综合考虑走廊口航班流离港特征的机场群航班时刻优化

王莉莉 ,  王晓 ,  侯鉴虓 ,  赵明宇 ,  秦艺聪

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1720-1727

PDF (3287KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1720-1727 DOI: 10.12404/j.issn.1671-1815.2502250
航空、航天

综合考虑走廊口航班流离港特征的机场群航班时刻优化

作者信息 +

Flight Schedule Optimization in Airport Network Considering Corridor Flight Flow Departure Characteristics

Author information +
文章历史 +

摘要

优化机场群航班时刻是提升机场群整体运行效率的重要手段。为减少航班延误并有效发挥走廊口对航班流量调控的关键作用，考虑走廊口自身特征及所经航班流特征确定走廊口的优先级，以总时刻调整成本最小为目标，构建一个考虑走廊口自身特征和走廊口航班流特征的机场群航班时刻优化模型。该模型旨在战略阶段通过调整航班离场时刻的方式优化机场群现有时刻表。在模型的求解阶段采用改进的遗传算法对模型进行求解，并以京津冀机场群为实例进行仿真分析。结果表明：走廊口的调度调整显著受其自身特征影响。考虑航班流特征的航班时刻调整量虽然比未考虑时增加了2.43%，但整体调整成本却减少了6.91%。同时，高峰时段的航班量显著降低，有效缓解了走廊口流量超出容量限制所导致的航班延误问题。

Abstract

In order to optimize the flight schedule of an airport cluster and improve its operational efficiency，the characteristics of corridor gates and flight flows were considered in order to determine the priority of corridor gates. A model was constructed to minimise the total cost of schedule adjustments by adjusting flight departure times during the strategic phase. An improved genetic algorithm was adopted to solve the model. The Beijing-Tianjin-Hebei airport cluster was used as a case study for the simulation analysis. The results show that corridor gate scheduling is significantly influenced by its own characteristics. While the amount of schedule adjustment considering flight flow characteristics increases by 2.43% compared to a scenario without such consideration，the overall adjustment cost decreases by 6.91%. Additionally，the number of flights during peak hours is significantly reduced，effectively alleviating the problem of flight delays caused by corridor gate capacity being exceeded. It can therefore be concluded that the proposed model effectively optimises flight schedules while reducing delays and operational costs.

Graphical abstract

关键词

航空运输 / 机场群调度 / 航班时刻优化 / 走廊口特征 / 航班延误 / 智能交通

Key words

air transport / airport group scheduling / flight schedule optimization / corridor entrance features / flight delay / intelligent transportation

引用本文

引用格式 ▾
王莉莉, 王晓, 侯鉴虓, 赵明宇, 秦艺聪. 综合考虑走廊口航班流离港特征的机场群航班时刻优化[J]. 科学技术与工程, 2026, 26(4): 1720-1727 DOI:10.12404/j.issn.1671-1815.2502250
WANG Li-li, WANG Xiao, HOU Jian-xiao, ZHAO Ming-yu, QIN Yi-cong. Flight Schedule Optimization in Airport Network Considering Corridor Flight Flow Departure Characteristics[J]. Science Technology and Engineering, 2026, 26(4): 1720-1727 DOI:10.12404/j.issn.1671-1815.2502250

