成本约束下多机场群航班频率优化模型仿真北大核心

采用目前方法对多机场群航班频率进行优化时,没有考虑旅客的出行成本,对航班频率优化后存在延误时间长、延误航班数量多、出行成本高和日利用率低的问题。提出考虑出行成本的多机场群航班频率优化模型构建方法,在构建航班频率优化模型之前,对旅客的出行方式进行博弈分析,在Stackelberg博弈模型的基础上构建双层博弈模型,上层模型实现社会效益最大化,下层模型实现旅客出行费用最小化,完成多机场群航班频率优化模型的构建,并采用遗传算法对多机场群航班频率优化模型求解,完成航班频率的优化。仿真结果表明,所提方法的延误时间短、延误航班数量少、出行成本低、日利用率低。     

基于相似日PSO-SVM的机场流量预测北大核心

机场流量的精准预测是实施航班控制策略、提高航班正常性的重要依据。为准确把握机场流量分布及变化趋势,提出一种基于机场相似日的粒子群优化支持向量机流量预测方法。首先,通过对目标机场在不同天气下的运行情况进行历史数据统计,构建相似度矩阵建立灰色聚类模型对机场相似日进行筛选;其次,采用粒子群优化的支持向量机方法对筛选出的相似日样本进行训练,对机场交通流量进行预测;最后,以广州白云机场的的运行情况为例进行验证。研究结果表明,所提方法较相似日-BP神经网络及传统的PSO-SVM预测方法精度分别提高了1.03%和5.28%,预测精度较高、稳定性较好,可充分反映交通流的动态变化。     

多机场终端区空时资源分析

为了更充分利用多机场终端区空域资源,提高终端区航班运行效率,该文对多机场终端区的空间资源和时间资源进行分析研究,初步研究了空间资源上的时间资源的动态管理方法,为多机场终端区的空域结构和多机场终端区的航班运行研究提供了一定参考意义。     

基于满意度准则的机场终端区容量利用和流量分配的多目标优化模型研究

为优化跑道容量和定位点空中交通流量,将机场终端区的进离港定位点和跑道看作一个系统;在 服从整个系统容量限制的前提下,引入了满意度准则,通过分析跑道容量和定位点流量的相互影响,建立了 多目标优化模型．算例研究表明,通过对进离港航班流量需求的协调分配,给定时段内的所有航班均得到有 效调度．整体航班需求排队队列减少了约10%,容量利用满意度为0.75,在机场终端区实现了跑道容量的有 效利用和定位点流量的合理分配．     

基于融合多策略改进的多目标粒子群优化算法

为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数的递增,根据相应判据对位置的更新作出不同的变异,避免算法早熟现象的发生;最后,将更新后种群和最优解集进行非支配排序,最优解放入精英外部存档.仿真实验结果表明,与另外4种进化算法对比,所提出算法表现出良好的整体性能.     

珠三角地区多机场系统航班时刻的仿真优化

珠三角地区机场分布稠密、空域紧张、航班延误率高。为降低该地区的航班延误,提出以延误分层模型为优化目标,采用空域机场仿真模型SIMMOD对珠三角地区多机场系统仿真建模和有约束限制的并行扰动随机近似（Simultaneous Perturbation Stochastic Approximation,SPSA）优化算法相结合的方法,对珠三角地区多机场系统的航班时刻进行仿真优化研究。采用非光滑反馈对SPSA算法进行了改进。仿真结果表明采用这种仿真优化方法生成的新航班时刻,可有效降低总延误时间。研究对从整体上减少珠三角地区多机场系统的延误成本具有重要价值。     

基于Web Service的机场协同决策平台设计

本文分析了航班放行的运行概念和决策平台的使用需求,提出构建基于Web Service技术的机场协同决策平台,介绍了系统的架构、功能模块及服务设计的过程,旨在探索支撑机场高效放行的信息化解决方案。     

