[发明专利]基于GA-DQN的停机位分配方法

说明书

本发明属于机场调度技术领域。针对现有的智能优化算法，无法有效的解决机位分配的问题，本发明提供一种基于GA‑DQN的停机位分配方法：(1)构建分配矩阵T＝[b₀…b₇₃₁]；(2)初始化种群；(3)计算适应度(4)依照适应度做轮盘赌选择；(5)交叉，采用自适应选择概率(6)变异，采用变异概率的计算公式(7)获得预排班结果；(8)对分配过程进行机器学习；(9)再分配作业。该方法将遗传算法和Deep Q‑Learing结合，解决了现有的机场停机位分配方法求解复杂度大且耗时长，难以应用于大规模计算的问题，在减少机场、航空公司和旅客的整体延误损失的问题上具有重要意义。

技术领域

本发明属于机场调度技术领域，具体设计一种基于GA-DQN的停机位分配方法。

背景技术

社会经济的快速发展，往往会带动民航业的发展，表现之一就是大型枢纽机场航班不断增多、旅客吞吐量屡创新高，这给机场的航班保障能力带来严峻的考验。保障能力不足的话，会引起航班延误，据不完全统计，航班延误是航空消费者投诉的主要原因之一，航班延误引起的纠纷最为突出，经常发生旅客群体性闹事，霸占值机柜台拒绝登机甚至冲入跑道等恶劣事件，严重影响了航空公司和机场等部门的正常运行。

机场的停机位是过站航班在地面停靠的场所，合理化的分配停机位是保障机场地面各项工作顺利的前提，更是机场整体保障能力的重要体现。因此，研究停机位分配问题，不仅可以降低机场的运营成本，还能减少航空公司的油耗损失和旅客的延误损失，在机场实际的运营中有着重大的现实意义和广泛的应用前景。

在优化停机位分配问题的研究过程中，学者们提出了多种智能优化算法，如禁忌搜索算法、遗传算法和Deep Q-Learing等人工智能优化算法。但是这些方法在实际应用中都存在自身的优缺点，如禁忌搜索算法的优点是搜索时能跳出局部最优解以免陷入局部最优，缺点是初始解会直接影响禁忌搜索算法最终结果的优劣；遗传算法的优点是具有较好的全局搜索能力，缺点是算法后期会进行大量冗余的迭代，浪费大量时间；Deep Q-Learing的优点是对信息正反馈处理，缺点是初期搜索能力不强。目前这些算法都不能快速、有效的解决机位分配问题，发明人在本发明的研究过程中发现将特定的优化算法相结合，将其各自的优缺点进行优势互补，对解决上述问题具有重大意义，基于此，提出本发明。

发明内容

针对现有的智能优化算法，无法有效的解决机位分配的问题，本发明提供一种基于GA-DQN的停机位分配方法，该方法将遗传算法和Deep Q-Learing结合，用于解决现有的机场停机位分配方法求解复杂度大且耗时长，难以应用于大规模计算的问题，在减少机场、航空公司和旅客的整体延误损失的问题上具有重要意义。

本发明的是通过以下技术方案实现的：

一种基于GA-DQN的停机位分配方法，包括以下步骤：

(1)构建分配矩阵T

在当日凌晨获取当日计划航班之后，先将计划航班按照进港时间进行排序，然后将机位依次对应到航班，建立的矩阵为：

T＝[b₀ … b_maxFlight] (1)

b_i表示机位的编号，表示第i航班分配到第b_i机位，0≤i≤maxFlight，maxFlight表示航班最大数量。

(2)初始化种群

对分配矩阵进行随机赋值，得到900-5000个不同的分配矩阵，这1000个不同的分配矩阵就是可行解的集合，命名为初始种群；

(3)计算适应度f

适应度函数的计算公式如下: