种群由ps个个体随机组成，每个个体包含η个基 因，其中，一个基因表示一个航班的延误时间，将所述初始种群作为第〇代种群，所述PS和 所述η为正整数； 第三步：基于仙农信息熵获取参与所述第0代种群局部搜索的个体数量p(g); 第四步：对从所述第〇代种群中随机选择的史(g)个个体应用局部搜索算子，并将 应用过局部搜索算子的P(g)个个体替换所述第0代种群中随机选择的p(g)个个体，将替换 后的所述第0代种群作为局部优化过的第0代种群，所述局部搜索算子用于优化所述个体 的基因； 第五步：根据预设的第一目标函数获取所述局部优化过的第〇代种群的个体适应 度，并将适应度最大的个体作为所述第0代种群局部搜索的最优个体； 第六步：根据所述信息库中所述η个航班相互之间的冲突关系，将所述η个航班分 为sn个组，其中，每个组内的航班之间存在冲突，每个组内的航班与其他组中的航班之间 不存在冲突，所述sn〈n ; 第七步：分别对每个组中的所述局部优化过的第0代种群个体进行子群优化，所 述子群优化用于将所述局部优化过的第0代种群个体中每个组所包含的航班进行优化，对 所述个体中的其他航班用所述第〇代种群局部搜索的最优个体中对应的航班替换，并将所 述子群优化后的第0代种群作为全局优化过的第0代种群； 第八步：根据所述第一目标函数获得所述每个组中适应度最大的个体，再从各个 组中选取适应度最大的个体作为第0代种群的最优个体，将所述第0代种群的最优个体所 属的组中的所述全局优化过的第0代种群作为第1代种群； 第九步：依次循环执行第三步至第八步，直到到达预设的进化代数N为止，所述N 为整数； 第十步：从N代种群的最优个体中选取适应度最大的个体作为航班冲突避免的优 化解。 本专利技术的实施方案中，所述仙农信息熵，表示为： 【权利要求】1. 一种基于MA的大批次航班中长期冲突避免的优化方法，其特征在于，所述方法包 括： 第一步：建立待优化的η个航班的信息库，所述信息库包括所述η个航班相互之间的冲 突关系及所述η个航班的延误时间； 第二步：生成初始种群,所述初始种群由ps个个体随机组成，每个个体包含η个基因， 其中，一个基因表示一个航班的延误时间，将所述初始种群作为第O代种群，所述ps和所述 η为正整数； 第三步：基于仙农信息熵获取参与所述第〇代种群局部搜索的个体数量<〇); 第四步：对从所述第0代种群中随机选择的P(O)个个体应用局部搜索算子，并将应用 过局部搜索算子的？<〇)个个体替换所述第〇代种群中随机选择的以〇)个个体，将替换后的 所述第〇代种群作为局部优化过的第〇代种群，所述局部搜索算子用于优化所述个体的基 因； 第五步：根据预设的第一目标函数获取所述局部优化过的第0代种群的个体适应度， 并将适应度最大的个体作为所述第0代种群局部搜索的最优个体； 第六步：根据所述信息库中所述η个航班相互之间的冲突关系，将所述η个航班分为sn个组，其中，每个组内的航班之间存在冲突，每个组内的航班与其他组中的航班之间不存 在冲突，所述sn〈n; 第七步：分别对每个组中的所述局部优化过的第〇代种群个体进行子群优化，所述子 群优化用于将所述局部优化过的第〇代种群个体中每个组所包含的航班进行优化，对所述 个体中的其他航班用所述第〇代种群局部搜索的最优个体中对应的航班替换，并将所述子 群优化后的第〇代种群作为全局优化过的第〇代种群； 第八步：根据所述第一目标函数获得所述每个组中适应度最大的个体，再从各个组中 选取适应度最大的个体作为第〇代种群的最优个体，将所述第〇代种群的最优个体所属的 组中的所述全局优化过的第〇代种群作为第1代种群； 第九步：依次循环执行第三步至第八步，直到到达预设的进化代数N为止，所述N为整 数； 第十步：从N代种群的最优个体中选取适应度最大的个体作为航班冲突避免的优化 解。2. 根据权利要求1所述的方法，其特征在于，所述仙农信息熵，表示为：_N 其中，所述E为熵，所述pd为所述|Gd|为组Gd中包含的个体数量，所述ΣΙ&Ι为种群中所有的个体数量，所述组Gd由冲突数相同的个体组成，所述个体的冲突数 b二1 通过所述信息库中所述η个航班相互之间的冲突关系得到，其中，I<b<Q，I<d<Q，所 述Q为自然数。3. 根据权利要求2所述的方法，其特征在于，根据仙农信息熵获得参与所述第gen代种 群局部搜索的个体数量，所述^(gen)表示为：Zs(<Tcn) 其中，所述Mgen)为局部搜索频率，= 所述E(O)和所述E(gen)分 别为种群进化的第〇代种群和第gen代种群的熵，所述floor(Mgen))表示取不超过β(gen)的最大整数。4. 根据权利要求1所述的方法，其特征在于，所述局部搜索算子Φ(incg:，表示为： ΦQndi) = (δ'η，本文档来自技高网...

【技术保护点】
一种基于MA的大批次航班中长期冲突避免的优化方法，其特征在于，所述方法包括：第一步：建立待优化的n个航班的信息库，所述信息库包括所述n个航班相互之间的冲突关系及所述n个航班的延误时间；第二步：生成初始种群，所述初始种群由ps个个体随机组成，每个个体包含n个基因，其中，一个基因表示一个航班的延误时间，将所述初始种群作为第0代种群，所述ps和所述n为正整数；第三步：基于仙农信息熵获取参与所述第0代种群局部搜索的个体数量第四步：对从所述第0代种群中随机选择的个个体应用局部搜索算子，并将应用过局部搜索算子的个个体替换所述第0代种群中随机选择的个个体，将替换后的所述第0代种群作为局部优化过的第0代种群，所述局部搜索算子用于优化所述个体的基因；第五步：根据预设的第一目标函数获取所述局部优化过的第0代种群的个体适应度，并将适应度最大的个体作为所述第0代种群局部搜索的最优个体；第六步：根据所述信息库中所述n个航班相互之间的冲突关系，将所述n个航班分为sn个组，其中，每个组内的航班之间存在冲突，每个组内的航班与其他组中的航班之间不存在冲突，所述sn<n；第七步：分别对每个组中的所述局部优化过的第0代种群个体进行子群优化，所述子群优化用于将所述局部优化过的第0代种群个体中每个组所包含的航班进行优化，对所述个体中的其他航班用所述第0代种群局部搜索的最优个体中对应的航班替换，并将所述子群优化后的第0代种群作为全局优化过的第0代种群；第八步：根据所述第一目标函数获得所述每个组中适应度最大的个体，再从各个组中选取适应度最大的个体作为第0代种群的最优个体，将所述第0代种群的最优个体所属的组中的所述全局优化过的第0代种群作为第1代种群；第九步：依次循环执行第三步至第八步，直到到达预设的进化代数N为止，所述N为整数；第十步：从N代种群的最优个体中选取适应度最大的个体作为航班冲突避免的优化解。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张学军，管祥民，贾诗雨，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11