) الگوریتم های ژنتیکی به کاربره شده در مدیریت ترافیک هوایی
افزایش ترافیک هوایی، از زمان شروع تجارت هوایی، باعث مشکل اشباع در فرودگاهها، یا مکانهای فضایی شده است.
در حالی که هواپیماها ارتقاء می یابند و اتوماتیک تر می شوند.
اما هنوز کنترل ترافیکی بر پایه تجربیات انسان است.
مطالعه حاضر ، دو مشکل مدیریت ترافیک هوایی (ATM) را به جزء بیان می کند، که برای آنها راه حل های بر پایه الگوریتم ژنتیکی وجود دارد.
اولین کاربرددر رابطه با مشکل enroute است و دومین کاربرد در مورد مشکلات مدیریت ترافیکی در سکوهای فرودگاهها است.
9.1) راه حل درگیریهای Enroute = کنترل ترافیک هوایی (ATC) می تواند توسط یک سرس از فیلترها نشان داده شود، جایی که هر فیلتر یک ؟
خاص دارد و افق های خاص محیطی و موقتی را اداره می کند.
5 سطح (لِوِل) قابل تشخیص است.
در دوره طولانی (بشتر از 6 ماه) ترافیک در یک روش میکروسکوپی می تواند برنامه ریزی شود.
برای مثال مردم با یک نمودار ترافیکی روبرو هستند که اندازه های کمیته ، که برنامه های ساعتی و موافقت با ارتش را مورد توجه قرار داده است، به کاربرده می شود برای فرهنگ هواپیمایی در زمانهای اوج یعنی بعد ظهر جمعه.
در دوره کوتاهتر ، معمولاً در مورد تنظیمات قبل ، صحت می شود.
این مورد شامل برنامه ریزی کردن روز ترافیک ، یک یا دو روز قبل تر می شود.
در این مرحله ، اشخاص ایده مشخصی درباره بیشتر برنامه ی پرواز و ظرفیت کنترل هر مرکز دارند.
حداکثر جریان هواپیما که می تواند یک قطر را سوراخ کند.
ظرفیت قطر نامیده می شود.
این عمل توسط CFMU3 انجام می شود.
ترافیک میان آتلانتیک برای مثال در این مرحله مورد توجه قرار می گیرد.
راههای هوایی، تنظیم ساعت های پرواز و حالت هوا مورد توجه قرار می گیرد.
به طور کل این شغل توسط FMP4 در هر مرکز صورت می گیرد.
آخرین فیلتر ، فیلتر تاکتیکال است که با کنترل داخل یک قطر بستگی دارد.
زمان متوسطی که یک هواپیما در یک بخش صرف می کند حدود 15 دقیقه است.
اینجا میزان رویت کنترل کننده کمی بالاتر از میزان دریافت طرحهای پرواز است چند دقیقه قبل از ورود هواپیما به بخش.
کنترل کننده وظیفه چک کردن، حل اختلافات و همپایه بودن با بخش های همسایه را تضمین می کند.
در این حالت تعیین تعریف برخورد مطلوب است.
دو هواپیما با هم برخورد دارندوقتی که فاصله جدایی افقی بین آنها کمتر 5 مایل باشد و تفاوت انها در ارتفاع کمتر از 1000 فیت باشد.
روش هایی که توسط کنترل کننده برای حل این برخورد به کار می رود بر پایه مسائل زیر است.
بر روی تجارب قبلی و هر دانش خلاقی.
وقتی که چند جفت از هواپیماها در اختلاف مشابهی با هم تماس دارند، آنها با ساده کردن مشکلات شروع می کنند که فقط اختلافات ابتدایی را داشته باشند.
برای حل فیلتر اضطراری به نظر نمی رسد که مداخله کند به جز مواردی که سیستم کنترل دچار نقض شده یا اینکه ضعیف شده است.
برای کنترل کننده ، آشیانه اطمینان مسیر هر هواپیما را با افق موقت چند دقیقه ایی پیش بینی می کنند.
از موقعیت های رادار و الگوریتم های ادامه دار استفاده می کند و یک اخطار را در لحظه برخورد بوجود می آورد.
این یک راه حلی را برای برخورد پیشنهاد نمی کند.
به طور کل TCAS به نظر می رسد که از چنین تصادفی جلوگیری کند.
پیش بینی موقت کمتر از یک دقیقه است (بین 25 تا 40 ثانیه) بنابر این بسیار دیر است برای کنترل کننده مانور هواپیما را، همانطور که تخمین زده شده که نیاز به حداقل زمان 1 تا 2 دقیقه برای آنالیز کردن موقعیت دارد راه حلی را پیدا کنند و آنرا به هواپیماها اطلاع دهند.
