信息技术推广 中囤科技信息２０１ ４年第１ ３鞘‘ＣＨＩＮＡ ＳＣＩＥＮＣＥ ＡＮＤ ＴＥＣＨＮＯＬＯＧＹ ＩＮＦＯＲＭＡＴＩＯＮ Ｊｕｎ．２０１４ 罗凤娥 基金项目：中国民用航空飞行学院研究生创新项目（编号：Ｘ２０１３—３０） 罗凤娥 张立娟 １．中国民航飞行学院：２．空中交通管理学院四川广汉６１８３０７ 罗凤娥（１ ９７２一）．女，汉．重庆 硕士．教授 硕士生导师 研究方向航空运行。 张立娟（１ ９８９一）．女。汉．山东．硕士．学生，在校硕士研究生，研究方向：航空运行。 １３０１：１０．３９６９／ｊ．ｉｓｓｎ．１００１－８９７２．２０１４．１３．０４２ 不正常航班恢复主要包括飞机恢复和机组恢复。机组成本是航空公司主要成本之一， 仅次于燃油。因此，如何在不正常航班发生时进行合理的机组恢复从而减少航空公司成本 是各航空公司所关注的。本文采用神经网络对机组恢复进行建模，以机组恢复成本最小为 目标函数，并通过使用某航空公司的数据，验证模型的合理性。 基于ＢＰ神经网络算法的不正常航班机组 恢复问题研究 １概述 根据中国民航局发布的民航行业发展统计公报，２０１２ 年，航空公司计划航班２５０．２万班次，其中正常航班 １８７．２万班次，不正常航班６３．０万班次，平均航班正常率 为７４．８３％。主要航空公司共执行航班２０８．７万班次，其 中正常航班１５８．０万班次，不正常航班５０．６万班次，平 均航班正常率为７５．６９％。导致航空公司航班不正常的原 因中，航空公司占３８．５％，流量原因占２５．０％，天气原因 占２１．６％，其他原因占ｌ４．９％。 当不正常航班发生时，机组的任务串会被打乱，难以 按照航班计划中的机组任务进行执行。因此，如何合理的 进行机组恢复，调配合理的机组资源，减少航空公司的收 益是尤其重要的。目前，航空公司主要是依靠在运行监控 席位上通过在甘特图上调整航班来调配机组，如何科学地 采用相应的模型来解决机组恢复的问题对航空公司来说至 关重要。 （１）机组执勤时间、飞行时间和休息时间的限制； （２）机组执行航班机型的限制； （３）机组中转过站时间的限制； （４）机组需要从基地出发结束任务后返回基地。 当飞机恢复问题解决以后，航班需要相应的机组执行， 每个航班都要被机组覆盖，因此机组恢复问题最后达到的 目标就是在飞机恢复后，依据调整好的航班计划，安排机 组执行航班，在规定的时间内，以最小的成本调配机组， 在一定的约束条件下保证航班恢复。 ２．２ ＢＰ神经网络算法 ＢＰ神经网络模型拓扑结构包括输入层（ｉｎｐｕｔ）、隐 层（ｈｉｄｅ ｌａｙｅｒ）和输出层（ｏｕｔｐｕｔ ｌａｙｅｒ）。输入层神经元 的个数由样本属性的维度决定，输出层神经元的个数由样 本分类个数决定。隐藏层的层数和每层的神经元个数由用 户指定。每一层包含若干个神经元，每个神经元包含一个 而阂值，用来改变神经元的活性。网络中的弧线表示前一 层神经元和后一层神经元之间的权值。每个神经元都有 输入和输出。输入层的输入和输出都是训练样本的属性 值。输入层有ｍ个节点，输入量为Ｘ＝（ｘ ，ｘ２，ｘ ，…， ２机组恢复问题的模型 ２．１机组恢复问题的介绍 在机组恢复模型中，恢复的周期为２４ｈ，机组恢复需 要考虑的约束条件如下： 一ｘ ），输出层ｎ个节点，对应ｎ个输出分量Ｙ＝（Ｙ。，Ｙ ， ｙ３，…，ｙ ）。 １２４— 中国科技信息２０１４年第１３期 ＣＨＩＮＡ ＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＩＮＦＯＲＭＡＴＩＯＮ Ｊｕｎ．２０１４ 瓢 信息技术推广 输入神经元 隐含神经元 输出神经元 机组执行式（２．３３）是每个机组执行一个航班任务的约束； 式（２．３４）是变量取值约束。 ｙｌ ３算例分析 ｙ３ 某航空公司某一天的航班计划因流控、天气等原因需 要重新调整航班计划，机组的执勤计划变为如下表格： ｙｎ 表１新航班计划 输入层 隐含层 输出层 航班号 机型 出发时间 到达时间 出发机场 到达机场 图１ ＢＰ网络ｓａｇ模型 Ｐｌ Ａ３２０ ８：０Ｏ １０：３０ 北京 上海 Ｐ２ Ｂ７３７ ８：５Ｏ １０：５２ 广州 成都 ２．３机组恢复模型的建立 Ｐ３ １３７８７ ９：２０ ｌ１：４０ 上海 昆明 基于ＢＰ神经网络的机组恢复模型图２，简要地介绍 Ｐ４ Ｂ７３７ ９：１５ １０：３０ 广州 昆明 机组恢复的过程。 Ｐ５ Ａ３２０ １０：４０ ＩＪ：４０ 昆明 成都 班的费用 某航Ｉ 目前可利用Ｉ仁１月Ｕ Ｊ Ｕ门 Ｌ的：１机组女１ ｎ４下。Ｊ’０ 表２可利用的机组信息 机组加机组的费用 机组编号 执照类型 执勤开始 执勤结束 出发机场 到达机场 时间 时间 机组住宿费用ｌ Ｍ１ Ｂ７８７ ８：００ ｌ０：１０ 上海 昆明 Ｍ２ Ｂ７３７ ７：５Ｏ ９：２０ 北京 三亚 Ｉ机组补贴费用 １１： ｌ４：００ 三亚 北京 图２机组恢复的ＢＰ神经网络ｓａｇ模型 Ｍ３ Ｂ７５７ ８：ｌ０ １０：００ 北京 广州Ｉ Ｍ４ Ｂ７３７ ８：３０ ｌ０：３Ｏ 广州 成都 数学模型如下： 参数： ｌ０：５５ １４：３０ 成都 北京 ｍ代表机组的总班组数； Ｍ５ Ａ３２０ ６：００ ９：００ 昆明 成都 ｎ代表需要执行的新航班； ９：３０ ｌ２：４０ 成都 北京 ｉ表示航班的下标； Ｍ６ Ｂ７３７ ｌ０：４０ １２：３０ 广卅Ｉ 昆明 Ｊ表示机组的下标； Ｍ７ Ｂ７８７ ７：３０ ９：００ 北京 上海 ｊｋ表示机组ｋ的第ｊｋ个任务； ｌ０：００ １２：００ 成都 北京 表示ｉ是否被机组ｋ的第ｊｋ个任务覆盖，如果是， Ｍ８ Ａ３２０ ６：５Ｏ ８：５０ 北京 广州 Ｍ９ Ｂ７３７ 备用机组 则 ＝１，否则 ＝０； 采用梯度算法进行解决问题，最终的计划如下： Ｃｌｉ 表示机组ｋ执行第ｊｋ个任务的成本； 表３执行的航班计划 Ｃ２ｊ 表示机组ｋ加机组执行第ｊｋ个任务的成本； 航班号 机型 出发时间 到达时间 出发机场 到达机场 机组 ｃ３ｊ ｋ表示机组ｋ执行第ｊｋ个任务的住宿成本； Ｐｌ Ａ３２０ ８：００ １０：３Ｏ 北京 上海 Ｍ９ Ｐ２ Ｂ７３７ ８：５０ １Ｏ：５２ 广州 成都 Ｍ４ ｃ４ｉ ｋ表示机组ｋ执行第ｊｋ个任务的补贴成本。 Ｐ３ Ｂ７８７ ９：２０ ｌｌ：４０ 上海 昆明 Ｍｌ 数学模型： Ｐ４ Ｂ７３７ ９：ｌ５ １０：３０ 广州 昆明 Ｍ６ ｆｉｒｌ’Ｚ＝∑ＣＩｌ１ 厶 执 执 ＋ｃ２ｇ￣ 札 ＋ｃ３ｇ￣ ＥＥ＋ｃｃ ｇ２．－ ５一１） Ｐ５ Ａ３２０ １０：４０ １１：４０ 昆明 成都 Ｍ５ ｓ．ｔ．∑ １， １…，聊（２．３２） ４总结 ∑ｘ帆＝１，七＝１ ．，船（２．３３） 本文采用ＢＰ神经网络对机组成本进行分析，建立了 相应的数学模型。该模型简洁地介绍了机组恢复问题，设 ＝０， ２ ３４） 计到了机组置换、备用机组、加机组所产生的成本费用， 式中（２．３１）为目标函数，执行航班机组的成本最小； 并将各种机组调度方案进行权重的分配，计算出机组成本 式（２．３２）是航班覆盖的约束，也就是每个航班都必须有 最小值，将为航空公司机组调度提供了理论性指导。 一１２５一