The Soft Fixed Route Hybrid Electric Aircraft Charging Problem with Variable Speed
Notice bibliographique
Résumé
The shift toward sustainable aviation has accelerated research into hybrid electric aircraft, particularly in the context of regional air mobility. To support this transition, we introduce the Soft Fixed Route Hybrid Electric Aircraft Charging Problem with Variable Speed (S-FRHACP-VS), a novel optimization problem for managing hybrid electric aircraft operations that considers variable speed. The objective is to minimize total costs by determining charging strategies, refueling decisions, hybridization ratios, and speed decisions while adhering to a soft schedule. This paper introduces an iterative variable-based fixation heuristic, named Iterative Two-Stage Mixed-Integer Programming Heuristic (ITS-MIP-H), that alternatively optimizes speed and hybridization ratios while considering the soft schedule constraints, nonlinear charging, and nonlinear energy consumption functions. In addition, a metaheuristic genetic algorithm is proposed as an alternative optimization approach. Experiments on ten realistic flight instances demonstrate that optimizing speed leads to an average cost reduction of 7.64% compared to the best non-speed-optimized model, with reductions of up to 18.64% compared to an all-fuel-based heuristic. Although genetic algorithm provides a viable alternative that performs better than the best non-speed-optimized model, the proposed iterative variable-based fixation heuristic approach consistently outperforms the metaheuristic, achieving the best solutions within seconds. These results provide new insights into the integration of hybrid electric aircraft within transportation networks, contributing to advancements in aircraft routing optimization, energy-efficient operations, and sustainable aviation policy development.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».