Jeden Tag operiert ein großer Flughafen wie ein riesiger, atmender Organismus. Während Passagiere nur die Flugzeuge sehen, die starten und landen, arbeitet unter dem Rollfeld ein komplexes Ballett aus Bodenfahrzeugen unermüdlich. Dies sind die Busse, die Reisende befördern, die Lastwagen, die Gepäck transportieren, die Tankwagen, die Flugzeuge betanken, und die Wagen, die Mahlzeiten liefern. Jeder Flug hat einen strengen Zeitplan, ein spezifisches Gate und ein enges Zeitfenster, in dem diese Dienstleistungen abgeschlossen sein müssen. Wenn ein Catering-LKW zu spät kommt oder ein Tankfahrzeug im Verkehr stecken bleibt, kann das Flugzeug nicht abfliegen, was einen Dominoeffekt von Verspätungen auslöst, der den gesamten Flughafen lähmen kann. Die Herausforderung für Flughafenmanager besteht darin, Dutzende von Fahrzeugen zu koordinieren, die von verschiedenen Parkbereichen aus starten, um hunderte von Flügen zu bedienen, wobei sichergestellt werden muss, dass jede Aufgabe rechtzeitig erledigt wird, ohne Treibstoff oder Zeit zu verschwenden. Dies ist ein Problem von immensem Ausmaß und Komplexität, bei dem ein einziger Fehler in der Planung Tausende von Dollar kosten und die Reisepläne zahlloser Menschen stören kann.

Jahrzehntelang haben Experten versucht, dies mit traditionellen Computerprogrammen zu lösen, die die besten Routen berechnen. Diese Methoden funktionieren gut für kleine Flughäfen oder einfache Zeitpläne, aber sie stoßen an ihre Grenzen, wenn die Anzahl der Flüge groß wird. Die schiere Anzahl der möglichen Kombinationen wird so gewaltig, dass selbst die schnellsten Supercomputer keine gute Lösung in angemessener Zeit finden können. Andere Ansätze verlassen sich auf menschliche Experten, die Faustregeln erstellen, aber diese Regeln sind oft zu starr, um die chaotische Realität eines geschäftigen Drehkreuzes zu bewältigen. Vor kurzem ist eine neue Generation von Computerprogrammen entstanden, die aus Erfahrung lernt, anstatt festen Regeln zu folgen, ganz ähnlich wie ein Kind, das lernt, sich in einer Stadt zurechtzufinden. Die meisten dieser lernenden Systeme wurden jedoch für einfachere Probleme entwickelt, bei denen alle Fahrzeuge von einem einzigen zentralen Punkt aus starten, was nicht der Realität moderner Flughäfen entspricht, in denen die Fahrzeuge über mehrere Depots verteilt sind.

Ein Team von Forschern des Second Research Institute of Civil Aviation Administration of China hat einen neuen Ansatz entwickelt, um genau diese spezifische Herausforderung anzugehen. Sie haben ein System geschaffen, das künstliche Intelligenz mit einer cleveren zweistufigen Strategie kombiniert, um den Bodenbetrieb eines großen Hub-Flughafens in Südwestchina zu steuern. Ihre Methode ist darauf ausgelegt, die massive Komplexität der Koordination von hunderten von Flügen und Fahrzeugen gleichzeitig zu bewältigen – eine Aufgabe, die sowohl traditionelle Lösungsmodelle als auch bestehende lernbasierte Systeme bisher vor Rätsel gestellt hat. Die Forscher haben nicht nur eine Theorie vorgeschlagen; sie haben ihr System mit realen Daten getestet und festgestellt, dass es hochwertigere Zeitpläne schneller und effektiver erstellen kann als die derzeit besten verfügbaren Werkzeuge.

Der Kern ihrer Lösung liegt in der Aufteilung des massiven Problems in zwei handhabbare Phasen. Zuerst ignoriert der Computer vorübergehend die Tatsache, dass die Fahrzeuge von unterschiedlichen Standorten aus starten. Stattdessen stellt er sich einen einzigen, virtuellen zentralen Punkt vor, von dem aus alle Fahrzeuge abfahren. Durch dies wird das komplexe Problem der multiplen Startpunkte in eine einfachere Version transformiert, die die künstliche Intelligenz effizient lösen kann. Das System verwendet eine Art neuronales Netzwerk, eine Computerarchitektur, die dem menschlichen Gehirn nachempfunden ist, um zu lernen, wie man diese Routen Schritt für Schritt aufbaut. Es übt an tausenden von simulierten Szenarien und lernt, den nächsten zu bedienenden Flug so auszuwählen, dass die Gesamtfahrstrecke minimiert und die Zeitlimits eingehalten werden. Dieser Lernprozess wird durch Verstärkung gesteuert, wobei das System für gute Entscheidungen belohnt und für schlechte bestraft wird, wodurch es seine Fähigkeit zur Erstellung effizienter Zeitpläne schrittweise verfeinert.

Sobald das System einen Satz von Routen basierend auf diesem virtuellen zentralen Punkt generiert hat, beginnt die zweite Phase. Hier führt der Computer die Realität des Flughafens wieder ein: Die Fahrzeuge starten tatsächlich von vier verschiedenen realen Depots. Das System nimmt dann die gerade erstellten Routen und weist jede einzelne dem realen Depot zu, das dem Beginn und dem Ende dieser Route am nächsten liegt. Um sicherzustellen, dass diese Zuweisung so effizient wie möglich ist, verwendeten die Forscher einen spezialisierten Suchalgorithmus, der verschiedene Kombinationen exploriert, um die beste Übereinstimmung zu finden und sicherzustellen, dass kein Depot mit mehr Fahrzeugen belastet wird, als verfügbar sind. Dieser zweistufige Prozess ermöglicht es dem System, die Geschwindigkeit und Anpassungsfähigkeit der künstlichen Intelligenz zu nutzen und gleichzeitig die physischen Beschränkungen des Flughafenlayouts zu respektieren.

Die Forscher testeten ihre Methode an einem echten Drehkreuz, das täglich zwischen 800 und 1.200 Flüge abwickelt, mit bis zu 1.000 zu koordinierenden Serviceaufgaben in einem einzelnen Fall. Sie verglichen ihr System mit mehreren anderen Methoden, einschließlich leistungsstarker kommerzieller Software und fortschrittlicher Algorithmen anderer Forscher. Die Ergebnisse zeigten, dass ihr neuer Ansatz konsistent bessere Zeitpläne in einem Bruchteil der Zeit produzierte. Während traditionelle Software Stunden benötigte, um eine Lösung zu erstellen, die dennoch nicht perfekt war, generierte das neue System hochwertige Zeitplungen in Sekunden. Für die größten und schwierigsten Testfälle, die 1.000 Flüge umfassten, reduzierte die neue Methode die Gesamtfahrstrecke deutlich stärker als der nächstbeste Konkurrent und setzte dabei auch weniger Fahrzeuge ein.

Die Studie untersuchte auch, wie das System performt, wenn es auf reale Betriebsdaten angewendet wird, die über einen Monat am Flughafen gesammelt wurden. Die Tests deckten drei verschiedene Arten von Bodendiensten ab: Gepäckabfertigung, Betankung und Catering. In jedem Fall lieferte das System Lösungen schnell, wobei die durchschnittliche Zeit zur Erstellung eines Zeitplans für einen ganzen Tag weniger als 17 Sekunden betrug. Die Anzahl der Fahrzeuge, die zur Ausführung dieser Zeitpläne benötigt wurden, lag gut innerhalb der Grenzen der tatsächlichen Flotte des Flughafens, was zeigt, dass das System nicht nur eine theoretische Übung ist, sondern ein praktisches Werkzeug, das bereit für den Einsatz ist. Die Forscher merkten an, dass die Fähigkeit des Systems, sich an unterschiedliche Skalierungen von Problemen anzupassen – von Tagen mit wenigen Flügen bis hin zu massiven Tagen mit über tausend Flügen – darauf hindeutet, dass es ein zuverlässiger Partner für das Bodenmanagement eines Flughafens sein kann.

Diese Arbeit stellt einen bedeutenden Fortschritt bei der Anwendung künstlicher Intelligenz auf die reale Logistik dar. Indem sie es geschafft haben, lernbasierte Methoden erfolgreich an die Multi-Depot-Natur des Bodenbetriebs eines Flughafens anzupassen, haben die Forscher gezeigt, dass es möglich ist, Probleme zu lösen, die zuvor als zu groß und komplex für diese Techniken galten. Ihre Ergebnisse legen nahe, dass die Zukunft des Flughafenmanagements auf Systemen beruhen könnte, die in der Lage sind, in Echtzeit zu lernen und sich anzupassen, um sicherzustellen, dass das Bodenunterstützungsnetzwerk mit dem unerbittlichen Rhythmus des modernen Flugverkehrs Schritt hält. Der Erfolg dieses Ansatzes öffnet die Tür für weitere Verbesserungen, wie etwa die gleichzeitige Koordination mehrerer Arten von Diensten, was die Effizienz und Zuverlässigkeit der globalen Luftfahrt weiter steigern könnte.