基于航班延误成本的停机位分配建模仿真优化研究.docx

?

?

基于航班延误成本的停机位分配建模仿真优化研究

?

?

杨子瑜+唐卫贞+凃浩

摘要：该文利用延误过站航班的预计延误时间、预分配的停机位为数据基础，建立了延误过站航班的延误成本初级、改进优化模型，以总的延误成本最小为目标函数，设计求解模型的初始、改进遗传算法。实例仿真中，用初始、改进的模型算法算出的目标函数结果与实际操作的目标函数结果进行比较，发现改进后的模型算法能够提供更好的停机位再分配方案。

关键词：过站航班延误成本停机位再分配建模仿真优化

：F562：A：1672-3791（2017）07（c）-0216-02

随着我国各地大型枢纽机场航班不断增多、旅客吞吐量屡创新高，各大机场的航班保障能力也面临着愈加严峻的考验。机场所拥有的停机位是航空器在地面停靠的场所，也是地面作业正常运转的前提条件。因此，加大停机位合理分配的研究，对全部民航产业的发展提升有着举足轻重的作用。

1构建停机位再分配初级模型

1.1初级模型的建立

1.2初级模型矩阵参数的确定

建立模型参数矩阵：列为停机位编号，且包含其坐标Dj；行共分为48行，每一行代表的时间为30min，第一行开始为8点。按照进港航班的进港时间进行编号，再把过站航班n的计划在港时间，占用几个时间单位、预分配停机位m填到数据矩阵中。

2基于遗传算法的模型求解算法设计

2.1编码

每一航班都有对应的航班编号，从小到大依次排列，对应数字序号上的数字i则为该编号的计划进港航班在进港时能选择的满足要求的整个停机位集合中的第i个停机位，把所有航班进行编码，就组成了初始的个体。染色体的长度为航班的数量。

2.2初始化种群

首先，按照所有过站航班的计划进港时间进行排序，一天时间内共有N个过站航班。其次，所有过站航班在进港时可选择的停机位集合用D={D1，D2，...，Dn}表示。最后，输入每一停机位的计划作业时间，用来确定航班n的停机位集合Dn，判断D1，D2，...，Dn中是否存在空集，如果存在，返回再确定停机位集合；反之，输出一组可行解。

2.3适应度函数

式中+？表示极大值，该极大值的设定是为了确保该文中设立的适应度函数值为正数。

2.4选择、交叉、变异

本文中采用的是比例选择算法，意思就是每一代中产生的个体是否被选择，要看该个体自身的适应度值的大小——个体的适应度值越大，那么选择该个体几率也就越大。

该文选择的交叉、变异概率是30%，大于30%，则进行交叉（变异）操作；反之，不进行交叉（变异）操作。

3模型与算法设计的改进优化

3.1停机位与机型匹配约束

在构建的初级模型的基础上，增加停机位与机型匹配这一约束条件，具体表示为：

其中yij表示航班i是否被分配到停机位j上，如果是，则yij=1；如果不是，则yij=0。

3.2交叉、变异概率的改进设计

在遗传算法前期用固定的交叉、变异概率30%，后期加入适应性交叉、变异概率。当某一个体的适应度值低于适应度均值时，表明该个体比较差，就对它采取固定、高大的交叉（变异）概率；如果某一个体的适应度值高于适应度均值，说明该个体比较优秀，对它就采取适应性的交叉（变异）概率，这种改进对于种群在进化后期效率比较高。

4实例仿真与结果分析

4.1实例仿真结果

该文以成都双流国际机场为例，选取某一天内所有的过站航班为206架次，选择T2航站楼廊桥停机位共28个，按照初级、优化改进模型分别对各项数据进行处理，建立过站航班的信息数据矩阵。

对时间成本权重α取值0.7，距离成本权重β取值0.3，分别根据初级模型算法及改进的模型优化算法，运用matlab运行停机位再分配遗传算法程序，得到最小适应度函数值分别为66.9417及44.2228。

4.2结果分析

运行初级程序及改进程序得到的最小适应度函数值，也就是最小延误成本分别为w1=66.9417，w2=44.2228；根据机场工作人员手动分配停机位的相关数据，对时间成本权重α取值0.7，距离成本权重β取值0.3，计算出的延误成本为w3=86.2673。

结果表明，延误成本w2w1p

参考文献

[1]MangoubiR.S.，DennisF.X.Mathaisel.Optimizinggateassignmentsatairportterminals[J].TransportationScience，1985，19（2）：173-188.

[2]李敏强，寇纪松，林丹.遗传算法的基本理论与应用[M].北京：科学出版社，2002.

[3]雷德明，嚴新平.多目标智能优化算法及其应用[M].北京：科学出版社，2009：34-35.

[4]王凌.智能优化算法及其应用[M].北京：清华大学出版社，斯普林格出版社，2001：71-75.

/w1

科技资讯20