第 40 卷 第 4 期 中 国 民 航 大 学 学 报 Vol.40 No.

4
2022 年 8 月 JOURNAL OF CIVIL AVIATION UNIVERSITY OF CHINA August 2022

基于 MOPSO 的民航电动特种车辆充电调度策略

高建树 a，陈 煜 b，赵志民 b

（中国民航大学 a.机场学院；b.电子信息与自动化学院，天津 300300）

摘 要： 针对机场航班保障车辆调度问题，传统 的 研 究 对 象 主 要 为 燃 油 特 种 车 辆 且 大 都 基 于 人 工 经 验 和 单 车 单 航
班调度，无法适用于当前特种车辆电动化的实际情况。 通过分析航班保障任务的业务流程，以减少机场电
动特种车辆的数量和充电时长为目标，建立电动特种车辆充电调度模型，采用多目标粒子群优化（MOPSO ，
multi-objective particle swarm optimization ）算法对模型求解，并以国内某机场实际数据为例，验证了模型 求
解算法的有效性。 实验表明：该方法可以减少 5 辆特种车辆且充电时长降低了 14.60%，较好地解决了机场
电动特种车辆的充电调度问题，提升了机场电动特种车辆运行效率。
关键词： 机场运行；电动特种车辆；车辆调度；充电管理；多目标粒子群优化算法
中图分类号： V35 ；TP29 文献标志码： A 文章编号： 1674－5590 （2022 ）04－0054－07

Charging scheduling strategy of civil aviation electric special

vehicles based on MOPSO

GAO Jianshua, CHEN Yub, ZHAO Zhiminb

（a. College of Airport Engineering; b. College of Electronic Information and Automation, CAUC, Tianjin 300300, China）

Abstract: In view of the problem of airport flight support vehicle scheduling, the traditional research mainly focuses on
fuel vehicles and is mostly based on manual experience and single vehicle with single flight service, which
cannot be applied to the current electricization of special vehicles. The analysis of the business process of the
flight ground support task along with the specific departure time of the airport flight can help to reduce the
number of electric special vehicles in the airport and to shorten the charging time. The charging scheduling
model of electric special vehicles is established and the multi-objective particle swarm optimization algorithm
is used to build the model. The effectiveness of the model is verified in a domestic airport as a specific case.
The experiment shows that this method can spare 5 special vehicles and reduce the charging time by 14.60%,
which can solve the problem of charging scheduling of airport electric special vehicles and improve the oper－
ating efficiency of airport electric special vehicles.
Key words: airport operation; electric special vehicle; vehicle dispatching; charge management; multi -objective particle
swarm optimization

随着中国民航业的迅猛发展，航班数量急速增长， 所以传统的燃油特种车辆无需考虑自身的能源补给。
这就要求机场航班地面保障服务有更高的效率。据相 而电动特种车辆受限于电池技术导致充电时间较长
[1]
关资料 显示，地面特种车辆调度失误是航班延误主 和续航能力较差，所以考虑机场电动特种车辆充电时
要原因之一，因此提升特种车辆调度的准确性，减少 长的特种车辆调度管理成为航班地面保障服务研究
调度失误是民航特种车辆正常运行的主要任务。而随 的关键问题之一。
着中国民用航空局“油改电”项目的实施，中国机场燃 目前，国内外对特种车辆的调度研究主要采用单
[2]
油特种车辆将逐步被电动特种车辆替代 。电动特种 车单航班调度的方式[3-6]，此类调度方式可以快速地解
车辆与燃油特种车辆有着明显区别，传统的燃油特种 决某一种特种车辆的调度问题，但对于整个机场特种
车辆补给一次燃油即可进行多次航班地面保障服务， 车辆的调度效率较低。针对多类型特种车辆的调度，

收稿日期： 2020-11-26；修回日期： 2021-03-10

作者简介： 高建树（1966—），男，
河南周口人，研究员，
博士，研究方向为民航特种设备研发.
 第 40 卷 第 4 期 高建树，陈煜，赵志民：
基于 MOPSO 的民航电动特种车辆充电调度策略 - 55 -

相关学者采用智能算法建立调度模型并进行求解[7-9]， 种电动特种车辆数量，在航班地面保障服务之前，确
但仍存在忽视不同类型特种车辆进行航班保障服务 定各电动特种车辆的服务次序（对于同一航班的不同
任务之间的时间约束关系的问题。随着机场电动特种 航班保障任务，食品车必须优先于摆渡车完成航班保
车辆增加，部分学者针对电动特种车辆进行了相关研 障任务， 摆渡车必须优先于客梯车完成航班保障任务）
究[10-11]，但仅考虑了电动特种车辆的充电问题，没有解 及其充电时间， 建立民航电动特种车辆充电调度模型，
决多航班保障任务之间的次序问题，无法体现航班保 制定每辆特种车辆的服务开始时间窗，最终完成民航
电动特种车辆与等待服务的航班匹配。
障服务任务之间严格的次序关系。
1.2 参数描述
目前针对特种车辆的相关研究大多基于单一车
M = {1， 2，…， m}表示电动特种车辆种类集合；
型进行调度或针对传统的燃油特种车辆进行研究，由
Ni 表示第 i 种电动特种车辆的数量；
于电动特种车辆自身充电所耗时间远大于传统的燃
Cij 表示第 i 种电动特种车辆第 j 辆车；
油特种车辆，所以传统的燃油特种车辆调度策略并不
F = {1，2，…，f }表示需进行航班地面保障服务的
适用于当前应用更为广泛的电动特种车辆的调度。因
航班集合；
此，对民航电动特种车辆充电调度的研究，在严格遵 P = {1，2，…，p}表示可供电动特种车辆进行电量
守航班保障任务次序关系的前提下，结合磷酸铁锂电 补给的充电桩集合；pij 表示第 i 种电动特种车辆第 j
池“浅充浅放”模式的实际使用方式，通过对一段时间 辆车在 p 充电桩进行充电；
内航班任务所需服务车辆的耗电情况的整体计算，将 Tijb 和 Tije 分别表示第 i 种电动特种车辆第 j 辆车开
航班地面保障服务任务合理分配给机场内的电动特 始充电的时间和完成充电的时间；
种车辆，使得电动特种车辆可以依据其航班保障任务 Tijf 和 Tij(f+1)分别表示第 i 种电动特种车辆第 j 辆车
的耗电量进行准确的充电补给，进而避免了车辆因充 服务航班 f 的结束时间和服务航班 f + 1 的开始时间；
电时间过长而过多占用充电桩和因充电时间过短导致 Sc 表示电动特种车辆充电速率；
车辆频繁充电的情况出现，进而达到提升充电桩的使 Eij 和 Eijsoc 分别表示第 i 种电动特种车辆第 j 辆车
用效率，
降低车辆总体充电时长的目的，
最终提升车辆 在充电期间增加的电量和剩余的电量；
调度的准确性。本文采用多目标粒子群优化（MOPSO， Qif 表示航班 f 的第 i 种电动特种车辆服务所需
电量（无负载运行电量和航班保障服务电量）；
multi-objective particle swarm optimization）算法，运用
Matlab 进行编程并求解模型。粒子群优化算法有很多 { Eijsoc≤Qif + 20% 第 j 辆车寻找充电桩进行充电
Eijsoc > Qif + 20% 第 j 辆车进行航班保障服务
优点，包括目的性强、寻优方向清晰、收敛速度快、与
αif 和 βif 分别表示航班 f 接受第 i 种电动特种车辆
其他算法更容易结合[12]，目前该算法在电动车辆有序
的航班保障服务的最早开始时间和最晚开始时间；
充电问题 [13-14]中运用成熟，本文提到的民航电动特种
xijf 表示第 i 种电动特种车辆第 j 辆车是否正在进
车辆充电调度也同属于该问题，有一定的延续性。通 行航班 f 保障服务任务，即
过对模型求解最终实现了减少特种车辆数量和降低
充电时长的目的，可为民航电动特种车辆充电调度问 xijf = {
1
0
正在进行航班 f 保障任务
否则
题的研究提供借鉴。 yijf 表示完成航班 f 保障任务的第 i 种电动特种车
辆第 j 辆车是否继续进行下一航班保障任务， 即
1 民航电动特种车辆充电调度建模
yijf = {10 继续进行下一航班保障任务
否则
1.1 问题描述 1.3 模型规则制定
通常在航班离港前，需由多种民航特种车辆来完 针对民航电动特种车辆进行充电调度管理研究，
成排除污水、更换清水、配备餐饮、装载货物、乘客换 并制定如下规则：①每种电动特种车辆数量给定并不
乘等一系列航班地面保障服务。 再改变；②每种电动特种车辆服务时间给定并不再改
以下针对 6 种不同类型的电动特种车辆的充电 变；③任一特种车辆的航班保障服务开始后，完成之
调度管理进行相关研究。给定需要进行航班地面保障 前不会中断；④任一架航班的每种服务一次只需要一
服务的飞机数量，以及可进行航班保障服务任务的各 辆特种车辆完成；⑤每个充电桩可同时为两个电动特
 - 56 - 中国民航大学学报 2022 年 8 月

种车辆进行充电；⑥同一车辆完成的相邻两个航班保 增大，所以通常只能得到问题的多个可行解，即“非劣
障任务之间需预留 5 min 空余时间。 解”，称其为 Pareto 最优解，且多目标组合优化问题一
1.4 电动特种车辆充电调度模型构建 般会得到多个 Pareto 最优解。
1）目标函数 目前，大规模的组合优化问题常用群智能算法来
最小化电动特种车辆总数量，即 解决，常用的群智能算法有粒子群优化、蚁群优化、鱼
m Ni
群算法等。而粒子群优化算法更适合本研究的特性。
minΣΣCij （1）
i=1 j=1 因此，在解决民航电动特种车辆充电调度管理问题
最小化电动特种车辆充电时间，即 时，采用多目标粒子群优化算法进行求解。
m Ni 2.1 多目标粒子群优化算法
minΣΣ（Tije - Tijb） （2） 标准的粒子群优化算法的流程如图 1 所示。
i=1 j=1

2）约束条件 开始
Ni

Σx
j=1
ijf =1 ∀i∈M 种群初始化及参数设置

f∈F （3）
计算粒子适应度值
xijf∈{0，1} ∀i∈M j∈{1，
2，…，Ni}
f∈F （4） 更新 pbest 和 gbest
e
αif≤（T + 5）≤βif
ij ∀i∈M j∈{1，2，
…，Ni}
f∈F （5） 更新粒子的速度和位置

yijf∈（0，
1） ∀i∈M j∈{1，
2，…，Ni} 否
是否满足条件
f∈F （6）
是
Tij( f + 1)≥Tijf + 5 ∀i∈M j∈{1，2，…，Ni}
结束
f，f + 1∈F （7）
pij≤2 ∀i∈M j∈{1，2，…，Ni} 图 1 粒子群优化算法流程图
Fig.1 Flow chart of particle swarm optimization algorithm
pij∈P （8）
Eij =（Tije - Tijb）× Sc ∀i∈M j∈{1，2，…，
Ni} （1）设置种群参数、变量范围等相关参数，并随机
（9） 将一群含有位置和速度信息的粒子均匀分布在给定
式（3）表示每架航班只能由一种类型车辆中的一 的寻优空间中并进行初始化。
辆特种车辆进行服务；式（4）表示同一辆电动特种车 （2）计算群体中每个粒子的适应度值。
辆同一时间仅可进行一个航班的保障服务任务或无 （3）对每个粒子的适应度值都要与之前找到的最
航班保障服务任务；式（5）表示第 i 种电动特种车辆第 优适应度值进行比较，如果当前位置较好，则将个体
j 辆车完成充电后 5 min 内要开始航班 f 的航班保障 k
最优位置 pbest 设置为这个粒子的位置，然后更新种群
任务；式（6）表示当 yijf = 1，则可以进行下一航班保障
k
任务，当 yijf = 0，则选择充电桩进行充电；式（7）表示航 最优位置 gbest 。
班 f + 1 任务 开 始 时 间 应 在 航 班 f 任 务 完 成 之 后 5 （4）根据粒子速度和位置更新公式更新粒子的速
min；式（8）表示充电桩 p 最多可为 2 辆电动特种车辆 度和位置如下
k
同时进行充电；式（9）表示充电期间第 i 种电动特种车 vk+1（i，d）= v（i，
k k
d）+ c1 rand[pbest（i，d）- x（i，d）] +
辆第 j 辆车补充的电量。 k
k
c2 rand[gbest（d）- x（i，
d）] （10）
k+1 k k
x （i，d）= x（i，d）+ v（i，d） （11）
2 电动特种车辆调度模型求解
式中：i 表示粒子序号；k 表示迭代次数；d 表示 D 维空
上述所提的民航电动特种车辆充电调度管理问 间中坐标序号；c1 和 c2 是取值范围为 1~2 的常数，用
题是一个组合优化问题。对于这类优化问题，通常很 于表示个体和种群历史信息对粒子运动行为的影响；
k k
难通过数学方法得到一个最精确的解，由于问题规模 rand 是 0~1 的随机数；p best 表示个体最优位置；g best 表
 第 40 卷 第 4 期 高建树，陈煜，赵志民：
基于 MOPSO 的民航电动特种车辆充电调度策略 - 57 -

示种群最优位置；xk 表示粒子当前的位置。
式（10）包括
3 个组成部分：第 1 部分表示粒子当前速度，为下一代
粒子提供飞行指示；第 2 部分表示粒子认知，避免落
入局部最优求解的情况出现；第 3 部分表示粒子受群
体信息影响进行交互式学习。
（5）判断给定的终止条件是否满足。若满足，
则停
止，并输出最终得到的结果；否则回到步骤（2）继续
检索。
2.2 模型求解
考虑航班保障任务所需电量的民航电动特种车
辆充电调度的具体求解步骤如下。
（1）航班时刻表统计。对某机场当日航班离港时
刻进行记录。
（2）航班保障任务车辆次序规定。根据相关规定
对不同类型航班保障任务车辆的次序进行规定。
（3）机场内信息系统数据输入。机场内信息系统
数据包括电动特种车辆数量、电池容量、起始剩余电
量信息和充电桩数量及其充电功率大小等。
（4）参数设置。设置多目标粒子群优化算法参数，
食品车 10 辆，总计 90 辆民航电动特种车辆可为离港
航班的地面保障服务使用。车辆行驶速度为 20 km/h[15]。
所有车辆电量剩余初始值在 35%~65%内随机分布。
上述车辆从 20%（欠电状态）到 100%（满电状态）的充
电时间为 3.5 h。车辆进行一次航班保障服务任务所需
电量为：摆渡车 3%；行李传送带车 4%；客梯车 4%；清
水车 2%；污水车 2%；食品车 3%。该时间内有 10 个充
电桩（20 个充电枪）可为上述车辆进行充电。车辆在电
量≤20%时前往充电桩充电，电量为 20%~60%之间的
车辆可在空闲时间超过 30 min 时进行充电，其中电量
最低的优先充电。
3.2 航班保障服务数据
经过对国内某机场调研，该机场在当日 7:45—
22:40 之间的航班离港时间如表 1 所示。表 2 分别为
摆渡车、行李传送带车、客梯车、清水车、污水车、食品
车对各离港航班进行地面保障服务开始时间窗，每辆
车须在时间窗内开始对航班进行服务。
表 1 部分航班离港时刻表
Tab.1 Departure schedule of some flights

其中种群规模设置为 100，最大迭代次数设置为 50。 编号 航班号 离港时刻 机型

（5）种群编码与初始化。种群采用整数编码，
种群 01 SC4731 7:35 B738

维度为航班数量 × 所需车辆种类数目，每个个体元素 02 SC4705 7:35 B738

表示该航班分配的各类车辆的编号。初始种群在车辆 03 MU5512 7:40 A320

编号范围内随机生成，计算初始适应度，每个个体的 04 SC4633 7:40 B737

适应度值有两个，即电动特种车辆种类数量和电动特 05 SC4651 7:45 B738

06 SC4739 7:45 B738
种车辆充电时间，
同时个体需满足约束条件。
07 SC4661 7:50 B738
（6）确定是否已经达到最大循环迭代次数，如果
08 SC4695 7:50 B738
未达到迭代次数，则将迭代次数增加 1，然后转到步骤
09 SC4611 7:55 B738
（5）以更新调度策略。
10 MU5257 8:00 A320
（7）计算完成，
输出最终达到满足条件的结果。
…

3 实验数据
针对上述民航电动特种车辆充电调度管理这一
课题的研究，利用多目标粒子群优化算法，并通过
Matlab2018b 软件进行仿真。以国内某机场一天中
7:45—22:40 内的航班离港时刻数据为例，实现该机场
民航电动特种车辆的调度管理，并验证民航电动特
种车辆充电调度模型和多目标粒子群优化算法的可
行性。
3.1 民航电动特种车辆数据
该机场此时间段内有摆渡车 10 辆、行李传送带
车 25 辆、客梯车 15 辆、清水车 15 辆、污水车 15 辆、
不同类型航班地面保障车辆所需的平均服务时
间均有所不同，根据具体的机场调研得到摆渡车、行
李传送带车、客梯车、清水车、污水车及食品车单次进
线航班保障服务任务的平均时间分别为：15、15、15、
5、
5、10 min。
6 种类型特种车辆的调度分别属于客舱服务和货
舱服务，由于在服务期间服务对象相同的需要遵守一
定的次序关系，各类型航班保障车辆之间的次序关系
如图 2 所示，其中，清水车须在污水车服务结束之后
进行，食品车完成服务之后，摆渡车与客梯车开始进
行工作，行李传送带车单独服务于货仓，无需考虑其
次序关系。
 - 58 - 中国民航大学学报 2022 年 8 月

表 2 航班保障服务开始时间窗
Tab.2 Time window for the start of the flight support service

摆渡车 行李传送带车 客梯车 清水车 污水车 食品车

编号 最早开始 最晚开始 最早开始 最晚开始 最早开始 最晚开始 最早开始 最晚开始 最早开始 最晚开始 最早开始 最晚开始
时间 时间 时间 时间 时间 时间 时间 时间 时间 时间 时间 时间
01 395 420 430 440 385 435 350 415 350 410 355 415
02 395 420 430 440 385 435 350 415 350 410 355 415
03 400 425 435 445 390 440 355 420 355 415 360 420
04 400 425 435 445 390 440 355 420 355 415 360 420
05 405 430 440 450 395 445 360 425 360 420 365 425
06 405 430 440 450 395 445 360 425 360 420 365 425
07 410 435 445 455 400 450 365 430 365 425 370 430
08 410 435 445 455 400 450 365 430 365 425 370 430
09 415 440 450 460 405 455 370 435 370 430 375 435
10 420 445 455 465 410 460 375 440 375 435 380 440
…

…
污水车 清水车 电动特种车辆每辆车对应的服务航班编号如图 3 所
示；各类型车辆每辆车的充电时间如图 4 所示。
开始 食品车 摆渡车 客梯车 离港 表 4 电动特种车辆初始剩余电量
Tab.4 Initial residual power of electric special vehicles
行李传送带车
车辆类型 初始剩余电量/%
图 2 各类型航班保障服务车辆次序关系 摆渡车 43.24 62.74 46.79 39.36 53.14 40.02 37.97
57.24 63.12 64.74
Fig.2 Sequence relationship of vehicles for various types of
行李传送带车 52.58 42.02 52.11 37.46 51.33 35.66 56.49
flight support services
35.31 61.62 47.88 48.89 53.61 37.78 63.44
43.41 41.97 42.97 52.17 61.93 51.64 57.88
39.43 48.26 43.73 61.77
4 实验结果分析 客梯车 53.19 43.10 59.62 52.56 48.60 58.84 46.05
57.61 54.36 52.56 52.57 35.98 45.86 61.91
64.65
采用 MOPSO 算法对所述民航电动特种车辆充电 清水车 50.88 39.14 40.33 43.55 45.44 50.76 60.43
调度模型进行求解，在最终得到的车辆总数量及充电 42.08 54.06 43.96 51.46 56.93 62.05 63.39
47.06
时间的 Pareto 解中选取 3 组解，如表 3 所示。
污水车 60.59 54.42 50.52 43.43 45.56 61.68 43.36
表 3 车辆总数量及充电时间的 Pareto 解 45.59 53.23 49.15 52.67 43.76 42.68 51.57
Tab.3 Pareto solution of total number of vehicles and charging time 37.87
食品车 38.62 44.28 48.97 49.68 39.25 63.07 43.90
Pareto 解 车辆总数量/辆 充电时间/min
37.09 62.57 52.12
第1组 87 5 026
第2组 86 5 031
以图 3（a）及图 4（a）中 4 号摆渡车为例，在这一时
第3组 85 5 230
间段的航班保障任务开始之前，4 号摆渡车所剩电量
针对所得的 Pareto 解，对最终方案选取的原则为： 为 39.36%，在其完成 7 号航班的乘客输送任务之后，
首先要满足在航班离港时间之前，各类型车辆尽可能 该辆摆渡车选择在 7:05—9:33 之间的时间段内进行
地在服务时间窗内完成航班保障任务，同时尽可能减 148 min 的充电，这段时间所补给的电量足够 4号摆
少特种车辆的数量及特种车辆的充电时长。经过比较， 渡车完成其在当日 9:33—22:40 时间段内剩余的航班
最终选取车辆总数量为 85 辆，充电时间为 5 230 min 保障服务任务。
这组解。 根据整体航班保障服务任务所需电量的计算与
在该组解中：所有民航电动特种车辆的初始电 统计，使得每辆民航电动特种车辆的服务任务及充电
量在35%~65%之间随机分布如表 4 所示；各类型民航 时长有了更明确规定。其中在当日的航班保障服务期
第 40 卷 第 4 期 高建树，陈煜，赵志民：
基于 MOPSO 的民航电动特种车辆充电调度策略 - 59 -

10 25 15
9
8 20
车辆编号

车辆编号

车辆编号
7 10
6 15
5 10
4 5
3 5
2
1
0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100
航班号 航班号 航班号
（a）摆渡车 （b）行李传送带车 （c）客梯车

15 15 10
8
车辆编号

车辆编号

车辆编号
10 10
6
5 5 4
2
0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100
航班号 航班号 航班号
（d）清水车 （e）污水车 （f）食品车
图 3 电动特种车辆服务对应航班号
Fig.3 The flight number corresponding to the electric special vehicle service

7 30 16
6 25 14
5 12
车辆编号

车辆编号

车辆编号

20 10
4
15 8
3
10 6
2 4
1 5 2
0 0 0
420 440 460 480 500 520 540 560 580 400 450 500 550 600 650 700 750 400 450 500 550 600 650 700 750
时间/min 时间/min 时间/min
（a）摆渡车 （b）行李传送带车 （c）客梯车

15 15 12
10
车辆编号

车辆编号

车辆编号

10 10 8
6
5 5 4
2
0 0 0
350 400 450 500 550 600 650 700 350 400 450 500 550 600 350 400 450 500 550 600 650 700 750
时间/min 时间/min 时间/min
（d）清水车 （e）污水车 （f）食品车
图 4 电动特种车辆充电时间
Fig.4 Charging time of electric special vehicles

间共有 52 辆电动特种车辆在此时间段内需要补充电
量，若不对充电时长进行规定，
车辆每次充电都达到满 5 结语
电状态才停止充电，
则所需总充电时长为 6 124 min；而
当电动特种车辆根据后续航班保障任务所需消耗的 为了适应当前机场特种车辆从燃油车辆转电动
电量进行对应的电量补给，则总体充电时长缩短至需 车辆的趋势，
通过分析航班地面保障任务的业务流程，
5 230 min，相比较节省了 14.60%的充电时长，为 112 对不同类型民航电动特种车辆进行次序约束，结合航
个航班提供服务时，减少了 5 辆电动特种车辆。 班离港时间及充电桩的使用，以减少机场民航电动特
 - 60 - 中国民航大学学报 2022 年 8 月

种车辆的数量和充电时长为目的，采用 MOPSO 算法， agents in dynamic airport resource scheduling[M]//Multiagent System Te-
chnologies． Berlin, Heidelberg: Springer Berlin Heidelberg, 2007: 133-
利用 Matlab 仿真验证所述的民航电动特种车辆充电
144．
调度模型，实验证明，所提调度策略不仅减少了民航
[7] DESROCHERS M, DESROSIERS J, SOLOMON M． A new optimization
特种车辆数量还可以明显缩短车辆的充电时长，较好 algorithm for the vehicle routing problem with time windows[J]． Opera-
地解决了民航电动特种车辆充电调度问题。 tions Research, 1992, 40(2): 342-354．
在实际工作中可能还会有天气环境等因素影响 [8] 殷 龙, 衡红军． 基于最邻近算法的机场特种车辆调度应用研究[J]．
机场车辆调度，下一步将对此进行深入研究。 计算机技术与发展, 2016, 26(7): 151-155．
[9] GHANNADPOUR S F, NOORI S, TAVAKKOLI-MOGHADDAM R, et
al． A multi-objective dynamic vehicle routing problem with fuzzy time
参考文献：
windows: model, solution and application [J]． Applied Soft Computing,
[1] 姚 韵, 朱金福, 柏明国． 航班过站地面服务的优化调度算法[J]． 信
2014, 14: 504-527．
息与控制, 2007, 36(4): 486-492．
[10] 罗云朝． 民航电动特种车辆能源补给技术研究[D]． 天津: 中国民航
[2] 殷向东． 大型机场航空地面设备“油改电”探索[J]． 科技创新导报,
大学, 2019．
2019, 16(7): 6-7, 9．
[11] 尚德轩． 机坪电动特种车辆运行优化调度方法研究[D]． 天津: 中国
[3] 吴孟丽, 于梦飞, 周 蕊, 等． 一种飞机地面集中除冰的新型优化调
民航大学, 2017．
度方法[J]． 计算机仿真, 2015, 32(12): 26-29, 66．
[12] 赵乃刚, 邓景顺． 粒子群优化算法综述[J]． 科技创新导报, 2015, 12
[4] SASKA M, HESS M, SCHILLING K． Route scheduling approach for
(26): 216-217．
airport snow shoveling using formations of autonomous ploughs[C]//2008
[13] 安 源, 薛宇轩． 基于粒子群算法的电动汽车有序充电控制策略[J]．
10th International Conference on Control, Automation, Robotics and
通信电源技术, 2019, 36(6): 33-34．
Vision, December 17-20, 2008, Hanoi, Vietnam． IEEE, 2008: 390-397．
[14] 沈 亮, 俞伟勇, 秦 奋． 基于改进粒子群算法的电动汽车有序充
[5] NORIN A, YUAN D, GRANBERG T A, et al． Scheduling de -icing
vehicles within airport logistics: a heuristic algorithm and performance 电策略[J]． 产业与科技论坛, 2017, 16(5): 76-77．

evaluation[J]． Journal of the Operational Research Society, 2012, 63(8): [15] 中国民用航空局. 航空公司航班正常运行标准(试行): [2013]83 号

1116-1125． [S]. 北京: 中国民用航空局, 2013.

[6] MAO X Y, TER MORS A, ROOS N, et al． Coordinating competitive (责任编辑：明 月）

■■■■■■■■■■■■■■■

■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■
■■■■■■■■■■■■■■■

《中国民航大学学报》版权声明
本刊已加入《中国学术期刊（光盘版）》、中国期刊全文数据库（CJFD）及万方数据数字化期刊群、维
普期刊全文数据库、中国台湾中文电子期刊服务—— —思博网（CEPS）、波兰《哥白尼索引》 （IC,Index of
Copurnicus）、美国剑桥科学文摘社（Cambridge Science Abstracts,CSA）等国内外知名数据库。凡本刊录
用的稿件将同时通过互联网进行网络出版或提供信息服务。凡投本刊的稿件一经录用，本刊即认定作
者将该文的复制权、发行权、信息化网络传播权、翻译权、汇编权等权利在世界范围内转让给本刊。该
著作权使用费与本刊稿酬一并支付。作者向本刊提交文章发表的行为即视为同意本刊上述声明。
■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■