基于航班时刻优化的地面等待模型的建立与仿真

地面等待是指机场或者管制区内容量受限时,飞机通过地面等待的策略来缓解机场或者管制区拥挤的方法。为了优化航班的单机场地面等待问题,考虑不同机型,针对不同航空公司航班之间的排序,建立了基于航班时刻优化的地面等待模型。结果表明,当机场发生拥挤时,对航班进行排序,使航班有序进行起降,同时使所有航班的地面等待总体损失最小。     

一种基于相角映射的改进多目标粒子群优化算法

提出一种相角粒子群优化算法求解多目标优化问题。该算法采用相角映射实现了粒子在相角空间上仅依赖于归一化多目标函数的快速搜索,在粒子飞行信息共享机制上引入共享池概念,提出基于关联支配排序和相似度排序的共享池更新策略,提高了Pareto解的多样性。采用Sigma领导策略和混沌变异操作,平衡了算法的快速搜索能力和全局寻优能力。标准多目标测试函数和电力系统广域阻尼控制多目标优化算例表明了所提出算法的可行性和有效性。     

基于网格排序的多目标粒子群优化算法

在多目标进化算法中,近年的研究倾向于基于Pareto支配的最优化方法.针对传统的基于Pareto支配在排序效率上过低的问题,提出了一种基于网格排序的框架,利用网格同时表征收敛性与分布性的特性,结合粒子群算法,提出了一种基于网格排序的多目标粒子群优化算法.与个体两两进行比较的基于Pareto支配的策略不同,基于网格排序的机制融合了整个解空间中个体的占优信息,并利用占优信息进行排序,从而高效地得到个体在种群中的优劣关系;结合粒子到近似最优边界的距离,进一步加强了粒子在解空间中优劣关系的判别.对比实验分析表明：所提算法不论是在收敛性还是分布性上都具有较好的优势.在此基础上,讨论了网格划分数对算法效率的影响,从另一方面验证了算法的效率.     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

一种基于粒子群优化的多目标优化算法

论文提出了一种基于粒子群的多目标优化算法,该算法采用Pareto支配关系来更新粒子的个体最优值和局部最优值,用存储池保存搜索过程中发现的非支配解;采用聚类算法裁剪非支配解,以保持解的分布性能;采用动态惯性权重法来平衡粒子群对解空间的局部搜索和全局搜索,以提高算法的全局收敛性能。实验结果表明,论文算法是有效的,能有效的求解多种多目标优化问题。     

面向正点率提升的华北机场群航班时刻优化

近年来,区域机场群协同发展逐渐成为了未来民航发展的基本导向。然而,相比国外关于机场群的研究水平,我国尚处于萌芽阶段,出现了机场群内发展不均衡、缺乏协同、功能定位不清晰、空管运行难度大、服务品质降低等问题。因此,以京津冀机场群为研究对象,借鉴国外先进发展经验,从协同发展的角度对机场群航线优化进行研究。构建了以提升航班正点率为目标的机场群现有航班时刻优化模型,运用粒子群迭代寻优算法求解最优解,将优化后的航班时刻表用SIMMOD进行仿真验证,实验结果表明,经航线优化后的京津冀机场群航班延误得到了缓解,且多机场群系统的航班冲突得到了明显的降低。     

基于差分进化粒子群算法的多目标无功优化

针对电力系统有功网损最小、电压水平最好和电压稳定裕度最大的多目标无功优化问题,提出一种基于差分进化的改进多目标粒子群优化算法。该算法通过对Pareto最优解集的差分进化来增加Pareto最优解的多样性,通过拥挤距离来控制精英集中非支配解的分布,以提高对种群空间的均匀采集;采用擂台赛法则构造多目标Pareto最优解集,较大程度的提高了算法的运行效率;自适应惯性权重和加速度因子的动态变化可增强算法的全局搜索能力。将该算法在IEEE14、IEEE30节点标准测试系统上进行了无功优化仿真,结果表明,基于差分进化的改进多目标粒子群优化算法能够在保持Pareto最优解的多样性的同时具有较好的收敛性能,为多目标无功优化提供了一种新的方法。     

基于密度熵的多目标粒子群算法

提出了一种基于密度熵的多目标粒子群算法（EMOPSO）。采用一个外部集保存所发现的Pareto最优解（精英）,并将外部集作为粒子的全局极值。为保证种群的多样性,当精英大于外部集的大小时采用一种基于密度熵的策略进行分布度保持,从而使所得到的解集保持良好的分布性。最后与经典的多目标进化算法（MOEAs）进行了对比实验,实验结果表明了该算法的有效性。     

多目标优化的粒子群算法研究

本文介绍了粒子群优化算法PSO中的多目标优化的粒子群算法及其应用,并将其运用在防守对方多个前锋球员的进攻威胁,以粒子群算法随机性来适应不断变化的形势。     

一种求解多目标优化问题的粒子群算法

提出一种多目标粒子群算法,其采用外部集合保存当前找到的最优解集,采用强ε支配关系更新外部集合,使解集保持良好的分布性.对粒子全局极值的选取设计新的选择思路,提出极值变异的思想,采用新的粒子更新策略加快解集的收敛,加入自适应变异算子避免陷入局部非劣最优解.通过使用一系列标准的测试函数进行实验,实验结果表明该算法在保持解集分布性和收敛性方面较有效,且实现简单、表现稳定.     

基于NSGA-II和MOPSO融合的一种多目标优化算法

用多目标粒子群优化(MOPSO)算法的粒子位置更新模式替代NSGA Ⅱ的交叉操作,获得一个新的算法（NSGA Ⅱ MOPSO）。为使这两种差异较大的算法实现无缝融合,在NSGA Ⅱ算法范围内对MOPSO中特有的概念粒子及其速度、Pbest、引导者进行处理: 1)粒子对应于NSGA Ⅱ中子代群体的个体; 2)不再使用粒子速度概念; 3)不再使用粒子Pbest概念,代之以从父代群体中为每个粒子的每一维寻找一个最近的该粒子非支配个体; 4)每一个粒子的引导者可以是父代群体中稀疏程度最大的个体或者是按照二进制随机竞赛选择方法从父代群体中选择的一个个体,具体哪一种方式发挥作用依赖于预先设定的概率。另外,引入稀疏程度概念来评价粒子在目标函数空间的分布。6个算例的结果表明,与NSGA Ⅱ及最新的两种MOPSO算法（CLMOPSO 和 EM MOPSO）相比,新算法是一个有效、稳定的算法。     

基于多粒子群协同的动态多目标优化算法及应用

在现实生活中大多数多目标优化问题都随时间变化,这就要求优化算法在时间约束内快速找到动态变化Pareto最优解或Pareto边界.基于此,提出一种基于多种群协同的动态多目标粒子群改进算法,旨在利用多种群竞争和协作两种模式互相配合,从而达到快速高效求解动态多目标优化问题的目的,多种群竞争模式主要任务是对解空间进行“勘探”搜索,当竞争失效后,自适应切换到协作模式对解空间进行“开采”搜索.通过对多种群协同搜索概率分析,证明多种群相比单种群具有更高的搜索效率,通过对3类动态多目标测试函数仿真,验证了改进算法的有效性;最后将该方法应用于动态系统PID控制器的参数整定上,得到了较优的控制参数,取得满意的控制效果.     

基于多策略的多目标粒子群优化算法

针对目前多目标粒子群优化算法的收敛性能和非劣解的多样性不能同时得到满足等缺陷,提出一种基于多策略的多目标粒子群优化算法（Multi-Objective Particle Swarm Optimization algorithm for Multi-Strategy,MS-MOPSO）。采用非支配排序和拥挤距离排序相结合策略,重新划分外部种群和进化种群;采用小生境选择策略,在外部种群中选择最佳粒子作为领导粒子,用于领导进化种群中粒子的进化;在进化种群中利用多尺度高斯变异策略,平衡算法的全局搜索和局部精确搜索;采用邻域认知个体极值更新策略,不断更新个体极值。将该算法应用到典型的多目标测试函数,并与其他多目标优化算法进行对比分析,测试结果表明该算法中四个策略的有效性和互补性,同时验证了该算法不但具有较好的收敛性和收敛速度,而且该算法最优解的分布具有良好的均匀性和多样性。