基于神經(jīng)網(wǎng)絡的電梯調(diào)度重規(guī)劃

仲惠琳

摘要：摘要：提出一種針對客流量變化進行電梯調(diào)度算法實時重規(guī)劃的方法。建立電梯群控系統(tǒng)仿真模型，運用啟發(fā)式算法，進行動態(tài)實時的局部重規(guī)劃，實現(xiàn)電梯的動態(tài)調(diào)度誘導。使電梯檢測到乘客流發(fā)生變化時，能夠盡快調(diào)整選擇路徑。算法對平均等待時間、電梯平均載客時間、電梯能耗和電梯擁擠度進行加權，建立多目標評價函數(shù)，以實現(xiàn)節(jié)能和乘客體驗的均衡統(tǒng)一。

關鍵詞：電梯調(diào)度 動態(tài)規(guī)劃 神經(jīng)網(wǎng)絡

中圖分類號：TU857 文獻標識碼：A 文章編號：1007-9416（2016）07-0063-02

為了擴大城市的使用空間，城市高層建筑越來越多的。為了給各樓層之間提供運輸服務，電梯系統(tǒng)作為主要的服務設施出現(xiàn)。電梯群控系統(tǒng)[1]（EGCS）負責控制電梯，并為乘客提供方便舒適的服務。每一次有新的請求時，EGCS應該評估可選的各個方案，然后選擇最合適的方案來提供服務。用來做決策的算法和評價標準對EGCS的有效性非常重要。

EGCS的核心是調(diào)度算法，它直接影響了電梯運行效率的高低和服務質(zhì)量的優(yōu)劣。目前已經(jīng)存在多種電梯調(diào)度方法，如：最小等待時間算法、基于專家系統(tǒng)的電梯調(diào)度算法、基于模糊控制的電梯調(diào)度算法、基于神經(jīng)網(wǎng)絡的電梯調(diào)度算法。神經(jīng)網(wǎng)絡算法可以進行大規(guī)模并行處理、分布式信息存儲，并且擁有良好的自組織能力與自學習能力。基于神經(jīng)網(wǎng)絡算法，建立EGCS的目標評價函數(shù)，將模糊規(guī)則映射到神經(jīng)網(wǎng)絡[2]，通過調(diào)整影響EGCS性能的各因素的權重系數(shù)，進行EFCS的優(yōu)化，有利于提高電梯服務質(zhì)量，使EGCS在不同客流量情況下實現(xiàn)合理調(diào)度。

1 EGCS評價函數(shù)

基于減少乘客的平均等候時間（AWT）和電梯的平均載客時間（ATP）、減少電梯運行能耗和優(yōu)化用戶體驗的多目標，建立評價函數(shù)：

（1）

F為各因素的綜合評價值，f1（wt）、f2（tp）、f3（en）、f4（cr）分別為平均等候時間、平均載客時間、電梯耗能、服務質(zhì)量的評價函數(shù)。ω1、ω2、ω3、ω4為對應函數(shù)的權值，它們的和為1。通過調(diào)節(jié)各函數(shù)的權值，調(diào)整不同交通模式下各目標所占比重。

1.1 等候時間WT

有新的呼梯請求產(chǎn)生時，根據(jù)發(fā)出呼叫的樓層LC和呼叫請求方向FC與電梯當前所在樓層L0和運行方向F0，可計算出電梯到達新的呼梯請求所在樓層的時間。設電梯行駛一層耗時T1s，停靠一層耗時T2s，待響應的樓層數(shù)為b，與電梯同向的最遠目標層為LMAX，電梯反向的最遠目標層為LMIN。

當FC與F0相同，且FC在F0運行方向上時，電梯不變向到達呼叫請求所在樓層： （2）

當FC=F0且LC不在L0運行方向上時，電梯運行至同向最遠樓層后Lmax，反向運行，再到達呼叫請求發(fā)出樓層：

（3）

當FC≠F0電梯到達初始方向最遠樓層后，再到達呼叫請求發(fā)出樓層

（4）

等候時間短的隸屬度函數(shù)：

（5）

乘客等候時間的心理容忍度一般為60s[3]，所以WT應當盡量保持在60s以內(nèi)。

1.2 載客時間

有新的呼梯請求產(chǎn)生時，乘客的目的樓層未知，僅能判斷乘客的目標方向，假設乘客的目的樓層為最遠樓層Lmax，則載客時間為：

（6）

載客時間短的隸屬度函數(shù)：

（7）

1.3 電梯能耗

由于電梯運行的能量消耗主要由加速、減速產(chǎn)生，電梯勻速運行時的能耗相對于加速減速的能耗非常小，所以電梯的能量消耗的多少主要由電梯的啟停次數(shù)的多少決定： （8）

能耗小的隸屬度函數(shù)：

（9）

1.4 電梯擁擠程度

電梯擁擠度取決于電梯內(nèi)乘客人數(shù)，根據(jù)電梯內(nèi)的壓力傳感器可估算出梯內(nèi)乘客人數(shù)，定義電梯擁擠度小的隸屬度函數(shù)為： （10）

2 變量的模糊化

將（wt）、 （tp）、 （en）、 （cr）的值進行模糊化，創(chuàng)建三角形隸屬函數(shù)[4]。

3 模糊神經(jīng)網(wǎng)絡

將模糊規(guī)則映射到神經(jīng)網(wǎng)絡中，建立5層向前神經(jīng)網(wǎng)絡結構，通過傳遞函數(shù)，進行輸入到輸出的變換，實現(xiàn)模糊推理。運用神經(jīng)網(wǎng)絡的學習功能確定1，2，3，4的值，分別計算各電梯的綜合評價值F，選擇F最小大的電梯響應請求。

采用向前型多層模糊神經(jīng)網(wǎng)絡結構如圖1。

第1層：輸入層，輸入值直接傳遞至下一層作為第二層的輸入變量，神經(jīng)元數(shù)量m1與輸入變量數(shù)量n相同。

第2層：模糊化層，通過上一次的輸入變量數(shù)量m1以及m1的模糊子集個數(shù)，可以確定該層神經(jīng)元數(shù)量m2，設第i個輸入變量的模糊子集個數(shù)為z，則，建立以下鈴型高斯函數(shù)[5]： （11）

第3層：規(guī)則層，每個神經(jīng)元代表一條模糊邏輯規(guī)則，用來匹配模糊規(guī)則的條件。每個節(jié)點j的輸出為該節(jié)點所有輸出信號的乘積：

（12）

（13）

第4層：綜合層，神經(jīng)元數(shù)量m4與輸出變量的所有節(jié)點模糊子集數(shù)量相等：

（14）

I4K是與這一層第k個神經(jīng)元相連的輸入變量的個數(shù)。

第5層：輸出層，輸出ω1，ω2，ω3，ω4相應的清晰值，該層的神經(jīng)元數(shù)量為： （15）

是第k個輸入變量的第j個模糊子集隸屬函數(shù)的權值，是第4層輸出變量的模糊子集個數(shù)。

是神經(jīng)網(wǎng)絡第i層的第k個輸出函數(shù)。

4 模糊RBF參數(shù)優(yōu)化

采用梯度下降法修正可調(diào)參數(shù)，定義目標函數(shù)：（16）

和分別表示網(wǎng)絡輸出和實際輸出：

（17）

輸出層權值調(diào)整：

（18）

則輸出層的權值學習算法為：

（19）

式中，為學習速率，為動量因子，，。

（20）

隸屬函數(shù)參數(shù)調(diào)整： （21）

式中， （22）

隸屬函數(shù)參數(shù)學習算法：

（23）

（24）

5 仿真實驗

仿真環(huán)境參數(shù)：設定一棟15層的高樓，從1層到第15層，內(nèi)有3臺電梯。每臺電梯載重為1250kg。電梯行駛一層耗時1.5s，開門，上下乘客，關門平均總耗時為3s。

如果電梯載客量達到1200Kg，則不回應呼叫請求，由第二臺電梯響應請求。假定每位乘客平均體重60Kg。

仿真環(huán)境下，將客流量分別設定為50人/5min，100人/5min，200人/5min，得到仿真結果數(shù)據(jù)如下表1所示。

6 結語

從實驗結果來看，隨客流量的遞增，AWT無較大變化，ATP與EN都不是線性增加的，說明通過修改權值，達到了EGCS優(yōu)化的目的。該EGCS適應多種客流交通狀況，可以實現(xiàn)節(jié)能和優(yōu)化用戶體驗等多目標。

參考文獻

[1]畢曉亮，張亞剛等.電梯群控研究及仿真試驗臺開發(fā)[J].系統(tǒng)仿真學報，2003，15 （9）：1245-1248.

[2]張吉禮.模糊一神經(jīng)網(wǎng)絡控制原理與工程應用[M].哈爾濱：哈爾濱工業(yè)大學出版社，2004.

[3]Shire H.New elevator group control method for up-peak periods[J].Int J of Systems Science，2003，34（4）：309-317.

[4]李士勇.模糊控制神經(jīng)控制和智能控制論[M].哈爾濱：哈爾濱工業(yè)大學出版社，1996

[5]張艷寧，焦李成.一種基于自適應高斯神經(jīng)網(wǎng)絡的艦船噪聲分類方法[J]，聲學學報，1997，23（4）：350-356.