⚡ electrical engineering

Game-theoretic Regulated Decentralized Coordination for Airspace Sector Overload Mitigation

本文提出了一种基于博弈论且受监管的去中心化空中交通管理协议，该协议通过可调的合作因子对自利型扇区行为进行建模，证明了其向纳什均衡收敛，并通过欧洲飞行数据展示了该协议在保持与中心化基准相当的可扩展性的同时，能以极低的合作度有效缓解扇区过载问题。

原作者： Jaehan Im, Daniel Delahaye, David Fridovich-Keil, Ufuk Topcu

发布于 2026-07-15

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jaehan Im, Daniel Delahaye, David Fridovich-Keil, Ufuk Topcu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，欧洲上空的天空是一个巨大的、繁忙的舞池，被划分为 28 个不同的房间（称为“扇区”）。每个房间都有一个严格的人数限制，比如同时只能容纳 10 个人。如果太多舞者试图挤进去，房间就会“过载”，这既危险又混乱。

长期以来，空中交通管理者一直试图用一种“大老板”的方法来解决这个问题：一个中央控制员观察整个舞池，告诉每一个舞者何时开始移动，以确保每个人都安全。但随着舞池变得越来越大、越来越复杂，这个中央控制员也变得力不从心，而且在世界某些地方，这种中央控制根本无法实现。

因此，这篇论文的作者提出了一个问题：如果我们让每个房间管理自己的舞者，但加一点小花招呢？他们并不想假设每个人都是会为了他人的利益而牺牲自身舒适度的无私英雄；相反，他们构建了一个游戏，在这个游戏中，每个房间都有一点自私，但同时也愿意表现得“稍微好一点”。

“自私但带点善意”的游戏

研究人员创建了一个系统，其中每个房间（扇区）都像游戏中的一名玩家。他们的目标是让自己的房间尽可能空旷。他们可以通过微调所控制航班的起飞时间来实现这一点——比如告诉一架飞机在起飞前等待 5 分钟、10 分钟甚至 30 分钟。

这里是巧妙之处：他们引入了一个被称为 $\kappa$ (kappa) 的“合作旋钮”。

如果你把旋钮转到 0： 房间是纯粹自私的。它只关心自己的拥挤程度。它会延迟航班以清空自己的房间，即使这会让邻居的房间变得更加拥挤。
如果你把旋钮转到 1： 房间是一个完全利他主义者。它关心整个天空的总拥挤程度，即使这意味着它自己的房间会变得更拥挤。
黄金分割点： 论文发现，你不需要把旋钮转到 1。你只需要把它调高一点点（比如 $10^{-6}$ ，这在实际中几乎为零，但并非完全为零）。这代表了一种“优先考虑自身利益的协作”行为。这意味着房间只有在不损害自身利益的前提下，才会去帮助邻居。这就像是在说：“我可以帮你搬行李，但我不会弄掉我自己的手提箱。”

游戏的规则

为了确保这个游戏不会失控，作者增加了一条严格的规则：禁止产生新的过载。
一个房间可以改变其计划来帮助自己，但严禁做出任何会导致原本正常的房间产生“新过载”的行为。这就像玩音乐椅游戏：你可以调整座位让自己坐得舒服，但你不能把原本坐得稳当的人挤下椅子。

论文在数学上证明了，如果每个人都遵循这条规则并逐一调整他们的计划（使用“最优响应”策略），游戏最终会停止。它不会永远进行下去，而是会进入一个稳定的状态，即没有人能在不违反规则的情况下改善自己的处境。这被称为达到“纯纳什均衡”。

实验结果显示

团队使用 2023 年 7 月 27 日 24 小时的真实飞行数据 对这个想法进行了测试，这些数据涵盖了欧洲的 42,783 架次航班 和 1,128 个扇区。他们重点测试了一个名为 BREST 飞行信息区的特定区域，该区域有 1,247 架次航班 穿过 28 个扇区。

以下是他们在模拟实验中的发现：

自私模式 ( $\kappa = 0$ )： 房间试图解决自己的问题，但留下了一团乱麻。它们仅减少了约 47% 的初始过载。这就像每个人都在试图修整自己的房间，却在无意中把问题踢到了隔壁。
“带点善意”模式 ( $\kappa = 10^{-6}$ )： 这是神奇的时刻。在房间容量设定为 10 架飞机的标准测试中，这种微乎其微的合作足以完全消除过载。房间们通过恰到好处的协调，在无需每个人都成为圣人（圣人精神）的情况下，成功清空了天空。然而，在容量降低到仅为 7 架飞机的“压力测试”中，系统无法完全清除拥堵，但仍大幅度减少了拥挤情况。
对比分析： 他们将这种方法与另外两种处理交通的方式进行了比较：
1. 中央求解器（Centralized Solver）： 一个试图同时解决所有问题的超级计算机。它表现很好，但经常会留下极少量的过载，且计算时间较长。
2. 先到先得（FCFS）： 这是目前常见的方式——飞机只是排队等待。这是表现最差的一种，平均仅减少了 2.5% 的过载。

结论

论文表明，你不需要一个中央大老板，也不需要一群无私的圣人来保证天空安全。你只需要一个系统，让每个人都可以保持大部分的自私，只要他们同意一条简单的规则：不要让邻居的问题变得更糟。

在测试中，这种“受监管的去中心化”方法在标准场景下与中央计算机一样擅长清理天空，但每个房间进行自身计算的速度要快得多。即使在通过降低房间容量至 7 架飞机来增加难度的“压力测试”中，这种“带点善意”的方法仍减少了 76.8% 的过载，表现优于中央计算机的 60% 减少率。虽然在这种困难情景下它未能完全消除剩余的拥堵，但它实现了所有测试方法中最低的残留过载。

作者谨慎地指出，这些结果来自于使用真实数据的计算机模拟，而非在真实的空中进行实测。但数学证明了这个游戏是行得通的，而模拟也显示，哪怕是一丝丝的合作，也足以将混乱的舞池变成平滑、安全的交通流。

技术摘要：用于缓解空域扇区过载的博弈论规制化去中心化协调机制

1. 问题陈述

本文探讨了在去中心化空中交通管理（ATM）系统中解决扇区过载问题的挑战。随着航空交通复杂性的增加，集中式控制面临着可扩展性问题，促使系统向去中心化方法转变。然而，现有的去中心化模型往往依赖于对利益相关者之间高度合作和信息共享的非现实假设。在实践中，空域扇区独立运行，优先考虑局部目标而非系统整体结果，这导致了协调缺口和持续的过载（即飞机数量超过扇区容量）。

核心问题被形式化为一个多智能体决策挑战：如何在去中心化环境下，在智能体（扇区）是自利的、数据交换有限且无法依赖中央权威进行联合优化的条件下，缓解扇区过载。目标是通过调整航班起飞时间来消除过载，同时确保系统在不需要所有智能体都具备完全利他主义的情况下，收敛到一个稳定、确定性的调度方案。

2. 方法论

2.1. 博弈论形式化

作者将扇区过载问题建模为一个以每个扇区为智能体的非合作博弈。

决策变量： 每个扇区控制其航班的起飞时间，从一组离散的调整值中进行选择（例如，以5分钟为增量，在0到30分钟之间进行调整）。
代价函数： 为每个扇区定义了一个可调的代价函数 $J_i(x)$ $J_{i} (x)$ ：
$J_i(x) = L_i(x) + \kappa \sum_{j \in M \setminus \{i\}} L_j(x)$
其中 $L_i(x)$ $L_{i} (x)$ 是扇区 $i$ $i$ 的累积过载， $\kappa \in [0, 1]$ $κ \in [0, 1]$ 是合作因子。
- $\kappa = 0$ ：完全自利行为（仅最小化局部过载）。
- $\kappa = 1$ ：完全合作行为（最小化系统总过载）。
- 中间值允许“自我优先型的合作”，即扇区仅在不恶化自身情况的前提下才考虑其他扇区的过载。

2.2. 更新机制：最优响应动力学

系统通过最优响应动力学进行演化，其中各扇区依次更新其调度方案，以在给定其他智能体当前行动的情况下最小化其局部代价函数。

“无新增过载”限制： 为确保稳定性和收敛性，引入了一项规制约束：智能体被限制不得采取任何会导致此前可行（无过载）的扇区-时间对产生“新过载”的行为。
算法： 一个去中心化算法（算法1）遍历各个扇区。每个扇区通过求解一个局部优化问题（利用遗传算法进行近似），寻找既能降低其代价又不违反“无新增过载”约束的最优响应。

2.3. 理论框架

论文建立了该博弈的性质以保证收敛性：

势博弈结构： 对于 $\kappa = 1$ ，该博弈被证明是一个势博弈，其势函数对应于系统总过载。
收敛保证：
- 对于 $\kappa = 1$ ，最优响应动力学无条件收敛至纯纳什均衡。
- 对于 $0 \le \kappa < 1$ ，在满足“无新增过载”限制的情况下，保证在有限时间内收敛至纯纳什均衡。该证明依赖于过载扇区-时间对集合的单调递减。
可行性： 确定了一个充分条件，即当 $\kappa = 1$ 时，任何可行（无过载）的解都对应于势函数的全局极小值。

3. 核心贡献

规制化去中心化协议： 提出了一种机制，通过引入可调的合作因子和最小的可接受规则，弥合了完全集中式优化与无约束去中心化决策之间的差距。
理论收敛性： 提供了严谨的证明，表明所提出的最优响应动力学即使在有限合作（ $\kappa < 1$ ）的情况下，只要满足“无新增过载”限制，也能在有限时间内收敛至纯纳什均衡。
自我优先型合作： 从理论和实证上证明了不需要完全的利他主义。极小程度的合作（即智能体仅在不损害自身的情况下帮助他人）足以实现系统范围内的过载缓解。
可扩展性与性能： 使用24小时真实的欧洲飞行数据（42,783架次航班）验证了该方法，结果显示去中心化方法在总运行时间上与集中式求解器相当，同时实现了计算负担的分散。

4. 实验结果

作者使用来自欧洲空域（具体为包含28个扇区和1,247架次航班的BREST飞行信息区）的24小时飞行数据对算法进行了评估。

合作因子的影响 ( $\kappa$ )：
- $\kappa = 0$ （自利型）： 未能有效解决过载问题，初始过载仅减少了约47%。
- $\kappa > 0$ （极小到完全合作）： 在标准容量场景（ $D=10$ ）下，即使是极小的合作因子（ $\kappa = 10^{-6}$ ）也足以消除所有过载。
- $\kappa = 1$ （完全合作）： 始终能够消除过载，其表现匹配或超过了作为基准的集中式遗传算法。
与基准对比：
- 集中式求解器： 虽然有效，但用于公平比较的集中式遗传算法基准经常无法找到严格可行的解，从而留下残余过载。
- 先到先得 (FCFS)： 表现较差，仅减少了约2.5%的过载。
- 去中心化算法： 在 $\kappa > 0$ 时，它始终能实现无过载解，在寻找可行调度方面优于 FCFS 启发式算法和集中式基准。
压力测试： 在容量降低（ $D=7$ ）的更严苛场景下，带有 $\kappa > 0$ 的去中心化算法实现了最低的残余过载（减少了高达78.3%），优于集中式求解器（减少了60%）。
可扩展性： 随着航班数量增加（最高达10,000架次），去中心化算法的总运行时间与集中式求解器的扩展规模相似。然而，单个智能体的计算负载显著降低（约为集中式负载的4-6%），证明了分布式计算的效率。

5. 重要性与主张

本文声称，有效的空中交通管理去中心化协调并不需要完全的利他主义或中央规划者。其主要意义在于证明了极小程度的合作——即只要不恶化自身情况，就愿意考虑其他扇区过载的意愿——足以达到接近集中式性能的过载缓解效果。

作者强调，其方法为受规制的去中心化空中交通管理提供了一条切实可行的路径。通过执行“无新增过载”协议，该系统可以保证收敛到一个确定性的、稳定的均衡（纯纳什均衡），而无需依赖于在现实国际或边界空域中往往难以实现的、高水平的信任和信息共享。结果表明，这种框架在智能体保留局部决策权但遵循共同简单规制约束的场景下，具有实际的操作意义。

论文最后谦虚地指出，虽然目前的公式使用了固定的容量和占用指标，但未来的工作应整合动态扇区配置、航路变更以及需求预测的不确定性。作者还澄清，使用遗传算法作为集中式基准是一种为了公平比较的方法论选择，并承认对于所使用的特定数据集，最先进的整数规划求解器可能会更快地找到可行解。