CN102930339A - 一种飞行冲突解脱方法及装置 - Google Patents
一种飞行冲突解脱方法及装置 Download PDFInfo
- Publication number
- CN102930339A CN102930339A CN2012103680830A CN201210368083A CN102930339A CN 102930339 A CN102930339 A CN 102930339A CN 2012103680830 A CN2012103680830 A CN 2012103680830A CN 201210368083 A CN201210368083 A CN 201210368083A CN 102930339 A CN102930339 A CN 102930339A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- airplane
- population
- bar
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种飞行冲突解脱方法及装置,包括:根据获取的n架飞机的飞行计划信息,确定存在飞行冲突,各飞行计划信息包括每一架飞机对应航路的各航路点位置、飞行速度、起飞时间;根据预设的最大起飞延迟时间,对n架飞机中的每一架飞机随机生成m个起飞延迟时间,生成m×n阶初始化变量种群,初始化变量种群为父种群;应用改进的遗传算法对父种群进行X次遗传迭代优化,生成父种群的第X子代种群,X表示预设的遗传迭代次数;在第X子代种群中,确定整体适应度最高的染色体,根据整体适应度最高的染色体,获得所述n架飞机各自对应的最优化的起飞延迟时间;解决了现有的飞行器冲突解脱方法不能提供全局解脱方法的问题。
Description
技术领域
本发明涉及航空技术,尤其涉及一种飞行冲突解脱方法及装置。
背景技术
近年来,我国航空业发展速度很快,航空业务量与日俱增,飞行流量大大增加,空域中飞行器的密度增大,导致飞行器之间的安全间隔难以保证,发生飞行冲突的可能性增加,如何保证飞行安全成为亟待解决的一大问题。避免飞行器发生冲突,即进行飞行器的冲突解脱成为解决此问题的关键技术。
现有的飞行器冲突解脱方法采用局部调整飞行路径、即时速度或飞行高度层来实现,虽然可以消除当前的冲突,但是,局部调整可能会带来与其他飞行器的新的冲突。
发明人在实现本发明的过程中发现:现有的绝大多数飞行冲突解脱方法不能提供全局解脱方法的问题。
发明内容
本发明提供一种飞行冲突解脱方法及装置,能够解决现有多数的飞行冲突解脱方法不能提供全局解脱方法的问题。
第一方面,本发明实施例提供一种飞行冲突解脱方法,包括:
根据获取的n架飞机的飞行计划信息,确定存在飞行冲突,各所述飞行计划信息包括每一架飞机对应航路的各航路点位置、飞行速度、起飞时间,n为大于1的自然数;
根据预设的最大起飞延迟时间δmax,对所述n架飞机中的每一架飞机随机生成m个起飞延迟时间δi∈[0,δmax],i=1,2…m,生成m×n阶初始化变量种群,所述初始化变量种群为父种群;
应用改进的遗传算法对所述父种群进行X次遗传迭代优化,生成所述父种群的第X子代种群,X表示预设的遗传迭代次数;
在所述第X子代种群中,确定整体适应度最高的染色体,根据所述整体适应度最高的染色体,获得所述n架飞机各自对应的最优化的起飞延迟时间。
第二方面,本发明实施例提供一种飞行冲突解脱装置,包括:
第一确定模块,用于根据获取的n架飞机的飞行计划信息,确定存在飞行冲突,各所述飞行计划信息包括每一架飞机对应航路的各航路点位置、飞行速度、起飞时间,n为大于1的自然数;
初始化模块,用于根据预设的最大起飞延迟时间δmax,对所述n架飞机中的每一架飞机随机生成m个起飞延迟时间δi∈[0,δmax],i=1,2…m,生成m×n阶初始化变量种群,所述初始化变量种群为父种群;
遗传迭代模块,用于应用改进的遗传算法对所述父种群进行X次遗传迭代优化,生成所述父种群的第X子代种群,X表示预设的遗传迭代次数;
第二确定模块,用于在所述第X子代种群中,确定整体适应度最高的染色体,根据所述整体适应度最高的染色体,获得所述n架飞机各自对应的最优化的起飞延迟时间。
本发明实施例采用改进的遗传算法对所有待处理飞机的起飞延迟时间对应的变量集合进行多次迭代,并将迭代结果的后代中出现的适应度最高的染色体作为遗传算法的最优解,解决了现有的飞行器冲突解脱方法不能提供全局解脱方法的问题;同时,通过优化起飞延迟时间,不仅消除了飞行冲突,而且使每架飞机的起飞延迟时间达到最小,从而可以降低飞行成本。
附图说明
图1为本发明实施例一提供的飞行冲突解脱方法的流程示意图;
图2为本发明实施例一应用的飞行航迹的2D模型示意图;
图3为本发明实施例一应用的择优继承法的一种具体实现方法示意图;
图4为本发明实施例二提供的飞行冲突解脱装置的结构示意图。
具体实施方式
遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法,它起源于对生物***进行的计算机模拟研究。和传统搜索算法不同,遗传算法从一组随机产生的初始解开始搜索过程。该初始解成为“种群”,假设每一代种群中包含m条“染色体”,这些m条染色体在后代迭代中,不断进化,称为遗传。在每一代种群中用“适应度”来测量每一条染色体的高低,对每一代种群中的m条染色体通过选择择优变异运算后生成的新的m条染色体,称为子代。在子代形成过程中,种群大小始终保持不变,也就说每一代种群中均有m条染色体,经过若干代之后,遗传算法收敛于整体适应度最高的染色体,该染色体是问题的最优解。
