Sunteți pe pagina 1din 21

Universitatea Politehnica Bucureşti

Facultatea de Inginerie Aerospaţială

Metode de optimizare pentru transport aerian

Modele bazate pe rețea pentru controlul traficului aerian

Student:
MOSCALIUC Georgiana

Profesor coordonator:
Prof. dr. ing. Adrian Dumitriu
Modele bazate pe rețea pentru controlul traficului aerian

Rezumat: Multe aspecte ale controlului de trafic aerian se încadrează în cadrul modelelor de
optimizare a rețelei cu obiective neliniare și neseparabile. Dezvoltăm două modele bazate pe
rețea pentru controlul traficului aerian în spațiul aerian din S.U.A. Primul model se ocupă de
obiectivele duale de monitorizare a congestiei pe rute cu jet de mare altitudine, reducând în
același timp costurile de transport. Cea de a doua se referă la fluxul optim de circulație care se
deplasează prin aeroporturi majore pentru a evita întârzierile la destinație.
Un interes deosebit ȋl reprezintă primul model, datorită creșterii înalte a volumului de trafic din
ultimii ani, a congestiei rezultate și a creșterii numărului de accidente. Un model prototip este
construit folosind date dintr-un sector de control din Midwest. Prin integrarea progreselor recente
în optimizarea numerică, teoria debitului rețelei și tehnicii de calcul am reușit să rezolvăm foarte
eficient problema rezultată, astfel demonstrând fezabilitatea acestuia. Sunt discutate experimente
computaționale cu date reale despre un supercomputer CRAY X-MP / 24.

Cuvinte cheie: Managementul traficului, optimizare de reţea, tehnici de calcul avansate.

1. Introducere

Într-o zi obişnuită în 1984, aproximativ 17000 de avioane au călătorit pe rutele de mare altitudine
peste continentul SUA. Decolarea și aterizarea unui astfel de avion sunt doar două dintre
milioanele de operațiuni cu care sistemul de control al traficului aerian (ATC) se ocupă în
fiecare an. Aproximativ 14000 de controlori monitorizează fluxul de trafic pe aceste trasee care
lucrează în trei facilități de bază: 398 turnuri de aeroport, 18 TRACON (controlul apropierii de
terminal prin radar) și 20 de centre de control al traseului. Complexitatea ATC este analizată într-
o serie de articole într-o ediție specială a Spectrumului IEEE (1986).

Controlorii de trafic aerian se străduiesc să prevină coliziunile și să mențină mișcarea traficul


eficientă. Aceștia sunt responsabili pentru păstrarea fiecărui avion în jurisdicția lui separată de
cel puțin 1000 de picioare pe verticală și cu cel puțin 5 mile pe orizontală. În mod remarcabil, în
ciuda potențialului de eșec, majoritatea zborurilor aeriene sunt fără incidente. Cu toate acestea,
volumul traficului a crescut în mod constant și, odată cu acesta, a crescut riscul accidentelor și
potențialelor ineficiențe. Numărul de coliziuni apropiate raportate în mediul aerian a crescut de la
584 în 1984 la 758 în 1985. Se așteaptă ca volumul traficului să crească cu 62% în următorul
deceniu. Ca răspuns, Administrația Federală a Aviației (FAA) intenționează să cheltuie 11
miliarde de dolari pentru un program de actualizare a sistemului de trafic aerian - numit Planul
Național al Sistemului Spațial Aerian. Unul dintre obiectivele primordiale ale acestui plan este de
a dezvolta proceduri adecvate pentru evaluarea și, în cele din urmă, controlul eficienței și
siguranței sistemului. În acest document propunem două modele. Primul model se ocupă de

1
obiectivele duale de monitorizare a congestionării pe rutele de mare altitudine, reducând în
același timp costurile de transport. Al doilea model se referă la fluxul optim de zboruri de plecare
prin aeroporturi majore pentru a evita întârzierile la destinație.

Utilizarea instrumentelor de programare matematică pentru studierea problemelor din aviația


civilă a ȋnceput cu Ferguson și Dantzig (1957). Mai recent, Bielli și colab. (1982) a dezvoltat un
model de rețea multimodală liniară pentru fluxul de trafic în apropierea aeroportului din Roma.
Booth și Harvey (1983) au propus o formulare integrală de programare pentru minimizarea
întârzierilor în trafic. Friedman (1986) a discutat un algoritm de stimulare pentru determinarea
vitezei optime a aeronavelor pentru îndeplinirea unui program prescris. Modelele menționate mai
sus au adus o perspectivă asupra problemei controlului zborului și au fost bine primite de către
practicieni - se referă la lucrările Conferinței de la Princeton (1983). Cu toate acestea, deși
plauzibilitatea acestor modele este evidentă, acestea sunt departe de a fi implementabile. În
primul rând, ele nu iau în considerare în mod integrat riscul asociat cu o politică economică
eficientă. În al doilea rând, nu a fost făcută nici o încercare de a evalua aceste modele folosind
date reale din instanțe la scară largă sau de a dezvolta algoritmi maleabili din punct de vedere
compuțional pentru analiza lor.
Lucrarea descrisă aici se abate de la cercetările anterioare în mai mulți factori:
(1) integrează într-un cadru unificat congestia (ca surogat de risc) și componentele de cost ale
controlului traficului aerian;
(2) subliniază soluția eficientă din punct de vedere computațional a acestor modele prin
integrarea avansărilorr în optimizarea numerică, teoria debitului rețelei și supercomputarea;
(3) evaluează aplicabilitatea acestor modele folosind date reale dintr-un sector reprezentativ al
centrului de control din Indianapolis pe o perioadă de șase ore.
Lucrarea este organizată după cum urmează: Secțiunea 2 prezintă detalii despre modelele de
control al traficului aerian care descriu structura rețelei. Dezvoltarea unui prototip pentru sectorul
de control din Indianapolis este discutată în secțiunea 3, urmată de o prezentare a metodologiei
soluției (adică optimizarea numerică și supercomputarea) din Secțiunea 4. Rezultatele
computaționale sunt prezentate în Secțiunea 5. Secțiunea finală discută utilizările posibile ale
modelului, identifică direcțiile de cercetare viitoare și rezumă concluziile.

2. Modelarea controlului traficului aerian

Spațiul aerian, în scopul controlului traficului aerian, este împărțit în mai multe moduri. La
înălțimi de peste 18000 de picioare, întreg spațiul aerian este considerat parte a sistemului ATC.
Acest spațiu aerian controlat este împărțit orizontal și vertical în aproximativ 500 de sectoare,
fiecare fiind manipulat de un controlor de trafic aerian și de un asistent. Pe măsură ce un avion
trece de la un sector la altul, este preluat de un alt controlor. La altitudini mai mici, spațiul aerian
de pe terminalele ocupate este desemnat ca zonă de comandă a terminalului. Toate aeronavele
care intră în acest spațiu - în formă de con inversat - trebuie să fie în contact cu un controlor. Sub

2
spațiul aerian sectorial și în jurul zonelor de control terminale aeronavele aviatice generale
operează în conformitate cu regulile de zbor vizuale. Pe lângă monitorizarea traficului prin
intermediul unor sectoare individuale de către controlori, o rețea de calculatoare calculează
fluxul de trafic la nivel național în aproximativ 40 de aeroporturi principale. Dacă un aeroport
este aglomerat și pot ajunge mai multe avioane decât pot fi suportate, se calculează o schemă de
întârzieri la sol pentru a menține avioanele în deplasare pentru aeroporturile supraaglomerate.

În consecință, fluxul global de trafic este determinat de posibilele întârzieri introduse de sistemul
centralizat sau de deciziile alternative de rutare efectuate de controlori. Descriem acum metode
de modelare matematică pentru aceste două componente ale sistemului. Primul model analizează
problema din punctul de vedere al controlorului, determinând altitudini optime și posibile
întârzieri pentru a evita congestionarea. Cel de-al doilea model studiază problema globală a
fluxului de trafic fără probleme, care prevede întârzieri optime pe aeroporturile principale.

2.1 Model integrat de planificare a costurilor / congestiei

Figura 1 prezintă un model cu mai multe perioade pentru un singur sector pentru toate
altitudinile posibile. Nodurile indică originea sau destinația zborurilor ale căror căi se deplasează
prin sectorul țintă în intervale de timp de interes (adică orizontul de timp). Arcurile indică căi de
interconectare între origine și destinație prin sectorul vizat.

Figura 1. Modelul rețelei de cost / congestie integrată

3
Nu solicităm ca aeroporturile de origine sau de destinație ale unui zbor să se afle în jurisdicția
sectorului țintă; căile de zbor ar trebui să traverseze sectorul pentru ca un zbor să fie inclus în
acest model. Rețineți că o aeronavă poate urma un număr de altitudini alternative în călătoria
printr-un sector pe o cale predeterminată. Pe măsură ce extindem modelul pe mai multe perioade
de timp, introducem noduri suplimentare în mod evident: un nod pentru fiecare aeroport în
fiecare perioadă de timp. Fluxul pe arce care interconectează mai multe perioade de timp
reprezintă întârzieri - fie la aeroporturile de origine, fie la aeroporturile de destinație.

Un nod de colectare pentru fiecare aeroport de destinație este introdus pentru a monitoriza
instalațiile terminale. Debitul pe arce care intră într-un nod colector într-o anumită perioadă de
timp indică sosirile totale și este limitat datorită capacității căilor aeriene. Utilizarea
multiplicatorilor pe aceste arce (model de rețea generalizată) modifică unitățile de la avioane la
pasageri și poate fi utilizată pentru studierea utilizării facilităților aeroportuare.

Modelul de optimizare de bază include obiectivele duale de optimizare a congestiei și a


costurilor. Costul este măsurat în ceea ce privește consumul de combustibil, fie pe traseu, fie din
cauza întârzierilor la decolare sau aterizare. Alte costuri, cum ar fi salariile echipajului și un
surogat pentru nemulțumirea clienților, pot fi de asemenea, incluse. Cuantificarea componentei
de risc a sistemului este o problemă critică și foarte controversată.
De exemplu, Odoni și Endoh (1983) iau în considerare o măsură probabilistică a riscului la
nivelul micro-evenimentelor și McDonald (1985) măsoară riscul ca funcție a volumului de
muncă al controlorilor. În scopul analizei noastre, optimizăm o măsură a riscului relativ: ideea
principală este de a compara o anumită normă de risc în cazul diferitelor scenarii sau stări de
sistem. Este recunoscut faptul că această măsură de risc nu se traduce într-o noțiune
probabilistică de coliziuni. Cu toate acestea, acesta oferă o măsură a unei cantități preferate (mai
puțină congestie este preferabilă decât o congestie mai mare). Ca atare, poate ajuta la
identificarea unei stări eficiente a unui sector de control cu congestie redusă. Congestia, așa cum
este specificată prin coeficienții de ocupare adecvați, este folosită ca surogat de risc. Coeficienții
sunt definiți după cum urmează:
𝐿𝑡
𝛼(𝑖,𝑗),(𝑘,𝑙) = (Timpul petrecut de aeronavele de pe ruta (i, j) la aceeași altitudine L cu aeronavele
de pe ruta (k, 1) în perioada t) / (Timpul petrecut de aeronave pe ruta (i, j) la altitudinea L în
timpul perioadei t).

Coeficienții de ocupare indică fracțiunea de timp în care două avioane se află unul în vecinătatea
altuia, contribuind astfel la congestionarea sectorului. Consultați secțiunea 3 pentru un exemplu
de calcul al coeficienților.
Riscul relativ la nivel de sistem este apoi definit ca:
𝑅(𝑥) = ∑t ∑L ∑(i,j),(k,l) αL(i,j),(k,l)
t
(xiLjt xkL lt )2 ,

4
unde xiLjt şi xkL lt indică numărul de zboruri pe rutele (i,j) şi (k,l) la altitudinea L ȋn aceeaşi
perioadă de timp t.
Vom introduce câteva notaţii adiţionale pentru a formaliza modelul:
𝑖𝑡 = Nodul de origine al aeroportului ȋn perioada de timp t.
𝑗𝑡 = Nodul destinatie al aeroportului ȋn perioada de timp t.
J= Nodul colector pentru aeroportul destinaţie 𝑗𝑡 , pentru toate t.
𝑥𝑖𝑡 = Numărul de aeronave care stau la nodul de origine i ȋn peioada de timp (t,t+1).
𝑥𝑗𝑡 = Numărul de aeronave întârziate la nodul de destinație j în perioada (t, t+1). Aceasta este o
notație convenabilă pentru 𝑥𝑗𝑡 𝑗𝑡+1 .
𝑥𝑖𝐿𝑗𝑡 = Numărul de aeronave de la aeroportul i până la aeroportul j în perioada t la altitudinea de
zbor L. Aceasta este o notație convenabilă pentru 𝑥𝑖𝐿𝑡𝑗𝑡𝑡 .
𝑥𝑗𝑡 𝐽 = Numărul de zboruri de la aeroportul j cu permisiune pentru aterizare în perioada de timp t.
Aceasta este o notație convenabilă pentru 𝑥𝑗𝑡 𝐽
𝐶𝐺𝑖 = Consumul de combustibil al zborurilor întârziate la sol la aeroportul de origine i.
𝐶𝐴𝑗 = Consumul de combustibil al zborurilor întârziate în aer la aeroportul de destinație j.
𝐶𝑖𝐿𝑗 = Consumul de combustibil al zborurilor de la i la j care se deplasează la altitudinea L.
𝑠𝑖𝑡 = Numărul de zboruri originare la aeroportul i în perioada t.
𝑈𝑇𝑡 = Legat de numărul de zboruri pe care aeroportul i le poate găzdui în coada de decolare.
𝑈𝐿𝑗 = Legat de numărul de zboruri pe care aeroportul j le poate găzdui în coada de aterizare.
𝑑𝑗 = Legat de numărul de pasageri pe care aeroportul j ȋi poate găzdui.
𝑚𝑖𝑡 𝐽 = Numărul mediu de pasageri per avion aterizaţi la aeroport j în perioada t.

Indicele t al unui parametru sau al unei variabile este abandonat dacă nu există nicio ambiguitate
în acest sens. De exemplu, scriem 𝐶𝐺𝑖 ȋn loc de 𝐶𝐺𝑖𝑡 deoarece acest parametru este independent
de timp; la fel şi pentru 𝐶𝐴𝑗 , 𝑈𝑇𝑖 , 𝑈𝐿𝑗 şi 𝑑𝑗 . Indicii de timp t sunt folosiţi pentru a indica o mică
parte dintr-o durată fixă- ȋn investigaţia noastră empirică este setat egal cu aproximativ o
jumătate de oră. Ȋn acest interval luăm în considerare toate zborurile prin sector, atât pentru
congestionare cât și pentru consumul de combustibil prin variabilele 𝑥𝑖𝐿𝑗𝑡 . Bineînțeles, acest
lucru presupune că toate avioanele prin sectorul țintă vor avea nevoie de același timp pentru a
călători. Aceasta este o simplificare care presupune o formă circulară pentru sector și viteze
identice pentru toate aeronavele. În timp ce prima ipoteză nu este nerezonabilă cea de-a doua în
general nu este adevărată. Prin urmare, folosim ca interval de timp timpul maxim 𝑡𝑚𝑎𝑥 necesar
pentru ca o aeronavă din model să treacă prin sector. Orice aeronavă care călătorește prin sector
este mai mică decât 𝑡𝑚𝑎𝑥 este încă presupusă a fi în sector pentru durata 𝑡𝑚𝑎𝑥 . Prin urmare,
măsura de risc reprezintă o limită superioară a congestiei reale.

5
O limitare cu această alegere a intervalului de timp este aceea că se presupune că avioanele ajung
la destinație în același timp (de vreme ce acestea au petrecut perioade identice de a călători prin
sector). Drept urmare, impactul programării asupra destinației nu este cunoscut și modelul nu are
valoare prea mare acolo. Scopul modelului este, în primul rând, optimizarea fluxului de trafic și a
congestionării în sectorul țintă de control. Impactul acestui model asupra congestiei la aeroportul
de origine și destinație poate fi limitat, permițând doar un număr mic de întârzieri scurte - în
prototipul nostru, până la trei intervale de 10 minute. Prin urmare, programul elaborat va fi
aproape de un prototip macro-program dezvoltat pentru a optimiza congestionarea aeroporturilor
(a se vedea modelul din secțiunea 2.2). Cu cât mai multă flexibilitate este acordată (OPT1), cu
atât mai puțin aglomerat acest sector va fi în detrimentul întârzierilor și congestionărilor
îndelungate la aeroporturile de origine și de destinație.

Cu această discuție privind notația și funcția de congestie, putem forma acum modelul:
(OPT1)
minimizează
𝑤1 {∑𝑡 ∑𝑖𝑡 𝐶𝐺𝑖 𝑥𝑖𝑡 + ∑𝑡 ∑𝑗𝑡 𝐶𝐴 𝑥𝑗𝑡 + ∑𝐿 ∑𝑡 ∑(𝑖,𝑗) 𝐶𝑖𝐿𝑗 𝑥𝑖𝑗
𝐿𝑡
} +𝑤2 𝑅(𝑥)
funcţie de
𝐿𝑡
∑𝐿 ∑𝑗𝑡 𝑥𝑖𝑗 + 𝑥𝑖𝑡 = 𝑠𝑖 + 𝑥𝑖𝑡−1
pentru toate aeroporturile origine i si perioade t, (1)
∑𝐿 ∑𝑖𝑡 𝑥𝑖𝐿𝑗𝑡 + 𝑥𝑗𝑡−1 =𝑥𝑗𝐽
𝑡
+ 𝑥𝑗𝑡
pentru toate aeroporturile destinaţie j şi perioade t, (2)
𝑡 𝑡
𝑚𝑗𝐽 𝑥𝑗𝐽 ≤ 𝑑𝑗
pentru toate aeroporturile destinaţie j şi perioade t, (3)
0 ≤ 𝑥𝑖𝑡 ≤ 𝑈𝑇𝑖 pentru toate aeroporturile origine i, (4)
0 ≤ 𝑥𝑗𝑡 ≤ 𝑈𝐿 pentru toate aeroporturile destinaţie j, (5)
𝑤1 + 𝑤2 = 1. (6)

Primii doi termeni ai obiectivului reprezintă consumul de combustibil cauzat de întârzierile la


fața locului înainte de decolarea sau de aterizarea întârziată la aeroportul de destinație. Al treilea
termen reprezintă costurile de transport pentru zboruri peste toate altitudinile posibile. Ultimul
termen reflectă măsura de risc, așa cum s-a discutat mai devreme.

Constrângerile (1) sunt constrângeri de continuitate ale fluxului la aeroporturile de origine. Toate
zborurile programate pentru plecarea de pe un aeroport au voie să facă acest lucru cu o anumită
(posibilă) întârziere, așa cum este indicat de variabila𝑥𝑗𝑡 . Constrângerile (2) impun condiții
similare la aeroporturile de destinație. Constrângerile (3) reprezintă toți pasagerii destinați
aeroportului J și pot face față limitelor aeroporturilor.

6
𝑡
Dacă toți multiplicatorii sunt setați egali cu unul (𝑚𝑗𝐽 ), atunci modelul contabilizează aeronavele
și nu pasagerii. Acest set de constrângeri este util în monitorizarea facilităților de servicii pentru
pasageri (de exemplu, limitele impuse de capacitatea camerei de așteptare, zonele de revendicare
a bagajelor, cozile de inspecție vamală etc.). Constrângerile (4) și (5) impun o limită a numărului
de aeronave pe care un anumit aeroport le poate gestiona în cozile de decolare sau de aterizare.

Parametrii 𝑤1și𝑤2 reprezintă greutățile de programare a obiectivelor utilizate în contextul


modelului de optimizare multicriterială dezvoltat. Ele nu sunt menite a fi stabilite a priori. În
schimb, ele sunt folosite ca parte a unei analize de sensibilitate pentru a identifica o frontieră
eficientă pentru funcționarea sistemului. Această problemă este discutată mai departe într-o
secțiune ulterioară.

2.2 Controlul fluxului de trafic aerian

Modelul (OPT1) ia în considerare zborurile cu trasee printr-un sector de control de interes.


Acesta poate fi utilizat ca model operațional în timp real pentru a determina numărul de zboruri
alocate diferitelor altitudini ale sectorului țintă, fiind dat un program al zborurilor într-o perioadă
scurtă de timp (de exemplu câteva ore). De asemenea, acesta estimează întârzierile (scurte)
pentru diferitele zboruri pentru a optimiza funcționarea sectorului țintă. Obiectivul acestui model
este de a minimiza întârzierile de decolare în timp ce evită congestionarea aeroporturilor de
destinație. Acest obiectiv este realizat prin impunerea limitelor asupra capacității de transfer a
aeroporturilor de origine și de destinație. Optimizarea se realizează la nivel de sistem fără a se
lua în considerare congestionarea în sectoarele intermediare. Această problemă este rezolvată în
prezent prin simulare, după cum s-a discutat în ediția specială a Spectrum (1986). Ca urmare a
acestui model, sectoarele de control pot deveni extrem de congestionate atunci când zborurile de
la diferite perechi de origine / destinație trec. Modelul (OPT1) ar fi utilizat pentru a optimiza
sectoarele de control, creând, desigur, mai multă congestie la aeroporturi decât congestia dictată
de modelul pe care îl introducem în continuare. Integrarea celor două modele rămâne cu adevărat
o întrebare deschisă.

Un model simplu de rețea care studiază patru aeroporturi este reprezentat în Figura 2. Fiecare
aeroport (reprezentat de noduri triunghiulare) are un set de arce de intrare și un set de arce de
ieșire care indică zborurile care sosesc și pleacă. Fiecare arc de ieșire corespunde unei anumite
perioade de timp - debitul pe aceste arce indică zborurile care se îndepărtează în fiecare interval
de timp. Arcele de intrare reprezintă ora sosirii zborurilor. Un nod este utilizat pentru a
reprezenta zborurile de plecare pentru fiecare perioadă de timp și un al doilea nod reprezintă
zborurile care sosesc. Un al treilea set de noduri indică aeroporturile de destinație (sau de
origine) pentru toate zborurile în timpul unei anumite perioade de timp. Figura 3 rezumă
atributele nodurilor care modelează un singur aeroport. Este necesară o notație suplimentară:
I = Setul de noduri care indică aeroporturile

7
𝐽𝑡𝑖 = Nodul care indică destinația zborurilor care pleacă din aeroportul i în perioada t.
𝐾𝑡𝑖 = Nodul care indică originea zborurilor care ajung ȋn aeroportul i în perioada t.
𝐷𝑡𝑖 = Set de aeroporturi destinaţie pentru zborurile de plecare din aeroportul i ȋn perioada t.
𝑂𝑡𝑖 = Set de aeroporturi origine pentru zborurile care ajung ȋn aeroportul i ȋn perioada t.
𝑐𝑘 𝑙 = Costul zborului din nodul k ȋn nodul l.
𝑠𝑖 𝑗 = Zborurile programate de la aeroportul i până la aeroportul j în timpul unui orizont de timp.
𝑑𝑗 𝑖 = Zborurile programate pentru aeroportul i de la aeroportul j în timpul unui orizont de timp.
𝑖 𝑖
𝑢𝐷𝑡 , 𝑢𝑂𝑡 = capacitățile aeroportului pentru zborurile care pleacă și care sosesc în timpul perioadei
t pentru aeroportul i.

Figura 2. Model de rețea pentru controlul fluxului de trafic

8
Figura 3. Nodurile modelului fluxului de control

Cu această notație putem formaliza acum modelul:


(OPT2)
𝑖
minimizează ∑𝑖∈𝐼 ∑𝑡 𝑐𝑖𝐽 𝑓 𝑖 + ∑𝑖∈𝐼 ∑𝑡 𝑐𝐾𝑖 𝑡 𝑖 𝑓𝐾𝑖𝑡𝑖
𝑡 𝑖𝐽𝑡
funcţie de
𝑠𝑖 𝑗 = ∑𝑡 𝑥𝑖𝑡 𝑗 pentru toate perechile origine-destinaţie (i,j), 𝑗 ∈ 𝐽𝑡𝑖 , (7)
𝑑𝑗 𝑖 = ∑𝑡 𝑥𝑗𝑡 𝑖 pentru toate perechile origine-destinaţie (j,i), 𝑗 ∈ 𝐾𝑡𝑖 , (8)
𝑓𝑗 𝑖 = ∑𝑙∈𝑂𝑖 𝑥𝑙 𝑗 pentru toate aeroporturile destinaţie i ȋn perioada t, şi aeroportul de origine 𝑗 ∈
𝑡

𝐾𝑡𝑖 , (9)
𝑓𝑖𝐽𝑖 𝑙 = ∑𝑙∈𝐷𝑖 𝑥𝐽𝑖𝑡𝑙 pentru toate aeroporturile i ȋn perioada t, (10)
𝑡

𝑥𝑘 𝑙 = 𝑥𝑙 𝑚 pentru 𝑘 ≡ 𝐽𝑡𝑖 , 𝑙 ∈ 𝐷𝑡𝑘 , 𝑚 ∈ 𝑂𝑡𝑙 , (11)


𝑖
0 ≤ 𝑓𝐾𝑡 𝑖𝑖 ≤ 𝑢𝑂𝑡 , (12)
𝑖
0 ≤ 𝑓𝑖𝐽𝑖 ≤ 𝑢𝐷𝑡 . (13)
𝑡

9
Funcția obiectiv reprezintă sancțiunile impuse pentru eventualele întârzieri. Este utilizată o
relație liniară care este în concordanță cu considerentele tehnologiei (adică consumul de
combustibil, salariile, întreținerea și așa mai departe). Constrângerile (7) și (8) țin cont de
zborurile care pleacă și ajung la fiecare aeroport. Constrângerile (9), (10) și (11) asigură că
fiecare zbor atinge destinația - și ajunge de la originea anticipată. Acestea sunt în esență
constrângeri ale rețelei multimodale. Toate avioanele sunt considerate identice în scopul
determinării întârzierilor optime; după aceea, fiecare avion este programat pentru destinație. În
cele din urmă, constrângerile (12) și (13) impun limite privind numărul maxim de zboruri pe care
un aeroport le poate găzdui, fie pentru decolare, fie pentru aterizare.

3. Un model prototip pentru sectorul de control din Indianapolis

Pentru sectorul de control din Indianapolis a fost construit un sistem de modelare bazat pe
modelul multi-perioadă (OPT1) al secțiunii 2. Acesta servește drept prototip pentru a demonstra
plauzibilitatea metodologiei propuse și a problemelor computaționale de studiu legate de analiza
eficientă a acestor modele.

Una dintre problemele cheie pentru succesul modelării sistemelor din lumea reală este
capacitatea de a colecta în timp util datele necesare. Planul cuprinzător al Sistemului național de
spațiu aerian va furniza o bază de date centralizată a aeronavelor programate pentru rutele cu jet
de mare altitudine sau care efectiv zboară. Acesta poate servi ca bază de date de bază pentru
model. Pentru prototipul nostru au fost necesare următoarele date: informații aeroportuare,
informații despre zbor și date privind arderea combustibilului. Tabelul 1 oferă mai multe detalii.
Unele date, cum ar fi coordonatele aeroportului, au fost disponibile prin intermediul unor surse
utilizate în trecut de către FAA, în timp ce alte date au fost colectate pentru modelul de rețea. Au
fost utilizate următoarele surse:
 International Official Airline Guide (IOAG) care oferă informaţii despre aeroporturi.
 Flight Progress Strip- date colectate de centrul de control care furnizează informații
despre zbor.
 Fuel Burn Model (FUB)- elaborat de FAA care furnizează date privind ratele de ardere a
combustibilului pentru diferite tipuri de aeronave la altitudini diferite.

Tabelul 1- Date necesare pentru modelele de rețea


Informaţii despre aeroport
(1) Codul de identificare al aeroportului
(2) Coordonate geografice
Informaţii despre zbor
(1) Codul de identificare al zboruluiî
(2) Aeroportul de origine
(3) Aeroportul destinaţie

10
(4) Altitudinea de navigaţie la intrarea în sectorul țintă
(5) Altitudinea de navigaţie la ieşirea din sectorul țintă
(6) Timpul de intrare ȋn sectorul ţintă
(7) Timpul de ieşire din sectorul ţintă
(8) Hemi codul de zbor care specifică altitudinile legitime de navigaţie
Date despre combustibilul consumat
(1) Tipul aeronavei
(2) Rata de combustibil ars pe oră pentru fiecare altitudine legitimă de navigaţie
(3) Rata de combustibil ars pe milă nautică pentru fiecare altitudine legitimă de navigaţie

Datele privind progresul zborului au fost colectate pentru o perioadă de trafic intens pe 9 ianuarie
1985. Un total de 185 de aeronave au trecut sectorul în decurs de șase ore. Durata zborurilor prin
sector a variat de la 4 la 23 de minute. Cinci altitudini distincte de croazieră de peste 29000 de
picioare au fost selectate de avioane. Modelul a fost construit pe baza următoarelor considerente:
(1) Permiterea întârzierilor la aeroportul de origine - până la trei intervale de 10 minute - și
întârzieri similare la aeroporturile de destinație. Această grilă de timp poate fi îmbunătățită luând
în considerare un număr mai mare de intervale de întârziere progresiv mai mici (de exemplu,
șase intervale de cinci minute). Acuratețea adăugată va fi echilibrată de rețeaua mai mare care
trebuie rezolvată.
(2) Permiterea fiecărui avion să urmeze una dintre cele două altitudini alternative de navigaţie, în
afară de cea preferată în prezent. Alegerea a fost limitată la altitudini cu un nivel superior și un
nivel inferior altitudinii primare. Din nou, această restricție poate fi relaxată în detrimentul
generării de modele de rețele mai mari. Aeronavele ar putea fi instruite să urmeze oricare dintre
cele cinci altitudini legitime de navigaţie specificate pentru un anumit zbor.

Acest model include obiectivele duale de evaluare a riscurilor și a costurilor, așa cum este
discutat în secțiunea 2. Costurile de transport și de întârziere sunt funcții liniare ale datelor de
ardere a combustibilului obținute de la modelul FUB. Analiza riscului se bazează pe coeficienții
de ocupare.
Exemplu. Dacă un singur avion se deplasează la o altitudine de 35000 de picioare și avionul se
află în sectorul țintă pe întreaga perioadă de 30 de minute, contribuția sa la funcția de risc este 0.
Dacă o a doua aetrronavă se deplasează la 35000 de picioare pentru 30 de minute, riscul
corespunzător coeficientul este 1. Dacă al doilea avion rămâne în sectorul țintă timp de 15
minute, coeficientul de risc este 0.5.
Problema de rețea neliniară rezultată are 1295 noduri, 2873 arce și aproximativ 15000 de
coeficienți de ocupare nenuli pentru zborurile care interacționează. Folosind o discretizare mai
bună a timpului și permițând avioanelor să urmeze cinci altitudini alternative ar avea ca rezultat
un model cu 2405 noduri și 8510 arce. Un model global al celor 500 de sectoare ale spațiului
aerian din S.U.A. oferă o rețea cu milioane de arce și noduri și depășește capacitățile de calcul
ale algoritmilor existenți. Un sistem de modelare - numit FAANET - a fost construit pentru a

11
integra bazele de date disponibile cu generatoarele de rețea și software-ul de optimizare. Procesul
general de modelare este prezentat în Figura 4.

Figura 4. Sistemul de modelare FAANET

12
4. Metodologii de soluționare
4.1 Optimizare numerică

Mărimea modelelor studiate în această lucrare se află dincolo de ceea ce se consideră fezabil din
punct de vedere computațional, cu pachete de optimizare la scară largă pe computerele cu scop
general. Cu toate acestea, este recunoscut faptul că modelele (OPT1) și (OPT2) au o structură
specială de probleme de optimizare a rețelei cu obiective neliniare și neseparabile:
minimizarea F(x)
funcţie de Ax=b, (14)
1 ≤ 𝑥 ≤ 𝑢, (15)
unde F(x) este o funcţie reală convexă (posibil neseparabilă) continuu diferențială, x este
vectorul variabilei de decizie, A este o matrice de constrângeri generalizate ale nodului-arc, l și u
sunt limite ale variabilelor de decizie și b este un vector al aprovizionărilor și cererilor. Baza
acestor modele este o pădure de l-arbori (adică copaci cu un arc suplimentar care creează o
buclă). Această structură grafică specială poate fi exploatată în proiectarea unui software eficient
în două moduri:
(1) Tehnicile cu matrice reduc cerințele de stocare a datelor și, prin urmare, ne permit să
rezolvăm probleme foarte mari.
(2) Inversa bazei B apare în 𝐵 −1 𝑦 și 𝐵 −1 𝜋 unde y este coloana pivot și 𝜋 este prima estimare a
multiplicatorului. Aceste produse pot fi calculate eficient folosind structura datelor grafice
descrise în Mulvey și Zenios (1986) sau Zenios (1986) și referințele acestora.

Motivat de succesul mai multor cercetători în rezolvarea rețelelor generalizate liniare cu sute de
mii de noduri și arce [vezi, de exemplu, Glover et al. (1978), Mulvey și Zenios (1986), Brown și
McBride (1986)] am dezvoltat un sistem de programare neliniar pentru aceeași clasă de
probleme. Software-ul numit GENOS implementează algoritmul primar trunchiat Newton al lui
Dembo și Steihaug (1983), folosind ideile de partiționare activă a lui Murtaugh și Saunders
(1978). Într-o manieră similară celor mai multe proceduri de programare neliniare, fiecare
iterație trunchiată Newton constă din două etape: o rutină de direcție de căutare și o rutină de
lungime în trepte. În cea mai simplă formă - prezentată aici pentru completitudine - algoritmul
continuă după cum urmează:
Pas 0. Iniţializare. k=0 şi determinarea punctului de start 𝑥 𝑘 .
Pas 1. Calculați o direcție de căutare utilizând o aproximare patratică a funcției
obiectiv.Rezolvaţi ecuația lui Newton [𝑍 𝑡 𝐻(𝑥 𝑘 )𝑍] 𝑝𝑠 = − 𝑍 𝑡 𝑔(𝑥 𝑘 ) + 𝑟 𝑘 , unde 𝐻(𝑥 𝑘 ), 𝑔(𝑥 𝑘 )
reprezintă matricea Hessiană repectiv vectorul gradient al funcţiei obiectiv. Calculaţi 𝑝𝐵 =
(−𝐵 −1 𝑆)𝑝𝑆 şi fixaţi 𝑝𝑁 = 0.
Pas 2. Efectuați o căutare unidimensională 𝑝𝑘 = [𝑝𝐵 /𝑝𝑆 /𝑝𝑁 ]: min 𝐹(𝑥 𝑘 + 𝛼𝑝𝑘 ). 𝛼 ∗ indică
𝛼
soluţia.
Pas 3. Faceţi un pas descendent: 𝑥 𝑘+1 = 𝑥 𝑘 + 𝛼 ∗ 𝑝𝑘 .

13
Pas 4. Verificaţi convergenţa, setaţi k=k+1 şi reluaţi de la Pas 1.

Deși cititorii interesați ar trebui să consulte referințele, unele explicații sunt binevenite. Matricea
constrângerii este împărțită în baza (B), superbaza(S) și nonbaza (N) r: A = [BISIN]. Variabilele
de decizie sunt împărțite într-un mod similar x = [𝑥𝐵 |𝑥𝑆 |𝑥𝑁 ]. Partiționarea se bazează pe
estimările primului ordin al multiplicatorilor Lagrange. În Pasul 1 se calculează o direcție
descendentă (𝑝𝑆 ) pentru variabilele superbazice, iar variabilele de bază sunt ajustate de-a lungul
𝑝𝐵 pentru a menține fezabilitatea. Variabilele nonbazice rămân fixe. Matricea Z este o matrice de
−𝐵 −1 𝑆
proiecție care se întinde pe spațiul nul al lui A, 𝑍 = ( 𝐼 ).
0
Această matrice este calculată eficient folosind tehnicile de la teoria fluxului de rețea pentru a
forma produsul 𝐵 −1 𝑆. I și 0 indică matricea identității și matricea nulă și nu sunt calculate sau
stocate în mod explicit.
Parametrul secvenței forțate 𝑟 𝑘 determină precizia în rezolvarea ecuațiilor lui Newton în Pasul 1,
într-o manieră care îmbunătățește eficiența implementării noastre, păstrând în același timp
proprietățile de convergență ale algoritmului. Algoritmul trunchiat Newton și implementarea lui
este descris în detaliu de către Ahlfeld și colab. (1987) și Zenios (1986), în care sunt menționați
cititorii interesați.

4.2 Super calculul

Dezvoltarea algoritmilor specializați care valorifică structura intrinsecă a problemelor este doar o
abordare a rezolvării modelelor de control al traficului aerian. Mergâns cu un pas înainte, am
examinat posibila utilizare a supercalculului în rezolvarea modelelor dezvoltate. Sistemul
software GENOS a fost instalat pe un supercomputer CRAY X-MP / 24 de la Boeing Computer
Services. CRAY X-MP este un calculator vector cu mai multe unități funcționale independente,
capabile să atingă performanțe de vârf computaționale de 210 MFLOPS (Million Floating Point
Operations per Second). În practică, performanța a aproximativ 180 MFLOPS nu este
neobișnuită. Ȋncă din primele încercări de a utiliza GENOS pe CRAY a fost evident faptul că
structura grafică a problemei din rețeaua de bază a inhibat utilizarea unităților funcționale
vectoriale. Programul atinge o performanță medie de 18 MFLOPS.

O analiză de sincronizare a programului pentru o problemă tipică de testare a relevat faptul că


următoarele părți ale programului au fost cel mai intensiv calculate:
(1) rutine de gradient conjugat (CG).
(2) Evaluare funcție / Gradient / Hessiană (CALFGH).
(3) rutine de partiționare matrice.
(4) rutine bazate pe inversiune.
(5) rutine de gestionare a datelor superbazice.

14
(6) rutină de sortare generală.
Rutinele CG implementează algoritmul de gradient conjugat liniar pentru rezolvarea ecuației lui
Newton în pasul 1. Pentru probleme mari, cam 90% din program este utilizat în acest
pas. Atenția s-a concentrat asupra codificării eficiente a acestei părți a algoritmului pentru
capacitățile vectoriale ale CRAY.

Avantajul CG pentru calculul pe scară largă este că nu necesită un calcul explicit al lui
𝑍 𝑡 𝐻(𝑥 𝑘 )𝑍. În schimb, formează o serie de produse de forma 𝑍 𝑡 𝑣, 𝐻𝑥 𝑘 𝑣 ş𝑖 𝑍𝑣, unde 𝑣 este un
vector definit iterativ în timpul algoritmului. Numărul redus al matricelor Z și 𝐻(𝑥 𝑘 ) a inhibat
vectorizarea eficientă a produselor matrice-vector în CG. Implementarea trebuia schimbată după
cum este descris mai jos pentru a obține eficiența necesară:
(1) Matricele Z și 𝐻(𝑥 𝑘 ) au fost accesate, pe coloană repectiv pe rând și nu pe elemente de bază,
ca în implementarea inițială. Prin urmare, produsele matrice-vector necesare se formează ca o
serie de produse vectoriale interioare, și nu ca o serie de multiplicări și adunări scalare.
(2) Produsele vectoriale de la punctul (1) sunt rare și nu ar fi executate în modul vectorial
CRAY. Mai întâi trebuie să adunăm elementele vectorului v care corespund componentelor
nenule ale lui Z și 𝐻(𝑥 𝑘 ). Produsele vectori sunt acum foarte dense; acestea sunt calculate în
modul vectorial prin adăugarea și multiplicarea unităților funcționale ale CRAY și rezultatele
sunt împrăștiate în funcție de structura de raritate a matricelor.
(3) De asemenea, aranjarea datelor în memorie se face cu atenţie, astfel încât cantitățile necesare
să fie disponibile în timpul fiecărui ciclu de ceas pentru a evita întârzierea apariției unităților de
funcții vectoriale de la punctul (2) de mai sus.

Performanța codului GENOS modificat este ilustrată în Tabelul 2. Ultimele două coloane ale
tabelului indică ȋn mod special faptul că programul vectorizat este de aproximativ trei ori mai
rapid decât versiunea originală. Au fost necesare lucrări suplimentare pentru a structura
programul în folosirea mai multor CPU independente ale CRAY. O îmbunătățire suplimentară cu
un factor de 1,8 a fost observată pe un CRAY X-MP / 48 cu două CPU-uri dedicate programului.
Programul restructurat ar atinge performanțe mai mari de 160 de MFLOPS. Programul modificat
de pe CRAY a obținut o îmbunătățire de treizeci de ori în performanță față de versiunea IBM
3081 și o îmbunătățire de peste 300 de ori față de VAX 11/750. Detalii suplimentare privind
utilizarea computerelor vectoriale în rezolvarea problemelor de rețea la scară mare sunt
prezentate în Zenios și Mulvey (1986).

Tabelul 2- Performanța software-ului de optimizare a rețelei GENOS


Problemă(noduric/arce) NLPNETG Solution time in CPU seconds
VAX 11/750 IBM3081-D CRAY X-MP CRAY X-
Original MP
vectorizat

15
PTN150 (150/196) 23.86 1.98 0.328 0.009

PTN660 (666/906) 297.93 22.85 2.435 1.227

SMBANK (64/117) 21.50 2.64 0.358 0.129

BIGBANK (1116/2230) 9100.00 376.74 244.107 46.194

GROUPlac (200/500) 1652.00 218.64 18.668 4.983

5. Rezultatele calculului

Au fost efectuate o serie de experimente de calcul pentru a investiga eficiența software-ului


dezvoltat, pentru a demonstra fezabilitatea metodologiei propuse și pentru a studia modelele
prototip dezvoltate. Prototipul din Indianapolis și o mică problemă de testare însoțitoare - au fost
rezolvate mai întâi cu scopul general al optimizatorului MINOS al lui Murtaugh și Saunders
(1977) pe un VAX 11/750 care rulează UNIX 4.3BSD. Performanța MINOS în rezolvarea
acestor probleme este rezumată mai jos:
Problemă testată (28 noduri, 65 arce): 15.22 CPU secunde, prototip Indianapolis (1295 noduri,
2873 arce):⋍31 CPU ore.
Aceleași probleme au fost rezolvate cu optimizatorul de rețea în condiții de calcul identice, după
cum urmează:
Problemă testată: 1.24 CPU scunde, prototip Indianapolis: ⋍15 CPU minute.
Ambii algoritmi rezolvă problema la același nivel de precizie, iar valorile funcției obiectiv sunt
identice cu șase zecimale. GENOS a fost apoi folosit pentru a rezolva problemele pe un CRAY
X-MP / 24 la Boeing Computer Services. Rezultatele sunt rezumate mai jos:
Problemă testată: 0.17 CPU secunde, prototip Indianapolis: 3.50 CPU secunde.

Acest set de rulări demonstrează fezabilitatea metodologiei propuse. O scară largă de modele de
control al traficului aerian pot fi rezolvate în câteva secunde cu algoritmi de optimizare a rețelei
pe un supercomputer. Acest lucru face posibilă utilizarea modelelor dezvoltate ca instrumente de
planificare operațională în condiții de timp real.

Calitatea rezultatelor obținute din model este cu siguranță mai importantă decât eficacitatea cu
care aceste modele sunt rezolvate. Pentru a studia abilitatea modelelor de a oferi răspunsuri
acceptabile în gestionarea traficului pe rute de mare altitudine am dezvoltat o histogramă (Figura
5) a numărului de zboruri la 35000 ft în condițiile actuale ale sistemului și după utilizarea
modelului. Observăm că 35000 ft este în prezent cea mai aglomerată altitudine. Modelul indică
modul în care zborurile ar trebui să fie redirecționate la 31000 ft și 39000 ft pentru a obține o
congestie uniformă pentru toate altitudinile.

16
Deviația zborurilor este determinată luând în considerare costurile suportate de orice decizie în
ceea ce privește consumul de combustibil în contextul funcției obiectiv multi-criteriu utilizate.
De exemplu, soluția din Figura 5 a fost obținută prin atribuirea unor valorii egale componentelor
de cost și congestie ale obiectivului (adică 𝑤1 = 𝑤2 = 0.5). Pentru a studia posibilele
compromisuri între funcționarea eficientă a combustibilului și distribuția uniformă a traficului la
diferite altitudini, am dezvoltat frontiera eficientă din Figura 6. Aceasta se obține prin
modificarea valorilor 𝑤1 , 𝑤2 astfel încât suma lor să fie egală cu unu. Punctul A al figurii indică
starea actuală a sistemului.

Figura 5. Histograma congestiei zborului la 31, 35 și 39 mii ft

17
Figura 6. Frontieră eficientă de cost-congestie pentru sectorul Indianapolis

Eficacitatea frontierei nu este menită să servească drept instrument pentru compromisul direct
între congestie și costuri. Aceste alegeri sunt adesea dificile și extrem de controversate și ar
trebui făcute printr-un proces politic informat. Modelul oferă o contribuție esențială la un astfel
de proces. De asemenea, este utilă compararea stării actuale a sistemului cu posibile modificări
sau extensii.

6. Concluzii și cercetări viitoare

Această lucrare discută despre un model de planificare a optimizării pentru sistemul de trafic
aerian din S.U.A. Utilizarea acestui model a fost demonstrată cu date reale dintr-un sector
reprezentativ. Prin dezvoltarea unor algoritmi specializați am reușit să rezolvăm eficient
problemele rezultate, demonstrând astfel fezabilitatea abordării pentru planificarea strategică. În
plus, profitând de evoluțiile tehnologice recente din designul supercomputerelor, am reușit să
rezolvăm probleme foarte mari în câteva secunde. Această cercetare a stabilit că modelele de
rețea pot fi utilizate ca bază pentru evaluarea anumitor aspecte ale spațiului aerian din S.U.A.
Tehnologia - în ceea ce privește sistemele informatice și algoritmi - este disponibilă și pot fi
colectate datele solicitate. Cercetări suplimentare sunt totuși necesare în reprezentarea
matematică a sistemului de trafic aerian și în integrarea soluției globale a modelului (OPT2) cu
recomandările (OPT1). Acest studiu consideră un model determinist de risc. În general, un
program stochastic care consideră aspectele de control la nivel de sistem ar fi mai adecvat. În

18
timp ce congestia a fost utilizată ca surogat de risc, alte criterii - cum ar fi numărul estimat al
conflictelor de aeronave sau numărul estimat de intervenții ale controlorilor - ar trebui evaluate
ca alternative. Aceasta este o arie de interfață potențială între modelul de optimizare descris aici
și modelele probabiliste ale lui Odoni și Endoh (1983).

Deși s-au înregistrat progrese substanțiale în ceea ce privește construirea și verificarea


modelului, trebuie făcută o muncă suplimentară în validarea modelului. Strategiile alternative
generate de model trebuie comparate cu metodologiile existente pentru a stabili corespondența
modelului cu realitatea percepută. Acesta este un alt domeniu de interfață potențială între
modelul de optimizare și cadrul probabilistic general prezentat în Powell, Mulvey și Babu
(1984).

Sunt necesare lucrări suplimentare în elaborarea algoritmilor de soluții eficiente pentru modelul
(OPT2) care valorifică structura multimodală a problemei și natura dinamică a sistemului de
trafic aerian. Cele două modele considerate în această lucrare, și anume (OPT1) și (OPT2), ar
trebui integrate în final într-un sistem de modelare pentru a completa un instrument practic.

Recunoaştere

Lucrarea descrisă în acest raport a fost parțial sprijinită de grantul FSN DCR84-01098, de
grantul NASA NAG-I-520 și de un grant acordat de Fundația de cercetare a Universității din
Pennsylvania.

Referinţe

 Our Burdened Skies, Special Issue of 1EEE Spectrum, November, 1986.


 Safety Issues in Air Traffic Systems Planning Design (1983), Princeton University,
Princeton, NJ.
 Ahlfeld, D.P., Dembo, R., Mulvey, J.M., and Zenios, S.A. (1987), "Nonlinear
programming on generalized networks", ACM Transactions on Mathematical Software
13 (4), 350- 367.
 BieUi, M., Calicchio, G., Nicoletti, B., and Ricciardelli, S. (1982), "The air-traffic flow
control problem as an application of network theory", Computers and Operations
Research 9 (4), 265-278.
 Booth, G.R., and Harvey, C.W. (1983), "Minimizing air-traffic delays by mathematical
programming", in: Safety Issues in Air Traffic System Planning Design, Princeton
University, Princeton, NJ.
 Brown, G.G., and McBride, R.D. (1984), "Solving generalized networks", Management
Science 30 (12).

19
 Dembo, R.S., and Steihaug, T. (1983), "Truncated-Newton algorithms for large-scale
unconstrained optimization", Mathematical Programming 26, 190-212.
 Ferguson, A.R., and Dantzig, G.B. (1957), "The allocation of aircraft to routes",
Management Science, 3, 45-73.
 Friedman, M.F. (1986), "Optimal timing of speed control in air-traffic control", Paper
presented at the TIMS/ORSA National Meeting, Miami, FL.
 Glover, F., Hultz, J., Klingman, D., and Stutz, J. (1978), "Generalized networks: A
fundamental computer-based planning tool", Management Science 24 (12), 1209-1220.
 McDonald, B. (1985), Private communication, 1985.
 Mulvey, J.M., and Zenios, S. (1985), "Solving large scale generalized networks", Journal
of Information and Optimization Science 6, 94-11.
 Murtaugh, B., and Saunders, M. (1978), "Large-scale linearly constrained optimization",
Mathematical Programming 14, 41-72.
 Odoni, A., and Endoh, S. (1983), "A general model for predicting the frequency of air
conflicts", in: Safety Issues in Air Traffic Systems Planning Design, Princeton University,
Princeton, NJ.
 Powell, W.B., Mulvey, J.M., and Babu, S. (1984), "Development and validation of
models of air-traffic control performance", Final report, DOT DTFA 03-82-c-400046,
Princeton University.
 Zenios, S.A. (1986), "Sequential and Parallel Algorithms for Convex Generalized
Network Problems and Related Applications", Doctoral dissertation, Civil Engineering
Department, Princeton University, Princeton, NJ.
 Zenios, S.A., and Mulvey, J.M. (1986), "Nonlinear network programming on vector
supercomputers: A study on the CRAY X-MP", Operations Research 34 (5) 667-682.

20