基于動態優先級的機坪車輛避沖突運行規劃方法

摘要：【目的】針對機坪車機混行環境，提出了一種考慮動態優先級的避沖突運行規劃方法?！痉椒ā渴紫?，從作業效率和運行風險兩個層面，提出動態優先級計算方法，完善了多類型保障車輛時變沖突風險劃分的規則。其次，考慮保障車輛運行規則和物理特性，建立了考慮行駛和等待時間最小化的混合整數規劃模型。最后，設計全局路徑優化的兩階段算法進行求解，并通過低時間復雜度的改進沖突探測方法，彌補了傳統方法求解大規模復雜問題在時效性方面的不足?！窘Y果】實驗表明，設計的算法在大、小規模場景均有較好的適用性，相比對照算法，沖突優化幅度提升7.6%，車輛與航空器沖突占比降低7.5%?！窘Y論】所提方法滿足了保障車輛差異化運行要求，實現了車輛和航空器混合運行環境下避沖突路徑規劃的功能。

關鍵詞：航空運輸；運行路徑規劃；沖突探測；混合整數規劃模型；動態優先級

中圖分類號：[U8] 文獻標志碼：A

本文引用格式：包丹文，姚馨宇，劉建榮，等. 基于動態優先級的機坪車輛避沖突運行規劃方法[J]. 華東交通大學學報，2024，41（4）：99-107.

Operation Planning Method for Airport Support Vehicle

Collision Avoidance Based on Dynamic Priority

Bao Danwen1， Yao Xinyu1， Liu Jianrong2， Chen Zhuo1， Zhou Jiayi1

（1. College of Civil Aviation， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China; 2. School of Transportation and Civil Engineering， South China University of Technology， Guangzhou 510641， China）

Abstract： 【Purpose】To enable conflict avoidance operation planning for support vehicles in complex environments， a dynamic priority classification method is proposed. 【Method】This method prioritizes conflict avoidance based on levels of operation efficiency and risk. Additionally， a conflict avoidance operation planning model were established， along with a two-stage algorithm for global path optimization. A low time complexity conflict detection method was also proposed to ensure accuracy in solving large-scale complex problems quickly. 【Result】Compared to the fixed-priority-based two-stage algorithm， the proposed approach improves conflict point reduction by 7.6% and reduces the vehicle-aircraft conflict ratio by 7.5%. 【Conclusion】The proposed method meets the requirements of ensuring differentiated vehicle operation， and realizes the function of conflict avoidance path planning in a mixed operation environment of vehicles and aircraft.

Key words： air transportation; operation path planning; conflict detection; mixed integer programming model; dynamic priority

Citation format： BAO D W， YAO X Y， LIU J R， et al. Operation planning method for airport support vehicle collision avoidance based on dynamic priority[J]. Journal of East China Jiaotong University， 2024， 41（4）： 99-107.

【研究意義】隨著中國民航業的快速發展，機場地面保障車輛數量急劇增加，導致車輛與航空器之間的沖突風險增加，影響機坪運行效率和安全水平。目前，保障車輛的沖突安全控制仍然依賴于機場管制人員決策，并且機坪道路車機混合運行環境復雜，人工決策易面臨沖突風險多、運行損失時間多等問題。因此有必要科學制定機場保障車輛避沖突運行路徑，為機場地面管制提供可靠參考。

【研究進展】國內外學者以航空器為研究對象，進行了較多研究并取得一定研究成果。在沖突解脫方面，既有研究多數遵循先到先服務的沖突解脫規則，對沖突點的航空器及車輛進行解脫。Deng等[1]研究了機場跑道和滑行道路徑規劃問題，設計了采用航空器速度優先和先到先服務規則的沖突解脫策略，對機場滑行道路徑進行了有效優化。Liang等[2]針對機場平行跑道的航空器路徑規劃問題，以先到先服務為沖突解脫規則，采用隨機爬山算法優化航空器滑行路徑沖突。李慧盈等[3]分析了航空器不同沖突類型的特征差異，并根據沖突特點采用先到先服務沖突解脫規則優化航空器場面滑行路徑。許敖洋等[4]在分析沖突類型差異性的基礎上，進一步分析了滑行油耗對先到先服務沖突解脫策略的影響。也有學者采用固定優先級策略，按照事先給定的優先級進行沖突點的解脫。Zhao等[5]構建機場滑行區域劃分模型，以航班任務時序和航空器類型為優先級，解脫航空器在滑行道的路徑沖突。

