飞机客舱清洁人员调度的优化研究

洪炯哲，林 彬，吴伟达，苏锌泽，余龙水

（1.广东工业大学机电工程学院，广州 510006；2.广东机场白云信息科技有限公司，广州 510470）

0 引言

目前，我国民航机场客舱清洁人员的调度主要依靠人工调度，但此方式存在诸多问题：（1）调度低效，人工调度流程冗杂以及设备落后；调度员工作负荷大，需要时刻盯着航显和监视器，可能出现一些清洁任务下达后不能及时完成的情况。（2）清洁人员的任务量分配不均，由于小组间的工作量及工作强度难以均衡，仅依靠调度员个人经验难以保证清洁人员任务量的均衡。（3）信息化程度过低，调度员需要手工修改人员状态信息和记录完成任务信息。因此，优化清洁人员的调度方式对解决以上问题以及提高航班正点率起着重要作用。

对客舱清洁人员调度的研究主要包含两个方面，第一是清洁任务的服务次序决策（即进场航班排序决策）。Psaraftis[1]采用动态规划方法求解进场航班排序问题。针对小规模航班排序问题，Neumann和Erzberger[2]采用穷举法求解该问题。Gregory等[3]通过给不同航空公司设定相对到达优先级，定义了“优先调度”的概念。丁峰等[4]通过分析航班量对计算量的影响，提出了优化时间窗算法用于解决单跑道进场航班的排序优化问题。针对着陆队列排序问题，文献[5]设定的优先级规则需要判断航班延误程度、航班是否离场以及比较预计抵达终点的时间。张建同、杨文娟[6]提出基于优先级的进离港航班排序优化，通过设计优先级表反映调度优先等级，根据优先级进行排序。其中优先级规则为最小松弛优先（least laxity first，LLF）。第二是清洁人员的选取决策。文献[7-8]表明，针对机组人员调度分配问题，体积算法可以很快产生逼近线性规划松弛最优解的初始解。Hoffman和Padberg[9]通过分支定界法设计出求解器，用以解决机组人员调度问题。Klabjan等[10]改进了Hoffman和Padberg的方法，通过基于线性规划的启发式算法来降低工作量。廖婷婷等[11]通过改良后的分支定界法实现多技能人力资源的均衡优化。Kasirzadeh等[12]提出采用列生成的方法求解连续分配机组人员的问题。陈捷等[13]的指派算法在机场人员调度的应用，一定程度上解决了现有调度手段费时费力的问题。

仅考虑进场航班排序或人员调度问题有一定的局限性，必须综合考虑任务调度与人员调度，才能更完整地研究客舱清洁人员的调度问题，得出更完善的结果。通过理论分析和实际调查，本文提出了基于先到先服务（FIFO）规则和基于优先级规则这2种任务服务次序决策，以及人员不足的情况下移交任务和通过延长服务时间以弥补人员不足2种人员选取决策。

本文以某国际大型枢纽机场为例，通过对真实模型作一定简化，将飞机类型简单根据速度、容量、重量和其他技术特征，将等待着陆的飞机分为4类[14]。构建用于研究客舱清洁人员调度的机场仿真模型，结合实际情况设置约束条件和目标函数，为每个任务安排清洁人员。然后设计仿真实验对上述2种任务服务次序决策与2种人员选取决策进行搭配，计算出任务覆盖率、人员任务数分布、人员有效工作时间分布、有效时间占比4个评价指标，分析和比较其结果，选择出最合理的组合方法。仿真实例验证了模型和调度决策的正确性和有效性。