به طور عمومی TCAS، هواپیمای اطاف را جستجو می کند و به خلبان برای حل برخورد پیشنهاداتی می کند.
این فیلتر باید برخورد غیر قابل پیش بینی را حل می کند، برای مثال وقتی که یک هواپیما از سطح پرواز خود بالاتر رفته است یا یک مشکل تکنیکی که به طور قابل توجهی ارتفاع آنرا پایین آورده است.
کاربردهای پیشنهاد شده در این بخش با فیلتر تاکتیکال ارتباط دارند: دانستن موقعیت هواپیما در لحظه حاضر و موقعیت بعدی آنها، را بوجود نمی آورد.
راه حل برای پایه چندین تصور است.
یک هواپیما نمی تواند سرعت خود را تغییر دهد (یا بسیار آرام باید این کار را بکند) مگر در مواقع فرود.
نباید اینطور تصور شود که یک هواپیما با سرعت انی پرواز می کند، به غیر مواردی که سطح بندی می شود و هیچ بادی وجود ندارد.
به علاوه در طول فرود و بلند شدن ، مسیر آن یک خط صاف نیست.
هواپیماها در مسیر چرخش خود در فشار هستند.
به طور عمومی خلبانها مانور افقی را به عمودی ترجیح می دهند مگر در هنگام بلند شدن یا نشستن.
اگر چه امروزه خلبانهای اتوماتیک قرتمندتر از خلبانهای انسانی هستند (در موقعیت های نرمال پرواز) برای مواقعی که حقیقی به نظر می رسد توجه کردن به این مسیرها که توسط انسانها قابل دسترسی نیست.
خلبان.
نامطمئنی بین سرعت فرود آمدن و بلند شدن بسیار زیاد است (بین 10% و 50% سرعت عمودی).
در طول مسافرت ، نااطمینانی در سرعت کاهش می یابد.
بعد از آن ، نا اطمینانی به همراه گذشت زمان بیشتر نمی شود، همانطور که یک هواپیما، ارتفاع خود را کاملاً خوب نگه داشته است.
تقریباً غیر ممکن است که به دنبال راه حل های آنالیتکی برای حل مشکل برخورد باشیم .
اما، اصلی ترین مشکل از پیچیدگی مشکل بوجود می آید.
بخش اول این فصل ، به معرفی بعضی از توضیحات می پردازد که حل مشکل برخورد برای ما قابل فهم تر می کند و بخش دوم به تاریخچه ایی کوتاه از الگوریتمهای آزمایش شده برای این مشکل و محدودیتهای آن می پردازد.
قسمت سوم مدلهای مشکل را به جزء بررسی می کند و پیشرفت الگوریتم ژنیتکی برای حل مشکل در بخش چهارم وجود دارد که با آمارهای ؟
بدست آمده دنبال می شود.
خلبان.
بدست آمده دنبال می شود.
1.1.9) پیچیدگی حل مشکل برخورد= یک برخورد را می توان به صورت زیر توضیح داد: یک برخورد یعنی برخوردی بین دو هواپیما در طول یک زمان داده شده از مسیر پیش بینی شده، گرفتن نااطمینانیها در مسیر.
کلاسهای معادل مربوطه به عنوان دسته و مجموعه برخورد هواپیما یا مجموعه ایی از اندازه n می تواند شامل شود به برخوردهای قوی n.
توجه کردن به فقط هواپیمای افقی ، نشان می دهد که تمام راه حل های قابل قبول شامل 2n(n-1) اجزای مرتبط، تحت این تصور که یک متر مناسب به کاربرده شده که نیاز دارد به اجراهای زیادی از الگوریتم جستجو بنابر این برای مجموعه هواپیمای 6،32768 عضو متصل پیشنهاد می شود.
در حقیقت اگر عملکرد هواپیما مورد توجه قرار گیرد، تمام اجزای مرتبط لازم نیست که مورد بررسی قرار گیرد.
با آرام کردن محدودیت های جدا کننده، مشکل شبیه یک مشکل جهانی می شود که حداقل شامل بهینه های داخلی می شود مانند اجزای متصل.
اضافه کردن بعد عمودی خصوصیت ترکیبی مشکل را کم نمی کند.
2.1.9) وجود مترهای حل کننده: اولین پروژه اتوماتیک کنترل ترافیک ، آمریکایی بود و در شروع دهه 80 بوجود امد، اما قادر به حل مجموعه سایز 3 یا بیشتر نبود.
پروژه اروپایی ARC2000 یک متر از نارساییهای ممتر لوله چهار بعدی را پیشنهاد کرد که مسیر n+1+h هواپیما در محیط n که قبلاً مسیرش محاسبه شده بود.
ارتقاء دهد.
این مدلها شکیات را مورد توجه قرار ندادند و قادر نبودند با حجم عظیم ترافیک مواجه شوند.
