الگوریتم های ژنتیکی به کاربره شده در مدیریت ترافیک هوایی

9) 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.
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)
تاثیر افق = حل کننده فقط یک دید کوتاه از مسیر هواپیما دارد. با ارزش کدر بردی که به سادگی شامل می شود در محدود کردن تاخیر 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 تاثیر افق شخص می تواند تاثیر 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<j تخلف جدایی بین هواپیمای i و هواپیمایj را اندازه می گیرد و صفر است اگر دو هواپیما در برخورد نباشد.
واحد Fij با i<j تدثیر راه حل برخورد بین هواپیمای I و هواپیمای j را اندازه می گیرد. کاربرد متناسب انتخاب شده به صورت زیر است.
؟؟
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<j اینطور داده می شود.
؟/
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<j است پس می تواند نشان داده شود برای محل عبور کلاسیک
؟؟/

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 مبداB 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 =
تاخیر 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 تاخیر 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.
در این حالت، الگوریتم گراف کلاسیک می تواند برای محاسبه یک سری از مسیرهای انتخابی برای هواپیما به کار رود. الگوریتم Dijkstra می تواند بهترین مسیرها و کمترین زمان جابجایی از یک نقطه داده شده به تمام نقاط دیگر را محاسبه کند. این اطلاعات بنابراین برای پیدا کردن بهترین مسیر KO که در نقطه داده شده فرودگاه را به هم می پیونداند. مفید است که از الگوریتم ترتیب چرخشی و Marzel استفاده می کند با انجام تکرار m در این مرحله در حالی که ارزش مسیرهای تاکسی انتخاب شده افزایش می یابد، ما می توانیم mko را در مسیرهای مختلف بدست آوریم. هر هواپیما بنابر این تعیین می کند یک مسیرهای ممکن (k<mko)k بین درهای نقاط ورودی عبوری یا بین نقاط خروجی درها. شکل 9.9 و 9.10 گرافهای orly , Roissy را نشان می دهد و مثالی از یک سری از مسیرها در این گراف ها را نشان می دهد.
عبور و مرور = مقاصد هواپیماها توسط پرواز هواپیما توضیح داده می شود که شامل زمان ورود و خروج آنها نوع هواپیمای به کاربرده شده ، موقعیت در مسیر درخواست شده می شود. فاصله بلند شدن و فرود آمدن از نوع هواپیما می تواند استنتاج شود.
قوانین جدایی هواپیما =
برا جستجو کردن مشکلات برای حل کردن در موقعیت های یک مدلی برای جدایی هواپیما تعریف می شود. این مدل محیط های فرودگاه را مورد توجه قرار می دهد 90 متر از هر گوشه فرودگاه (یا 150 متر در هوای بد) در این محیط ها، هواپیماها روی فرودگاهها در نظر گرفته می شوند حتی اگر آنها بلند نشده باشند و یا فرود نیامده باشند. جدایی هواپیما به صورت زیر توضیح داده می شود.
فاصله بین دو هواپیما نباید از 60 متر باشد.
هواپیما در موقعیت در از بقیه هواپیماها جدا می شود.
در یک فرودگاه بیشتر از یک هواپیما در یک زمان نمی تواند بلند شود یا بنشیند.
زمان جدایی 1و2و3 دقیقه لازم است بعد از یک بلند شدن که بلند شدن یا نشستن بعدی را از آشفتگی بوجود آمده پاک می کند.
وقتی که یک هواپیما برای بلند شدن یا نشستن در یک فرودگاه رهسپار می شود. بقیه هواپیمای رهسپار شده هستند. وقتی یکی از ایمن قوانین رعایت نشود بین دو هواپیما برخورد بوجود می آید.
شبهات سرعت=
در تقلید کننده پیش بینی عبور و مرور شبهاتی را می گیرد که مربوط به توجه کردن به سرعت هواپیما است. این شبه به عنوان یک درصد ثابت از سرعت توضیح داده شده اولیه مدل می شود. بنابر این یک هواپیما به نظر می رسد که چندین موقعیت مختلف را در یک زمان داده شده مشغول کند.
قوانین جدایی تضمین می شود اگر همه موقعیت های هواپیمای ممکن جدا می شود با بقیه موقعیت های هواپیمای دیگر ، همانطور که قبلاً توضیح داده شده است به هر حال دو موقعیت خاص باید به صورت متفاوت رفتار شوند.