在機場路徑規劃方面，既有研究主要以避免沖突為安全目標。多數學者研究航空器相遇沖突和交叉沖突，建立以無沖突、滑行時間或等待時間最小的混合整數規劃模型。李楠等[6]綜合考慮了航空器的滑行距離、轉彎次數和沖突風險因素，以時間成本和油耗為目標函數，采用改進A*算法和啟發式搜索算法求解航空器精確滑行路徑。Murrieta等[7]以最少油耗為主要目標，采用粒子群算法，求解惡劣天氣環境下航空器路徑滑行問題。孫若飛等[8]在滑行路徑優化基礎上，考慮航空器速度變化和污染物排放因素，提出基于遺傳算法和Yen算法的場面滑行優化方法。上述方法由于模型變量多，較難獲得最優解，有部分學者采用先預選再優化的兩階段方法降低了無沖突路徑求解難度[9-11]。

【創新特色】沖突解脫研究成果不完全適用于機坪車輛，主要原因在于機坪車輛類型多、規模大，車輛沖突風險隨運行狀態動態變化，難以事先確定優先級。采用固定優先級易造成沖突解脫過程中資源分配不均，易產生車輛頻繁停車等待等問題，降低了機坪運行安全水平。機場路徑規劃研究只針對滑行道區域的航空器沖突，未涉及機坪區域航空器與車輛之間的沖突避讓，不同類型保障車輛的物理尺寸和風險容忍度差異較大。

【關鍵方法】本文針對機坪車輛與航空器混行環境中的沖突問題，提出了一種考慮動態優先級的避沖突運行規劃方法，建立了混合整數規劃模型，并通過設計全局路徑優化的兩階段算法及改進的沖突探測方法，提高了模型的求解效率。

1 問題描述

1.1 研究對象

在地面保障服務中，車輛承擔著重要的運輸和作業任務。機場地面保障服務主要包括裝卸行李、客艙服務、加油和配餐等，分別對應行李牽引車、污水車、清水車、加油車、客梯車、升降平臺車、加油車和配餐車等保障車輛。其中，客梯車和升降平臺車等保障車輛由于其停放位置接近作業區域，在機坪道路系統內活動范圍較小，行駛時間較短，故在本文研究中不作考慮。

本文將行李牽引車、污水車、清水車、加油車、配餐車5種主要保障車輛作為沖突風險控制的研究對象，并根據保障車輛攜帶設備和物料的特殊性，將行李牽引車和加油車確定為關鍵保障車輛，研究保障車輛避沖突運行規劃方法。

1.2 沖突判別方法

將保障車輛沖突定義為車輛在行駛中的時間和路徑沖突，傳統保障車輛沖突識別定義中未考慮車身物理尺寸，本文將其納入沖突識別過程。本文研究的沖突類型主要為車輛與車輛沖突、車輛與航空器沖突兩種，具體識別過程如下所示。

1） 計算車輛在路段[eij]的通行時間，如下

[tij=lijv0] （1）

式中：[tij]為通過路段[eij]的時間；[lij]為路段[eij]的長度；[v0]為車輛行駛速度。

2） 車輛[a]通行路段須滿足以下要求

[Tinija+tij≤Toutija] （2）

式中：[Tinija]為a車輛在路段[eij]的駛入時間；[Toutija]為車輛a駛出路段[eij]的時間。

3） 檢測各車輛行駛路徑是否存在交叉，判別過程如下

[V（k1，k2）=Vk1?Vk2] （3）

式中：V為車輛行駛路徑集；k1，k2均為車輛行駛路徑。

4） 如圖1所示，考慮車輛抵達道路交叉口的先后次序，判斷車輛[a]進入路段時間[Tinija]或駛出路段時間[Toutija]是否滿足約束關系。以[Tinija]為例，若滿足式（4）約束關系式，則檢測存在沖突，根據式（4）同理可得[Toutija]約束關系式為

[Tinija-Tinkjblt;Ha+Hsv0，" "Tinija≤TinkjbTinija-Tinkjblt;Hb+Hsv0，" "Tinijagt;Tinkjb] （4）

