Realizzare il potenziale di DD DCS

Il sistema di controllo della destinazione a due piani (DD DCS) combina due approcci ben noti per aumentare il traffico di punta mattutina negli edifici per uffici e risparmiare spazio centrale.

Questo articolo descrive i principi tecnici della distribuzione degli ascensori, su cui si basa l'articolo di Rick Barker "Harmonized Elevator Dispatching and Passenger Interfaces" (ELEVATOR WORLD, novembre 2018). Redattore

Gli ascensori a due piani con DCS sono utilizzati negli edifici alti per ridurre lo spazio centrale occupato dagli ascensori. Tuttavia, le prestazioni del traffico del pranzo DCS limitano ancora il potenziale risparmio di spazio, dovuto in gran parte all'assegnazione immediata delle chiamate dei passeggeri agli ascensori e ai ponti. Questo articolo introduce due metodi di ottimizzazione per un sistema di controllo del gruppo di ascensori per risolvere questa sfida. In primo luogo, gli arrivi incerti dei passeggeri nel prossimo futuro sono modellati da scenari, che poi definiscono in modo robusto i percorsi ottimali degli ascensori. In secondo luogo, la riottimizzazione delle assegnazioni delle chiamate offre la massima flessibilità al controllo per reagire agli arrivi di nuovi passeggeri.

Introduzione

Il DD DCS combina due approcci ben noti per aumentare il traffico di punta mattutina negli edifici per uffici e risparmiare spazio centrale dell'edificio.^[6] Un ascensore a due piani è costituito da due cabine ascensore collegate. Questo raddoppia la capacità della cabina per vano ascensore. Inoltre, la doppia lobby rafforza la divisione pari/dispari, in cui i passeggeri sono distribuiti ai ponti inferiore e superiore in base ai piani di destinazione.^[5] In un DCS, i passeggeri danno i loro piani di destinazione utilizzando i tastierini numerici nelle lobby. Sulla base delle informazioni aggiuntive, il DCS può raccogliere i passeggeri che viaggiano verso le stesse destinazioni negli stessi ascensori, il che riduce le fermate degli ascensori e aumenta la capacità di gestione dei picchi.^[13] D'altra parte, sia gli ascensori a due piani che il DCS non funzionano ancora in modo ottimale durante il traffico misto del pranzo.^{[15 e 16]}

Per il DD DCS, il traffico del pranzo è impegnativo per diversi motivi:

1. Traffico: il traffico del pranzo non offre tante opportunità di raggruppare i passeggeri negli ascensori come il traffico di punta, poiché in genere meno della metà del traffico è in entrata. Il traffico tra i piani superiori interrompe la divisione pari/dispari, che è una strategia efficiente per il traffico in entrata e in uscita.
2. Istante di segnalazione: L'attuale standard di fatto DCS assegna un ascensore ad ogni chiamata e lo segnala immediatamente dopo che una chiamata è stata registrata. Questa assegnazione non può essere modificata in seguito. Nel momento in cui la chiamata viene finalmente servita, l'assegnazione potrebbe non essere più ottimale a causa di cambiamenti nello stato del sistema.
3. Comportamento dei passeggeri: il DCS presuppone che ogni passeggero effettui esattamente una chiamata. I passeggeri, tuttavia, viaggiano spesso in gruppi socialmente connessi verso le stesse destinazioni.[11] In genere, solo un passeggero in un gruppo dà la chiamata, mentre gli altri si aprono il portellone nell'ascensore. È stato anche osservato che singoli passeggeri registrano diverse chiamate in rapida successione nella speranza di ottenere un ascensore più velocemente o con più spazio.