本发明实施例将遗传算法应用于飞行冲突的解脱,图1为本发明实施例一提供的飞行冲突解脱方法的流程示意图,如图1所示,具体包括:
步骤101、根据获取的n架飞机的飞行计划信息,确定存在飞行冲突,各所述飞行计划信息包括每一架飞机对应航路的各航路点位置、飞行速度、起飞时间,n为大于1的自然数。
飞行计划信息可以从各航空公司或机场获取,假设所有待处理飞机为n架,获取的该n架飞机的飞行计划信息具体举例来说包括起飞时间、飞行速度、飞行路径,其中,飞行路径包括起点、终点和途径的航路点。
假设每架飞机飞行过程中飞行高度不变,同一航路段上反向飞行的飞机在不同的高度层,因此,反向飞行不存在冲突可能。
图2为本发明实施例一应用的飞行航迹的2D模型示意图,现将两架飞机Fi和Fj的飞行航迹简化为2D模型,如图2所示,两条航迹Ai和Aj分别表示为(A,W1,W2,W3,W4,W5,W6,D)和(B,W2,W3,W4,W5,W7,C),A,B,C,D是两条航迹的起点和终点。W1,W2,W3,W4,W5,W6,W7是途经的航路点。两条航迹相交于(W2,W3,W4,W5),飞机Fi和Fj分别从A和B起飞,向D和C飞行。根据各航路点位置信息以及飞行速度和起飞时刻,可以获得两架飞机到达任一航路点的时刻信息,从而可以得到两架飞机在到达航迹交汇点W2时的两时刻Ti w2和Tj w2。
本实施例采用的冲突探测公式为:
步骤102、根据预设的最大起飞延迟时间δmax,对所述n架飞机中的每一架飞机随机生成m个起飞延迟时间δi∈[0,δmax],i=1,2…m,生成m×n阶初始化变量种群,所述初始化变量种群为父种群。
按照遗传算法的一般步骤,首先需要确定一个初始化种群,然后计算初始化种群中每一条染色体的整体适应度,在此基础上对初始化种群进行选择运算、择优运算和变异运算,如此反复直到得到整体适应度最高的染色体。
举例来说,本实施例中产生初始化种群具体为:
对每一架飞机的起飞延迟时间随机生成m个变量值,即δ={δ1,δ2.....δm},每一个变量值的取值范围为δi∈[0,δmax],i=1,2…m,δmax为预设的最大起飞延迟时间;
对n架飞机的起飞延迟时间随机生成m×n阶变量矩阵,D={δij,其中,m为变量矩阵的行数,n为变量矩阵的列数;
将每一行中n架飞机的起飞延迟时间对应的变量集合d={δ1,δ2......δn}作为一条染色体,获取m条染色体;
本实施例中,将所述初始化变量种群设为父种群,则所述父种群也包括m条染色体D={d1,d2…dm},每一条染色体对应所述n架飞机的起飞延迟时间对应的变量集合d={δ1,δ2......δn}。
其中,n为每一条染色体中飞机的数量,δi为n架飞机中第i架飞机的起飞延迟时间,δmax为预设的最大起飞延迟时间,NC表示每一条染色体中n架飞机中存在飞行冲突的飞机数量,所述NC是根据每一条染色体中n架飞机各自的起飞延迟时间、n架飞机各航路的航路点位置、n架飞机各自的飞行速度和所述冲突探测公式进行冲突探测而获得;
由上述公式可以看出,当每一架飞机的起飞延迟时间δi越小,总的飞机冲突数量越小,则该条染色体的整体适应度F越高。
根据步骤102中随机生成的每一条染色体中n架飞机对应的变量集合d={δ1,δ2......δn},可以获取每一条染色体中n架飞机对应的起飞延迟时间;又根据步骤101中获取的n架飞机的起飞时间、飞行速度、各条航路对应的航路点位置,应用冲突探测公式可以确定每一条染色体中n架飞机存在的总的飞机冲突数量NC。
步骤103、应用改进的遗传算法对所述父种群进行X次遗传迭代优化,生成所述父种群的第X子代种群,X表示预设的遗传迭代次数。
需要说明的是,在步骤102中将初始化种群设为父种群,因此,对所述父种群进行第一次遗传迭代其实是对所述初始化种群进行第一次遗传迭代。
第一次遗传迭代的具体过程包括:
步骤A、采用传统锦标赛法对所述父种群中的m条染色体D={d1,d2…dm}进行选择运算,获取新的m条染色体D′={d′1,d′2…d′m};
步骤B、采用择优继承法对所述新的m条染色体D′={d′1,d′2…d′m}进行择优运算,获取所述新的m条染色体D′={d′1,d′2…d′m}的新的m条染色体D″={d″1,d″2…d″m};
步骤C、采用最差基因变异法对所述新的m条染色体D″={d″1,d″2…d″m}进行变异运算,获取所述新的m条染色体D″={d″1,d″2…d″m}的新的m条染色体D″′={d″′1,d″′2…d″′m};
步骤D、将所述新的m条染色体D″′={d″′1,d″′2…d″′m}中的每一条染色体与所述父种群的m条染色体D={d1,d2…dm}中对应的染色体进行整体适应度比较,将整体适应度高的染色体作为所述父种群的子代种群中的一条染色体,直至获取所述父种群的子代种群的m条染色体。
需要指出的事,对所述父种群经过第一次遗传迭代后生成的子代种群为所述初始化种群的第一子代种群。
将所述初始化种群的第一子代种群重新设为父种群,循环重复步骤A-D进行第二次遗传迭代,生成所述第一子代种群的子代种群,所述第一子代种群的子代种群为所述初始化种群的第二子代种群,依此类推,直至完成第X次迭代,获取所述初始化种群的第X子代种群Dx={d1x,d2x…dmx}。本实施例中遗传迭代次数X为预设的数值。
举例来说,上述步骤A具体包括:
步骤A1、在所述父种群的m条染色体D={d1,d2…dm}中,随机选择2条染色体;
步骤A3、根据所述2条染色体各自的整体适应度F,选择整体适应度高的染色体作为新的一条染色体;
循环重复步骤A1-A3,直至得到新的m条染色体D′={d′1,d′2…d′m}。
举例来说,上述步骤B具体包括:
步骤B1、在所述新的m条染色体D′={d′1,d′2…d′m}中,按序选择两条染色体;
步骤B2、根据个体适应度计算公式:分别计算所述两条染色体中每一架飞机的起飞延迟时间对应的个体适应度,其中,NCi表示所述染色体对应的n架飞机中的第i架飞机与其他所有飞机存在的冲突数量;
步骤B3、比较所述两条染色体中每一架飞机的起飞延迟时间对应的个体适应度,若个体适应度不相同,则选择个体适应度高的变量值作为所述两条染色体的两条子代染色体中所述飞机对应的变量值;若个体适应度相同,则按比率继承所述两条染色体中所述飞机的起飞延迟时间对应的变量值形成两个新的变量值,将所述两个新的变量值作为所述两条染色体的两条子代染色体中所述飞机对应的变量值,将所述两条染色体的两条子代染色体,作为两条新的染色体;
循环重复步骤B1-B3,直至获取新的m条染色体D″={d″1,d″2…d″m}。
图3为本发明实施例一应用的择优继承法的一种具体实现方法示意图,如图3所示:
在步骤B中,在所述新的m条染色体D′={d′1,d′2…d′m}中,按序选择两条染色体d′1和d′2进行择优继承;
其中,d′1={δ′11,δ′12…δ′1n},d′2={δ′21,δ′22…δ′2n},每一个变量值的取值范围为δ∈[0,δmax];
在染色体d′1和d′2中,飞机1在染色体d′1中对应的变量值为δ′11,飞机1在染色体d′2中对应的变量值为δ′21,将飞机1在两条染色体中对应的个体适应度进行比较,即将δ′11与δ′21的个体适应度进行比较;
根据个体适应度计算公式:获取δ′11的个体适应度为F′11,δ′21的个体适应度为F′21;假设F′11高于F′21时,则染色体d′1和d′2生成的两条子代染色体d″1和d″2中飞机1对应的变量值继承上代染色体d′1中飞机1对应的变量值δ′11;
选择另一架飞机2,飞机2在染色体d′1中对应的变量值为δ′12,飞机1在染色体d′2中对应的变量值为δ′22,将飞机2在两条染色体中对应的个体适应度进行比较,即将δ′12的个体适应度F′12与δ′22的个体适应度F′22进行比较;假设F′22高于F′12,则染色体d′1和d′2生成的两条子代染色体d″1和d″2中飞机2对应的变量值继承上代染色体d′2中飞机2对应的变量值δ′22;
选择另一架飞机3,飞机3在染色体d′1中对应的变量值为δ′13,飞机3在染色体d′2中对应的变量值为δ′23,将飞机3在两条染色体中对应的个体适应度进行比较,即将δ′13的个体适应度F′13与δ′23的个体适应度F′23进行比较;假设F′23等于F′13,则染色体d′1和d′2生成的两条子代染色体d″1和d″2中飞机3对应的变量值按比率继承染色体d′1和d′2中飞机3对应的变量值,举例来说,继承比率可以根据实际情况进行设定,假设继承比率是a,0<a<1,则d″1和d″2中飞机3对应的一个变量值为a·δ13+(1-a)·δ23,另一个变量值为(1-a)·δ13+a·δ23。
需要指出的是,在图3所示的择优继承法中,可以按序选择染色体d′1和d′2进行择优继承生成两条子代染色体d″1和d″2;然后再按序选择d′3和d′4进行择优继承生成两条子代染色体d″3和d″4,直至按序遍历至染色体d′m-1和d′m,将染色体d′m-1和d′m进行择优继承生成两条子代染色体d″m-1和d″m,从而获取新的m条染色体D″={d″1,d″2…d″m}。举例来说,在所述新的m条染色体D′={d′1,d′2…d′m}中,也可以同时按序选择两条染色体进行择优继承生成两条子代染色体,从而获取新的m条染色体D″={d″1,d″2…d″m}。
举例来说,步骤C具体包括:
步骤C1、在所述新的m条染色体D″={d″1,d″2…d″m}中,根据个体适应度计算公式:分别计算每一条染色体中每一架飞机的起飞延迟时间对应的个体适应度,其中,NCi表示所述染色体对应的n架飞机中的第i架飞机与其他所有飞机存在的冲突数量;
步骤C2、比较每一条染色体中每一架飞机的起飞延迟时间对应的个体适应度,选出每一条染色体中个体适应度最低的变量值,随机更新每一条染色体中个体适应度最低的变量值,获取新的m条染色体D″′={d″′1,d″′2…d″′m}。
步骤104、在所述第X子代种群中,确定整体适应度最高的染色体,根据所述整体适应度最高的染色体,获得所述n架飞机各自对应的最优化的起飞延迟时间。
根据所述m条染色体各自的整体适应度F,选择整体适应度最高的染色体作为最优化的染色体dbest;
将所述最优化的染色体dbest对应变量集合作为所述n架飞机的最优化的起飞延迟时间。
本实施例中,每一条染色体是n架飞机的起飞延迟时间对应的变量集合,因此,整体适应度最高的染色体对应的最优化的变量集合对应于n架飞机的最优化的起飞延迟时间。
进一步地,本实施例中,根据获取的n架飞机对应的最优化的起飞延迟时间,和步骤101中获取的所述n架飞机的起飞时间,可以重新确定所述n架飞机的起飞时间。
本发明实施例采用改进的遗传算法对所有待处理飞机的起飞延迟时间对应的变量集合进行多次迭代,并将迭代结果的后代中出现的适应度最高的染色体作为遗传算法的最优解,解决了现有的飞行器冲突解脱方法不能提供全局解脱方法的问题;同时,通过优化起飞延迟时间,不仅消除了飞行冲突,而且使每架飞机的起飞延迟时间达到最小,从而可以减低飞行成本。
图4为本发明实施例二提供的飞行冲突解脱装置的结构示意图,具体包括:
第一确定模块41,用于根据获取的n架飞机的飞行计划信息,确定存在飞行冲突,各所述飞行计划信息包括每一架飞机对应航路的各航路点位置、飞行速度、起飞时间,n为大于1的自然数;
初始化模块42,用于根据预设的最大起飞延迟时间δmax,对所述n架飞机中的每一架飞机随机生成m个起飞延迟时间δi∈[0,δmax],i=1,2…m,生成m×n阶初始化变量种群,所述初始化变量种群为父种群;
遗传迭代模块43,用于应用改进的遗传算法对所述父种群进行X次遗传迭代优化,生成所述父种群的第X子代种群,X表示预设的遗传迭代次数;
第二确定模块44,用于在所述第X子代种群中,确定整体适应度最高的染色体,根据所述整体适应度最高的染色体,获得所述n架飞机各自对应的最优化的起飞延迟时间。
其中,第一确定模块41,具体用于根据获取的所述n架飞机的飞行计划信息,计算每一架飞机到达对应航路的各航路点的时间;根据冲突探测公式若确定至少两架飞机到达同一航路点的时间差小于预设的时间差阈值,则确定存在飞行冲突,其中,表示第i架飞机到达任一相同航路点W2的时间,表示第j架飞机到达所述航路点W2的时间,τ表示预设的时间差阈值。
其中,初始化模块42获取的所述父种群为m条染色体的集合D={d1,d2…dm},每一条染色体di包括所述n架飞机各自的起飞延迟时间di={δ1,δ2......δn},i=1,2…m,每一架飞机的起飞延迟时间为δ∈[0,δmax]。
遗传迭代模块43,具体用于采用传统锦标赛法对所述父种群中的m条染色体D={d1,d2…dm}进行选择运算,获取新的m条染色体D′={d′1,d′2…d′m};
采用择优继承法对所述新的m条染色体D′={d′1,d′2…d′m}进行交叉运算,获取所述新的m条染色体D′={d′1,d′2…d′m}的新的m条染色体D″={d″1,d″2…d″m};
采用最差基因变异法对所述新的m条染色体D″={d″1,d″2…d″m}进行变异运算,获取所述新的m条染色体D″={d″1,d″2…d″m}的新的m条染色体D″′={d″′1,d″′2…d″′m};
将所述新的m条染色体D″′={d″′1,d″′2…d″′m}中的每一条染色体与所述父种群的m条染色体D={d1,d2…dm}中对应的染色体进行整体适应度比较,确定整体适应度高的m条染色体,将所述整体适应度高的m条染色体形成所述父种群的子代种群;
将所述父种群的子代种群设为父种群,循环重复遗传迭代直至完成第X次迭代,获取所述父种群的第X子代种群Dx={d1x,d2x…dmx}。
举例来说,遗传迭代模块43采用传统锦标赛法对所述父种群中的m条染色体D={d1,d2…dm}进行选择运算,获取新的m条染色体D′={d′1,d′2…d′m}选择单元431,具体实现时为:
在所述父种群的m条染色体D={d1,d2…dm}中,随机选择2条染色体;
根据所述2条染色体各自的整体适应度F,选择整体适应度最高的染色体作为新的一条染色体;
循环重复上述选择运算过程,直至得到新的m条染色体D′={d′1,d′2…d′m}。
举例来说,,遗传迭代模块43采用择优继承法对所述新的m条染色体D′={d′1,d′2…d′m}进行交叉运算,获取所述新的m条染色体D′={d′1,d′2…d′m}的新的m条染色体D″={d″1,d″2…d″m};具体实现时为:
在上述新的m条染色体D′={d′1,d′2…d′m}中,按序选择两条染色体;
根据个体适应度计算公式:分别计算所述两条染色体中每一架飞机的起飞延迟时间对应的个体适应度,其中,NCi表示所述染色体对应的n架飞机中的第i架飞机与其他所有飞机存在的冲突数量;
比较所述两条染色体中每一架飞机的起飞延迟时间对应的个体适应度,若个体适应度不相同,则选择个体适应度高的变量值作为所述两条染色体的两条子代染色体中所述飞机对应的变量值;若个体适应度相同,则按比率继承所述两条染色体中所述飞机的起飞延迟时间对应的变量值形成两个新的变量值,将所述两个新的变量值作为所述两条染色体的两条子代染色体中所述飞机对应的变量值,将所述两条染色体的两条子代染色体,作为两条新的染色体;
循环重复上述交叉运算过程,直至获取新的m条染色体D″={d″1,d″2…d″m}。
举例来说,遗传迭代模块43采用最差基因变异法对所述新的m条染色体D″={d″1,d″2…d″m}进行变异运算,获取所述新的m条染色体D″={d″1,d″2…d″m}的新的m条染色体D″′={d″′1,d″′2…d″′m};具体实现时为:
在上述新的m条染色体D″={d″1,d″2…d″m}中,根据个体适应度计算公式:分别计算每一条染色体中每一架飞机的起飞延迟时间对应的个体适应度,其中,NCi表示所述染色体对应的n架飞机中的第i架飞机与其他所有飞机存在的冲突数量;
比较每一条染色体中每一架飞机的起飞延迟时间对应的个体适应度,选出每一条染色体中个体适应度最低的变量值,随机更新每一条染色体中个体适应度最低的变量值,获取新的m条染色体D″′={d″′1,d″′2…d″′m}。
其中,第二确定模块44,具体用于在所述第X子代种群Dx={d1x,d2x…dmx}的m条染色体中,根据整体适应度计算公式,分别计算每一条染色体的整体适应度F,根据所述m条染色体各自的整体适应度F,选择整体适应度最高的染色体作为最优化的染色体dbest;将所述最优化的染色体dbest对应变量集合作为所述n架飞机的最优化的起飞延迟时间。
本实施例所述的装置具体可以执行图1所示实施例所述的方法,其实现原理和技术效果不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种飞行冲突解脱方法,其特征在于,包括:
根据获取的n架飞机的飞行计划信息,确定存在飞行冲突,各所述飞行计划信息包括每一架飞机对应航路的各航路点位置、飞行速度、起飞时间,n为大于1的自然数;
根据预设的最大起飞延迟时间δmax,对所述n架飞机中的每一架飞机随机生成m个起飞延迟时间δi∈[0,δmax],i=1,2…m,生成m×n阶初始化变量种群,所述初始化变量种群为父种群;
应用改进的遗传算法对所述父种群进行X次遗传迭代优化,生成所述父种群的第X子代种群,X表示预设的遗传迭代次数;
在所述第X子代种群中,确定整体适应度最高的染色体,根据所述整体适应度最高的染色体,获得所述n架飞机各自对应的最优化的起飞延迟时间。
3.根据权利要求1所述的方法,其特征在于,所述父种群为m条染色体的集合D={d1,d2…dm},每一条染色体di包括所述n架飞机各自的起飞延迟时间di={δ1,δ2......δn},i=1,2…m,第j架飞机的起飞延迟时间为δj∈[0,δmax],j=1,2,…,n。
4.根据权利要求3所述的方法,其特征在于,所述应用遗传算法对所述父种群进行X次遗传迭代优化,生成所述父种群的第X子代种群具体包括:
步骤A、采用传统锦标赛法对所述父种群中的m条染色体D={d1,d2…dm}进行选择运算,获取新的m条染色体D′={d′1,d′2…d′m};
步骤B、采用择优继承法对所述新的m条染色体D′={d′1,d′2…d′m}进行择优运算,获取新的m条染色体D″={d″1,d″2…d″m};
步骤C、采用最差基因变异法对所述新的m条染色体D″={d″1,d″2…d″m}进行变异运算,获取新的m条染色体D″′={d″′1,d″′2…d″′m};
步骤D、将所述新的m条染色体D″′={d″′1,d″′2…d″′m}中的每一条染色体与所述父种群的m条染色体D={d1,d2…dm}中对应的染色体进行整体适应度比较,将整体适应度高的染色体作为所述父种群的子代种群中的一条染色体,直至获取所述父种群的子代种群的m条染色体;
将所述父种群的第1子代种群设为父种群,循环重复步骤A-D,直至完成第X次迭代,获取所述父种群的第X子代种群Dx={d1x,d2x…dmx}。
5.根据权利要求4所述的方法,其特征在于,所述采用传统锦标赛法对所述父种群的m条染色体D={d1,d2…dm}进行选择运算,获取新的m条染色体D′={d′1,d′2…d′m},具体包括:
步骤A1、在所述父种群的m条染色体D={d1,d2…dm}中,随机选择2条染色体;
步骤A2、根据整体适应度计算公式:分别计算所述2条染色体中每一条染色体的整体适应度F,其中,n为每一条染色体中飞机的数量,δi为n架飞机中第i架飞机的起飞延迟时间,δmax为预设的最大起飞延迟时间,NC表示每一条染色体中n架飞机中存在飞行冲突的飞机数量,所述NC是根据每一条染色体中n架飞机各自的起飞延迟时间、n架飞机各航路的航路点位置、n架飞机各自的飞行速度和所述冲突探测公式进行冲突探测而获得;
步骤A3、根据所述2条染色体各自的整体适应度F,选择整体适应度最高的染色体作为新的一条染色体;
循环重复步骤A1-A3,直至得到新的m条染色体D′={d′1,d′2…d′m}。
6.根据权利要求4所述的方法,其特征在于,所述采用择优继承法对所述新的m条染色体D′={d′1,d′2…d′m}进行择优运算,获取所述新的m条染色体D′={d′1,d′2…d′m}的新的m条染色体D″={d″1,d″2…d″m},具体包括:
步骤B1、在所述新的m条染色体D′={d′1,d′2…d′m}中,按序选择两条染色体;
步骤B2、根据个体适应度计算公式:分别计算所述两条染色体中每一架飞机的起飞延迟时间对应的变量值的个体适应度,其中,n为每一条染色体中飞机的数量,δi为n架飞机中第i架飞机的起飞延迟时间,δmax为预设的最大起飞延迟时间,NCi表示每一条染色体中与第i架飞机存在飞行冲突的飞机数量;
步骤B3、比较所述两条染色体中每一架飞机的起飞延迟时间对应的变量值的个体适应度,若个体适应度不相同,则选择个体适应度高的变量值作为所述两条染色体的两条子代染色体中所述飞机对应的变量值;若个体适应度相同,则按比率继承所述两条染色体中所述飞机的起飞延迟时间对应的变量值形成两个新的变量值,将所述两个新的变量值作为所述两条染色体的两条子代染色体中所述飞机对应的变量值,将所述两条染色体的两条子代染色体,作为两条新的染色体;
循环重复步骤B1-B3,直至获取新的m条染色体D″={d″1,d″2…d″m}。
7.根据权利要求4所述的方法,其特征在于,所述采用最差基因变异法对所述新的m条染色体D″={d″1,d″2…d″m}进行变异运算,获取所述新的m条染色体D″={d″1,d″2…d″m}的新的m条染色体D″′={d″′1,d″′2…d″′m},具体包括:
步骤C1、在所述新的m条染色体D″={d″1,d″2…d″m}中,根据个体适应度计算公式:分别计算每一条染色体中每一架飞机的起飞延迟时间对应的变量值的个体适应度,其中,NCi表示所述染色体对应的n架飞机中的第i架飞机与其他所有飞机存在的冲突数量;
步骤C2、比较每一条染色体中每一架飞机的起飞延迟时间对应的变量值的个体适应度,选出每一条染色体中个体适应度最低的变量值,随机更新每一条染色体中个体适应度最低的变量值,获取新的m条染色体D″′={d″′1,d″′2…d″′m}。
9.一种飞行冲突解脱装置,其特征在于,包括:
第一确定模块,用于根据获取的n架飞机的飞行计划信息,确定存在飞行冲突,各所述飞行计划信息包括每一架飞机对应航路的各航路点位置、飞行速度、起飞时间,n为大于1的自然数;
初始化模块,用于根据预设的最大起飞延迟时间δmax,对所述n架飞机中的每一架飞机随机生成m个起飞延迟时间δi∈[0,δmax],i=1,2…m,生成m×n阶初始化变量种群,所述初始化变量种群为父种群;
遗传迭代模块,用于应用改进的遗传算法对所述父种群进行X次遗传迭代优化,生成所述父种群的第X子代种群,X表示预设的遗传迭代次数;
第二确定模块,用于在所述第X子代种群中,确定整体适应度最高的染色体,根据所述整体适应度最高的染色体,获得所述n架飞机各自对应的最优化的起飞延迟时间。
10.根据权利要求9所述的装置,其特征在于,所述第一确定模块,具体用于根据获取的所述n架飞机的飞行计划信息,计算每一架飞机到达对应航路的各航路点的时间;根据冲突探测公式若确定至少两架飞机到达同一航路点的时间差小于预设的时间差阈值,则确定存在飞行冲突,其中,表示第i架飞机到达任一相同航路点W2的时间,表示第j架飞机到达所述航路点W2的时间,τ表示预设的时间差阈值;
所述遗传迭代模块,具体用于采用传统锦标赛法对所述父种群中的m条染色体D={d1,d2…dm}进行选择运算,获取新的m条染色体D′={d′1,d′2…d′m};
采用择优继承法对所述新的m条染色体D′={d′1,d′2…d′m}进行交叉运算,获取所述新的m条染色体D′={d′1,d′2…d′m}的新的m条染色体D″={d″1,d″2…d″m};
采用最差基因变异法对所述新的m条染色体D″={d″1,d″2…d″m}进行变异运算,获取所述新的m条染色体D″={d″1,d″2…d″m}的新的m条染色体D″′={d″′1,d″′2…d″′m};
将所述新的m条染色体D″′={d″′1,d″′2…d″′m}中的每一条染色体与所述父种群的m条染色体D={d1,d2…dm}中对应的染色体进行整体适应度比较,将整体适应度高的染色体作为所述父种群的子代种群中的一条染色体,直至获取所述父种群的子代种群的m条染色体;
将所述父种群的子代种群设为父种群,循环重复遗传迭代直至完成第X次迭代,获取所述父种群的第X子代种群Dx={d1x,d2x…dmx};
所述第二确定模块,具体用于在所述第X子代种群Dx={d1x,d2x…dmx}的m条染色体中,根据整体适应度计算公式,分别计算每一条染色体的整体适应度F,根据所述m条染色体各自的整体适应度F,选择整体适应度最高的染色体作为最优化的染色体dbest;将所述最优化的染色体dbest对应变量集合作为所述n架飞机的最优化的起飞延迟时间;
所述整体适应度计算公式为:
其中,n为每一条染色体中飞机的数量,δi为n架飞机中第i架飞机的起飞延迟时间,δmax为预设的最大起飞延迟时间,NC表示每一条染色体中n架飞机中存在飞行冲突的飞机数量,所述NC是根据每一条染色体中n架飞机各自的起飞延迟时间、n架飞机各航路的航路点位置、n架飞机各自的飞行速度和所述冲突探测公式进行冲突探测而获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210368083.0A CN102930339B (zh) | 2012-09-28 | 2012-09-28 | 一种飞行冲突解脱方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210368083.0A CN102930339B (zh) | 2012-09-28 | 2012-09-28 | 一种飞行冲突解脱方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102930339A true CN102930339A (zh) | 2013-02-13 |
CN102930339B CN102930339B (zh) | 2015-01-28 |
Family
ID=47645133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210368083.0A Active CN102930339B (zh) | 2012-09-28 | 2012-09-28 | 一种飞行冲突解脱方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102930339B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489040A (zh) * | 2013-09-16 | 2014-01-01 | 北京航空航天大学 | 一种包含局部搜索的飞行冲突解脱方法 |
CN104216416A (zh) * | 2014-08-26 | 2014-12-17 | 北京航空航天大学 | 飞行器冲突解脱方法及设备 |
CN105513429A (zh) * | 2014-09-24 | 2016-04-20 | 北京航空航天大学 | 飞行冲突解脱方法及装置 |
CN106097233A (zh) * | 2016-05-31 | 2016-11-09 | 中国民航大学 | 一种基于案例推理的航路飞行冲突解脱方法 |
CN107636551A (zh) * | 2016-09-22 | 2018-01-26 | 深圳市大疆创新科技有限公司 | 一种飞行控制方法、装置及智能终端 |
