论文部分内容阅读
摘要：随着生活节奏的加快，交通需求变得十分迫切，尤其是航空交通。由于人流量不断增加，空间资源变得十分紧缺，所以对于怎样快速有效的提高机场终端区航班调度的自动化水平显得十分重要。本文描述了终端航班着陆的问题，对粒子群算法性能以及其在航班着陆调度领域中的应用进行了较为深入的研究，也对以后解决终端区航班的协调调度问题提供了依据。
关键词：终端区；航班着陆；调度；粒子群算法
1.终端航班着陆调度描述
1.1 终端区描述
终端区（Terminal area）指的是航路与起飞着陆之间的飞行过渡区。设置终端区的目的是为了解决流量过大、机场空间紧缺和飞离飞机提供统一协调管理的问题。
我国对于终端区划分的要求是以50海里为半径划设的空域范围。新的制度下，对于这个范围扩大到机场范围外120海里或者更大的区域。着陆的航班以巡航阶段的速度、高度进入扩大的终端区。航班管理制度中规定，驶入终端区的着陆航班必须要按照终端区的要求完成各种调整。通常情况下，一个终端区可以同时为单个以及多个机场的着陆飞机和离场飞行提供管制服务。本文在研究航班着陆的终端调度问题时，将粒子群算法应用在其中。
1.2 飞机着陆调度问题描述
所有抵达机场的航班，不一定都会按照原先规划好的时间降落，有可能会早一点，也有可能会晚一点。总之，所有降落在终端区的航班都要经由雷达的扫描，由交通管制人员安排具体可行的着陆时间。如果机场的跑到比较富裕，那么也会分配降落的跑道。
最理想的降落时间就是飞机着陆的时候不用等待多余的时间，并且飞行速度也是最为合适的速度。但是由于会遇见突发状况，所以有可能飞机会被要求在空中多飞行一会或者多停留几分钟，这务必会增加燃油消耗，也会推迟降落的最理想时间，造成过大的误差。
2.粒子群算法在航班着陆调度中的应用
2.1 基本思路
粒子群算法（Particle Swarm Optimization，简称PSO）。为了解决终端区航班协调调度问题，本文将粒子群算法应用其中，但是也存在一定的缺点：首先，航班调度问题本身就存在相互离散相互不同的排列顺序，所以需要对PSO实施离散化处理；其次，航班着陆在实际生活中是一个不停变化的过程，所以应该设置合理的扫描时间以便选择最理想的方案；最后，航班着陆是不停交替变化的，但是对于冻结区的航班调度问题要忽略不計，一来减轻开销，二来节省人力。
在自我经验和社会经验的验证下，PSO还是被视为最优解。但是基于迭代计算的比较，发现PSO不过是部分达到最优解，也不能算得上是最具有稳定性和实时性的算法。要想提高种群的多样性，有效的优化PSO算法，在PSO的算法之上引进人工免疫算法生物调节机制，也就是免疫粒子群优化算法（Dynamic Immune Particle Swarm Optimization，简称DIPSO）。在该算法下，建立航班着陆的动态优化模型，目标函数设置为航班总的延误最小的成本。为了研究结果更加具有说服力，本文设置了相同条件下的对照组实验。
2.2 仿真实验结果
C++语言是PSO的最基本语言，编码环境设置为visual studio205，该实验所用微机CPU的主频为2.0 GHz，以首都国际机场2017年6月4日早上9：00至9：31间的航班数据为基础，进行计算分析。
本实验中的数据说明如下：样本粒子群数量N=10.0，记忆库中的免疫粒子数量m=2.0，每次迭代后随机生成的备选粒子的数量M=4.0，最大迭代次数设置值为2000.000，在实际环境中经过多次的实验，结合公式（1）的变更就能得到适合于航班着陆调度的惯性权重表达式：
