一种基于多目标协同优化的大规模航班调控方法

1.本发明涉及民航管理技术领域，尤其涉及一种基于多目标协同优化的大规模航班调控方法。


背景技术：

2.随着航空业的不断发展和航空飞行需求的逐渐增多，现有空域的拥挤程度和航班之间发生冲突的概率也随之增加，在造成严重安全威胁的同时也导致了航班延误等问题。在解决航班飞行冲突的时候可能不可避免地造成航班延误，而最小化航班延误又可能导致冲突的概率增加。所以问题本质上是一个具有两个相互冲突的目标的优化问题。
3.过去很多研究学者对该问题进行过系统的研究，主要集中在单目标的数学规划公式，其中基本的0-1整数规划模型于1998年被提出，其目的是通过优化航班起飞和到达的时隙，最大限度地减少机场容量和部门容量约束下的航班延误。需要注意的是，空域拥挤和航班冲突往往由多种因素造成，如飞行路线、交通密度等，难以用线性的函数进行刻画，随着问题规模的不断增大以及目标函数的复杂化，传统数学方法不适应这类问题的求解，难以适应实际情况的要求。
4.遗传算法这种随机优化技术能够采用启发式的算法将多目标、高维的复杂优化问题进行高效地求解。近年来，协同进化方法成功地应用于该类问题。主体思路是采用随机分组策略，将大规模问题的变量随机分成相等的若干个组，从而将问题分解为若干个子分量进行分治的解决。该思路中的关键步骤是问题的分解方法，比如随机分组，或者将n维问题分解为2个n/2维的问题依次递归解决。但对于问题的变量具有交互性时，分组方式仍有待提升。对于众多航班而言，由于之间相互作用的复杂性，随机分组的策略不是很合适，因此需要探究在满足约束下新的分组方案。


技术实现要素：

5.鉴于上述的分析，本发明实施例旨在提供一种基于多目标协同优化的大规模航班调控方法，用以解决现有分组策略不合适和未考虑多目标协同优化的问题。
6.本发明实施例提供了一种基于多目标协同优化的大规模航班调控方法，包括如下步骤：获取航班数据，对其中每架航班生成延迟时间向量和第一延迟时间；根据每架航班第一延迟时间，更新每架航班的起飞时间和到达时间，通过对各时刻飞行冲突的检测，获取航班冲突信息；根据任意两架航班的飞行时间重叠度，对所有航班进行分组得到多个航班组；根据每个航班组中各架航班的延迟时间向量生成一个亚种群，通过快速遗传算法，依次对每个亚种群交叉产生子代，根据所述航班冲突信息获取每架航班的延迟变量，以及基于所述延迟变量进行突变，完成一次遗传进化，多次进化后得到优化后的亚种群；取每个优化后的亚种群中适应度最大的解作为对应航班的第二延迟时间，将每架
航班第一延迟时间更新为第二延迟时间，再次更新每架航班的起飞时间和到达时间，进行飞行冲突的检测、分组和遗传进化并更新第一延迟时间，多次循环后得到的第一延迟时间，用于调控对应航班的起飞时间。
7.基于上述方法的进一步改进，所述通过对各时刻飞行冲突的检测，获取航班冲突信息包括：基于每架航班飞行高度和飞行速度相同的条件，以固定时间间隔划分飞行路径，得到各时刻每架航班的状态向量；根据所述每架航班的状态向量，依次识别每个时刻任意两架航班是否发生飞行冲突，统计得到航班冲突信息，包括每个时刻冲突总次数，以及每架航班的冲突总次数。
8.基于上述方法的进一步改进，所述各时刻每架航班的状态向量包括横坐标和纵坐标，飞行高度，以及对应时刻；所述根据所述每架航班的状态向量，依次识别每个时刻任意两架航班是否发生飞行冲突，包括：基于每个时刻，分别将任意两架航班的横坐标差值平方与纵坐标差值平方相加后再开方，得到间隔距离；如果所述间隔距离小于距离阈值，则对应的两架航班会发生飞行冲突，否则，不会发生飞行冲突。
9.基于上述方法的进一步改进，所述根据任意两架航班的飞行时间重叠度，分组得到多个航班组，包括：基于航班数据，排序所有航班，将第一架航班加入第一航班组；从第二架航班开始，依次取出一架航班作为当前航班，计算所述当前航班与剩余航班的飞行时间段的交集，从中获取交集长度最大的航班作为待分组航班；如果所述待分组航班已加入一个航班组，则将所述当前航班加入与所述待分组航班相同的航班组中，否则，创建新的航班组，所述当前航班加入所述新的航班组中；直至所有航班均已加入一个航班组，分组结束，得到多个航班组。
10.基于上述方法的进一步改进，所述每架航班的延迟时间向量，是以{0,ts,2
×
ts,3
×
ts,...,δ
max
}作为延迟时间的选择范围，从中随机选择s次，得到延迟时间向量，其中，1≤i≤n，n为航班数据中的航班总数，ts为采样时间，δ
max
为最大航班延迟时间且能被ts整除。
11.基于上述方法的进一步改进，所述根据每个航班组中各架航班的延迟时间向量生成一个亚种群，包括：以每个航班组中每架航班的延迟时间向量作为矩阵的每行，以每架航班相同列的延迟时间作为当前亚种群的一个染色体，以每个延迟时间作为基因。
12.基于上述方法的进一步改进，所述根据所述航班冲突信息获取每架航班的延迟变量，包括：基于所述航班冲突信息中每个时刻冲突总次数，根据每相邻两个时刻的冲突总次数差值，获取最大斜率值、最小斜率值和每个时刻的斜率值；根据遗传进化过程中染色体上每个基因对应的航班，作为待突变航班，根据所述待突变航班更新后的起飞时间，获取对应时刻的待突变航班斜率值；
如果所述待突变航班斜率值小于0，则所述待突变航班的延迟变量为所述待突变航班斜率值与最小斜率值的比值的相反数；否则，所述待突变航班的延迟变量为所述待突变航班斜率值与最大斜率值的比值。
13.基于上述方法的进一步改进，所述基于所述延迟变量进行突变，包括：根据当前亚种群中每架航班的冲突总次数，获取最大冲突总次数；在小于等于最大冲突总次数的范围内，随机选择冲突阈值；依次判断当前基因对应的待突变航班的冲突总次数是否大于冲突阈值，如果大于，根据待突变航班的延迟变量获取突变值，将所述当前基因值更新为所述突变值；否则，所述当前基因值不变。
14.基于上述方法的进一步改进，所述根据待突变航班的延迟变量获取突变值，包括：当待突变航班的延迟变量大于rand(0,1)，则在小于等于当前基因的范围内随机选取一个值，作为突变值；当待突变航班的延迟变量小于-rand(0,1)，则在当前基因与最大航班延迟时间的范围内随机选取一个值，作为突变值；当待突变航班的延迟变量符合其余条件，则在小于等于最大航班延迟时间的范围内随机选取一个值，作为突变值。
15.基于上述方法的进一步改进，所述适应度根据下式计算得到：其中，为第k个亚种群中第l个染色体的适应度，mk为第k个亚种群中的航班总数；δ
max
为最大航班延迟时间，为第k个亚种群中第l个染色体的第j个基因，nc
kj
为第k个亚种群中第j个基因对应的航班的冲突总次数。
16.与现有技术相比，本发明至少可实现如下有益效果之一：1、基于航班数量众多、时段交错、路径错综复杂的情景，针对航班冲突和延误两方面的优化需求，使用动态分组、协同进化的思路设计了一种调控方案，其中根据航班的时间重叠度进行动态分组的方法，使得高耦合的航班能够作为一个整体参与优化，最大限度地将有相互作用关系的航班优化归为一组，以降低提前收敛的风险；协同进化将原先高维度的优化问题合理分解为若干个较低维度的优化问题进行集中解决，获得高质量的解，实现了航班冲突和延误的双重优化；2、利用时间重叠度分组只需要两两航班进行重叠时间段的计算和排序，大大减少了分组所需的时间，提高了每一轮计算的速度；3、采用了结合局部搜索机制的突变算子，能够在原数值的附近进行满足一定趋势的突变，起到了“削峰填谷”的效果，使得冲突的分布较为均衡，方便下一轮的优化，进而起到减少冲突的效果。
17.本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而
易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
18.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；图1为本发明实施例1中基于多目标协同优化的大规模航班调控方法流程图；图2为本发明实施例1中的航班路线和冲突示意图；图3为本发明实施例1中基于状态向量比较的冲突检测示意图；图4为本发明实施例1中基于飞行时间重叠度的航班分组流程图；图5为本发明实施例1中航班整体冲突次数随时间变化示意图；图6为本发明实施例2中航班调控方法实施效果对比图。
