The embodiment of the present invention provides an aircraft landing queuing optimization method and device. The method includes: building an objective model of aircraft landing queuing optimization based on the shortest hovering waiting time in the air, and combining the residual fuel amount, failure safety factor and landing priority information of the aircraft; determining the constraints of the objective model of the aircraft landing queuing optimization; and basing on the constraints mentioned above. The improved ant colony algorithm is used to solve the objective model of the aircraft landing queue optimization, and the optimal flight sequence with runway number is obtained. Based on the shortest hovering waiting time in the air, the embodiment of the present invention considers the information of residual fuel, fault, priority and so on, and puts forward a comprehensive optimization objective; adds the runway occupancy time constraint to the constraint condition; uses the improved ant colony algorithm to optimize the objective function, which has fast convergence speed, is not easy to be limited to local optimum, and the obtained results are more realistic. Flight scheduling.
【技术实现步骤摘要】
飞机着陆排队优化方法及装置
本专利技术实施例涉及航班调度
，更具体地，涉及一种飞机着陆排队优化方法及装置。
技术介绍
随着民航运输量的快速增长，机场终端区拥堵频发，从而带来了延误时间和运营成本的大幅增长，同时影响了飞行安全。空中交通流量的激增，导致短时间内会有大量的飞机需要着陆，由于航空资源短缺、机场和空域容量不足，例如跑道数目有限，使飞机着陆产生延误，造成机场进出场效率下降、航空公司经济损失、乘客不能准点到达等不利影响。但是单纯地扩大机场跑道容量受到各种因素的制约，所以需要对要着陆的飞机进行合理管理、调度，减少终端拥堵和延误，从而减少上述不利影响。在设计求解飞机着陆排队问题的算法时，若运用暴力搜索方法，列出其排序的所有可能，必可以选出满足要求的最优排序。但是随着飞机数量的增加，计算量呈指数上升，不适合实际使用。于是，一些人工智能方法被运用到该问题中。人工智能方法中，蚁群算法由于具有较强鲁棒性、分布式计算等优点，被广泛使用在各类优化问题中。蚁群算法是基于真实环境下蚂蚁群体觅食的合作提出的，包括通信机制即信息素遗留、当前路径记录、节点随机选择的特性。同时，人工...
【技术保护点】
1.一种飞机着陆排队优化方法，其特征在于，包括：基于空中盘旋等待时间最短，并结合飞机剩余油量、故障安全系数和着陆优先级信息，构建飞机着陆排队优化的目标模型；确定所述飞机着陆排队优化的目标模型的约束条件；基于所述约束条件，利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解，获得含有跑道号的最优航班序列。
【技术特征摘要】
1.一种飞机着陆排队优化方法，其特征在于，包括：基于空中盘旋等待时间最短，并结合飞机剩余油量、故障安全系数和着陆优先级信息，构建飞机着陆排队优化的目标模型；确定所述飞机着陆排队优化的目标模型的约束条件；基于所述约束条件，利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解，获得含有跑道号的最优航班序列。2.根据权利要求1所述的方法，其特征在于，所述飞机着陆排队优化的目标模型具体为：其中，wi＝m1·Oi+m2·Fi+m3·Pri，其中，Oi、Fi、Pri分别表示第i架飞机的油量系数、故障安全系数和优先级系数，m1，m2和m3分别表示油量系数、故障安全系数和优先级系数的重要程度，为排序后降落在j跑道，且在该跑道队列中的位置为kj，在总队列中的位置为k的情况下的飞机i调度到达跑道的时间，ETAi为飞机i不受其它飞机影响下预计到达跑道的时间，为0-1决策变量，N为参与排序的飞机架数，R为机场跑道数量。3.根据权利要求1所述的方法，其特征在于，所述飞机着陆排队优化的目标模型的约束条件包括：每架飞机的ETA和STA约束、尾流间隔约束、跑道占用时间约束和位置变动约束。4.根据权利要求1所述的方法，其特征在于，所述基于所述约束条件，利用改进的蚁群算法对所述飞机着陆排队优化的目标模型进行求解，获得含有跑道号的航班序列的步骤，具体为：初始化蚁群算法的基本参数，所述基本参数包括：最大蚂蚁代数K、每代蚂蚁数目M、信息素总量Q、信息素挥发系数ρ、每架飞机在每个节点的信息素初始值τ和表征信息素重要程度的信息启发因子α；在满足MPS约束的情况下，随机选择初始节点，按初始节点在各个跑道的滑行路径长短选择跑道，将已选择的初始节点加入禁忌表中；蚂蚁在航班和跑道对应的求解网络中根据自定义的状态转移规则依次选取后续节点；判断是否所有蚂蚁完成一次遍历，若是，则对当代最优解进行判定，若当代最优解不优于全局最优解，则引入遗传变异因子，在保证位置变动范围较小的情况下对所述当代最优解进行多次变异，若变异结果优于当代最优，则用变异结果替换当代最优解；基于当前蚂蚁代数，对当代最优解进行信息素浓度的增量计算，并对所有节点进行信息素浓度更新；重复执行选择初始节点、选取后续节点并进行信息素浓度更新的步骤，直至迭代到第K代，提取最后一代的最优解。5.根据权利要求4所述的方法，其特征在于，所述蚂蚁在航班和跑道对应的求解网络中根据自定义的状态转移规则依次选取后续节点的步骤，具体为：设定值域范围为[0,1]的节点强制选择系数q0，并生成值域范围为[0,1]的随机数q；若q≥q0，按信息素浓度的概率进行状态转移；或者，若q＜q0，强制选择状态转移概率最大的下一步节点；其中，在满足MPS约束的情况下，每只蚂蚁在已知跑道的节点i去往跑道r的节点j的状态转移概率的计算公式为：其中，b为滑行距离...
【专利技术属性】
技术研发人员：王衍洋，唐文忠，
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。