繁忙终端区流量调控方法

摘要

本发明提供一种繁忙终端区流量调控方法，包括：接收多种航班起降排序方案，将所述多种航班起降排序方案以无标度网络的形式排列；根据所述多种航班起降排序方案在所述无标度网络中的排列形式，将各种航班起降排序方案区分为航班起降中心排序方案和航班起降非中心排序方案，并分别以不同的方式更新所述航班起降中心排序方案和航班起降非中心排序方案；根据航班起降排序目标函数对更新前后的各种航班起降排序方案进行比较，确定最新的航班起降全局历史最优排序方案；根据所述最新的航班起降全局历史最优排序方案控制航班的起降。

权利要求

1.一种繁忙终端区流量调控方法，其特征在于，包括：

接收多种航班起降排序方案，将所述多种航班起降排序方案以无标度网络的形式排列；

根据所述多种航班起降排序方案在所述无标度网络中的排列形式，将各种航班起降排序方案区分为航班起降中心排序方案和航班起降非中心排序方案，并分别以不同的方式更新所述航班起降中心排序方案和航班起降非中心排序方案；

根据航班起降排序目标函数对更新前后的各种航班起降排序方案进行比较，确定最新的航班起降全局历史最优排序方案；

根据所述最新的航班起降全局历史最优排序方案控制航班的起降；

其中，所述方法还包括：

设置用于区分航班起降中心排序方案及航班起降非中心排序方案的度阈值；其中，航班起降排序方案的度表示在所述无标度网络中与所述航班起降排序方案相邻的航班起降排序方案的数量；

所述根据所述多种航班起降排序方案在所述无标度网络中的排列形式，将各种航班起降排序方案区分为航班起降中心排序方案和航班起降非中心排序方案，包括：将度值大于所述度阈值的航班起降排序方案定义为航班起降中心排序方案，将度值小于等于所述度阈值的航班起降排序方案定义为航班起降非中心排序方案；

所述航班起降中心排序方案根据

确定更新量，根据

更新航班起降排序方案；

其中，I表示航班起降排序方案的数量，i表示航班起降排序方案的编号，表示第i种航班起降排序方案的更新量，表示第i种航班起降排序方案的更新后的排序方案， 表示所述第i种航班起降排序方案的第n个邻居航班起降排序方案的历史最优排序方案，χ表示控制航班起降排序方案种群收敛速度的的收缩因子，Ki表示所述第i种航班起降排序方案的邻居航班起降排序方案的集合的大小， 表示 间的随机量，为大于0的随机数；

所述航班起降非中心排序方案根据

确定更新量，根据

更新排序方案；

其中，I表示航班起降排序方案的数量，i表示航班起降排序方案的编号，表示第i种航班起降排序方案的优化量，表示所述第i种航班起降排序方案的更新后排序方案， 表示所述第i种航班起降排序方案的历史最优方案， 表示所述第i种航班起降排序方案的所有邻居航班起降排序方案中的历史最优排序方案，χ表示控制航班起降排序方案种群收敛速度的的收缩因子，c1表示自我学习因子，c2表示社会学习因子， 表示[0,c1]间的随机量， 表示[0,c2]间的随机量。

2.根据权利要求1所述的方法，其特征在于，还包括：

根据所述第i种航班起降排序方案的更新后排序方案，重新确定所述第i种航班起降排序方案的历史最优排序方案 所述第i种航班起降排序方案的第n个邻居排序方案的历史最优排序方案 及所述第i种航班起降排序方案的所有邻居航班起降排序方案中的历史最优排序方案根据所述 重新确定第i种航班起降中心排序方案的更新量，并根据所述更新量重新更新所述航班起降中心排序方案；

根据所述 及 重新确定所述i种航班起降非中心排序方案的更新量，并根据所述优化量重新更新所述航班起降非中心排序方案。

3.根据权利要求2所述的方法，其特征在于，

所述重新确定所述第i种航班起降排序方案的历史最优方案包括：

通过所述航班起降排序目标函数确定所述第i种航班起降排序方案的更新后排序方案的函数值，将所述更新后排序方案的函数值与所述第i种航班起降中心排序方案的历史最优方案对应的函数值进行比较，其中较优的函数值对应的排序方案作为所述第i种排序方案的新的历史最优排序方案所述重新确定所述第i种排序方案的第n个邻居排序方案的历史最优排序方案 包括：通过所述航班起降排序目标函数确定所述第i种排序方案的第n个邻居排序方案的更新后排序方案的函数值，将所述第n个邻居排序方案的更新后排序方案的函数值与所述第n个邻居排序方案的历史最优方案对应的函数值进行比较，其中较优的函数值对应的排序方案作为所述第i种排序方案的第n个邻居排序方案的新的历史最优排序方案所述重新确定所述第i种航班起降排序方案的所有邻居航班起降排序方案中的历史最优排序方案 包括：通过所述航班起降排序目标函数确定所述第i种排序方案的所有邻居排序方案的更新后排序方案的函数值，选择所述函数值中的最优函数值与所述所有邻居排序方案中的历史最优方案对应的函数值进行比较，其中较优的函数值对应的排序方案作为所述第i种排序方案的所有邻居排序方案中的新的历史最优排序方案

4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据航班起降排序目标函数对更新前后的各种航班起降排序方案进行比较，确定最新的航班起降排序最优方案，包括：根据所述航班起降排序目标函数对所述更新前的各种航班起降排序方案进行比较，选择所述航班起降排序方案中最优的排序方案作为航班起降全局历史最优排序方案；

根据所述航班起降排序目标函数对所述更新后的各种航班起降排序方案进行比较，选择其中最优的航班起降排序方案与所述航班起降全局历史最优排序方案进行比较，将所述最优的航班起降排序方案与所述航班起降全局历史最优排序方案中较优的排序方案作为最新的航班起降历史最优排序方案。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述航班起降排序目标函数为：Ed≤Xd≤Ld,d＝1,...,P

Xd-Xf≤Sdf d＝1,...,P,f＝1,...,P,d≠f

其中，P表示飞机的总数量，d和f表示飞机的编号，Td表示飞机d预期起降的时间，Zd表示飞机d提前或滞后于预期起降时间Td起降的情况下的代价花费，Ztotal表示所有参与起降排序优化的飞机的总代价花费，Xd表示飞机d的实际起降时间，Xf表示飞机f的实际起降时间，Ed表示飞机d起降的最早时间，Ld表示飞机d起降的最晚时间，gd表示飞机d提前起降时单位时间的代价；hd表示飞机d滞后起降时单位时间的代价,Sdf表示考虑安全因素，飞机d和飞机f降落时所要求的时间间隔。

说明书

繁忙终端区流量调控方法

技术领域

[0001] 本发明涉及信息控制技术领域，尤其涉及一种航空领域中用于调节航班起降排序方案的繁忙终端区流量调控方法。

背景技术

[0002] 随着当今社会全球化进程的快速发展，航空运输作为一种交通运输方式，基于其便捷性和高效性，在现代社会的交通运输行业中起着越来越重要的作用。由于航空运输过程容易受到各种外界因素的干扰，从而导致航班延误或取消，引起客户的不满。为了尽可能减小外界因素对航班起降时间的影响，提升客户的满意度，需要对航班的起降排序进行调整及控制，并使得调整后的航班起降排序方案能够在保证航空安全的基础上，尽可能减少调整航班起降排序所付出的成本。

[0003] 基于上述目的，各种用于优化航班起降排序方案的智能优化方法被广泛应用。智能优化方法是通过模拟或揭示某些自然现象或过程发展而来的优化方法，其不依赖梯度信息，具有全局、并行、高效的优化性能，鲁棒性和通用性强的优点。粒子群优化方法(Particle Swarm Optimization，PSO)是一种模仿鸟类群体行为的智能优化方法，是通过群体中个体之间的协作和信息共享来寻找最优解。粒子群优化方法的优势在于简单容易实现且不受过多参数干扰。采用粒子群优化的模式对航班起降排序控制问题进行优化时，各种航班起降排序方案也按照粒子群中各粒子的学习模式不断进行优化，从而得到航班起降优化排序方案。

[0004] 但是在现有的粒子群优化方法中，所有粒子的学习方式和行为方式都是同一的，比如所有粒子都只向最好的邻居学习，或所有粒子都向所有邻居学习。因此，由于信息的匮乏或冗余，现有的粒子群优化方法存在收敛过慢，或容易陷入局部最优的缺陷。采用现有的粒子群优化模式对航班起降排序控制问题进行优化时，航班起降排序方案的优化效率低，且难以获得符合要求的航班起降排序优化方案，从而增加了调整航班起降排序所付出的成本。

发明内容

[0005] 本发明实施例提供一种繁忙终端区流量调控方法，用以解决现有技术中繁忙终端区流量调控方法调节航班起降排序方案时成本较高的问题。

[0006] 本发明实施例提供一种繁忙终端区流量调控方法，所述方法包括：

[0007] 接收多种航班起降排序方案，将所述多种航班起降排序方案以无标度网络的形式排列；

[0008] 根据所述多种航班起降排序方案在所述无标度网络中的排列形式，将各种航班起降排序方案区分为航班起降中心排序方案和航班起降非中心排序方案，并分别以不同的方式更新所述航班起降中心排序方案和航班起降非中心排序方案；

[0009] 根据航班起降排序目标函数对更新前后的各种航班起降排序方案进行比较，确定最新的航班起降全局历史最优排序方案；

[0010] 根据所述最新的航班起降全局历史最优排序方案控制航班的起降。

[0011] 在本发明的一实施例中，还包括：

[0012] 设置用于区分航班起降中心排序方案及航班起降非中心排序方案的度阈值；其中，航班起降排序方案的度表示在所述无标度网络中与所述航班起降排序方案相邻的航班起降排序方案的数量；

[0013] 所述根据所述多种航班起降排序方案在所述无标度网络中的排列形式，将各种航班起降排序方案区分为航班起降中心排序方案和航班起降非中心排序方案，包括：

[0014] 将度值大于所述度阈值的航班起降排序方案定义为航班起降中心排序方案，将度值小于等于所述度阈值的航班起降排序方案定义为航班起降非中心排序方案；

[0015] 所述航班起降中心排序方案根据

[0016]

[0017] 确定更新量，根据

[0018]

[0019] 更新航班起降排序方案；

[0020] 其中，I表示航班起降排序方案的数量，i表示航班起降排序方案的编号，表示第i种航班起降排序方案的更新量， 表示第i种航班起降排序方案的更新后的排序方案，表示所述第i种航班起降排序方案的第n个邻居航班起降排序方案的历史最优排序方案，χ表示控制航班起降排序方案种群收敛速度的的收缩因子，Ki表示所述第i种航班起降排序方案的邻居航班起降排序方案的集合的大小， 表示 间的随机量， 为大于0的随机数；

[0021] 所述航班起降非中心排序方案根据

[0022]

[0023] 确定更新量，根据

[0024]

[0025] 更新排序方案；

[0026] 其中，I表示航班起降排序方案的数量，i表示航班起降排序方案的编号， 表示第i种航班起降排序方案的优化量， 表示所述第i种航班起降排序方案的更新后排序方案，表示所述第i种航班起降排序方案的历史最优方案， 表示所述第i种航班起降排序方案的所有邻居航班起降排序方案中的历史最优排序方案，χ表示控制航班起降排序方案种群收敛速度的的收缩因子，c1表示自我学习因子，c2表示社会学习因子， 表示[0,c1]间的随机量， 表示[0,c2]间的随机量。

[0027] 在本发明的一实施例中，还包括：

[0028] 根据所述第i种航班起降排序方案的更新后排序方案，重新确定所述第i种航班起降排序方案的历史最优排序方案 所述第i种航班起降排序方案的第n个邻居排序方案的历史最优排序方案 及所述第i种航班起降排序方案的所有邻居航班起降排序方案中的历史最优排序方案

[0029] 根据所述 重新确定第i种航班起降中心排序方案的更新量，并根据所述更新量重新更新所述航班起降中心排序方案；

[0030] 根据所述 及 重新确定所述i种航班起降非中心排序方案的更新量，并根据所述优化量重新更新所述航班起降非中心排序方案。

[0031] 在本发明的一实施例中，所述重新确定所述第i种航班起降排序方案的历史最优方案包括：

[0032] 通过所述航班起降排序目标函数确定所述第i种航班起降排序方案的更新后排序方案的函数值，将所述更新后排序方案的函数值与所述第i种航班起降中心排序方案的历史最优方案对应的函数值进行比较，其中较优的函数值对应的排序方案作为所述第i种排序方案的新的历史最优排序方案

[0033] 所述重新确定所述第i种排序方案的第n个邻居排序方案的历史最优排序方案包括：

[0034] 通过所述航班起降排序目标函数确定所述第i种排序方案的第n个邻居排序方案的更新后排序方案的函数值，将所述第n个邻居排序方案的更新后排序方案的函数值与所述第n个邻居排序方案的历史最优方案对应的函数值进行比较，其中较优的函数值对应的排序方案作为所述第i种排序方案的第n个邻居排序方案的新的历史最优排序方案[0035] 所述重新确定所述第i种航班起降排序方案的所有邻居航班起降排序方案中的历史最优排序方案 包括：

[0036] 通过所述航班起降排序目标函数确定所述第i种排序方案的所有邻居排序方案的更新后排序方案的函数值，选择所述函数值中的最优函数值与所述所有邻居排序方案中的历史最优方案对应的函数值进行比较，其中较优的函数值对应的排序方案作为所述第i种排序方案的所有邻居排序方案中的新的历史最优排序方案

[0037] 在本发明的一实施例中，所述根据航班起降排序目标函数对更新前后的各种航班起降排序方案进行比较，确定最新的航班起降排序最优方案，包括：

[0038] 根据所述航班起降排序目标函数对所述更新前的各种航班起降排序方案进行比较，选择所述航班起降排序方案中最优的排序方案作为航班起降全局历史最优排序方案；

[0039] 根据所述航班起降排序目标函数对所述更新后的各种航班起降排序方案进行比较，选择其中最优的航班起降排序方案与所述航班起降全局历史最优排序方案进行比较，将所述最优的航班起降排序方案与所述航班起降全局历史最优排序方案中较优的排序方案作为最新的航班起降历史最优排序方案。

[0040] 在本发明的一实施例中，所述航班起降排序目标函数为：

[0041]

[0042]

[0043] Ed≤Xd≤Ld,d＝1,...,P

[0044] Xd-Xf≤Sdf d＝1,...,P,f＝1,...,P,d≠f

[0045] 其中，P表示飞机的总数量，d和f表示飞机的编号，Td表示飞机d预期起降的时间，Zd表示飞机d提前或滞后于预期起降时间Td起降的情况下的代价花费，Ztotal表示所有参与起降排序优化的飞机的总代价花费，Xd表示飞机d的实际起降时间，Xf表示飞机f的实际起降时间，Ed表示飞机d起降的最早时间，Ld表示飞机d起降的最晚时间，gd表示飞机d提前起降时单位时间的代价；hd表示飞机d滞后起降时单位时间的代价,Sdf表示考虑安全因素，飞机d和飞机f降落时所要求的时间间隔。

[0046] 本发明实施例所提供的繁忙终端区流量调控方法，采用粒子群优化方法的工作模式，通过多种航班起降排序方案在无标度网络中的排列形式，将各种航班起降排序方案区分为航班起降中心排序方案和航班起降非中心排序方案，并分别以不同的方式更新所述航班起降中心排序方案和航班起降非中心排序方案，再通过航班起降排序目标函数对更新前后的各种航班起降排序方案进行比较，即可以确定航班起降最优排序方案。本发明针对不同的航班起降排序方案以不同方式更新所述航班起降排序方案，能够更加快速找到符合要求的航班起降优化排序方案，从而提升航空运输的安全性，并有效降低调整航班起降排序所付出的成本。

附图说明

[0047] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0048] 图1为本发明实施例一提供的一种繁忙终端区流量调控方法的流程图；

[0049] 图2为本发明实施例二提供的一种繁忙终端区流量调控方法的流程图。

具体实施方式

[0050] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0051] 本发明繁忙终端区流量调控方法采用引入异质性学习策略的粒子群优化方法(Selectively-informed Particle Swarm Optimization,SIPSO)对航班起降排序方案进行优化。所述引入异质性学习策略的粒子群优化方法中采用无标度网络拓扑结构，一个粒子的度是指在所述无标度网络中与这个粒子相连的粒子数。在无标度网络拓扑结构中，一个随机选择的粒子的度分布满足幂律。根据每个粒子在所述无标度网络中的度值的不同使得种群中不同粒子具有较强的异质性。在本发明中，一个粒子即代表一种航班起降排序方案，所述粒子种群代表了多种航班起降排序方案。所述粒子群优化方法通过不同性质粒子的不同学习性能，使粒子不断更新以得到最优值，所述多种航班起降排序方案跟随粒子群的这种优化特性，即可以不断更新各种航班起降排序方案，从而找到最优的航班起降排序方案。

[0052] 图1为本发明实施例一提供的一种繁忙终端区流量调控方法的流程图。如图1所示，本实施例的繁忙终端区流量调控方法，可以包括如下步骤：

[0053] 步骤S101：接收多种航班起降排序方案，将所述多种航班起降排序方案以无标度网络的形式排列。

[0054] 步骤S102：根据所述多种航班起降排序方案在所述无标度网络中的排列形式，将各种航班起降排序方案区分为航班起降中心排序方案和航班起降非中心排序方案，并分别以不同的方式更新所述航班起降中心排序方案和航班起降非中心排序方案。

[0055] 在步骤S102中，具体包括：

[0056] 设置用于区分航班起降中心排序方案及航班起降非中心排序方案的度阈值；其中，航班起降排序方案的度表示在所述无标度网络中与所述航班起降排序方案相邻的航班起降排序方案的数量；所述度阈值由所述航班起降排序目标函数来决定，本实施例中，设定航班起降排序方案数量为50，所述度阈值在3-5之间。

[0057] 将度值大于所述度阈值的航班起降排序方案定义为航班起降中心排序方案，将度值小于等于所述度阈值的航班起降排序方案定义为航班起降非中心排序方案。

[0058] 所述航班起降中心排序方案采用全信息(Fully-informed)学习策略，根据公式[0059]

[0060] 确定更新量，根据

[0061]

[0062] 更新航班起降排序方案；

[0063] 其中，I表示航班起降排序方案的数量，i表示航班起降排序方案的编号， 表示第i种航班起降排序方案的更新量， 表示第i种航班起降排序方案的更新后的排序方案，表示所述第i种航班起降排序方案的第n个邻居航班起降排序方案的历史最优排序方案，χ表示控制航班起降排序方案种群收敛速度的的收缩因子，Ki表示所述第i种航班起降排序方案的邻居航班起降排序方案的集合的大小， 表示 间的随机量，用以保证航班起降排序方案按照全信息学习策略更新时的随机性，其中 为大于0的随机数。

[0064] 在全信息学习策略中，所述第i种航班起降排序方案的Ki个邻居航班起降排序方案对所述第i种航班起降排序方案的更新量均有影响，即航班起降中心排序方案从所有邻居航班起降排序方案的历史最优方案中获得经验。

[0065] 所述航班起降非中心排序方案采用单信息(Single-informed)学习策略，根据公式

[0066]

[0067] 确定更新量，根据

[0068]

[0069] 更新排序方案；

[0070] 其中，I表示航班起降排序方案的数量，i表示航班起降排序方案的编号， 表示第i种航班起降排序方案的优化量， 表示所述第i种航班起降排序方案的更新后排序方案，表示所述第i种航班起降排序方案的历史最优方案， 表示所述第i种航班起降排序方案的所有邻居航班起降排序方案中的历史最优排序方案，χ表示控制航班起降排序方案种群收敛速度的的收缩因子，c1表示自我学习因子，c2表示社会学习因子， 表示[0,c1]间的随机量， 表示[0,c2]间的随机量，用以保证航班起降排序方案按照单信息学习策略更新时的随机性，c1表示自我学习因子，c2表示社会学习因子，优选地，本实施例设置c1＝c2＝2.05，χ＝0.7298。

[0071] 在单信息学习策略中，括号的第一部分 是记忆部分，代表着航班起降排序方案对原排序方案的保持，使其根据自身状态进行更新；第二部分 是自我认知部分，代表着各种航班起降排序方案对自身优化经验的思考，引导各种航班起降排序方案向其自身的历史最优方案学习；第三部分 是社会认知部分，代表着航班起降排序方案对最好的一个邻居排序方案的认知，同时也表示各种航班起降排序方案之间的信息共享和相互作用，引导航班起降排序方案向其所有邻居航班排序方案中的历史最优方案学习。

[0072] 步骤S103：根据航班起降排序目标函数对更新前后的各种航班起降排序方案进行比较，确定最新的航班起降全局历史最优排序方案；

[0073] 具体地，所述航班起降排序目标函数为：

[0074]

[0075]

[0076] Ed≤Xd≤Ld,d＝1,...,P

[0077] Xd-Xf≤Sdf d＝1,...,P,f＝1,...,P,d≠f

[0078] 其中，P表示飞机的总数量，d和f表示飞机的编号，Td表示飞机d预期起降的时间，Zd表示飞机d提前或滞后于预期起降时间Td起降的情况下的代价花费，Ztotal表示所有参与起降排序优化的飞机的总代价花费，Xd表示飞机d的实际起降时间，Xf表示飞机f的实际起降时间，Ed表示飞机d起降的最早时间，Ld表示飞机d起降的最晚时间，gd表示飞机d提前起降时单位时间的代价；hd表示飞机d滞后起降时单位时间的代价,Sdf表示考虑安全因素，飞机d和飞机f降落时所要求的时间间隔。

[0079] 步骤S104：根据所述最新的航班起降全局历史最优排序方案控制航班的起降。

[0080] 上述步骤中，执行主体可以是具有数据存储及处理功能的计算机系统。

[0081] 本发明实施例所提供的繁忙终端区流量调控方法，采用引入异质性学习策略的粒子群优化方法的工作模式，通过多种航班起降排序方案在无标度网络中的排列形式，将各种航班起降排序方案区分为航班起降中心排序方案和航班起降非中心排序方案，并分别以不同的方式更新所述航班起降中心排序方案和航班起降非中心排序方案，再通过航班起降排序目标函数对更新前后的各种航班起降排序方案进行比较，即可以确定航班起降最优排序方案。本发明针对不同的航班起降排序方案以不同方式更新所述航班起降排序方案，能够更加快速找到符合要求的航班起降优化排序方案，从而提升航空运输的安全性，并有效降低调整航班起降排序所付出的成本。

[0082] 图2为本发明实施例二提供的一种繁忙终端区流量调控方法的流程图。

[0083] 如图2所示，进一步地，步骤S102还包括：

[0084] 根据所述第i种航班起降排序方案的更新后排序方案，重新确定所述第i种航班起降排序方案的历史最优排序方案 所述第i种航班起降排序方案的第n个邻居排序方案的历史最优排序方案 及所述第i种航班起降排序方案的所有邻居航班起降排序方案中的历史最优排序方案

[0085] 根据所述 重新确定第i种航班起降中心排序方案的更新量，并根据所述更新量重新更新所述航班起降中心排序方案；

[0086] 根据所述 及 重新确定所述i种航班起降非中心排序方案的更新量，并根据所述优化量重新更新所述航班起降非中心排序方案。

[0087] 具体地，所述重新确定所述第i种航班起降排序方案的历史最优方案包括：

[0088] 通过所述航班起降排序目标函数确定所述第i种航班起降排序方案的更新后排序方案的函数值，将所述更新后排序方案的函数值与所述第i种航班起降中心排序方案的历史最优方案对应的函数值进行比较，其中较优的函数值对应的排序方案作为所述第i种排序方案的新的历史最优排序方案

[0089] 所述重新确定所述第i种排序方案的第n个邻居排序方案的历史最优排序方案包括：

[0090] 通过所述航班起降排序目标函数确定所述第i种排序方案的第n个邻居排序方案的更新后排序方案的函数值，将所述第n个邻居排序方案的更新后排序方案的函数值与所述第n个邻居排序方案的历史最优方案对应的函数值进行比较，其中较优的函数值对应的排序方案作为所述第i种排序方案的第n个邻居排序方案的新的历史最优排序方案[0091] 所述重新确定所述第i种航班起降排序方案的所有邻居航班起降排序方案中的历史最优排序方案 包括：

[0092] 通过所述航班起降排序目标函数确定所述第i种排序方案的所有邻居排序方案的更新后排序方案的函数值，选择所述函数值中的最优函数值与所述所有邻居排序方案中的历史最优方案对应的函数值进行比较，其中较优的函数值对应的排序方案作为所述第i种排序方案的所有邻居排序方案中的新的历史最优排序方案

[0093] 进一步地，所述步骤S103还包括：

[0094] 步骤S1031：根据所述航班起降排序目标函数对所述更新前的各种航班起降排序方案进行比较，选择所述航班起降排序方案中最优的排序方案作为航班起降全局历史最优排序方案；

[0095] 步骤S1032：根据所述航班起降排序目标函数对所述更新后的各种航班起降排序方案进行比较，选择其中最优的航班起降排序方案与所述航班起降全局历史最优排序方案进行比较，将所述最优的航班起降排序方案与所述航班起降全局历史最优排序方案中较优的排序方案作为最新的航班起降历史最优排序方案。

[0096] 具体地，通过所述航班起降排序目标函数对各种航班起降排序方案进行计算，函数值越小的航班起降排序方案越优。即，根据飞机1至飞机P的实际起降时间得出的总代价花费Ztotal值最小的航班起降排序方案就是最排序优方案。

[0097] 具体地，上述方法中更新所述航班起降中心排序方案和航班起降非中心排序方案，及确定最新的航班起降全局历史最优排序方案的步骤是通过迭代的方式来完成。优选地，本实施例中设置迭代次数为5000次，所述迭代终止次数可以根据优化结果来确定，本发明对此不做限制。在迭代前，还包括设置解空间，并在解空间中随机设置各种航班起降排序方案的初始方案和初始更新量。所述解空间由设定的航班最早起降时间Ed和最晚起降时间Ld之间的时间序列构成。所述解空间、航班起降排序初始方案、初始更新量、及迭代次数可以提前存储于所述计算机系统中。第一次迭代时，根据所述航班起降排序初始方案、及初始更新量代入公式计算航班起降排序方案的更新量 及更新后的航班起降排序方案 每次迭代时，都以前一次迭代中得到的结果作为迭代基础，从而获得最新的航班起降排序方案以及航班起降全局历史最优排序方案。当迭代次数大于5000次时，迭代终止。此时得到的航班起降全局历史最优排序方案为航班起降排序的最终优化方案。

[0098] 本发明繁忙终端区流量调控方法中，所述航班起降中心排序方案采用的是全信息学习策略，掌握着航班起降排序方案种群中大量的信息，另外，航班起降非中心排序方案一般倾向于向其邻居中度值较大的航班起降中心排序方案学习，使得航班起降中心排序方案能比较稳定地指导种群整体往更好的方向运动，从而保证了寻找航班起降最优排序方案的速度；所述航班起降非中心排序方案采用的是单信息学习策略，每个航班起降非中心排序方案接收到邻居的信息较少，能较好地保持自身的优化特性，从而维持一定的种群多样性，可以防止航班起降排序方案寻找到的最优方案出现局部最优的问题。因此，本发明繁忙终端区流量调控方法通过航班起降中心排序方案与航班起降非中心排序方案不同的学习策略，提高了航班起降排序方案的优化性能，能够以较快的速度稳定地找到更优的航班起降排序方案。

[0099] 下面通过表1-表4对本发明繁忙终端区流量调控方法的有益效果做详细的说明。

[0100] 表1列出了用于测试粒子群优化方法的优化性能的八种常用测试函数，包括Rosenbrock函数、Sphere函数、Schwefel’sP2.22函数、Quartic函数、Rastrigin函数、Griewank函数(10维和30维)和Ackley函数。所述八个测试函数都是寻找最小值的问题。其中前四个函数都是单峰函数，寻优难度相对较低，Quartic函数为含噪声的目标函数；后四个函数是多峰函数，种群易陷入局部最优，因此可以检验粒子群优化方法解决较难问题的能力。这八个测试函数可以较为全面的反应粒子群优化方法在各种场景设置下的优化性能。

[0101] 表1 八个测试函数

[0102]

[0103]

[0104] 如表1所示，其中给出了八个测试函数的公式、维数、优化范围和达优阈值。优化范围是各个目标函数的解空间，最优值是理论上测试函数在解空间中可以取得的最好值，达优阈值是判断寻优是否成功的标准，同时达到达优阈值时的迭代次数也可以衡量粒子种群收敛的速度，即寻优速度。

[0105] 粒子群优化方法的性能可以通过以下评价指标来衡量，包括：

[0106] 最终优化值：达到设定的迭代终止次数时种群的最优函数值；

[0107] 达优代数：优化过程中，种群最优函数值首次达到达优阈值时的迭代次数值；

[0108] 达优率：多次试验中，成功达到达优阈值的次数占总实验次数的百分比。

[0109] 其中，最终优化值是经过整个优化过程，测试函数可以取得的最好优化值，达优代数用来衡量寻优收敛的速度，达优率可以反映寻优的成功率。

[0110] 下面通过以上八种测试函数分别对引入异质性学习策略的粒子群优化方法(Selectively-informed Particle Swarm Optimization,SIPSO)及现有的六种粒子群优化方法的优化性能进行测试，可以看出SIPSO的优势。具体地，这六种现有的粒子群优化方法是：全联通结构粒子群优化方法(Global-best Particle Swarm Optimization,GPSO)、环网结构粒子群优化方法(Local-best Particle Swarm Optimization,LPSO)、无标度网络粒子群优化方法(Scale-free Particle Swarm Optimization,SFPSO)、全联通结构全信息粒子群优化方法(Global-best Fully-informed Particle Swarm Optimization,GFIPSO)、环网结构全信息粒子群优化方法(Local-best Fully-informed Particle Swarm Optimization,LFIPSO)无标度网络结构全信息粒子群优化方法fully-informed PSO(Scale-free Fully-informed Particle Swarm Optimization,SFIPSO)。

[0111] 表2列出了在上述八种测试函数中，引入异质性学习策略的粒子群优化方法与现有的六种优化方法的最终优化值的对比结果。由于所有测试函数都是寻找最小值的问题，最终优化值结果越小说明优化方法的性能越好。

[0112] 表2：七种优化方法的最终优化值对比

[0113]

[0114] 表3列出了在上述八种测试函数中，引入异质性学习策略的粒子群优化方法与现有的六种优化方法的达优代数的对比结果。达优代数越小，说明收敛速度越快。

[0115] 表3：七种优化方法的达优代数

[0116]

[0117] 表4列出了在上述八种测试函数中，引入异质性学习策略的粒子群优化方法与现有的六种优化方法的达优率的对比结果。

[0118] 表4：七种优化方法的达优率

[0119]

[0120] 从表2中可以看出，引入异质性学习策略的粒子群优化方法可以在前五个测试函数上取得最好的优化值，而在后三个函数上的最终优化值也位于前三。从表3可以看出，本发明粒子群优化方法具有较快的收敛速度。从表4可以看出，本发明粒子群优化方法在全部测试函数上的达优率几乎都是100％。

[0121] 结合以上比较结果，可以明显地看出引入异质性学习策略的粒子群优化方法SIPSO能够以较快的收敛速度来稳定地找到更好的解。也就是说，本发明提供的采用引入异质性学习策略的粒子群优化方法的繁忙终端区流量调控方法相比现有技术能够更快地获得更优的航班起降排序方案，从而节省航班起降排序调节的成本，保证航空运输的安全性。

[0122] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。