《Transportation Research Interdisciplinary Perspectives》：Policy-based Bayesian-MILP optimization framework for airport departure sequencing under uncertainty
编辑推荐：
摘要翻译：高效的离场排序对于减少拥堵机场的延误、燃油消耗和环境影响至关重要。尽管混合整数线性规划（MILP）能够提供最优解，但它通常被用作反应式的一次性计划，且采用静态或人工调整的多目标权重，因此难以应对时变交通和运行不确定性。研究人员提出了一种主动的、基于策
摘要翻译：高效的离场排序对于减少拥堵机场的延误、燃油消耗和环境影响至关重要。尽管混合整数线性规划（MILP）能够提供最优解，但它通常被用作反应式的一次性计划，且采用静态或人工调整的多目标权重，因此难以应对时变交通和运行不确定性。研究人员提出了一种主动的、基于策略的框架，将MILP视为可调优的决策策略，而非固定的时间表。其新颖之处在于运行前进行智能策略搜索。通过序贯蒙特卡洛模拟和针对归一化多目标成本（延误、燃油、排放、完工时间（makespan）和位置稳定性）的网格搜索，该框架能够为给定交通场景识别最佳权重向量（???）。为克服离散搜索的局限性，研究人员引入了高级多阶段贝叶斯优化器（AMS-BO），其能够探索、缩放并细化参数空间，以揭示非线性权衡。在安塔利亚机场场面布局的50个交通样本上的实验表明，没有任何单一权重方案是普遍最优的；获胜策略因场景而异，并针对每个序列的动态特性进行定制。如果没有主动调优，传统基准方法可能产生病态结果，即改善某一指标的同时使其他指标恶化。相比之下，在推出（pushback）不确定性下，基于策略的MILP相对于静态计划平均延误减少36%，等待燃油消耗减少超过80%，延误相关排放减少69%。凭借在滚动时域循环中稳定的亚秒级求解，该框架可补充现有的离场管理器（DMAN）和终端航班数据管理器（TFDM）系统，在容量受限的环境中增强可持续性和韧性。
论文解读：基于策略的MILP优化框架用于不确定性下的机场离场排序
一、研究背景与问题
机场离场排序问题（Departure Sequencing Problem, DSP）是航空运输系统运行效率与可持续发展的核心议题。繁忙机场中，到达航班通常因安全和空域约束而优先于离场航班，导致离场飞机在地面等待，产生队列溢出和延误传播。现有运行支持系统如欧洲的离场管理器（Departure Manager, DMAN）和美国的终端航班数据管理器（Terminal Flight Data Manager, TFDM）主要基于确定性规划假设，难以应对实时运行不确定性（如推出时间波动、天气变化、地面服务延误）。传统混合整数线性规划（Mixed Integer Linear Programming, MILP）虽然能通过硬约束保证安全性，但通常以一次性静态计划形式使用，权重固定或依赖人工调整，一旦条件变化，计划迅速过时，且频繁重算在高峰时段计算代价高。启发式或元启发式方法虽然快速，但缺乏可行性保证；随机规划方法则面临场景树规模爆炸和结果依赖概率分布假设的问题。因此，亟需一种既能保证安全可行性、又能适应实时变化、且可预先系统调优的策略化决策框架。
二、研究内容与主要方法
研究人员提出了一种基于策略的MILP优化框架，将MILP从一次性调度工具转化为可复用的决策策略。该框架基于成本函数近似（Cost Function Approximation, CFA）方法，通过六步工作流实现：构建静态确定性锚模型；嵌入重叠滚动时域循环；将滚动过程明确解释为决策策略；用可解释权重参数化目标函数；通过离线调优确定最优权重；在推出时间不确定性下用序贯蒙特卡洛模拟评估策略性能。关键技术包括：滚动时域求解器（前瞻窗口??=1200秒，冻结窗口??fix=10分钟），保证每次求解规模有限且亚秒级完成；归一化多目标函数（燃油、延误、完工时间、排放、位置稳定性），使不同量纲指标可比；以及高级多阶段贝叶斯优化器（Advanced Multi-Stage Bayesian Optimizer, AMS-BO），结合网格锚点与连续贝叶斯搜索（高斯过程代理模型、置信下界采集函数、Nelder-Mead局部抛光），突破离散网格分辨率限制。案例研究采用土耳其安塔利亚机场（LTAI）真实场面布局，基于ICAO发动机排放数据库和AIP航行情报数据设定参数，在50个交通场景（每场景20-45架离场航班）上开展实验。
三、实验结果
3.1 阶段A样例结果
在单跑道31架离场航班样本上，滚动时域策略在全部五项关键绩效指标上紧密跟踪完美信息（Perfect Information, PI）基准。相对于静态基准，策略将等待燃油消耗从83.6 kg降至12.7 kg（-84.8%），排放从4951克降至1377克（-72.2%），总延误从3416秒降至2063秒（-39.6%），位置变化从20.4降至7.2（-64.7%）。在高方差推出时间压力测试下，静态方案性能急剧恶化（燃油升至233.9 kg，延误升至4882秒），而策略方案仍紧贴PI基准。
3.2 策略选择与调优
网格搜索中，单目标策略（如仅最小化燃油或仅最小化延误）导致严重的指标失衡，而Makespan-aware策略在样本场景中获得最低综合得分（2.405），处于非支配前沿。配对权衡分析显示该策略在燃油-排放、燃油-延误、完工时间-延误平面均非支配。
3.3 50场景大规模评估
在43个可行场景中，Makespan-aware策略在23个场景（53.5%）中胜出，Eco-lean和Eco-priority合计占约30.2%。策略方案相对静态基准平均降低燃油80.5%、排放68.9%、总延误36.0%、位置变化66.7%，完工时间几乎不变（-0.3%）。策略跨场景均值与PI基准几乎一致（燃油11.6 vs 11.6 kg，排放948.7 vs 945.6 g，延误1519.7 vs 1519.1秒）。滚动窗口平均求解时间约0.55秒，且不随航班数量显著增长，而静态和PI基准在超过30架航班后求解时间明显上升。
3.4 AMS-BO连续优化
在20个高流量场景的压力测试中，AMS-BO在离散网格仅能找到Position-only（即强制FCFS顺序）的困难场景中，发现了新的可行性盆地，使综合成本降低高达75.9%（场景34）。在网格已能捕获最优的场景中，AMS-BO保持同等性能，提供了稳健的性能下限。
四、讨论与结论
研究结果表明，基于策略的MILP框架能够有效解答三个研究问题：在滚动时域中反复局部重优化可显著改善燃油-延误权衡（RQ1）；框架对推出时间不确定性具有鲁棒性，紧密跟踪完美信息基准（RQ2）；通过智能搜索策略和AMS-BO能够系统识别场景特定的最优权重向量（???），避免病态权衡（RQ3）。研究结论强调，该框架具备三项核心特性：每个决策时点通过硬约束保证安全性；可预测的亚秒级求解时间适合管制员工作流；归一化权重支持透明调优。对于航空公司而言，可减少燃油和排放、提高航班可预测性；对于管制员和空管服务提供者，可降低队列拥堵和重排序干预负荷；对于机场运营商，可在不损失吞吐量的前提下实现环保和延误收益；对于监管机构，可提供可审计的可持续性目标支持；对于网络管理者和A-CDM伙伴，滚动自适应重解可增强对推出扰动的韧性；对于乘客和社区，则体现为准点率提升和排放减少。该框架可作为现有DMAN/TFDM系统的补充，在容量受限且强调韧性和环境绩效的环境中发挥作用。未来工作方向包括热启动策略、多杠杆联合调优、在线学习范式、终端成本近似以及动态位置稳定性度量等。