具体实施方式
19.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
20.本发明的一个具体实施例，公开了一种基于多目标协同优化的大规模航班调控方法，在本方法中，首先在根据航班信息得到各航班发生冲突的情况，再根据各航班之间起飞和降落时间上的重叠度对各个航班进行动态分组，实现对原问题的分治；其次在各个分组对应的亚种群中采用一种快速遗传算法对染色体进行交叉、突变，在基因层面进行适应度选择。当亚种群进化达到一定代数后采用对染色体进行适应度评估的方法将各亚种群中的最优解选择出来，进一步合并成为原问题的最优解，在合理分治的前提下权衡了各航班冲突与延误，以实现航班起飞时隙的优化。如图1所示，本方法包括如下步骤：s11：获取航班数据，对其中每架航班生成延迟时间向量和第一延迟时间；需要说明的是，获取的航班数据包括：航班编号、起飞时间、到达时间、延迟时间、起飞机场坐标、降落机场坐标和飞行路径，经统计得到航班数据中所有航班的最大航班延迟时间δ
max
。
21.根据航班数据的采样时间ts，对每架航班生成延迟时间向量，是在小于等于最大航班延迟时间的范围内，随机选择相同个数且能被采样时间整除的多个时间组成的延迟时间向量。
22.具体来说，以{0,ts,2
×
ts,3
×
ts,...,δ
max
}作为延迟时间的选择范围，在这δ
max
/ts 1个时间中随机选择一个，重复s次，得到航班fi的延迟时间向量。其中，1≤i≤n，n为航班数据中的航班总数，δ
max
能被ts整除，80≤s≤100，同一个时间可以随机被选择多次。
23.示例性地，ts为0.5分钟，δ
max
为90分钟，s为80。
24.初始设置每架航班的第一延迟时间为0，通过后续的步骤不断更新，最终得到的第一延迟时间用于调控对应航班的起飞时间，实现航班起飞时隙的优化。
25.s12：根据每架航班第一延迟时间，更新每架航班的起飞时间和到达时间，通过对各时刻飞行冲突的检测，获取航班冲突信息；根据任意两架航班的飞行时间重叠度，对所有
航班进行分组得到多个航班组；需要说明的是，飞行中飞机的保护区域被定义成半径为5海里，高度为2000英尺的圆柱形区域。当两架航班的保护区域重叠，则会发生冲突。图2所示为航班路线和冲突示意图。其中，航班fi的飞行路线是(a,w1,w3,w4,d)，航班fj的飞行路线是(b,w2,w3,w5,c)。假设两架航班以相同速度在相同高度上面飞行，则w3是一个潜在冲突发生的航路点。
26.更新每架航班的起飞时间和到达时间，即在每架航班的起飞时间和到达时间都加上对应的第一延迟时间。
27.通过对各时刻飞行冲突的检测，获取航班冲突信息包括：
①
基于每架航班飞行高度和飞行速度相同的条件，以固定时间间隔划分飞行路径，得到各时刻每架航班的状态向量；需要说明的是，状态向量包括水平面上的横坐标x和纵坐标y，飞行高度h，以及对应时刻t，表示为(x,y,h,t)。根据飞行路径和起飞时间，以固定时间间隔划分飞行路径，可以得到每个时刻每架航班对应的状态向量，比如以10秒为间隔。
28.②
根据每架航班的状态向量，依次识别每个时刻任意两架航班是否发生飞行冲突，统计得到航班冲突信息，包括每个时刻冲突总次数，以及每架航班的冲突总次数。
29.具体来说，根据每架航班的状态向量，依次识别每个时刻任意两架航班是否发生飞行冲突，包括：基于每个时刻，分别将任意两架航班的横坐标差值平方与纵坐标差值平方相加后再开方，得到间隔距离；如果间隔距离小于距离阈值，则对应的两架航班会发生飞行冲突，否则，不会发生飞行冲突。
30.示例性地，飞行高度为h0，t时刻航班fi的状态向量(xi,yi,h0,t)和航班fj的状态向量(xj,yj,h0,t)，如果，则表示两个航班将会发生冲突，反之则不会。在图3中，虚线连接的点对应于同一时间瞬间，圈中部分是冲突区域。