وقتی یک هواپیما هواپیمای دیگری را تبدیل می کند سرعت آن بستگی به سرعت اولین هواپیما دارد بنابر این دو هواپیما به صورت جداگانه تصور می شود حتی اگر بعضی از موقعیت های مشبه وجود نداشته باشد.
وقتی که یک هواپیما، باید موقعیت خود را نگه دارند ، شبهات کاهش می یابد همانطور که موقعیت و زمانی که تا آرمان هواپیما باید نگه داشته شود، ثابت است.
تقلید کننده=
مانند اولین کاربرد، تقلید کننده با یک مدل پنجره ایی متغیر کار می کند ، در هر مرحله تقلید پیش بینی ترافیکی برای دقایق TW بعدی انجام می شود. جفت های هواپیماهای در حال برخورد از این پیش بینی بیرون کشیده می شود. در این مرحله تقلید ، مشکل شامل انتخاب یک مسیر و بعضی موقعیت های نگه داشته شده برای هر هواپیما می شود برای تضمین کردن جدایی بین آنها این مسیرها و موقعیت ها به کاربرده می شود برای ساختن یک موقعیت جدید درنتیجه محدوده زمانی محدود برای پیش بینی ترافیکی ، مقداری تاثیر منفی می تواند بوجود آید و باید گذر شود.
دو هواپیما می تواند یکی را در جلوی دیگری بیاورد که بوضوح موقعیت ترافیکی آینده را قرمز می کند.
یک هواپیما می تواند در یک فرودگاه بایستد در حالی که یک ورود (که در موقعیت اخیر پیش بینی نشده باشد) می آید …
برای این دلایل یک آنالیز خاص از موقعیت های هواپیما در پایان محدوده زمانی لازم است: دو هواپیما نباید در جلوی دیگری یکی باشد و فرودگاه باید کاملاً پاک شود. این قوانین جدید قوانین جدایی را کامل می کند. آنها باید برای هر روش حل در بخش بعدی به کاربرده می شوند.
9.2.2) ابر علیه متر حل n
در این متر حل مشکل هواپیماها یکی بعد از دیگری دسته بندی و توجه می شود. بنابر این مشکل ارتقاء فقط به یک هواپیما کاهش می یابد. الگوریتم باید بهترین روش را پیدار کند و بهترین موقعیت نگه داری را برای هواپیما در این دیدگاه اولین هواپیما بیشترین ارجعیت را به هواپیما های بعدی دارد.
توضیح گراف= دادن مسیر خاص برای هواپیما راه حل مشکل 1 تا n برای این هواپیما می تواند با یک جستجوی گراف پیدا شود:
یک نقطه ایی از گراف محلی زمان دار در هواپیما است.
نقطه ریشه ایی گراف ، محل اولیه هواپیما است، در شروع پنجره زمانی
نقطه های پایانی از نقطه های راه حل ساخته می شود. تمام موقعیت های غیر برخورد هواپیما در پایان دوره زمانی در پایان مسیر و از هیچ نقطه ای راه حل : تمام شرایط برخورد هواپیما در هر زمان
هر نقطه غیر پایانی دو ؟ دارد، و دو احتمال را برای هواپیما در هر قدم زمانی نشان می دهد. حرکت کردن به جلو یا موقعیت نگه داشته شده اگر اولین احتمال بتواند به نقطه راه حل برسد بنابر این بهترین راه حل برای هواپیما است بهترین راه حل برای هواپیما می تواند با تکرار این تحقیق بر روی مسیرهایش مشخص شود.اما در هر حال هر نقطه ایی از گراف مربوط به مسیر خاص می تواند به تاخیر حاضر هواپیما بستگی داشته باشد. این مسائل اجازه می دهد که تحقیقات گراف با حداقل ارزش تاخیر یافت شده در مسیرهای قبلی محدود شود وقتی تاخیر فعلی بیشتر از این محدودیت است این تحقیقات می تواند از بین برود بنا بر این تحقق گراف برای سری کامل مسیرهای هواپیما یک شاخه و الگوریتم Bound می شود با بهترین استراژی تحقیق
تقسیم بندی هواپیما=
روش های دسته بندی هواپیما فاکتوری تعیین کننده است. روشی سادی برای تعیین اولویت دسته ها توجه کردن به زمان تغییر برنامه پرواز به کنترل کننده های زمینی است. این انتخاب واقعی ترین نوع است همانطور که کنترل کننده های زمینی به ندرت می توانند یک هواپیما را بدون توجه به برنامه پروازش بگیرند. در این حالت این مسئله معادل دسته بندی کردن هواپیما با زمان ورود یا خروج آنها است. اما این انتخاب باید اصلاح شود.
