安全问题，因此不考虑对其重新调 度；而对于上一调度过程已经安排着陆时间、但仍然需要一定时间才会着陆的航班，以及当 前调度过程中刚刚进入终端区的航班，可根据上一调度过程的信息等，对该些需要经过一 段时间才会着陆的航班进行调度排序，使得该些航班在安全着陆的前提下，着陆完成所需 时间最短，具体的，可参见图1。
[0045] 图1为本发明终端区流量调控方法实施例一的流程图。本实施例的执行主体为终 端区流量调控装置，适用于需要实时对终端区流量进行调控的场景。具体的，本实施例包括 如下步骤：
[0046] 步骤1、根据各航班预计到达时间的先后顺序，生成待调度序列，所述各航班为超 过阈值时间着陆的航班。
[0047] -般来说，航班的到达时间不能早于其预计到达时间，即最早到达时间。为避免对 马上就要着陆的航班进行调度带来的安全问题，可设置一阈值时间，将阈值时间内预计到 达的航班作为马上就要着陆的航班，而将超过阈值时间到达的航班作为待调度航班。具体 的，可参见图2,图2为本发明终端区流量调控方法一实施例的动态调度示意图。
[0048] 如图2所示，时间延伸方向为箭头指向，竖直虚线的左边为已当前调度时刻为参 考点，已经被安排着陆、且阈值时间内预计到达的航班，出于安全考虑，不对其进行调度；而 竖直虚线右边的航班包括两部分，其中一部分为新进入的航班（如最右边的小虚线框所 示），剩余部分为上一调度过程已经安排着陆时间、但仍然需要一定时间才会着陆的航班。 本发明实施例中，主要是针对竖直序列右边的两部分航班的调度。
[0049] 本步骤中，假设航班着陆前1分钟，对其调度会带来安全问题，则可将阈值时间设 置为1分钟。对于1分钟内着陆的航班，不对其进行调度，而对于超过1分钟着陆的航班， 可对其进行调度。具体的，对于超过阈值时间到达的航班，可根据预计到达时间的先后顺序 生成一个待调度序列。例如，超过1分钟到达的航班有5架，编号依次为1、2、3、4、5，其预计 到达时间依次为90s、310s、380s，140s、200s、则可以得到待调度序列为{1，4, 5, 2, 3}。
[0050] 步骤2、对所述待调度序列进行优化，得到最优序列，所述最优序列为使得所述各 航班在安全着陆前提下，着陆完成所需时间最短的序列。
[0051 ] 本步骤中，对于待调度序列进行一系列优化，最终得到一个最优序列。使得各航班 按照该最优序列着陆时，各航班在安全着陆前提下，着陆完成所需时间最短的序列。
[0052] 步骤3、按照所述最优序列，对所述各航班进行调控。
[0053] 在得到最优序列后，根据该最优序列对各航班进行调度，即使得各航班按照最优 序列，依次着陆。
[0054] 本发明实施例提供的终端区流量调控方法，根据各航班预计到达时间的先后顺 序，生成待调度序列，然后对该待调度序列进行优化，得到使得各航班在保证陆时间间隔满 足安全时间间隔，且各航班的着陆时间在其最早/最晚着陆时间范围内的前提下，着陆完 成所需时间最短的最优序列，最后按照最优序列，对各航班进行调控，从而根据终端区的运 行情况以及待着陆航班的相关信息，进行实时调度并快速地给出优化后的结果，实时的根 据终端区的运行状况，对航班进行合理调控的目的。
[0055] 下面，对步骤2进行详细说明。具体的，可参见图3,图3为本发明终端区流量调控 方法实施例一中步骤2的分解示意图。如图3所示，步骤2包括如下子步骤：
[0056] 步骤2. 1、初始化参数并建立概率分布模型，所述参数包括：扩展指数Θ，种群规 模Μ以及最大迭代次数。
[0057] 本步骤中，初始化航班着陆动态模型的参数，该航班着陆动态模型的参数包括扩 展指数Θ，种群规模Μ以及最大迭代次数maxgen。
[0058] 步骤2. 2、根据所述待调度序列，生成第一种群，所述第一种群包括Μ个序列，所述 Μ个序列为对所述待调度序列中的所有航班重新排列得到的序列，迭代次数=0 ;
