基于航班延誤成本的停機位分配建模仿真優化研究

楊子瑜+唐衛貞+凃浩

摘 要：該文利用延誤過站航班的預計延誤時間、預分配的停機位為數據基礎，建立了延誤過站航班的延誤成本初級、改進優化模型，以總的延誤成本最小為目標函數，設計求解模型的初始、改進遺傳算法。實例仿真中，用初始、改進的模型算法算出的目標函數結果與實際操作的目標函數結果進行比較，發現改進后的模型算法能夠提供更好的停機位再分配方案。

關鍵詞：過站航班 延誤成本 停機位再分配 建模仿真優化

中圖分類號：F562 文獻標識碼：A 文章編號：1672-3791（2017）07（c）-0216-02

隨著我國各地大型樞紐機場航班不斷增多、旅客吞吐量屢創新高，各大機場的航班保障能力也面臨著愈加嚴峻的考驗。機場所擁有的停機位是航空器在地面停靠的場所，也是地面作業正常運轉的前提條件。因此，加大停機位合理分配的研究，對全部民航產業的發展提升有著舉足輕重的作用。

1 構建停機位再分配初級模型

1.1 初級模型的建立

1.2 初級模型矩陣參數的確定

建立模型參數矩陣：列為停機位編號，且包含其坐標Dj；行共分為48行，每一行代表的時間為30 min，第一行開始為8點。按照進港航班的進港時間進行編號，再把過站航班n的計劃在港時間，占用幾個時間單位、預分配停機位m填到數據矩陣中。

2 基于遺傳算法的模型求解算法設計

2.1 編碼

每一航班都有對應的航班編號，從小到大依次排列，對應數字序號上的數字i則為該編號的計劃進港航班在進港時能選擇的滿足要求的整個停機位集合中的第i個停機位，把所有航班進行編碼，就組成了初始的個體。染色體的長度為航班的數量。

2.2 初始化種群

首先，按照所有過站航班的計劃進港時間進行排序，一天時間內共有N個過站航班。其次，所有過站航班在進港時可選擇的停機位集合用D={D1，D2，...，Dn}表示。最后，輸入每一停機位的計劃作業時間，用來確定航班n的停機位集合Dn，判斷D1，D2，...，Dn中是否存在空集，如果存在，返回再確定停機位集合；反之，輸出一組可行解。

2.3 適應度函數

式中+？表示極大值，該極大值的設定是為了確保該文中設立的適應度函數值為正數。

2.4 選擇、交叉、變異

本文中采用的是比例選擇算法，意思就是每一代中產生的個體是否被選擇，要看該個體自身的適應度值的大小——個體的適應度值越大，那么選擇該個體幾率也就越大。

該文選擇的交叉、變異概率是30%，大于30%，則進行交叉（變異）操作；反之，不進行交叉（變異）操作。

3 模型與算法設計的改進優化

3.1 停機位與機型匹配約束

在構建的初級模型的基礎上，增加停機位與機型匹配這一約束條件，具體表示為：

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

3.2 交叉、變異概率的改進設計

在遺傳算法前期用固定的交叉、變異概率30%，后期加入適應性交叉、變異概率。當某一個體的適應度值低于適應度均值時，表明該個體比較差，就對它采取固定、高大的交叉（變異）概率；如果某一個體的適應度值高于適應度均值，說明該個體比較優秀，對它就采取適應性的交叉（變異）概率，這種改進對于種群在進化后期效率比較高。

4 實例仿真與結果分析

4.1 實例仿真結果

該文以成都雙流國際機場為例，選取某一天內所有的過站航班為206架次，選擇T2航站樓廊橋停機位共28個，按照初級、優化改進模型分別對各項數據進行處理，建立過站航班的信息數據矩陣。

對時間成本權重α取值0.7，距離成本權重β取值0.3，分別根據初級模型算法及改進的模型優化算法，運用matlab運行停機位再分配遺傳算法程序，得到最小適應度函數值分別為66.9417及44.2228。

4.2 結果分析

運行初級程序及改進程序得到的最小適應度函數值，也就是最小延誤成本分別為w1=66.9417，w2=44.2228；根據機場工作人員手動分配停機位的相關數據，對時間成本權重α取值0.7，距離成本權重β取值0.3，計算出的延誤成本為w3=86.2673。

結果表明，延誤成本w2

參考文獻

[1] Mangoubi R.S.，Dennis F.X.Mathaisel.Optimizing gate assignments at airport terminals[J].Transportation Science，1985，19（2）：173-188.

[2] 李敏強，寇紀松，林丹.遺傳算法的基本理論與應用[M].北京：科學出版社，2002.

[3] 雷德明，嚴新平.多目標智能優化算法及其應用[M].北京：科學出版社，2009：34-35.

[4] 王凌.智能優化算法及其應用[M].北京：清華大學出版社，斯普林格出版社，2001：71-75.