1 问题描述与模型简化

客舱清洁由机场地勤属下的客舱清洁室负责，清洁室下设4个分队，每个分队由N个小组组成，各个小组包括组长在内共5人，其组织结构如图1所示。

图1 清洁室组织结构

调度室方面，客舱清洁调度员从上班表中直接获取当天值班的客舱清洁人员信息，根据塔台实时更新的航显动态信息，在航班降落前会大致确定指派哪些组别去执行此航班的客舱清洁任务。通过对讲机给清洁小组组长下达任务指令之后，小组组长将带领组员执行此清洁任务，要求清洁小组在指定机位等侯飞机到达，即清洁小组提前到达停机位。任务结束后再由小组组长反馈给调度员，由调度员手动修改员工状态及任务量的相关记录，其流程关系如图2所示。

建立清洁人员调度系统模型如图3所示。基于分析机场实际的运作规则，航前清洁、过站清洁、航后清洁以及深度清洁4种航班清洁类型中，过站清洁较其他3种任务明显地存在紧急程度高低之分，因此将过站清洁与其他清洁类型区别开来。在本文中，客舱清洁任务的服务次序分析仅针对过站清洁。

图2 调度流程关系

图3 清洁人员调度系统模型

2 算法设计

2.1 算法设计思想

机场清洁人员调度决策是一个组合问题，具体可以分为清洁任务的服务次序决策和人员选取决策两个部分。清洁任务服务次序部分根据现实情况设计了“先到先服务FIFO”和“优先级规则”2种服务决策，人员选取决策部分根据现实情况设计了“人员选取均衡决策“、“人员不足的情况下任务移交决策”和“通过延长服务时间以弥补人员不足的决策”。

2.2 相关定义

（1）浮动时间的定义

其计算公式为：

式中：FT为浮动时间，COT为截止清洁时间点，SST为标准服务时长，GOT为乘客下机时长，BT为预留给人员调度的时间，CT为当前时间点，ACT为可进行清洁的时长。调度时间轴如图4所示。

图4 调度时间轴

（2）人员不足情况下清洁人员完成任务所需时间的定义

其计算公式为：

2.3 算法进程

2.3.1 清洁任务的先到先服务决策

先到先服务（FIFO）是属于排队论中的一种排队规则，即调度系统从航显中获取飞机的到达时间，根据时间序列排列飞机接受服务的先后次序，排在时间序列前面的飞机先接受服务，排在后面的次之。当机场较为空闲时，采用基于FIFO原则的服务次序可以快速对清洁任务进行响应并给出较好的调度方案，这也是当前人工调度所遵循的基本原则。但当着陆航班较为密集时，FIFO便不能很好地解决问题，可能因为存在某架飞机的清洁任务异常导致整体绩效不高，因此提出了优先级规则决策。

2.3.2 清洁任务的优先级规则决策

步骤1：根据时间序列，任务按顺序一个接一个地进入排序器，获取任务ID；

步骤2：根据机型和任务类型，在服务标准表中获取其标准服务时间；

步骤3：在任务详细信息表获取最晚结束时间，在事件控制器获取当前时间；

步骤4：判断如果浮动时间大于0，输出浮动时间，按浮动时间升序排列，将飞机安排进Runway；

步骤5：如果浮动时间小于或等于0，将任务ID和生成时间记录在未分配任务表上并交给人工处理，结束程序。

2.3.3 人员选取的均衡决策

步骤1：根据任务详细信息表找出当前需要被安排的第i个任务的ID、机型、清洁类型及其所在机位；

步骤2：根据任务的机型以及当前任务所需的清洁类型，在服务标准表中找出当前任务所需的小组数量，以及清洁工作所需的工作时长t；

步骤3：判断员工状态，选择出所有处于空闲状态的员工到人员决策表中；

步骤4：据机位信息以及清洁人员所在位置信息，确定各清洁人员的到位耗费时间；

步骤5：在人员决策表中，加入各空闲小组的序号、ID、到位耗费时间、当天完成任务数量X、有效工作时间t的信息，并定义小组数量+1；

步骤6：将人员决策表中的数据，按照“先当天所做的任务数、后到位所需耗费的时间”或“先到位所需耗费的时间，后当天所做的任务数”的顺序对数据进行从小到大的排序；

步骤7：从人员决策表中自上而下选取满足任务需求的清洁人员数量。

2.3.4 人员不足任务移交决策

若空闲人员人数达不到任务所需人数，则当前的任务将会被移动到Buffer中，并在未分配任务表中记录相关信息，重返空闲人员选取步骤。

2.3.5 通过延长服务时间以弥补人员不足的决策

步骤1：判断“空闲人员数量不满足任务需求”且“空闲人员数量不为0”，如果是则进入步骤2，否则跳到人员不足移交策略；

步骤2：判断serviceTime1＜ACT，如果是则进入步骤3，否则进入步骤4；

步骤3：将现有空闲清洁人员派遣到当前任务处完成清洁任务，完成任务所需时间为serviceTime1；

图5 仿真模型中的表格、方法、评价指标以及图表

步骤4：将当前任务的planeId，以及生成时间event⁃controller.simtime添加到未分配任务表的对应列中，接着令i＝i+1后，返回到人员选取的均衡决策步骤1。

3 仿真实现

3.1 仿真模型构建

本文以事件调度法推进仿真时钟的方式，运用Tec⁃nomatix Plant Simulation仿真软件构建相应的系统仿真模型，其中包含了输入输出数据表、过程表、方法、评价指标、结果显示以及机位图示等，如图5所示。在采集到的数据样本的基础上，通过设计一系列算例，对多种决策搭配方法的仿真结果进行对比分析，说明清洁人员调度系统模型的可靠性及其决策方法的有效性。

3.2 仿真模型中主要对象的设置

为了仿真需要，本文去除了对模型结果不会造成实质性影响的可忽视因素，在符合机场的实际运作流程及清洁人员调度规则的前提下，对仿真模型中部分对象做了以下设定。

（1）将Worker设定为清洁小组

清洁人员个体资质相同，即每个清洁小组属性相同，其所在位置只限于各机位以及员工休息室。考虑到实际情形中清洁小组在机场内的交通方式可能为步行或者乘坐摆渡车，故此处将其移动速度（Speed）设置为1.5 m/s。

（2）将SingleProc设定为机位

机位具备4种类型，分别为C、D、E、F，位置上分为E区和W区两大区域，呈对称分布。每个机位配有4个工作区（WorkPlace），每个工作区可容纳1组清洁人员，如图6所示。

图6 部分机位图示

（3）将Entity设定为飞机

每架飞机之间都是相互独立的。本文以1、2、3、4分别代表4种机型，飞机机型与所停靠的机位是相匹配的，即大机型只能停靠在大机位，而不能被分配到中、小型机位；中等机型在分配不到中型机位的情况下，可停靠在大机位；当小型机位不足时，小机型将依据机位等级停靠在中、大型机位。其等级关系分别设置为：C（1） ＜D（2） ＜E（3） ＜F（4）。假设每架飞机的下客时长（SetupTime）均服从正态分布“6:00，2:00，4:30，7:30”（其输入格式为“Mu，Sigma[，下限，上限]”）且清洁时间（ProcTime）严格按照服务标准时长进行，即某清洁任务的清洁时长与其对应的服务标准时长相等。

（4）将员工池设定为员工休息室

初始状态员工休息室设置有18个Worker，代表18个清洁小组。18个清洁小组在一天中的不同时刻上班以尽可能覆盖各时段的任务数。

3.3 仿真的实现过程

步骤1：Source依据任务生成表产生飞机进入排序器TaskDecision；

步骤2：在排序器SortMethod中设置的“清洁任务服务次序决策”将会对进入排序器的飞机进行排序，之后在排序器出口处触发方法TaskSplit1，按次序将飞机分别分配到Runway1、Runway2、Runway3上；

步骤3：当飞机进入Runway时，在Runway入口处触发方法TaskSplit2，此时为飞机分配停靠机位，并发出清洁人员调度指令，而在Runway出口处触发方法Task⁃Split3，飞机将移动到所分配的机位上；

