一种机场特种车辆调度优化方法与流程

本发明涉及机场车辆调度领域，特别是一种机场特种车辆调度优化方法。

背景技术：

随着机场的规模和业务量日益扩大，繁忙机场面临的运行效率较低、协同决策能力不足的瓶颈问题日益突出。如何对基本业务快速响应，并为涉及部门提供决策支持，成为实现机场高效运行的关键问题。飞机准点率是评价航空服务质量的重要指标指标之一。航空运输准点率会收到很多因素的影响，其中机场调度等其他因素占比近30％，对航班的准点率有着很大的影响。

目前，我国大部分机场对机场特种车辆的调度方式，以人工调度为主，并且是单车单航班服务的调度方式。这种调度方式效率极低，且不考虑路径优化，造成航班延误的可能性十分大。由于特种车辆成本普遍较高，机场仅提供有限的车辆来完成服务，一车服务一次的方法也会造成资源成本的浪费。对于大型枢纽机场，或处于运输高峰期的中小型机场，航班的起落在短时段内可达到较高密度。因此，需要找到高校有效的机场特种车辆调度方式，对提高机场资源的利用率，提升机场服务质量有着重大的经济、社会意义。现有研究都是针对单一类型保障车辆调度展开的，annanorin，maox，xingz等先后对除冰车调度进行了研究，annanorin和diyuan采用贪心随机自适应搜索算法，搜寻除冰车辆工作的最佳行驶路径，从而减少因除冰时间过长而导致的航班延误；maox等提出传统的集中除冰调度方法无法解决不同利益相关方自主性的问题，针对这一问题提出了以agent作为基础的新的调度方法，这种方法可以更好地解决机场除冰调度问题；xingz等运用博弈论相关知识研究了除冰车的调度问题，并通过实验验证了基于博弈论方法研究除冰调度问题是可行的。jiayandu等研究了航班地面保障服务中拖车调度的问题。建立了关于拖车调度的mip模型；anguscheung等针对清水车、牵引车以及清洁车三种不同的机场特种车辆的单独调度进行了研究；衡红军，晏晓东等先后对加油车动态调度问题和行李运输车的单独调度问题进行了研究；黄鹂诗借助simio仿真软件进行了仿真实验，分别对加油车和摆渡车的调度进行了研究。

现有研究多是针对单一类型保障车辆，未考虑不同类型保障车辆之间的服务约束关系。无法更好的体现机场特种车辆服务流程的严谨性。

技术实现要素：

本发明针对以上不足，提出了一种将加油车和摆渡车的联合调度的方法。

本发明解决其技术问题所采用的技术方案为：一种机场特种车辆调度优化方法，基于加油服务和上客服务的时间约束关系，构建航班加油服务和上客服务的联合调度模型，并运用nsga-ii算法对模型进行求解。

航班加油服务和上客服务的联合调度模型具体描述为：有m1辆加油车和m2辆摆渡车，有n个停在不同机位上的需要接受服务的航班，pi表示航班i的加油服务时间，qi表示航班i的上客服务时间，[ai,bi]表示航班i加油服务开始时间的时间窗，[ci,di]表示航班i上客服务开始时间的时间窗，根据加油服务和上客服务之间的时间约束关系，[ai,bi]应早于[ci,di]。

加油服务和上客服务的时间约束关系具体为：

当满足及时，表示每个航班有且只能由一个加油车一个摆渡车服务；

当满足si∈[ai,bi]即ai≤si≤bi及si+pi≤ti≤di时，表示每一航班加油车与摆渡车的时间关系；当同时满足

si+pi+hij+m(xik+xjk-2)≤sj+m(1-μij)

ti+qi+h′ij+m(yil+yjl-2)≤tj+m(1-νij)

时，表示航班i和航班j(i＜j)之间的加油服务和上客服务时间约束关系，其中，m为一个足够大的常量，当且仅当xik＝xjk＝μij＝1时，存在约束si+pi+hij≤sj，同理，当且仅当yil＝yjl＝νij＝1时，存在约束ti+qi+h′ij≤tj，其它情况下不成立；

