基于改进NSGA-Ⅱ的飞机定检任务调度工期鲁棒性多目标优化

doi:10.7527/S1000-6893.2025.32675

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于改进NSGA-Ⅱ的飞机定检任务调度工期鲁棒性多目标优化

陈农田¹, 张玉城¹, 李琳琳¹, 郑又铭²()

^1.中国民用航空飞行学院航空工程学院，成都 641400
^2.中国民用航空飞行学院新津分院，新津 611430

收稿日期:2025-08-12 修回日期:2025-08-18 接受日期:2025-09-01 出版日期:2025-09-25 发布日期:2025-09-10
通讯作者: 郑又铭 E-mail:zhengyoumingcafuc@163.com
基金资助:
国家自然科学基金(52172387);民航安全能力基金项目(ASSA2022/17);民航安全能力基金项目(ASSA2024/101);中央高校基本科研业务费(25CAFUC03097)

Multi-objective optimization of robustness of aircraft scheduled maintenance task scheduling duration based on improved NSGA-Ⅱ

Nongtian CHEN¹, Yucheng ZHANG¹, Linlin LI¹, Youming ZHENG²()

^1.College of Aviation Engineering，Civil Aviation Flight University of China，Chengdu 641400，China
^2.Xinjin Branch College，Civil Aviation Flight University of China，Xinjin 611430，China

Received:2025-08-12 Revised:2025-08-18 Accepted:2025-09-01 Online:2025-09-25 Published:2025-09-10
Contact: Youming ZHENG E-mail:zhengyoumingcafuc@163.com
Supported by:
National Natural Science Foundation of China(52172387);Civil Aviation Safety Capability Fund Projects(ASSA2022/17);Fundamental Research Funds for the Central Universities(25CAFUC03097)

摘要/Abstract

摘要：

对飞机定检任务调度问题进行研究，将工时成本与不确定性成本纳入统一优化框架，提出一种基于NSGA-Ⅱ-Adaptive的飞机定检任务调度工期鲁棒性多目标优化方法，该方法采用了一种新颖的关键路径权重与缓冲衰减效应结合来定义鲁棒值，并采用自适应方法改进NSGA-Ⅱ的交叉变异过程。算法在多种规模基准数据集上运行，并且与NSGA-Ⅱs、NSGA-Ⅱ-LSA、NSGA-Ⅱ算法进行了比较。试验显示：在收敛速度、非支配解数量、分布间距、解集相互覆盖度4项性能指标上，该算法均优于对比算法，证明了该算法的高效性。最后，通过飞机定检真实项目案例的进一步研究表明，该算法在实践中的综合偏差分别比NSGA-Ⅱs、NSGA-Ⅱ-LSA和NSGA-Ⅱ降低了63%、77.6%和77.9%，证明了所提出的优化方法在实际问题中适用有效。

关键词: 飞机维修, 任务调度, 多目标优化, 定检, NSGA-Ⅱ

Abstract:

This paper investigates the aircraft maintenance task scheduling problem， integrating labor costs and uncertainty costs into a unified optimization framework. A multi-objective optimization method of maintenance task scheduling duration robustness based on NSGA-Ⅱ-Adaptive is proposed. The proposed method employs a novel approach combining critical path weights with buffer attenuation effects to define robustness values， and enhances the crossover and mutation processes of NSGA-Ⅱ through adaptive methods. The algorithm was tested on benchmark datasets of various scales and compared with NSGA-Ⅱs， NSGA-Ⅱ-LSA， and the standard NSGA-Ⅱ. Experimental results demonstrate that the proposed algorithm outperforms the counterparts in four performance metrics： convergence speed， number of non-dominated solutions， spacing metric， and coverage metric. Further validation through a real-world aircraft maintenance case study reveals that the algorithm reduces comprehensive deviations by 63%， 77.6%， and 77.9% compared to NSGA-Ⅱs， NSGA-Ⅱ-LSA， and NSGA-Ⅱ respectively. These findings confirm the proposed optimization method’ s practical applicability and effectiveness in addressing real-world maintenance scheduling challenges.

Key words: aircraft maintenance, task scheduling, multi-objective optimization, scheduled maintenance, NSGA-Ⅱ

中图分类号:

陈农田, 张玉城, 李琳琳, 郑又铭. 基于改进NSGA-Ⅱ的飞机定检任务调度工期鲁棒性多目标优化[J]. 航空学报, 2026, 47(8): 232675.

Nongtian CHEN, Yucheng ZHANG, Linlin LI, Youming ZHENG. Multi-objective optimization of robustness of aircraft scheduled maintenance task scheduling duration based on improved NSGA-Ⅱ[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(8): 232675.

图/表 18

表 1

图 1

图 2

图 3

图 4

表 2

表 3

表 4

表 5

表 6

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图12

参考文献 30

[1]	IATA. Airline maintenance cost executive commentary［R］. Montreal： International Airline Maintenance Association， 2023.
[2]	孙见忠，王卓健，闫洪胜，等. 航空预测性维修研究进展综述［J］. 航空学报， 2025， 46（5）： 030852.
	SUN J Z， WANG Z J， YAN H S， et al. Research advances in aircraft predictive maintenance［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（5）： 030852 （in Chinese）.
[3]	牛奔，薛博文，周天薇. 基于交互式细菌觅食优化算法的飞机基地维修人员调度［J］. 管理工程学报， 2023， 37（5）： 247-258.
	NIU B， XUE B W， ZHOU T W. Interactive bacterial foraging optimization algorithm for aircraft base maintenance technician scheduling［J］. Journal of Industrial Engineering and Engineering Management， 2023， 37（5）： 247-258 （in Chinese）.
[4]	IGHRAVWE D E， OKE S A. A non-zero integer non-linear programming model for maintenance workforce sizing［J］. International Journal of Production Economics， 2014， 150： 204-214.
[5]	VAN DER WEIDE T， DENG Q C， SANTOS B F. Robust long-term aircraft heavy maintenance check scheduling optimization under uncertainty［J］. Computers & Operations Research， 2022， 141： 105667.
[6]	DENG Q C， SANTOS B F， CURRAN R. A practical dynamic programming based methodology for aircraft maintenance check scheduling optimization［J］. European Journal of Operational Research， 2020， 281（2）： 256-273.
[7]	胡小兵，赵宇勃，王瑞昕，等. 基于组合优化的飞机定检任务调度优化方法研究［J］. 交通运输系统工程与信息， 2023， 23（3）： 214-222.
	HU X B， ZHAO Y B， WANG R X， et al. Optimization method of aircraft regular check task scheduling based on combinatorial optimization［J］. Journal of Transportation Systems Engineering and Information Technology， 2023， 23（3）： 214-222 （in Chinese）.
[8]	PIMAPUNSRI K， WEERANANT D， RIEL A. Genetic algorithms for the resource-constrained project scheduling problem in aircraft heavy maintenance［EB/OL］. 2022： arXiv： 2208.07169. .
[9]	CHEN G， HE W， TIAN Y， et al. Resource-constrained project scheduling with multiple states： Bi-objective optimization model and case study of aircraft maintenance［J］. Computers & Industrial Engineering， 2024， 191： 110169.
[10]	HARTMANN S， BRISKORN D. An updated survey of variants and extensions of the resource-constrained project scheduling problem［J］. European Journal of Operational Research， 2022， 297（1）： 1-14.
[11]	ZHANG J G， SONG X W， DÍAZ E. Project buffer sizing of a critical chain based on comprehensive resource tightness［J］. European Journal of Operational Research， 2016， 248（1）： 174-182.
[12]	ZHANG J G， SONG X W， DÍAZ E. Critical chain project buffer sizing based on resource constraints［J］. International Journal of Production Research， 2017， 55（3）： 671-683.
[13]	LIANG Y Y， CUI N F， HU X J， et al. The integration of resource allocation and time buffering for bi-objective robust project scheduling［J］. International Journal of Production Research， 2020， 58（13）： 3839-3854.
[14]	FALLAHI F， BAKIR I， YILDIRIM M， et al. A chance-constrained optimization framework for wind farms to manage fleet-level availability in condition based maintenance and operations［J］. Renewable and Sustainable Energy Reviews， 2022， 168： 112789.
[15]	ZHONG T， WU C H， ZHU Z J， et al. Alternative learning particle swarm optimization for aircraft maintenance technician scheduling［C］∥Advances in Swarm Intelligence. Cham： Springer， 2022： 148-159.
[16]	POLICELLA N. Scheduling with uncertainty： A proactive approach using partial order schedules： Thesis［J］. AI Communications， 2005， 18（2）： 165-167.
[17]	KADRI R L， BOCTOR F F. An efficient genetic algorithm to solve the resource-constrained project scheduling problem with transfer times： The single mode case［J］. European Journal of Operational Research， 2018， 265（2）： 454-462.
[18]	HERROELEN W. Generating robust project baseline schedules［M］∥Tools and applications： Glimpses of future technologies. Catonsville ：INFORMS， 2007： 124-144.
[19]	MA H P， ZHANG Y J， SUN S Y， et al. A comprehensive survey on NSGA-Ⅱ for multi-objective optimization and applications［J］. Artificial Intelligence Review， 2023， 56（12）： 15217-15270.
[20]	WANG L， ZHENG X L. A knowledge-guided multi-objective fruit fly optimization algorithm for the multi-skill resource constrained project scheduling problem［J］. Swarm and Evolutionary Computation， 2018， 38： 54-63.
[21]	CHEN R， LIANG C Y， GU D X， et al. A multi-objective model for multi-project scheduling and multi-skilled staff assignment for IT product development considering competency evolution［J］. International Journal of Production Research， 2017， 55（21）： 6207-6234.
[22]	YEN G G， HE Z N. Performance metric ensemble for multiobjective evolutionary algorithms［J］. IEEE Transactions on Evolutionary Computation， 2014， 18（1）： 131-144.
[23]	ZITZLER E， THIELE L， LAUMANNS M， et al. Performance assessment of multiobjective optimizers： An analysis and review［J］. IEEE Transactions on Evolutionary Computation， 2003， 7（2）： 117-132.
[24]	KOLISCH R， SPRECHER A. PSPLIB-a project scheduling problem library： OR software-ORSEP operations research software exchange program［J］. European Journal of Operational Research， 1997， 96（1）： 205-216.
[25]	王峰，韩孟臣，赵耀宇，等. 基于改进NSGA-Ⅱ算法求解多目标资源受限项目调度问题［J］. 控制与决策， 2021， 36（3）： 669-676.
	WANG F， HAN M C， ZHAO Y Y， et al. An improved NSGA-Ⅱ algorithm for multi-objective resource-constrained project scheduling problem［J］. Control and Decision， 2021， 36（3）： 669-676 （in Chinese）.
[26]	何立华. 资源不确定条件下项目调度多目标优化研究［D］. 天津：天津大学， 2013： 52-57.
	HE L H. Research on the multiple objective optimization of project scheduling under uncertain resource conditions［D］. Tianjin： Tianjin University， 2013： 52-57 （in Chinese）.
[27]	ZHANG K， SHEN C N， HE J J， et al. Knee based multimodal multi-objective evolutionary algorithm for decision making［J］. Information Sciences， 2021， 544： 39-55.
[28]	XIAO J， WU Z， HONG X X， et al. Integration of electromagnetism with multi-objective evolutionary algorithms for RCPSP［J］. European Journal of Operational Research， 2016， 251（1）： 22-35.
[29]	MANE S， SONAWANI S S， SAKHARE S. Classification problem solving using multi-objective optimization approach and local search［C］∥2016 International Conference on Electrical， Electronics， and Optimization Techniques （ICEEOT）. Piscataway： IEEE Press， 2016： 243-247.
[30]	YANG Z R， HAN J D， WANG C D， et al. GraphLoRA： Structure-aware contrastive low-rank adaptation for cross-graph transfer learning［EB/OL］. 2024： arXiv： 2409.16670. .

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

编号	项次名称	项次内任务	项次优先级	项次内任务优先级	所需工具数（名称）	所需设备数（名称）	所需人员数	持续时间/h
SN-PA44-P-500	准备工作	地面暖机和试车	1	2	2	1（地面电源车）	2	0.5
	滑油和滑油滤检查	更换主滑油滤	3	4	3（滤扳手、油盆、扭力扳手）	1（滑油回收装置）	2	1.2
	点火系统检查	拆下并检查电嘴	4	1	2（火花塞套筒、间隙规）		1	0.8
	发动机外观检查	检查燃油系统应无渗漏	3	5	1（手电筒）		1	0.5
SN-PA44-A-500	座舱部分	拆下后排座椅和地板	2		2（十字螺丝刀、内饰撬棒）		1	0.3
	机身和尾翼部分	检查液压泵组件	2	2	4（压力表、开口扳手、渗漏检测剂、抹布）	1（液压测试台）	2	0.7
	起落架部分	顶升飞机	3	3	5（千斤顶、轮挡、力矩扳手、水平仪、安全销）	1（飞机托架）	3	1.0

数据集	平均时间/s
数据集	NSGA-Ⅱ-Adaptive	NSGA-Ⅱs	NSGA-Ⅱ-LSA	NSGA-Ⅱ
J30	93.00	104.99	198.99	120.89
J60	254.01	275.77	494.77	247.16
J90	330.98	326.33	648.42	351.58
J120	393.28	480.47	850.75	391.19

基于改进NSGA-Ⅱ的飞机定检任务调度工期鲁棒性多目标优化

Multi-objective optimization of robustness of aircraft scheduled maintenance task scheduling duration based on improved NSGA-Ⅱ

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

迭代次数	指标	NSGA-Ⅱ-Adaptive	NSGA-Ⅱs	NSGA-Ⅱ-LSA	NSGA-Ⅱ
20	NDS	9	10	6	6
20	SP	1.40	3.40	1.89	1.55
50	NDS	49	6	20	26
50	SP	0.24	1.56	1.01	0.69
100	NDS	100	13	89	84
100	SP	0	1.55	0.66	0.53
150	NDS	100	9	100	96
150	SP	0.49	1.55	0.18	0.18
200	NDS	100	12	100	100
200	SP	0.22	1.53	0.30	0.21

迭代次数	指标	NSGA-Ⅱ-Adaptive	NSGA-Ⅱs	NSGA-Ⅱ-LSA	NSGA-Ⅱ
20	NDS	45	14	16	15
20	SP	1.55	2.96	2.02	1.62
50	NDS	100	50	45	74
50	SP	0	1.81	0.76	0.35
100	NDS	100	100	100	100
100	SP	0	0.26	0.38	0.31
150	NDS	73	9	100	100
150	SP	0	1.11	0.14	0.73
200	NDS	100	12	100	100
200	SP	0	0.94	0	0.17

迭代次数	指标	NSGA-Ⅱ-Adaptive	NSGA-Ⅱs	NSGA-Ⅱ-LSA	NSGA-Ⅱ
20	NDS	7	6	12	10
20	SP	4.40	4.26	2.76	2.74
50	NDS	9	5	7	11
50	SP	6.40	6.42	2.25	2.26
100	NDS	12	7	7	11
100	SP	5.80	3.02	3.62	5.47
150	NDS	9	6	8	8
150	SP	4.75	5.38	2.52	8.61
200	NDS	11	5	7	9
200	SP	2.94	3.00	0.90	7.36

迭代次数	指标	NSGA-Ⅱ-Adaptive	NSGA-Ⅱs	NSGA-Ⅱ-LSA	NSGA-Ⅱ
20	NDS	8	9	13	13
20	SP	7.76	7.86	14.15	6.85
50	NDS	13	10	13	12
50	SP	3.83	3.85	4.49	5.50
100	NDS	17	12	15	14
100	SP	2.03	5.14	3.74	4.22
150	NDS	17	11	17	13
150	SP	4.87	5.67	2.51	4.71
200	NDS	21	12	18	15
200	SP	5.04	5.57	5.52	5.59

[1]	王沛曌, 何明, 陈海华, 王鸿鹏. 考虑通信拓扑控制的FANET实时任务调度算法[J]. 航空学报, 2026, 47(6): 332636-332636.
[2]	李荣祖, 刘莉, 杨盾. 基于多源域融合代理模型的氢能无人机优化设计[J]. 航空学报, 2025, 46(9): 630979-630979.
[3]	蔡伟伟, 伍国华, 李恒伟, 尹谦. 考虑用户偏好的中继卫星多目标调度优化方法[J]. 航空学报, 2025, 46(8): 331074-331074.
[4]	王一帆, 郭喜云, 贾世元, 陈钢, 任默. 面向桁架抓持的三分支机器人构型优化方法[J]. 航空学报, 2025, 46(7): 431033-431033.
[5]	崔瑀欣, 陆中, 周伽. 基于多目标人工蜂鸟算法的研制保证等级分配[J]. 航空学报, 2025, 46(4): 330946-330946.
[6]	李亚飞, 赵瑞. 基于噪声与油耗的超声速客机进近程序优化[J]. 航空学报, 2025, 46(20): 531919-531919.
[7]	郭嘉杰, 陶志, 宋立明, 李军. 考虑椭圆孔组合偏转的冷却布局多维高效优化[J]. 航空学报, 2025, 46(16): 131584-131584.
[8]	宋祺, 左家亮, 吴傲, 杨任农, 王瑛, 李乐言. 面向空中战斗管理的协同任务进程管理方法[J]. 航空学报, 2025, 46(15): 331480-331480.
[9]	张春晓, 郭通, 李宇萌. 城市低空立体物流网络双种群协同优化方法[J]. 航空学报, 2025, 46(11): 531477-531477.
[10]	赵长啸, 戴骏, 董方正, 李道俊. 机载时间敏感网络链路安全关键度均衡调度方法[J]. 航空学报, 2024, 45(6): 328870-328870.
[11]	单程军, 贡天宇, 易理哲, 杨浩辉, 龙垚松. 超声速民机高效高可信度声爆/气动多学科优化方法[J]. 航空学报, 2024, 45(24): 630573-630573.
[12]	於志文, 孙卓, 程岳, 郭斌. 智能无人机集群协同感知计算研究综述[J]. 航空学报, 2024, 45(20): 630912-630912.
[13]	李恒伟, 罗启章, 顾轶, 范才智, 伍国华. 基于滚动时域策略的中继卫星多目标动态调度优化方法[J]. 航空学报, 2024, 45(16): 329706-329706.
[14]	杨倩, 郑皓冉, 程显达, 董威. 基于引气控制的热气防冰优化设计方法[J]. 航空学报, 2023, 44(S2): 729285-729285.
[15]	贾宝惠, 姜番, 王玉鑫, 王杜. 基于民机维修文本数据的故障诊断方法[J]. 航空学报, 2023, 44(5): 326598-326598.