对于采集的航班数据反复进行计算，对于之前采用的FCTS和粒子群算法下得出的数据进行对比，分析该算法的调度方案以及总的延误费用。为了研究结果更加有说服力，方便与FCFS作对比，在上表中本文算法的序列值是相对于FCFS的序列经PSO算法计算后调整的序列。
通过对这10个航班的延误时间和延误成本做了对比。可以得出，FCFS在航班延误时间较短的范围内应用最为有利，产生的延误成本最小。然而随着延误时间的不断增加，延误时间较长的航班的延误成本也随之增加；相反，着陆顺序调整之后，基于POS，总体上的延误时间和延误成本下降不少，但是个别航班的延误时间和延误成本却增加了不少。基于PSO的基础，引入免疫机制的DIPSO比PSO和FCFS更加具有实际应用的意义，也在最大程度上降低了消耗和减少了延误。
DIPSO具有较高的稳定性和极强的收敛效率，也能为机场的管制人员减少工作压力和工作量，其结果对于终端区机场航班调度明显比PSO和FCFS更好。基于这种情况，引进人工免疫机制的DIPSO更加适应终端区机场航班着陆调度问题，也能实现航班着陆调度计划的最优方案。
3.结论
目前，解决机场终端区航班调度问题的最优方法就是粒子群算法。基于这种思想，本文将PSO在航班着陆调度中的应用进行深化与拓展，得出了更加具有稳定性算法DIPSO，该算法弥补了FCFS之前存在种族多样性不足、早熟以及部分不优的缺陷，在终端区航班着陆调度的应用中取得了优异的成绩。
参考文献：
[1]马卫民，杨文娟，徐博，等. 基于受限位移约束的蚁群算法在航班着陆调度问题中的应用研究[J]. 管理工程学报，2016，30（1）：191-196.
[2]王俊义，王兴隆. 近距平行跑道航班着陆调度研究[J]. 航空计算技术，2017（1）：63-65.
[3]马英钧，孙晓娜，赵东方. 基于改进粒子群算法的航班降落调度问题研究[J]. 计算机应用研究，2015，32（7）：2035-2038.
作者简介：
张晶鑫，男，出生于1983年4月，辽宁沈阳人，2008年6月毕业于空军工程大学，助理工程师，工作单位为93123部队工作，研究方向为航空管制与空域规划。
关键词：终端区；航班着陆；调度；粒子群算法
1.终端航班着陆调度描述
1.1 终端区描述
终端区（Terminal area）指的是航路与起飞着陆之间的飞行过渡区。设置终端区的目的是为了解决流量过大、机场空间紧缺和飞离飞机提供统一协调管理的问题。
我国对于终端区划分的要求是以50海里为半径划设的空域范围。新的制度下，对于这个范围扩大到机场范围外120海里或者更大的区域。着陆的航班以巡航阶段的速度、高度进入扩大的终端区。航班管理制度中规定，驶入终端区的着陆航班必须要按照终端区的要求完成各种调整。通常情况下，一个终端区可以同时为单个以及多个机场的着陆飞机和离场飞行提供管制服务。本文在研究航班着陆的终端调度问题时，将粒子群算法应用在其中。
1.2 飞机着陆调度问题描述
所有抵达机场的航班，不一定都会按照原先规划好的时间降落，有可能会早一点，也有可能会晚一点。总之，所有降落在终端区的航班都要经由雷达的扫描，由交通管制人员安排具体可行的着陆时间。如果机场的跑到比较富裕，那么也会分配降落的跑道。
最理想的降落时间就是飞机着陆的时候不用等待多余的时间，并且飞行速度也是最为合适的速度。但是由于会遇见突发状况，所以有可能飞机会被要求在空中多飞行一会或者多停留几分钟，这务必会增加燃油消耗，也会推迟降落的最理想时间，造成过大的误差。
2.粒子群算法在航班着陆调度中的应用
2.1 基本思路
粒子群算法（Particle Swarm Optimization，简称PSO）。为了解决终端区航班协调调度问题，本文将粒子群算法应用其中，但是也存在一定的缺点：首先，航班调度问题本身就存在相互离散相互不同的排列顺序，所以需要对PSO实施离散化处理；其次，航班着陆在实际生活中是一个不停变化的过程，所以应该设置合理的扫描时间以便选择最理想的方案；最后，航班着陆是不停交替变化的，但是对于冻结区的航班调度问题要忽略不計，一来减轻开销，二来节省人力。
在自我经验和社会经验的验证下，PSO还是被视为最优解。但是基于迭代计算的比较，发现PSO不过是部分达到最优解，也不能算得上是最具有稳定性和实时性的算法。要想提高种群的多样性，有效的优化PSO算法，在PSO的算法之上引进人工免疫算法生物调节机制，也就是免疫粒子群优化算法（Dynamic Immune Particle Swarm Optimization，简称DIPSO）。在该算法下，建立航班着陆的动态优化模型，目标函数设置为航班总的延误最小的成本。为了研究结果更加具有说服力，本文设置了相同条件下的对照组实验。
2.2 仿真实验结果
C++语言是PSO的最基本语言，编码环境设置为visual studio205，该实验所用微机CPU的主频为2.0 GHz，以首都国际机场2017年6月4日早上9：00至9：31间的航班数据为基础，进行计算分析。
本实验中的数据说明如下：样本粒子群数量N=10.0，记忆库中的免疫粒子数量m=2.0，每次迭代后随机生成的备选粒子的数量M=4.0，最大迭代次数设置值为2000.000，在实际环境中经过多次的实验，结合公式（1）的变更就能得到适合于航班着陆调度的惯性权重表达式：
对于采集的航班数据反复进行计算，对于之前采用的FCTS和粒子群算法下得出的数据进行对比，分析该算法的调度方案以及总的延误费用。为了研究结果更加有说服力，方便与FCFS作对比，在上表中本文算法的序列值是相对于FCFS的序列经PSO算法计算后调整的序列。
通过对这10个航班的延误时间和延误成本做了对比。可以得出，FCFS在航班延误时间较短的范围内应用最为有利，产生的延误成本最小。然而随着延误时间的不断增加，延误时间较长的航班的延误成本也随之增加；相反，着陆顺序调整之后，基于POS，总体上的延误时间和延误成本下降不少，但是个别航班的延误时间和延误成本却增加了不少。基于PSO的基础，引入免疫机制的DIPSO比PSO和FCFS更加具有实际应用的意义，也在最大程度上降低了消耗和减少了延误。
DIPSO具有较高的稳定性和极强的收敛效率，也能为机场的管制人员减少工作压力和工作量，其结果对于终端区机场航班调度明显比PSO和FCFS更好。基于这种情况，引进人工免疫机制的DIPSO更加适应终端区机场航班着陆调度问题，也能实现航班着陆调度计划的最优方案。
3.结论
目前，解决机场终端区航班调度问题的最优方法就是粒子群算法。基于这种思想，本文将PSO在航班着陆调度中的应用进行深化与拓展，得出了更加具有稳定性算法DIPSO，该算法弥补了FCFS之前存在种族多样性不足、早熟以及部分不优的缺陷，在终端区航班着陆调度的应用中取得了优异的成绩。
参考文献：
[1]马卫民，杨文娟，徐博，等. 基于受限位移约束的蚁群算法在航班着陆调度问题中的应用研究[J]. 管理工程学报，2016，30（1）：191-196.
[2]王俊义，王兴隆. 近距平行跑道航班着陆调度研究[J]. 航空计算技术，2017（1）：63-65.
[3]马英钧，孙晓娜，赵东方. 基于改进粒子群算法的航班降落调度问题研究[J]. 计算机应用研究，2015，32（7）：2035-2038.
作者简介：
张晶鑫，男，出生于1983年4月，辽宁沈阳人，2008年6月毕业于空军工程大学，助理工程师，工作单位为93123部队工作，研究方向为航空管制与空域规划。