智能算法在机场停机位分配

智能算法在机场停机位分配及优化问题中的应用

姓名：周蔷

学号: B0907119

E-mail:zhouqiang2000@

2009年6月11日研究背景

（一）机场实际运营的需要

在日益繁忙的干线机场和中枢机场，原来的简单调度方式已经不适应民航整体事业发展的需要，比如根据2002年某国内机场调查结果表明，由机场调度引起的航班延误占所有航班延误的15.45%

1.资源调度的优化可以提高运营效益

2.现代化的管理需要先进的技术手段

3.停机位分配问题是站坪控制的核心

4.提高机场的安全保障能力和服务质量

研究背景

（二）传统优化理论升级的需要

✶传统实际问题的特点

连续性问题¡ª¡ª主要以微积分为基础，且问题规模较小

✶传统的优化方法

追求准确¡ª¡ª精确解

理论的完美¡ª¡ª结果漂亮

主要方法：线性与非线性规划、动态规划、多目标规划、整数规划、排队论、库存论、对策论、决策论等。

✶传统的评价方法

算法收敛性（从极限角度考虑）

收敛速度（线性、超线性、二次收敛等）

研究背景

（二）传统优化理论升级的需要

✶现代问题的特点

离散性问题——主要以组合优化（针对离散问题）理论为基础

不确定性问题——随机性数学模型

半结构或非结构化的问题——计算机模拟、决策支持系统

大规模问题——并行计算、大型分解理论、近似理论

✶现代优化方法

追求满意——近似解

实用性强——解决实际问题

✶现代优化算法的评价方法

算法复杂性

研究背景

（二）传统优化理论升级的需要

现代优化( 启发式) 方法:

✶禁忌搜索（Tabu Search,TS）

✶模拟退火（Simulated Anealing,SA）

✶遗传算法（Genetic Algorithms,GA）

✶蚁群算法（Ant Colony Algorithms,ACA）

✶粒子群算法（Particle Swarm Optimization, PSO ）

问题的提出

如何改进智能算法并将其与停机位指派问题进行深层次的融合

✶以繁忙机场停机位分配和优化的实际问题为背景,着手应用智能算法来解决此类问题,并提出智能化系统模式。如何使用适当的算法策略与方法进行优化,是机场运行中有待研究的重要课题。

研究依据

（一）国内外研究现状分析

✶近年来，国内外学者在蚁群算法的模型改进和应用方面做了大量的工作,其共同目的是在合理时间复杂度的限制条件下,尽可能提高蚁群算法在一定空间复杂度下的寻优能力,从而改善蚁群算法的全局收敛性，并拓宽蚁群算法的应用领域[1].蚁群算法是一种概率搜索算法，从数学上对其正确性与可靠性进行证明比确定性算法困难.自w.J.Gutjahr最先从有向图论的角度对一种改进蚁群算法的收敛性进行理论证明至今,人们在其收敛性研究方面已经取得了相当丰富的理论研究成果，但是这些理论成果基本上都是针对一些改进蚁群算法的理论分析.

研究依据

（一）国内外研究现状分析

✶例如w.J.Gutjahr[2 3]对一类GBAS,GBAS/tdev及GBAS/tdlb算法的收敛性进行了证明,T.Sttlezle和M.Dorigo[4]对ACO(gb,r.min)算法的收敛性进行了理论证明，孙焘等对一类简单蚁群算法的收敛性作了初步研究[5]，丁建立等对一种遗传(蚁群算法的收敛性进行了Markov理论分析,Y.H.Hou等[7]基于不动点理论对一类GACA的收敛性进行了初步研究,等等,这些证明并没有把对蚁群算法的理论分析统一到一个共同的框架内.段海滨是南航毕业的博士,现在北航，写了本蚁群算法的书，蚁群算法他在国内算是做的比较多的。

研究依据

（一）国内外研究现状分析

✶本人对以上研究的评价

针对智能群算法中存在的一些不足,以及理论上的不完善,可以进一步开拓出新的算法结构,尝试利用算法融合,以及对算法的数学基础理论的探索,力求得到普遍适用的一些方法或者策略。

研究方案

（一）研究内容

✶了解几种现代智能算法核心思想和结构对比提炼出他们的优缺点

在众多NP-hard 的组合优化问题的应用中，当蚁群优化算法与局部搜索相结合时，算法表现出来的性能最好，局部搜索算法局部地优化蚂蚁构建的解，这些经局部优化的解将在信息更新步骤中使用。在ACO 算法中使用局部搜索算法，两者能够相互补充。两者的结合可以有效地提高蚂蚁构建的解得质量。蚁群最优(ACO) 算法的正反馈机制使其具有强大的局部搜索性能, 但其全局优化性能的优劣在很大程度上与蒸发系数的选择有关, 如选择得不合适易使算法陷于局部最优。

研究方案

（一）研究内容

禁忌搜索(TS) 算法是针对局部邻域搜索在优化过程中容易陷人局部极小解而无法保证全局优化的问题而提出的. 基本思想是, 在搜索过程中标记搜索到的局部最优解的对象, 并在进一步的搜索过程中尽量避开这些对象, 从而保证有不同的有效搜索路径. 首先在解空间范围内选取某个初始值, 根据解空间的大小来决定其邻域的大小以及邻域元素, 在找到某个较优解时作一定的标记, 同时采用一定的特赦规则, 以释放某些被禁忌的解. 特赦规则在函数目标较小的情况下可以迅速使当前解向最终解靠拢。具有强大的全局优化性能, 但其局部搜索性能易受分散性的影响; 但TS 算法具有灵活的记忆功能和藐视准则, 并且在搜索

过程中可以接受劣解, 所以具有较强的“ 爬山” 能力, 搜索时能够跳出局部最优解, 转向解空间的其他区域, 从而增强获得全局最优的能力. 它是一种确定性的局部极小突变策略.

研究方案

（三）研究方法

✶本课题的研究主要采用以下研究方法：

（1）文献研究：查阅大量文献分析已有研究存在的问题，提出新的算法结构以及机位系统模型

（2）项目研究：在相关项目的指导下，与相关老师和同学一起在解决实际运行中可能产生的问题，期望总结出一些好的策略与方法。

（3）实验研究：根据前面的分析，设计和整合出实施的方案，并用相关计算机软件仿真来辅助测评该研究的运行效果

研究方案

（四）该研究的创新之处

✶①关注实用性的同时，完善和强化相关数学理论，尤其是引入前沿数学基础理论

✶②力图构建完整的算法策略体系和智能化系统

✶③更多关注尝试新算法的融合，尝试引进具有竞争性，博弈性的进化策略。

未来的研究工作以及我的思考：

✶一，虽然算法具有分布式并行机制、易于与其他算法相结合、具有鲁棒性等优点，但搜索时间长、易陷入局部最优是其突出缺点.近年来，国内外学者在蚁群算法的模型改进和应用方面做了大量的工作，其共同目的是在合理时间复杂度的限制条件下，尽可能提高蚁群算法在一定空间复杂度下的寻优能力，从而改善蚁群算法的全局收敛性，并拓宽蚁群算法的应用领域.目前对蚁群算法的研究,不仅有算法意义上的研究,还有从仿真模型角度的研究, 应当指出,现阶段对蚁群算法的研究还只是停留在仿真阶段,尚未能提出一个完善的理论分析,对它的有效性也没有给出严格的数学解释. 但是,从以前模糊控制所遇到的情况看,理论上的不完善并不妨碍应用,有时应用还会超前于理论,并推动理论研究,蚁群算法也是如此

未来的研究工作以及我的思考：

✶二，蚁群与其他算法的融合策略：

（1）针对蚁群算法初始信息素匮乏的缺点，采用其他算法生成初始信息素分布，利用蚁群算法求精确解，从而提高时间效率和求解精度。（使用的其他算法的求解结果以什么规则转换成蚁群算法的信息素初值，需要通过多次实验）

（2）不断有学者提出对蚁群算法的改进方案:有的将蚁群算法与遗传算法相结合,有的给蚁群系统加入变异特征,还有的提出所谓最大最小蚁群算法(MMAS) .将遗传算法引入到蚁群算法系统的每次迭代过程中。以蚁群系统每一代形成的解作为其他算法的初始种群，然后经过其他算法的多次迭代，试图寻找更好的解，从而加快蚁群系统的收敛速度，提高求解速率。（3）对于蚁群算法出现过早收敛于非全局最优解以及时间过长的缺点，可以通过使用蚁群算法进行搜索，然后用其他算法对蚁群算法得到的有效路由路径，通过选择、交叉、变异等优化过程，产生性能更优的下一代群体。

（4）PSO算法由于局部寻优能力较差，因此可以在搜索过程中融入确定性局部搜索算法。未来的研究工作以及我的思考：

✶三,深度改进策略

对于蚁群算法，加强基础理论的研究，深度改进算法，为优化问题找到更为强有力的数学分析和建模的工具，努力从真实蚂蚁群的生物学行为中提炼出更具群体智能的一般行为，增加具有通信行为能力的蚂蚁，或精英蚂蚁，以及探索具有竞争性或博奕性的蚂蚁群行为特征。引入前沿数学理论，比如博弈理论，计算几何理论，对于算法的速度收敛性，可借鉴马氏随机理论来进行严格证明。另外蚁群算法中α，β的选取往往是通过经验来取得的，而选取不当时会造成算法的性能大大降低，因此应用前沿数学理论对算法运行时间的数学分析以及合理选择参数和蚂蚁数量的问题的完善，是改进策略的一个突破。

可能存在的问题及对策