《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：A robust multi-objective optimisation method for airport ground movement
编辑推荐：
随着航空需求的持续增长，机场地面运行在安全和环境方面面临日益严峻的挑战，急需鲁棒且灵活的优化方法。本研究首次提出一个融合蒙特卡洛模拟的多目标机会约束规划（MOCCP）模型，以处理滑行时间与油耗的不确定性，并开发了基于机会约束规划的机场多目标A（CCP-AMOA）算法。在英国曼彻斯特机场的基准实验中，该方法相较于确定性基线，能生成鲁棒性更高的有效解，降低经济成本并最小化总延误。结果表明，调整置信水平可有效权衡滑行时间与油耗，为机场地面运动优化提供了兼顾鲁棒性与效率的决策新工具。
随着全球航空客运与货运需求的持续攀升，机场日益成为空中交通管理系统中的瓶颈环节，引发了显著的安全与环境担忧。机场地面运动（AGM）作为机场运营的关键组成部分，涉及飞机在登机口与跑道之间的滑行路径规划与调度。优化AGM的主要目标是提升运行效率，传统研究多聚焦于分配无冲突的滑行路径以最小化滑行时间或延误。同时，随着环保意识的增强，油耗与排放等目标也日益受到重视，滑行时间与油耗之间的权衡关系已被广泛认知，推动了AGM多目标优化研究的兴起。
然而，现实中的飞机滑行场景充满不确定性。作为滑行实际控制者的飞行员，即使有地面滑行引导系统（如“跟绿”引导系统）的辅助，也无法严格遵循预定义的速度剖面。这种“符合性误差”不可避免，导致约束违反甚至油耗增加。经典的多目标优化方法通常假设输入数据完全已知且静态，这难以应对现实中的动态变化。尽管已有研究尝试通过反应式策略动态调整路径，但其计算复杂性常导致求解时间过长，不适用于实时计划调整；而主动式策略虽然能通过将不确定性纳入决策来产生稳定的路径，但多数未同时考虑滑行时间与油耗等多个目标。在不确定性环境下，滑行时间与油耗之间的权衡关系是否依然成立？如何开发能够明确在不确定环境中兼顾多个目标的鲁棒优化方法？这些问题促使研究人员开展本项研究。
为了回答上述问题，由Jiaxing Li, Jun Chen, Xinwei Wang组成的研究团队，在《Transportation Research Part C: Emerging Technologies》上发表了一项研究。他们提出了一种用于机场地面运动的鲁棒多目标优化方法。该方法的核心是构建了一个多目标机会约束规划（Multi-Objective Chance-Constrained Programming, MOCCP）模型，该模型首次明确地通过基于“跟绿”引导系统的蒙特卡洛模拟方法，纳入了滑行时间和油耗的不确定性。基于此模型，研究人员开发了一种新颖的、基于机会约束规划的机场多目标A算法（CCP-AMOA）。该算法通过三个关键模块顺序分配鲁棒的Pareto最优滑行路径：候选路径生成、路径选择和时间窗更新。在路径选择中，针对两个目标的不同置信水平控制了不确定性下的保守程度，而偏好设置则允许灵活的优先级排序，从而实现情境感知的决策。
研究人员为开展此项研究，主要运用了以下几个关键技术方法：首先，构建了一个基于“跟绿”引导系统的蒙特卡洛模拟框架，通过随机调整飞行员行为模型中的参数，模拟操作不确定性对滑行速度剖面的影响，进而计算每次模拟中所有滑行道的滑行时间和油耗成本，从而生成一组具有不同成本值的机场布局图。其次，建立了多目标机会约束规划数学模型，将总滑行时间和总油耗作为最小化的两个目标，并以概率形式约束其超过特定阈值的风险。最后，开发了CCP-AMOA算法，该算法在多目标A搜索的基础上，在边级别重新表述搜索过程，并增加了时间窗感知的节点扩展，以增强算法在边级别捕捉不确定性的能力。实验使用了英国曼彻斯特机场的真实运营数据进行验证。
研究结果
1. 不确定性对滑行道网络的影响不均衡
基准实验表明，不确定性对滑行道网络不同部分的影响是不均衡的。这意味着某些滑行道段在不确定条件下的性能波动（如时间或油耗变化）要大于其他路段，在进行鲁棒路径规划时需要特别关注这些“脆弱”路段。
2. CCP-AMOA算法性能优于确定性基线*
对比分析显示，提出的几种CCP-AMOA*算法在多个方面优于确定性基准算法。具体表现为：能生成鲁棒性更高的有效解（Pareto最优解），在不确定环境下更稳定；降低了总体经济成本；并且最小化了总延误时间。这证明了将机会约束框架与多目标搜索结合的有效性。
3. 调整置信水平显著影响目标间的权衡
进一步的结果表明，调整机会约束中的置信水平（1-α 和 1-β）能显著影响滑行时间与油耗之间的权衡关系。较高的置信水平意味着对性能超标的风险容忍度更低，规划结果会更保守，可能选择更长的路径作为“缓冲”；而较低的置信水平则允许更多的风险，可能得到更激进、目标值更优但稳定性稍差的路径。研究发现，更长的路径能通过提供更大的时间和空间缓冲来增强鲁棒性。
4. 所提方法实现了主动的鲁棒性优化
本研究提出的MOCCP建模与CCP-AMOA*求解框架，是一种主动的鲁棒性优化策略。它通过事前（离线）将不确定性分布（通过蒙特卡洛模拟体现）纳入路径分配决策，能够直接产生对操作波动不敏感的稳定路径和计划，从而避免了频繁的路径更新，显著减轻了空中交通管制员和飞行员的工作负担。
研究结论与意义
本研究成功构建了一个用于机场地面滑行鲁棒路径分配的多目标机会约束规划模型，并开发了高效的求解算法。研究首次在AGM优化中联合建模了飞行员操作不确定性对滑行时间和油耗的影响，并通过嵌入现实滑行引导过程的蒙特卡洛模拟进行传播与评估。所提出的CCP-AMOA算法扩展了AMOA搜索，使其具备边级别的、时间窗感知的节点扩展能力，以更好地捕捉不确定性。
该研究的意义主要体现在以下几个方面：在理论上，它将机会约束规划从单目标扩展到多目标领域，并应用于复杂的、基于模拟的机场地面运动优化问题，为处理具有多重不确定性目标的网络路径优化问题提供了新的建模框架。在方法上，提出的CCP-AMOA*算法为在不确定环境下寻找Pareto最优的鲁棒路径提供了切实可行的解决方案。在实践中，该方法能够为机场运营者提供一系列鲁棒且高效的滑行路径选择，通过灵活设置置信水平和偏好，可以适应不同的运行场景（如高峰时段追求低延误，或非高峰时段追求低油耗），实现上下文感知的决策，有望提升机场整体运行效率、安全性和环保性能。研究成果也为未来集成更多不确定性源（如天气、地面服务延迟）和更复杂的目标（如噪声排放）奠定了基础。
