Neural construction heuristics for large-scale airport ground scheduling
本文提出了一种结合了基于 Transformer 的强化学习模型与定制化分配算法的两阶段神经构建启发式算法，用于高效解决用于机场地面调度的大规模多仓库带时间窗容量车辆路径问题，并在真实枢纽机场数据上展示了其优于现有求解器的卓越性能。
原始论文采用 CC BY 4.0 许可（https://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
每天，大型机场都像是一个庞大而呼吸着的有机体在运作。虽然乘客看到的只是飞机的起飞与降落，但在停机坪之下，地面保障车辆正进行着一场繁忙而复杂的芭蕾舞。这些车辆包括接送旅客的巴士、运送行李的卡车、为飞机加油的油罐车，以及运送餐食的小车。每一架航班都有严格的时刻表、特定的登机口，以及必须完成这些服务的极短时间窗口。如果餐饮车迟到了，或者加油车堵在了交通中，飞机就无法起飞，从而引发连锁反应式的延误，导致整个机场陷入瘫痪。机场管理人员面临的挑战在于，如何协调从不同停放区域出发的数十种车辆来服务数百架次的航班，确保每项任务既按时完成又不浪费燃料或时间。这是一个规模巨大且极其复杂的问题，在规划中哪怕出现一个微小的失误，都可能造成数千美元的损失，并扰乱无数人的旅行计划。
几十年来，专家们一直试图使用传统的计算机程序来计算最佳路径。这些方法对于小型机场或简单的调度表效果尚可，但当航班数量增加时，它们便显得力不从心。由于可能的组合数量变得如此之巨，即使是最快的超级计算机也无法在规定时间内找到理想的解决方案。其他方法则依赖于人类专家制定“经验法则”，但这些规则往往过于僵化，无法应对繁忙枢纽站那种混乱的现实情况。近年来，新一代计算机程序开始涌现，它们通过经验而非固定规则进行学习，就像孩子学习如何在城市中穿行一样。然而，大多数这类学习系统是为更简单的场景设计的——即所有车辆都从单一中心点出发，这并不符合现代机场的实际情况，因为在现代机场中，车辆分散在多个不同的场站（depots）。
来自中国民航局第二研究所的研究团队开发了一种新方法，专门用于解决这一特定挑战。他们创建了一个结合了人工智能与巧妙两步走策略的系统，用以管理中国西南地区某大型枢纽机场的地面调度。该方法旨在处理同时协调数百架次航班和车辆的巨大复杂性，而这在过去曾让传统求解器和现有的基于学习的系统都感到棘手。研究人员不仅提出了理论，还利用真实世界的数据对系统进行了测试，发现它能够比目前市面上最好的工具更快、更有效地生成高质量的调度方案。
其解决方案的核心在于将这个宏大的问题分解为两个易于管理的阶段。首先，计算机暂时忽略车辆从不同地点出发的事实。相反，它想象出一个单一的虚拟中心点，所有车辆都从该点出发。通过这种方式，原本复杂的“多起点”问题被转化为一个更简单的版本，使人工智能能够高效求解。该系统使用了一种受人类大脑启发的计算机架构——神经网络，来学习如何逐步构建这些路径。它在成千上万个模拟场景中进行练习，学习如何选择下一个要服务的航班，以实现总行驶距离最短并遵守时间限制。这一学习过程由“强化”驱动：系统因做出正确的选择而获得奖励，因做出错误的决策而受到惩罚，从而逐渐精进其创建高效调度方案的能力。
一旦系统根据这个虚拟中心点生成了一套路径，第二阶段便开始了。在这里，计算机重新引入了机场的现实情况：车辆实际上是从四个不同的真实场站出发的。随后，系统会将刚刚生成的路径分配给距离该路径起点和终点最近的真实场站。为了确保这种分配尽可能高效，研究人员使用了一种专门的搜索算法来探索不同的组合，寻找最佳匹配，确保没有任何一个场站的车辆需求超过其可用容量。这个两步走的流程使系统既能利用人工智能的速度和适应性，又能遵循机场布局的物理约束。
研究人员在一家每天处理800至1200架次航班、单次需协调多达1000项服务任务的真实枢纽机场上测试了他们的方法。他们将该系统与多种其他方法进行了对比，包括功能强大的商业软件和研究人员使用的先进算法。结果显示，这种新方法产生高质量方案的速度明显更快，且质量更高。当传统软件需要数小时才能产生一个并不完美的方案时，新系统仅需数秒即可生成高质量的调度表。对于涉及1000架次航班的最复杂案例，新方法在减少总行驶距离方面的表现显著优于排名第二的竞争对手，同时也使用了更少的车辆来完成任务。
研究还考察了该系统在应用机场一个月内收集的真实运行数据时的表现。测试涵盖了三种不同类型的地面服务：行李处理、加油和餐饮。在每种情况下，系统都能快速交付方案，生成全天航班调度表的平均时间不到17秒。执行这些调度所需的车辆数量完全处于机场实际车队的限额之内，这证明了该系统不仅是一个理论练习，更是一个可以投入实际部署的实用工具。研究人员指出，该系统能够适应不同规模的问题（从航班较少的普通日子到超过一千架次的繁忙日子），这表明它可以成为机场运营管理人员可靠的合作伙伴。
这项工作标志着将人工智能应用于现实世界物流领域迈出了重要一步。通过成功地将基于学习的方法应用于处理具有“多场站”特性的机场地面作业，研究人员证明了解决那些此前被认为过于庞大且复杂的逻辑问题的可行性。他们的研究结果表明，未来机场的管理可能会依赖于能够实时学习和适应的系统，从而确保地面保障网络能够跟上现代航空业永不停歇的节奏。这种方法的成功为进一步的改进打开了大门，例如同时协调多种类型的服务，这将进一步提升全球航空业的效率与可靠性。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。