Оптимізація планування посадок кількох літаків на основі машинного навчання з квантовим відпалом в умовах невизначеності при однократних та багатократних заходах

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.342159

Ключові слова:

планування посадки літаків, ДКП-градієнт, квантовий відпал, машинне навчання, оптимізація, прогнозування ОЧП

Анотація

Об’єктом дослідження є планування посадки кількох літаків на одну та кілька злітно-посадкових смуг, що є вирішальним аспектом сучасних систем управління повітряним рухом. Основними проблемами, що вирішувались, були складність оптимізації планування через обмежену пропускну здатність злітно-посадкової смуги, необхідність підтримувати безпечну дистанцію між літаками та невизначеність очікуваного часу прибуття (ОЧП), на яку часто впливають зовнішні фактори, такі як погода та щільність повітряного руху. Щоб подолати ці проблеми, у цьому дослідженні пропонується гібридний підхід між методом градієнтного посилення довгострокової короткочасної пам'яті та методом квантового відпалу. Результати показують, що цей підхід здатний значно покращити продуктивність системи планування з точністю 0,93, точністю 0,91, повнотою 0,90 та показником F1 0,91. Ці значення вищі, ніж у моделі без квантового відпалу, яка досягла лише точності 0,87, точності 0,85, повноти 0,83 та показника F1 0,84. Це покращення можна пояснити здатністю градієнтного підвищення довгої короткострокової пам’яті (ДКП) точніше прогнозувати відхилення ОЧП, а також ефективністю квантового відпалу в ефективному розв'язанні задачі квадратичної безобмеженої бінарної оптимізації. Унікальною особливістю цього дослідження є застосування гібридної моделі, яка поєднує можливості машинного навчання та квантових обчислень, досягаючи балансу між точністю прогнозування та ефективністю оптимізації. Ці результати дослідження можуть бути застосовані до систем планування повітряного руху в аеропортах з однією або кількома злітно-посадковими смугами. Їх впровадження має потенціал для підвищення операційної ефективності, зменшення затримок та підвищення безпеки польотів завдяки більш точному та адаптивному управлінню часом посадки

Біографії авторів

Darmeli Nasution, Universitas Panca Budi Medan

Master of Computer

Department of Computer Science

Donni Nasution, Universitas Prima Indonesia

Doctor of Computer

Faculty of Engineering

Okvi Nugroho, Universitas Muhammadiyah Sumatera Utara

Master of Computer

Department of Information Technology

Mahardika Abdi Prawira Tanjung, Universitas Muhammadiyah Sumatera Utara

Master of Computer

Department of Computer and Technology

Посилання

  1. Liu, J., Wang, N. (2025). Simulation-Based Two-Stage Scheduling Optimization Method for Carrier-Based Aircraft Launch and Departure Operations. Entropy, 27 (7), 662. https://doi.org/10.3390/e27070662
  2. Yuan, P., Han, W., Su, X., Liu, J., Song, J. (2018). A Dynamic Scheduling Method for Carrier Aircraft Support Operation under Uncertain Conditions Based on Rolling Horizon Strategy. Applied Sciences, 8 (9), 1546. https://doi.org/10.3390/app8091546
  3. Ahmed, M. S., Alam, S., Barlow, M. (2018). A Cooperative Co-Evolutionary Optimisation Model for Best-Fit Aircraft Sequence and Feasible Runway Configuration in a Multi-Runway Airport. Aerospace, 5 (3), 85. https://doi.org/10.3390/aerospace5030085
  4. Rezaee, M. R., Hamid, N. A. W. A., Hussin, M., Zukarnain, Z. A. (2024). Comprehensive Review of Drones Collision Avoidance Schemes: Challenges and Open Issues. IEEE Transactions on Intelligent Transportation Systems, 25 (7), 6397–6426. https://doi.org/10.1109/tits.2024.3375893
  5. Israr, A., Ali, Z. A., Alkhammash, E. H., Jussila, J. J. (2022). Optimization Methods Applied to Motion Planning of Unmanned Aerial Vehicles: A Review. Drones, 6 (5), 126. https://doi.org/10.3390/drones6050126
  6. Richter, D. J., Calix, R. A., Kim, K. (2024). A Review of Reinforcement Learning for Fixed-Wing Aircraft Control Tasks. IEEE Access, 12, 103026–103048. https://doi.org/10.1109/access.2024.3433540
  7. Xiang, Z., Sun, H., Zhang, J. (2023). Application of Improved Q-Learning Algorithm in Dynamic Path Planning for Aircraft at Airports. IEEE Access, 11, 107892–107905. https://doi.org/10.1109/access.2023.3321196
  8. Degas, A., Islam, M. R., Hurter, C., Barua, S., Rahman, H., Poudel, M. et al. (2022). A Survey on Artificial Intelligence (AI) and eXplainable AI in Air Traffic Management: Current Trends and Development with Future Research Trajectory. Applied Sciences, 12 (3), 1295. https://doi.org/10.3390/app12031295
  9. Bouttier, C., Babando, O., Gadat, S., Gerchinovitz, S., Laporte, S., Nicol, F. (2017). Adaptive Simulated Annealing with Homogenization for Aircraft Trajectory Optimization. Operations Research Proceedings 2015, 569–574. https://doi.org/10.1007/978-3-319-42902-1_77
  10. Pearre, B., Brown, T. X. (2012). Model-Free Trajectory Optimisation for Unmanned Aircraft Serving as Data Ferries for Widespread Sensors. Remote Sensing, 4 (10), 2971–3005. https://doi.org/10.3390/rs4102971
  11. Chen, K., Wang, H. (2025). Airline-Driven Arrival Flight Rescheduling Problem Considering Passenger Satisfaction Using Improved NSGA-II. Arabian Journal for Science and Engineering. https://doi.org/10.1007/s13369-025-10400-w
  12. Zhang, J., Qin, X., Zhang, M. (2025). Multi-aircraft scheduling optimization in urban environments. Applied Mathematical Modelling, 145, 116118. https://doi.org/10.1016/j.apm.2025.116118
  13. Samà, M., D’Ariano, A., Palagachev, K., Gerdts, M. (2019). Integration methods for aircraft scheduling and trajectory optimization at a busy terminal manoeuvring area. OR Spectrum, 41 (3), 641–681. https://doi.org/10.1007/s00291-019-00560-1
  14. Su, X.-C., Han, W., Wu, Y., Zhang, Y., Song, J.-Y. (2018). A Robust Scheduling Optimization Method for Flight Deck Operations of Aircraft Carrier With Ternary Interval Durations. IEEE Access, 6, 69918–69936. https://doi.org/10.1109/access.2018.2879503
  15. Pan, W., Huang, Y., Yin, Z., Qin, L. (2023). Optimal Collaborative Scheduling of Multi-Aircraft Types for Forest Fires General Aviation Rescue. Aerospace, 10 (9), 741. https://doi.org/10.3390/aerospace10090741
  16. Chauhan, S. S., Maadhav, L., Dake, A., Brillaud, G. (2026). An efficient resource utilization and scheduling strategy for in-service aircraft maintenance and operations. Computers & Operations Research, 185, 107262. https://doi.org/10.1016/j.cor.2025.107262
  17. Kumar, P. K., Witter, J., Paul, S., Dantu, K., Chowdhury, S. (2023). Graph Learning based Decision Support for Multi-Aircraft Take-Off and Landing at Urban Air Mobility Vertiports. AIAA SCITECH 2023 Forum. https://doi.org/10.2514/6.2023-1848
  18. Zhang, Y., Zhang, S., Zhang, Y., Yin, Y. (2024). A Study of TMA Aircraft Conflict-Free Routing and Operation: With Mixed Integer Linear Programming, Multi-Agent Path Finding, and Metaheuristic-Based Neighborhood Search. IEEE Transactions on Intelligent Transportation Systems, 25 (10), 13976–13990. https://doi.org/10.1109/tits.2024.3385859
  19. Hafidi, M., Benaddy, M., Krit, S. (2018). Review of optimization and automation of air traffic control systems. Proceedings of the Fourth International Conference on Engineering & MIS 2018, 1–7. https://doi.org/10.1145/3234698.3234708
Оптимізація планування посадок кількох літаків на основі машинного навчання з квантовим відпалом в умовах невизначеності при однократних та багатократних заходах

##submission.downloads##

Опубліковано

2025-10-31

Як цитувати

Nasution, D., Nasution, D., Nugroho, O., & Tanjung, M. A. P. (2025). Оптимізація планування посадок кількох літаків на основі машинного навчання з квантовим відпалом в умовах невизначеності при однократних та багатократних заходах. Eastern-European Journal of Enterprise Technologies, 5(3 (137), 26–35. https://doi.org/10.15587/1729-4061.2025.342159

Номер

Том 5 № 3 (137) (2025): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2025 Darmeli Nasution, Donni Nasution, Okvi Nugroho, Mahardika Abdi Prawira Tanjung

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.