式中：[Hs]為車輛與車輛的安全間隔距離；[Ha]和[Hb]分別為不同類別保障車輛的車身尺寸；[vo]為保障車輛行駛速度。

根據民航局頒布的《運輸機場運行安全管理規定》，航空器相較各類型保障車輛，在機坪區域擁有最高優先通行權。如圖2所示，當發生沖突時，區別于車輛與車輛沖突檢測邏輯，航空器需要優先通行，若車輛[Tinija]或[Toutija]滿足約束要求，則產生沖突。如式（5）所示，以[Tinija]為例，當滿足約束關系時，說明車輛和航空器發生沖突，同理可得[Toutija]。

[Tinija-Tinkjclt;v0Hc+vcHpv0vc] （5）

式中：[Hp]為車輛與航空器的安全間隔距離；[Hc]為航空器的長度尺寸。

1.3 沖突動態優先級劃分方法

車輛沖突解脫策略包括停車等待策略和固定優先級策略，停車等待策略是指車輛在路口發生沖突時，車輛按照先到先服務的規則，進行沖突解脫。固定優先級是指發生沖突時，車輛按照任務的先后順序，進行沖突解脫。然而，在機坪實際運行中，保障車輛類型多、規模大、運行時間長，車輛沖突風險會不斷變化，且不同類型保障車輛具有不同的運行特性。直接采用上述策略可能導致車輛資源分配不均，影響機坪運行效率。

本文從動態優先級和風險控制兩方面著手，一方面，先安排車輛種類優先級高、任務緊急程度高的車輛通行；另一方面，對于關鍵保障車輛，賦予其較高風險系數，降低其在初始路徑中的沖突次數，減少沖突啟-停次數。對于普通保障車輛，通過運行累計時長刷新和提高車輛優先級，減少沖突等待時間。因此，本文將保障任務優先級、車輛種類優先級、運行時間優先級均納入動態優先級計算中，當第[a]輛保障車輛執行j類保障作業任務運行至i節點時，其動態優先級計算公式如下

[DPjai=ασTjai+djaiTja+dja+βMjaiMja+γCaC] （6）

式中：[Tjai]為車輛[a]執行[j]類作業時運行至節點[i]的運行時間，[Tja]為車輛[a]執行[j]類作業的總運行時間；[djai]為車輛[a]執行[j]類保障作業時在節點[i]產生的沖突等待時間，[dja]為車輛[a]執行[j]類作業時的總沖突等待時間；[Mjai]為車輛[a]執行[j]類作業在節點[i]時作業任務的優先級，[Ma]為所有保障車輛的最大任務優先級；[Ca]為第[a]輛車的作業優先級，[C]表示最大作業優先級；[α]為保障車輛的時間權重系數；[β]為任務緊急程度的權重系數；[γ]為車輛種類作業優先程度的權重系數；[σ]為車輛風險差異化權重系數，[α， β， γ， σ∈（0，1）]。

2 模型構建

2.1 模型參數

[R=Y?U]為總路徑網絡節點集合，[Y=][1，2，…，Y]為道路節點集合，[U=1，2，…，U]為機坪節點集合，[Q=A?C]為交通實體集合，[A=1，2，…，A]為保障車輛集合，[C=1，2，…，C]為航空器集合。

2.2 模型假設

現實問題中的航班任務臨時變動、車輛個體差異、車輛負重對運行速率的影響等因素均會對車輛實際運行帶來影響。為了簡化這類因素，本文作出如下假設：

1） 各類型保障車輛平均行駛速度為[v0]，且不考慮加減速、轉彎以及負載對車輛速度的影響；

2） 航空器位置信息精確可靠，不考慮定位誤差因素對沖突的影響；

3） 航班保障任務不發生臨時改動，各保障作業所需時間確定。

2.3 保障車輛避沖突路徑規劃模型

本文參考傳統機場場面無沖突路徑規劃模型[11]，引入各保障車輛車身長度因素和機坪車輛運行規則約束條件，對各類保障車輛行駛路徑全局尋優。構建的保障車輛避沖突路徑規劃模型如下所示。

2.3.1 保障車輛避沖突路徑規劃目標函數

安全和效率是機坪運行管理過程中的重要目標。本文構建以車輛行駛時間成本和沖突時間成本為總成本的目標函數F，如下

[F=min" i=1Rj=1Rtijxija+q=1Qa=1Ai=1Rβiwiaq] （7）

式中：[xija]和[wiaq]均為決策變量；[tij]為車輛行駛經過節點[i]至[j]的時間；[xija]為第[a]輛保障車輛從節點i到節點j時為1，否則為0；[βi]為各節點[i]的權重，權重計算參考文獻[12]；[wiaq]為車輛[a]與交通實體[q]發生沖突時在節點[i]處產生的沖突等待時間。

