李 強(qiáng)，鄭永康，王瀚韜

（1.杭州電子科技大學(xué) 智能與軟件研究所，浙江 杭州 310018；2.杭州優(yōu)邁科技有限公司，浙江 杭州 310052）

0 引 言

電梯群控系統(tǒng)（EGCS）是指采用優(yōu)化的控制策略來(lái)協(xié)調(diào)多臺(tái)電梯的運(yùn)行，其核心是群控調(diào)度算法，它對(duì)所采集到的電梯群狀況和呼梯信號(hào)進(jìn)行分析綜合，按規(guī)則發(fā)出派梯信號(hào)，協(xié)調(diào)電梯運(yùn)行。EGCS能大大提高電梯的運(yùn)輸效率和服務(wù)質(zhì)量，是目前電梯節(jié)能的主要手段。

目前電梯群控調(diào)度算法中，在控制目標(biāo)上側(cè)重各不相同，如“時(shí)間最小/最大”群控算法、“相對(duì)時(shí)間因子”群控算法等側(cè)重于乘客待梯時(shí)間的優(yōu)化，“綜合服務(wù)成本”群控算法等側(cè)重于能量消耗最優(yōu)化［1］。但這些算法的控制目標(biāo)均有不足之處，側(cè)重于某一類(lèi)因素，并未全面考慮到在不同的交通模式下對(duì)不同控制目標(biāo)的側(cè)重是不同的。在控制策略上群控算法引入了各種智能技術(shù)，如專(zhuān)家系統(tǒng)（Expert System）、模糊邏輯（Fuzzy Logic）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Net?work）及遺傳算法（Genetic Algorithm）等［2-4］。但它們本身具有局限性，神經(jīng)網(wǎng)絡(luò)需要大量輸入/輸出數(shù)據(jù)，訓(xùn)練時(shí)間長(zhǎng)，易陷入局部極小；遺傳算法對(duì)新空間的探索能力有限，容易收斂到局部最優(yōu)解；模糊規(guī)則比較難于建立。

本研究提出一種綜合考慮乘客的平均候梯時(shí)間（AWT）、乘客長(zhǎng)候梯率（LWP）和能量消耗（RNC）的多目標(biāo)控制電梯群控算法。它根據(jù)電梯交通客流數(shù)據(jù)進(jìn)行交通模式識(shí)別，給予3個(gè)目標(biāo)不同權(quán)重；根據(jù)電梯運(yùn)行數(shù)據(jù)采用模糊推理來(lái)獲取這3個(gè)目標(biāo)的評(píng)價(jià)指標(biāo)；針對(duì)模糊推理缺乏學(xué)習(xí)性的特點(diǎn)，利用魚(yú)群算法用于組合優(yōu)化具有較快的收斂速度的優(yōu)點(diǎn)，引入魚(yú)群算法用于多元線(xiàn)性回歸，得到計(jì)算評(píng)價(jià)指標(biāo)可信度的決策函數(shù)，最終根據(jù)這3個(gè)目標(biāo)的評(píng)價(jià)指標(biāo)的加權(quán)平均值決定派梯方案。

1 魚(yú)群算法原理

人工魚(yú)群算法是李曉磊等人［5］于2002年在對(duì)動(dòng)物群體智能行為研究的基礎(chǔ)上提出的一種新型仿生優(yōu)化算法，該算法根據(jù)“水域中魚(yú)生存數(shù)目最多的地方一般就是本水域中富含營(yíng)養(yǎng)物質(zhì)最多的地方”這一特點(diǎn)來(lái)模仿魚(yú)群的覓食行為而實(shí)現(xiàn)尋優(yōu)。人工魚(yú)群算法采用自上而下的尋優(yōu)模式，從構(gòu)造個(gè)體的底層行為開(kāi)始，通過(guò)魚(yú)群的覓食、聚群及追尾行為改變自身的位置，經(jīng)過(guò)一段時(shí)間各人工魚(yú)移動(dòng)到局部極值點(diǎn)，最終從人工魚(yú)局部尋優(yōu)中找到全局最優(yōu)值。