当满足xik+xjk-1≤μij+μji≤1、yil+yjl-1≤νij+νji≤1时，表示决策变量之间的关系。

运用nsga-ii算法对模型进行求解，包括以下具体步骤：

步骤一、采用实数编码，以车辆序号进行染色体编码，即一条染色体上是所有航班对应的服务车辆，染色体长度为k＝m+d，m为目标函数个数，d为总航班数目，编码形式如下：

s11s22s33…snk…sflightnumnj+l11l22…lnk…llightnumnb+d1…d3，其中snk表示为第n架航班服务的加油车为k车，lnk表示为第n架航班服务的摆渡车为k车，d+1到k位为目标函数值，目标函数每次读入一条染色体，只有决策变量部分进行计算，并返回目标函数值，目标函数值储存在该染色体的末端，方便计算并处理数据；

步骤二、按照机场特种车辆调度模型计算种群中每个个体的适应度值，再根据个体的适应度值进行非劣分层，计算同一层级个体的拥挤度；

步骤三、每一代进行如下操作：选择适合繁殖的父母；在选择的父母之间进行交叉变异操作；在父母和后代之间进行选择操作；用适应的个体替代不适应个体，以保证种群数量是个常数；

步骤四、生成父代种群：按照步骤三中父代种群与子代种群合并原理，将父代与子代种群合并从而得到新的父代种群；

步骤五、判断是否满足终止条件，算法的终止条件为达到最大的迭代代数，若满足终止条件，则终止迭代；否则，返回到步骤二。

所述步骤一中染色体编码的具体步骤为：初始设定加油车与摆渡车的总数，并给车辆分别编号，为每一架航班匹配随机产生0到各特种车总数内的车辆编号，直到n个航班全部匹配，将加油车与摆渡车的染色体拼成一维向量，将目标函数值储存在染色体的末端，最终构成一条染色体。

所述每个个体的适应度值分别为：

加油车与摆渡车总数量最少

车辆形式路径最短

车辆到达时间与允许最早开始服务时间时间差最小

min(∑f1+∑f2)

所述步骤三中交叉变异操作的具体过程为：采用单点交叉变异的方式，将群体中的个体随机的两两匹配成对，每对个体的交换方式为：随机选取两个位置，将两个父代中k1和k2之间的元素进行交换，计算交换后的两个新的子代的适应度，如果两个子代的适应度均比父代大，则完成交换产生两个子代；如果子代的适应度一个比父代大而另一个比父代小，则保留大的子代而还原小的子代为父代；如果子代的适应度均比父代小，则取消此次的交换，即交换后的两个新的子代要求出其适应度，按照适应度的值比父代适应度的值的大小，来确定交换的方式。

所述步骤三中选择操作的具体过程为：采用二进制锦标赛选择方法，选择时，随机选中两个个体并比较他们的适应度，适应度最好的个体被选择为父代，直至达到配对池数量。

本发明的有益效果是：本发明通过加油车和摆渡车的联合调度，基于加油服务和上客服务的时间约束关系，提出了航班加油服务和上客服务的联合调度模型，并运用nsga-ii算法对模型进行求解，实验结果表明，所提出的模型能较好地解决加油车和摆渡车协同调度问题。

(1)本发明与人工调度相比：大大节省了特种车油耗及车辆流转时间；减少了车辆使用成本。

(2)加油车与摆渡车联合调度与单独调度相比，车辆使用数量大大减少，行驶路程也相对减少，同时到达时间差相差不大。

(3)本发明的车辆调度优化方法不仅限于机场的车辆调度，还可以推广到其他领域的车辆调度。

综合考虑，以加油车与摆渡车联合调度所设计的调度方案优于人工调度和单独调度。

附图说明

图1位本发明运用nsga-ii算法对模型进行求解流程图；

图2为本发明所选的天津机场停机位布局图示意图；

图3为本发明pareto最优解所对应的分别两个目标函数的值示意图；

图4为本发明pareto最优解所对应的目标函数值，横纵坐标轴分别对应三个目标函数值示意图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳的实施例，对依据本发明申请的具体实施方式、结构、特征及其功效，详细说明如下。

本发明解决其技术问题所采用的技术方案为：一种机场特种车辆调度优化方法，基于加油服务和上客服务的时间约束关系，构建航班加油服务和上客服务的联合调度模型，并运用nsga-ii算法对模型进行求解。

航班加油服务和上客服务的联合调度模型具体描述为：有m1辆加油车和m2辆摆渡车，有n个停在不同机位上的需要接受服务的航班，pi表示航班i的加油服务时间，qi表示航班i的上客服务时间，[ai,bi]表示航班i加油服务开始时间的时间窗，[ci,di]表示航班i上客服务开始时间的时间窗，根据加油服务和上客服务之间的时间约束关系，[ai,bi]应早于[ci,di]。