Le condizioni del traffico non possono essere modificate. Tuttavia, il modello di ottimizzazione a due livelli (nella sezione seguente) massimizza l'efficienza dei percorsi degli ascensori indipendentemente dall'obiettivo generale, riducendo al minimo, ad esempio, i tempi di attesa dei passeggeri. La segnalazione determina istantaneamente la politica di assegnazione in base alla quale opera il sistema di controllo del gruppo di ascensori (EGCS). L'attuale DD DCS si basa su una politica di assegnazione immediata (IA), alla quale sono immediatamente fissati sia l'ascensore di servizio che il ponte. Per ridurre il rischio che le attuali assegnazioni diventino non ottimali nel prossimo futuro, l'EGCS può ottimizzare i percorsi degli ascensori in modo robusto prevedendo nuovi arrivi di passeggeri e stimando il numero di passeggeri di una chiamata (sezione "Previsione degli arrivi di passeggeri con scenari di rischio").

Un modo alternativo per ridurre gli effetti degli stati futuri del sistema è posticipare l'istante in cui l'ascensore o il ponte di servizio è stato finalmente riparato. Il DD DCS consente la politica di assegnazione posticipata del ponte (DDA): l'ascensore di servizio viene comunque immediatamente segnalato, come di consueto, ma l'EGCS può riottimizzare il ponte di servizio fino all'ultimo momento. La politica di assegnazione ritardata dell'ascensore (DEA) consente la riottimizzazione sia dell'ascensore di servizio che del ponte. La DEA è stata presa in considerazione anche per gli ascensori a un piano.^[9] Nella sezione “Algoritmo genetico per l'ottimizzazione in tempo reale” viene introdotto un algoritmo genetico in tempo reale per risolvere il modello bilivello sotto DDA e DEA, mentre i vantaggi di queste tecniche sono dimostrati dalle simulazioni nella sezione “Risultati della simulazione”.

Modello a due livelli di dispacciamento con ascensore a due piani

Il compito principale dell'EGCS è inviare un ascensore per servire ogni chiamata dei passeggeri. I metodi matematici per prendere la decisione di invio sono stati ampiamente studiati, specialmente per il controllo convenzionale.^[4] Un approccio consiste nel risolvere frequentemente un problema di ottimizzazione delle istantanee, chiamato "problema di dispacciamento dell'ascensore" (EDP).[20] La soluzione all'EDP definisce il percorso di ogni ascensore appartenente al gruppo di ascensori E per servire l'insieme delle chiamate dei passeggeri V. Gli ascensori vengono inviati alle prime chiamate dei loro percorsi. Nel DCS, le chiamate dei passeggeri abbinano una chiamata di piano e di macchina. Pertanto, impostare V possono essere ulteriormente suddivise in chiamate di piano e di auto, formalmente indicate con S and T.

Il problema di invio dell'ascensore a due piani (DD-EDP) assegna un ascensore e un ponte a ciascuna chiamata dei passeggeri e determina il loro ordine di servizio.^[18] Questo problema può essere formulato come un modello di ottimizzazione a livello singolo, in cui tutte le decisioni sono considerate simultaneamente a livello globale. In un modello di ottimizzazione a due livelli, le assegnazioni dell'ascensore sono decise da un problema di livello superiore, mentre le assegnazioni del ponte e l'ordine sono decise da problemi di livello inferiore separati per ciascun ascensore.

Il modello a livello singolo presenta uno svantaggio in quanto può produrre percorsi degli ascensori inefficienti quando si riducono al minimo i tempi di attesa dei passeggeri. Un esempio di tale situazione è mostrato nella Figura 1 (a sinistra), in cui un passeggero all'interno del ponte inferiore sta viaggiando verso F3 e un altro è in attesa del trasporto da F3 a F7. I numeri accanto agli archi mostrano i tempi combinati di fermata e volo tra i corrispondenti piani di inizio e fine del volo, nonché l'orario di arrivo dell'ascensore all'ultimo piano (tra parentesi). In questo esempio, il problema è decidere se il ponte inferiore o superiore preleva il passeggero in attesa su F3. Chiaramente, la soluzione del piano superiore mostrata al centro riduce al minimo i tempi di attesa, poiché impiegano solo 4.8 s perché il piano superiore raggiunga F3, rispetto ai 6.8 s che impiega il piano inferiore. Tuttavia, la soluzione del ponte superiore contiene una sosta, durante la quale il ponte inferiore

