柔性空域結構下連續下降航跡多目標優化

楊磊，李文博，劉芳子,3，陳雨童，趙征

1. 南京航空航天大學 民航學院，南京 211106 2. 浙江大學 軟件學院，杭州 315100 3. 中國民用航空局 空中交通管理局 戰略發展部，北京 100020

世界范圍內空中交通系統正處于全面轉型升級階段，以應對不斷增長的飛行需求、復雜龐大的體系結構和多元多變的運行環境，持續滿足各利益相關方對于飛行安全、運行效率、成本效益和環境影響等航空運營綜合性能期望[1]。基于航跡的運行、基于性能的空中交通管理已成為全球航空運輸系統變革的關鍵詞[2-4]。

連續下降運行(Continous Descending Operation, CDO)是提升終端區進場交通流運行效率和環保效益的關鍵技術，最初由美國多個部門聯合組成的研究小組為減小航空噪音污染而設計[5]。之后，學者們開展了一系列的飛行實驗，證實了與傳統梯級下降程序相比，CDO通過使得航空器在降落前盡可能保持在較高高度，并盡可能使用最小發動機推力和低阻力構型下降，能夠有效減小燃油消耗、污染物排放及噪聲污染，具有顯著的經濟和環保優勢[6-9]，引起了各國學者和業界的熱切關注。2010年，國際民用航空組織發布了Doc.9931《連續下降運行手冊》，提供了CDO設計指南[10]。目前，CDO已經成為歐洲單一天空計劃、美國下一代航空運輸系統、國際民航組織航空系統組塊升級計劃，以及中國空管現代化發展戰略中的重點內容之一。

然而，研究指出高度剖面[11]、速度剖面[11]、下滑角[12]、氣象[13]、航班時刻[14]以及容量[15]等因素對于CDO運行性能和環保性能具有較大影響，多機模式的CDO航跡優化研究[16-17]成為新的研究熱點。學者們將基于時間管理(Time Based Management,TBM)和基于性能導航(Performance Based Navigation, PBN)的理念相融合[18]，并通過探究航空器間隔[19]，設置Metering Point[20]，Required Time of Arrival[21-22]等方式來推動CDO的實際應用。此外，部分學者也研究了雷暴[23]、陣風[24]等不確定因素影響下的CDO航跡實時更新，以及偏離優化后航跡的實時調整策略等問題[25]。隨著研究和試點的不斷深入，傳統終端區標準進離場程序較為剛性，難以支撐CDO最優航跡規劃與實施的問題愈發凸顯。Alam等[26]提出一種新的過渡空域概念，以期通過構建終端區內的航跡調整緩沖區，為動態搜索最優CDO航跡提供輔助。然而，該運行概念與技術的靈活性有待提升，例如航空器一旦中止進近就不能重新開始，并且在低高度區域需要不斷調整航向，增加了管制員和飛行員的工作難度和負荷[26-27]。此外，受目前地基管制自動化系統以及空地航跡共享程度的制約，依賴管制員四維空間認知的CDO模式僅在部分非繁忙機場或時段開展試點，難以應用于高密度終端區空域和復雜交通場景[17]。

2010年，EUROCONTROL提出了點融合(Point Merge,PM)運行概念和飛行程序，如圖1所示。PM主要由多個排序邊和一個融合點組成。航空器在排序邊上完成著陸排序，并在合適的時間調整航向和下降高度并直飛融合點。研究表明，PM扇形空域內航班運行具有較高的靈活性和航跡可預測性，有助于降低管制難度和工作負荷，提高飛行效率[28-31]。Errico等[32]發現基于點融合程序的CDO比傳統空域具有顯著的環保優勢和運行效益[33-35]。然而，由于點融合程序中排序邊的長度限制，其對延誤的吸收非常有限。高密度運行時，一旦達到點融合程序的飽和狀態，需將航空器從點融合程序中向外引導，對于空域內航班運行安全和效率具有顯著負向影響[36]。