加油服务和上客服务的时间约束关系具体为：

当满足及时，表示每个航班有且只能由一个加油车一个摆渡车服务；

当满足si∈[ai,bi]即ai≤si≤bi及si+pi≤ti≤di时，表示每一航班加油车与摆渡车的时间关系；当同时满足

si+pi+hij+m(xik+xjk-2)≤sj+m(1-μij)

ti+qi+h′ij+m(yil+yjl-2)≤tj+m(1-νij)

时，表示航班i和航班j(i＜j)之间的加油服务和上客服务时间约束关系，其中，m为一个足够大的常量，当且仅当xik＝xjk＝μij＝1时，存在约束si+pi+hij≤sj，同理，当且仅当yil＝yjl＝νij＝1时，存在约束ti+qi+h′ij≤tj，其它情况下不成立；

当满足xik+xjk-1≤μij+μji≤1、yil+yjl-1≤νij+νji≤1时，表示决策变量之间的关系。

其中，m1：加油车总数；m2：摆渡车总数；n：不同机位上的需要接受服务的航班总数；ai：航班i接受加油车服务允许的最早开始服务时间；bi：航班i接受加油车服务允许的最晚开始服务时间；[ai,bi]：加油车服务时间窗；ci：航班i接受上客服务允许的最早开始服务时间；di：航班i接受上客服务允许的最晚开始服务时间；[ci,di]：摆渡车服务时间窗；pi：燃油加注时间30min；qi：摆渡车服务时间15min；hij：加油车从航班i所在机位到达航班j所在机位所需要的时间；dij：加油车从航班i所在机位到达航班j所在机位的距离；h′ij：摆渡车从航班i所在机位到达航班j所在机位所需要的时间；d′ij：摆渡车从航班i所在机位到达航班j所在机位的距离；d0i：加油车从车场到航班i停机位的距离；d′0i：摆渡车从车场到航班i的距离；xik：加油车k是否指派给航班i；yil：摆渡车l是否指派给航班i；zk：加油车k是否被使用；z′l：摆渡车l是否被使用；si：航班i的加油服务开始时间；ti：航班i的上客服务开始时间；s′i：加油车到达航班i所在停机位的时间；t′i：摆渡车到达航班i所在停机位的时间。

如图1所示，运用nsga-ii算法对模型进行求解，包括以下具体步骤：

步骤一、采用实数编码，以车辆序号进行染色体编码，即一条染色体上是所有航班对应的服务车辆，染色体长度为k＝m+d，m为目标函数个数，d为总航班数目，编码形式如下：

s11s22s33…snk...sflightnumnj+l11l22...lnk...llightnumnb+d1...d3，其中snk表示为第n架航班服务的加油车为k车，lnk表示为第n架航班服务的摆渡车为k车，d+1到k位为目标函数值，目标函数每次读入一条染色体，只有决策变量部分进行计算，并返回目标函数值，目标函数值储存在该染色体的末端，方便计算并处理数据；

步骤二、按照机场特种车辆调度模型计算种群中每个个体的适应度值，再根据个体的适应度值进行非劣分层，计算同一层级个体的拥挤度；

步骤三、每一代进行如下操作：选择适合繁殖的父母；在选择的父母之间进行交叉变异操作；在父母和后代之间进行选择操作；用适应的个体替代不适应个体，以保证种群数量是个常数；

步骤四、生成父代种群：按照步骤三中父代种群与子代种群合并原理，将父代与子代种群合并从而得到新的父代种群；

步骤五、判断是否满足终止条件，算法的终止条件为达到最大的迭代代数，若满足终止条件，则终止迭代；否则，返回到步骤二。

所述步骤一中染色体编码的具体步骤为：初始设定加油车与摆渡车的总数，并给车辆分别编号，为每一架航班匹配随机产生0到各特种车总数内的车辆编号，直到n个航班全部匹配，将加油车与摆渡车的染色体拼成一维向量，将目标函数值储存在染色体的末端，最终构成一条染色体。

如染色体表示的航班接受特种车服务编号

根据上述方法编码的染色体可以看做由两条子基因串拼接，采用此种编码的好处是，所有的航班都有相同的几率接受每辆加油车及摆渡车的服务，生成初始种群丰富，并且将目标函数的值存储在染色体末端，方便计算及数据处理。

所述每个个体的适应度值分别为：

加油车与摆渡车总数量最少

车辆形式路径最短

车辆到达时间与允许最早开始服务时间时间差最小

min(∑f1+∑f2)

所述步骤三中交叉变异操作的具体过程为：采用单点交叉变异的方式，将群体中的个体随机的两两匹配成对，每对个体的交换方式为：随机选取两个位置，将两个父代中k1和k2之间的元素进行交换，计算交换后的两个新的子代的适应度，如果两个子代的适应度均比父代大，则完成交换产生两个子代；如果子代的适应度一个比父代大而另一个比父代小，则保留大的子代而还原小的子代为父代；如果子代的适应度均比父代小，则取消此次的交换，即交换后的两个新的子代要求出其适应度，按照适应度的值比父代适应度的值的大小，来确定交换的方式。

所述步骤三中选择操作的具体过程为：采用二进制锦标赛选择方法，选择时，随机选中两个个体并比较他们的适应度，适应度最好的个体被选择为父代，直至达到配对池数量。

进一步的，本模型基于如下假设构建：机场特种车辆数量是有限的；每个航班接受加油服务和上客服务各一次，并且只需要一辆加油车和一辆摆渡车；加油车和摆渡车的总服务时间没有限制；服务一旦开始，直到完成之前不会中断。

实验结果及分析：

1、实验数据及其预处理

本发明选取天津机场在9月1日共126架过站航班及离港航班真实航班数据对算法进行实验。本节对加油车与摆渡车协同调度进行试验。

(1)停机位距离本文实验所用机场停机位布局图，如图2所示，该机场现拥有客机停机位63个，大体分布在三个区域：t1航站楼、t2航站楼和远机位。在民航机场，机场特种车辆必须按规定路线行驶，即图1中停机位之间的连接线，不能擅自进入其他区域行驶。现将所有63个停机位，根据其邻接关系，依次编号为：409、410、411、412、413、414、415、416、417、418、419、101、102、103、104、105、106、107、108、109、501、502、503、504、110、111、112、113、114、115、116、117、118、201、202、203、204、205、206、207、208、209、210、211、212、213、214、215、216、217、218、219、220、221、222、223、224、225、226、227、228、229、230，相邻停机位之间距离大约40米。其中特种车辆的车场位于501号停机位和109号停机位之间，编号为d，车场与部分停机位之间的距离矩阵(单位：米)，如表1：

表1

(2)过站航班及离港航班时间窗

根据民航局规定：对于燃油加注服务，机场加油车应该在开始上客前五分钟，完成飞机燃油加注服。载客加油或特殊情况下加油例外，也应该在预计离港时间前至少五分钟完成。表2展示了部分离港航班，需要进行燃油加注服务及接受摆渡车上客服务的允许开始服务时间窗。

表2

2、实验结果论

本发明主要借助matlab进行实验。经过多次实验调试，遗传算法的主要参数设置如下：种群大小为100，最大迭代代数为800，交叉概率为0.8，变异概率为0.3。

求解过程中会产生许多的前沿解，在满足算法终止条件的前提下，最终便可以得到pareto最优解。图2及图3表示pareto最优解所对应的目标函数值，其中，图3表示pareto最优解所对应的分别两个目标函数的值，图4表示pareto最优解所对应的目标函数值，横纵坐标轴分别对应三个目标函数值。

以上针对机场加油车与摆渡车调度的实验结果显示：与人工调度相比：机场特种车总路程从112.96km降到60.4km，降幅达46.5％，少行驶52.56km，大大节省了特种车油耗及车辆流转时间；特种车使用总数最少仅需24辆，减少了车辆使用成本。加油车与摆渡车联合调度与单独调度相比，车辆使用数量大大减少，联合调度车辆使用数量最少共仅需20辆，行驶路程也相对减少，同时到达时间差相差不大，综合考虑，以加油车与摆渡车联合调度所设计的调度方案优于人工调度和单独调度。

本发明的车辆调度优化方法不仅限于机场的车辆调度，还可以推广到其他领域的车辆调度，实验证明本发明的调度方案优于人工调度和单独调度，能够大大减少车辆使用成本且节约时间。