[發(fā)明專(zhuān)利]一種基于蒙特卡洛算法的滑行路徑優(yōu)化指標(biāo)求解方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011291085.5
• 申請(qǐng)日: 2020-11-18
• 公開(kāi)（公告）號(hào): CN112287561A
• 公開(kāi)（公告）日: 2021-01-29
• 發(fā)明（設(shè)計(jì)）人: 楊媛媛
• 申請(qǐng)（專(zhuān)利權(quán)）人: 楊媛媛
• 主分類(lèi)號(hào): G06F30/20
• 分類(lèi)號(hào): G06F30/20;G06Q10/04;G06Q10/06;G06F111/04;G06F111/08
• 代理公司: 天津盛理知識(shí)產(chǎn)權(quán)代理有限公司 12209
• 代理人: 劉玲

本發(fā)明涉及一種用蒙特卡洛算法解決滑行路徑優(yōu)化指標(biāo)的求解方法，其包括如下步驟:生成采集樣本；得到k時(shí)刻的先驗(yàn)概率分布；得到后驗(yàn)概率分布；篩選符合路徑最優(yōu)的數(shù)據(jù)信息；用估計(jì)的后驗(yàn)概率分布函數(shù)利用蒙特卡洛算法對(duì)元胞進(jìn)行位置狀態(tài)信息重采樣；仿真處理。本發(fā)明用蒙特卡洛算法解決滑行路徑優(yōu)化指標(biāo)的求解方法，采用本發(fā)明減少了離港飛機(jī)的滑行等待時(shí)間，滑行效率提高了9.8％，充分調(diào)度和合理分配了機(jī)場(chǎng)地面資源。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)場(chǎng)場(chǎng)面交通運(yùn)輸領(lǐng)域，具體涉及一種基于蒙特卡洛算法的滑行路徑優(yōu)化指標(biāo)求解方法。

背景技術(shù)

近年來(lái)，在機(jī)場(chǎng)交通流量和機(jī)場(chǎng)的航班數(shù)量不斷增長(zhǎng)的情況下，我國(guó)空域系統(tǒng)容量、空中交通流量和對(duì)空中交通的管理能力之間的矛盾逐漸加劇，導(dǎo)致空中交通抗干擾力不斷下降，航班運(yùn)輸延誤頻發(fā)，航空公司和旅客的滿(mǎn)意度下滑。因此，對(duì)機(jī)場(chǎng)運(yùn)行管理方式的調(diào)整優(yōu)化也成為我國(guó)應(yīng)對(duì)大面積航班飛行沖突的重要方式。由于空域資源短缺，機(jī)場(chǎng)擴(kuò)張受限，機(jī)場(chǎng)基礎(chǔ)設(shè)施有限等情況，優(yōu)化可變滑行時(shí)間以充分利用現(xiàn)有資源成為解決航空流量密度大時(shí)機(jī)場(chǎng)場(chǎng)面交通擁堵及航班延誤等問(wèn)題的首要選擇。

因此需要提出一種滑行路徑優(yōu)化指標(biāo)求解方法，主要針對(duì)機(jī)場(chǎng)整體運(yùn)行效能低下，控制方式不夠優(yōu)化等關(guān)鍵難題，通過(guò)研究智慧機(jī)場(chǎng)高效運(yùn)行的考察指標(biāo)，優(yōu)化航空器滑行時(shí)間來(lái)提高整體協(xié)同決策，分析滑行擁堵演變規(guī)律，圍繞大型樞紐機(jī)場(chǎng)的交通流運(yùn)行特征建立模型，重點(diǎn)規(guī)劃滑行道系統(tǒng)路徑，優(yōu)化可變滑行時(shí)間，提高滑行效率和機(jī)場(chǎng)容量。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于蒙特卡洛算法的滑行路徑優(yōu)化指標(biāo)求解方法，使用本求解方法可有效減少離港飛機(jī)的滑行等待時(shí)間，滑行效率提高了9.8％，充分調(diào)度和合理分配了機(jī)場(chǎng)地面資源。

本發(fā)明解決其技術(shù)問(wèn)題是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

一種用蒙特卡洛算法解決滑行路徑優(yōu)化指標(biāo)的求解方法，其特征在于：所述的蒙特卡洛算法解決滑行路徑優(yōu)化指標(biāo)的方法包括按順序進(jìn)行的下列步驟：

1)生成采集樣本：對(duì)某國(guó)內(nèi)大型機(jī)場(chǎng)提供的數(shù)據(jù)進(jìn)行預(yù)處理，將連續(xù)時(shí)間分割為離散的時(shí)間單元t，采用合理的推算方法從獲得的數(shù)據(jù)中提取各時(shí)刻的位置狀態(tài)信息生成采集樣本，同時(shí)設(shè)定預(yù)測(cè)所需要的最大樣本數(shù)量N；

2)得到k時(shí)刻的先驗(yàn)概率分布：利用步驟1)中采集到的各時(shí)刻的位置狀態(tài)信息通過(guò)狀態(tài)轉(zhuǎn)移方程遞歸估計(jì)k時(shí)刻的狀態(tài)變量x_k，z_k表示狀態(tài)空間中第k個(gè)觀測(cè)數(shù)值，然后根據(jù)Chapman-Kolmogorov方程，用k-1時(shí)刻先驗(yàn)概率密度分布p(x_k-1|z_1:k-1)通過(guò)遞推過(guò)程得到k時(shí)刻的先驗(yàn)概率分布p(x_k|z_1:k-1)；

3)得到后驗(yàn)概率分布：根據(jù)當(dāng)前時(shí)刻的觀測(cè)值z(mì)_k和貝葉斯公式通過(guò)修正步驟2)中遞推出的先驗(yàn)概率分布表達(dá)式得到后驗(yàn)概率分布表達(dá)式；

4)篩選符合路徑最優(yōu)的數(shù)據(jù)信息：將步驟3)得到的后驗(yàn)概率分布表達(dá)式采用經(jīng)驗(yàn)概率分布表達(dá)式近似表示，來(lái)彌補(bǔ)貝葉斯濾波數(shù)學(xué)推算過(guò)程中計(jì)算困難的弊端，同時(shí)結(jié)合對(duì)模型設(shè)定的約束控制條件篩選符合路徑最優(yōu)的數(shù)據(jù)信息；

5)用估計(jì)的后驗(yàn)概率分布函數(shù)利用蒙特卡洛算法對(duì)元胞進(jìn)行位置狀態(tài)信息重采樣：對(duì)步驟4)中得到的近似表示的后驗(yàn)概率分布，利用序列重要性采樣的采樣方法進(jìn)行獨(dú)立采樣，最后獲得估計(jì)后的后驗(yàn)概率分布，用估計(jì)的后驗(yàn)概率分布函數(shù)利用蒙特卡洛算法對(duì)元胞進(jìn)行位置狀態(tài)信息重采樣，直到滿(mǎn)足步驟1)中設(shè)定的樣本最大值N，最后在多次迭代后得到獲取機(jī)場(chǎng)元胞模型的性能評(píng)估的估計(jì)量；

6)仿真處理：利用步驟5)中獲取機(jī)場(chǎng)元胞模型的性能評(píng)估的估計(jì)量，對(duì)機(jī)場(chǎng)進(jìn)離港流量進(jìn)行分析，完成仿真過(guò)程，得到最優(yōu)的滑行路徑。