人工魚(yú)個(gè)體可以用面向?qū)ο蟮姆椒▉?lái)構(gòu)造。它的主要屬性有魚(yú)的當(dāng)前狀態(tài)、移動(dòng)步長(zhǎng)、感知范圍和當(dāng)前食物濃度，主要行為有移動(dòng)、追尾、聚群、覓食和行為的自適應(yīng)評(píng)價(jià)。根據(jù)目標(biāo)函數(shù)，人工魚(yú)群算法評(píng)價(jià)所處位置不同行為的食物濃度值，并針對(duì)不同問(wèn)題選擇合適的行為采取行動(dòng)。通常情況下，該算法比較覓食、聚群、追尾行為的食物濃度值，選取優(yōu)于當(dāng)前食物濃度值的最優(yōu)行為采取行動(dòng)，若這三者行為的食物濃度值均不優(yōu)于當(dāng)前的濃度值，則采取隨機(jī)移動(dòng)行為。最終，人工魚(yú)會(huì)集結(jié)在幾個(gè)局部極值的周?chē)?，這有助于判斷并獲取全局極值。

由于魚(yú)群算法在全局尋優(yōu)方面的良好性能，對(duì)它的研究應(yīng)用已經(jīng)滲透到多個(gè)應(yīng)用領(lǐng)域，如對(duì)配電網(wǎng)進(jìn)行無(wú)功優(yōu)化［6］、航班路徑規(guī)劃［7］和圖像配準(zhǔn)［8］等。

2 群控算法的總體設(shè)計(jì)

該電梯群控算法首先確定以AWT、LWP和RNC為控制目標(biāo)，并將這3個(gè)目標(biāo)的可信度指標(biāo)的加權(quán)平均值作為目標(biāo)函數(shù)；根據(jù)電梯交通客流數(shù)據(jù)進(jìn)行交通模式識(shí)別，給予3個(gè)目標(biāo)不同權(quán)重w1，w2，w3；對(duì)電梯運(yùn)行數(shù)據(jù)進(jìn)行采集計(jì)算，得到與這3個(gè)目標(biāo)相關(guān)的4個(gè)輸入變量:廳層召喚等待時(shí)間（HCWT）i、廳層召喚最大等待時(shí)間（maxHCWT）i、剩余響應(yīng)能力（CV）i和召喚集中程度（GD）i，再利用模糊推理得到這3個(gè)目標(biāo)的可信度數(shù)據(jù)作為學(xué)習(xí)樣本，針對(duì)各個(gè)目標(biāo)分別利用人工魚(yú)群算法進(jìn)行訓(xùn)練，獲得決策函數(shù)；以決策函數(shù)作為計(jì)算可信度的標(biāo)準(zhǔn)，根據(jù)4個(gè)輸入量得到這3個(gè)指標(biāo)的可信度，最后通過(guò)加權(quán)平均，將呼梯信號(hào)指派給可信度最高的那臺(tái)電梯。多目標(biāo)控制群控調(diào)度算法的原理如圖1所示。

圖1 基于魚(yú)群算法的多目標(biāo)控制群控調(diào)度算法原理示意圖

3 多目標(biāo)控制群控算法的設(shè)計(jì)

3.1 多目標(biāo)控制函數(shù)

多目標(biāo)控制函數(shù)可表示為:

式中:SAWTi—第i臺(tái)電梯AWT的可信度；SLWPi—第i臺(tái)電梯LWP的可信度；SRNCi—第i臺(tái)電梯RNC的可信度；Si—第i臺(tái)電梯的可信度；wi—權(quán)重，wi∈[0,1]，且w1+w2+w3=1。

通過(guò)電梯運(yùn)行經(jīng)驗(yàn)數(shù)據(jù)分析和借助電梯專(zhuān)家的經(jīng)驗(yàn)，不同交通模式下的各個(gè)控制目標(biāo)的權(quán)重推薦數(shù)值如表1所示［9］。

表1 各目標(biāo)在不同交通模式下的權(quán)重

3.2 模糊推理

本研究中的模糊推理采用Mandani［10］方法。首先，根據(jù)呼梯信號(hào)和電梯狀態(tài)計(jì)算各個(gè)輸入量，根據(jù)隸屬度函數(shù)計(jì)算它們?cè)谡Z(yǔ)言變量大、中、小上的隸屬度；再根據(jù)模糊規(guī)則表計(jì)算每條規(guī)則的適用度和模糊輸出值；最后，計(jì)算得出每個(gè)目標(biāo)的可信度指標(biāo)。

3.2.1 輸入量的計(jì)算

與電梯的各個(gè)控制目標(biāo)AWT、LWP、RNC有關(guān)的輸入變量是 HCWTi、maxHCWTi、CVi、GDi，它們是從電梯呼梯信號(hào)與電梯狀態(tài)等信號(hào)經(jīng)采集與計(jì)算得到。

廳層召喚等待時(shí)間（HCWT）i:新的呼梯信號(hào)從產(chǎn)生到被第i臺(tái)電梯響應(yīng)的等待時(shí)間，包括電梯的運(yùn)行時(shí)間和轎廂的?？繒r(shí)間。

廳層召喚最大等待時(shí)間（maxHCWT）i:第i臺(tái)電梯已登記的所有召喚命令和新登記召喚命令的最大等待時(shí)間。

剩余響應(yīng)能力（CV）i:第i臺(tái)電梯登記了新的呼梯信號(hào)后，對(duì)未來(lái)呼梯的響應(yīng)能力。

召喚集中程度（GD）i:新的呼梯信號(hào)所在樓層位置與第i臺(tái)電梯已經(jīng)登記的所有呼梯命令（包括外召和內(nèi)召）產(chǎn)生樓層位置的最短距離。

3.2.2 結(jié)合模糊推理獲得學(xué)習(xí)樣本

人工魚(yú)群算法的學(xué)習(xí)樣本，是通過(guò)模糊推理得到的一部分?jǐn)?shù)據(jù)。進(jìn)行模糊推理前，必須先對(duì)這4個(gè)輸入變量進(jìn)行模糊化，即確定隸屬函數(shù)。模糊化要根據(jù)輸入量的取值范圍、系統(tǒng)的需求來(lái)確定。

下面分別確定 HCWTi、maxHCWTi、CVi和 GDi的隸屬函數(shù)［11］:

（1）HCWTi的模糊化。根據(jù)調(diào)查，乘客在候梯時(shí)心理的焦躁程度和候梯時(shí)間成一定關(guān)系，用模糊術(shù)語(yǔ)S（small）、M（medium）、L（lagre）描述變量，分別表示“小”、“中”、“大”，這些模糊概念可以用如圖2所示的隸屬度函數(shù)圖來(lái)描述。

（2）maxHCWTi的模糊化。一般而言，群控系統(tǒng)的廳層召喚最大等待時(shí)間不應(yīng)該超過(guò)90 s，當(dāng)其值在40 s以?xún)?nèi)較優(yōu)，在60 s左右乘客也是可以接受的，其隸

圖2 HCWTi的隸屬度函數(shù)

屬度函數(shù)如圖3所示。

圖3 maxHCWTi的隸屬度函數(shù)

（3）CVi的模糊化。單位時(shí)間內(nèi)未進(jìn)入轎廂的人數(shù)越多，說(shuō)明電梯的剩余響應(yīng)能力越小，高峰期電梯的剩余響應(yīng)能力一般不應(yīng)超過(guò)80%，其隸屬度函數(shù)如圖4所示。

圖4 CVi的隸屬度函數(shù)

（4）GDi的模糊化。界定當(dāng)GD的值小于0.3，電梯的能耗比較理想，當(dāng)大于0.7時(shí)，電梯的能耗會(huì)比較大，其隸屬度函數(shù)如圖5所示。

圖5 GDi的隸屬度函數(shù)

結(jié)合電梯專(zhuān)家的知識(shí)和經(jīng)驗(yàn)，輸入變量與目標(biāo)的可信度推理關(guān)系為:SAWTi由 HCWTi和 CVi決定，SLWPi由 maxHCWTi和 CVi決定，SRNCi由 maxHCWTi和 GDi決定。

歸納其模糊規(guī)則如圖6所示。

圖6 目標(biāo)可信度的模糊規(guī)則圖

4 魚(yú)群算法對(duì)模糊推理線(xiàn)性回歸曲線(xiàn)的優(yōu)化

4.1 優(yōu)化方法

根據(jù)HCWT、maxHCWT、CV、GD，本研究利用上節(jié)所述的模糊推理規(guī)則獲得SAWTi、SLWPi和SRNCi，并作為可信度數(shù)據(jù)的學(xué)習(xí)樣本，借助人工魚(yú)群算法的全局搜索能力，獲得計(jì)算它們的決策函數(shù)，可以克服模糊推理缺乏學(xué)習(xí)能力的缺點(diǎn)。HCWT、maxHCWT、CV、GD既是樣本數(shù)據(jù)獲取的基礎(chǔ)，也是人工魚(yú)群算法的輸入。當(dāng)人工魚(yú)群算法訓(xùn)練完畢，即可獲得相應(yīng)可信度的決策函數(shù)。此后，在群控調(diào)度計(jì)算派梯方案時(shí)，就可以根據(jù)決策函數(shù)直接計(jì)算得到每臺(tái)電梯的指標(biāo)可信度。

由SAWTi、SLWPi和SRNCi數(shù)據(jù)組成n組樣本數(shù)據(jù)xi∈X=Rn，yi∈Y=Rn，i=1,...,n，試建立它們之間的線(xiàn)性回歸方程，即決策函數(shù)為:

以基于人工魚(yú)群算法作為群控中采用的算法，并建立相應(yīng)的決策機(jī)制，學(xué)習(xí)數(shù)據(jù)通過(guò)模糊推理得到，訓(xùn)練階段的關(guān)鍵步驟如下:

Step1:采集呼梯信號(hào)以及各臺(tái)電梯狀態(tài)信息；

Step2:計(jì)算HCWT、maxHCWT、CV、GD的值；

Step3:模糊推理獲得相應(yīng)的SAWTi、SLWPi和SRNCi的值；

Step4:重復(fù)Step1到Step3，直到獲得預(yù)定數(shù)量的數(shù)據(jù)后，根據(jù)圖6中的關(guān)系，劃分為（HCWT，CV，SAWTi），（maxHCWT，CV，SLWPi）和（maxHCWT，GD，SRNCi）3個(gè)集合的相應(yīng)學(xué)習(xí)樣本；

Step5:訓(xùn)練3個(gè)學(xué)習(xí)樣本集合相應(yīng)的人工魚(yú)群直至收斂；

Step6:保存人工魚(yú)群尋優(yōu)相關(guān)結(jié)果。

4.2 魚(yú)群算法的設(shè)計(jì)

在訓(xùn)練階段，最重要的一個(gè)步驟是用人工魚(yú)群算法實(shí)現(xiàn)多元回歸決策函數(shù)的求解。本研究采用魚(yú)群算法優(yōu)化這個(gè)多元線(xiàn)性回歸函數(shù)中的b0,b1,b2,b3,b4參數(shù)。設(shè)計(jì)食物濃度函數(shù)為:

目前，還沒(méi)有一般的解析方法能夠?qū)﹄x散人工魚(yú)群算法的trynumber、visual、number、maxgen等重要參數(shù)進(jìn)行確定，所以只能通過(guò)先保持其他參數(shù)不動(dòng)，然后再對(duì)每一參數(shù)進(jìn)行調(diào)整來(lái)觀(guān)測(cè)其對(duì)算法性能的影響。經(jīng)多次試驗(yàn)分析，選取魚(yú)群規(guī)模m=100，最大迭代次數(shù)gen=100，擁擠度因子δ=0.618，感知范圍visual=10，步長(zhǎng)step=3，試探次數(shù)trynumber=200。

魚(yú)群算法具體步驟如下:

Step1:選擇合適的魚(yú)群參數(shù)，包括魚(yú)群規(guī)模num?ber，試探次數(shù)trynumber，最大迭代次數(shù) maxgen，人工魚(yú)的感知范圍visual等；

Step2:根據(jù)選定的參數(shù)，隨機(jī)生成指定數(shù)目的人工魚(yú)個(gè)體，用于魚(yú)群的初始化；

Step3:選取魚(yú)群中最大的食物濃度，將其放入到公告板中；

Step4:對(duì)于每條人工魚(yú)執(zhí)行以下操作:

（1）分別計(jì)算覓食行為、追尾行為、聚群行為的食物濃度，選取三者的最優(yōu)濃度值，若其值比當(dāng)前狀態(tài)的濃度值更優(yōu)，則向最優(yōu)行為方向前進(jìn)，否則執(zhí)行隨機(jī)行為。

（2）更新當(dāng)前人工魚(yú)的食物濃度值，如果其值小于公告板中的最大食物濃度值，則對(duì)公告板中的最大值進(jìn)行替換。

Step5:判斷是否所有人工魚(yú)都進(jìn)行了尋優(yōu)，是則轉(zhuǎn)Step6；否則轉(zhuǎn)Step4；

Step6:調(diào)用基于人工魚(yú)群算法完畢，返回公告板中的值，即公告板中的最優(yōu)值即為要求的最優(yōu)值，其對(duì)應(yīng)的人工魚(yú)即為最優(yōu)的參數(shù)。

5 仿真評(píng)測(cè)實(shí)驗(yàn)

為準(zhǔn)確方便地評(píng)價(jià)群控算法的優(yōu)劣，本研究用Visual C#2010開(kāi)發(fā)了一個(gè)電梯群控仿真平臺(tái)。該平臺(tái)能設(shè)置不同的建筑物和電梯參數(shù)來(lái)動(dòng)態(tài)構(gòu)成測(cè)試環(huán)境，通過(guò)DLL接口導(dǎo)入不同的群控算法，模擬不同的交通模式生成客流數(shù)據(jù)，對(duì)群控算法進(jìn)行調(diào)度仿真和實(shí)時(shí)評(píng)測(cè)。

本研究在該電梯群控仿真平臺(tái)上對(duì)該算法優(yōu)化前后進(jìn)行了評(píng)測(cè)與對(duì)比分析。設(shè)定建筑物層數(shù)為16層，樓層高度為4 m，電梯數(shù)為4臺(tái)，電梯額定載客量為18人。額定速度為3 m/s，加速度為1 m/s2，加加速度率為2 m/s2，開(kāi)門(mén)時(shí)間為2 s，關(guān)門(mén)時(shí)間為1 s，保持時(shí)間2 s。交通流數(shù)據(jù):上行高峰（8∶30～9∶30，總1 000人/次）。經(jīng)72個(gè)小時(shí)的客流數(shù)據(jù)對(duì)算法進(jìn)行訓(xùn)練，并對(duì)優(yōu)化前后的多目標(biāo)控制群控算法進(jìn)行評(píng)測(cè)。評(píng)測(cè)數(shù)據(jù)如表3所示。

