面向大规模复杂航班网络的航空公司机组配对优化初始化方法
人工智能
2020-03-17 v1 组合数学
最优化与控制
摘要
机组配对优化（CPO）对任何航空公司都至关重要，因为其机组运营成本仅次于燃油成本位居第二。CPO 旨在以最小成本生成一组覆盖航班时刻表的飞行序列（机组配对），同时满足若干合法性约束。对于大规模复杂航班网络，可能存在超过十亿的合法配对（变量），使得离线枚举难以处理，且对其最小成本全航班覆盖子集的穷举搜索不切实际。即便生成一个初始可行解（IFS：覆盖所有航班的、可管理的合法配对集合）以供后续优化，也是一个困难（NP 完全）问题。尽管作为更大项目的一部分，作者已开发了机组配对优化器（AirCROP），但本文专门关注通过基于分治覆盖策略和整数规划的新型启发式方法生成 IFS。对于 GE Aviation 提供的真实世界大型复杂航班网络数据集（包含超过 3200 个航班和 15 个机组基地），所提启发式方法相较另一种最先进方法展现出高达十倍的速度提升。本文前所未有地展示了对 IFS 成本对最终（优化后）解成本影响的实证调研，揭示过低的 IFS 成本未必意味着 AirCROP 更快收敛甚至优化解成本更低。
引用
@article{arxiv.2003.06423,
title = {On Initializing Airline Crew Pairing Optimization for Large-scale Complex Flight Networks},
author = {Divyam Aggarwal and Dhish Kumar Saxena and Thomas Bäck and Michael Emmerich},
journal= {arXiv preprint arXiv:2003.06423},
year = {2020}
}
备注
17 pages, 9 figures, manuscript submitted for review in a refereed journal