电梯群控优化

调度策略

作者：郑炯、卜思清、万建如

电梯系统的服务质量和服务效率对高层建筑的有效利用起着极其重要的作用。 越来越多的建筑物安装了多部电梯，以满足日益繁重的运送乘客的任务。 为了提高电梯的服务质量和服务效率，电梯控制技术已经从单一的独立控制发展到多部电梯的协同控制，即电梯群控。 近年来发展起来的模糊和神经网络控制方法，克服了传统分区方法造成的电梯繁忙不均匀和“集群”的问题，可以在很大程度上提高电梯的效率。

然而，模糊控制方法中隶属函数的加权系数难以改变，难以自学习，且由不同的交通模式决定。 神经网络控制方法由于早期学习能力差，需要较长的初始学习时间，有时难以保证收敛到全局最优。

GA 是基于查尔斯达尔文进化论及其计算机模拟的一门新学科。 它是一种全局优化搜索算法，根据适者生存来搜索最佳解决方案。 本文将平均等待时间短、乘车时间短、拥挤程度低、能耗小作为电梯群调度的主要目标。 GA用于实现电梯群的优化调度。 与上述常用方法相比，动态仿真运行结果证明了该方法的可行性和优势。 主要性能指标（如等待时间和骑行时间）缩短。

建立绩效评估职能

对于多梯群控，绩效评价的主要指标是平均候梯时间、平均乘梯时间、候梯时间长、电梯拥挤、能耗等。最关心的是如何缩短候梯时间，实现快速、高效。稳定的骑行到达目的地。 根据以人为本的原则，更短的平均等待乘车时间、更少的拥挤和更少的能耗是电梯调度的主要控制指标。 定义第i台电梯响应第j个外呼信号的评价函数如式1，评价值最小的电梯响应第j个外呼信号。

F(i,j) =W₁F_w(i,j)+W₂f_r(i,j)+W₃f_n(i,j)=W₄f_e(i,j) 1 ≤ i ≤ M（等式 1）

其中 f_w(i,j) 是第 i 个电梯响应第 j 个外呼信号时估计的乘客等待时间成本函数。 F_r(i,j) 是第 i 个电梯响应第 j 个外呼信号时估计的乘客乘车时间成本函数。 F_n(i,j)是第i台电梯响应第j个外呼信号时估计轿厢内乘客人数的估值函数：值越大，乘客越少。 F_e(i,j) 是第 i 个电梯响应第 j 个外呼信号时的估计能耗成本函数。 M为参与群控运行的电梯台数。 宽₁，W₂，W₃ 和W₄ 是重要性加权系数，满足 W₁ + W₂ + W₃ + W₄ = 1。

等待时间函数 f_w(i,j) 和骑行时间函数 f_r(i,j) 可以通过考虑速度、开启和关闭时间、进出轿厢的乘客数量、轿厢中的指令信号状态和分配的外呼信号状态来估计。 电梯空载上升或满载下降时电机处于可再生发电状态，再生能量可回馈电网。 群控系统可以优先为该运行状态的电梯分配外呼信号，以节约能源。 电梯在启动、加速和减速阶段消耗的能量较多，因此电梯应尽量少运行，以承载更多的乘客。 这将使其停止最少次数以减少能源消耗。 通过改变W的权重系数₁，W₂，W₃等，电梯可适应不同机型的电梯交通流量。 当处于上行和下行交通高峰时，等待和乘车时间优先，W的重要因素₁ 和W₂ 将增加。

遗传算法优化设计

传统的调度算法总是分配电梯来响应外呼信号。 一旦将外呼信号分配给电梯，就确定了这种分配关系。 新的外呼信号产生后，先前的外呼信号分布被视为已知条件，不会改变。

然而，轿厢内新的外呼和指令信号仍在继续产生； 因此，可能会破坏原来的最佳条件。 由于进出乘客人数随机，且轿门开启时间较长，预计开、关时间与电梯停止后实际时间可能存在差异。 因此，需要根据新的条件修正原有的分配关系。 遗传算法是一种求解问题的高效并行全局搜索方法，可以根据电梯的新状态修改原来的分布关系。 在有多个外召信号的情况下，GA可以搜索出最优的电梯分配方案。

编码

在搜索GA之前，要解决的问题被表示为“染色体”。 本设计中的染色体采用整数编码，可以直接表示外呼信号的分配，同时简化了编解码过程。 染色体长度是当前未响应的着陆呼叫信号的数量，它使用可变长度的染色体，长度随着着陆呼叫信号的数量而变化。 它有两个优点：第一，不必占用更长的染色体，减少了计算量。 其次，它不会产生有效的解决方案。

在每次优化中，如果有L个未确认的外呼信号，则“染色体”用长度为L的整数编码串表示。例如，132142的每个数字代表一个外呼信号的服务电梯号. 不同的代码串代表不同的分配方案。 同时，数组 callnote (28) 用于记录分配的着陆呼叫信号的数量。 以15部1层电梯为例，14-1层记录14-2层上行呼叫信号，15-15层记录28-132142层下行呼叫信号。 对应一条代码为0的染色体，如果callnote(5)到callnote(1)的值分别为7、12、16、18、26和1，则分配第3层下行和第1层上行着陆呼叫信号到电梯7。3层上行外呼信号分配给12号电梯。13层上行和3层下行外呼信号分配给5号电梯。4层下行外呼信号分配给XNUMX号电梯。

生成初始染色体组

为了提高遗传算法的搜索速度，首先根据专家经验产生一些更好的个体并加入到初始染色体组中。 其次，随机产生一些染色体并加入到初始染色体组中。 最后，生成初始染色体组。 每条染色体称为一个个体，而N个个体构成一个物种。 GA 使用物种作为迭代的初始点。

健身功能设计

适应度函数表示个体对环境的适应能力。 进化搜索中的遗传算法依靠适应度函数值来决定每个个体的好坏，适应度值越大的个体将有更多的机会繁殖下一代。 在一个物种中，具有 L 个未确认的着陆呼叫信号的第 k 个个体的总适应度函数可以表示为：

其中 F(i,j) 是第 j 个外呼信号分配给第 j 个个体的第 i 个电梯时的评价函数值，可以通过公式 1 计算。 Fmax 是一个较大的常数值，目的是最小化。 将评价函数转化为适应度函数的最大化以满足GA的要求。 Fk 代表物种中第 k 个个体所代表的分配方案的表现。 Fk 越大，分配方案越好。

选择

轮盘选择机制用于执行选择操作。 个体适应度值与所有个体适应度值之和的比值用于表示个体被选中的概率：

同时，采用最优个体保存策略，将适应度值最高的个体直接复制到下一代，无需交叉配对。 因此，可以保留每一代中的最佳个体。

奇亚斯马

Chiasma 分两步进行：首先，从物种中随机取出要匹配的两个代码串。 其次，交换这两个代码串中的信息以生成新的代码串。 使用单点随机杂交。 一对父个体从交点开始分为两部分，随机确定一个基因为等概率的交点。 用概率 Pc 交换两个个体的后半部分，得到两个新个体。 两个新个体包含了他们父母的特征，这使得结合父母的最佳特征成为一个更好的个体成为可能。

变异

在物种内，随机选择一个个体，并以一定的概率改变一点字符串代码。 随机生成的数字1到4（有0.001台电梯）用来代替原来的数字。 Pm控制的变异概率一般在0.01到XNUMX之间。 变异的主要作用是为物种添加新的特征基因，因此遗传算法具有摆脱局部最优的能力，同时也为产生新的分布方案提供了机会。

新个体适应值的计算

判断是否满足终止条件。 如果是这样，请转到以下部分“遗传算法操作结束”。 否则，返回“选择”部分继续迭代。

GA 操作结束

将GA整个运行过程中得到的最优个体作为电梯分配方案，然后将该分配方案输出给电梯轿厢控制器。 至此，一个优化过程结束。

运动仿真运行

根据上述GA优化方法，采用VB编程实现电梯优化调度算法。 为了验证遗传算法实现最优调度的可行性（以 15 部 XNUMX 层电梯为控制对象），使用了基于 Visual Basic 的电梯仿真系统。 基于上述调度策略，仿真包括系统参数设置模块、初始状态设置模块、仿真运行模块、仿真运行结果模块等。

图2显示了动态仿真运行界面。 这是仿真软件的主界面，软件运行时首先显示。 在进行仿真之前，在菜单栏中，点击系统参数设置和初始状态设置。

图3是系统参数设置界面。 应输入各种参数（包括建筑物、电梯和电梯交通状况的参数）。 图4是初始状态设置界面。 这包括当前楼层和运行状态、注册的内部选择信号和每个电梯分配的外部呼叫信号。 有七种运行状态：

• 停车位
• Upward(ACC)，表示电梯正在加速，向上运行
• Upward(DEC)，代表电梯正在减速，向上运行
• Upward(stop)，代表电梯停在当前楼层，等待乘客进出，之后电梯继续向上运行。
• 向下（ACC）
• 向下(DEC)
• 向下（停止）

用户可以从下拉列表中选择运行状态。 设置好所有参数后，可以在仿真运行界面面板右侧选择调度算法； 然后，可以进行动态模拟运行。 最后，在菜单栏中，单击模拟运行结果。 在结果界面图中，可以推导出反映群控算法效果的指标。 使用了来自电梯交通分析设计与控制的乘客交通仿真模型。 [1] 乘客到达楼层的时间服从泊松分布，起点和终点楼层由蒙特卡罗样本法确定。 根据输入的乘客参数，程序会自动生成一系列外呼信号。 它还实时接收这些信号，选择合适的调度程序并控制每台电梯的运行。 会记录每位乘客的候车时间、乘车时间等。仿真过程结束后，可在仿真运行结果界面获取各项性能指标。

当产生新的层站呼叫信号时，调度算法被调用以确定应分配哪部电梯。 当遗传操作完成后，符合最佳个体的最优分配方案可以修正原有的分配关系，克服因条件变化而造成的原有分配不合理的缺陷。 一旦电梯停止，再次调用调度算法来计算分配给外呼信号的电梯的分配是否合理。 不合理的电梯分配将由另一部电梯修改以响应外呼信号。

运动仿真运行结果分析

系统参数设置如下：总层数：15； 一楼高度：3.5 m； 顶层高度：3.5 m； 其他楼层高度：3.0 m； 电梯数量：4； 电梯容量：17； 额定速度：2.5 mps； 加速度：1.5 mps2； 混蛋：2.0 mps3； 开启时间：2.0秒； 关闭时间：2.5秒； 旅客到达率：1人/秒； 上行流量百分比：0.9； 下行流量百分比：0.05； 楼层间交通百分比：0.05。 在本文中，在相同条件下的动态仿真程序中进行了遗传算法优化调度、前向神经网络控制和模糊控制方法。 在上行高峰期，图 5 显示了 GA 在服务 80 名乘客后的动态模拟运行结果。 同样，可以得到神经网络和模糊控制的动态仿真运行结果。

三种不同调度方法的性能对比如表1所示。 从数据可以看出，所提出的GA优化调度方法的电梯群控关键性能指标，如平均等待乘车次数和长等待率分别为优于神经网络和模糊控制方法。

结语

针对电梯群控系统控制目标的多样化，提出了一种基于遗传算法的多目标优化群控调度策略。 优化候梯乘梯次数、拥挤度、能耗等控制指标，提升电梯群整体服务性能。 通过使用 GA 实现最优电梯组调度，使用 15 部 XNUMX 层电梯进行动态仿真。 动态仿真结果证明了该方法的可行性。 主要性能指标与静态和动态划分方法以及常用的模糊和神经网络控制方法相比有显着提高。

致谢

国家质检总局公益产业专项研究项目（2012104016、201310153）。

案例
[1] 巴尼，GC； Dos Santos, SM 电梯交通分析设计与控制[M]． 英国：Peter Peregrinus 1985。
[2] 万建茹； 于，蔡； 李银辉。 基于模糊神经网络控制的电梯群控策略[J]. 电气自动化，1999，4：21-24。
[3] 万建茹； 刘春江； 洪池，刘。 基于前向神经网络控制的电梯群控策略[J]. 起重和输送机械，2002，6：23-27。
[4] 万建儒; 张志超; 刘英培. “基于遗传算法与神经网络融合的新型电梯群控方法”[J]. 电梯世界, 2007 年 XNUMX 月.
[5]洪沉； 万建如； 张志超。 基于遗传算法优化神经网络的电梯群控策略[J]． 翻译天津大学2009, 1 5: 245-