Questa osservazione porta alla scomposizione del modello a un livello in due livelli, dove il livello superiore ottimizza la qualità del servizio ai passeggeri e l'insieme dei problemi di livello inferiore ottimizza separatamente il percorso di ciascun ascensore. Il modello bilivello considera due variabili di assegnazione. Nel problema di livello superiore, le chiamate dei passeggeri i V sono assegnati agli ascensori e  E per variabili decisionali binarie x_{e, io}. Nel problema di livello inferiore dell'ascensore e, chiamate i V_e sono assegnati al mazzo d {1,2} per variabili decisionali binarie y_{e, d, io}, V_e ={i     V|x_{e, io} = 1}. Inoltre, il problema di livello inferiore determina l'ordine in cui le chiamate vengono visitate utilizzando variabili ad arco binario z_{e, d, io, j}, dove chiamare i V_e precede la chiamata j V_e if z_{e, d, io, j} = 1. La variabile chiave per le funzioni obiettivo è l'ora di arrivo dell'ascensore/piattaforma al piano di chiamata, t_{e, d, io,} che definisce i tempi di attesa e di viaggio dei passeggeri, nonché il tempo totale del percorso dell'ascensore. Ogni chiamata è associata al tempo di chiamata y_i trascorso dalla sua registrazione e richiesta Di, nonché il numero di passeggeri, positivo per le chiamate da piano e negativo per le chiamate in auto.

Segue il modello di ottimizzazione a due livelli (vedi l'articolo del 2017 del tuo autore, "Modelli di ottimizzazione e algoritmi numerici per un sistema di controllo del gruppo di ascensori",^[18] per dettagli):

soggetto a

where  è l'insieme dei percorsi ottimali degli ascensori, , che riduce al minimo il tempo del percorso per ogni ascensore e con i compiti assegnati. La funzione obiettivo (Eq. 1) minimizza il tempo totale di attesa dei passeggeri. È semplice modificarlo per ridurre al minimo i tempi di viaggio dei passeggeri modificando le somme più interne per considerare le chiamate auto T_e invece di chiamate da sbarco S_e. Domanda D_i corrisponde tipicamente a un passeggero. La domanda potrebbe anche essere un numero maggiore, che è un input o una dimensione stimata del gruppo di passeggeri. eq. 2 assicura che ogni chiamata sia assegnata esattamente a un ascensore.

Il problema di livello inferiore nell'eq. 3 definisce il percorso di un ascensore come la sequenza dei luoghi da visitare. I tempi di arrivo dell'ascensore/ponte sono accumulati lungo il percorso in base ai tempi di volo tra i piani e ai tempi di fermata. L'obiettivo di livello inferiore è ridurre al minimo il tempo di percorrenza, che corrisponde all'orario di arrivo per l'ultima fermata. Inoltre, il modello tiene traccia del numero di passeggeri all'interno di ciascun ponte. Di conseguenza, una soluzione ammissibile soddisfa il vincolo di capacità. Inoltre, vengono seguite le regole di base del funzionamento dell'ascensore.^[3]

Previsione degli arrivi dei passeggeri con scenari di rischio

Il DCS, nell'ambito dell'IA, richiede due tipi di previsioni sui passeggeri: il numero di passeggeri e i nuovi arrivi. Gli arrivi dei singoli passeggeri possono essere modellati come un processo di Poisson con tariffa  persone per 5 min.^[1] Gli ascensori moderni possono contare con precisione l'imbarco e lo sbarco dei passeggeri e apprendere le tariffe di arrivo su ciascun piano per i periodi di 15 minuti di una giornata.^[14] Gli arrivi in ​​batch dei passeggeri possono essere modellati come un processo di Poisson composto, in cui arrivano alle lobby in batch o picchi di domanda.^[11] Le dimensioni dei lotti non possono essere osservate direttamente dal conteggio dei passeggeri, ma possono essere stimate per ogni viaggio in ascensore unidirezionale.^[12] Se le dimensioni del lotto seguono una distribuzione geometrica con la dimensione media del lotto di β, il processo è noto come processo geometrico di Poisson o Pólya-Aeppli con /β lotti in arrivo ogni 5 min.^[10]

Il robusto DD-EDP considera molteplici scenari con diverse esigenze dei passeggeri.[19] uno scenario s è definita dai livelli di rischio , che vengono utilizzati per prevedere la domanda  e orario di arrivo di un nuovo passeggero al piano k. La domanda è ricavata dalla funzione di distribuzione inversa di variabili casuali discrete per probabilità

where F denota la funzione di distribuzione cumulativa per n eventi.

La richiesta al piano di chiamata k è costituito dalla domanda iniziale al momento della registrazione della chiamata e dalla domanda crescente nel tempo,

where G and GP rappresentano rispettivamente la distribuzione geometrica e geometrica di Poisson. Il parametro della distribuzione geometrica è 1/, mentre la distribuzione geometrica di Poisson è parametrizzata dal numero atteso di arrivi batch nel tempo  (vale a dire, il tempo trascorso dalla registrazione della chiamata più il tempo rimanente fino all'arrivo dell'ascensore). La previsione può essere applicata anche per il processo ordinario di Poisson con arrivi individuali. Allora, la domanda iniziale  uguale a uno, e  si riduce alla distribuzione di Poisson con β = 1.

Ai piani senza chiamate può avvenire, al massimo, in tempo un nuovo arrivo di passeggeri  con probabilità Durante la serata,  indica il tempo trascorso da quando la chiamata precedente è stata registrata al piano k. Poiché i tempi di interarrivo del batch seguono una distribuzione esponenziale con parametro , squadra  può essere facilmente risolto dalla funzione di distribuzione.

Ad esempio, questi metodi di previsione vengono testati su un ascensore a un piano in condizioni di picco discendente con la dimensione media del lotto di una persona e mezza.[19] Vengono generati circa 60,000 scenari combinando tre livelli di rischio per ogni piano. In ogni scenario, i passeggeri sono previsti sia con il processo di Poisson che con il processo geometrico di Poisson in un'istanza dell'EDP. La Figura 2 mostra la distribuzione della domanda totale trasportata lungo il percorso dell'ascensore in tutti gli scenari. La figura ha anche due linee costanti, che corrispondono alla domanda senza previsioni e alla domanda realizzata in una simulazione.

Chiaramente, la soluzione allo snapshot EDP rischia di diventare subottimale, poiché la domanda di passeggeri realizzata è molto più alta di quanto ipotizzato senza previsioni. La stima con il processo geometrico di Poisson risulta in distribuzioni più ampie rispetto alle stime di Poisson. Ciò garantisce la robustezza della soluzione. Inoltre, i valori realizzati rimangono all'interno dell'intervallo solo assumendo il processo geometrico di Poisson. Ciò indica che nella previsione dei passeggeri dovrebbe essere utilizzato un processo di arrivo in batch.

Algoritmo genetico per l'ottimizzazione in tempo reale

Un algoritmo genetico è un metodo di ottimizzazione che imita l'evoluzione naturale.^[7] L'algoritmo manipola la popolazione dei cromosomi per generazioni mediante operatori genetici come crossover e mutazione. Un cromosoma definisce una soluzione candidata a un problema di ottimizzazione in corso, in cui ciascun gene di un cromosoma determina il valore di una variabile decisionale. L'idoneità di un cromosoma corrisponde alla funzione obiettivo del problema di ottimizzazione, che di solito è minimizzata.

Un algoritmo genetico è già stato applicato all'invio di ascensori a un piano e all'ottimizzazione in tempo reale di un EGCS, che è stato successivamente esteso agli ascensori a due piani.^{[15, 17 e 20]} L'algoritmo imposta un gene per ogni chiamata del passeggero. I possibili valori di un gene sono la gamma di indici di cabina dell'ascensore, che mappano in modo univoco tutte le combinazioni ascensore/ponte su un indice. Pertanto, un cromosoma assegna sia un ascensore che un ponte a una chiamata passeggeri, il che lo rende un modello a un livello.

Il problema DD-EDP a due livelli assegna un ascensore solo a una chiamata di passeggero al piano superiore. L'algoritmo genetico è leggermente modificato per risolvere il modello bilivello: un valore genetico rappresenta un indice di ascensore. Quindi, un cromosoma corrisponde a una soluzione al problema di livello superiore. La Figura 3 descrive il principio attraverso un esempio, dove il ponte A1 ha un passeggero che viaggia verso F3 e tre passeggeri ai piani F4, F5 e F6 sono in attesa di essere prelevati e trasportati nella hall principale. Il compito è assegnare un ascensore e un ponte a queste tre chiamate di passeggeri. I passeggeri in partenza possono essere serviti da entrambi i ponti e trasportati al livello inferiore o superiore della lobby a seconda della soluzione ottimale. Dalla hall superiore, i passeggeri possono utilizzare la scala mobile per raggiungere l'uscita al piano terra. Il cromosoma mostrato sul lato sinistro della figura assegna la chiamata su F4 all'ascensore A e le chiamate su F5 e F6 all'ascensore B. Le assegnazioni ottimali del ponte e i percorsi degli ascensori per questa assegnazione di livello superiore sono mostrati sul lato destro di la figura. Pertanto, la soluzione ottimale sfrutta le chiamate coincidenti su F3 e F4 (consegna e ritiro simultanei), nonché su F5 e F6 (due prese simultanee).

Il precedente modello a livello singolo consente assegnazioni di mazzi scadenti nello spazio di ricerca dell'algoritmo genetico. Ad esempio, il ponte A1 potrebbe servire il piano F4; ponte B1, piano F6; e ponte B2, piano F5, che massimizzerebbe le fermate non coincidenti, nonché i tempi di attesa e di viaggio dei passeggeri. Le soluzioni candidate scadenti vengono infine scartate dall'algoritmo genetico, ma prima devono essere valutate. Questo, d'altra parte, spreca le scarse risorse computazionali di un EGCS. Il modello bilivello scarta tali assegnazioni del mazzo irrilevanti dal più alto livello di ottimizzazione, il che facilita la ricerca dell'ottimo globale.

Naturalmente, il modello bilivello deve considerare anche queste scarse assegnazioni del mazzo, ma sono delegate ai problemi di livello inferiore meno complessi, non disturbano l'ottimizzazione di alto livello e possono essere gestite da euristiche efficienti.^[18]

La politica di assegnazione determina il momento in cui l'ascensore di servizio e/o il ponte di una chiamata passeggeri devono essere finalmente fissati. In altre parole, una chiamata passeggero può essere riassegnata a un altro ascensore e/o ponte fino a quando non viene fissata; ad esempio, nel punto di decelerazione. Questo, d'altra parte, è in relazione diretta con la dimensione dello spazio di ricerca nell'algoritmo genetico: lo spazio di ricerca cresce esponenzialmente rispetto al numero di nuove chiamate registrate e il numero di chiamate in attesa di risposta  (Tabella 1). Generalmente,   è piccolo (uno o due), ma potrebbe essere grande.

L'osservazione più notevole della tabella è che il modello bilivello ha la stessa dimensione dello spazio di ricerca sia per IA che per DDA. Ciò significa che il DDA non aumenta la complessità computazionale (di alto livello) dall'IA con il modello bilivello. Nel precedente modello a livello singolo, lo spazio di ricerca cresce esponenzialmente rispetto a, che aumenta lo sforzo computazionale richiesto della DDA oltre il limite pratico di un EGCS. L'elevata complessità del modello bilivello non dipende dal numero di piani, il che rende questo approccio efficiente anche per ascensori multipiano e altri sistemi multicanale.

Ad esempio, si consideri un'istanza su larga scala in cui 32 chiamate di passeggeri sono in attesa di ritiro. Un gruppo di cinque ascensori a due piani serve tutti i piani. Una chiamata è appena registrata, mentre 31 sono in attesa di risposta. Quindi, quando si applica il modello bilivello a questo problema, il numero di soluzioni ammissibili è pari a cinque per IA e DDA ma 5³² > 10²² per la DEA. Anche se la valutazione di una soluzione richiedesse 1 µs, la valutazione di tutte le soluzioni possibili richiederebbe 108 anni nel caso della DEA. L'algoritmo genetico, tuttavia, valuta solo circa 3,000 soluzioni candidate prima di convergere al probabile ottimale in meno di 100 ms, che è abbastanza veloce per l'ottimizzazione in tempo reale.^[18] La rapida convergenza dell'algoritmo genetico è dimostrata nella Figura 4, che mostra l'evoluzione dell'idoneità della popolazione attraverso le generazioni. Nella popolazione iniziale, i valori di fitness minimo (migliore), massimo e medio sono tutti alti. Tuttavia, diminuiscono drasticamente entro circa 15 generazioni a un livello tale che non si trovano più grandi miglioramenti. La soluzione migliore si trova durante la 24a generazione, mentre l'algoritmo continua a cercare soluzioni migliori fino alla 64a generazione.

Risultati della simulazione

Viene condotto un caso di studio di un edificio per uffici con 18 piani superiori e due piani di ingresso per dimostrare l'effetto delle politiche di assegnazione sulla qualità del servizio passeggeri. Ogni piano ha una popolazione di 100 persone. Le distanze tra i piani sono pari a 4.15 m. Un gruppo di ascensori a due piani con cinque ascensori identici con una velocità nominale di 4 m/s, un'accelerazione di 1 m/s² e un jerk di 1.6 m/s3 serve tutti i piani dell'edificio. I piani finali sono serviti da un solo ponte: il piano inferiore dal ponte inferiore e il piano superiore dal ponte superiore. Ogni ponte ha una capacità di 17 passeggeri.

I tempi di apertura e chiusura della porta sono rispettivamente di 1.4 e 3.1 s, mentre non viene utilizzata la preapertura della porta. Inoltre, c'è un ritardo all'avvio di 0.7 s e un ritardo alla chiusura della porta di 0.9 s; cioè, il ritardo dopo l'autorizzazione del passeggero prima della chiusura della porta. Il traffico del pranzo composto dal 40% di traffico in entrata, 40% in uscita e 20% tra i piani viene simulato utilizzando il KONE Building Traffic Simulator (BTS™).^[21] In queste simulazioni, la funzione obiettivo del DD-EDP minimizza i tempi di viaggio dei passeggeri in arrivo ei tempi di attesa degli altri passeggeri. Viene eseguita una serie di simulazioni con richieste di passeggeri in aumento dal 4% al 15% della popolazione ogni 5 minuti.^[8] Ogni richiesta passeggero viene simulata per 120 min, dopodiché la simulazione viene resettata per la richiesta successiva. I primi 15 e gli ultimi 5 minuti vengono scartati dai risultati. Il tempo medio di attesa e transito dei passeggeri, nonché il tempo fino a destinazione, sono mostrati per ciascuna tariffa di arrivo nelle Figure 5-7.^[2] In questo studio, i risultati dell'assegnazione immediata (IA) rappresentano il primo controllo di destinazione a due piani.^[17]

Le politiche di assegnazione ritardata migliorano significativamente la qualità del servizio passeggeri, come ci si può aspettare. I tempi medi di attesa con DDA sono fino a 5 s più brevi rispetto a IA. In media, il miglioramento è di circa il 10% ma fino al 15% sotto la domanda di passeggeri più intensa. La DEA, d'altra parte, mostra una drastica riduzione fino a 15 s, o 30%, nel tempo medio di attesa.

Le politiche di assegnazione ritardata riducono anche i tempi di transito dei passeggeri. Sorprendentemente, i tempi di transito più brevi si osservano con il DDA, poiché le medie sono fino a 5 so 5-7% più brevi rispetto all'IA. In questo senso, la DEA non migliora l'IA, tranne che per le basse richieste di passeggeri. Il buon andamento della DDA è da attribuire al ridotto numero di fermate, poiché le origini e le destinazioni dei passeggeri interpiano possono essere meglio ottimizzate tra le altre fermate dei percorsi degli ascensori. La DEA sembra invece appesantire di più i tempi di attesa quando ha la possibilità di riassegnare gli ascensori in modo ottimale.

I miglioramenti delle politiche di assegnazione ritardata nei tempi alle destinazioni combinano le osservazioni sui tempi di attesa e di transito. Con la DDA i tempi medi di transito sono fino a 8 s, ovvero il 7-8%, più brevi rispetto alla IA, che è il risultato di riduzioni sia dei tempi di attesa che di transito. Il miglioramento del tempo medio di arrivo a destinazione fornito dalla DEA è da attribuire al miglioramento del tempo medio di attesa. La riduzione è fino a 15 s ma varia tra il 10% e il 15% per le diverse esigenze dei passeggeri. Di conseguenza, la DDA e la DEA sono piuttosto vicine tra loro (entro 5 s), rispetto al tempo medio di arrivo a destinazione.

Tuttavia, la DEA fornisce chiaramente la migliore qualità del servizio. Il significato dei risultati di cui sopra è chiaro se confrontati con la pianificazione degli ascensori. In genere, si assume come capacità di movimentazione richiesta per il traffico del pranzo una domanda di passeggeri pari all'11% o al 12% della popolazione per 5 minuti. Per una domanda così elevata, il tempo di attesa dei passeggeri è solitamente il parametro di progettazione determinante per il DD DCS. Tipicamente, è richiesta una media inferiore a 40 s. Come mostrato nella Figura 5, il tempo medio di attesa con l'IA è leggermente superiore a 40 s con una domanda dell'11% e del 12%.

Con queste richieste, la DDA spinge il tempo medio di attesa ad un livello soddisfacente, mentre la DEA può fornire una buona qualità del servizio. Così, la proposta

gruppo ascensore dovrebbe essere rifiutato con l'IA ma è accettabile per DDA e DEA. Un altro approccio consiste nel cercare la massima richiesta di passeggeri che il gruppo di ascensori può gestire in modo soddisfacente.

Sulla base della Figura 5, la DEA può gestire almeno il 15% (e, probabilmente, il 16%) della popolazione ogni 5 minuti. Ciò indica che la DEA può gestire almeno il 30% in più di popolazione rispetto a IA o DDA.

Conclusione

Questo documento ha introdotto modelli e algoritmi matematici avanzati per un sistema di controllo del gruppo di ascensori, che in definitiva mira a risolvere la sfida del traffico del pranzo ea realizzare il potenziale del DD DCS. I metodi descritti consentono una maggiore occupazione degli edifici, una ragionevole qualità del servizio passeggeri nel caso in cui un ascensore sia fuori servizio o ulteriori riduzioni del numero di ascensori.