登录浏览全文

4963

注册一个新账户 忘记密码

航班时刻是机场运行的重要基础之一，直接影响到机场群的整体运行效率。由于机场群的复杂性与耦合性，在繁忙时段，航班需求量往往超过机场群空域的承载能力，而在低谷时段则存在空域资源的严重浪费。这一情况经常会导致航班的延误，同时也会使得空域资源的使用效率大大降低。
现有航班时刻优化研究的目标主要集中在以下几个方面：最小化时刻调整总量[1]、提升公平性与效率性[2]、减少时刻偏移的总体成本[3]、同时考虑时刻调整总量与最大调整量的最小化[4-5]、提高航班的正点率[6-9]、最小化偏移时刻的数量[10]，以及国际航空运输协会（International Air Transport Association，IATA）优先级的考虑[11]。在优化算法的使用上，研究者们主要运用了精确求解算法（如整数线性规划[12]）以及各种智能算法，包括启发式算法[13]和粒子群算法[14]。研究切入点上，相关研究涉及航空公司公平性与动态排队的双层规划[15]、机场群离港航班时刻的稳定性概念及其评估指标[16]、共用离场航路点的高峰需求与时刻表优化的公平性[17]等。文献[18]中构建了一个双目标航班时刻优化模型，旨在最小化航班的总偏移量与最大单个航班的偏移量，并利用Gurobi软件探讨了单机场、不同机场组合及机场群所有机场下航班时刻偏移与航班延误的三种优化策略。
综上可知，尽管已有研究涉及机场群航班时刻优化，但对于走廊口的容量限制的研究较为单一，鲜有从关键空域资源的运行耦合及机场间时刻协调的角度进行深入探讨。在实际运行中，针对走廊口特征的分析能够显著地提升机场群终端区空域的运行效率。因此，专注于终端区航班时刻的优化研究，重点考虑空域关键走廊口的特征，并据此确定相应走廊口的优先级，对经过相同优先级走廊口的航班则依据航班属性确定其优先级。然后在考虑资源的约束的基础上，通过错峰的方式，分散走廊口的航班流量，实现了航班离场时刻的优化调整，降低航班时刻调整成本的同时，也避免了机场群整体计划性延误。研究成果对提升机场群协同运行效率、缓解走廊口容量受限导致的航班延误问题具有重要的实践意义，为机场群航班时刻优化提供了新的理论方法和决策支持，也可为民航管理部门制定更加科学合理的航班时刻分配方案提供参考依据。

1 走廊口优先级的确定

1.1 优先级确定规则

机场群航班时刻的实际运行涉及多个机场在有限空域内的协同作业，其中终端区的走廊口作为一个复杂且高度共享的关键节点，发挥着承上启下的重要作用，提升走廊口的运行效率，不仅能增强机场与终端区整体运行效能，也可以有效减少航班在空域中的延误向其他管制区传播的可能，从而可以降低空域资源的浪费。

为充分发挥走廊口的这一重要功能，同时提高机场群航班时刻资源的利用率，降低机场与终端区在实际运行中的进离场延误，通过对历史航班时刻数据的系统统计与特征分析，以不同航班走向所经过的机场群的终端区走廊口为研究切入点，借鉴IATA对时刻调整优先顺序设置的相关规则，确立了走廊口优先级指标和航班属性优先级指标。

走廊口优先级指标，重点考虑走廊口的三个核心特征，走廊口动态流量占比、走廊口运行模式和走廊口航班去向占比。与此同时，航班属性优先级指标则考虑了起飞机场流量在所经走廊口的动态占比、起飞机场在机场群中的动态流量占比、航班的起飞机场和目的机场的属性。基于上述指标，对现有航班时刻表进行优化调整。

1.2 优先级指标

优先级的确定与调整遵循以下逻辑：首先，基于预设的优先级指标，对各个走廊口的自身优先级进行排序；随后，对于机场群内所有航班，优先考虑调整优先级较高的走廊口的航班；当通过同一优先级的走廊口时，进一步根据航班属性的优先级指标对这些航班进行排序和调整。其预设的优先级指标阐释如下。

1.2.1 走廊口优先级指标

（1）走廊口动态流量占比。指在特定时间区间内（如15 min），某机场群终端区走廊口的航班流量占该时间区间内机场群总航班流量的比例。该指标能够有效反映不同时刻航班通过走廊口的基本情况，揭示走廊口在整体航班流动中的重要性与负载情况。通过对走廊口动态流量占比的分析，可以识别高流量时段，从而为提升机场群的运行效率提供依据。

Pik=$\frac{Flo{w}_{ik}}{{\sum }_{k\in K}^{}Flo{w}_{ik}}$

式（1）中：Pik为走廊口k在时间区间i的动态流量占比；Flowik为走廊口k在时间区间i的流量。

（2）走廊口运行模式。走廊口的运行模式主要分为三种：第一种是单一机场独占模式，特定走廊口由一个机场全面使用；第二种是双机场共享模式，两个机场协同利用同一走廊口进行航班调度；第三种是多机场共用模式，涉及三个或更多机场共同使用走廊口。这三种模式的选择直接会影响航班的效率和资源配置。

（3）走廊口航班去向占比。指在特定时间区间内（如15 min），不同去向的航班流量占该走廊口总流量的比例。这一比例反映了航班流量的结构特点。

Pijk=$\frac{Flo{w}_{ijk}}{Flo{w}_{ik}}$

式（2）中：Pijk为在走廊口k、去向为j的航班在时间区间i，i∈I的动态流量占比；Flowijk为在走廊口k、去向为j的航班在时间区间i，i∈I的航班量。

1.2.2 航班属性优先级指标

（1）起飞机场流量在所经走廊口的动态占比。指在特定时间区间内（如15 min），某一机场的航班流量占该走廊口总流量的比例，这一比例反映了不同时间段内起飞机场在走廊口的重要性。

fimk=$\frac{Flo{w}_{imk}}{{\sum }_{k\in K}^{}Flo{w}_{ik}}$

式（3）中：fimk为在走廊口k、机场m在时间区间i，i∈I的动态流量占比；Flowimk为在走廊口k、机场m在时间区间i，i∈I的流量。

（2）起飞机场在机场群中的动态流量占比。指在特定时间区间（如15 min）内，某一机场的航班流量占机场群总流量的比例。这一比例反映了起飞机场在不同时间段内的繁忙程度。

flim=$\frac{Flo{w}_{im}}{{\sum }_{m\in M}^{}Flo{w}_{im}}$

式（4）中：flim为在机场群内，机场m在时间区间i，i∈I的动态流量占比；Flowim为在机场群内，机场m在时间区间i，i∈I的流量。

（3）起飞和目的机场航班时刻属性。判别机场是否为航班时刻主协调机场，该属性反映了航班时刻在起飞或目的机场的重要性。根据民航局的分类，主协调机场被划分为第一等级；辅协调机场为第二等级，而其他机场则为第三等级。这一时刻属性决定了航班调度的先后顺序，航班属性等级越高则在航班时刻调整的过程中享有的优先级越高。

2 模型构建

2.1 问题假设

以机场群终端区走廊口为切入点，结合终端区走廊口实际航班流的运行特征，以最小化机场群航班时刻调整成本为优化目标，通过错开走廊口高峰航班时刻的时间段，分散流量，建立了考虑机场群终端区航班流特征的航班时刻优化模型，最后对模型进行求解。

模型设定条件如下：①模型仅考虑班期正常的国内客运航班；②机场群内各机场均采用进离场航线分离模式，进离场航班间互不影响，可以单独分析机场离港走廊口的离港航班流量限制；③相邻航班之间的安全间隔保持一致；④机场群航班从机场到终端区走廊口的飞行时长由实际运行数据所得。

2.2 参数定义

参数定义如表1所示。

2.3 目标函数

以最小化机场群航班时刻调整成本为优化目标，构建的目标函数可表示为

minZ=${\sum }_{f\in F}^{}{\sum }_{m\in M}^{}{\sum }_{k\in K}^{}{\sum }_{t\in T}^{}\left|{t}_{mklf}-{t}_{mkgf}\right|$Xmkftβt

式（5）中：调整成本系数βt由时刻权重和时刻价值二者的乘积值决定。时刻权重依据航班量flim确定，时刻价值由起飞机场繁忙度fimk来确定。

2.4 约束条件

（1）唯一性约束。保证每一个航班只可以分配到一个时刻，不能同时占用多个时刻。

${\sum }_{t\in T}^{}$Xmkft=1，∀ m∈M，k∈K，f∈F

（2）机场15 min进离场容量限制约束。为避免高峰时段内连续出现排班密集现象，进而导致非整点时段的航班安排超出高峰小时的容量标准，对机场在每15 min内的进离场流量进行限制。

$\sum _{t=l}^{l+2}{\sum }_{k\in K}^{}{\sum }_{f\in F}^{}$Xmkft≤Cm，m∈M，l={1，4，7，…}

（3）走廊口1 h内航班容量限制约束。为确保终端区走廊口航班进出流量在高峰时段保持在容量约束的范围内，对走廊口不满足容量约束的时间段进行时刻优化，避免出现某一个走廊口集中进离港导致的拥堵现象。

$\sum _{t=l}^{l+1}{\sum }_{k\in K}^{}{\sum }_{f\in F}^{}$Ymkft≤Ck，∀ k∈K，l={1，13，25，…}

（4）航班在跑道的滑行时间与跑道到走廊口的飞行时间限制约束。

${\sum }_{t\in T}^{}$Ymkftt=${\sum }_{t\text{'}\in T}^{}$Xmkftt'+ttaxi+tflyf，f∈F

（5）相邻航班最小时间间隔约束。相邻前后两个航班之间的时间间隔至少要等于安全间隔约束。其中航班f'为航班f后的相邻航班。

$\left|{t}_{mklf\text{'}}-{t}_{mklf}\right|$≥P

（6）时刻动态调整范围限制约束。由于在实际运行中，不同时间段的航班时刻具有不同的重要性，因此每个航班都有其可接受的调整范围，这种灵活性也有助于在满足运营需求的同时，提高整体运行效率。时刻可以调整的最大范围取决于该时刻的所在的航班小时流量（机场的繁忙程度）。

tmklf-tmkgf≤${\delta }_{f}^{+}$，∀ f∈F
tmklf-tmkgf≤${\delta }_{f}^{-}$，∀ f∈F

3 模型求解

3.1 算法原理概述

遗传算法（genetic algorithm，GA）是进化计算的一部分，是一类可用于复杂系统优化的具有鲁棒性的搜索算法[21]，与传统优化算法相比，具有以下特点。

（1）以决策变量的编码作为运算对象，在优化计算中可模仿自然界中生物的遗传和进化激励，也可方便地应用遗传操作算子。

（2）直接利用由目标函数值变换来的适应度函数值或个体适应度值也可以将搜索范围集中到适应度较高部分的搜索空间中，从而提高搜索效率。

（3）从由很多个体组成的初始种群开始最优解的搜索，而不是从单个个体开始搜索，具有隐含并行性。

（4）使用概率搜索而非确定性规则，增加了搜索过程的灵活性，而且能以较大概率收敛于最优解，具有较好的全局优化求解能力。

3.2 改进的算法

虽然GA搜索效率较高，具有较好的全局优化求解能力，但与粒子群优化算法（particle swarm optimization，PSO）相比，PSO有记忆，好的解的知识所有粒子都保存，但粒子群算法缺点在于在高维问题中，PSO可能会遇到“维度灾难”，导致收敛速度变慢，GA的缺点在于没有记忆，以前的知识随着种群的改变而被破坏。因此本文考虑将PSO的迭代记忆性融入GA中，即：将PSO的位置与速度更新融入GA变异过程中，在每一次的迭代中，染色体通过跟踪个体最优适应度值Pbest=（pi，1，pi，2，…，pi，m）和种群最优适应度值Pgbest=（pg，1，pg，2，…，pg，m）来更新自己。改进的GA算法流程如图1所示。

算法流程如下。

步骤1 读取机场群预飞行计划表中的航班时刻数据。

步骤2 分别统计并计算各机场在不同时段的走廊口优先级指标和航班属性优先级指标。

步骤3 初始化染色体，设定染色体节点数为D（离港的航班数量）和染色体个数为N（种群大小），依据机场群的航班时刻随机生成一个初始染色体Xi=（Xi，1，Xi，2，…，Xi，m）和初始速度Vi=（Vi，1，Vi，2，…，Vi，m），染色体位置Zi代表一组解，Zi=[（Xi，1，Vi，1），（Xi，2，Vi，2），…，（Xi，m，Vi，m），其中：Zi为全体染色体中的第i个染色体，（Xi，m，Vi，m）为第个m航班调整Vi，m个时间片Zi后时刻为Xi，m，设定初始交叉概率arc=0.4和变异概率mut=0.03，染色体最优适应度值Pbest=（pi，1，pi，2，…，pi，m），全体染色体的最优适应度值Pgbest=（pg，1，pg，2，…，pg，m）。

步骤4 以时刻调整成本最小作为目标函数来构造适应度函数。

步骤5 为个体随机生成一个用于判别交叉操作的随机概率数，用于判别是否进行交叉，当该个体的交叉阈值超过0.4时，执行染色体交叉操作，随机选择要交叉的染色体及交叉的节点，同时对交叉后的染色体进行调整范围限制。

步骤6 为个体随机生成一个代表该个体是否产生变异的的随机概率数，用于判断是否产生变异，如果该个体的变异概率值小于基因突变概率0.03，则对该个体的染色体进行基因变异处理，在变异操作一步对速度和位置进行更新。

步骤7 迭代更新，迭代到最大迭代次数后得到优化后的最优结果，算法结束。通过比较各条染色体的当前适应度与其自身历史最佳适应度及所有染色体的整体最佳适应度，持续迭代并更新，确保单条染色体及其全局的最优位置和对应的适应度值得到优化。

4 实例应用

4.1 相关参数

使用的数据来自《2021年冬春航季航班计划》，京津冀机场群包含了众多机场，其中北京首都国际机场、北京大兴国际机场 、天津滨海国际机场是三个主协调机场，因此实例分析选取北京首都国际机场、北京大兴国际机场、天津滨海国际机场（机场编号为：m=1，2，3）3个机场的航班时刻进行优化和分析。机场群内各走廊口相关信息如表2所示。

考虑到航班时刻的连续性，选取机场群一天的航班进行优化调整。初始机场航班量分布信息如图2所示，三个主协调机场离场航班共计1 350架次。经数据统计发现，虽然机场小时航班量没有超过机场小时容量，但机场航班时刻表中存在密集排班的情况，导致非整点时段超出高峰小时容量标准。实际运行时，终端区走廊口流量也超过了容量限制。机场单日航班量分布情况如图2所示。

4.2 优化结果

机场一天的离港航班量为1 350架次，只考虑调整1 215架离场航班的时刻，对于其余的135架非国内航班保证其航班时刻不动，但参与统计机场不同时刻的航班量分布，对机场群终端区主要走廊口的航班时刻进行优化，采用MATLAB 2023b对模型进行改进遗传算法的编程求解。经多次试验对比后，将遗传算法中参数设置如表3所示。

优化后结果以及不同走廊口航班调整情况如表4所示。可以看出，对于整体结果，时刻调整成本35 000，时刻调整量为4 410 min，对于考虑航班流特征的时刻优化，改进GA的调整成本相较于GA的减少了4.96%，时刻调整量增加了1.3%；而对于未考虑航班流特征的时刻优化，考虑航班流特征的调整成本减少了6.91%，时刻调整量增加了2.43%。上述时刻表调整量和时刻调整成本对应结论相反，这是由于模型本身要求时刻表调整成本最小，所以时刻调整成本减少的同时会增加航班时刻的调整量。

表5为各走廊口的具体调整情况，通过对不同走廊口优化结果的对比，可以得到不同走廊口航班调整成本之间的差异。根据数据分析，各走廊口的调整情况符合其流量分布情况，且经过走廊口的各机场航班调整情况也符合各机场在走廊口流量分布。由表5可以看出，ELKUR走廊口调整成本最多，其次是PEGSO和OMDEK走廊口，这三个走廊口也是走廊口中流量占比前三的走廊口。

图3进一步展示了流量占比前三的三个走廊口在优化前后15 min航班量分布的变化情况。图3分别对应于PEGSO、OMDEK和ELKUR的15 min航班量对比。整体来看，这三个走廊口的15 min高峰航班量在优化后有显著减少，且相邻15 min时间段内航班架次突增的现象明显缓解。值得注意的是，各走廊口的调整时间段有所不同，PEGSO的航班调整主要集中在06：30—08：45，OMDEK则集中在16：15—18：00和07：30—9：00，而ELKUR的航班调整集主要集中在两个时段，分别是06：15—10：00和17：30—21：15。综上所述，优化后的调整情况与走廊口的流量分布及对应航班起降机场的特性密切相关。机场群终端区各走廊口高峰时段的航班流量得到了有效控制，优化结果与实际运行吻合，显著缓解了由于流量超限导致的航班延误压力，实现了航班分布的均衡，提升了时刻资源的使用效率。

5 结论

在考虑机场群走廊口特征以及航班流特征来为各走廊口分配不同的优先级的基础上，所构建的机场群航班时刻优化模型在满足了机场进离场容量约束、机场群各走廊口的容量约束等约束条件下，采用改进的遗传算法对模型进行求解与验证。得出以下结论。

（1）考虑与航班流特征的机场群航班时刻优化模型较大限度的减少了航空公司时刻调整成本，与未考虑航班流特征的航班时刻优化相比，优化后的时刻调整成本下降了6.91%，各走廊口在高峰段航班量明显降低，有效提高了时刻资源使用率，降低了机场群航班整体延误的压力。

（2）现有航班时刻表中非整点时段航班过于密集，考虑航班流特征的时刻优化更加注重大流量、资源高度共享、运行耦合复杂的走廊口，针对大流量走廊口进行时刻调整，可有效平衡航班量与时刻调整成本之间的关系，相较于未考虑航班流特征的优化方法，后者通过航班数量的优势分摊成本，反而增加了非大流量走廊口的调整成本。

（3）考虑航班流特征的优化模型能根据终端区走廊口及其起降机场特征，提供更具针对性的解决方案，提高空域资源利用率，促进协同调配，从而提升京津冀机场群航班时刻的协调性。

（4）未来研究可基于机场群的实际运行特征，进一步细化走廊口的优先级指标，构建一个更加全面的机场群航班时刻优化模型。进一步细化走廊口的优先级指标，构建一个更加全面的机场群航班时刻优化模型。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Zografos K G, Salouras Y, Madas M A. Dealing with the efficient allocation of scarce resources at congested airports[J]. Transportation Research Part C, 2012, 21(1): 244-256.
[2]

Zografos K G, Jiang Y. A Bi-objective efficiency-fairness model for scheduling slots at congested airports[J]. Transportation Research Part C: Emerging Technologies, 2019, 102: 336-350.
[3]

曾奇. 区域先期航班时刻协同优化研究[D]. 南京: 南京航空航天大学, 2014.
[4]

Zeng Qi. Regional prior flight schedule coordinated optimization research[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2014.
[5]

杨新湦, 齐莉, 翟文鹏. 航班时刻资源优化配置与延误水平评估[J]. 河南科技大学学报(自然科学版), 2016, 37(3): 19-23, 5.
[6]

Yang Xinsheng, Qi Li, Zhai Wenpeng. Flight schedule resource optimization and delay level evaluation[J]. Journal of Henan University of Science and Technology(Natural Science Edition), 2016, 37(3): 19-23, 5.
[7]

Katsigiannis F A, Zografos K G. Optimising airport slot allocation considering flight-scheduling flexibility and total airport capacity constraints[J]. Transportation Research Part B: Methodological, 2021, 146: 50-87.
[8]

李昂, 翟文鹏, 安琪. 面向正点率提升的华北机场群航班时刻优化[J]. 计算机仿真, 2020, 37(2): 38-40.
[9]

Li Ang, Zhai Wenpeng, An Qi. Optimization of flight schedules for airport clusters in north China for on-time performance improvement[J]. Computer Simulation, 2020, 37(2): 38-40.
[10]

Alexandre J, Vikrant V. Interairline equity in airport scheduling interventions[J]. Transportation Science, 2018, 52(4): 941-963.
[11]

张兆宁, 刘泽铧. 考虑机场、航空公司与空管需求的机场群离场航班时刻优化[J]. 科学技术与工程, 2024, 24(9): 3896-3903.
[12]

Zhang Zhaoning, Liu Zehua. Optimization of departure flight schedules in airport clusters considering the demands of airports, airlines and air traffic control[J]. Science Technology and Engineering, 2024, 24(9): 3896-3903.
[13]

卢婷婷, 刘计民, 史一鸣, 等. 考虑目的地机场繁忙程度的航班时刻优化[J]. 科学技术与工程, 2023, 23(11): 4894-4900.
[14]

Lu Tingting, Liu Jimin, Shi Yiming, et al. Flight schedule optimization considering the busyness of destination airports[J]. Science Technology and Engineering, 2023, 23(11): 4894-4900.
[15]

Nuno A R, Alexandre J, António P A, et al. An optimization approach for airport slot allocation under IATA guidelines[J]. Transportation Research Part B: Methodological, 2018, 112: 132-156.
[16]

Nuno A R, Alexandre J, António P A, et al. Improving slot allocation at level 3 airports[J]. Transportation Research Part A: Policy and Practice, 2019, 127: 32-54.
[17]

Pellegrini P, Bolic T, Castelli L, et al. SOSTA: an effective model for the simultaneous optimisation of airport slot allocation[J]. Transportation Research Part E Logistics & Transportation Review, 2017, 99: 34-53.
[18]

Benlic U. Heuristic search for allocation of slots at network level[J]. Transportation Research Part C Emerging Technologies, 2018, 86: 488-509.
[19]

朱金福, 马睿馨, 彭安娜, 等. 基于粒子群优化算法的机场群航班优化配置研究[J]. 重庆交通大学学报, 2021, 40(9): 1-8.
[20]

Zhu Jinfu, Ma Ruixin, Peng Anna, et al. Research on airport group flight optimization configuration based on particle swarm optimization algorithm[J]. Journal of Chongqing Jiaotong University, 2021, 40(9): 1-8.
[21]

王倩. 世界级机场群航班时刻优化研究[D]. 天津: 中国民航大学, 2018.
[22]

Wang Qian. World-class airport cluster flight schedule optimization research[D]. Tianjin: Civil Aviation University of China, 2018.
[23]

王兴隆, 许晏丰, 薛依晨. 机场群离港航班时刻稳定性评估及优化[J]. 北京航空航天大学学报, 2023, 49(6): 1331-1341.
[24]

Wang Xinglong, Xu Yanfen, Xue Yichen. Evaluation and optimization of departure flight schedule stability for airport groups[J]. Journal of Beijing University of Aeronautics and Astronautics2023, 49(6): 1331-1341.
[25]

水笑雨, 王艳军, 王子明, 等. 考虑机场公平性的机场群航班时刻分配[J]. 航空学报, 2023, 44(8): 165-181.
[26]

Shui Xiaoyu, Wang Yanjun, Wang Ziming, et al. Flight scheduling of airport groups considering airport fairness[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(8): 165-181.
[27]

吴慎之, 王子明, 杭旭, 等. 机场群航班时刻表优化方案研究[J]. 交通运输工程与信息学报, 2022, 20(4): 136-146.
[28]

Wu Shenzhi, Wang Ziming, Hang Xu, et al. Research on optimization scheme of airport group flight schedules[J]. Journal of Transportation Engineering and Information Science, 2022, 20(4): 136-146.
[29]

王莉莉, 侯鉴虓. 时刻调整范围不确定的机场群航班时刻优化[J]. 计算机仿真, 2023, 40(10): 61-65.
[30]

Wang Lili, Hou Jianxiao. Optimization of airport group flight schedules with uncertain time adjustment ranges[J]. Computer Simulation, 2023, 40(10): 61-65.
[31]

林雍雅. 京津冀机场群航班时刻优化模型研究[D]. 天津: 中国民航大学, 2022.
[32]

Lin Yongya. Research on flight schedule optimization model of Beijing-Tianjin-Hebei airport group[D]. Tianjin: Civil Aviation University of China, 2022.
[33]

耿宏飞. 智能仓储中多AGV路径规划及调度的设计与实现[D]. 南京: 南京理工大学, 2021.
[34]

Geng Hongfei. Design and implementation of multi-AGV path planning and scheduling in intelligent storage[D]. Nanjing: Nanjing University of Science and Technology, 2021.

基金资助

国家自然科学基金委员会与中国民用航空局联合资助项目(U1633124)

民航航空公司人工智能重点实验室资助项目(CZ2023011182)

PDF (3287KB)

33

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录