舰载机调度优化：双层规划模型与混合算法实践

1. 项目背景与核心挑战

舰载机出动调度是航母作战体系中最复杂的动态规划问题之一。想象一下，在一个面积仅相当于三个足球场的飞行甲板上，需要同时调度数十架不同型号的飞机完成加油、挂弹、检修、牵引、起飞等一系列操作，这就像在棋盘上同时下多盘象棋，每个棋子的移动都会影响全局态势。

我在参与某舰载机调度系统研发时，发现传统单层优化模型存在三个致命缺陷：

1. 全局调度与局部执行强耦合，调整起飞序列会导致所有保障方案推倒重来
2. 算法收敛速度无法满足实战要求，当任务批次超过15架时，规划时间呈指数增长
3. 生成的路径存在"理论最优但物理不可行"的情况，比如要求飞机以不可能的角度转弯

2. 双层规划模型架构设计

2.1 上层模型（Leader层）关键参数

python复制class UpperLevelModel:
    def __init__(self):
        self.objectives = ['min_makespan', 'max_sortie_rate']  # 双目标优化
        self.decision_vars = {
            'sequence': [],      # 出动序列（离散变量）
            'elevator_assign': [], # 升降机分配（0-1变量）
            'parking_slots': {}   # 停机位坐标字典
        }
        self.constraints = [
            'aircraft_capacity',  # 甲板容量限制
            'elevator_throughput', # 升降机运力
            'fuel_weapon_match'   # 挂弹加油匹配
        ]

关键经验：上层模型的决策变量维度控制至关重要。我们通过"批次打包"策略将单机决策转为批次决策，使变量空间缩减了78%

2.2 下层模型（Follower层）实现细节

下层求解器采用事件驱动仿真，核心流程包括：

1. 路径规划阶段：基于改进RRT*算法生成平滑路径
2. 资源分配阶段：使用匈牙利算法解决多机-多保障组匹配
3. 冲突检测阶