一种基于增强型BP神经网络的机场加油车低碳调度方法

本发明涉及车辆路径与调度领域，具体涉及一种基于增强型bp神经网络的机场加油车低碳调度方法。

背景技术：

1、随着机场规模和业务量日益扩大，航班延误率高、地面设备调配不足等问题日益突出。其中，机场航班延误的重要原因之一是航班地面作业的延误。地面作业具有严格的流程，如仅当加油车完成燃油加注服务后才可进行下一项地面服务，因此只有保障加油车的合理调度才能为后续地面作业奠定基础。而目前大部分机场的加油车调度多采用手工调度，易出现路线规划不合理的问题，加剧航班延误的同时也造成碳排放量的增加。目前对于车辆碳排放的研究多是从碳排放量的测定入手，而对车辆调度问题的碳排放研究工作很少，机场加油车作为大型车辆，产生的碳排放较于小型汽车更高。实现节能减排的重要举措是从车辆调度入手，规划合理路径，降低运营成本。

2、加油车调度属于车辆路径与调度问题(vehicle routing problem,vrp)，即在一定约束条件下，合理组织车辆路径、时间、数量等，依次完成给定区域范围内的服务需求，属于np-hard问题。如何对相互影响、相互制约的各个目标进行优化是这类问题的难点。

3、目前vrp问题的解法主要分为以下三类：(1)精确算法。即能够在小规模范围内求得最优解的算法，主要有分支定界法、动态规划法、穷举法等。(2)智能仿生算法。即通过模拟生物群体智能行为多次迭代寻求最优车辆调度策略，具有自适应性、随机性等特点，如遗传算法、蚁群算法等。(3)机器学习算法。其核心在于调度策略与外部环境的交互学习，通过有效调度策略数据的训练无限逼近最优调度策略。常用算法有人工神经网络、强化学习等。

4、现有技术的缺点在于：(1)精确算法中，仅限于小规模调度问题的求解，然而机场加油车调度考虑因素较多，属于大规模问题，不适合此类算法。(2)智能仿生算法中，该算法环境自适应能力强，但是容易陷入局部最优，寻优时间受个体分布影响明显。(3)机器学习算法中，参数学习多采用传统梯度下降优化算法，对所有参数采用固定的学习率，收敛速度慢，容易陷入局部最优解。

技术实现思路

1、本发明目的：在于提供一种基于增强型bp神经网络的机场加油车低碳调度方法，实现在基于具体应用场景的约束条件下，合理组织加油车路径、时间、数量等，依次完成目标机场各航班的服务需求。

2、为实现以上功能，本发明设计一种基于增强型bp神经网络的机场加油车低碳调度方法，执行如下步骤s1-步骤s4，完成对加油车的调度：

3、步骤s1：采集目标机场网络拓扑信息、加油车运行状态数据、航班运行状态数据，计算各加油车碳排放量，构建由多变量参数构成，且以加油车总碳排放量最小为目标的加油车低碳优化调度模型，并建立相应的约束条件；

4、步骤s2：基于增强型bp神经网络，将加油车低碳优化调度模型中的多变量参数优化问题转化为三个单变量子优化问题，分别为梯度向量平方和优化问题、实际学习率优化问题、权重向量优化问题，初始化梯度向量平方和v0、实际学习率α0、权重向量ω1，并依次更新v0、α0、ω1，获得更新后的梯度向量平方和v1、实际学习率α1、权重向量ω2；

5、步骤s3：将梯度向量平方和v1、实际学习率α1、权重向量ω2作为增强型bp神经网络的输入，对增强型bp神经网络进行迭代优化，直至满足预设收敛条件，获得增强型bp神经网络的权重向量ωt；

6、步骤s4：根据lyapunov稳定性理论，验证增强型bp神经网络的稳定性和收敛性。

7、有益效果：

8、本发明设计了一种基于增强型bp神经网络的机场加油车低碳调度方法，实现了如下技术效果：

9、1.提出基于增强型bp神经网络的机场加油车路径调度模型，在神经网络中引入学习率的下界函数，避免了自适应梯度下降算法的过早收敛，提高了路径调度的预测精度。

10、2.为了证明增强bp神经网络算法的收敛性和稳定性，结合lyapunov稳定性理论与数学推导，保证了机场加油车调度模型结果的稳定性和可靠性。

11、3.设计多种机场加油车路线调度场景，通过与其他模型的比较，验证了所提方法的适用性和精度。

12、相对于现有技术，本发明的优点包括：

13、1.基于增强型bp神经网络的机场加油车路径调度模型，避免了自适应梯度下降算法的过早收敛，提高了路径调度的预测精度。

14、2.结合lyapunov稳定性理论与数学推导，保证了机场加油车调度模型结果的稳定性和可靠性。

技术特征：

1.一种基于增强型bp神经网络的机场加油车低碳调度方法，其特征在于，执行如下步骤s1-步骤s4，完成对加油车的调度：

2.根据权利要求1所述的一种基于增强型bp神经网络的机场加油车低碳调度方法，其特征在于，步骤s1的具体步骤如下：

3.根据权利要求1所述的一种基于增强型bp神经网络的机场加油车低碳调度方法，其特征在于，步骤s2的具体步骤如下：

4.根据权利要求3所述的一种基于增强型bp神经网络的机场加油车低碳调度方法，其特征在于，步骤s3的具体方法如下：

5.根据权利要求1所述的一种基于增强型bp神经网络的机场加油车低碳调度方法，其特征在于，步骤s4中构建增强型bp神经网络的目标函数：

6.根据权利要求5所述的一种基于增强型bp神经网络的机场加油车低碳调度方法，其特征在于，步骤s4中根据lyapunov稳定性理论，验证增强型bp神经网络的稳定性方法为：若学习率αt∈(0,1)，则增强型bp神经网络是lyapunov意义上的稳定。

7.根据权利要求5所述的一种基于增强型bp神经网络的机场加油车低碳调度方法，其特征在于，步骤s4中根据lyapunov稳定性理论，增强型bp神经网络收敛的条件如下：

技术总结
本发明公开了一种基于增强型BP神经网络的机场加油车低碳调度方法，包括：获取机场网络拓扑信息和车辆运行状态数据，建立机场加油车低碳优化调度模型；提出基于增强型BP神经网络，将模型的多变量参数优化问题转化三个单变量子优化问题，初始化三个单变量，依次更新三个单变量，将更新的三个单变量作为增强型BP神经网络的输入，迭代优化直至满足收敛条件，获得权重向量；利用Lyapunov稳定性理论与数学推导，证明提出的增强型BP神经网络方法的稳定性和收敛性；本发明提出基于增强型BP神经网络的加油车路径调度模型，引入学习率的下界函数，避免了自适应梯度下降算法的过早收敛，提高了路径调度的预测精度。

技术研发人员：张敏,欧阳志珍,安成川,夏井新,陆振波
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/2/25