本文档属于类型a，即报告了一项原创性研究。以下是对该研究的详细介绍：
作者及研究机构
本研究由Kai Wang和Alexandre Jacquillat共同完成，两位作者均来自麻省理工学院斯隆管理学院（Sloan School of Management, Massachusetts Institute of Technology）。研究论文于2020年发表在期刊《Operations Research》上，具体卷期为第68卷第5期，页码为1375-1402。
学术背景
研究的主要领域是运筹学（Operations Research），特别是航空交通管理中的调度与操作优化问题。随着航空需求的持续增长，机场基础设施的容量限制导致了严重的拥堵和延误问题。例如，2007年美国全国范围内的航班延误成本估计超过300亿美元。为了解决这一问题，研究者提出了两种主要的干预措施：战术性干预（如地面等待策略）和战略性干预（如航班调度调整）。然而，现有的研究通常将这两类问题分开处理，忽略了它们之间的相互依赖性。因此，本研究旨在提出一种集成模型，将调度干预和地面等待操作联合优化，以应对航空网络中的容量限制和操作不确定性。
研究目标
研究的主要目标是开发一种两阶段随机整数规划模型，用于优化机场网络中的调度干预和地面等待操作。该模型通过捕捉网络范围内的相互依赖性（规模集成）以及调度与操作之间的相互依赖性（范围集成），提升现有的需求管理模型。
研究流程
研究分为以下几个主要步骤：
1. 模型构建
研究者提出了一个机场网络中的调度与操作集成模型（IMSOAN），并将其形式化为一个两阶段随机整数规划问题。第一阶段优化调度干预，以最小化与航空公司偏好之间的偏差；第二阶段考虑多机场地面等待问题，优化操作以最小化延误成本。模型考虑了航班调度、网络连接、机场容量等多种约束条件。
算法开发
为了解决这一复杂的随机整数规划问题，研究者开发了一种新的分解算法。该算法基于对第二阶段问题的线性规划松弛的对偶变量和减少成本，提出了新的最优性切割（dual integer cuts）。此外，算法还引入了邻域约束（neighborhood constraints），在后期迭代中将搜索范围限制在初始解附近，从而加速收敛。
场景生成
研究者使用历史操作记录生成代表性场景，并通过整数规划方法选择子集。场景生成过程被形式化为一个p-median问题，并使用精确整数规划求解。
计算实验
研究者利用美国国家空域系统（NAS）的真实数据进行了大规模计算实验。实验涉及820万整数变量和2080万约束条件，测试了不同机场数量和场景规模下的模型性能。
结果分析
通过计算实验，研究者验证了算法的有效性，并展示了规模集成和范围集成的优势。研究结果表明，即使对1%的航班进行15分钟的调度调整，也能将全网络范围内的延误减少20%-30%。
主要结果
1. 算法性能
研究者提出的分解算法在计算实验中表现出色，能够在合理时间内获得接近最优的解。与传统Benders切割相比，dual integer cuts将收敛差距从20%降低到1%。
规模与范围集成的优势
研究结果表明，集成调度与操作能够显著减少延误成本。特别是在繁忙机场和早期时段，调度干预的效果最为明显。
场景生成的效果
场景生成方法显著降低了预期成本，比启发式方法更为有效。
结论
本研究提出了一种创新的两阶段随机整数规划方法，用于优化航空交通管理中的调度与操作问题。通过规模集成和范围集成，模型能够捕捉网络范围内的相互依赖性以及调度与操作之间的相互依赖性。研究结果表明，该方法能够显著减少延误成本，并为机场需求管理提供了透明的决策支持。此外，提出的算法和场景生成方法具有广泛的应用潜力，可推广到其他类似的随机优化问题。
研究亮点
1. 创新性模型
本研究首次将调度干预与地面等待操作联合优化，提出了一个两阶段随机整数规划模型。
高效算法
研究者开发了一种新的分解算法，结合了dual integer cuts和neighborhood constraints，显著提升了算法的收敛速度和求解质量。
大规模计算实验
研究利用真实数据进行了大规模计算实验，验证了模型和算法的有效性。
场景生成方法
研究者提出了一种基于历史数据的场景生成方法，并通过精确整数规划求解，显著提高了场景的代表性。
其他有价值的内容
本研究还讨论了模型在实际应用中的潜力，例如在机场容量声明和网络范围内时刻分配中的应用。此外，研究结果对美国的航空政策制定具有重要参考价值，表明有限的调度干预可以显著减少全网络范围内的延误。