2.3.2 保障車輛避沖突路徑規劃約束條件

1） 車輛路徑規劃基本約束條件。機場保障車輛執行每次任務作業時在各個節點至多行駛一次，滿足約束為

[a=1Ai=1Rxija=1 ，" " ?i∈R] （8）

[a=1Aj=1Rxija=1 ，" " ?j∈R] （9）

2） 任務分配約束條件。在機場地面保障服務作業中，一次地面保障作業對應一輛保障車輛，滿足約束為

[a=1Axija=1，" " ?i，j ∈R] （10）

3） 機坪道路運行規則約束條件。機坪車輛道路為單向道路，保障車輛禁止掉頭和超越前車，滿足約束為

[eij≠eji，" " ?i，j ∈Y] （11）

機坪進出口道路為雙向道路，保障車輛禁止穿越停機坪，滿足約束為

[eij=eji，" " ?i∈Y，" "?j∈U] （12）

式中：[eij]為節點[i]至[j]的路段。

4） 路段時間約束條件。保障車輛在機坪道路各路段行駛的時間關系需滿足如下約束

[tij=lijv0，" " " " ?i，j ∈R] （13）

[Tinija+tij≤Toutija，" " " "?i， j∈R] （14）

式中：[Tinija]為第[a]輛車進入eij的時刻；[Toutija]為第[a]輛車離開[eij]的時刻；[lij]為路段[eij]的長度。

5） 避沖突約束條件。保障車輛與保障車輛的避沖突運行需滿足約束為

[（Tinija+wiaq）-（Tinkjq+wiqa）≥H+Hsv0， ?a∈A， ?q∈C ]（15）

[Toutija-Toutkjq≥H+Hsv0，" "?a∈A， ?q∈C ] （16）

式中：[H]為優先到達路點車輛的車身長度；[Hs]為車輛間的安全間隔距離。

保障車輛與航空器的避沖突運行需滿足約束為

[Tinija+wi，a，q-Tinkjq≥v0Hc+vcHpv0vc， ?a∈A， ?q∈C ]（17）

[Toutija-Toutkjq≥v0Hc+vcHpv0vc， ?a∈A， ?q∈C ] （18）

式中：[Hc]為航空器長度；[Hp]為車輛與航空器間的安全距離；[vc]為航空器滑行速度。

5） 沖突等待時間唯一性約束條件。在一次避沖突過程中，有且僅有一輛保障車輛執行沖突等待操作，滿足約束為

[wiaqgt;0?wiqa=0，" "?a∈A， ?q∈C ] （19）

3 基于自適應遺傳-動態優先級策略的兩階段算法

3.1 兩階段算法

由于機場保障車輛種類多，各類保障車輛行駛路徑不同，傳統路徑規劃算法不符合保障車輛避沖突路徑規劃要求。因此，本文針對建立的模型，從全局路徑尋優角度出發，選擇自適應遺傳算法（adaptive genetic algorithm，AGA）求解全局下的最優車輛路徑，基于動態優先級沖突解脫策略（dynamic priority conflict relief strategy，DPCRS）求解最優車輛路徑下的避沖突路徑規劃問題。

建立AGA-DPCRS兩階段算法，從全局角度搜索最優路徑。第一階段為保障車輛路徑優化問題，考慮直接求解避沖突模型復雜性，在本階段求解結果允許存在沖突路徑?；诘蜁r間復雜度的沖突檢測方法，通過遺傳算法求解數學模型得到優化路徑。第二階段為保障車輛沖突解脫問題，針對優化后路徑下存在的沖突點，設計動態優先級解脫策略，計算車輛在沖突點處的優先級，通過比選優先級確定車輛優先通行順次，以求解保障車輛多樣化安全需求的沖突解脫問題。

3.2 自適應遺傳算法設計

1） 染色體編碼與初始化解。本文算法采用0-1二進制編碼方式，編碼的長度為有保障作業任務需求的機坪數量。因此編碼長度由有任務需求的機坪數量決定。根據機坪系統的保障車輛運行規則，機坪有兩個可供選擇的車輛進出通道。在染色體編碼設置時，0表示為機坪車輛上部進出通道，1表示為機坪車輛下部進出通道。

2） 適應度函數。在遺傳算法中，通過適應度函數計算種群個體的適應度值，從而尋找最優解。由于保障車輛的種類繁多，數量龐大，直接求解包含沖突約束的路徑規劃模型可能會導致路徑死鎖，進而無法得到可行解。因此，本文在算法的第一階段，允許沖突的發生，并將沖突約束條件轉化為目標函數，以此作為適應度函數，具體如下

[fu=1f（u）f（u）=mini=1Rj=1R[tijxija+max（0， hijaq）2] hijaq=（H+Hs）/v0-Tinija-Tinijq，" "?a∈A， q∈C（v0Hc+vcHp）/v0vc-Tinija-Tinijq， ?a∈A， q∈C0，" " [ （v0Hc+vcHp）/v0vc-Tinija-Tinijqlt;0]?[（H+Hs）/v0-Tinija-Tinijqlt;0]] （20）

3） 選擇、交叉和變異。精英選擇策略易陷入局部最優解，為盡可能減少陷入局部最優解可能性，選擇輪盤賭選擇策略。為提高算法性能，提高遺傳算法搜索能力和收斂性能，文本借鑒文獻[13]引入自適應交叉和變異概率。

3.3 低時間復雜度的改進沖突檢測方法設計

現有研究中，針對重疊節點處的多沖突時間檢測問題，采用的是兩兩循環比較方法[12]，即多次循環比較兩個待檢測時間窗是否滿足約束關系。這種方法的時間復雜度為平方階O（n2），在求解大規模復雜算例時不利于提高效率。因此，本文基于“空間換時間”原則，設計了一種低復雜度的沖突時間檢測方法，其時間復雜度為線性階O（n），能更有效地求解大規模復雜問題。具體步驟如下：

1） 以所有經過檢測節點車輛的時間窗為集合V，提取時間窗集合V中最小值，將所有車輛時間窗減去最小值并加1，得到并更新集合V中的各車輛時間窗；

2） 提取新時間窗集合中的最大值，以最大值的數值為維數，初始化一個該維數下的0向量；

3） 在更新時間窗集合V中進行遍歷搜索，根據時間窗的數值，依次在對應維數位置加1，當新向量中出現數字2時，即為出現時間沖突，產生車輛沖突。

4 實例分析

4.1 場景定義

本文選取了南京祿口機場為研究對象，南京祿口機場作為國內大型樞紐機場，截至2021年底，旅客運輸量達1 759.9萬人次，位居全國機場第13名。機坪面積約110萬m2，整體規模位于華東地區機場第2位。其中T1航站樓機坪面積44.7萬m2，T1航站樓承擔31家航空公司國內航線飛機的保障服務，具有航班密集、機坪使用頻率高、機坪區域運行復雜的特點，其車輛道路網絡連通性較好，車輛行駛道路多樣化，因此本文選取T1航站樓處的機坪區域作為研究場地，構建的拓撲路網圖如圖3所示，圖中共有229個節點、31個機坪節點。

4.2 實驗參數

為了驗證兩階段算法在各階段和整體的有效性，在路徑規劃階段，如表1所示，選擇遺傳算法（genetic algorithm，GA）作為對比算法。為驗證本文構建的改進沖突檢測方法有效性，沖突檢測分別采用傳統沖突檢測方法和改進沖突檢測方法。在沖突檢測階段，以路徑階段AGA的結果數據作為本階段的輸入數據，選擇停車等待策略（parking waiting strategy， PWS）和固定優先級策略（priority conflict relief strategy， PCRS）作為對比策略。

4.3 運算結果

根據機場實際高峰和平峰下的保障作業數量N、各類保障車輛使用數量[A]的統計數據，對場景進行劃分，其中S1～S5為小規模算例，L1～L5為大規模算例。小規模算例下，保障作業數量在100以內，車輛使用數量在12～18輛；大規模算例下，保障作業數量在150～200個，車輛使用數量在16～30輛。表2中列出了每組算例中以沖突等待時間G、關鍵車輛啟-停次數F、最優解成本M、算法運算時長T、路徑變更幅度（優化后變更路徑數量除以總路徑數量，用[Lt]表示）、車輛沖突比（車輛沖突點數除以總沖突點數，用[Yc]表示）、沖突優化幅度（優化后沖突點減少的數量除以初始解中沖突點的數量[D]）等參數。

