飞行冲突解脱方法及设备的制造方法
【技术领域】
[0001] 本发明涉及空域交通管理技术，尤其涉及一种飞行冲突解脱方法及设备。
【背景技术】
[0002] 近几年来，航空运输业发展迅猛，预计未来几年民航市场也将继续保持高速增长 态势。然而随着飞行流量的增加，空域中飞行器的密度也相应增加，飞行器之间的安全间隔 难以保证，存在冲突的可能性增加，进而使得飞行安全受到严重威胁。作为保证飞行安全的 关键技术之一，飞行冲突解脱方法的研究是必要且迫切的。
[0003] 传统飞行冲突解脱方法的研究主要集中在局部空域，缺乏战略层面的全局解脱方 法。另外，传统飞行冲突解脱方法的单点运算方式极大限制了计算效率。
【发明内容】
[0004] 本发明提供一种用于飞行冲突解脱方法及设备，以全局战略规划空域交通，并减 少飞行冲突解脱的计算量，提高飞行冲突解脱效率。
[0005] 第一方面，本发明提供一种飞行冲突解脱方法，包括：
[0006] 根据待优化飞行器的四维轨迹，获取飞行冲突态势估计模型，所述飞行冲突态势 估计模型包括多个个体，所述多个个体中每一个体包括所有待优化飞行器的起飞延迟时 间，且不同个体之间互异；
[0007] 根据目标函数，获得所述飞行冲突态势估计模型对应的目标函数值，所述目标函 数为根据所有待优化飞行器之间的飞行冲突态势建立的；
[0008] 将所述飞行冲突态势估计模型中所有个体分为Μ组，对每一组，采用文化基因算 法进行预设次数的变异，以优化该组中待优化飞行器的起飞延迟时间，其中，Μ为大于或等 于2的整数；
[0009] 排列所述Μ组呈一循环，以所述循环中任一组为起始组，依次将每一组中最优个 体复制给下一组，替代该下一组中最差个体，直至所述起始组的上一组结束，获得更新后的 飞行冲突态势估计模型；
[0010] 根据所述目标函数，获得所述更新后的飞行冲突态势估计模型对应的目标函数 值，保留上述两个目标函数值中较大值对应的飞行冲突态势估计模型。
[0011] 在第一方面的第一种可能的实现方式中，所述根据待优化飞行器的四维轨迹，获 取飞行冲突态势估计模型，包括：
[0012] 根据如下公式，获得所有待优化飞行器之间的飞行冲突态势（CS):
[0013]
[0014] 其中，ε ^表示待优化飞行器匕和匕之间的安全间隔；dist^a)表示待优化飞行 器h和F,之间的最小距离；Σ为求和符号；min ()表示取括号内两数值中较小值；η表示所 述待优化飞行器的总数。
[0015] 根据第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式 中，所述根据目标函数，获得所述飞行冲突态势估计模型对应的目标函数值，包括：
[0016] 根据如下公式，获得所述飞行冲突态势估计模型对应的目标函数值：
[0017]
[0018] 其中，F表示个体适应度；δ i表示待优化飞行器Fi的起飞延迟时间；δ _表示预 设起飞延迟时间。
[0019] 根据第一方面、第一方面的第一种至第二种可能的实现方式中任意一种，在第一 方面的第三种可能的实现方式中，所述文化基因算法中的局部搜索具体为：
[0020] 根据高斯分布模型，获得局部搜索频率，所述高斯分布模型表示为
其中，Υ表示所述局部搜索频率；G表示所述预设 次数；μ表示高斯分布模型的均值；σ表示高斯分布模型的标准差；η表示每组中的个体 数；
[0021] 根据所述局部搜索频率，获得该组中进行局部搜索的个体；
[0022] 对所述进行局部搜索的个体中每一个体，采用预设局部搜索策略进行局部搜索， 获得自身适应度较优的个体。
[0023] 根据第一方面、第一方面的第一种至第三种可能的实现方式中任意一种，在第一 方面的第四种可能的实现方式中，所述个体还包括每一待优化飞行器与该个体中其它待优 化飞行器的冲突数量，所述文化基因算法中的全局搜索具体为：
[0024] 根据所述每一待优化飞行器与该个体中其它待优化飞行器的冲突数量，获得该待 优化飞行器的自身适应度；
[0025] 根据所述待优化飞行器的自身适应度，采用预设全局搜索策略进行全局搜索，获 得自身适应度较优的个体。
[0026] 第二方面，本发明提供一种飞行冲突解脱设备，包括：
[0027] 获取模块，用于根据待优化飞行器的四维轨迹，获取飞行冲突态势估计模型，所述 飞行冲突态势估计模型包括多个个体，所述多个个体中每一个体包括所有待优化飞行器的 起飞延迟时间，且不同个体之间互异；
[0028] 运算模块，用于根据目标函数，获得所述获取模块所获取的所述飞行冲突态势估 计模型对应的目标函数值，所述目标函数为根据所有待优化飞行器之间的飞行冲突态势建 立的；
[0029] 变异模块，用于将所述获取模块所获取的所述飞行冲突态势估计模型中所有个体 分为Μ组，对每一组，采用文化基因算法进行预设次数的变异，以优化该组中待优化飞行器 的起飞延迟时间，其中，Μ为大于或等于2的整数；
[0030] 更新模块，用于排列所述变异模块获得的变异后的Μ组呈一循环，以所述循环中 任一组为起始组，依次将每一组中最优个体复制给下一组，替代该下一组中最差个体，直至 所述起始组的上一组结束，获得更新后的飞行冲突态势估计模型；
[0031] 所述运算模块还用于根据所述目标函数，获得所述更新模块获得的所述更新后的 飞行冲突态势估计模型对应的目标函数值，保留上述两个目标函数值中较大值对应的飞行 冲突态势估计模型。
[0032] 在第二方面的第一种可能的实现方式中，所述获取模块具体用于：
[0033] 根据如下公式，获得所有待优化飞行器之间的飞行冲突态势（CS):
[0034]
[0035] 其中，ε ^表示待优化飞行器匕和匕之间的安全间隔；dist^a)表示待优化飞行 器h和F,之间的最小距离；Σ为求和符号；min ()表示取括号内两数值中较小值；η表示所 述待优化飞行器的总数。
[0036] 根据第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式 中，所述运算模块具体用于：
[0037] 根据如下公式，获得所述飞行冲突态势估计模型对应的目标函数值：
[0038]
[0039] 其中，F表示个体适应度；δ i表示待优化飞行器Fi的起飞延迟时间；δ _表示预 设起飞延迟时间。
[0040] 根据第二方面、第二方面的第一种至第二种可能的实现方式中任意一种，在第二 方面的第三种可能的实现方式中，所述变异模块采用文化基因算法中的局部搜索时，具体 用于：
[0041] 根据高斯分布模型，获得局部搜索频率，所述高斯分布模型表示为
，其中，Υ表示所述局部搜索频率；G表示所述预设 次数；μ表示高斯分布模型的均值；σ表示高斯分布模型的标准差；n表示每组中的个体 数；
[0042] 根据所述局部搜索频率，获得该组中进行局部搜索的个体；
[0043] 对所述进行局部搜索的个体中每一个体，采用预设局部搜索策略进行局部搜索， 获得自身适应度较优的个体。
[0044] 根据第二方面、第二方面的第一种至第三种可能的实现方式中任意一种，在第二 方面的第四种可能的实现方式中，所述个体还包括每一待优化飞行器与该个体中其它待优 化飞行器的冲突数量，所述变异模块采用文化基因算法中的全局搜索时，具体用于：
[0045] 根据所述每一待优化飞行器与该个体中其它待优化飞行器的冲突数量，获得该待 优化飞行器的自身适应度；
[0046] 根据所述待优化飞行器的自身适应度，采用预设全局搜索策略进行全局搜索，获 得自身适应度较优的个体。
[0047] 本发明通过对飞行冲突态势估计模型分组，采用多岛遗传算法并行处理，运算效 率高，在提高飞行冲突解脱效率的同时，达到较低的平均飞行延误时间；通过文化基因算 法，满足全局优化下飞行冲突解脱的需求，实现全局战略规划空域交通。
【附图说明】
[0048] 图1为本发明飞行冲突解脱方法实施例一的流程示意图；
[0049] 图2为本发明飞行冲突解脱方法实施例一中个体编码示例图；
[0050] 图3为本发明飞行冲突解脱方法实施例一中组间迁移交换示例图；
[0051] 图4为本发明飞行冲突解脱方法实施例二的流程示意图；
[0052] 图5为本发明飞行冲突解脱方法实施例二中交叉方法示意图；
[0053] 图6为本发明飞行冲突解脱方法实施例二中变异方法示意图；
[0054] 图7为本发明飞行冲突解脱设备实施例三的结构示意图。
【具体实施方式】
[0055] 飞行冲突解脱问题是一种多变量（包括连续和离散变量）、多目标、多约束、非线 性、多极值、目标函数和约束条件非解析函数的复杂且大规模的优化问题。传统优化算法， 例如，基于梯度的优化算法和Powell法等优化算法，存在以下缺陷：
[0056] (1)传统优化算法不能直接用于处理连续/离散混合设计变量的优化问题；
[0057] (2)传统优化算法对初值较为敏感，且容易陷入局部最优点；
[0058] (3