در نهایت پروژه تجربی اروپایی FREER در سال 1995 کامل شد.
و پیشنهاد کرد که می تواند برخورد هواپیماها را حل کند.
مشکل همپایه بودن بین هواپیماها با به کار بردن قوانین قبلی هدایت می شد ، که مانند استفاده کردن از ؟
تکراری مانند ARC2000 بود، که قادر به مواجه شدن با مجموعه های بزرگتر نبود.
روش های تئوری : در میان تئوریهای به کار برده شده برای حل مشکل ، ما ابتدا می توانیم به تکنیک های Zeghal اشاره کنیم.
با توجه به این روش، هواپیما توسط اهدافش جذب می شود و توسط هواپیمای نزدیک برگردانده می شود.
متد وقتی که تراکم کم است، خوب عمل می کند، اما وقتی ترافیک زیاد است بهم ریخته عمل می کند.
به علاوه ، مدل تصور می کند که پروازها کاملاً اتوماتیک هستند، همانطور که مسیرها می توانند دائماً تغییر یابند.
روش های مشابه که از زمینه های قوی استفاده می کردند توسط عدم هوانوردی سازمان Berkeley آزمایش شد، اما در آن زمان آنها قادر به حل بیشتر از سه مجموعه هواپیما نبودند.
این روش بسیار شبیه بود به عملکرد نشان داده شده توسط شبکه هایی که مترهای آزمایش بر پایه LOG (CENA-ENAC) بودند که نمی توانستند به مجموعه های پیچیده افزایش یابند.
بلاخره ، میان روش های جهانی برای مجموعه های پیچیده، اولین کار اصلی توسط (فردن)Feron انجام شد.
او از برنامه های معین برای تعیین کردن مسیر راه حل برای هر جفت از هواپیماهای برخوردشده استفاده کرد: پس یک متد ارتقاء دهنده محدب که شامل محدودیت های محدب می شد به کار برده شد برای محاسبه کردن مانور.
به هر حال این روش در تمام موارد راه حل قابل قبولی را ارائه نمی داد.
اضافه کردن صدای رَندُم به پیشرفت سرعت موفقیت کمک کرد.
محدوده ساده مدل انتخاب شده، محدوده کوچکی را برای کاربرد موفق آن در موقعیت های پیچیده فراهم کرد.
در نهایت LOG محدودیت ها و شاخه های فاصله را آزمایش کرد، که می توانست مشکل را در دسته های کوچک حل کند.
اما قادر در نبود آن را برای دسته های بیشتر گسترش دهد.
تا این تاریخ فقط الگوریتم ژنتیکی توانست مجموعه های بزرگ را در زمان قابل قبول حل کند .
3.1.9) مدل کردن مشکلات با توجه به شبهات: اول از همه یک زمان جستجو TW توضیح داده می شود و یک تقلید کننده موقعیت آینده هواپیما را در قالب زمان ارزیابی می کند.
این تقلید کننده شبهات در سرعت افقی و عمودی هواپیما را مورد توجه قرار می دهد همانطور که در شکل 1-9 نشان داده شده است.
در هواپیمای افقی ، هواپیما توسط یک نقطه در لحظه شروع ارائه می شود.
در مدت زمانع این نقطه ، بخشی می شود که در طول آن به طور افزایش ادامه می یابد.
وقتی مسیر عوض می شود (t=4 در) بخش ناقض می شود در حالی که مسیر (بردار) جدید سرعت را دنبال می کند.
هواپیما پس توسط یک شکل چهار گوش هواپیمانشان داده می شود.
به کار بردن یک تغییر جدید (t=7 در) شکل چهار گوش هواپیما را به شش گوش تغییر می دهد و به تعبیر عامتر به بردار (مسیر).
در هواپیمای عمودی یک سیلندر می تواند توضیح داده شود که ارتفاع آن با زمان افزایش می یابد.
وقتی که هواپیما به سطح مطلوب پرواز می رسد (t=8 در) بالای سیلندر ، ارتفاع آنرا دیگر تغییر نمی دهد و انتهای سیلندر شروع به بالا رفتن می کند، تا زمانی که سطح پرواز می رسد.
جستجو برخورد: برای جستجوی برخوردهای قوی بین هواپیماها ، لازم است که در هر زمان، فاصله افقی بین مسیرها و فاصله عمودی بین سیلندرهایی که دو هواپیما را نشان می دهد، اندازه بگیریم.
برخورد وقتی اتفاق می افتد که استاندارهای عمودی و افقی به طور همزمان ؟
می کنند.
