CN111582592B - 一种区域机场群航线网络优化方法 - Google Patents
一种区域机场群航线网络优化方法 Download PDFInfo
- Publication number
- CN111582592B CN111582592B CN202010397971.XA CN202010397971A CN111582592B CN 111582592 B CN111582592 B CN 111582592B CN 202010397971 A CN202010397971 A CN 202010397971A CN 111582592 B CN111582592 B CN 111582592B
- Authority
- CN
- China
- Prior art keywords
- airport
- route
- layer planning
- airline
- planning model
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 48
- 230000010006 flight Effects 0.000 claims description 5
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008520 organization Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域机场群航线网络优化方法。通过构建非线性双层规划模型对区域机场群航线网络进行优化,上层规划模型以为旅客效用损失最小为目标函数,下层规划以航空公司利润最大化为目标函数。本发明方法能够与区域航空需求相匹配,并考虑了枢纽机场容量限制、中小机场利用率等约束条件,通过合理设置区域航线网络的组织结构,降低了机场群的航线网络同构性,有助于实现旅客和航空公司相关利益最大化,提高***运行效率,减少***内耗。
Description
技术领域
本发明涉及一种区域机场群航线网络优化方法,属于航空规划技术。
背景技术
从机场群角度来看,区域航线网络的同构性问题较为突出,这不仅造成区域航线资源的浪费,也加剧了机场群内部的无序竞争。与此同时,随着机场群内地面交通网络(特别是城际铁路)的不断完善,各子机场腹地范围的相互重叠度亦日益扩大,这为区域内航空需求在机场间的相互流动创造了条件,使得以机场群为单元统筹优化航线网络结构具备了现实基础。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种区域机场群航线网络优化方法,通过构建非线性双层规划模型来求解机场群航线网络优化问题,以机场群为单元统筹优化航线网络结构。
技术方案:为实现上述目的,本发明采用的技术方案为:
机场群航线网络结构优化的目标首先应保证与区域航空需求相匹配,并考虑枢纽机场容量限制、中小机场利用率等约束条件,通过合理设置区域航线网络的组织结构,降低机场群的航线网络同构性,以实现旅客和航空公司相关利益最大化的目标,探寻***最优航线网络布局形态,从而提高***运行效率,减少***内耗。
一种区域机场群航线网络优化方法,通过构建非线性双层规划模型对区域机场群航线网络进行优化,上层规划模型以为旅客效用损失最小为目标函数,下层规划以航空公司利润最大化为目标函数。
一般我们将在地面交通2小时内的机场组合称为一个机场群。国内典型的机场群有长三角机场群、珠三角机场群和京津冀机场群;当然,我们也可以参考一些其他因素,以某些共性特征作为分类标准,建立机场群,但是最主要的参考因素还是地面交通服务水平。
具体的,上层规划模型的目标函数为:
其中:OD对表示航空需求起讫点对,Ω表示OD对的集合,OD对ij间存在Kij条航线,ij∈Ω,k∈Kij;表示OD对ij间第k条航线的客流量(表示第k条航线的客流量为零,即第k条航线不开通),表示OD对ij间第k条航线的出行效用函数,θ表示预设参数,θ∈(0,1];
上层规划模型的约束条件为:
(1)OD对ij间所有航线流量的总客流量等于航空总需求量
其中:Xij表示OD对ij间的航空总需求量;
(2)第ln条航线的客流量小于等于航空公司n的可提供座位数
具体的,下层规划模型的目标函数为:
下层规划模型的约束条件为:
(1)第ln条航线的客流量小于等于航空公司n的可提供座位数
(3)第ln条航线上所提供航班的频率应不小于民航管理部门提出的航班频率下限,以满足机场群需求
其中:fmin表示航班频率下限;
航线网络优化问题属于非线性双层规划(Nonlinear Bilevel Programming,NBLP),是个强NP-hard问题。目前的主要求解算法包括精确算法、启发算法以及群智能算法等。精确算法多数基于Kuhn-Tucker(K-T)条件,必须要求目标函数或者约束条件可微或凸性,而启发算法则需要对原问题进行转化,且结构复杂,求解效率依赖特定的问题,难以直接推广应用。群智能优化算法对函数要求较低且具有较强的全局搜索能力被逐渐用于求解NBLP问题。粒子群优化(Particle Swarm Optimization,PSO)算法是一种基于社会群体行为的智能优化算法,由Kennedy等人于1995年首次提出,近年来在NBLP问题的求解中受到广泛关注。本发明通过设计嵌套的PSO算法来解决航线网络优化问题,即双层规划模型的上下两层均采用PSO算法来求解,再通过相互嵌套和分层迭代来得到最终解,包括如下步骤:
步骤1:算法参数初始化:设粒子群的粒子总数为m;随机产生满足约束条件的下层模型的初始解初始化第i∈[1,m]个粒子的初始速度Vi,第i个粒子的初始位置初始化下层模型的最优解第i个粒子的最佳位置粒子群的最佳位置gbest={pi_best};
步骤3:对粒子群中的所有粒子,进行如下操作:
步骤4:判断最佳位置gbest是否满足精度要求:若满足,则进入步骤6;否则,进入步骤5;
步骤5:根据公式gbest=gbest×(1+η×0.5),η为0~1之间的任意数;利用PSO算法更新下层模型的最优解fln*,返回转步骤3;
步骤6:输出优化结果,算法结束。
有益效果:本发明提供的区域机场群航线网络优化方法,能够与区域航空需求相匹配,并考虑了枢纽机场容量限制、中小机场利用率、高铁网络竞争性等约束条件,通过合理设置区域航线网络的组织结构,降低了机场群的航线网络同构性,能够实现旅客和航空公司相关利益最大化,提高***运行效率,减少***内耗。
具体实施方式
下面结合实例对本发明作更进一步的说明。
一种区域机场群航线网络优化方法,通过构建非线性双层规划模型对区域机场群航线网络进行优化,上层规划模型以为旅客效用损失最小为目标函数,下层规划以航空公司利润最大化为目标函数。
上层规划模型的目标函数为:
其中:OD对表示航空需求起讫点对,Ω表示OD对的集合,OD对ij间存在Kij条航线,ij∈Ω,k∈Kij;表示OD对ij间第k条航线的客流量(表示第k条航线的客流量为零,即第k条航线不开通),表示OD对ij间第k条航线的出行效用函数,θ表示预设参数,θ∈(0,1];
上层规划模型的约束条件为:
(1)OD对ij间所有航线流量的总客流量等于航空总需求量
其中:Xij表示OD对ij间的航空总需求量;
(2)第ln条航线的客流量小于等于航空公司n的可提供座位数
下层规划模型的目标函数为:
下层规划模型的约束条件为:
(1)第ln条航线的客流量小于等于航空公司n的可提供座位数
(3)第ln条航线上所提供航班的频率应不小于航班频率下限,以满足机场群需求
其中:fmin表示航班频率下限;
本案采用粒子群优化算法(简称PSO算法)对双层规划模型进行求解,包括如下步骤:
步骤1:初始化算法参数:设粒子群的粒子总数为m,i∈[1,m];随机产生满足约束条件的下层模型的初始解初始化第i个粒子的初始速度Vi,第i个粒子的初始位置初始化下层模型的最优解第i个粒子的最佳位置粒子群的最佳位置gbest={pi_best};
步骤3:对粒子群中的所有粒子,进行如下操作:
步骤4:判断最佳位置gbest是否满足精度要求:若满足,则进入步骤6;否则,进入步骤5;
步骤6:输出优化结果,算法结束。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种区域机场群航线网络优化方法,通过构建非线性双层规划模型对区域机场群航线网络进行优化,上层规划模型以为旅客效用损失最小为目标函数,下层规划以航空公司利润最大化为目标函数,其特征在于:采用粒子群优化算法对双层规划模型进行求解,包括如下步骤:
步骤1:算法参数初始化:设粒子群的粒子总数为m;随机产生满足约束条件的下层模型的初始解初始化第i∈[1,m]个粒子的初始速度Vi,第i个粒子的初始位置初始化下层模型的最优解第i个粒子的最佳位置粒子群的最佳位置gbest={pi_best};
步骤3:对粒子群中的所有粒子,进行如下操作:
步骤4:判断最佳位置gbest是否满足精度要求:若满足,则进入步骤6;否则,进入步骤5;
步骤6:输出优化结果,算法结束。
2.根据权利要求1所述的区域机场群航线网络优化方法,其特征在于:上层规划模型的目标函数为:
其中:OD对表示航空需求起讫点对,Ω表示OD对的集合,OD对ij间存在Kij条航线,ij∈Ω,k∈Kij;表示OD对ij间第k条航线的客流量,表示OD对ij间第k条航线的出行效用函数,θ表示预设参数,θ∈(0,1];
上层规划模型的约束条件为:
(1)OD对ij间所有航线流量的总客流量等于航空总需求量
其中:Xij表示OD对ij间的航空总需求量;
(2)第ln条航线的客流量小于等于航空公司n的可提供座位数
3.根据权利要求1所述的区域机场群航线网络优化方法,其特征在于:下层规划模型的目标函数为:
下层规划模型的约束条件为:
(1)第ln条航线的客流量小于等于航空公司n的可提供座位数
(3)第ln条航线上所提供航班的频率应不小于航班频率下限,以满足机场群需求
其中:fmin表示航班频率下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397971.XA CN111582592B (zh) | 2020-05-12 | 2020-05-12 | 一种区域机场群航线网络优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397971.XA CN111582592B (zh) | 2020-05-12 | 2020-05-12 | 一种区域机场群航线网络优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582592A CN111582592A (zh) | 2020-08-25 |
CN111582592B true CN111582592B (zh) | 2022-04-12 |
Family
ID=72120829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010397971.XA Active CN111582592B (zh) | 2020-05-12 | 2020-05-12 | 一种区域机场群航线网络优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582592B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362788B (zh) * | 2023-03-27 | 2024-01-30 | 中国南方航空股份有限公司 | 一种新航线开通的预测方法、装置、设备及存储介质 |
CN117221020B (zh) * | 2023-11-09 | 2024-02-02 | 南京财经大学 | 一种用于电动汽车充电网的网络安全策略优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477649A (zh) * | 2008-12-31 | 2009-07-08 | 中山大学 | 基于粒子群算法的飞机航班规划方法 |
