融合邻域搜索变异和差分进化的停机位分配方法及装置制造方法及图纸

本发明专利技术公开了一种融合邻域搜索变异和差分进化的停机位分配方法及装置，涉及机场场面资源调度技术领域，包括以下步骤：

【技术实现步骤摘要】
融合邻域搜索变异和差分进化的停机位分配方法及装置


[0001]本专利技术涉及机场场面资源调度
，具体涉及一种融合邻域搜索变异和差分进化的停机位分配方法及装置
。

技术介绍

[0002]分配问题是指在成本最小化或分配利益最大化的情况下将任务分配给一组资源
。
机场场面资源运营管理是机场工作人员通过寻找高效的场面资源调度方法来实现的
。
其中，机场停机位分配问题（
Airportgateallocationproblem, AGAP
）是基于航班预定起飞降落时间管理的一类非常重要的复杂优化问题
。
此类问题具有求解时间复杂度高
、
现实环境复杂等特点
。
高效合理分配停机位对于提高场面资源运营效率，提升旅客满意度具有重要意义
。
[0003]目前，现有研究主要针对停机位分配问题的优化目标和求解方法
。
对于停机位分配问题优化目标的研究主要考虑时间成本（机场运营者角度）和旅客满意度
。
关于停机位分配问题的求解方法主要有两类
。
数学规划方法是一种热门的求解方法，但随着问题规模的增大，约束条件增多，数学规划方法逐渐暴露出计算时间长
、
求解效率低等问题
。
启发式算法逐渐受到众多学者的广泛关注
。
尽管启发式算法在解决停机位分配问题时展现出很多优点，但其仍然存在容易陷入搜索停滞状态
、
后期多样性减少等问题
。
因此，寻找一种高效的智能优化算法求解停机位分配问题十分必要，不仅具有重要理论意义，还具有广泛的实际工程价值
。
[0004]DE
算法是由
Storn
和
Price
提出的一种优秀的进化算法
。
其原理简单，搜索效率高
。
已被广泛应用于资源调度
、
工业设计等各类工程问题，并取得优异的结果
。
但
DE
算法被用以解决复杂优化问题的同时，也暴露了许多不足，比如，
DE
算法进入后期搜索阶段，搜索能力下降，搜索速度降低，容易陷入局部最优的状态
。
许多学者为了克服
DE
算法这些问题，提出了很多切实有效的方法
。
大致概括为以下几个方面：变异策略，参数控制以及算法间合作
。

技术实现思路

[0005]针对上述问题，本专利技术提供融合邻域搜索变异和差分进化的停机位分配方法及装置，针对
DE
算法存在的易陷入局部最优
、
后期收敛速度降低等问题，提出一种停机位分配方法，有效实现停机位资源优化，提高机场关键资源的利用率
。
[0006]本专利技术采用下述的技术方案：融合邻域搜索变异和差分进化的停机位分配方法，包括以下步骤：
S1
：获取机场进离港航班和停机位数据；所述进离港航班数据包括航班号
、
航班进入机位时间
、
航班驶离机位时间
、
每个航班的类型及计划载客数；所述停机位数据包括停机位类型
、
停机位占用时间和停机位大小等；
S2
：构建停机位分配数学模型，包括目标函数模型
、
约束条件模型以及多目标无量化处理模型；所述目标函数模型根据机场现实运营环境确定，采用差分进化方法进行求解；
所述目标函数包括旅客的步行时间最短
、
机位的空闲时间最均衡化
、
航班－机位匹配差异最小
、
大型机位最充分利用以及停机位占用率最高五个目标；本专利技术在机位停靠安全间隔约束的基础上，还考虑了机位唯一性
、
机位匹配约束和近机位优先被分配约束；采用无量化方式处理目标函数，最终得到目标函数；
S3
：随机生成初始化种群，按照表1设置参数；包括但不限于确定迭代次数
、
种群大小
、
初始化代数以及所求问题维数等基本参数；
S4
：初始化种群；以搜索空间上下限为界，先随机初始化种群再将种群编码为二进制个体；
S5
：种群变异
、
机位交叉
、
选择优化；计算目标函数值并排序，将排名前
60%
的个体组成邻域，通过邻域搜索变异机制生成新的优秀个体进入下一代；
S6
：执行“差生升级”策略和个体优化策略使种群得到优化；所述“差生升级”策略为：完成变异
、
交叉和选择后重新计算得到种群适应值再取均值定义为，当前个体
X
l
的适应值定义为，如果，则将
X
l
定义为当前“差生”，然后将
X
l
升级，如果升级后的“差生”无法确保比当前个体优秀，则将“差生”的位置用当前个体替换；
S7
：循环
S5
和
S6
步骤指定训练轮次，输出最优结果
。
[0007]优选的，
S2
中，所述目标函数模型包括以下几个方面：（1）旅客步行时间最短（1）；式中，
M
pq
为被分配到停机位
q
上的航班
p
中旅客的转移人数，
D
q
为旅客到达停机位
q
的距离，
Z
为0‑1变量，
Z=0
代表航班，
Z=1
代表停机位，
Z
pq
为0‑1变量，
Z
pq
=0
代表航班，
Z
pq
=1
代表停机位，
P
为航班个数，
Q
为停机位个数；（2）停机位空闲时间最均衡化，当发生延误或者冲突时，最均衡化空闲时间能起到一定的缓冲作用以避免大规模延误；（2）；式中，
T
pq
为
p
航班到达停机位
q
时停机位
q
的空闲时间，
t
q
为机位闲置时间；（3）航班－机位匹配差异最小，小型飞机尽可能停靠在小机位，大机位就可以让大型飞机停靠；（3）；
Rho
pq
为当前停机位
q
所能停靠的最大的机型与航班本应该对应的机型的差异度，
A
表示最大机位；（4）大型机位最充分利用（4）；
H
pq
为大型停机位上停靠小型飞机以及中型机位停靠的飞机数量；（5）基于机位占用率最高，当前机位占用时间与停靠航班的到达和离开的时间有关，如果二者差值变小，则代表机位占用时间少，当前航班占用时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
融合邻域搜索变异和差分进化的停机位分配方法，其特征在于，包括以下步骤：
S1
：获取机场进离港航班和停机位数据；
S2
：构建停机位分配数学模型，包括目标函数模型
、
约束条件模型以及多目标无量化处理模型；所述目标函数模型根据机场现实运营环境确定，采用差分进化方法进行求解；
S3
：随机生成初始化种群，按照表1设置参数；包括但不限于确定迭代次数
、
种群大小
、
初始化代数以及所求问题维数；
S4
：初始化种群；以搜索空间上下限为界，先随机初始化种群再将种群编码为二进制个体；
S5
：种群变异
、
机位交叉
、
选择优化；计算目标函数值并排序，将排名前
60%
的个体组成邻域，通过邻域搜索变异机制生成新的优秀个体进入下一代；
S6
：执行“差生升级”策略和个体优化策略使种群得到优化；所述“差生升级”策略为：完成变异
、
交叉和选择后重新计算得到种群适应值再取均值定义为，当前个体
X
l
的适应值定义为，如果，则将
X
l
定义为当前“差生”，然后将
X
l
升级，如果升级后的“差生”无法确保比当前个体优秀，则将“差生”的位置用当前个体替换；
S7
：循环
S5
和
S6
步骤指定训练轮次，输出最优结果
。2.
根据权利要求1所述的融合邻域搜索变异和差分进化的停机位分配方法，其特征在于，
S2
中，所述目标函数模型包括以下几个方面：（1）旅客步行时间最短：（1）；式中，
M
pq
为被分配到停机位
q
上的航班
p
中旅客的转移人数，
D
q
为旅客到达停机位
q
的距离，
Z
为0‑1变量，
Z=0
代表航班，
Z=1
代表停机位，
Z
pq
为0‑1变量，
Z
pq
=0
代表航班，
Z
pq
=1
代表停机位，
P
为航班个数，
Q
为停机位个数；（2）停机位空闲时间最均衡化：（2）；式中，
T
pq
为
p
航班到达停机位
q
时停机位
q
的空闲时间，
t
q
为机位闲置时间；（3）航班－机位匹配差异最小：（3）；
Rho
pq
为当前停机位
q
所能停靠的最大的机型与航班本应该对应的机型的差异度，
A
表示最大机位；（4）大型机位最充分利用：（4）；
H
pq
为大型停机位上停靠小型飞机以及中型机位停靠的飞机数量；（5）基于机位占用率最高：（5）；
式中，为航班
p
离开停机位
q
的时间，为航班
p
到达停机位
q
的时间，
K
代表
24h
，
Z
为0‑1变量，
Z=0
代表航班，
Z=1
代表停机位，
Z
pq
为0‑1变量，
Z
pq
=0
代表航班，
Z
pq
=1
代表停机位，
P
为航班个数，
Q
为停机位个数
。3.
根据权利要求1所述的融合邻域搜索变异和差分进化的停机位分配方法，其特征在于，
S2
中，所述约束条件模型包括以下几方面：（1）机位唯一性：（6）；为航班
p
被分配到停机位，为航班
p
被分配到停机坪；（2）机位匹配约束：（7）；
Q_t
为机位类型，
Q_t
为飞机类型；（3）安全间隔约束：（8）；为上一个飞机
p+1
到达停机位
q
的时间，为
current
飞机离开停机位
q
的时间，
sep
是安全间隔；（4）近机位优先被分配约束：（9）；为近机位，远机位，为停机坪
。4.
根据权利要求1所述的融合邻域搜索变异和差分进化的停机位分配方法，其特征在于，
S2
中，所述目标函数采用无量化处理，采用加权法将...

【专利技术属性】
技术研发人员：张丽蓉，林毅，张建伟，刘洪，
申请(专利权)人：四川大学，
类型：发明
国别省市：