مدل کردن مانور برای اجتناب: برای احترام گذاشتن به هر دو خلبان و نحوه انجام هواپیماها مانور ساده ایی را توضیح می دهیم: در هواپیمای افقی، مانور یک تغییر بالایی از 10 و 20 تا 30 درجه به راست و یا چپ است ، که در زمان t=0 شروع می شود و در زمان t=1 تمام می شود.
در هواپیمای عمودی مانور پیشنهاد می کند با توجه به حالت پرواز که در آن حالت هواپیما قرار دارد.
بنابر این همانطور که در شکل 9.2 نشان داده شده، وقتی هواپیما بالا می رود، می تواند بالا رفتن خود را در t=0 نگه دارد و دوباره آنرا در t=1 شروع کند.
در حالت گردش و سفر ، می تواند به پایین ترین سطح پرواز پایین آید (1000 فیت پایین) در زمان t=0 و به اولینسطح پرواز در زمان t=1 بپیوندد.
وقتی هواپیما بیشتر از 50 نُتیکال از فرودش ، پایین تر است ، می تواند فرودش را در زمان t 0 پیش بینی کند و فرود را در زمان t1 نگه دارد که به مسیر فرود خود بپیوندد.
برای اینکه مانور قابل بدست آوردن باشد فقط یک مانور در هر زمان به خلبان داده می شود.
مانور جدید فقط وقتی به او پیشنهاد می شود که اولید مانور تمام شده باشد.
بنابر این یک مانور توسط گونه مدل می شود.
نوع اول عینی است که نوعی از مانور را نشان می دهد (درجه 30-و20- و10-.30 و20 و10 ) یا مانور عمودی دو نوع دیگر t0 وt1 انواعی هستند که شروع و پایان مانور را نشان می دهند.
مدیریت زمان واقعی: راه حل انجام می شود در زمان پیش بینی شده TW (بین 10 تا 15 دقیقه) و موقعیت هر ؟
دقیقه Updeate می شود (2 تا 3 دقیقه در عمل).
شکل 3-9 مدل زمان واقعی را نشان می دهد.
سه دور در محدوده زمانی وجود دارد.
نوع اول، طول زمان؟
دقیقه است که زمان قفل شده نامیده می شود.
هیچ تغییر مسیری در این دوره صورت نمی گیرد.
در حقیقت در طول مدت لازم برای تخمین زدن موقعیت هواپیما پرواز خود را ادامه می دهد.
بنابر این تغییر مسیر ممکن نیست.
دوره بعدی دوره نهایی نامیده می شود، برای اینکه ترتیب مانور نمی تواند در طول تکرار بعدی تغییر یابد.
آخرین دوره، دوره مانور پیش بینی شده است.
این می تواند در طول تکرار بعدی در نظر گرفته شوند.
تقلید کننده ترافیکی: تقلید کننده کنترل کنده ترافیک CATS یک تقلید کننده آماری است که از یک مدل جدولی برای پرواز دادن هواپیما ها استفاده می کند.
که طرح پروازها را برای یک روز ترافیکی مورد توجه قرار می دهد.
هر ؟
دقیقه (2 تا 3 دقیقه در عمل) تقلید کننده مسیر را برای TW دقیقه های بعدی پیش بینی می کند.
تقلید کننده برخوردها را برای هر جفت بررسی می کند و سپس مجموعه ایی از هواپیماهای در برخورد را می سازد.
هر مجموعه توسط یک حل کننده، حل می شود که از الگوریتم ژنتیکی استفاده می کند که بری هواپیما مانور را پیشنهاد می کند.
یک پیش بینی دید برای مسیر، انجام شده است به خاطر اینکه برخوردهای ممکن بین دو هواپیما را که به مجموعه مشابه به تعلیق ندارند، وقتی دو هواپیما از دو مجموعه متفاوت در برخورد هستند، دو مجموعه به هم پیوسته می شوند و یک راه حل جدید انجام می شود.
اگر یک هواپیما که در مسیر برخورد نیست ، با مجموعه هواپیماها مداخله کند، با مجموعه ترکیب می شود و در راه حل جدیدی عمل خواهد کرد.
مرحله چندین بار تکرار می شود، به تعداد دفعاتی که برخوردها بین هواپیماها که متعلق به یک مجموعه نیستندع باقی می ماند.
4.1.9) استفاده از الگوریتم ژنتیک= کاربرد برای اینکه برای هر مجموعه ارتقاء یابد چندین موضوع را مورد توجه قرار می دهد به خاطر اینکه تمام جداییها بین هواپیما تضمین شود.
تاخیر کم شود، تعداد مانورها کم شود و همچنین تعداد هواپیماهای زیر آن زمان مانورها کم شود بنابر این هواپیما در زمان کمی آزاد می شود.
توصیف کلی= الگوریتم ژنتیکی به کاربرده شده ، الگوریتمی ساده است همانطور که Goldberg 1994 توضیح داده شده است.
