Enhancing Best-First Search Algorithms for Aircraft Ground Trajectory Optimization With Non-Additive Cost Functions
Notice bibliographique
Résumé
This paper presents a study conducted at the Laboratory of Applied Research in Active Controls, Avionics, and AeroServoElasticity (LARCASE) for optimizing aircraft ground trajectories at airports using non-additive cost functions. For this purpose, the airport was modeled as an undirected graph composed of nodes and edges, with edge properties varying depending on the aircraft path. Consequently, the value of the cost function can not be determined by summing the cost of individual edges, but it also depends on the overall aircraft path. To address this challenge, a modified bi-directional A* algorithm was developed to find the optimal path between two nodes in the graph that minimizes fuel consumption or taxiing time, while satisfying geometrical constraints. The cost function used in the optimization algorithm was defined as non-additive, making the proposed optimization algorithm suitable for solving more complex problems where traditional Best-First Search (BFS) methods, such as Dijkstra or A* algorithms, fail to provide optimal solutions (considering non-additive cost functions). The proposed algorithm was tested at Montreal (CYUL) Airport using a fuel consumption model of the Cessna Citation X business jet aircraft derived from a Level-D Research Aircraft Flight Simulator (RAFS). The results showed that it was possible to reduce the aircraft fuel consumption by an average of 3.86% and the taxiing time by an average of 4.10%.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».