CN107677275A (zh) * | 2017-09-15 | 2018-02-09 | 北京航空航天大学 | 一种混合空域异质飞行器路径规划方法及装置 |
CN110007603A (zh) * | 2019-05-13 | 2019-07-12 | 南京航空航天大学 | 一种基于核仁解的低空无人机冲突解脱方法及*** |
CN115394124A (zh) * | 2022-10-28 | 2022-11-25 | 北京航空航天大学 | 一种基于网络流量解耦的大规模空中交通流量优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004258842A (ja) * | 2003-02-25 | 2004-09-16 | Hitachi Eng Co Ltd | 遺伝的アルゴリズムを用いた並列処理装置 |
CN101465064A (zh) * | 2009-01-15 | 2009-06-24 | 北京航空航天大学 | 终端区飞行冲突解脱方法和*** |
-
2012
- 2012-09-28 CN CN201210368083.0A patent/CN102930339B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004258842A (ja) * | 2003-02-25 | 2004-09-16 | Hitachi Eng Co Ltd | 遺伝的アルゴリズムを用いた並列処理装置 |
CN101465064A (zh) * | 2009-01-15 | 2009-06-24 | 北京航空航天大学 | 终端区飞行冲突解脱方法和*** |
Non-Patent Citations (3)
Title |
---|
NICOLAS BARNIER ET AL: "4D-Trajectory Deconfliction Through Departure Time Adjustment", 《EIGHTH USA/EUROPE AIR TRAFFIC MANAGEMENT RESEARCH AND DEVELOPMENT SEMINAR》 * |
SAMEER ALAM ET AL: "An ensemble approach for conflict detection in Free Flight by data mining", 《TRANSPORTATION RESEARCH PART C》 * |
赵荣等: "改进的遗传算法在飞行冲突解脱中的应用", 《电子测量技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489040A (zh) * | 2013-09-16 | 2014-01-01 | 北京航空航天大学 | 一种包含局部搜索的飞行冲突解脱方法 |
CN103489040B (zh) * | 2013-09-16 | 2016-06-01 | 北京航空航天大学 | 一种包含局部搜索的飞行冲突解脱方法 |
CN104216416A (zh) * | 2014-08-26 | 2014-12-17 | 北京航空航天大学 | 飞行器冲突解脱方法及设备 |
CN104216416B (zh) * | 2014-08-26 | 2017-10-10 | 北京航空航天大学 | 飞行器冲突解脱方法及设备 |
CN105513429A (zh) * | 2014-09-24 | 2016-04-20 | 北京航空航天大学 | 飞行冲突解脱方法及装置 |
CN106097233A (zh) * | 2016-05-31 | 2016-11-09 | 中国民航大学 | 一种基于案例推理的航路飞行冲突解脱方法 |
CN107636551A (zh) * | 2016-09-22 | 2018-01-26 | 深圳市大疆创新科技有限公司 | 一种飞行控制方法、装置及智能终端 |
CN107677275A (zh) * | 2017-09-15 | 2018-02-09 | 北京航空航天大学 | 一种混合空域异质飞行器路径规划方法及装置 |
CN110007603A (zh) * | 2019-05-13 | 2019-07-12 | 南京航空航天大学 | 一种基于核仁解的低空无人机冲突解脱方法及*** |
CN115394124A (zh) * | 2022-10-28 | 2022-11-25 | 北京航空航天大学 | 一种基于网络流量解耦的大规模空中交通流量优化方法 |
CN115394124B (zh) * | 2022-10-28 | 2023-03-03 | 北京航空航天大学 | 一种基于网络流量解耦的大规模空中交通流量优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102930339B (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102930339A (zh) | 一种飞行冲突解脱方法及装置 | |
CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
Bhattacharyya et al. | Simulating emergent properties of human driving behavior using multi-agent reward augmented imitation learning | |