表3 優(yōu)化前后的群控算法性能指標(biāo)比較

優(yōu)化后的模糊控制算法相比優(yōu)化前的模糊控制算法在平均候梯、平均乘梯時(shí)間、長(zhǎng)候梯率分別減少12.49%、22.11%、44.44%，且電梯能耗減少18.51%。可見(jiàn)相比優(yōu)化前的模糊控制算法，優(yōu)化后的模糊控制算法存在一定優(yōu)越性。

6 結(jié)束語(yǔ)

本研究綜合考慮了電梯運(yùn)行效率、服務(wù)質(zhì)量和能耗方面的3個(gè)指標(biāo)，并將其作為電梯群控的目標(biāo)。針對(duì)模糊推理缺乏學(xué)習(xí)性的特點(diǎn)，在評(píng)價(jià)函數(shù)的計(jì)算方式中引入了人工魚(yú)群算法多元線(xiàn)性回歸，通過(guò)訓(xùn)練人工魚(yú)群算法得到計(jì)算目標(biāo)可信度的決策函數(shù)，并將之應(yīng)用到群控決策中。經(jīng)電梯群控仿真平臺(tái)的評(píng)測(cè)，該模糊控制調(diào)度算法經(jīng)魚(yú)群算法的優(yōu)化，平均候梯、平均乘梯時(shí)間、長(zhǎng)候梯率和能耗指標(biāo)都比優(yōu)化前有明顯的改善。

下一步的工作是群控仿真平臺(tái)上試驗(yàn)魚(yú)群算法不同配置參數(shù)對(duì)群控算法的優(yōu)化效果，選取最佳的配置參數(shù)進(jìn)行訓(xùn)練魚(yú)群算法，并將優(yōu)化后的群控算法用于實(shí)際的群控系統(tǒng)。

（References）:

［1］楊禎山，邵 誠(chéng).電梯群控技術(shù)的現(xiàn)狀與發(fā)展方向［J］.控制與決策，2005，20（12）:1321-1330.

［2］IMRAK E C.Artificial neural networks application in du?plex/triplex elevator group control system［J］.Journal of Mechanical Engineering，2008，54（2）:103-114.

［3］LU Y，MABU S，ZHANG T T，et al.Multi-car elevator group supervisory control system using genetic network pro?gramming［J］.IEEE Congress on Evolutionary Compu?tation.2009，12（5）:242-255.

［4］許玉格，羅 飛，曹建忠.目的層預(yù)約的模糊神經(jīng)網(wǎng)絡(luò)電梯群控策略［J］.華南理工大學(xué)學(xué)報(bào):自然科學(xué)版，2007，35（1）:13-18.

［5］李曉磊，邵之江，錢(qián)積新.一種基于動(dòng)物自治體的尋優(yōu)模式:魚(yú)群算法［J］.系統(tǒng)工程理論與實(shí)踐，2002，22（11）:32-38.

［6］袁 遠(yuǎn).基于改進(jìn)人工魚(yú)群算法的配電網(wǎng)無(wú)功優(yōu)化［D］.南京:南京理工大學(xué)動(dòng)力工程學(xué)院，2008.

［7］楊 麗.基于人工魚(yú)群算法的圖像配準(zhǔn)的研究與實(shí)現(xiàn)［D］.西安:西安電子科技大學(xué)機(jī)電工程學(xué)院，2009.

［8］劉李釗.基于魚(yú)群克隆遺傳算法的配電網(wǎng)絡(luò)重構(gòu)研究［D］.長(zhǎng)沙:中南大學(xué)信處科學(xué)與工程學(xué)院，2011.

［9］秦 臻.基于SVM的電梯群控系統(tǒng)（EGCS）算法的研究［D］.杭州:杭州電子科技大學(xué)機(jī)械工程學(xué)院，2011.

［10］張 昆，段其昌，張從力.基于模糊控制的多目標(biāo)電梯群控技術(shù)［J］.儀器儀表學(xué)報(bào)，2004，25（4）:248-251.

［11］張繪敏.基于模糊控制的電梯群控算法研究［D］.蘭州:蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院，2011.