步骤4：当飞机到达所分配的机位后，清洁人员依据任务指令执行相应的清洁任务，当飞机处于机位出口处时将触发方法airParkExit，飞机移动到drain上，并记录已完成的任务。

4 实验结果分析

为了验证本文模型以及策略解决实际问题的有效性和可靠性，选用了某国际大型枢纽机场的实际航班数据作为数据输入，对不同策略进行对比。该机场每天进离港航班总量达到200多架次，对不同机型和不同服务类型的标准服务时间与需求人数不同，因此对机型和服务类型进行分类，服务类型包括国内过站清洁、国际过站清洁和航后清洁。在对航班数据进行初步处理之后，生成仿真模型所需用到的任务详细信息表，如表1所示；员工上班表，如表2所示；服务标准表等，进行仿真试验，依次对每个航班任务进行处理。

表1 任务详细信息表部分数据

表2 员工上班表部分数据

根据本文设计的算法，利用plant simulation软件进行清洁任务的服务次序决策和人员选取决策两个部分的工作，得到不同算法组合的运行结果如表3所示。

如表3所示，FIFO、Urgent分别代表2种服务次序决策；4、5代表人员均衡策略的排序；Buffer、NotBuffer分别代表2种人员选取决策。对策略进行逐一对比。

表3 实验结果

（1）“FIFO”和“Urgent”的对比选择

通过 FIFO-[4，5]-Buffer与 Urgent-[4，5]-Buffer 2 种策略，对比任务服务次序的2种决策“FIFO（先到先服务）”和“Urgent（优先级）”，其中Urgent策略下的任务完成数、任务覆盖率以及方差值要好于FIFO策略下的参数值，故选择出较好的任务服务次序策略为Urgent（优先级）”。

（2）在更优的Urgent服务次序决策条件下，“[4，5]”和“[5，4]”的对比选择

通过Urgent-[4，5]-Buffer与Urgent-[5，4]-Buffer进行对比可以得知，决策为[5，4]（即“先考虑小组已完成任务数，再考虑其就位耗费时间”的均衡策略）的情况下，其方差值低于[4，5]（即“先考虑小组就位耗费时间，再考虑其已完成的任务数”的均衡策略）的情况，这表明[5，4]策略下的小组任务数均衡度要好于[4，5]，据此选择小组任务数更加均衡的[5，4]均衡策略。

（3）在更优的Urgent-[5，4]服务次序决策条件下，“Buffer”和“NotBuffer”的对比选择

通过Urgent-[5，4]-Buffer与Urgent-[5，4]-NotBuffer 2种策略下的数据对比可知，在NotBuffer情况下，其完成任务数、任务覆盖率要高于Buffer的情况，这是因为在NotBuffer的决策中，人数不足时会重新定义人数不足情况下的服务耗费时间，并进行人员分配，这样可以在人数不足的情况下依旧对原先无法完成的任务进行人员安排，进而可以大幅度地降低未完成任务数量，故最终判断出的最优任务决策为Urgent-[5，4]-NotBuffer下的人员决策。

5 结束语

本文针对机场地勤客舱清洁人员调度问题，通过分析某国际大型枢纽机场中现有的调度流程以及特点，建立了清洁人员调度系统模型，并提出多种任务的服务次序决策以及人员的选取决策，运用仿真软件进行建模仿真，验证了本文提出的调度策略的可行性。但其中的人员调度模型力求精简地描述客舱清洁人员调度问题，因此考虑的因素不尽全面，对于真实系统的模拟不够精确，没有考虑员工在机场内的交通方式、员工休假以及其他干扰因素等情形，且算例中采用的输入数据其时间跨度小。因此对于更加复杂、规模更加庞大的人员调度问题，需要收集更多、更详尽、时间跨度更大的数据，从而提出新的建模思路以及更加智能、有效的求解方法。