همانطور که هواپیمای بلند شده نمی تواند موقعیت خود را قبل از خروج از فرودگاه نگه دارد، سطح الویت آنها بیشتر از همه هواپیماهای بلند شده است.صف ایستادن برای هواپیمای فودگاه باید به ترتیب صف دسته بندی می شود. برای تامین کردن این اصول یک زمان Ta بر روی هر هواپیما تحمیل می شود به عنوان کاربرد زمان شروع TO و زمان باقی مانده آن tr TA=To +tr برای خروج و (ساعت) Ta=To-1 برای ورود هواپیماها با افزایش مقدار Ta افزایش می یابند.
GA ,GA +BB : الگوریتم های ژنتیکی=
دو روش راه حلی که از الگوریتمهای ژنتیکی کلاسیک و اصول محاسبه تدریجی استفاده می کند بوجود آمدند در متد اول الگوریتم راحلی را پیدا می کند و یک موقعیت نگه دارنده انتخابی را برای هر هواپیما. در نوع دوم الگوریتم مسیری را پیدا می کند. و الویت سطح برای هر هواپیما و او از الگوریتم BB برای ساختن مسیرهای نتیجه شده استفاده می کند.
ساختار اطلاعات=
در متد اول مسیر یک هواپیمای a توسط سه پارامتر توضیح داده شود (na,pa ,ta) indeuna مسیر برای دنبال کردن است و pa موقعیت جایی که هواپیما باید منتظر باشد تا زمان ta (و اگر pa بعد از ta برسد، هواپیما توقف نمی کند) . در بین روش به 2 پارامتر نیاز دارد برای هر هواپیما na.(na,ka) تعداد مسیرهای دنبال شده است. ka سطح اولویت می باشد. مسیر دقیق هواپیما نتیجه الگوریتم BB است که توسط دسته بندی داده شده توسط ka به کاربرده می شود و به یک مسیر برای هر هواپیما محدود می شود. حالت هواپیما را که برای آن الگوریتم BB نمی تواند راه حلی را پیدا کند، به عنوان یک برخورد در این هواپیما تفسیر می شود.
کاربرد تناسب=
برای دو روش ، کاربرد تناسب باید تضمین کند که یک راه حل بدون هیچ برخوردی بهتر از راه حل با برخورد است. تناسب راه حل های برخورد همیشه کمتر از 2/1 است در حالی که تناسب راه حل های قابل قبول بیشتر از 2/1 است. بنابر این برای راه حل با برخوردهای باقی مانده nc
برای راه حل بدون هیچ برخورد
جایی که daتاخیر هواپیمای aاستa , ها زمان مصرف شده توسط هواپیمای a در مسیرهای طولانی.
تناسب داخلیF a برای هر هواپیمای a محاسبه می شود، به عنوان کاربرد تعداد برخوردها nca برای این هواپیما و کاربرد قیمت Fa=Fca و دیگر nca>knca اگر جایی که k پارامتری لحظه ایی است مانند k>>fca.
قسمت بندی=
مشکل دو طبیعت بسیار ترکیبی است و ممکن است مسائل زیادی داشته باشد. برای انجام دادن مراحل قسمت بندی که توسط Germay , yin معرفی شده بود، فاصله بین دو کررمزمهای باید توضیح داده شود برای اینکه مجموعه های مختلف در مجموعه جدا شود. در آزمایش ها، فواصل زیر معرفی شوند.؟؟؟
جایی که LAi و LAi به ترتیب طول مسیر هواپیما I در کرموزم A هستند.
موضوع خاتمه = همانطور که زمان حل هر مشکل باید در کاربرد واقعی زمان محدود شود تعداد نسل ها نیز کم می شود. همانطور که هیچ راه حل قابل دسترسی پیدا نمی شود، تعداد نسل ها به 50 محدود می شود و الگوریتم در نسل 20 می ایستد بعد از اینکه اولین راه حل قابل قبول پیدا شد.
