群控電梯調度演算法

一）、弄清群控電梯調度演算法的評價指標
   由於乘客心理等待時間的長短、電梯響應呼梯的快慢、召喚廳站客流量的大小、轎廂內乘客人數的多少等均是一些模糊的概念，很難用確切的數量關係定義，也難以用普通的邏輯規則綜合描述。

   近年來，人們藉助於模糊數學中的隸屬函數來表述，將複雜的模糊問題轉化為簡單清晰的形式進行求解和控制.模糊控制通過模糊邏輯進行推理，有效地對電梯運行 狀況作出判斷，但對於非常複雜的多變數系統，要建立正確的模糊規則和隸屬函數是非常困難的，而且通過大量實驗建立的隸屬函數和規則有時也很難保證十分精確 與合理。此外，其隸屬函數中的加權係數是確定的，不能根據客流改變而相應改變。

為瞭解決模糊控制中存在的某些問題，新發明將神經網路控制方法應用於電梯控制中，無需建立精確數學模型，可以提供準確的控制策略，以減少候梯時間，降低乘客的焦急等待心理，節約能源，合理有效地調度電梯最佳運行。

（二）、理解上行高峰模式、下行高峰模式、雙路運行模式等概念，並找出根據一系列輸入手段間接算出運行模式的演算法：

            上行高峰交通模式：當主要的客流是上行方向，即全部或者大多數乘客從建築物的門廳進入電梯且上行，這種狀況被定義為上行高峰交通狀況。

            下行高峰交通模式：當主要的客流是下行方向，即全部或者大多數乘客乘電梯下行到門廳離開電梯，這種狀況被定義為下行高峰交通狀況。

            二路交通模式：當主要的客流是朝著某一層或從某一層而來，而該層不是門廳，這種狀況被定義為二路交通狀況。二路交通狀況多是由於在大樓的某一層設有茶點部 或會議室，在一天的某一時刻該層吸引了相當多的到達和離開呼梯訊號。所以二路交通狀況發生在上午和下午休息期間或會議期間。

             四路交通模式：當主要的客流是朝著某兩個特定的樓層而來，而其中的一個樓層可能是門廳，這種交通狀況被定義為四路交通狀況。當中午休息期間，會出現客流上 行和下行兩個方向的高峰狀況。午飯時客流主要是下行，朝門廳和餐廳。午休快結束時，主要是從門廳和餐廳上行。所以四路交通多發生在午休期間。    四路交通又可分為午飯前交通和午飯後交通模式。此兩類交通模式和早晨與晚上發生的上行、下行高峰不同，雖然主要客流都為上行和下行模式，但此兩類交通模式 同時還有相當比例的層間交通和相反方向的交通。各交通量的比例還與午休時間的長短，餐廳的位置和大樓的使用方式有關。四路交通時不但要考慮主要交通客流， 還要考慮其他客流，與單純的上、下行高峰期不同。

                平衡的層間交通模式：當上行和下行乘客數量大致相同，並且各層之間的交通需求基本平衡時，此時的交通模式是處於一種普通的雙向層間交通狀況，它存在於一天中的大部分時間，乘客通常要求最小的候梯時間和乘梯時間。

         空閑交通模式：空閑交通模式通常發生在假日、深夜、黎明等情況下，此時大樓的客流稀少、乘客的到達間隔很長，在這種狀況下群控系統中僅僅有部分電梯進行工作，而其餘電梯轎廂則空閑等候。

             基於神經網路的交通模式識別

                 基於統計規律的交通模式識別

（三）、不同的運行模式各自適用什麼樣的調度演算法？

         1、基於專家系統的電梯群控調度演算法[8]

電梯群控系統是一個具有大量不確定和不完整資訊的複雜的非線性系統。這樣一個複雜的系統工程問題很難完全用數學方法精確地描述，而要*經驗的、尚未 形成科學體系的知識。專家系統就是研究用於處理複雜系統工程技術問題的知識表示、使用和擷取的方法。它具有啟發性，能利用專家的知識和經驗對不確定或不精 確的問題進行啟發學習法的推理，對解決電梯群控系統具有一定的優越性。

基於專家系統的電梯群控調度演算法就是用專家的經驗知識建立規則，利用這些規則比較各種可能的電梯運行途徑，從中選出最佳路線，從而使乘客運輸能力增 大而等待時間減小。它適用於層間模式，但不適用於上高峰，因為層間交通下計劃最佳路線的範圍大，但它沒有預測轎廂的加減速時間。

這種方法增加了系統控制的靈活性，但也存在著不足，整個控制過程完全依賴於知識源，顯然專家知識的可*性與是否完善決定了電梯調度方法的效能，這就會受到知識源全面性的影響。同時，為了滿足服務需求的多樣性，控制規則不可避免增加很多，卻還不一定能較為全面地反映問題。

2、採用模糊控制的電梯群控調度技術[9]

模糊邏輯是一種在數學和邏輯上用來處理帶有模糊不清的邊界對象和問題的有效方法。模糊控制的基本思想是把人類專家對特定的被控對象或過程的控制策略 總結成一系列以“IF（條件）THEN（作用）”產生式形式表示的控制規則，通過模糊推理得到控製作用集，作用於被控對象或過程，處理控制系統在語言表達 上不確定的變數資訊[7]。

模糊控制技術在電梯控制系統中的應用顯示了高度的優越性。電梯系統中含有許多模糊、不完整的資訊，這些模糊資訊需要用模糊集來描述。電腦不能接受含糊的回答，但卻能用模糊邏輯來推理，它能模仿人腦的推理能力，簡化許多複雜問題。模糊控制方法主要有以下優點：

