基于蚁群算法的航班网络座位优化研究

计算机应用

基于蚁群算法的航班网络座位优化研究

张雯樊玮

中国民航大学计算机学院

收稿日期:2008-04-30 修回日期:1900-01-01 发布日期:2008-10-01 出版日期:2008-10-01
通讯作者: 张雯

Ant colony algorithm in airline seat inventory optimization

<a href="http://www.joca.cn/EN/article/advancedSearchResult.do?searchSQL=(((Wen Zhang[Author]) AND 1[Journal]) AND year[Order])" target="_blank">Wen Zhang</a>

Received:2008-04-30 Revised:1900-01-01 Online:2008-10-01 Published:2008-10-01
Contact: Wen Zhang

摘要/Abstract

摘要： 座位优化是航空公司增加收益的有效方法，航班网络座位优化是目前主要的研究方向。针对起始地目的地舱位票价（ODF）和座位数组合的复杂性，传统的优化模型由于决策变量数多，难以用于实际计算；改进的线性规划方法在一定程度上改善了模型的实用性，但在求解大规模的网络问题时，计算时间长，复杂度高。采用蚁群算法求解网络座位优化问题能克服以上不足。实验结果表明，蚁群算法能快速得到令人满意的解；同时，蚁群算法简化了问题复杂度，思想简单，易于实现。

关键词: 网络座位优化, 蚁群算法, 收益管理

Abstract: Airline seat inventory optimization is a very profitable tool for airline. Current researches are focused on network seat inventory optimization, which has high complication of combination of the ODF (Origin, Destination, Fare) and seat number. Due to the large number of decision variables, traditional optimization models are hard to compute. Although some LP approximation methods of traditional models improve their practical applicability, they still take long time to compute and have high complexity when network is large. We used ant colony algorithm to solve network seat inventory optimization in this paper. It is shown that ant colony algorithm can solve problem quickly and gain good results, and it is easy to implement.

Key words: network seat inventory optimization, ant colony algorithm, revenue management

张雯樊玮. 基于蚁群算法的航班网络座位优化研究[J]. 计算机应用.

Wen Zhang . Ant colony algorithm in airline seat inventory optimization[J]. Journal of Computer Applications.

[1]	韩舒宁, 徐敏, 董学士, 林青, 沈凡凡. 混合伊藤算法求解多尺度着色旅行商问题[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 695-700.
[2]	李二超, 齐款款. B样条曲线融合蚁群算法的机器人路径规划[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3558-3564.
[3]	段宇君, 王耀力, 常青, 刘鑫. 改进型蚁群算法融合混沌优化的pSPIEL算法的无线传感器布局优化[J]. 计算机应用, 2020, 40(3): 793-798.
[4]	屈立成, 吕娇, 赵明, 王海飞, 屈艺华. 基于三维时空地图和运动分解的多机器人路径规划算法[J]. 计算机应用, 2020, 40(12): 3499-3507.
[5]	刘育良, 陈淮莉. 负载影响下纯电动汽车配送路径规划及充电策略[J]. 计算机应用, 2020, 40(10): 2831-2837.
[6]	李卓, 李引珍, 李文霞. 应急物资运输路径多目标优化模型及求解算法[J]. 计算机应用, 2019, 39(9): 2765-2771.
[7]	王东先, 孟学雷, 乔俊, 汤霖, 焦志臻. 基于改进蚁群算法的铁路乘务交路计划的编制[J]. 计算机应用, 2019, 39(9): 2749-2756.
[8]	郭良敏, 朱莹, 孙丽萍. 障碍空间中基于并行蚁群算法的k近邻查询[J]. 计算机应用, 2019, 39(3): 790-795.
[9]	郑延斌, 王林林, 席鹏雪, 樊文鑫, 韩梦云. 基于蚁群算法及博弈论的多Agent路径规划算法[J]. 计算机应用, 2019, 39(3): 681-687.
[10]	杨继东, 孙兆琦, 王飞龙. 基于视觉抓取的并联桁架机器人最优路径控制[J]. 计算机应用, 2019, 39(3): 913-917.
[11]	王东先, 孟学雷, 何国强, 孙慧萍, 王喜栋. 基于改进蚁群算法的铁路乘务排班计划编制[J]. 计算机应用, 2019, 39(12): 3678-3684.
[12]	魏亚茹, 朱瑾. 自动化码头双场桥调度与集装箱存储选位建模[J]. 计算机应用, 2018, 38(4): 1189-1194.
[13]	王超, 朱明, 王敏. 基于管制员认知负荷和改进蚁群算法的扇区动态通行能力评估[J]. 计算机应用, 2018, 38(1): 277-283.
[14]	许凯波, 鲁海燕, 程毕芸, 黄洋. 求解TSP的改进信息素二次更新与局部优化蚁群算法[J]. 计算机应用, 2017, 37(6): 1686-1691.
[15]	鲍振华, 康宝生, 张雷, 张婧. 基于草图局部几何不变矩的图像检索方法[J]. 计算机应用, 2017, 37(6): 1753-1758.