群集智能優(yōu)化算法及其在機場停機位分配中的應(yīng)用
《群集智能優(yōu)化算法及其在機場停機位分配中的應(yīng)用》綜述了機場停機位分配問題的國內(nèi)外研究現(xiàn)狀和發(fā)展動態(tài)，闡述了停機位分配問題的基本概念、特性和理論；分別介紹了群集智能優(yōu)化算法中的蟻群優(yōu)化算法、差分進化算法、粒子群優(yōu)化算法、量子進化算法等改進算法和協(xié)同進化蟻群優(yōu)化算法在機場停機位分配中的應(yīng)用，通過機場停機位的實際數(shù)據(jù)驗證了所提方法的可行性與有效性。針對機場延誤航班停機位再分配問題，論述了基于GA-ACO兩階段優(yōu)化算法的機場延誤航班停機位再分配方法，并對其進行了有效性驗證。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
目錄
前言
第1章 緒論 1
1.1 停機位分配問題的研究背景和意義 1
1.2 機場停機位分配問題 2
1.3 停機位分配問題的研究現(xiàn)狀 3
1.3.1 停機位靜態(tài)分配問題的研究現(xiàn)狀 3
1.3.2 多目標(biāo)停機位分配問題的研究現(xiàn)狀 4
1.3.3 具有魯棒性的停機位分配問題研究現(xiàn)狀 5
1.3.4 不正常航班停機位動態(tài)分配問題的研究現(xiàn)狀 6
1.4 本書的結(jié)構(gòu)及主要內(nèi)容 7
1.5 本章小結(jié) 8
參考文獻 8
第2章 機場停機位分配問題的分析、模型與方法 13
2.1 機場停機位分配問題分析 13
2.1.1 民航機場系統(tǒng) 13
2.1.2 機場停機位特性 15
2.1.3 機場航班特性 16
2.1.4 機場停機位分配特性 17
2.1.5 機場停機位分配規(guī)則 18
2.1.6 機場停機位分配約束條件 19
2.1.7 機場停機位實時分配 20
2.1.8 機場停機位與航班之間關(guān)系 20
2.2 停機位分配問題域的分析 21
2.2.1 復(fù)雜網(wǎng)絡(luò)流模型 21
2.2.2 假設(shè)條件 22
2.2.3 數(shù)據(jù)定義 23
2.2.4 復(fù)雜網(wǎng)絡(luò)流模型構(gòu)建 23
2.3 機場停機位分配的優(yōu)化目標(biāo)函數(shù)分析 24
2.3.1 旅客總行走距離之和短 24
2.3.2 各停機位空閑時間均衡 25
2.3.3 遠機位�？亢桨鄶�(shù)量少 25
2.3.4 停機位占用效率 25
2.3.5 航班-機位匹配差異度小 26
2.3.6 飛機地面滑行油耗小 26
2.4 停機位分配問題的研究方法 27
2.4.1 精確求解方法 27
2.4.2 近似求解方法 27
2.5 多目標(biāo)優(yōu)化問題描述 29
2.6 本章小結(jié) 29
參考文獻 29
第3章 多策略蟻群優(yōu)化算法求解機場停機位分配問題 33
3.1 基本蟻群優(yōu)化算法 33
3.1.1 蟻群優(yōu)化算法原理 33
3.1.2 蟻群優(yōu)化算法流程 34
3.1.3 蟻群優(yōu)化算法優(yōu)缺點 36
3.2 多策略蟻群優(yōu)化算法 36
3.2.1 信息素初始濃度的改進方法 36
3.2.2 轉(zhuǎn)移概率的改進方法 37
3.2.3 揮發(fā)系數(shù)的改進方法 37
3.2.4 PSVACO算法的實現(xiàn) 37
3.2.5 PSVACO算法的數(shù)值驗證 39
3.3 機場停機位分配多目標(biāo)優(yōu)化模型的建立 42
3.3.1 優(yōu)化目標(biāo)函數(shù)的構(gòu)建 42
3.3.2 多目標(biāo)優(yōu)化模型的無量化 43
3.4 多策略蟻群優(yōu)化算法求解停機位分配優(yōu)化模型 44
3.4.1 機場停機位分配優(yōu)化方法 44
3.4.2 機場停機位分配流程 44
3.5 算例分析 45
3.5.1 實驗數(shù)據(jù) 45
3.5.2 實驗環(huán)境與參數(shù)設(shè)置 46
3.5.3 實驗結(jié)果與分析 46
3.5.4 結(jié)果比較與分析 48
3.6 本章小結(jié) 49
參考文獻 50
第4章 協(xié)同進化蟻群優(yōu)化算法求解機場停機位分配問題 52
4.1 協(xié)同進化算法 52
4.1.1 協(xié)同進化算法概述 52
4.1.2 協(xié)同進化算法的分類 52
4.1.3 協(xié)同進化算法的框架 56
4.1.4 協(xié)同進化算法動力學(xué)描述 56
4.2 自適應(yīng)蟻群優(yōu)化算法 58
4.2.1 信息素更新策略 58
4.2.2 信息素更新約束范圍 59
4.3 協(xié)同進化蟻群優(yōu)化算法 59
4.3.1 協(xié)同進化蟻群優(yōu)化算法思想 59
4.3.2 SCEACO算法模型 59
4.3.3 SCEACO算法描述 60
4.3.4 SCEACO算法求解TSP 61
4.4 SCEACO算法參數(shù)自適應(yīng)調(diào)整與協(xié)作策略 65
4.4.1 參數(shù)自適應(yīng)調(diào)整策略 65
4.4.2 參數(shù)協(xié)作策略 65
4.5 機場停機位分配多目標(biāo)優(yōu)化模型的建立 66
4.5.1 優(yōu)化目標(biāo)函數(shù)的構(gòu)建 66
4.5.2 多目標(biāo)優(yōu)化模型的無量化 66
4.6 SCEACO算法求解停機位分配優(yōu)化模型 66
4.6.1 機場停機位分配優(yōu)化方法 66
4.6.2 機場停機位分配流程 67
4.6.3 機場停機位分配步驟 67
4.7 算例分析 68
4.7.1 實驗數(shù)據(jù) 68
4.7.2 實驗環(huán)境與參數(shù)設(shè)置 69
4.7.3 實驗結(jié)果與分析 70
4.7.4 結(jié)果比較與分析 72
4.8 本章小結(jié) 75
參考文獻 75
第5章 多策略差分進化算法求解機場停機位分配問題 78
5.1 差分進化算法 78
5.1.1 差分進化算法原理 78
5.1.2 差分進化算法的優(yōu)缺點 80
5.2 CPOMSDE算法 80
5.2.1 CPOMSDE算法的思想 80
5.2.2 小波基函數(shù)改進縮放因子 81
5.2.3 正態(tài)分布改進交叉概率 82
5.2.4 變異策略 82
5.2.5 CPOMSDE算法模型 84
5.2.6 CPOMSDE算法步驟 85
5.3 數(shù)值實驗與分析 85
5.3.1 標(biāo)準(zhǔn)測試函數(shù) 85
5.3.2 實驗環(huán)境與參數(shù)設(shè)置 86
5.3.3 實驗結(jié)果與分析 87
5.3.4 結(jié)果比較與分析 95
5.4 機場停機位分配多目標(biāo)優(yōu)化模型的建立 96
5.4.1 優(yōu)化目標(biāo)函數(shù)的構(gòu)建 96
5.4.2 多目標(biāo)優(yōu)化模型的無量化 97
5.5 CPOMSDE算法求解停機位分配優(yōu)化模型 98
5.5.1 機場停機位分配優(yōu)化方法 98
5.5.2 機場停機位分配流程 98
5.5.3 機場停機位分配步驟 99
5.6 算例分析 99
5.6.1 實驗數(shù)據(jù)與實驗環(huán)境 99
5.6.2 實驗結(jié)果與分析 101
5.6.3 結(jié)果比較與分析 104
5.7 本章小結(jié) 104
參考文獻 105
第6章 自適應(yīng)粒子群優(yōu)化算法求解機場停機位分配問題 108
6.1 粒子群優(yōu)化算法 108
6.1.1 粒子群優(yōu)化算法原理 108
6.1.2 粒子群優(yōu)化算法的優(yōu)缺點 109
6.2 分數(shù)階微分和Alpha穩(wěn)定分布理論 110
6.2.1 分數(shù)階微分理論 110
6.2.2 Alpha穩(wěn)定分布理論 111
6.3 自適應(yīng)粒子群優(yōu)化算法 112
6.3.1 ADFCAPO算法思想 112
6.3.2 均勻初始化粒子策略 112
6.3.3 Alpha穩(wěn)定分布隨機函數(shù)策略 112
6.3.4 基于動態(tài)分數(shù)階微分的速度計算策略 114
6.3.5 ADFCAPO算法流程 115
6.4 機場停機位分配多目標(biāo)優(yōu)化模型的建立 115
6.4.1 優(yōu)化目標(biāo)函數(shù)的構(gòu)建 115
6.4.2 多目標(biāo)優(yōu)化函數(shù)的無量化 116
6.5 基于ADFCAPO算法的機場停機位分配優(yōu)化方法 117
6.6 算例分析 118
6.6.1 實驗數(shù)據(jù)與參數(shù)設(shè)置 118
6.6.2 實驗結(jié)果與分析 120
6.6.3 結(jié)果比較與分析 123
6.7 本章小結(jié) 125
參考文獻 125
第7章 多策略量子進化算法求解機場停機位分配問題 127
7.1 進化算法 127
7.1.1 進化算法概述 127
7.1.2 進化算法原理 127
7.1.3 進化算法特點 128
7.2 量子計算 129
7.2.1 量子計算概述 129
7.2.2 量子計算原理 129
7.2.3 量子門 130
7.2.4 量子旋轉(zhuǎn)門 131
7.3 量子進化算法 136
7.3.1 量子進化算法概述 136
7.3.2 量子遺傳算法 137
7.4 多策略量子進化算法 139
7.4.1 NCPQEA思想 139
7.4.2 基于小生境進化策略的QEA種群初始化 140
7.4.3 PSO學(xué)習(xí)因子的動態(tài)確定策略 140
7.4.4 基于改進PSO的量子旋轉(zhuǎn)門更新策略 141
7.4.5 NCPQEA模型 142
7.4.6 NCPQEA步驟 142
7.5 數(shù)值實驗與分析 143
7.5.1 標(biāo)準(zhǔn)測試函數(shù) 143
7.5.2 實驗環(huán)境與參數(shù)設(shè)置 144
7.5.3 實驗結(jié)果與比較 144
7.6 機場停機位分配多目標(biāo)優(yōu)化模型的建立 150
7.6.1 優(yōu)化目標(biāo)函數(shù)的構(gòu)建 150
7.6.2 多目標(biāo)優(yōu)化模型的無量化 151
7.7 基于NCPQEA的機場停機位分配優(yōu)化方法 151
7.7.1 機場停機位分配優(yōu)化方法 151
7.7.2 機場停機位分配流程 151
7.7.3 機場停機位分配步驟 151
7.8 算例分析 152
7.8.1 實驗數(shù)據(jù) 152
7.8.2 實驗環(huán)境與參數(shù)設(shè)置 154
7.8.3 實驗結(jié)果與分析 154
7.8.4 結(jié)果比較與分析 159
7.9 本章小結(jié) 162
參考文獻 162
第8章 兩階段優(yōu)化算法求解機場延誤航班停機位分配問題 166
8.1 遺傳算法 166
8.1.1 遺傳算法概述 166
8.1.2 遺傳算法原理 166
8.1.3算法定理及其收斂性 167
8.1.4 遺傳算法的優(yōu)缺點 168
8.2 兩階段優(yōu)化算法 168
8.2.1 兩階段優(yōu)化算法思想 168
8.2.2 兩階段優(yōu)化算法流程 169
8.2.3 兩階段優(yōu)化算法步驟 169
8.3 數(shù)值實驗與分析 170
8.3.1 TSP問題描述 170
8.3.2 實驗環(huán)境與參數(shù)設(shè)置 171
8.3.3 實驗結(jié)果與分析 171
8.4 延誤航班停機位再分配優(yōu)化模型的建立 173
8.4.1 航班延誤分析 174
8.4.2 停機位再分配描述與分析 174
8.4.3 優(yōu)化目標(biāo)函數(shù)的構(gòu)建 176
8.4.4 多目標(biāo)優(yōu)化模型的無量化 177
8.5 基于兩階段優(yōu)化算法的延誤航班停機位再分配方法 177
8.5.1 延誤航班停機位再分配方法 177
8.5.2 延誤航班停機位再分配流程 178
8.6 延誤航班停機位再分配實現(xiàn)過程 178
8.6.1 延誤航班停機位再分配**階段的實現(xiàn) 178
8.6.2 延誤航班停機位再分配第二階段的實現(xiàn) 186
8.7 實例分析 190
8.7.1 實驗數(shù)據(jù) 190
8.7.2 實驗環(huán)境與參數(shù)設(shè)置 191
8.7.3 實驗結(jié)果與分析 192
8.7.4 結(jié)果比較與分析 195
8.8 本章小結(jié) 200
參考文獻 200
書單推薦
