基于神经网络的电梯调度重规划

仲惠琳

摘要：摘要：提出一种针对客流量变化进行电梯调度算法实时重规划的方法。建立电梯群控系统仿真模型，运用启发式算法，进行动态实时的局部重规划，实现电梯的动态调度诱导。使电梯检测到乘客流发生变化时，能够尽快调整选择路径。算法对平均等待时间、电梯平均载客时间、电梯能耗和电梯拥挤度进行加权，建立多目标评价函数，以实现节能和乘客体验的均衡统一。

关键词：电梯调度 动态规划 神经网络

中图分类号：TU857 文献标识码：A 文章编号：1007-9416（2016）07-0063-02

为了扩大城市的使用空间，城市高层建筑越来越多的。为了给各楼层之间提供运输服务，电梯系统作为主要的服务设施出现。电梯群控系统[1]（EGCS）负责控制电梯，并为乘客提供方便舒适的服务。每一次有新的请求时，EGCS应该评估可选的各个方案，然后选择最合适的方案来提供服务。用来做决策的算法和评价标准对EGCS的有效性非常重要。

EGCS的核心是调度算法，它直接影响了电梯运行效率的高低和服务质量的优劣。目前已经存在多种电梯调度方法，如：最小等待时间算法、基于专家系统的电梯调度算法、基于模糊控制的电梯调度算法、基于神经网络的电梯调度算法。神经网络算法可以进行大规模并行处理、分布式信息存储，并且拥有良好的自组织能力与自学习能力。基于神经网络算法，建立EGCS的目标评价函数，将模糊规则映射到神经网络[2]，通过调整影响EGCS性能的各因素的权重系数，进行EFCS的优化，有利于提高电梯服务质量，使EGCS在不同客流量情况下实现合理调度。

1 EGCS评价函数

基于减少乘客的平均等候时间（AWT）和电梯的平均载客时间（ATP）、减少电梯运行能耗和优化用户体验的多目标，建立评价函数：

（1）

F为各因素的综合评价值，f1（wt）、f2（tp）、f3（en）、f4（cr）分别为平均等候时间、平均载客时间、电梯耗能、服务质量的评价函数。ω1、ω2、ω3、ω4为对应函数的权值，它们的和为1。通过调节各函数的权值，调整不同交通模式下各目标所占比重。

1.1 等候时间WT

有新的呼梯请求产生时，根据发出呼叫的楼层LC和呼叫请求方向FC与电梯当前所在楼层L0和运行方向F0，可计算出电梯到达新的呼梯请求所在楼层的时间。设电梯行驶一层耗时T1s，停靠一层耗时T2s，待响应的楼层数为b，与电梯同向的最远目标层为LMAX，电梯反向的最远目标层为LMIN。

当FC与F0相同，且FC在F0运行方向上时，电梯不变向到达呼叫请求所在楼层： （2）

当FC=F0且LC不在L0运行方向上时，电梯运行至同向最远楼层后Lmax，反向运行，再到达呼叫请求发出楼层：

（3）

当FC≠F0电梯到达初始方向最远楼层后，再到达呼叫请求发出楼层

（4）

等候时间短的隶属度函数：

（5）

乘客等候时间的心理容忍度一般为60s[3]，所以WT应当尽量保持在60s以内。

1.2 载客时间

有新的呼梯请求产生时，乘客的目的楼层未知，仅能判断乘客的目标方向，假设乘客的目的楼层为最远楼层Lmax，则载客时间为：

（6）

载客时间短的隶属度函数：

（7）

1.3 电梯能耗

由于电梯运行的能量消耗主要由加速、减速产生，电梯匀速运行时的能耗相对于加速减速的能耗非常小，所以电梯的能量消耗的多少主要由电梯的启停次数的多少决定： （8）

能耗小的隶属度函数：

（9）

1.4 电梯拥挤程度

电梯拥挤度取决于电梯内乘客人数，根据电梯内的压力传感器可估算出梯内乘客人数，定义电梯拥挤度小的隶属度函数为： （10）

2 变量的模糊化

将（wt）、 （tp）、 （en）、 （cr）的值进行模糊化，创建三角形隶属函数[4]。

3 模糊神经网络

将模糊规则映射到神经网络中，建立5层向前神经网络结构，通过传递函数，进行输入到输出的变换，实现模糊推理。运用神经网络的学习功能确定1，2，3，4的值，分别计算各电梯的综合评价值F，选择F最小大的电梯响应请求。

采用向前型多层模糊神经网络结构如图1。

第1层：输入层，输入值直接传递至下一层作为第二层的输入变量，神经元数量m1与输入变量数量n相同。

第2层：模糊化层，通过上一次的输入变量数量m1以及m1的模糊子集个数，可以确定该层神经元数量m2，设第i个输入变量的模糊子集个数为z，则，建立以下铃型高斯函数[5]： （11）

第3层：规则层，每个神经元代表一条模糊逻辑规则，用来匹配模糊规则的条件。每个节点j的输出为该节点所有输出信号的乘积：

（12）

（13）

第4层：综合层，神经元数量m4与输出变量的所有节点模糊子集数量相等：

（14）

I4K是与这一层第k个神经元相连的输入变量的个数。

第5层：输出层，输出ω1，ω2，ω3，ω4相应的清晰值，该层的神经元数量为： （15）

是第k个输入变量的第j个模糊子集隶属函数的权值，是第4层输出变量的模糊子集个数。

是神经网络第i层的第k个输出函数。

4 模糊RBF参数优化

采用梯度下降法修正可调参数，定义目标函数：（16）

和分别表示网络输出和实际输出：

（17）

输出层权值调整：

（18）

则输出层的权值学习算法为：

（19）

式中，为学习速率，为动量因子，，。

（20）

隶属函数参数调整： （21）

式中， （22）

隶属函数参数学习算法：

（23）

（24）

5 仿真实验

仿真环境参数：设定一栋15层的高楼，从1层到第15层，内有3台电梯。每台电梯载重为1250kg。电梯行驶一层耗时1.5s，开门，上下乘客，关门平均总耗时为3s。

如果电梯载客量达到1200Kg，则不回应呼叫请求，由第二台电梯响应请求。假定每位乘客平均体重60Kg。

仿真环境下，将客流量分别设定为50人/5min，100人/5min，200人/5min，得到仿真结果数据如下表1所示。

6 结语

从实验结果来看，随客流量的递增，AWT无较大变化，ATP与EN都不是线性增加的，说明通过修改权值，达到了EGCS优化的目的。该EGCS适应多种客流交通状况，可以实现节能和优化用户体验等多目标。

参考文献

[1]毕晓亮，张亚刚等.电梯群控研究及仿真试验台开发[J].系统仿真学报，2003，15 （9）：1245-1248.

[2]张吉礼.模糊一神经网络控制原理与工程应用[M].哈尔滨：哈尔滨工业大学出版社，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.模糊控制神经控制和智能控制论[M].哈尔滨：哈尔滨工业大学出版社，1996

[5]张艳宁，焦李成.一种基于自适应高斯神经网络的舰船噪声分类方法[J]，声学学报，1997，23（4）：350-356.