(1)               模糊控制完全是在操作人員控制經驗基礎上實現對系統的控制，無需建立數學模型，是解決不確定性系統的一種有效途徑。

(2)               模糊控制具有較強的魯棒性，被控對象參數的變化對模糊控制的影響不明顯，可用於非線性、時變、時滯系統的控制。

(3)               由離線計算得到控制查詢表，提高了控制系統的即時性。

(4)               控制的機理符合人們對過程式控制製作用的直觀描述和思維邏輯。

帶有模糊邏輯的電梯群控系統平均候梯時間減少了，大大優於常規電梯群控系統。但由於模糊控制本身不具有學習功能，許多規則難以確定，依賴於專家知識或黑板結構等啟發學習法知識，使控制系統無法跟上建築交通的變化，難以實現控制目標要求下的最優調度。

3、基於神經網路的群控調度方法[10] [11] [12]

專家系統與模糊邏輯等人工智慧技術在電梯群控系統中的應用極大地提高了梯群的服務品質和效率，但它們的致命弱點是不能通過學習來改善控制演算法。因此當客流發生變化時，系統就不能完全適應這種變化，由此引出的問題有：

如果建築物的實際情況與專家的假設不同，那麼基於此假設的規則就不能帶來較好的效果；系統的效能由專家的知識、經驗決定，具有一定的局限性；調整模糊度隸屬函數困難，要做很多模擬；一旦規則集成到系統中去，要想改變就要花費大量的時間和精力，且只能由人工來完成。

為使電梯群控系統適應條件的變化，做出即時的自動調整，在各種情況下提供更佳的服務，使系統具有自學習能力，人工神經網路被引入電梯群控系統中。神 經網路技術引入電梯群控系統中的優點有：當專家設想的建築物條件與實際建築物不同時，帶有神經網路的電梯群控系統具有學習能力。利用非線性和學習方法建立 適合的模型，進行高速推理，對電梯交通可進行短、長期預測。

4、模糊神經網路的調度方法[13]

模糊神經網路把神經網路與模糊邏輯相結合，吸取各自的優點，它克服了人工神經網路結構難以確定，以及模糊邏輯無自學習功能的缺點。使得模糊神經網路 一方面具有知識擷取和學習的能力，網路學習的過程就是在模糊邏輯規則的最佳化過程。通過學習調整網路權值，在一個模糊規則中各個前提、模糊集合的相對重要度 以及每個規則的相對重要度，來實現規則的最佳化。另一方面，它提供用於解釋和推理的可理解的模型結構，可以以一種清晰的方式描述知識。

模糊神經網路的建立和使用分以下步驟：利用專家知識粗略地形成模糊模型以及一些模糊規則和模糊推理髮明方法；基於這一模糊模型構成神經網路；訓練神 經網路。採集一些特定的交通狀況作為樣本，採用相應的演算法進行學習，調整神經網路必要的權值，以獲得最佳化的模糊規則，然後進行網路應用。

5、基於遺傳演算法的群控調度演算法[14]

從本世紀40年代起，生物類比成了電腦科學的一個組成部分，遺傳演算法是以不確定性、非線性、時間無法復原為內涵，以複雜問題為對象的科學新範式。遺 傳演算法主要是對生物界自然選擇和自然遺傳機制進化過程的類比，而且是在分子水平級上的類比， 由於遺傳演算法對問題的高度適應性和全域化並行摸索能力，在最佳化問題上獲得了廣泛的應用。

在電梯群控系統中，作為一種實用和健壯的最佳化摸索方法，可以用遺傳演算法進行動態分區，進行參數最佳化。使之不僅能適應整個大樓的整體需要，而且能適應 每一層樓對電梯的不同需要，做到了不同樓層的個人化控制。但是，遺傳演算法生物基礎鮮明，數學基礎不夠完善，目前還存在搜尋效率及即時性問題，故尋求滿意 解，是最佳工具之一，但求解複雜問題最優解還不現實。

6、基於多目標最佳化的電梯群控調度演算法[15]

多目標問題就是具有多個實現目標的決策問題，多目標最佳化就是研究多目標決策問題的性質，將決策問題追求的多個目標通過建模的方法轉化為單一目標，然 後求取最優解的處理方法。電梯群控系統的主要最佳化目標有減小乘客平均候梯時間，減少乘客平均乘梯時間，以及降低系統運行能耗等，因此電梯群控演算法是一個典 型的多目標決策問題。

對於一個多目標最佳化問題，如果能根據設計者提供的偏好資訊構造出一個評價函數，使得求解設計者最滿意的解等價於求解後以該評價函數為新的目標函數的最優解，則稱該多目標問題是可標量化的，多目標最佳化理論就是研究這樣的評價函數存在的條件，以及如何構造的問題。

由於現今的電梯群控調度演算法多通過一定的統計規律來求解電梯群控系統多目標問題的次優解，然後進行分配、調度。通常存在建模困難，學習時間長，控制 不及時，且當最佳化條件打破時無法給出最優調度方案等問題。多目標最佳化能通過建模，得到目標函數的最優解，是解決電梯群控決策問題的最佳方法

（四）、關於系統採用這種新的演算法後，效率有什麼明顯的改善。

（五）、根據這些演算法，給定一個客流的上限，如何估計需要多少部電梯才最合適？怎麼調度？

（原文地址http://blog.csdn.net/binbin127/archive/2009/07/09/4331090.aspx）