【技术实现步骤摘要】
本专利技术涉及机场规划，尤其涉及一种基于整数规化和深度学习的区域多机场选址方法。
技术介绍
1、民用机场选址方案则是整个民用机场工程建设中重要组成部分。机场选址方案的合理性在很大程度上能够决定机场未来的运营效率和发展空间。
2、在区域多机场选址过程中，为了实现机场资源的优化配置，应从多机场系统的角度对区域中机场建设进行合理规划，使区域内机场网络形成即能满足运输要求，又能实现运输资源优化配置。
3、区域多机场选址是在一个有多个城市群的区域内对多个待选机场进行优化选址。一般情况下把区域多机场选址提炼成一个优化问题，但这种优化问题过于复杂，大多只有理论上的意义，并且很难求出最优解。
技术实现思路
1、鉴于上述的分析，本专利技术实施例旨在提供一种基于整数规化和深度学习的区域多机场选址方法，用以解决现有选址方法计算复杂、计算量大而难以选择最优机场的问题。
2、本专利技术实施例提供了一种基于整数规化和深度学习的区域多机场选址方法，包括以下步骤：
3、s1、基于多城市群多机场，构建区域多机场选址的目标函数；
4、s2、根据选址数量和目标函数，利用混沌映射算子和邻域搜索得到多个个体数量相同的种群，每个个体对应选址方案；
5、s3、对各种群并行进行以下迭代更新直至达到第一迭代次数：对种群内的非最优个体通过邻域搜索将各自的局部最优个体加入种群，根据个体的第一概率去除非最优个体直至种群内个体数量不变；当连续多次迭代的最优个体相同时，
6、s4、对各种群的个体进行分组，根据个体中相同选址机场数量对各种群内每组中的一个个体进行种群间的交换后，重复执行s3和s4直至达到第二迭代次数；从各种群中选择最优个体得到最优选址方案。
7、基于上述方法的进一步改进，区域多机场选址的目标函数是在满足约束条件的情况下以最小总费用为目标，总费用包括：各城市群到各选址机场的出行总费用和各选址机场的投资总费用，约束条件包括：每个城市群到所有选址机场的总人数均不小于对应城市群的航空出行需求人数，所有城市群到每个选址机场的总人数不大于对应选址机场的最大容纳人数。
8、基于上述方法的进一步改进，根据选址数量和目标函数，利用混沌映射算子和邻域搜索得到多个个体数量相同的种群，包括：
9、采用logistic映射的方法得到混沌映射算子，根据选址数量，以及混沌映射算子与机场编号的线性关系，提取出多个选址机场组成一个初始个体，根据预置的个体数量提取多次得到的初始个体组成一个初始种群，根据预置的种群数量得到多个初始种群；
10、对每个初始种群内每个初始个体进行多次邻域搜索得到多个解，取目标函数值最小的解替换对应的初始个体，得到多个个体数量相同的种群。
11、基于上述方法的进一步改进，根据个体的第一概率去除非最优个体，是通过以下公式计算出第一概率，从种群中目标函数值最大的非最优个体开始，当取的随机数大于第一概率时保留该非最优个体，否则去除该非最优个体：
12、
13、其中，p1(r)表示第一概率，f(r)表示当前种群内第r个个体的第一适应系数，hmin表示当前种群内t个个体中最优个体的目标函数值，h(r)表示第r个个体的目标函数值。
14、基于上述方法的进一步改进，根据个体的第二概率去除非最优个体，是通过以下公式计算出第二概率，从种群中目标函数值最小的非最优个体开始，当取的随机数小于第二概率时保留该非最优个体，否则去除该非最优个体：
15、
16、其中，p2(r)表示第二概率，d(r)表示当前种群内第r个个体的第二适应系数，hmin表示当前种群内t个个体中最优个体的目标函数值，h(r)表示第r个个体的目标函数值，δ(r)表示种群内第r个个体与最优个体中不同选址机场的数量。
17、基于上述方法的进一步改进，根据个体中相同选址机场数量对各种群内每组中的一个个体进行种群间的交换，包括：
18、对各种群排序后依次取出一个种群作为当前种群，再对当前种群依次从一个分组中随机取出一个非最优个体作为当前分组个体，与当前种群的所有后续种群中随机取出的一个非最优个体进行比较，将相同选址机场数量最少的个体与当前分组个体交换，直至当前种群内每个分组完成一个非最优个体交换，再取出下一个种群作为当前种群，直至取到最后一个种群。
19、基于上述方法的进一步改进，对各种群的个体进行分组，是将种群内t个个体随机分成个分组，最后一个分组包括个个体，其它分组均包括个个体。
20、基于上述方法的进一步改进，个体的目标函数值通过以下步骤计算得到：
21、根据个体对应的选址方案，获取满足约束条件时各城市群到各选址机场的出行人数，作为初始的出行组合；
22、对初始的出行组合进行以下迭代更新：将当前迭代中的出行组合构建为二分图，根据当前第t次迭代的扰动数量jt，获取多个出行人数扰动策略，将所述二分图分别与一种出行人数扰动策略传入训练好的二分图神经网络中，分别输出一个概率向量；将输出的概率向量归一化后分别作为对应的出行人数扰动策略的权重，加权平均后得到当前迭代的扰动概率；
23、在扰动概率中从最大值开始取jt个分量，在出行组合中将jt个分量对应的出行人数作为待求解变量，并利用整数规划求解工具进行计算，得到目标函数值最小时待求解变量的值，更新至出行组合中；对更新后的出行组合进行下一次迭代更新，直至达到第三迭代次数；
24、根据最终的出行组合计算出目标函数值。
25、基于上述方法的进一步改进，出行人数扰动策略是由0和1组成的列向量，分别与出行组合中的一个出行人数对应，为0的分量表示对应的出行人数为常数，为1的分量表示对应的出行人数为变量；概率向量中的每个分量表示对应的出行人数扰动策略中的每个分量作为变量更新后得到最优解的概率。
