智能多模式电梯群控调度方法的研究与实现.doc

系统的安全性。由于目前市场上的楼宇自动系统都是国外产品, 在设备选型时, 必须充分考虑系统投入运动后的安全问题, 包括系统的成套性、产品的技术成熟程度、对方技术交底到底什么程度、运行数据管理甚至包括产品售后服务是否及时等, 以确保系统安全、正常地运行。为现代化建筑提供主要运输功能的电梯群控系统,在人们日常生活中起着越来越重要的作用。影响电梯群控算法性能的一个重要因素是交通流,它是以电梯服务系统的乘客数、乘客出现的周期以及乘客的分布情况描述的。交通流的情况主要与建筑的用途有关,对于典型办公大楼,通常可将电梯群控系统的交通流分为以下几种模式:上高峰交通模式,下高峰交通模式,2路交通模式,4路交通模式,平衡的层间交通模式和空闲交通模式等。在不同的交通模式下采用最适合的群控算法,可提高电梯系统的性能,即提高其服务的数量(处理能力)和质量(服务时间)。要实现不同算法根据交通流的状态实时地切换,需要有一个实时的交通分析模块,以辨识当前的交通模式,然后切入到相应的算法。辨别交通模式的准确性将直接影响整个系统的性能。Aebert等提出了用神经网络或模糊推理进行交通模式识别的方法,但用神经网络方法制定样本困难,而且网络训练非常耗时；而用模糊规则方法则无学习功能。为此,本文提出一种用模糊神经网络进行电梯群控系统交通模式识别的方法。智能多模式电梯群控调度方法的研究与实现摘要:电梯群控系统的任务是有效地运送乘客，提高电梯运行效率、改善服务质量。根据大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高电梯群控性能的关键。本文实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可以在一天中根据不同的交通流状况，提供不同的群控策略，从而使电梯服务更优，仿真实验表明了这种电梯调度方法是有效的。关键词:电梯群控系统；电梯调度；交通模式识别；模糊神经网络；多模式1、引言电梯群控系统是在建筑物内控制三部或三部以上电梯并实现优化调度从而有效的运送乘客改善服务质量的控制系统。在群控调度算法的研究中，人们发现建筑物内的交通模式在一天的不同时间内是变化的，仅用一种固定不变的派梯算法不能适应所有的交通模式，群控系统必须适应建筑物内交通模式的变化。随着人工智能理论的发展，研究人员提出了多种智能派梯方法，按照交通流模式的不同，有适用于高峰期的群控算法、适用于层间交通的群控算法和适用于空闲模式的群控算法等。对于某一种交通模式，可以设计出适合它的群控算法，并在此交通模式下提高电梯群控系统的服务质量，但这种群控算法假如用于其他交通模式，其性能可能很不理想。如果群控系统能够比较准确地辨别出各种交通模式所占的比例，那就可以按照各种模式比例的大小，采用适合于这种交通模式的群控算法。本文针对上述问题并综合了空闲派梯、随机层间派梯和高峰期派梯等几种智能算法的思想提出了一种基于模式识别的智能多模式电梯群控调度方法，并在虚拟环境下实现了这种调度算法。2、 基于交通模式识别的电梯群控系统在群控器中，应有一个交通模式识别模块，实时监测建筑内的交通状况和交通需求，用以调整梯群监控系统的参数或选择不同的控制算法，使梯群监控系统的控制策略能够适应当前的交通状况。采用交通模式识别的电梯群控器结构如图1所示。根据上、下行高峰时电梯上、下停站和呼梯的关系，用神经网络辨别交通模式，采用各时间段为纯粹模式的模拟交通流，利用仿真获得电梯的运行过程，从而根据对仿真过程中的电梯运行记录得到的电梯上行停靠次数、下行停靠次数等信息制定样本训练神经网络，进行交通模式识别。然后根据模式识别的结果进行派梯。3、 电梯群控系统的交通模式识别3。1用于交通模式识别的模糊神经网络模型用于交通模式识别的模糊神经网络是基于联结机制的模糊神经网络模型圈，该模糊神经网络采用五层结构，如图2所示。第一层为输人层、其中每一个节点是一个输人节点(语言节点)，它代表输人语言变量。第二层和第四层分别为模糊化层和综合层，它们的节点是模糊子集节点，分别用于表示输人和输出变量的隶属函数。第三层为规则层，其中的节点为规则节点，代表模糊逻辑规则，所有第三层的节点构成了一个模糊规则库。第五层为输出层，其节点代表网络的输出语言变量。3。2交通流模式识别应用模糊神经网络进行交通模式识别需要以下几个步骤。1)交通模式特征的提取。根据对每种交通模式定义的分析，可以确定3个特征值:本时间段的总客流量(总乘客数)，进门厅乘客数，出门厅乘客数，这些特征值基本上可以反映一个时间段的交通特征。2)网络结构的确定。根据总客流量、进门厅人数和出门厅人数三个特征值辨别出上高峰、下高峰、随机层间和空闲四种交通模式的比例。，归一化后作为网络的输入。网络输出为:，分别表示上高峰、下高峰、层间和空闲四种交通模式所占的比例。3)通过样本训练网络。确定样本:交通模式识别网络的样本主要根据专家经验来制定，专家经验可以比较准确的反映出交通状况和各种模式之间的关系。模式识别网络的输入取值范围都是0，1，每个样本的输出值由专家经验来制定，即按经验知识来确定各种交通模式的比例。训练网络:对上一步获得的训练样本集，采用三步混合训练方法对模式识别网络进行训练。第一步，从样本中获得隶属函数，应用改进的SOM方法进行学习；第二步，利用上一步获得的隶属函数，从样本中获得模糊规则；第三步，用改进的误差反向传播方法优化调整隶属函数。4)应用网络对交通流进行模式识别。4智能多模式调度方法4。1先进智能群控算法基本原理本文所述的智能电梯多模式调度方法主要涉及三种智能调度算法:1)遗传算法的调度，适用于随机层间交通模式。在层间交通模式下，用户对电梯的需求多样化。遗传算法是一种求解问题的高效并行全局搜索方法，在有多个呼梯的情况下可搜索到最优派梯方案，而传统的派梯算法在分派呼梯时总是逐个分派、串行处理，不能满足实现多目标最优调度的要求。2) 基于交通流概率仿真模型的空闲派梯算法，适用于空闲交通模式。这种调度方法有效地避免了电梯“空驶现象”，降低了能耗，并大大减少了方法的复杂性；3) 基于Markov排队论的电梯调度，适用于高峰期交通模式。这种算法主要是根据每一时间段的乘客到达率和当前电梯系统中的乘客人数来考虑下一时间段是采用分区算法还是不分区算法。这里主要介绍Markov排队论电梯调度方法。用概率论和排队论的方法推导出给定到达率的高峰期交通流的不同派梯方案的电梯往返运行时间RTT，如式(1):(1)在分区的情况下，n相当于某一区域共有的楼层数，L是服务这个区域的电梯数.然后计算乘客平均逗留时间，它是平均候梯时间和平均乘梯时间之和，即:，之后可以比较各派梯方案平均逗留时间较小的到达率有效范围.将电梯系统的每一分钟作为一个阶段，马尔可夫决策方法在电梯每一分钟的开始对派梯方案进行决策时，不仅考虑这一分钟的到达率，还要考虑系统当前人数.每一分钟开始时，电梯系统内的人数为状态，包括电梯正在服务的和等待电梯服务的乘客人数.在此，把每一分钟开始的电梯系统人数根据前述的各派梯方案的有效到达率范围分为5种状态:O，1，2，3，4.其中，0代表有。一9人，1代表有1019人，2代表有2026人，3代表有17一35人，4代表多于36人.在每一分钟开始确定这一分钟应该采取的派梯方案，正在运行的电梯仍按照上一分钟的派梯方案进行派梯.对于16层大楼，4部电梯来说，有三种派梯方案，即不分区、两部电梯服务一个区和一部电梯服务一个区.用d表示每一分钟的决策，d一O:表示不分区;d一1:表示两部电梯服务一个区;d2:表示一部电梯服务一个区.则可用的行动集A一(o，1，2电梯系统每一分钟开始状态是上一分钟开始的状态和上一阶段决策的结果.状态转移的过程中，电梯服务的人数越多越好，这里把每一分钟能够服务的人数作为报酬，统计得出报酬矩阵.如果把这个报酬作为指标函数的话，希望它越大越好.f，拭i)表示系统初始状态i，采取最优策略时的总期望报酬最大值，PJ表示初始状态i在n一1阶段的最优策略下转移到k的概率.则有如公式(2)所示方程:利用单队列单服务台的排队模型M/耐/1证明单部电梯服务一个区域存在优化阂值(每部电梯每次服务的最少人数)，并进一步给出分区派梯方案求取该闭值的方法.利用多部电梯服务一个区域的排队模型M/矿/C，求取不分区和多部电梯服务一个区域的阑值策略.由于批量服务的M/耐/C和爱尔朗到达系统E寿/M/C之间存在着一一对应的关系，因此，可以把一个k阶参数为几的爱尔朗到达看作一个参数为刀k的泊松到达，把上述的排队模型简化为M/材/.对于本排队系统，当n(c时，N。一。，因此求L。只用到n)C的概率p，故有公式(3):几一习(n一c)p，一习(n一c)P.居一一P只1(l一只)“(3)对k8习cp一一由于这里M/M/C模型的一个到达相当于E*/M/C的k个到达.于是E汀M/C的队长L。一k*几.根据I-ittle公式，确定候梯时间代价.动态规划求解关键路径并不需要搜索所有路径，只需计算各阶段的关键路径，最终计算出全局的最优路径.对于指标函数的选取，上下高峰区别对待:上高峰取最小逗留时间，下高峰选取最小加权队列.以上高峰交通流4部电梯服务16层大楼为例说明动态规划求解动态分区问题.这里，按电梯上高峰动态分区的空间特征(即区域)来划分动态规划的阶段，每一个区域为一个阶段.如果将四部电梯分为四个区，设起始楼层为0，用字母A表示，最高楼层为15.用字母E表示，从A到E分为四个阶段，用字母k表示阶段变量，于是从A到E可分为