圖1 經典點融合結構圖Fig.1 Route structure of classic point merge

因此，為進一步提升CDO運行能力和綜合效益，亟需打破傳統標準終端區儀表進場航路(Standard Terminal Arrival Routes，STAR)剛性模式，設計更為柔性的空域結構和靈活的運行程序。本文以四維航跡運行下星基導航模式為前提，考慮TBO下空中交通管制認知復雜性，定義柔性進場空域為由一系列空間位置點構成，且具備融合不同方向進場流，提供靈活多樣飛行路徑選擇，以適應動態交通需求的大容量運行空間，在保持管制員情景意識穩定性的同時，支撐CDO四維航跡安全高效運行。鑒于此，本文基于已有研究成果，以點融合程序為基礎，提出一種新型柔性進場空域結構：倒皇冠形進場空域(the Inverted Crown-Shaped Arrival Airspace，ICSAA)，設計了航空器在新型空域中的運行模式，建立了ICSAA下無沖突CDO航跡多目標優化方法，以期克服傳統點融合程序弊端，在一定程度上促進CDO的應用實踐。

本文的主要工作包括：

1) 構建了一種新型的倒皇冠形進場空域及其基本運行模式。為打破傳統結構性終端空域和程序化運行方式對于CDO性能的限制，設計了一種倒皇冠形的柔性進場空域，能夠融合各個方向的進場交通流并生成初始CDO航跡，并通過規定兩種基礎運行模式：下降高度(Mode V)和水平飛行(Mode H)，保證航空器有序飛行，以簡化認知難度，提高運行效率和空域容量。

2) 建立了無沖突CDO航跡多目標優化模型及元啟發式求解算法。基于ICSAA空域結構，研究面向(預)戰術階段的CDO航跡優化問題，即以油耗和飛行時間作為優化目標，綜合考慮航空器動力學性能限制，提出了無沖突CDO航跡多目標規劃模型，設計了基于帶精英保留策略的非支配排序遺傳算法(NSGA-Ⅱ: Non-dominated Sort Genetic Algorithm-Ⅱ)的多目標優化高效求解算法，生成Pareto最優解集。通過設計單架、低密度和高密度不同交通場景，驗證了所提模型算法的合理性和有效性，論證ICSAA空域支撐高密度連續下降運行潛力。

1 新型進場空域設計

1.1 ICSAA結構

國際民航組織發布的Doc.9931《連續下降運行手冊》指出，基于合適的空域、程序設計和空中交通管制許可，CDO能夠通過優化航空器飛行剖面，建立低阻力構型，降低發動機推力，從而減少燃油消耗。本文基于當前一般進近空域水平和垂直范圍，轉變基于STAR的運行理念，通過改善和擴展傳統點融合程序，設計了一種新型柔性進場空域結構：倒皇冠形進場空域(ICSAA)，如圖2所示。

圖2 倒皇冠形進場空域Fig.2 Structure of ICSAA

ICSAA保留了傳統點融合程序中通過設置航路點，并以“直飛”指令來引導飛行，從而減少飛行員與管制員通信量的優勢。特別地，為解決傳統點融合排序邊對點融合程序運行性能的影響，本文將排序空間擴展為一個多層圓環，融合點位于圓心。如圖2(a)所示，本示例中的ICSAA設置了5個不同高度的圓環，高度間隔為300 m。最外層圓環高度為6 000 m，其上的航路點代表進場點；第5層圓環的高度為4 800 m，在其內側還設置了相同高度的多層航路點，其中每個航路點代表CDO的起始點。為保持進近航空器之間的安全間隔，每個圓環的圓周上設置若干航路點，相鄰航路點之間間隔為10°。各層圓環所處高度與半徑的比值等于tan 3°，即航空器在1～5層下降過程中的最大下滑角為3°；航空器到達第5層后，根據起始點選擇不同，保持3°～4°之間的下滑角飛向融合點。為確保航空器能夠截獲下滑道，融合點的高度設置為900 m。當航空器飛到融合點之后，保持高度，截獲下滑道開始最后進近。

便于描述，本文對ICSAA內的航路點逐一編號。除第5層圓環外，將每個圓環的航路點按照如圖2(b)逆時針方向標記為1～36的序數，并按照“(層數，序數)”格式進行命名(例如，“(2,7)”表示第2層正北方向的點)。航空器在到達第5層 圓環上的航路點之后，開始進行連續下降進近，并在融合點截獲下滑道。為確保截獲平順性，本文將最大切入角設置為60°，即圖2(b)中的包絡面的中心角為120°。因此，高度層4 800 m處的3個扇形環的最外側圓環編號為(5,1)～(5,13)，中間一層航路點編號為(5,14)～(5,26)，最內側航路點編號為(5,27)～(5,39)。

1.2 基本運行模式

ICSAA內，航空器飛行過程可以簡單分為2種：一是航空器在水平飛行階段時，高度保持不變，按照規定的繞向依次飛往各個航路點；二是航空器在進場階段控制油門和飛機構型等改變高度。因此，將ICSAA中的機動飛行表示為2種模式：Mode H和Mode V[37]，飛機在ICSAA內的飛行活動即可視為模式保持和切換。

此外，為了保證航空器在ICSAA中運行時CDO航跡的可預測性，航空器應沿多層圓環空域的航路點逐層下降，且原則上不能穿過ICSAA內部。為此，本文定義了Separation Z，如定義3所示。當且僅當航空器當前所在航路點與下一層目標航路點之間的水平間隔不大于給定值時，航空器可切換為Mode V；否則航空器保持Mode H沿圓環圓周飛行。可見，在外層排序環上，航空器具備Mode H和Mode V雙重運行模式，直至到達第5層后保持Mode V執行連續下降進近。

在多架航空器的場景中，情況將更加復雜。當航空器以Mode V下降高度，飛向下一高度層的圓環時，不僅需要滿足Separation Z約束，而且要保證在下降過程中與其他航空器之間沒有潛在飛行沖突；否則，應以Mode H保持高度沿圓環飛行尋找滿足下降條件的目標點和時機。當然，航空器在沿環形圓周飛行時，航空器主要通過微調速度與前機保持安全間隔。極端地，當航空器在其性能范圍內均無法通過改變高度和水平速度的方式保持與周邊航空器的安全間隔時，等待程序啟用。

綜上，與傳統點融合程序相比，ICSAA因其環形設計，最外側的圓環能夠融合來自各個方向的進場交通流，可在環形排序邊上容納更多航空器，降低排序難度，提升運行效率，亦可一定程度上支撐終端區進離場交通流分離、飛行限制區避讓和高空航路截彎取直。此外，當航空器下降到第4層圓環上時，可以選擇4 800 m高度(即第5層)上的任意航路點，以不同下滑角開始執行連續下降進近，增加了航跡選擇靈活性。基于此，下文將針對ICSAA運行特點，權衡飛行時間和燃油消耗，研究高密度航班流下的多目標無沖突CDO航跡規劃問題。

2 問題描述

本文將ICSAA結構抽象為一個網絡G=(V,E)。其中，網絡中的節點(i,j)表示終端區航路點所屬層數與序數。根據ICSAA結構，Mode H、Mode V以及Separation Z約束，構造鄰接矩陣Θ=e[(in,jn),(im,jm)]表征節點之間的有向連通性。若(in,jn)→(im,jm)連通時，e[(in,jn),(im,jm)]=1；否則為+∞。因此，航空器α的路徑p可以表示為一系列連通節點的集合。此時，ICSAA新型柔性網絡中連續下降進近的航跡優化問題可以表述為：根據未來一段時間窗內的各進場航班計劃進場點和預計到達時間，根據航空器性能，權衡優化油耗和飛行時間雙重目標，在滿足時效性要求前提下，在網絡G內連通性約束下統籌規劃航班飛行路徑和過點時間。

3 航空器四維軌跡建模

為準確評估ICSAA內實施CDO的性能，本文建立四維航跡模型模擬航空器飛行。Glover和Lygeros從牛頓動力學出發，提出了點質量模型(Point Mass Model, PMM)[38]。EUROCONTROL基于能量守恒定律提出了總能量模型(Total-Energy Model, TEM)[39]。在上述研究基礎上，針對點質量模型進行改進，以此來計算航空器連續下降運行過程中各飛行參數。

(1)

式中：x、y、h為航空器在三維坐標系中的位置；v為空速；τ為攻角；ψ為航向；W=(ω1,ω2,ω3)∈R3表示風速；T為發動機推力；D和L分別為空氣阻力和升力，表達式分別為

(2)

(3)

其中:S為機翼參考面積；ρ為空氣密度；CD、CL分別為阻力系數和升力系數，計算公式為

CD=CD0+CD2×(CL)2

(4)

(5)

式中：CD0和CD2為BADA中提供的計算系數。

在模擬航空器運動的過程中，推力的獲取至關重要。本模型借助牛頓運動第2定律，將推力的求解轉化為加速度的求解，并利用BADA推薦的速度-高度剖面[11]，采用如下公式變換，獲得加速度：

(6)

v(h)=-1.943×10-6·h2+0.034 99·h+73.34

(7)

為了使得模型更加接近航空器的真實運行狀態，本文使用了BADA中的大氣模型來模擬大氣特性(溫度、壓力、密度)隨高度的變化。式(2)～式(3)中的空氣密度ρ(kg/m3)是高度h的函數，使用理想氣體定律由該高度的大氣壓強p和溫度Tem計算得到：

圖3 速度-高度剖面曲線擬合Fig.3 Fitting curve of speed-height profile

(8)

式中：R為空氣的氣體常數，其值為287.052 87 m2/(K·s2)。Tem0為平均海平面標準大氣溫度，其值為288.15 K；ΔTem為平均海平面上給定非標準大氣與國際標準大氣之間的溫度差，本文設置為0；β為低于對流層頂高度的ISA溫度梯度，其值為-0.006 5 K/m；p0為平均海平面標準氣壓。

基于上述航空器性能模型式(1)～式(8)，記為性能方程組M，當航空器飛行起訖點(即ICSAA中的航路點，分別為(is,js)和(ie,je))、飛行路徑p以及初始速度v確定后，航空器依據BADA推薦的速度-高度剖面所得到的加速度進行速度控制，即可推定飛行過程中任意時刻t的航空器實時位置(x,y,h)。因此，航空器任意時刻位置可以表示為如下映射關系，可用于描述航空器四維軌跡，進而用于軌跡優化中航空器潛在飛行沖突判斷。

H(t,(is,js),(ie,je),p,v,M)=(x,y,h)

(9)

4 CDO軌跡優化建模

4.1 決策變量

為標識航空器α是否經過第i層第j個航路點，引入0-1變量χ(α)(i,j)，如式(10)所示：

(10)

進一步，為標識航空器飛越節點之間的連通性，引入變量表示航空器是否選擇該邊組成CDO路徑。設2個節點分別為(i1,j1)和(i2,j2)，滿足e[(i1,j2),(i1,j2)]=1，則

(11)

4.2 目標函數

為了評估CDO的運行成本和運行效率，本文設計了2個優化目標：航空器從進場點到飛越融合點所花費的燃油和飛行時間，如式(12)所示。需要說明的是，由于噪音影響與機場周圍區域的地理特征密切相關，本文所設計的新型終端區暫未加入地形障礙物等因素，因此，在優化目標中暫不將噪音影響納入，可在后續研究特定機場應用時加以考慮[40]。

(12)

式中:α表示不同的航空器；f(α)和t(α)表示在每架航空器在各條路徑上所花費的油耗和時間；N(i,j)表示與(i,j)連通的航路點。

在計算油耗時，采用了BADA中的TSFC(Thrust Specific Fuel Consumption)模型。對于噴氣式發動機：

(13)

式中：Cf1、Cf2、Cfcr為BADA給定的燃油流率計算參數；Time為個體適應度；fc為航空器的燃油流率，是一個瞬時值；則油耗為燃料消耗率在下降時段內的積分Fc，可近似為從進場點到FAF整個航跡上每段相同時間區間內油耗離散值之和，本文設置4 s。

4.3 約束條件

1) 唯一性約束

航空器α的路徑必須確保唯一性，即除融合點以外，航空器經過航跡中任意一點(ip,jp)后的下一個航路點有且僅有一個。

(ip,jp)∈{(i,j)|χ(α)(i,j)=1}

(14)

2) 程序性約束

為了確保航空器α必須經過ICSAA中的每一個高度層逐層下降，因此，每一層的χ(α)(i,j)的累加和都要大于或等于1：

(15)

3) 連通性約束

航空器α所選的路徑必須符合ICSAA運行規則，即航空器所選路徑的前后相鄰的航路點的在鄰接矩陣中的值為1。

e[(i,j),N(i,j)]=1

(16)

4) 加速度約束

加速度是一個與航空器性能相關的值，影響著航空器安全運行所需的推力，對于加速度的約束，也在間接約束了航空器運行所需的推力。考慮到旅客舒適度，加速度不能過大。BADA手冊建議最大縱向加速度：

(17)

5) 最后進近速度約束

當航空器開始著陸時，速度應盡可能使自己截獲下滑道。但有一個最小速度限制。最小著陸速度Vmin通過式(18)計算：

(18)

式中：常數1.3為BADA手冊中為所有航空器運行推薦的數值；Vstall為航空器在參考質量mref下的失速速度。

6) 安全間隔約束

C(t,α1,α2)=

(19)

綜上，新型空域下CDO航跡多目標優化模型如式(19)所示：

(20)

4.4 算法設計

此類路徑分配問題的復雜度隨著航空器架次增長以幾何級數增加，無法在多項式時間內得到和驗證解，屬于NP-Hard問題，且解之間存在獨立性，故而采用智能優化算法來求解[41]。基于精英保留策略的非支配排序遺傳算法(NSGA-II)是求解此類型多目標問題的經典算法，在求解質量和收斂效率方面具有綜合優勢[42-44]。NSGA-II算法執行過程如圖4所示。

圖4 NSGA-Ⅱ算法步驟Fig.4 NSGA-Ⅱ algorithm procedure

針對本問題的NSGA-Ⅱ適應性改進如下：

1) 編碼與解碼

2) 初始種群

初始種群作為啟發式算法的迭代起點，是影響種群進化結果和算法效率的重要因素。在單架航空器路徑優化時，隨機生成初始解，形成初始種群，進行路徑優化，獲得Pareto前沿解。而在進行多架航空器路徑優化時，采用直接隨機生成初始解的方法過于低效，故而本文隨機選取單架航空器的Pareto前沿解來拼接組合成為多架航空器進場路徑優化的個體，繼而形成初始種群，以此提高求解效率。

3) 非支配排序和擁擠距離排序

產生初始種群后，采用非支配排序方法對種群內的所有個體進行快速分層，形成多個不同等級的Pareto前沿，并根據擁擠比較算子來實現不同等級的非支配解的擁擠距離排序，以保持和增加解的多樣性。由非支配等級和擁擠度決定的適應度更強的個體被移動到種群前沿，用于產生下一代。

4) 遺傳策略

采用二進制錦標賽算法和精英保留策略對父代種群的個體進行選擇，選出精英個體進行交叉和變異得到子代種群。個體之間在交叉時，采用基于航班的交叉方式，即以一架航空器所對應的決策變量為單位進行交叉，交叉位置隨機選擇；而在變異時，對于每個基因位隨機選擇采用基本位變異。不滿足約束條件的個體將被賦予一個較大的值，并在求解過程中被自動拒絕。結合父代群體和子代群體，計算各染色體的適應度值，使用精英保留策略保留更優的染色體來產生新的父代群體。

5) 終止條件

通過設置最大迭代次數和檢驗每一代種群的收斂結果兩種方式來終止算法。其中，當種群中Pareto最優前沿解的數量超過種群規模的80%以上時，算法停止。

5 實驗設計

5.1 參數設置

實驗使用Intel Core i7-8550U CPU 1.80 GHz 四核處理器，16 GB內存，Windows 10 操作系統的筆記本電腦，采用MATLAB語言進行編程求解。NSGA-II算法控制參數設計如下：種群數量為2 000，最大迭代次數為80，變異概率為0.7， 交叉概率為0.3。

假設重力勢能高度等于地面高度，真空速等于地速，國際標準大氣壓，靜風。選取民航業主流機型——空客A320作為實驗機型。BADA 中A320的基礎參數如表1所示。

表1 空客A320性能參數Table 1 Performance parameters of Airbus 320

5.2 算法對比

為驗證NSGA-Ⅱ對于本文連續下降軌跡規劃問題的求解優越性，選取了速度受限的多目標粒子群算法(Speed-constrained Multi-objective Particle Swarm Optimization，SMPSO)和強Pareto支配算法(Improving the Strength Pareto Evolutionary Algorithm, SPEA2:)2種當前性能較優且應用廣泛的多目標優化算法[45]，以油耗和飛行時間為坐標軸，建立二維目標函數空間，采用Generational Distance (GD)、Inverted Generational Distance (IGD)、HyperVolume (HV)、Spacing和Maximum Pareto Front Error (MPFE)[45]5類評價指標，如式(21)所示，全面論證算法期望性能，即以用較少的計算資源得到覆蓋整個搜索空間、分布均勻且逼近Pareto前沿的非支配解集。其中，GD、IGD、Spacing以及MPFE是以距離為基礎，其值越小越好；而HV衡量非支配解在二維目標函數空間覆蓋的區域面積，其值越大越好。需要注意的是，在解算下列評價指標時，應對數據進行歸一化。

(21)

為對比NSGA-Ⅱ、SMPSO和SPEA2這3類算法在不同問題規模下的求解性能特征，設計了低中高3種不同密度的交通場景，即1/6/12架航空器同時進場。為增強可對比性，3類算法具有相同的收斂條件，并且，NSGA-Ⅱ和SPEA2的種群數量均為2 000，最大迭代次數均為80，交叉概率均為0.3，變異概率均為0.7，其交叉和變異策略保持一致；SMPSO算法中，粒子數量和Archive Size為2 000，最大迭代次數為80，最優求解性能所對應的粒子位置迭代更新參數設定如下：初始速度影響因子w=0.2，個體最優影響因子C1=0.2，全局最優影響因子C2=0.5。在上述基準參數下，3類算法的求解性能如表2所示。

由結果可知，盡管3類算法性能均隨著問題規模的增大而降低，但NSGA-Ⅱ在各類性能指標中始終優于其他2種算法。此外，以單架航空器為例，3類算法收斂表現如圖5所示。同樣，NSGA-Ⅱ的收斂速度明顯優于其他2種算法。因此，針對本文研究對象，NSGA-Ⅱ能夠更為高效和準確地收斂到Pareto最優解集附近。

表2 3類算法性能對比Table 2 Performance comparison of three different algorithms

基于NSGA-Ⅱ算法，下面將分別從單架、多架同時進場和多架連續進場視角，深入探討新型柔性空域下的連續下降航跡優化問題。

5.3 單架航空器航跡優化分析

單架航空器場景中，以第1層圓環5號點為進場點為例開展優化驗證，求解時間約為20 s。每一代的Pareto前沿隨著迭代次數的增加而不斷收斂，如圖5所示。優化后的部分可行解如圖6所示，其中紅色菱形中的解為Pareto最優前端，其所對應的CDO軌跡如圖7所示。進一步，為外層所有進場點尋求最優航跡解集，運行時間均小于30 s。表3展示了各個進場點經過優化以后的Pareto最優前端中油耗最少和飛行時間最短的解。其中，表中路徑序列包括4個數字，分別表示航空器從第2高度層下降至第5層所經過的航路點編號。

圖5 不同算法單架航空器Pareto前端收斂對比Fig.5 Convergence comparison of Pareto fronts evolving with generation in single aircraft scenario

通常情況下，飛行時間越長，燃油消耗越大，但是實驗結果表明油耗與飛行時間存在一定的權衡空間。鑒于此，本文首先對航空器下降過程中各飛行參數展開分析。如圖7所示，航跡1按照5-5-5-5的路線飛行，對應Pareto最優前沿解集中油耗最小解；航跡2按照5-5-5-31的路線飛行，對應Pareto最優前沿解集中飛行時間最短解。顯然，結果差異來自第5個高度層航路點選擇。如ICSAA結構所示，從第5層的不同航路點下降，意味著不同的CDO航跡下滑角。圖8(a)表示航空器高度隨時間的變化。可以看出，航跡2的高度總是高于航跡1。由于實驗中飛機的速度均符合BADA推薦的標準速度剖面，速度與高度成正比，因此，航跡2速度大于航跡1 (如圖8(b)所示)，花費下降時間更短。

圖6 單架航空器優化結果Fig.6 Trajectory optimization in single aircraft scenario

圖7 Pareto最優解航跡圖Fig.7 Trajectories of Pareto optimal solutions

表3 各進場點理想路徑Table 3 Optimal route for each entry point

最底層的環形排序邊高度為4 800 m，經過該高度層后，航空器開始進行連續下降進近。從圖8(a)中可以看出，航跡2開始實施CDO的時刻大約在250 s，而航跡1開始實施CDO的時刻大約在150 s。因此，航跡2在環形區域停留的時間更長。在環形區域停留期間需要提供額外的推力，故油耗較大。一旦航空器開始實施CDO時，發動機處于慢車或接近慢車狀態，燃油消耗接近于零。因此，航跡2的燃油消耗更多，整個飛行過程中的推力和燃油流率隨時間的變化如圖8(c)和圖8 (d)所示。

圖8 不同下降航跡飛行動力中特征對比Fig.8 Comparison of flight dynamics for different descending trajectories

5.4 多航空器航跡優化分析

維持高密度終端區內安全高效運行始終是CDO應用面臨的重要挑戰之一。為了進一步探究基于ICSAA的高密度終端區CDO性能，本文分別設計了同時進場和持續進場兩類交通場景，研究ICSAA的瞬時和持續運行能力。考慮到CDO下的管制沖突認知難度，為盡可能避免由于人為介入所引發的安全和效率降低問題，本文所有生成的最優航跡均無沖突。

5.4.1 場景1：多航空器同時進場

為探究基于ICSAA的CDO運行瞬時性能，本文設置了航空器數量4/6/9/12遞增的同時進場交通需求，其進場點等間隔均勻分布于ICSAA最外層圓環。每個交通場景下，基于航空器飛越最外層進場點時間和速度，利用本文所提出的優化模型為每架航空器規劃最佳路徑。優化求解時間在1～3 min之間，Pareto最優前沿如圖9所示。

總體上，隨著航空器數量遞增，Pareto最優前沿向右上方移動，平均油耗和平均飛行時間逐步遞增，且呈現逐漸平緩的趨勢，表明隨著空域擁堵程度的加深，油耗與飛行時間的權衡關系具有相對明顯的收斂特征。

圖9 多架航空器同時進場Pareto前端Fig.9 Pareto optimal fronts for multi-aircraft scenarios in which aircraft simultaneously arrive at entry point

以4架航空器為例，繪制了Pareto最優前沿兩端的解對應的軌跡，如圖10所示。對比圖10(a)與圖10(b)發現，除了紫紅色航跡外，所有航跡均不相同，且差別主要仍在于第5層航路點的選擇，即下滑角不同，與單機運行類似。在多機場景中，通過選擇不同下滑角有利于解決航空器之間的沖突，但對CDO航跡的油耗和飛行時間具有較為顯著的影響。

圖10 優化航跡對比Fig.10 Comparison of optimized trajectories

為進一步評估優化效果，本文選取優化后的Pareto前沿兩端分別與單架航空器理想運行結果進行對比，如表4所示。需要說明的是，為增加結果的可對比性，多航空器油耗最小解中的理想飛行時間是單架航空器獨立飛行最低油耗對應的飛行時間；同理，多航空器飛行時間最小解中的理想油耗是單架航空器獨立飛行最小飛行時間對應的油耗，均可從表3獲取。

結果表明，如表4所示，隨著航空器數量增大，平均油耗和平均運行時間一致性增長，油耗與飛行時間的增加比例整體亦呈增長趨勢，且油耗的增加趨勢更加明顯，如圖11所示。在不同擁擠程度下，取Pareto最優前端中油耗最小值時，最小平均油耗增加比例不超過20%，對應的飛行時間增加比例均小于5%；取Pareto最優前端中飛行時間最小值時，最小平均飛行時間增加比例不超過9%，對應的油耗增加量均小于13%。特別注意的是在部分場景下，油耗出現了負增加，其原因在于，本文選擇了單架航空器的Pareto最優前沿兩端作為參考，當航空器的飛行時間最小時，油耗相對較大；而在多架航空器的場景下，由于航空器必須要避免沖突，一般不能采用單架航空器的Pareto最優前沿中飛行時間最小解所對應的路徑飛行，在交通密度較低時存在油耗更低的路徑解空間。然而，隨著航空器架次和沖突頻率的增加，航空器必須采取更多的機動飛行以避免沖突，飛行時間和油耗呈現一致性增大，并均超過單架航空器Pareto最優前端性能。

綜上，在同時進場交通場景下，本文所提出的

表4 多架航空器同時進場優化結果對比

圖11 相較理想解增加比例對比(同時進場)Fig.11 Increased proportion of fuel consumption and trip time compared with ideal ones (for simultaneous arrivals)

新型空域下CDO航跡優化方法能夠權衡飛行時間與燃油消耗，為各航空器生成無沖突四維軌跡；與此同時，前沿解的額外油耗和額外飛行時間均在可接受范圍內，具有應對瞬態高密度交通需求的穩定高效性能。

5.4.2 場景2：多航空器持續進場

為探究基于ICSAA的CDO持續運行性能，本文設計了進場點固定，到達時間概率生成，數量不斷遞增的交通場景。設置了4個固定的進場點，編號分別設置為1、10、19和28。同一進場點相鄰航空器之間的到達時間間隔服從泊松分布，數學期望為2 min。同時，為了保證安全，相鄰兩架航空器之間仍應保持最小安全間隔。

由于航空器初始狀態與優化效果緊密關聯，因此，為評估航空器在極限狀態下的優化效果，本文基于表3中油耗最低路徑為各航空器生成經濟計劃航跡，采用Monte Carlo仿真(1 000 000次)提取沖突強度最大的交通場景進行驗證分析。其中，沖突強度計算采用離散時間(間隔4 s)沖突探測方法，統計全部進場航空器在飛行過程中所遭遇的潛在沖突次數之和。

航空器數量以4為單位從4架/20 min增加到16架/20 min，Monte Carlo仿真下的最大沖突強度如圖12所示，利用所提模型及算法開展航跡優化，求解時間約為3～5 min，優化結果如圖13所示。總體上，隨著空域密度的增加，飛行效率與油耗之間的權衡空間先增大后減小。低密度場景下，盡管航空器潛在飛行沖突較少，但由于飛行速度采用最優的速度-高度剖面，且航班數量較少，最優航跡組合下可權衡空間相對較小。高密度場景下，航空器之間的運行耦合程度高，空域態勢復雜，無沖突航跡解空間較小，最優前沿緊縮。特別地，在中等密度條件下，如進場率為12架次/20 min 時，航跡優化存在較為顯著的權衡區間，更能體現新型空域下CDO航跡規劃的彈性空間。

圖12 最復雜交通場景沖突強度Fig.12 Collision intensity in simulated traffic scenarios with highest complex

圖13 多架航空器連續進場Pareto前端Fig.13 Pareto optimal fronts for trajectory optimization in continuous arrival scenarios

同樣，取Pareto最優前沿兩端與理想運行結果進行對比分析。隨著航空器數量的增加，優化后的油耗和飛行時間增加比例呈現增長趨勢，如圖14所示。從最小油耗角度，不同密度的航空器運行時，最小油耗增加比例不超過30%，其所對應的平均飛行時間不超過10%。從最小飛行時間角度，最小平均飛行時間增加比例不超過10%，其所對應的油耗增加比例不超過15%，詳見表5。

表5 多架航空器持續進場優化結果

綜上，在持續進場場景下，本文所提新型空域下的航跡優化算法依然高效可靠，盡管隨著交通密度的增加，優化后額外平均飛行時間和油耗比例持續增長，但從增長絕對量上依然處于高效可接受水平，與理想性能相比，額外平均油耗36～72 kg，平均飛行延誤約1～2 min，能夠有效支撐高密度終端區高性能運行要求，有助于促進TBO模式下空管和航空公司的協同性水平。

圖14 相較理想解增加比例對比(持續進場)Fig.14 Increased proportion of fuel consumption and trip time compared with ideal ones (for continuous arrivals)

6 結 論

1) 深入剖析了CDO運行的限制因素，受傳統點融合技術的啟發，突破現有的終端區空域結構和運行模式，構建了支持全向進場的一種倒皇冠形柔性空域，并初步定義了航空器在該空域內的簡潔運行方式。

2) 以航空器飛行時間和油耗作為優化目標，綜合考慮各類約束限制，建立CDO航跡多目標優化模型，改進設計NSGA-Ⅱ高效求解算法，能夠支撐戰術階段無沖突四維航跡規劃。

3) 對比驗證了NSGA-Ⅱ算法優越性，全面探討了所提模型算法在單架、多架同時進場和多架持續進場等各類場景下的優化效果和特征，驗證了ICSAA內CDO航跡優化應對復雜交通態勢的有效性和高效性，對于支撐高密度終端區CDO運行具有顯著潛力，有助于推動TBO概念的應用落地。

4) 本論文是對新型空域下CDO航跡優化的理論探索，后續將采用中國機場及空域實際數據，進一步研究ICSAA在不同空域限制下的適應性變構技術，將噪音影響納入航跡多目標優化中。此外，如何建立基于動態空地協商的最優航跡多準則決選，也是下一步所開展的重要方向，為TBO下航跡協同和自主協商提供輔助決策。

[21] PAWELEK A, LICHOTA P, DALMAU R, et al. Fuel-efficient trajectories traffic synchronization[J]. Journal of Aircraft, 2019, 56(2): 481-492.