表2中各指標的結果取每組算例運行10次結果的平均值，考慮可計算性和求解時效性需求，本文將最大求解時間設置為3 600 s。如果超出規定時間仍未得出結果，則將結果記為*。具體計算結果見表2。

1） 運行時間指標[T]結果分析。根據圖4，AGA算法和GA算法都能在規定時間內進行求解。其中，AGA算法平均求解時間為2 289.3 s，比GA算法平均求解時間降低了189.8 s。采用傳統沖突探測方法的P算法，求解時間過長，僅在規定時間內完成對5個小規模算例組中的3個算例進行求解。因此，在大、小規模場景下，本文提出的沖突檢測方法能快速求解保障車輛避沖突路徑規劃問題。

2） 沖突比[Yc]、路徑變更幅度[Lt]及目標成本[M]指標結果分析。AGA算法相較于GA算法，能有效減少車輛與航空器沖突，車輛與航空器沖突占比平均減少7.5%。小規模算例表明，當車輛沖突比[Yc]低于0.4時，路徑變更幅度[Lt]較小，成本改善并不顯著。這是由于當車輛與航空器的沖突類型占據主導地位時，多個路段被完全占用，算法缺少可選擇的優化路徑，導致優化效果不明顯。大規模算例表明，在車輛沖突比高于0.5時，所提算法相較對比算法，目標成本函數值優化效果明顯，降低了24.6%。進一步分析小規模場景S1，S2，S3和大規模場景L1，L2發現，當保障任務數量不變時，適量增加保障車輛數量可以降低目標成本M。

3） 沖突優化幅度[D]指標結果分析。AGA算法在10組算例中，相較于GA算法，平均沖突優化幅度提高了7.6%，在大規模場景下提升了9.0%。如圖4所示，在大、小規模場景下，AGA算法的車輛沖突比和沖突優化幅度結果均大于GA算法，證明本文提出的路徑優化算法具有降低原始路徑沖突點、減少車輛與航空器沖突的兩方面優勢。

4） 沖突等待時間[G]和關鍵車輛啟-停次數[F]指標結果分析。動態優先級解脫策略相較停車等待策略有明顯的優勢，沖突等待時間平均降低了21.9%，車輛沖突啟-停次數平均降低了79.7%。表明“先到先服務”的沖突解脫規則不適用于車輛沖突頻繁的大規模復雜機坪場景。相較于固定優先級策略，動態優先級策略在大、小規模場景下均有良好的實用性。在小規模場景下關鍵車輛的啟-停次數平均降低了14.3%；在大規模場景下，盡管沖突等待時間平均上升了5.7%，但關鍵車輛的啟-停次數平均降低了52.4%，風險降低更明顯。而在機場實際運行中，更看重風險水平。

值得注意的是，在小規模場景中，3種沖突解脫策略的沖突等待時間結果相差較小。這是由于在小規模場景中，車輛沖突類型主要以車輛與航空器為主。根據機坪運行規則，航空器的通行優先級高于車輛，因此沖突等待時間的可改善空間較小。

5 結論

本文介紹了一種機場保障車輛避沖突路徑規劃方法，并評估了不同規模場景下的效果。主要結論如下。

1） 本文針對機場保障車輛與航空器混合運行的特點，綜合考慮車輛運行規則和物理特性，構建了以行駛和等待時間最小化為目標的混合整數規劃模型，以滿足混合運行環境中不同類型保障車輛的安全運行需求。

2） 本文提出的引入動態優先級沖突解脫策略的兩階段算法相比傳統路徑規劃算法，有效減少車輛與航空器沖突發生次數從而降低航空器運行風險，并減少車輛沖突等待時間以提高機場保障車輛運行效率。

3） 本文的算法優化可能增加了個別行駛車輛的作業成本，這是需要進一步研究的問題。因此，未來的研究可以探討如何在保證全局風險安全要求的同時，進一步降低個別車輛的作業成本，以提高整體效率。

參考文獻：

[1]" " DENG W， ZHANG L， ZHOU X， et al. Multi-strategy particle swarm and ant colony hybrid optimization for airport taxiway planning problem[J]. Information Sciences， 2022， 612： 576-59.