Delahaye et al. | Modeling and optimization of air traffic | |
Alligier et al. | Ground-based estimation of aircraft mass, adaptive vs. least squares method | |
Lee et al. | Aerodynamic analysis and multi-objective optimization of wings in ground effect | |
CN109063891B (zh) | 一种无人机调度路线规划方法 | |
Zhao et al. | Reinforcement Learning‐Based Collision Avoidance Guidance Algorithm for Fixed‐Wing UAVs | |
Hosseini et al. | Multidisciplinary design optimization of UAV under uncertainty | |
Chaimatanan et al. | Aircraft 4D trajectories planning under uncertainties | |
CN110532665A (zh) | 一种固定航线任务下的移动对象动态轨迹预测方法 | |
Tang et al. | Multi-level hybridized optimization methods coupling local search deterministic and global search evolutionary algorithms | |
Yang et al. | A reinforcement learning scheme for active multi-debris removal mission planning with modified upper confidence bound tree search | |
Bittner et al. | Optimal approach trajectories for multiple aircraft considering disturbances and configuration changes | |
Jägare | Airspace sectorisation using constraint programming | |
CN104268721B (zh) | 一种基于整数编码的猴群优化算法的飞机着陆跑道选择方法 | |
CN115080388B (zh) | 一种面向自动驾驶***的仿真测试场景生成方法 | |
Azabi et al. | Initial Investigation of Aerodynamic Shape Design Optimisation for the Aegis UAV | |
CN105469644A (zh) | 飞行冲突解脱方法及设备 | |
Li et al. | Analysis of the challenges and solutions of building a smart city | |
Nami et al. | H∞ Control‐Based Robust CAS Design for QTW‐UAV via the Multiple‐Model Approach with Particle Swarm Optimization | |
Shimoyama | Robust aerodynamic design of mars exploratory airplane wing with a new optimization method | |
Jiang et al. | Optimization of UAV airfoil based on improved particle swarm optimization algorithm | |
Granger et al. | The influence of uncertainties on traffic control using speed adjustments | |
Li et al. | Route planning based on genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C41 | Transfer of patent application or patent right or utility model | ||
TR01 | Transfer of patent right |
Effective date of registration: 20170116 Address after: 100191 Haidian District, Xueyuan Road, No. 35 building, room 14, room 1433, room Patentee after: Beijing Furui Navigation Technology Co. Ltd. Address before: 100191 Haidian District, Xueyuan Road, No. 37, Patentee before: Beijing Univ. of Aeronautics & Astronautics |