CN105700549A (zh) * | 2016-01-21 | 2016-06-22 | 北京理工大学 | 一种基于序列小生境粒子群算法的无人机多航迹规划方法 |
CN109598984A (zh) * | 2019-01-14 | 2019-04-09 | 南京航空航天大学 | 航路资源优化分配*** |
-
2020
- 2020-05-12 CN CN202010397971.XA patent/CN111582592B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477649A (zh) * | 2008-12-31 | 2009-07-08 | 中山大学 | 基于粒子群算法的飞机航班规划方法 |
CN105700549A (zh) * | 2016-01-21 | 2016-06-22 | 北京理工大学 | 一种基于序列小生境粒子群算法的无人机多航迹规划方法 |
CN109598984A (zh) * | 2019-01-14 | 2019-04-09 | 南京航空航天大学 | 航路资源优化分配*** |
Non-Patent Citations (1)
Title |
---|
基于双层规划的航空公司航线航班优化研究;杨新湦等;《航空计算技术》;20180525;第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111582592A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782079B (zh) | 基于停站方案节能的高速铁路列车运行图的调整方法 | |
CN107679667B (zh) | 一种终端区航线规划优先级分类方法 | |
CN110288212B (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
CN111582592B (zh) | 一种区域机场群航线网络优化方法 | |
CN103226801B (zh) | 基于多用户配流模型的空港集疏运交通量确定方法 | |
CN112070355A (zh) | 一种机场摆渡车的分配调度方法 | |
CN109774750A (zh) | 一种基于虚拟耦合模式的动态调度时空决策方法 | |
CN109711619A (zh) | 考虑空地运行限制的多机场战略航班时刻协同优化方法 | |
CN109255384A (zh) | 一种基于密度峰值聚类算法的交通流模式识别方法 | |
CN109726917A (zh) | 一种基于四维航迹的货运航班调度方法和装置 | |
Zheng et al. | Urban logistics delivery route planning based on a single metro line | |
CN115271175A (zh) | 一种无人机与卡车物流配送路径优化方法及*** | |
CN113112874A (zh) | 一种航路时隙与高度层协同优化分配方法 | |
Salucci et al. | Capturing the demand for an electric-powered short-haul air transportation network | |
Jiang et al. | Market and infrastructure analysis of future air cargo demand in China | |
CN114862018B (zh) | 考虑充电行驶距离的电动汽车充电站选址和定容规划方法 | |
González-Rodríguez et al. | Urban traffic flow mapping of an andean capital: Quito, ecuador | |
Trainelli et al. | Optimal Definition of a Short-Haul Air Transportation Network for Door-to-Door Mobility | |
Savin | Assessment and Development Problems of Smart City Transport and Logistics System | |
Ling et al. | A multi-objective optimization model on taxiing mode selection and aircraft stands allocation for closely spaced parallel runway | |
CN111429166A (zh) | 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法 | |
Akmaldinova et al. | Aircraft Fleet Operation Efficiency: Comparative Analysis | |
Yu | Study on Multidimensional Urban Public Transport Scheduling Method Based on Data Mining and Passenger Flow Prediction | |
Shen et al. | An Airliner Fleet Planning and Airway Allocation Algorithm Under Carbon Emission Constraint | |
Wijaya | System Level Optimization of Urban Air Mobility |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |