Particle Swarm Optimization with Required Time of Arrival Constraint for Aircraft Trajectory
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<div>Global warming has motivated the aeronautical industry to develop new technologies that will reduce polluting emissions. A direct way to achieve this goal is to reduce fuel consumption. Reference trajectory optimization contributes to this goal by guiding aircraft to zones where meteorological conditions are favorable to execute their required missions and thereby to reduce flight costs. In this article, the reference trajectory was optimized in terms of geographical position, altitude, and speed, by taking into account a Required Time of Arrival (RTA) constraint and weather conditions. The algorithm assumes that there is no traffic and that the aircraft can fly anywhere in the search space. The search space was modeled in the form of a unidirectional weighted graph, fuel burn was computed using a numerical model, and the weather forecast was taken into account. The methodology utilized in this article to determine the most economical combinations of parameters that delivered the optimal trajectory was inspired by the Particle Swarm Optimization (PSO) algorithm. Results showed that the algorithm provided acceptable solutions under traffic management constraints. It was observed that the developed algorithm was able to save up to 9.1% (6,800 kg) of fuel burn when there was no RTA constraint for flight trajectories and up to 1.8% (600 kg) of fuel against real, as-flown trajectories with an RTA constraint of ±30 seconds. Because of the nature of the PSO Algorithm, the local best trajectories are extracted and provided as a Trajectory Option Set (TOS), which is similar in cost as the optimal trajectory.</div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle