Cooperation of Combinatorial Solvers for Air Traffic Management and Control
Collaboration de méthodes d'optimisation combinatoire pour la gestion et le contrôle du trafic aérien.
Résumé
In the context of the SESAR project, Air Traffic Control (ATC) and Management (ATM) in Europe is undergoing a paradigm shift to be able to accommodate the current traffic growth forecast: many expert-based systems will be enhanced by optimization software to improve the decisionmaking process and regulation planning. Current state-of-the-art combinatorial optimization techniques that are applied to ATC and ATM include approximation algorithms like metaheuristics (e.g. Genetic Algorithm, Tabu Search, Simulated Annealing, etc.) and complete algorithms like Constraint Programming (CP) and Mixed Integer Programming. However, the large scale of the considered instances and the handling of their inherent uncertainties result in very hard problems, which can hinder or even defeat either of the previously mentioned optimization methods alone. To overcome these difficulties and improve the resolution efficiency of standard algorithms, we propose to study the generic cooperation of any set of combinatorial solvers by sharing solutions, optimization bounds and possibly other information in order to speed up the overall process. In this thesis, we have specified and implemented a distributed system which is able to integrate any combinatorial solver with the suitable interface, adapt existing solvers to take into account and provide information on the state of the search from and to other solvers, and applied this framework to two ATC and ATM problems: the en-route conflict resolution problem and the Gate Allocation Problem (GAP). For the first one, we have presented a new generic framework for the modeling and resolution of en-route conflicts in three dimensions as well as a large set of realistic instances, which have been solved with the cooperation of a Memetic Algorithm and Integer Linear Programming (ILP) solver. For the GAP, we have presented a new CP model, as well as new optimization constraints to maximize the robustness of the schedule, and search strategies together with their parallel cooperation. The solver, implemented with the FaCiLe CP library, outperforms a state-of-the-art ILP solver on real instances.
Dans le contexte du projet SESAR, le contrôle du trafic aérien (ATC) et sa gestion (ATM) en Europe est en train de changer de paradigme pour être capable de gérer l’augmentation du trafic indiquée par les prévisions actuelles : de nombreux systèmes fondés sur des experts vont être améliorés par des logiciels d’optimisation pour rendre les processus de prise de décision et la planification des régulations plus efficaces. Les techniques actuelles d’optimisation combinatoires qui sont appliquées aux problèmes d’ATM et ATC comprennent des algorithmes d’approximation telles que les métaheuristiques (e.g. Algorithmes Génétiques (AG), recherche taboue, recuit simulé...) et des algorithmes exacts comme la Programmation Par Contraintes (PPC). Cependant, la très grande taille des instances considérées et la gestion des incertitudes inhérentes à ce type de problèmes les rendent très difficiles à résoudre, ce qui peut handicaper fortement les méthodes précédemment mentionnées lorsqu’elles sont utilisées seules. Afin de surmonter ces difficultés et d’améliorer l’efficacité des algorithmes standards, nous proposons d’étudier la coopération générique d’un ensemble quelconque de solveurs combinatoires, en partageant les solutions découvertes, les bornes d’optimisation ainsi qu’éventuellement d’autres informations pour permettre d’accélérer la résolution. Dans cette thèse, le candidat a spécifié et implémenté un tel système distribué de telle manière qu’il puisse intégrer tout type de solveur combinatoire doté d’une interface adéquate, adapter des solveurs existants pour prendre en compte et fournir des informations sur l’état de la recherche des autres solveurs, et appliquer ce système à la résolution de problèmes d’ATC et ATM tels que la résolution de conflit et l’allocation de porte de vol (GAP). Pour le premier, nous avons présenté un nouveau cadre générique pour la modélisation et la résolution des conflits en route en trois dimensions, ainsi qu’un grand nombre d’exemples réalistes, qui ont été résolus avec la coopération d’un algorithme mémétique et de la programmation linéaire en nombres entiers (ILP). Pour le GAP, nous avons présenté un nouveau modèle PPC, de nouvelles contraintes d’optimisation et stratégies de recherche, ainsi que leur coopération parallèle, pour maximiser la robustesse de l’allocation. Le solveur, implémenté avec la bibliothèque de PPC FaCiLe, surpasse un solveur ILP à la pointe de la technologie sur des instances réelles.
Origine : Version validée par le jury (STAR)