改进遗传算法的电梯群控系统设计与实现

张 健，王笑竹

（营口理工学院机电工程系，辽宁营口115014）

改进遗传算法的电梯群控系统设计与实现

张 健，王笑竹

（营口理工学院机电工程系，辽宁营口115014）

针对电梯群控系统控制目标的多样化，提出一种基于遗传算法的电梯群控系统.群控系统将多个目标函数进行加权组合，构造群控系统的评价函数，利用遗传算法对该评价函数进行搜索求解，得出最优派梯方案.为提高遗传算法的效率，在遗传操作过程中采用最优个体保存策略，同时采用一种交叉率和变异率能够随适应度自动改变的自适应算法，达到最优解的收敛速度，从而实现电梯群控系统的多目标优化控制.

改进遗传算法；电梯群控系统；全局搜索；仿真分析

随着高层建筑的增多和智能建筑的快速发展，如何提高电梯的运输能力和服务质量，已经成为人们研究的热点问题［1］.由于电梯群控系统的实时性［2］，基于模糊模型的电梯调度方法在大型应用中存在局限性［3-4］；基于神经网络的电梯调度方法很难处理原始派梯分配不合理的随机事件［5］；基于遗传算法的电梯调度方法在解决搜索局部空间的问题时，促使种群个体的种类迅速减少，使搜索陷入局部最优，出现未成熟收敛［6-7］.针对传统遗传算法上述问题，本文提出改进遗传算法的电梯群控系统，从而实现电梯的多目标优化控制.

1 改进遗传算法工作原理

遗传算法在技术和操作上简单，在不受约束条件的情况下，能有效地解决组合优化和非线性问题，按照生物进化原理对群体参数进行编码.根据设定的适度值，个体在遗传过程中进行复制，最优个体在通过交叉操作和变异操作筛选后被保留下来构成新的种群.新的种群在 “生成+检测”的迭代过程不断训练使种群适度不断提高直到满足设定条件.

遗传算法流程图如图1所示.考虑到遗传算法在迭代过程中过早收敛、易陷入局部最优等问题，采取以下3点提高GA性能的改进措施.

图1 遗传算法流程图Fig.1 FIowchart of genetic aIgorithm

1）为了将最优个体保存并遗传到下一代，采用最优保存策略改进的选择算子，在种群迭代过程中，直接复制最优个体，替换经过交叉，变异操作后适度值最低的个体，防止最优的个体在选择、交叉、变异等操作时被破坏.

2）为了快速找到优良种群在遗传算法早期提高大交叉率，采用可变交叉率选择基因差异最大的个体进行交叉，使最优个体不参与交叉操作.随着进化种群的增大适当减小交叉率，克服由于交叉率取值引起个体被破坏和搜索速度缓慢的缺点.

3）保证最优的个体不变异，采用自适应变异率改进的变异算子扩展最优个体的搜索空间.

借助MATLAB软件仿真对比改进遗传算法 （IGA）和传统遗传算法 （TGA），说明该方法的有效性.仿真结果如图2所示.

图2 TGA与IGA适应度函数F和目标函数J的收敛曲线Fig.2 Convergence curve of fitness function F and object function J based on TGA and IGA

从图2可以看出，改进的GA搜索效率和准确率优于传统GA.

2 电梯群控系统的优化建模

基于改进遗传算法的电梯群控系统优化策略充分考虑了群控系统中目标多样性、随机性和非线性.把候梯满意度、乘客满意度、能量损耗等因素作为评价函数来协调多台电梯的运行，以提高电梯群控系统的运载能力和科技水平.

2.1 电梯群控系统多样性指标

综合考虑电梯群控系统的多样性因素指标，建立合理的最优评价函数为

式 （1）中：x1为候梯时间（ATW）∈［0，+∞］=A1；x2为长时候梯率（LWP）∈［0，1］=A2；x3为能耗（RNC）∈［0，+∞］=A3；x4为乘梯时间（ABT）∈［0，+∞］=A4；x5为输送能力（RAY）∈［0，1］=A5；x6为乘客满意度（STP）∈［1，2，…，9］=A6，（λ1，λ2，…，λ6）为权值系数，E=｛（a1，a2，…，a6）|（a1，a2，…，a6）∈A1×A2×…×A6｝为指标体系集.可知，Y的数值越小，说明电梯群控系统越符合设计要求，越能提供更好的服务质量，更能反映出改进遗传算法在电梯群控系统中的有效性.

2.2 电梯群控系统参数优化

电梯群控系统的优化策略是：每部电梯单独处理当前外部输入指令，并将该指令出递给群控系统处理单元，而对于层站呼梯指令的分配由优化策略算法协调进行.

优化策略算法作为评价函数，用候梯时间评价轿厢外乘客满意度；用乘梯时间评价轿厢内乘客满意度；用电梯的起停次数评价能量损耗.则：

式 （2）中：J（i）为评价函数，表示第i台电梯响应到某个层站的可信度λi（i=1，2，…，N）；N表示电梯群中的电梯数；i为电梯群中的梯号；W（X）为外呼指令评价函数；G（X）为内呼指令评价函数；N（X）为系统能耗评价函数；λi为权系数，且满足λi（i=1，2，3），0≤λi≤1，λ1+λ2+λ3=1.λi的不同选择表明了对3个评价标准的不同侧重.由式 （2）可知，J（i）根据层站的可信度λi（i=1，2，…，N）去响应第i台电梯呼梯指令，因此响应合理呼叫的梯号e：

1）外呼指令评价函数

式中：Tar（i）为轿厢到达目的楼层的运行时间，Ts（i）为因电梯内选、外呼轿厢途中停靠的时间；Tary（i）为外呼响应时间.

2）内呼指令评价函数式中：Toff为电梯经过路程行驶时间和中途开关门以及上下客时间；Tj为第j批离开乘客在轿厢内的时间；Z为客流离开的批数；Pj为第j批离轿厢乘客数的百分比；M为轿厢内乘客总数.

3）能耗评价函数

由于传统遗传算法的自适应性，交叉率Pc，变异率Pm如式 （9）～（10）根据实际需要自适应调整，即

式中：k1，k2，k3，k4∈（0，1）；f为变异个体的适度值；f′为交叉个体较大的适度值；favg为平均适度值；fmax为最大的适度值.

为提高交叉率Pc2和变异率Pm2到最大适度值，使群体中的个体处于不断进化的状态，才能保证群体中表现优良的个体的交叉率和变异率不为零.如下式：

3 电梯群控系统仿真实现

遗传算法优化调度程序流程如图3所示.

图3 遗传算法优化电梯流程图Fig.3 FIowchart of optimaI EGCS using genetic aIgorithm

借助VB软件建立电梯群控系统仿真模型，设置实验参数如表1所示.

表1 仿真参数TabIe 1 SimuIation parameters

为了检验所设计遗传算法电梯群控系统的运行状况，设置种群规模为30，将系统仿真结果在不同权值的运行状况进行了比较，比较结果如表2所示.

表2 仿真结果比较TabIe 2 Comparison of simuIation resuIts

仿真结果中各项指标较好地满足电梯群控系统的要求.同时电梯群控仿真软件还编制了最小等待时间、传统遗传算法、改进的遗传算法等群控策略，分别对这几种调度算法进行动态模拟运行，根据仿真运行结果进行比较分析，如表3，表4所示.

表3 16层电梯性能指标对比TabIe 3 16 Iayer eIevator performance index comparison

表4 24层电梯性能指标对比TabIe 4 24 Iayer eIevator performance index comparison

对比分析的结果可以看出，MAL策略比较适合楼层数较少调度方法；TGA与其他算法相比群控策略的实时性不足，而且数据的计算量较大；IGA与TGA相比在搜索时间上有明显优势，但随着楼层数的增加仍有一定的消耗，因此比较适合在楼层较多时应用.

4 结论

基于改进遗传算法的电梯群控系统，利用改进遗传算法对候梯时间、乘梯时间、舒适度和能耗等评价函数进行搜索求解.在种群迭代过程中，采用最优保存策略改进的选择算子；通过可变交叉率快速找到最优种群区，克服最优个体被破坏和搜索速度缓慢的缺点；采用自适应变异率扩展最优个体的搜索空间，保证最优的个体不变异，从而实现电梯的多目标优化控制.

在利用遗传算法对派梯空间进行搜索的过程中，遗传算法适应度函数中各控制指标的权重是固定的，不能自动跟随客流密度的变化而变化.为得到更理想的控制性能，应对自适应性问题进一步展开研究.

［1］弓箭，刘强，刘剑.人工智能在电梯群控系统中的应用 ［J］.沈阳建筑工程学院学报，2002，18（10）：24-28.

［2］张苗苗，张学军.基于模糊推理电梯群控系统的研究与仿真实现 ［J］.测控技术，2000（3）：56-59.

［3］李雁景，王再英.基于模糊控制的电梯群控系统算法设计 ［J］.机械制造与自动化，2012，41（1）：117-119.

［4］段素丙，陈伟华，强雄，等.基于模糊控制和红外探测的梯群控制系统控制策略的研究 ［J］.光学仪器.2012，34（1）：69-75.

［5］刘志申，王艳芬，王延文.模糊神经网络技术在电梯群控系统中的应用研究 ［J］.信息系统工程，2010，34（6）：67-68.

［6］王庆宇，李庆超，宋镇江.基于遗传算法的双子电梯群优化控制方法 ［J］.建筑电气，2013（8）：43-47.

［7］宗群，李胜涛，王维佳.基于遗传算法的电梯群控鲁棒优化模型 ［J］.天津大学学报：自然科学与工程技术版，2007，40（9）：1 019-1 024.

Design andImplementation of Elevator Group Control System Based on Modified Genetic Algorithm

ZHANG Jian，WANG Xiao-zhu
（Department of Electrical and Mechanical Engineering，Yingkou Institute of Technology，Yingkou，Liaoning 115014，China）

The evaluation function is constructed by the weighted combination of several optimization objectives based on combinatorial optimization method.The multi-objective dispatching of elevators is realized by searching the evaluation function for the best dispatching scheme with genetic algorithm.In order to improve the search efficiency of genetic algorithm，an optimum maintaining strategy is applied to the operating process of genetic algorithm.An adaptive genetic algorithm in which the probability of crossover and mutation were varied depending on the fitness values of the solutions is applied to increase the performance of convergence to the global optimum.A multi-objective optimal control of elevator group control system is thus achieved.

modified genetic algorithm；elevator group control system；global search；simulation analysis

TP138

A

1673-4432（2015）03-0041-06

（责任编辑 李 宁）

2015-01-23

2015-06-19

张健 （1981-），男，实验师，硕士，研究方向为电力电子与电子传动、电机控制.E-mail：zjwinloo @126.com