[0059] 本步骤中，根据步骤2. 1中，对超过阈值时间预计到达的航班排序得到的待调度 序列，生成第一种群。该第一种群包括Μ个随机生成的序列，各序列为对待调度序列中的所 有航班重新排序得到，各序列为一种可能的航班着陆序列。可选的，第一种群包括的Μ个序 列中的任一序列S，该序列S采用实数编码：S = [Sl，s2，…，sN]，其中，Ν为航班的数目，^为 位于所述序列S的第i个位置上着陆的航班的实数编码序号，1 < i < N。此时，当前迭代 次数为0。
[0060] 步骤2. 3、根据所述Μ个序列，确定所述第一种群的中心排列〇。。
[0061] 本步骤中，根据步骤2. 2中生成的第一种群包括的全部序列，即Μ个序列，获取中 心排列σ。。也即是说，中心排序〇。根据第一种群中的所有序列确定出。
[0062] 具体的，首先，根据第一种群中全部序列，计算序列中每一位的平均值，例如，假设 5架飞机的实数编码序号分别为1~5,第一种群包括序列1 : {2, 3,4, 5,1}与序列2 : {2,1， 3,4,5}，则每一位的平均值为2、2、3.5、4.5、3。该过程中，若有两位的平均数相同，则随机安 排这两位的先后顺序。其次，将么ω的值设定为其中最小值的位置，么(2)的值设定为其中第 二小的值的位置，以此类推，来确定σ。的全部取值。
[0063] 步骤2. 4、根据所述中心排列?。与所述扩展指数Θ建立概率分布模型，根据所述 概率分布模型，对所述中心排列〇。随机采样，生成（l-p)XM个序列；根据启发式搜索，生 成pXM个序列，其中，p为比例因子，小于0 < p < 1。
[0064] 首先，对如何建立概率分布模型进行说明。
[0065] 具体的，根据锦葵模型（Mallows Model)和肯德尔距离（Kendall-tau Distance)， 建立针对排序问题的EAD算法框架。其中，Mallows Model是一个以序列间"距离"为 基础的指数分布概率模型。具体的，可根据一个"中心排列"序列σ。和一个预先设定 的扩展指数Θ，定义一个概率分布模型，g卩
，其中，d为两个序列之 间的Kendall-tau距离，σ为待生成的序列，对于两个序列ojP σ 2，定义两者之间的 Kendall-tau距离为：
'_即将其中一个序列转化 为另一个序列所需的最少邻位变换次数；P0为所述概率分布模型；。为所述Μ个序列的序 列间距，Φ ( Θ )为归一化常数，该归一化常数
[0066] 接着，获取新的序列个体。
[0067] 具体的，在确定中心排列σ。与概率分布模型之后，便可以得新的序列个体，可通 过两种方式获得新个体：
[0068] 方式一、根据概率分布模型，对中心排列σ。随机米样，生成（1-ρ) ΧΜ个序列，其 中，Ρ为比例因子，小于0 < Ρ < 1。
[0069] 具体的，根据概率分布模型，确定所需生成的序列的距离d的值，然后随机生成一 个与中心排列〇。距离为d的新序列，即对σ。做d次不重复的邻位变换操作，变换的位置 随机进行选择，以这种方式便可随机采样生成与中心排列σ。距离为d的新序列。
[0070] 方式二、根据启发式搜索，生成pXM个序列。
[0071] 需要说明的是，该启发式搜索被设置于当且仅当产生新的序列时、以及由于新航 班的加入导致第一种群重新配置时生效。
[0072] 通过方式一与方式二，将分布估计算法（EDA)的算法框架与一种局部搜索相结 合，得到一种动态调控的方法。该方法中，由于每次求解最优序列时，仅仅已知整个航班序 列的部分航班的信息，即对于一个具体的调度过程来说，只考虑上一个调度过程中仍然需 要一段时间才能着陆的航班，以及本调度过程中进入终端区的新航班，因此必须充分考虑 航班之间的相互关系，从而得到更好的结果，达到具备动态求解能力的同时，使最终得到的 最优序列的质量尽可能接近于已知全局信息情况下得到的序列的质量。
[0073] 步骤2. 5、将所述（1-ρ) XM个序列、所述pXM个序列加入所述第