31.所有航班在每个时刻两两进行飞行冲突的检测，最终得到每个时刻冲突总次数，以及每架航班的冲突总次数。
32.然后根据飞行时间的重叠度对航班进行动态分组，得到多个航班组，流程图如图4所示，包括：
①
基于航班数据，排序所有航班，将第一架航班加入第一航班组；需要说明的是，对航班数据中的每架航班都会识别与其他航班的飞行时间重叠度，因此，本实施例不限定排序方式，示例性地，可以按照航班编号或起飞时间排序。
33.②
从第二架航班开始，依次取出一架航班作为当前航班，计算当前航班与剩余航班的飞行时间段的交集，从中获取交集长度最大的航班作为待分组航班；需要说明的是，飞行时间的重叠度用飞行时间段的交集长度来表示。从航班f2开始，计算航班fi与剩余航班fj（2≤i≤n，1≤j≤n且j≠i，n为航班总数）的重叠时间段长度，即将两架航班的飞行时间段求交集，得到这两架航班之间的时间重叠度t
ij
=len((di,ai)∩(dj,aj))，其中，di为航班fi更新后的起飞时间，ai为航班fi更新后的到达时间，dj为航班fj更
新后的起飞时间，aj为航班fj更新后的到达时间。
34.每一架航班会与剩余n-1架航班形成n-1个对应的时间重叠度，其中最大的时间重叠度对应的两个航班(f
jmax
,fi)中的f
jmax
即为待分组航班。
35.③
如果待分组航班已加入一个航班组，则将当前航班加入与待分组航班相同的航班组中，否则，创建新的航班组，当前航班加入新的航班组中；
④
直至所有航班均已加入一个航班组，分组结束，得到多个航班组。
36.根据飞机时间重叠度进行分组，使得每一个航班都尽可能地与其时间重叠度最大的航班分在一个组中。时间重叠意味着在这段时间中可能会发生航班的冲突，因此这种动态分组本质上是将可能发生冲突的航班动态地分成了一组，实现了将有相互作用关系的航班归为一组，以便之后作为一个亚种群进行遗传进化。
37.此外，利用时间重叠度分组只需要两两航班进行重叠时间段的计算并排序，因此它对应的时间复杂度为o(n2)，其中n为航班总数，而现有技术中，根据冲突关系进行分组的时间复杂度为o(t
×
n2)，其中t为计算冲突的时间步长，可见，本实施例采用的按照时间重叠度分组大大减少了分组所需的时间，提高了每一轮计算的速度。
38.s13：根据每个航班组中各架航班的延迟时间向量生成一个亚种群，通过快速遗传算法，依次对每个亚种群交叉产生子代，根据航班冲突信息获取每架航班的延迟变量，以及基于延迟变量进行突变，完成一次遗传进化，多次进化后得到优化后的亚种群；需要说明的是，对每个航班组都通过步骤s131-s134完成一次遗传进化。
39.s131：构建亚种群，得到染色体；具体来说，将每个航班组中各架航班的延迟时间向量组成一个亚种群，包括：以每个航班组中每架航班的延迟时间向量作为矩阵的每行，以每架航班相同列的延迟时间作为当前亚种群的一个染色体，以每个延迟时间作为基因。
40.对于第k组而言，，其中为第k组中的第j架航班，mk为第k组中的航班总数，则第k组所对应的亚种群subpopk表示为：公式（1）其中，为航班所对应的延迟时间向量，2≤k≤sn，sn为亚种群的总个数，是一条染色体，代表一种可能的解，为第k组中的第1架航班的延迟时间向量中第1个延迟时间。
41.s132：对亚种群交叉产生子代；需要说明的是，对于这条染色体上的基因，其适应度
为： 公式（2）其中，nc
kj
为第k组中的第j个航班的冲突总次数，即第k个亚种群中第j个基因对应的航班的冲突总次数，δ
max
为最大航班延迟时间。
42.这种交叉方法没有将整个染色体求适应度，而是引入了染色体中每个基因的适应度，并在交叉过程中考虑了减少每次航班的地面延误和冲突，公式中的参数是在一开始就确定的，具有快速找到较好的解决方案的特点。
43.父代亚种群染色体随机两两配对产生两个子代染色体，其中交叉发生的概率为c，0.6≤c≤0.9，优选地，c=0.7。随机生成一个(0,1)之间的数，如果该数小于c，则发生交叉，反之则不交叉。
44.交叉时，比较产生在父染色体和的等位基因，分三种情况选取子染色体为和第j位基因，包括：
①
当时，则两子代染色体的第j位基因继承自的第j位基因。
45.②
当时，则两子代染色体的第j位基因继承自的第j位基因。
46.③
当时，则两子代染色体的第j位基因分别为：
ꢀꢀꢀꢀꢀ
公式（3）
ꢀꢀꢀꢀ
公式（4）其中，floor()为向下取整的函数，，且uj∈u(0,1)，随机选择，η》0为分布指数，优选地，η=1。
47.这里采用的是模拟二进制单点交叉的交叉算子，由于γj是动态随机决定的，因此该算子能够跳出局部最优解，具有较好的全局搜索能力，针对高维目标优化问题个体空间较为稀疏的特点拥有出色的表现。
48.s133：获取延迟变量，发生突变；如果在步骤s132中发生了交叉，则对新生成的子代染色体进行突变；如果没有发生交叉，则直接对父代染色体进行突变。
49.具体来说，根据航班冲突信息获取的每架航班的延迟变量，用于标记该航班应该
提前起飞还是延迟起飞。获取方法包括：
①
基于航班冲突信息中每个时刻冲突总次数，根据每相邻两个时刻的冲突总次数差值，获取最大斜率值、最小斜率值和每个时刻的斜率值；示例性地，将步骤s12得到的每个时刻冲突总次数绘制成随时间变化的冲突次数曲线，示意图如图5所示，其中标注出了最大斜率值k
max
，最小斜率值k
min
。
50.②
根据遗传进化过程中染色体上每个基因对应的航班，作为待突变航班，根据待突变航班更新后的起飞时间，获取对应时刻的待突变航班斜率值；示例性地，染色体上的1个基因对应的是航班fi，根据其更新后的起飞时间，在图5中获取到斜率值ki。
51.③
如果待突变航班斜率值小于0，则待突变航班的延迟变量为待突变航班斜率值与最小斜率值的比值的相反数；否则，待突变航班的延迟变量为待突变航班斜率值与最大斜率值的比值。
52.具体来说，如果待突变航班fi斜率值ki小于0，表示待突变航班在起飞时对应的航班整体冲突总次数在减少，则延迟变量flagi=-ki/k
min
，否则，延迟变量flagi=ki/k
max
。
53.由此可知，延迟变量flagi∈[-1,1]。
[0054]
基于延迟变量进行突变，包括：
①
根据当前亚种群中每架航班的冲突总次数，获取最大冲突总次数；
②
在小于等于最大冲突总次数的范围内，随机选择冲突阈值；需要说明的是，在[0,nc
kmax
]中随机选择冲突阈值nc
kh
用于判断是否应该突变。其中，nc
kmax
为第k组航班中的最大冲突次数，nc
kh
为第k组的冲突阈值。
[0055]
③
依次判断当前基因对应的待突变航班的冲突总次数是否大于冲突阈值，如果大于，根据待突变航班的延迟变量获取突变值，将当前基因值更新为突变值；否则，当前基因值不变。
[0056]
具体来说，当前基因对应的待突变航班为航班fi，其冲突总次数为nc
ki
：如果nc
ki
》nc
kh
,，代表航班fi的冲突总次数超过冲突阈值，应该发生突变，根据航班fi的延迟变量flagi获取突变值，包括：
·
当待突变航班的延迟变量大于rand(0,1)，则在小于等于当前基因的范围内随机选取一个值，作为突变值；即：当flagi》rand(0,1)，则在中随机选取一个值作为航班新的延迟时间，表示该航班应适当提前起飞。其中，为第k组中的第i个航班在第l个染色体中对应的基因，即起飞的延迟时间。
[0057]
·
当待突变航班的延迟变量小于-rand(0,1)，则在当前基因与最大航班延迟时间的范围内随机选取一个值，作为突变值；即：当flagi《-rand(0,1)，则在中随机选取一个值作为航班新的延迟时间，表示该航班应适当延迟起飞。
[0058]
·
当待突变航班的延迟变量符合其余条件，则在小于等于最大航班延迟时间的范围内随机选取一个值，作为突变值。
[0059]
即：其余情况则在[0,δ
max
]中随机生成新的延迟时间，没有提前或延迟的倾向。
[0060]
如果nc
ki
≤nc
kh