مجموعه ایی از هواپیماهای در حال برخورد =
برای اینکه پیچیدگی مشکل را تا حد ممکن پایین آوریم، یک مجموعه ایی در هواپیما های در حال برخورد به کار برده می شود. مجموعه ها در امتداد به طور مستقل حل می شوند. وقتی که حل دو مجموعه موقعیت برخورد جدیدی را بین آنها بوجود می آورد ، دو مجموعه با هم ترکیب می شوند و بعد از آن این مجموعه مشکل را حل می کند.
مقایسه سه روش . شکل 9.11 ارزش تاخیر بوجود آمده را در تعداد جابه جایی های هواپیما برای روش های مختلف می دهد تا زمانی که موقعیت های نور حمل و نقل مورد اهمیت است، متدGA بهترین روش را فراهم می کند. وقتی که تعداد هواپیماها زیاد می شود، متد GA+BB تاخیر کمتری را نسبت به دو روش دیگر بوجود می آورد.
بنا بر این دادن تقدم سطوح به هواپیما ها به نظر راهی کار آمد برای حل موقعیت های ترافیکی زمین است البته تحت شرایطی که این سطوح مقدم به طور منظم با موقعیت های جدید تطابق داده می شود. شکل 12-9 برای هر سه متد تعدا هواپیماها را به طور همزمان در هر دوره روز می دهد. به نظر می رسد که متد GA+BB همیشه تعداد کمتری از هواپیماهای حرکت کننده در طول زمانهای سنگین نگه دارد این نتیجه اهمیت زیادی بر روی موضوع مربوط به ترافیک (حمل و نقل) هواپیمایی قرار می دهد. راه حل خوب در یک موقعیت باعث می شود که تاخیرها در این زمان کوتاه کاهش یابد اما همچنین باعث ایجاد موقعیت های بهتر دراز مدت می شود.
نکات = کارهای اولیه نشان می دهد که تاخیر زمینی در چنین فرودگاه های شلوغی بسیار محسوس است برای متد های حل کنند. اولین نتیجه ایده ایی از فواید مفید را می دهد که می تواند با رشد بسیاری از تصمیمات که ابزار را برای کنترل کننده های هواپیما ساپورت می کند بدست آید بار دیگر الگوریتم ژنتیکی برای رفتار اینگونه مشکلات بیار مطابق است همانطور که اتنها می توانند راه حل های غیره منتظره ایی را تعین کنند که تقریباً به ارتقای جهانی نزدیک است در حالی که الگوریتم تعین کننده باید در پیدا کردن ارتقای جهانی بسیار محدود است باید توجه شود که مدل با فرودگاههای جدید Roissy charlesDe Galle و سرعت و شبهات جدید می تواند پیشرفت یابد.
نتیجه گیری = دو موضوع ارائه شده در این بخش نشان می دهد که ترافیک هوایی باعث مشکلاتی می شود که حل آنها مشکل است محدودیت های مربوط به محیط های عمل کننده برای توضیح مدلهای ساده ساده نمی کند. کاربردهای ارتقاء یافته واژه های آنالیزی ندارند بلکه از نتیجه ؟ بدست می آیند. به نظر می رسد که الگوریتم ژنتیکی برای این دو کار برد بسیار مهم است با یان وجود استفاده از این الگوریتم ها تنظیمات و دانش بیشتری از مشکل را نیاز دارد معرفی اپراتورهای مسیر عبور تطابق داده شده قادر می سازد با مشکلات بزرگتر مواجه شود بدون از دست دادن کارآیی الگوریتم ترکیب الگوریتم ژنتیکی و داخلی نیز می تواند مفید باشد از دیدگاه عملی امروزه اولین کاربرد قادر می سازد که مطالعات آماری مقایسه ایی برای ساختارهای ترافیکی هوایی در کشورهای مختلف اروپایی یا در آمریکا داشته باشیم. رشد دادن ابزار تصمیم گیرنده که بتواند مانند تواناییهای انسان در مجموعه های بزرگ مفید باشد، مکار سختی است. در حال حاضر کنترل کننده هیچ وقت در موقعیتی نیست که بخواهد برخورد بین هواپیما را حل کند. فقط مشکلات ابتدایی از کل مشکلات به کنترل کننده سپرده می شوند. استفاده از حل کننده برخورد کاربردش مانند اجرایی می باشد. از طرف دیگر کاربرد دوم آینده عملی بیشتری دارد حاتی اگر مراحل مدل معمولی تمام محدودیت های مربوط به فعالیت ها در فرودگاه را مورد توجه قرار ندهد.