Referenze

[1] Alexandris, NA "Modelli statistici nei sistemi di sollevamento", Ph.D. tesi, The Victoria University of Manchester, Institute of Science and Technology (1977).
Università di Manchester, Istituto di scienza e tecnologia.
[2] Barney, G. “Verso definizioni concordate di progettazione del traffico”, ELEVATOR WORLD, Vol. 53 (2), p. 108 (2005).
[3] Closs, G. Il controllo computerizzato del traffico passeggeri nei grandi sistemi di ascensori, Ph.D. tesi, The Victoria University of Manchester, Institute of Science and Technology (1970).
[4] Fernández, J. e Cortés, P. “Un'indagine sui sistemi di controllo dei gruppi di ascensori per il trasporto verticale: uno sguardo alla letteratura recente. Sistemi di controllo IEEE, vol. 35 (4), pag. 38-55 (2015).
[5] Fortune, J. "Applicazioni e teoria degli ascensori moderni a due piani", EW, vol. 44 (8), pag. 63-68 (1996).
[6] Fortune, J. "Selezione chiamata sala predestinazione per ascensori a due piani (codifica 3-D)." EW, vol. 53 (8), pag. 126-133 (2005).
[7] Goldberg, DE Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, Boston (1989).
[8] Hakonen, H. e Siikonen, ML. "Procedura di simulazione del traffico dell'ascensore", EW, vol. 57 (9), pag. 180-190 (2009).
[9] Hiller, B., Klug, T. e Tuchscherer, A. "Un esatto algoritmo di riottimizzazione per la pianificazione dei gruppi di ascensori", Rivista di produzione e servizi flessibili, vol. 26 (4), pag. 585-608 (2014).
[10] Johnson, N., Kemp, A. e Kotz, S. Univariate Discrete Distributions, 3a edizione, John Wiley & Sons Inc, Hoboken, New Jersey (2005).
[11] Kuusinen, JM., Sorsa, J., Siikonen, ML. e Ehtamo, H. "Uno studio sul processo di arrivo dei passeggeri degli ascensori in un edificio per uffici a più piani", Ricerca e tecnologia di ingegneria dei servizi di costruzione, vol. 33 (4), pag. 437-449 (2012).
[12] Kuusinen, JM., Sorsa, J. e Siikonen, ML. "Il problema della stima della matrice origine-destinazione del viaggio in ascensore", Scienze dei trasporti, vol. 49 (3),
p.559-576 (2015).
[13] Schröder, J. “Dispacciamento avanzato — Chiamate dalla sala di destinazione + Assegnazione istantanea Car-to-Call: 'M-10,'” EW, vol. 38 (3), pag.
40-46 (1990).
[14] Siikonen, ML. Modelli di pianificazione e controllo per ascensori in grattacieli, Ph.D. tesi, Università di Tecnologia di Helsinki, Laboratorio di Analisi dei Sistemi (1997).
[15] Sorsa, J., Siikonen, ML. e Ehtamo, H. "Controllo ottimale del gruppo di ascensori a due piani utilizzando l'algoritmo genetico", Transazioni internazionali nella ricerca operativa, Vol.10 (2), p. 103-114 (2003).
[16] Sorsa, J., Hakonen, H. e Siikonen, ML. "Selezione dell'ascensore con sistema di controllo della destinazione", EW, vol. 54 (1), pag. 148-155 (2006).
[17] Sorsa, J. e Siikonen, ML. "Sistema di controllo della destinazione a due piani", Elevatori, vol. 37 (5), pag. 42-56 (2008).
[18] Sorsa, J. Modelli di ottimizzazione e algoritmi numerici per un sistema di controllo del gruppo di ascensori, Ph.D. tesi di laurea, Aalto University School of Science, Systems Analysis Laboratory (2017).
[19] Sorsa, J., Ehtamo, H., Kuusinen, JM., Ruokokoski, M. e Siikonen, ML. "Modellazione di arrivi di passeggeri incerti nell'ascensore problema di spedizione con controllo della destinazione", Lettere di ottimizzazione, vol. 12 (1), pag. 171-185 (2018).
[20] Tyni, T. e Ylinen, J. "Algoritmi genetici nel problema di instradamento delle auto degli ascensori", Atti della conferenza sul calcolo genetico ed evolutivo (GECCO-2001),
L. Spector, et al. (a cura di), Morgan Kaufman Publishers, San Francisco, p. 1413-1422 (2001).
[21] Siikonen, ML., Susi, T. e Hakonen, H. "Simulazione del flusso di traffico dei passeggeri in edifici alti", EW, vol. 49, (8), pag. 117-123 (2001).