[2]" " LIANG M， DELAHAYE D， MARECHAL P. Conflict free arrival and departure trajectory planning for parallel runway with advanced point-merge system[J]. Transportation Research Part C： Emerging Technologies， 2018， 95： 207-227.

[3]" " 李慧盈， 張明， 劉思涵， 等. 基于沖突類型差異的航空器場面滑行路徑規劃[J]. 武漢理工大學學報（交通科學與工程版）， 2022， 46（3）： 400-405.

LI H Y， ZHANG M， LIU S H， et al. Aircraft taxiing path planning based on differences in conflict types[J]. Journal of Wuhan University of Technology （Transportation Science amp; Engineering）， 2022， 46 （3）： 400-405.

[4]" " 許敖洋， 趙浩然， 馬雪， 等. 基于最少油耗的航空器沖突解脫方法研究[J]. 科技創新與應用， 2023， 13（10）： 17-20.

XU A Y， ZHAO H R， MA X， et al. Research on aircraft conflict resolution methods based on minimum fuel consumption[J]. Technology Innovation and Application， 2023， 13 （10）： 17-20.

[5]" " ZHAO N， LI N， SUN Y， et al. Research on aircraft surface taxi path planning and conflict detection and resolution[J]. Journal of Advanced Transportation， 2021： 9951206.

[6]" " 李楠， 孫瑜， 焦慶宇，等. 基于多目標速度剖面的航空器滑行路徑規劃[J]. 飛行力學， 2020， 38（6）： 87-94.

LI N， SUN Y， JIAO Q Y， et al. Aircraft taxiing path planning based on multi-target speed profile[J]. Flight Dynamics， 2020， 38 （6）： 87-94.

[7]" " MURRIETA-MENDOZA A， BOTEZ R M， RUIZ H， et al. Particle swarm optimization with required time of arrival constraint for aircraft trajectory[J]. SAE International Journal of Aerospace， 2020， 13（1）： 269-291.

[8]" " 孫若飛， 李杰， 萬莉莉， 等. 基于速度分配的航空器綠色滑行優化[J]. 科學技術與工程， 2022， 22（16）： 6752-6758.

SUN R F， LI J， WAN L L， et al. Optimization of aircraft green taxi based on speed allocation[J]. Science Technology and Engineering， 2022， 22 （16）： 6752-6758.

[9]" " 姜雨， 劉振宇， 胡志韜， 等. 大型機場進場航空器聯合調度模型[J]. 交通運輸工程學報， 2022， 22（1）： 205-215.

JIANG Y， LIU Z Y， HU Z T， et al. Coordinated scheduling model of arriving aircraft at large airport[J]. Journal of Traffic and Transportation Engineering， 2022， 22 （1）： 205-215.

[10]" YANG L， WANG S， LIANG F， et al. A holistic approach for optimal pre-planning of multi-path standardized taxiing routes[J]. Aerospace， 2021， 8（9）： 241.

[11]" ZHANG T， DING M， ZUO H. Improved approach for time-based taxi trajectory planning towards conflict-free， efficient and fluent airport ground movement[J]. IET Intelligent Transport Systems， 2018， 12（10）： 1360-1368.

[12]" 丁文浩， 胡明華， 江斌. 基于熵權法的平行跑道多模式進場效能分析[J]. 華東交通大學學報， 2023， 40（1）： 44-51.

DING W H， HU M H， JIANG B. Multi-mode approach effectiveness analysis of parallel runways based on entropy weight method[J]. Journal of East China Jiaotong University， 2023， 40 （1）： 44-51.

[13]" 范厚明， 牟爽， 岳麗君. 考慮沖突和擁堵的自動導引車調度與路徑規劃協同優化[J]. 計算機應用， 2022， 42（7）： 2281-2291.

FAN H M， MOU S， YUE L J. Collaborative optimization of automated guided vehicle scheduling and path planning considering conflict and congestion[J]. Journal of Computer Applications， 2022， 42 （7）： 2281-2291.

第一作者：包丹文（1982—），男，副教授，博士，碩士生導師，研究方向為交通運輸規劃與管理。2004年本科畢業于東南大學，2007年碩士畢業于東南大學，2013年博士畢業于東南大學。E-mail： baodanwen@nuaa.edu.cn。

通信作者：姚馨宇（1998—），男，碩士研究生，研究方向為交通運輸工程。E-mail： yxycw@nuaa.edu.cn。