，代表航班fi的冲突总次数未超过冲突阈值，不发生突变，基因值不发生改变。
[0061]
在遗传突变过程中，考虑到航班出发时整体冲突次数增加，则意味着该航班应该适当提前起飞，以避免即将到来的冲突高峰；航班出发时整体冲突次数减少，则意味着航班可以适当延后起飞，这样可以进一步使得冲突次数较为均衡，避免冲突集中。与此同时，阈值的设置使得发生较多冲突的航班改变延迟时间的概率更大，而对发生较少冲突的航班影响较小，从而能有效地影响发生较多冲突的航班的起飞安排。总体上来看，该突变算子通过在原数值的附近进行一定的调整，起到了“削峰填谷”的效果，使得冲突的分布较为均衡，方便下一次的优化，进而起到减少冲突的效果。
[0062]
s134：根据进化代数，判断是否继续进行遗传进化；具体来说，如果当前的进化代数小于预置的亚种群的最大进化代数，则进化代数加1，将步骤s133得到的染色体组成种群，作为亚种群，返回步骤s132开始再一次的交叉和突变，否则，对当前的多个航班组完成遗传进化，得到多个优化后的亚种群，执行步骤s14。示例性地，设置亚种群最大进化代数为80代。
[0063]
s14：取每个优化后的亚种群中适应度最大的解作为对应航班的第二延迟时间，将每架航班第一延迟时间更新为第二延迟时间，再次更新每架航班的起飞时间和到达时间，进行飞行冲突的检测、分组和遗传进化并更新第一延迟时间，多次循环后得到的第一延迟时间，用于调控对应航班的起飞时间。
[0064]
具体来说，每个优化后的亚种群在其染色体中选择出对应适应度最大的染色体为这一轮迭代所得到的解，其中适应度根据下式计算得到：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式（5）其中，为第k个亚种群中第l个染色体的适应度，mk为第k个亚种群中的航班总数；δ
max
为最大航班延迟时间，为第k个亚种群中第l个染色体的第j个基因，nc
kj
为第k个亚种群中第j个基因对应的航班的冲突总次数。
[0065]
适应度最大的染色体上每个基因值是对应航班的最新延迟时间，作为第二延迟时间，并将每架航班第一延迟时间更新为第二延迟时间。如果当前总体进化代数小于预置的总体最大进化代数，那么总体进化代数加1，返回，再次执行步骤s12和s13，进行飞行冲突的检测、分组和遗传进化；反之则完成优化调控过程，最后得到的第一延迟时间，用于调控对应航班的起飞时间。
[0066]
需要说明的是，为保证得到的解较为稳定，可采用较大的进化代数，优选地，总体最大进化代数设置为800代。
[0067]
基于2018年10月1日上午九点到十二点的全国空中交通流量数据，获取航班数据，分别采用传统的nsga
‑ⅱ
、nsga
‑ⅲ
、rvea算法和本实施例中的调控算法，得到如图6所示的
结果。在图6中，横坐标代表冲突的总次数，纵坐标代表抵达目的地与计划时间偏离的大小，可见，通过本实施例的调控方案(圆点表示的recombination算法），冲突次数明显减少，延迟时间也大幅降低了。
[0068]
与现有技术相比，本实施例提供的一种基于多目标协同优化的大规模航班调控方法是针对航班冲突和延误两方面的优化需求，使用动态分组、协同进化的思路设计的一种调控方案，利用时间重叠度分组，大大减少了分组所需的时间，提高了每一轮计算的速度，并使得高耦合的航班能够作为一个整体参与优化，最大限度地将有相互作用关系的航班优化归为一组，以降低提前收敛的风险；协同进化将原先高维度的优化问题合理分解为若干个较低维度的优化问题进行集中解决，采用了结合局部搜索机制的突变算子，能够在原数值的附近进行满足一定趋势的突变，起到了“削峰填谷”的效果，使得冲突的分布较为均衡，进而起到减少冲突的效果，获得高质量的解，实现了航班冲突和延误的双重优化。
[0069]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0070]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。