這個問題的求解。根據MU730的預計到達時 刻為11：55，可以設置機位調配周期T為11：40~12：40，查詢航班時刻表確定調配時間段里進入機場的航班及其到達時刻，該表的第8列和第9列還給出了該機場指揮中心的實際調配方案。調配時間段里機場實際停機位使用情況如所示，從中查詢各機位前后兩航班之間的時間間隔，把在調配時間段內空閑時間超過50min的停機位找出來，列在表2-17中，表中所列機位都可以在調配時間段內指派航班停靠，只要停靠航班的預計到達時刻和出發(fā)時刻在機位的空閑時間內即可。 

      可以計算出第8列給出的機場指揮處調配方案的目標函數值是38164m，比本例給出的解的目標函數多了10386m，多出了30%。比較這兩個調配方案，發(fā)現只有兩個航班指派的機位做了互換，將機場實際方案中的航班EZ307 的306號遠機位與CZ6533的10號橋位做了互換。這兩個航班的到達時刻非常 接近，從時間上來看，306號遠機位和10號近機位對這兩個航班都適合，這一調 換，將EZ307的B747調配到近機位，將CZ6533的A319調到了遠機位，也就是將 大飛機調到近機位，小飛機調到遠機位，當然減少了旅客和地面服務人員行走的總 距離，因此比機場執(zhí)行的實際調配方案更優(yōu)。 再進一步地采用遺傳算法來解決本例問題，使用0-1編碼，初始群有個體500 個，迭代了1000次，獲得了本例最優(yōu)解。

      在最后的種群中，可行解方案共有六個， 其中有幾個解在迭代過程中保留了幾十代到幾百代，機場指揮處的實際調配方案 和上述啟發(fā)式算法得到的優(yōu)化解都在其中，如表2-19所示。表2-19中“出現次 數”是指該解在迭代1000次中出現的次數(保留的代數)。 給出的遺傳算法的可行解有一個很有意思的特點，在1000次迭代中； 機場指揮處的方案出現了681次，概率為68%，而優(yōu)化解方案出現的概率只有 1/250。這是否能說明人腦的思考與遺傳算法的“進化”有某些相似之處?遺傳算法 中出現概率最大的方案也是人腦最容易想到的方案，優(yōu)化解出現的概率非常低，人 腦一般不易發(fā)現，而采用遺傳算法和計算機求解不但代替了人腦思考，而且比人腦 “思考”的能力更強，很低概率的方案也能“想”出來。