Airline operational crew-aircraft planning considering revenue management: A robust optimization model under disruption
Notice bibliographique
Résumé
Airline planning involves various issues that, in a general, can be grouped as network planning, schedule design and fleet planning, aircraft planning, and crew scheduling decisions. This study mainly aims to optimize the Crew Scheduling (CS) decisions considering the operational constraints related to Aircraft Maintenance Routing (AMR) regulations. Since, after fuel, crew costs are vital for airlines, and aircraft maintenance constraints are important operationally, the integrated Crew Scheduling and Aircraft Maintenance Routing (CS-AMR) problem is an important issue for the airlines. The present research addresses this problem using the Revenue Management (RM) approach under some disruption scenarios in the initial schedule. The proposed approach enables airlines to make more efficient decisions during disruptions to prevent flight delay/cancellation costs and recaptures an acceptable part of the spilled demand caused by disruption through the fleet stand-by capacity. This approach considers a set of disruptions in the flight schedule under different probable scenarios and provides the optimal decisions. Accordingly, airlines have two decision-making stages: Here-and-Now (HN) decisions related to the initial schedule for crew, aircraft routing and stand-by capacity to face probable disruptions and Wait-and-See (WS) decisions that determine what the executive plan of each crew and aircraft should be under each scenario, and how to use different options for flight cancellation and substitution. To this end, a novel Two-Stage Robust Scenario-based Optimization (TSRSO) model is proposed that considers the HN and WS decisions simultaneously. A numerical example is solved, and its results verify the applicability and evaluate the performance of the proposed TSRSO model. Regarding the complexity of the proposed MILP model categorized as NP-hard problems, we develop a computationally efficient solution method to solve large-scale problem instances. A single-agent local search metaheuristic algorithm, Adaptive Large Neighborhood Search (ALNS), is applied to solve the CS-AMR problem efficiently. According to the result obtained by applying the proposed revenue management approach for the CS-AMR problem, airlines can drive a robust solution under disruption scenarios that not only minimizes the total delay/cancellation costs but also increases the profit by recapturing the spilled demand.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».