جمعیت (تعداد) اولیه از سه متغیر به صورت رَندم بوجود می آید.
پس تناسب هر شخص ارزیابی می شود.
بنابراین بهترین افراد تولید می شود و با توجه به میزان تطابق آنها انتخاب می شوند.
یک قسمت جمعیت 50% سپس تعداد مشخصی از افراد تحت تغییر قرار می گیرند 15% .
تغییر به طور کل، دو شکل برای تقسیم کردن اپراتور ساده می باشد.
دو مانور برابر به نظر می رسند اگر هر دوی آنها در مسیر افقی یا عمودی باشند، در حالت بعدی اگر آنها به جهت مشابه هدایت شوند.
برای اندازه گیری فاصله بین دو شکل ، تعداد مانور مختلف شمرده می شود.
یک پُرسه (Process) الیتزم به کاربرده می شود: در هر سنل، بهترین افراد گروه ، نگهداری می شوند بنابر این آنها در طول تغییر ، ناپدید نمی شوند.
با توجه کردن به نیازهای موقت تحمیل شده توسط زمان واقعی مدیریت ترافیکی فاکتور پایانی به کاربرده شده در توقف ارتقای مراحل در پایان تعداد مشخصی از نسلها شامل می شود.
اما این عدد به طور افزایش باقی می ماند اگر الگوریتم قادر به پیدا کردن راه حل بدون برخورد نباشد.
(بیشترین عدد سنل ها به 40 می باشد) تأثیر افق = حل کننده فقط یک دید کوتاه از مسیر هواپیما دارد.
با ارزش کدر بردی که به سادگی شامل می شود در محدود کردن تأخیر بوجود آمده توسط یک مانور ، حل کننده بعضی اوقات یک برخورد را ماورای پنجره موقتی ، بدون حل آن به تعویض می اندازد.
برای مواجه شدن با تأثیر افق شخص می تواند تأثیر راه حل یک برخورد را اندازه بگیرند و کاربرد مناسب و الگوریتم را برای حل برخورد ، تغییر دهد.
برای هر جفت از هواپیما تحت نظر در مجموعه اگر هواپیما در برخورد نیست، لازم نیست که ارزش کاربرد را جریمه کند.
اگر مسیر بین موقعیت های جاری (حاضر) هواپیما مقصدشان عبور کند، ارزش کاربرد جریمه می شود وقتی که هواپیماها هنوز در پایان پنجره زمان عبور نکرده اند کاربرد تناسب= برای هر شکل ، ماتریکس F از اندازه (n*n) به کاربرده می شود که اطلاعات زیر را ذخیره کند.
FL و j طول مسیر هواپیما را اندازه می گیرد.
و صفر است اگر هیچ مانور به هواپیما داده نشود.
واحد Fij با i واحد Fij با i ؟؟
آن گارانتی می کند که یک شکل بدون برخورد متناسب بهتری دارد نسبت به شکل با یک یا چند برخورد باقی مانده .
همانطور که در بالا توضیح داده شد، الگوریتم ژنتیکی به ندرت می تواند مجموعه های بزرگ را حل کند.
اما نشان داده شده است که استفاده از ساختار قابل جدا شدن کاربرد متناسبممکن می سازد که تغییر اپراتور برای مشکل توضیح داده شود.
استفاده از جدایی قسمتی (موضعی) اجازه بدهید که مشکل کوچک سازی کاربرد F از n متغیر u.u2,…,un را توجه کنیم مجموعه m واحد Fi هر کدام از آنها فقط به مموعهایی از متغیرهای مشکلات بستگی دارد.
چنین کاربردی می تواند به صورت زیر بیان شود.
؟؟
ایده شهودی به صورت زیر است: برای مشکلات کاملاً جدا شدنی، مینیمم جهانی وقتی بدست می آید که کاربرد برای هر متغیر کاملاً کم می شود.
در این حالت کاربرد کم شده می تواند به صورت زیر نوشته شود؟؟
کم کردن هر کاربرد Fi باعث کاهش جهانی کاربرد می شود.
برای خلق کردن یک بچه از دو والدین، ایده این است که برای هر متغییر انتخاب کنند چیزهایی را بین والدین که میزان کاربرد Fi را کم می کند.
اول مایک تطابق داخلی GK (u1,u2, …un)را برای متغیر uk به صورت زیر بیان می کنیم.
؟؟؟
جایی که kها مجموه از I است طوری که uk متغیری از Fi است و ni تعداد متغیرهای Fi است.
تطابق داخلی مربوط به متغیر، شرکت این متغیر در تطابق کلی (جهانی ) را جدا می کند.
وقتی F کم می شود.
