1. 课程导论：控制塔场景下的路径优化需求、Dijkstra 算法在空管中的核心价值、课程整体架构与学习目标
1.1 控制塔场景下的路径优化需求
在繁忙的机场终端区，空中交通管制（ATC）的核心任务之一是确保航空器在地面滑行与空中进近阶段安全、高效地运行。随着航班量持续增长，跑道、滑行道与停机坪构成的复杂网络成为制约机场容量的关键瓶颈。路径优化需求主要体现在以下三个维度：
| 维度 | 具体需求 | 典型痛点 |
|---|---|---|
| 安全间隔 | 确保航空器之间、航空器与障碍物之间保持规定的安全距离 | 滑行冲突、跑道侵入、尾流间隔不足 |
| 运行效率 | 最小化滑行时间、等待时间与燃油消耗 | 推出拥堵、热点区域排队、非最优路径绕行 |
| 动态适应性 | 实时响应天气变化、跑道关闭、突发事件等动态约束 | 静态路径规划无法应对突发变更，需频繁人工干预 |
传统的人工调度依赖管制员经验，在高峰时段容易产生认知负荷过载，导致决策延迟或失误。因此，引入自动化路径优化算法成为提升空管系统韧性的必然选择。
关键指标： 国际民航组织（ICAO）建议，大型枢纽机场航空器平均滑出时间应控制在 15 分钟以内，每减少 1 分钟滑行时间，单架次可节省约 20 公斤燃油消耗。
1.2 Dijkstra 算法在空管中的核心价值
Dijkstra 算法作为经典的单源最短路径算法，在空管场景中承担着基础路径引擎的角色。其核心价值体现在以下四个方面：
- 确定性最优解： 在静态或准静态路网中，Dijkstra 算法保证找到从起点到终点的最短路径（基于距离、时间或综合成本），为管制员提供可量化的基准路线。
- 可扩展性： 算法本身不依赖特定图结构，可无缝适配机场滑行道网络、进离场航线网络以及扇区移交点网络。
- 参数可调性： 通过调整边权重的计算方式（如引入拥堵系数、优先级因子、燃油成本），Dijkstra 算法能够从单一距离优化扩展为多目标优化。
- 实时重规划基础： 当网络状态发生变化时，Dijkstra 算法可作为增量式重规划的核心组件，快速输出替代路径。
空管视角： 在控制塔场景中，Dijkstra 算法并非孤立运行，而是与冲突探测、排序调度、间隔管理等功能模块协同工作，构成完整的决策支持链条。
1.3 课程整体架构与学习目标
本课程共 30 章，采用“理论奠基 → 工程实现 → 参数调优 → 场景实战”四阶段递进式结构。学员将系统掌握 Dijkstra 算法在控制塔场景中的全链路调优方法。
| 阶段 | 章节范围 | 核心内容 | 学习产出 |
|---|---|---|---|
| 理论奠基 | 第 1-6 章 | 图论基础、Dijkstra 算法原理、空管网络建模 | 掌握算法推导与网络抽象能力 |
| 工程实现 | 第 7-14 章 | Python 实现、数据结构优化、性能基准测试 | 独立编写可运行的路径优化引擎 |
| 参数调优 | 第 15-24 章 | 权重设计、启发式加速、多目标权衡、鲁棒性分析 | 掌握参数敏感性分析与调优策略 |
| 场景实战 | 第 25-30 章 | 真实机场数据接入、冲突场景仿真、系统集成验证 | 完成控制塔路径优化原型系统 |
学习目标
- 目标 1： 深入理解 Dijkstra 算法在加权有向图上的运行机制，能够手动推导最短路径树。
- 目标 2： 掌握空管场景下路径优化问题的数学建模方法，包括节点、边、权重的定义与约束。
- 目标 3： 熟练使用 Python 实现 Dijkstra 算法，并针对大规模路网进行性能优化（如使用优先队列、邻接表）。
- 目标 4： 学会通过调整边权重参数（时间、距离、拥堵系数、优先级）实现多目标路径优化。
- 目标 5： 能够设计并执行参数调优实验，使用可视化工具分析路径质量与算法效率的 trade-off。
- 目标 6： 完成一个面向控制塔场景的路径优化原型系统，支持动态重规划与冲突规避。
前置要求： 学员需具备基础 Python 编程能力（数据结构、函数、面向对象），了解基本图论概念（节点、边、邻接矩阵）。本课程不要求空管领域背景，但建议提前阅读 ICAO Doc 4444 中关于机场地面运行的基础章节。