توصيفگر ها :
برنامهريزي فرود هواپيما , توالي هواپيما , يادگيري ماشين , مدل رياضي , يادگيري تقويتي , شبكه عصبي گراف
چكيده فارسي :
با توجه به افزايش روزافزون جمعيت، استفاده از سيستم حمل و نقل هوايي بيش از پيش مورد توجه قرار گرفته است به گونهايي كه برنامهريزي و مديريت پروازها به يكي از نقاط حساس و كليدي در صنعت هوانوردي تبديل شده است. روزانه حجم بالايي از پروازها نيازمند برنامهريزي دقيق و هماهنگي مؤثر هستند تا از بروز تأخيرها، ازدحام و مشكلات امنيتي جلوگيري شود. با توجه به ادبيات موضوع ميتوان نتيجه گرفت كه حل مسئله با مدل رياضي و برنامهريزي دقيق به دليل پيچيدگي بالاي مدل در زمان معقول قابل دستيابي نيست و باتوجه به اين موضوع كه سرعت دستيابي به يك برنامهريزي مناسب در اين مسئله بسيار مهم و حياتي است، بنابراين پژوهشگران با استفاده از ساير روشهاي حل مانند روشهاي فراابتكاري و ابتكاري، يادگيري ماشين و شبكههاي عصبي براي دستيابي به جواب در زمان كوتاه اقدام كردهاند. در اين پژوهش، سه روش پيشنهاد شده است، روش اول مبتني بر بهينهسازي بر پايه يادگيري ماشين، روش دوم برپايه يادگيري تقويتي و روش سوم بر پايه استفاده از شبكهعصبي گراف است. در هر سه روش هدف كمينه سازي تاخيرات با درنظر گيري محدوديتهاي عملياتي مانند فاصله جداسازي، پنجره زماني و در نظر گرفتن وجود تك باند در مسئله است. پس از حل مسئله با استفاده از 149 نمونه توسط سه روش، اعداد حاصل با خروجي بهترين روش موجود در ادبيات موضوع مقايسه شدهاست. نتايج حاكي از آن است كه روش پيشنهادي مبتني بر يادگيري ماشين در 83 نمونه با ميانگين مدت زمان اجرا 7 درصد بهتر از ادبيات موضوع عمل كرده است. با توجه به كيفيت جوابها و مدت زمان اجرا ميتوان نتيجه گرفت كه الگوريتم پيشنهادي قابليت استفاده در شرايط دنياي واقعي و فرودگاههاي پر رفت وآمد را دارد.
چكيده انگليسي :
Given the rapid increase in population, the use of air transportation systems has garnered more attention than ever before, making the planning and management of flights a critical and key point in the aviation industry. The high volume of daily flights requires precise planning and effective coordination to prevent delays, congestion, and security issues. According to the literature, solving this problem with mathematical modeling and precise planning is not feasible within a reasonable time frame due to the high complexity of the model. Considering the importance and critical nature of achieving a suitable schedule in a short time, researchers have employed alternative solution methods such as metaheuristic and heuristic approaches, machine learning, and neural networks to obtain solutions quickly. In this research, three methods are proposed: the first method is based on optimization using machine learning, the second on reinforcement learning, and the third on the use of graph neural networks. The goal in all three methods is to minimize delays while considering operational constraints such as separation distance, time windows, and the existence of a single runway in the problem. After solving this problem using 149 samples with the three methods, the results were compared with the best available method in the literature. The findings indicate that the proposed machine learning-based method outperforms the literature in 83 samples, with an average execution time of 43 seconds. Given the quality of the solutions and the execution time, it can be concluded that this algorithm is capable of being applied in real-world scenarios and busy airports.