اگر ؟؟؟
پس بچه 1 متغیر uk را از یکی از والدین 1 شامل می شود اگر ؟؟
پس بچه 1 متغیر uk را از یکی از والدین 2 شامل می شود اگر ؟؟
پس متغیر uk از بچه 1 باید به صورت رَندم انتخاب شود یا می تواند یک ترکیب خطی رندم از متغیر k+h هر یک والدین وقتی که با متغیرهای واقعی مواجه می شود، باشد.
اگر استراژی مشابه برای بچه 1 به کاربره شود و برای بچه 2 بچه ها ممکن است مشابه شود، به خصوص اگر ؟
کوچک باشد.
این مشکل می تواند با گرفتن یک جفت جدید از والدین برای هر بچه ، حل شود.
اجازه دهید که کاربرد جدا شدنی زیر را بررسی کنیم u1+u2+u3 F(u1,u2,u3) = از آنجایی که u1,u2,u3 در [2و0] شامل می شوند.
متغیر تناسب داخلی u1,u2,u3) = uk GK ( و k است.
اجازه دهید به والدین (2و0و1) و (0و1و2) عبور کنیم که تناسب مشابه F=3 را دارند.
با ؟؟
بچه 1 (0و0و1) خواهد بود F=1 با ؟
، بچه 2 ممکن است (0و1و2) و (0و0و2) و (0و1و1) یا (0و0و1) می باشد.
تناسب بچه ها معمولاً بهتر از تناسب والدین است وقتی که ؟
است که حالتی نیست با اپراتور عبوری کلاسیکال.
همانطور که آن جدا شدنی است.
این کاربرد بسیار ساده است که علاقه اپراتور عبوری را نشان دهد در پاراگراف بعدی ، یک جدا شدنی موضعی معرفی می شود و پیشرفت بدست آمده اندازه گیری می شود.
5.1.9) مطالعه تئوری از یک مثال ساده=اجازه دهید که کاربرد زیر را توضیح دهیم.
(u1,u2, …un) یک تکه طناب است و ؟؟
است اگر ui = uj و 0 اگر ui = uj .
باید توجه شود که کاربرد تقریباً جداشدنی است و 2 فرم جهانی دارد و (1و...و1و1و1) و (0و...و0و0و0) .
برای اینکه (u1,u2, …un) u= است تناسب داخلی را (GK(u)) به صورت زیر توضیح می دهیم.
ما u ها را توضیح می دهیم به عنوان تکه ها (بیت های) برابر با 1 در u.
بنابر این آسان است که بگوییم که ؟؟
در بحث زیر ما یک نکته n کلاسیک را در اپراتور عبوری استفاده کنیم.
A2, A1 دو والدین را ارائه می دهد که در جمع به صورت رندم انتخاب می شود و C بچه های آنها را ارائه می دهد.
امکان پیشرفت = برای کاربرد (1.9) امکان افزایش تناسب با اپراتور کلاسیک یا تطابق داده شده می تواند به صورت مکانیکال برای هر جفت از والدین شمارش شود.
اجازه دهید P 1-1 (I,j,k) را به عنوان امکان پیدا کردناجزای k برابر 1 در موقعیتی برابر در هر دو والدین A2, A1، که I(A1) = I و I(A2) = j است توضیح دهیم.
همانطور که P 1-1 (I,j,k) ، P 1-1 (j,i,k) است ما تصور می کنیم در بحث پایین که i ؟/ عبور کلاسیک ب کاربرده شده نقه عبوری n است که به صورت رندم اجزا را از A2یا A1 انتخاب می کند (ترتیب اجزاء هیچ نقشی در تناسب ندارد) برای محل عبور تطابق داده شده، اجازه دهید توضیح دهیم (res p.
pe(I,j,k) PQ (I,j,k) به عنوان احتمال که اگر I(A2)=j , I(A1) =1 باشد پس I(c)=k است همانطور که Pa (I,j,k)= Pc(I,j,k)=Pc(j,I,k) , Pa(I,j,k) است.
ما در بحث زیر تصور می کنیم که i ؟؟/ بنابر این اگر i+j=n باشد پس ??
اگر i+j =n باشد، تطابق داخلی متغیرهای هر کدام از وادین برابر است و محل عبور تطابق داده شده مانند نقطه n کلاسیکال عمل می کند .
شکل 9.4 و 9.5 احتمال داشتن یک تعادل بهتر از والدین را برای بچه ها نشان می دهد.
مربع کوچک در مرکز شکل 9.4 احتمال پیشرفت بیشتر از 5% را نشان می دهد و در شکل 9.5 تبدیل به مربعی بزرگ می شود.
