动态飞机着陆调度及其经验粒子群算法研究

发布时间：2017-09-17 05:40

  本文关键词：动态飞机着陆调度及其经验粒子群算法研究

  更多相关文章： 飞机着陆调度优化 经验粒子群算法 动态模型 滚动时域控制 OR-Library数据集

【摘要】：飞机着陆调度(Aircraft Landing Scheduling,ALS)是终端区空中交通流量管理(Air Traffic Flow Management,ATFM)的核心内容之一,它通过为终端区内每架待降落的飞机分配可行的降落时间和跑道,使它们能够安全有序的着陆。通过对飞机着陆调度问题的优化可以使终端区内的飞机在确保飞行安全的前提下提高飞行效益。现在,我国在机场终端区飞机着陆调度方面基本采用先来先服务的人工管制方式,其已经成为制约终端区航班调度效率提高的主要因素,提升终端区航班调度自动化水平已经迫在眉睫。本文根据飞机着陆调度问题的混合整数规划模型,设计了粒子群算法独特的编码和解码方式。编码时,利用飞机降落时间的连续性将其在混合整数规划模型中的离散形式映射成连续变量,使得粒子群算法得以在相对连续的“空间”中进行求解,不仅充分利用了粒子群算法解决连续问题的优势,而且相对于其它离散解法降低了问题的复杂度。解码时,将连续形式的解转化成现实所需的离散形式,并通过加入飞机的安全间隔约束,避免了不可行解的出现。之后,针对ALS设计了可以作为粒子经验的局部优化手段,进而提出了经验粒子群(Experiential Particle Swarm Optimization,EPSO)算法。通过在粒子群算法的寻优过程中加入粒子经验,使得EPSO比PSO具有更好的求解效果。对算法在公共数据集OR-Library上进行了实验,结果表明EPSO在大规模静态数据集上的综合性能要优于现有算法。由于ALS的静态模型在实际的动态环境下还有一定不足,于是本文在静态模型的基础上建立起了更接近于实际应用的动态模型,其更适合于处理现实环境中的飞机流问题。并且通过动态模型与滚动时域控制策略的结合,在尽量考虑问题现实约束的前提下,最大限度的提高了经验粒子群算法解决动态ALS问题时的整体效率。最后,通过在OR-Library相关数据集上的仿真,对动态模型的先进性进行了分析验证。
【关键词】：飞机着陆调度优化 经验粒子群算法 动态模型 滚动时域控制 OR-Library数据集
【学位授予单位】：中国民航大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：V355.2;TP18
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-15
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-14
• 1.3 本文主要内容及结构安排14-15
• 第二章 相关理论知识介绍15-28
• 2.1 飞机着陆调度问题描述15-16
• 2.2 飞机着陆调度问题的数学模型16-18
• 2.2.1 简化版飞机着陆调度问题的数学模型16-17
• 2.2.2 经典版飞机着陆调度问题数学模型17-18
• 2.3 飞机着陆调度问题的类比18-19
• 2.4 粒子群优化算法基本理论19-22
• 2.4.1 粒子群优化算法的发展19
• 2.4.2 粒子群优化算法的原理19-20
• 2.4.3 粒子群优化算法的流程20-21
• 2.4.4 标准粒子群优化算法21-22
• 2.5 粒子群优化算法的几类改进22-24
• 2.5.1 基于初始化的改进22
• 2.5.2 基于邻域拓扑的改进22-23
• 2.5.3 基于参数设置的改进23-24
• 2.5.4 基于混合策略的改进24
• 2.6 粒子群算法解决离散问题24-27
• 2.6.1 粒子群算法的离散形式24-26
• 2.6.2 离散问题连续化26-27
• 2.7 本章小结27-28
• 第三章 飞机着陆调度问题的经验粒子群算法28-45
• 3.1 飞机着陆调度问题的粒子群算法设计28-30
• 3.1.1 编码与解码设计28
• 3.1.2 适应度函数设计28-29
• 3.1.3 罚函数设计29-30
• 3.2 粒子群算法解决ALS的特点30-31
• 3.2.1 解空间连续化后的形式30
• 3.2.2 粒子群算法设计的优势30-31
• 3.3 经验粒子群算法31-34
• 3.3.1 经验粒子群算法的基本原理31-32
• 3.3.2 飞机着陆调度问题的粒子经验一32-34
• 3.3.3 飞机着陆调度问题的粒子经验二34
• 3.4 实验及结果分析34-44
• 3.4.1 实验环境34
• 3.4.2 公共数据集介绍34-36
• 3.4.3 算法的参数选择36-39
• 3.4.4 算法性能对比39-44
• 3.5 本章小结44-45
• 第四章 飞机着陆调度问题的动态模型设计45-58
• 4.1 静态模型的不足45
• 4.2 动态模型45-47
• 4.2.1 动态模型描述45-46
• 4.2.2 诱发约束46-47
• 4.3 滚动时域控制策略47-51
• 4.3.1 滚动时域控制的基本概念47-48
• 4.3.2 滚动时域控制的排序窗口划分48-51
• 4.4 RHC与动态模型的结合51-54
• 4.4.1 RHC与动态模型的关系51-53
• 4.4.2 动态模型流程图53-54
• 4.5 实验及结果分析54-57
• 4.6 本章小结57-58
• 第五章 总结及展望58-60
• 5.1 本文主要工作及特色58
• 5.2 下一步研究方向58-60
• 参考文献60-63
• 致谢63-64
• 作者简介64

【相似文献】

中国期刊全文数据库 前10条

1 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

2 吴军;李为吉;;改进的粒子群算法及在结构优化中的应用[J];陕西理工学院学报(自然科学版);2006年04期

3 段海涛;刘永忠;冯霄;;水系统优化的粒子群算法分析[J];华北电力大学学报(自然科学版);2007年02期

4 王伟;;混合粒子群算法及其优化效率评价[J];中国水运(学术版);2007年06期

5 付宜利;封海波;孙建勋;李荣;马玉林;;机电产品管路自动敷设的粒子群算法[J];机械工程学报;2007年11期

6 蒋荣华;王厚军;龙兵;;基于离散粒子群算法的测试选择[J];电子测量与仪器学报;2008年02期

7 周苗;陈义保;刘加光;;一种新的协同多目标粒子群算法[J];山东理工大学学报(自然科学版);2008年05期

8 姚峰;杨卫东;张明;;改进粒子群算法及其在热连轧负荷分配中的应用[J];北京科技大学学报;2009年08期

9 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

10 王丽萍;江波;邱飞岳;;基于决策偏好的多目标粒子群算法及其应用[J];计算机集成制造系统;2010年01期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 李庆伟;粒子群算法及电厂若干问题的研究[D];东南大学;2016年

2 杜毅;多阶段可变批生产线重构的研究[D];广东工业大学;2016年

3 尹浩;求解Web服务选取问题的粒子群算法研究[D];东北大学;2014年

4 王芳;粒子群算法的研究[D];西南大学;2006年

5 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

6 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

7 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

8 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

9 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

10 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：867596