航班延誤導(dǎo)致機(jī)場事先安排好的登機(jī)橋調(diào)度方案無法滿足實(shí)時需求,為了使機(jī)場在航班延誤時能夠更有效地運(yùn)行,就需要對登機(jī)橋進(jìn)行再調(diào)度。通過分析基于航班延誤的登機(jī)橋調(diào)度問題的目標(biāo),基于人工蜂群算法,提出機(jī)場登機(jī)橋調(diào)度以�？吭谶h(yuǎn)機(jī)位航班數(shù),航班登機(jī)橋原有對應(yīng)關(guān)系的改動數(shù)及乘客進(jìn)港所用時長加權(quán)之和最小為目標(biāo)的調(diào)度模型。該模型可用于機(jī)場在預(yù)先知道延誤航班信息的前提下,對不同時段的延誤航班實(shí)現(xiàn)對登機(jī)橋的高效再調(diào)度,很大程度上提高機(jī)場運(yùn)行控制的效率。通過國內(nèi)某大型機(jī)場的某天某時段的實(shí)際航班信息進(jìn)行實(shí)驗及仿真,結(jié)果表明,該模型及方法可以很好地利用到機(jī)場實(shí)際運(yùn)行中。 

【文章來源】：計算機(jī)應(yīng)用與軟件. 2019,36(08)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

初始可行解搜索流程圖

頁齦?漚?。原始logistic混沌映射為:xk+1=μxk(1－xk)(14)式中:k為迭代次數(shù)，k=(1，2，…，K)，K為最大迭代次數(shù)。當(dāng)μ=4時，y1∈(0，1)，且y1≠(0．25，0．5，0．75)，此時，式(14)是一個混沌系統(tǒng)。本文采用文獻(xiàn)［9］的映射模型:xk÷1=ωxk－2tanh(ξxk)exp(－3xk2)(15)當(dāng)μ=4，y1=0．65，ω=0．5，ξ=2．7時，式(14)及式(15)對應(yīng)的混沌系統(tǒng)如圖2和圖3所示。由圖可知，式(14)混沌系統(tǒng)產(chǎn)生的解分布在(0，1)之間，式(15)混沌系統(tǒng)產(chǎn)生的解分布在(－1，1)之間。在產(chǎn)生最優(yōu)解的過程中，由于引進(jìn)了當(dāng)前代最優(yōu)解的概念，所以選擇式(15)產(chǎn)生的隨機(jī)序列有更大的范圍及更好的遍歷性，能產(chǎn)生較高質(zhì)量的個體。圖2式(14)混沌系統(tǒng)圖3式(15)混沌系統(tǒng)2．5改進(jìn)跟隨蜂局部搜索策略跟隨蜂在雇傭蜂搜索完成產(chǎn)生的最好個體xgbest基礎(chǔ)上再次搜索更好個體［10－11］，然后在xgbest附近根據(jù)式(16)再進(jìn)行k次混沌搜索，得到k個個體，比較k個個體中質(zhì)量最高的個體作為xkbest，比較xgbest與xkbest的適應(yīng)度值，選擇大的成為最優(yōu)個體xbest。本文中觀察蜂搜索就是將某個航班在其可�？康牡菣C(jī)橋集合里重新選擇一個登機(jī)橋進(jìn)行替換。在xgbest附近進(jìn)行混沌搜索的公式為:yk=xgbest+xk(16)產(chǎn)生新食物源的更新公式為Vik:Vik=xbest+τ(xik－xbest)+φ(xr1，k－xr2，k)(17)式中:i=1

。原始logistic混沌映射為:xk+1=μxk(1－xk)(14)式中:k為迭代次數(shù)，k=(1，2，…，K)，K為最大迭代次數(shù)。當(dāng)μ=4時，y1∈(0，1)，且y1≠(0．25，0．5，0．75)，此時，式(14)是一個混沌系統(tǒng)。本文采用文獻(xiàn)［9］的映射模型:xk÷1=ωxk－2tanh(ξxk)exp(－3xk2)(15)當(dāng)μ=4，y1=0．65，ω=0．5，ξ=2．7時，式(14)及式(15)對應(yīng)的混沌系統(tǒng)如圖2和圖3所示。由圖可知，式(14)混沌系統(tǒng)產(chǎn)生的解分布在(0，1)之間，式(15)混沌系統(tǒng)產(chǎn)生的解分布在(－1，1)之間。在產(chǎn)生最優(yōu)解的過程中，由于引進(jìn)了當(dāng)前代最優(yōu)解的概念，所以選擇式(15)產(chǎn)生的隨機(jī)序列有更大的范圍及更好的遍歷性，能產(chǎn)生較高質(zhì)量的個體。圖2式(14)混沌系統(tǒng)圖3式(15)混沌系統(tǒng)2．5改進(jìn)跟隨蜂局部搜索策略跟隨蜂在雇傭蜂搜索完成產(chǎn)生的最好個體xgbest基礎(chǔ)上再次搜索更好個體［10－11］，然后在xgbest附近根據(jù)式(16)再進(jìn)行k次混沌搜索，得到k個個體，比較k個個體中質(zhì)量最高的個體作為xkbest，比較xgbest與xkbest的適應(yīng)度值，選擇大的成為最優(yōu)個體xbest。本文中觀察蜂搜索就是將某個航班在其可停靠的登機(jī)橋集合里重新選擇一個登機(jī)橋進(jìn)行替換。在xgbest附近進(jìn)行混沌搜索的公式為:yk=xgbest+xk(16)產(chǎn)生新食物源的更新公式為Vik:Vik=xbest+τ(xik－xbest)+φ(xr1，k－xr2，k)(17)式中:i=1，2

【參考文獻(xiàn)】：
期刊論文
[1]淺析基于顧客需要的民航運(yùn)輸服務(wù)[J]. 彭巍,賴懷南.  空運(yùn)商務(wù). 2018(07)
[2]基于改進(jìn)鄰域搜索策略的人工蜂群算法[J]. 魏鋒濤,岳明娟,鄭建明.  控制與決策. 2019(05)
[3]一種劣解突變策略引導(dǎo)的混合人工蜂群算法[J]. 火久元,張政,孟凡明.  計算機(jī)應(yīng)用與軟件. 2018(02)
[4]基于可變禁忌長度的優(yōu)化停機(jī)位分配[J]. 李亞玲,李毅.  計算機(jī)應(yīng)用. 2016(10)
[5]不正常航班旅客流恢復(fù)方法研究[J]. 顧兆軍,安一然,潘杰.  計算機(jī)應(yīng)用與軟件. 2016(06)
[6]基于信息反饋和改進(jìn)適應(yīng)度評價的人工蜂群算法[J]. 陳杰,沈艷霞,陸欣.  智能系統(tǒng)學(xué)報. 2016(02)
[7]基于航空公司運(yùn)行成本和公平性的停機(jī)位指派[J]. 薛清文,姜雨,劉照明,曾琳燕.  航空計算技術(shù). 2016(01)
[8]基于細(xì)菌趨藥性和當(dāng)前最優(yōu)解策略的人工蜂群算法[J]. 周長喜,毛力,吳濱,楊弘,肖煒.  計算機(jī)應(yīng)用與軟件. 2016(01)
[9]基于改進(jìn)粒子群算法的機(jī)位分配問題研究[J]. 陳驍睿.  軟件. 2015(01)
[10]中國航班延誤的現(xiàn)狀、原因及治理路徑[J]. 董念清.  北京航空航天大學(xué)學(xué)報(社會科學(xué)版). 2013(06)



本文編號：3236711