کاربردها برای مشکل حل برخوردها = برای حل مشکل برخورد تناسب داخلی که با هر هواپیما ارتباط دارد به صورت زیر توضیح داده می شود.؟؟
برای هر هواپیما I اگر تناسب هواپیمای I از مبدا A کمتر از مبدأB باشد پس مانور هواپیمای i از مبدا A برای هر دو بچه انتخاب می شود.در حالت متفاوت (برای مثال برای هواپیمای 3) ، مانور هواپیمای I از مبداB برای هر دو بچه انتخاب می شود.
وقتی که تناسب داخلی بسته است ، ترکیبی از هر دو مانور به کاربرده می شود.
یک اپراتور تطابق و تغییر یافته همچنین به کاربرده شده است.
(شکل 9.6) یک هواپیما در میان آنهایی که تناسب داخلیشان بیشتر از یک آستانه داده شده است.
انتخاب می شود (برای مثال هواپیمایی که هنوز در برخورد است) 9.1.6 کاربردهای عددی از برخوردهای پیچیده = در این مثال در h10و5 هواپیما در سطح پرواز 350 (000/350 فیت) مسافرت می کنند.
4 برخورد بین هواپیما ی E,D- D,C – C,B – B,A جستجو شد.
الگوریتم ژنتیکی جمعیت 100 نفر را به کار می برد.
بعد از 5 تا 10 دوره راه حل بدون برخورد بوجود می آید.
الگوریتم 20 دوره را بعد از بدست آوردن یک راه حل بدون برخورد ، خاتمه می دهد.
پیشنهاد کرده اند که مشکل را با دو مانور حل کنند.
پیشنهاد (ارتفاع 1000 غیت برای هواپیمای D , B بود.
همانطور که مانور در طول مدت پیش بینی شده شروع می شود،آنها با خلبان ارتباط ندارند، برای اینکه آنها می توانند 3 دقیقه دیگر تغییر یابند.
در 10h (شکل9.8) 5 هواپیما با 5 برخورد انتخاب می شوند (4 برخورد قبلی برخورد جدی بین هواپیمای E,C) .
مانور که قبلاً محاسبه شدند برخورد بین E,C را حل نمی کنند.
الگوریتم حل مشکل از اینجا به بعد 3 مانور را پیشنهاد می کند که از بین آنها یکی در طول دوره نهایی تاثیر می گیرد و دو تا در طول دوره پیش بینی موثر می شوند.
سه دقیقه بعد به علت کمبود اطمینان برخوردها از بین رفتند در نهایت فقط هواپیمای D به چرخش سمت چپ در طول یک دقیقه رفت.
محاسبات در یک روز ترافیکی= نتایج بدست آمده در فضای فرانسه در این پاراگراف نشان داده شده است.
تقلید کردن با سه سطح از نا اطمینانی ادامه می یابد.
2% در هواپیمای افقی و 5% در هواپیمای عمودی 5% در هواپیمای افقی و 15% در هواپیمای عمودی 10% در هواپیمای افقی و 30% در هواپیمای عمودی .
2140 برخورد واقعی در طول روز ماورای سطح پرواز 100 (10000 غیت) وجود دارد وقتی که مراحل راه حل به کار برده نمی شود.
برای هر سطح از شبهات تقلید کننده قادر به حل برخورد ها خواهد بود.
قابل ذکر است که تقلید کننده یک صدای رندم به مسیرهای واقعی هواپیما اضافه شود، بنابر این آنها نمی توانند از مسیرهای اسمی به دقت نگه داری کنند.
جدول 1.9 تعداد دفعات که حل کننده بر کاربرده شد نشان می دهد و همچنین تعداد مانورها طول متوسط انها نسبت محدودیت های پرواز توسط آنها و زمان اجرای تقلید کردن 14 برای سطوح مختلف شبهات وجود دارد.
مشاهده می شود که به شبهات کم تعداد مانور انجام شده کمی بیشتر از تعداد برخوردهای واقعی است.
بنابر این اینطور تصور می شود که شبهات بعضی از مانور بی استفاده را باعث می شود.
با شبهات 10% و 30% تعداد.
مانورها سه برار بیشتر از شبهات 2% و 5% است و تعداد دفعاتی که حل کننده به کاربره شده بیشتر از دو برابر است.
جدول 9.2 تاثیر شبهات بر روی اندازه مجموعه را نشان می دهد.
اینطور مشاهده می شود که افزایش در شبهات نقش مهمی در تعیین اندازه مجموعه ایی که باید حل شود را دارد و بنابر این مشکل در حل مشکلات به شدت افزایش می یابد.
اظهارات= اتوماتیک سازی کنترل ترافیک هوایی حتماً برای فردا نیست .
در حالی که حالت های مختلف پرواز کاملاً می توانسن اتوماتیمک شود، مدیریت ترافیک هوایی مشکلی پیچیده است برای آنهایی که هیچ متد ارتقای کلاسیک نمی تواند یک راه حل رضایت کننده را پیشنهاد کند.