26、基于上述方法的进一步改进，扰动数量jt用于指定第t次迭代时出行人数扰动策略中为1的分量的数量，初始扰动数量大于1；并且，当第t次迭代中出行组合的目标函数值小于第t-1次迭代中出行组合的目标函数值时，扰动数量不变；否则，通过以下公式调整扰动数量：
27、jt＝min(jt-1·γ,ρ)
28、其中，jt-1表示第t-1次迭代的扰动数量，γ表示扰动放大系数，ρ表示最大待求解变量的数量。
29、与现有技术相比，本专利技术至少可实现如下有益效果之一：
30、1、考虑到多城市群分流至多个选址机场的复杂场景，以出行总费用和投资总费用最小为目标函数，利用混沌映射的随机性产生初始种群，在迭代中将局部搜索与全局搜索结合起来，增加个体多样性，并通过保留较差个体和惩罚较优个体的方式，避免陷入局部最优解；基于遗传算法的思路，通过对种群中各分组的个体本文档来自技高网...
【技术保护点】
1.一种基于整数规化和深度学习的区域多机场选址方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述区域多机场选址的目标函数是在满足约束条件的情况下以最小总费用为目标，所述总费用包括：各城市群到各选址机场的出行总费用和各选址机场的投资总费用，所述约束条件包括：每个城市群到所有选址机场的总人数均不小于对应城市群的航空出行需求人数，所有城市群到每个选址机场的总人数不大于对应选址机场的最大容纳人数。
3.根据权利要求2所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述根据选址数量和目标函数，利用混沌映射算子和邻域搜索得到多个个体数量相同的种群，包括：
4.根据权利要求2所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述根据个体的第一概率去除非最优个体，是通过以下公式计算出第一概率，从种群中目标函数值最大的非最优个体开始，当取的随机数大于第一概率时保留该非最优个体，否则去除该非最优个体：
5.根据权利要求2所述的基于整数规化和深度学习的区域多机场
6.根据权利要求2所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述根据个体中相同选址机场数量对各种群内每组中的一个个体进行种群间的交换，包括：
7.根据权利要求6所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述对各种群的个体进行分组，是将种群内T个个体随机分成个分组，最后一个分组包括个个体，其它分组均包括个个体。
8.根据权利要求2所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述个体的目标函数值通过以下步骤计算得到：
9.根据权利要求8所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述出行人数扰动策略是由0和1组成的列向量，分别与出行组合中的一个出行人数对应，为0的分量表示对应的出行人数为常数，为1的分量表示对应的出行人数为变量；所述概率向量中的每个分量表示对应的出行人数扰动策略中的每个分量作为变量更新后得到最优解的概率。
10.根据权利要求9所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述扰动数量Jt用于指定第t次迭代时出行人数扰动策略中为1的分量的数量，初始扰动数量大于1；并且，当第t次迭代中出行组合的目标函数值小于第t-1次迭代中出行组合的目标函数值时，扰动数量不变；否则，通过以下公式调整扰动数量：
...【技术特征摘要】
1.一种基于整数规化和深度学习的区域多机场选址方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述区域多机场选址的目标函数是在满足约束条件的情况下以最小总费用为目标，所述总费用包括：各城市群到各选址机场的出行总费用和各选址机场的投资总费用，所述约束条件包括：每个城市群到所有选址机场的总人数均不小于对应城市群的航空出行需求人数，所有城市群到每个选址机场的总人数不大于对应选址机场的最大容纳人数。
3.根据权利要求2所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述根据选址数量和目标函数，利用混沌映射算子和邻域搜索得到多个个体数量相同的种群，包括：
4.根据权利要求2所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述根据个体的第一概率去除非最优个体，是通过以下公式计算出第一概率，从种群中目标函数值最大的非最优个体开始，当取的随机数大于第一概率时保留该非最优个体，否则去除该非最优个体：
5.根据权利要求2所述的基于整数规化和深度学习的区域多机场选址方法，其特征在于，所述根据个体的第二概率去除非最优个体，是通过以下公式计算出第二概率，从种群中目标函数值最小的非最优个体开始，当取的随机数小于第二概率时保留该非最优个体，否则去除该非...
【专利技术属性】
技术研发人员：朱熙，张天一，唐荻音，王振乾，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
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。