الگوریتم ژنتیک ممکن می سازد که محدودیت های انتخابی مشکل مورد توجه باشد: الزام برای تقلید کردن مسیرها، توجه کردن به شبهات مدل کردن مانور با متغیرهای متفاوت و ....
به علاوه ساختار جدا پذیر مشکلات ما را قادر ساخت که مسیر عبور موثری را بوجود آوریم و اپراتورهای متغییر برای افزایش اندازه مشکلات نتقریباً ؟؟
هواپیما ارتباط دارد.
تااین زمان هیچ متر دیگر که در آزمایشگاههای ما قسمت شد و یا توسط سیستم های دیگر در سراسر دنیا نتوانست مشکلات مجموعه های با این اندازه را حل کند.
بنا بر این مشکل است که عملکرد الگوریتم ژنتیکی را با الگوریتم های دیگر مقایسه کنیم.
یک مدلی اخیراً تطابق داده شد که ساختار معمولی مسیر هوایی را مورد توجه قرار دهد.
باید توجه شود که این ابزار به همان روشی که کنترل کننده های انسانی کنترل می شوند، کنترل نمی شوند.
در مثال با 5 هواپیما، یک اپراتور اترجیح می دهد که مشکل را به دو مجموعه کوچکتر تقسیم کند.
به هر حال، ابزار برای تقلید سازی ممکن می سازد که تعداد خاصی از اندازه بر پیچیدگی ترافیک ساخته شود و فضاهای مختلفی را مقایسه می کند.
سرعت اجرای آن ما را قادر می سازد که یک ابزار آماری را پیشرفت دهیم که قادر به جذب کردن روزهای کامل ترافیک در اروپا است.
9.2) ارتقای زمینه ترافیکی = تأخیر در رفت و آمد با توجه به انبوه فرودگاههای و عملکرد زمین ها در سیکل پرواز بیشتر مورد توجه است.
این موضوع می تواند به پیشرفت های اخیر چرخ نسبت داده شود همانطور که ورودها و خروجها در زمان مشابه برنامه ریزی می شود.
به علاوه شک در ورود و خروج توسط تاخیر زمین افزایش می یابد و به راحتی می تواند به چندین ده دقیقه در طول زمان اوج رفت و آمد برسد.
در این کاربرد ابزار فرودگاه برای مقایسه توانایی مختلف متد ارتقاء برای حل بعضی از موقعیت های ترافیکی به کار برده می شود.
این روش ها الگوریتم های ژنتیک و نموداری را به کار می برند که بهترین مسیر یا موقعیت را برای هر هواپیما پیدا کنند.
کارآیی هر روش توسط میزان اختلاف بین تعداد هواپیما و تأخیر نهایی بدست می آید 9.2.1) مدل مشکل پیدا کردن یک روش ارتقای مسیرهای قابل قبول برای همه هواپیما است .
جایی که یک مسیر توسط زمان شروع یک مسیر موقعیت های قرار گرفته در مسیر تعریف می شود.
یک سری ارتقا دهنده مسیر می تواند تعریفات مختلفی داشته باشد وبه صورت جهانی به عنوان چیزی برای کم کردن قیمت که در زیر توضیح داده می شود، به کار برده می شود.
مسیرها وقتی قابل قبول هستند که مسیر هر هواپیما با محدودیت های بهره برداری شده فرودگاه و هنگامی که قوانین جدایی هواپیما تضمین می شود ، قابل مقایسه باشد.
کاربرد قیمت = موضوع جهانی برای کم کردن می تواند به صورت کاربرد چند فاکتور توضیح داده شود، برای مثال طول مسیر تعیین شده برای هواپیما می تواند مرتبط باشد.
کاربرد قیمت به عنوان کل زمان جابه جایی توضیح داده می شود که به زمان مصرف شده در مسیر طولانی افزوده می شود.
فرودگاه = برای اینکه برای هر هواپیما یک مسیر سری مسیری انتخابی واقعی تعیین شود فرودگاه توسط یک گراف که درها ، مسیرهای تاکسی و راههای خروج را به هم متصل می کند ، تعریف می شود.
ارزش از نقطه اتصال مسیر تاکسی به نقاط متصل شده به آن زمان مصرف شده برای عبور از این مسیر تاکسی است و گرفتن محدودیت سرعت با توجه به سرعت چرخش آن است.
ارزش بقیه نقاط اتصال به نقاط متصل دیگر صفر است.
بعضی مسیرهای تاکسی می توانند به صورت مسیر یک طرفه توضیح داده شوند که در این حالت ، ارزش مسیر متضاد ، توسط ضریب افزایشی بالانس می شود.