李 強，鄭永康，王瀚韜

（1.杭州電子科技大學 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)化的控制策略來協(xié)調多臺電梯的運行，其核心是群控調度算法，它對所采集到的電梯群狀況和呼梯信號進行分析綜合，按規(guī)則發(fā)出派梯信號，協(xié)調電梯運行。EGCS能大大提高電梯的運輸效率和服務質量，是目前電梯節(jié)能的主要手段。

目前電梯群控調度算法中，在控制目標上側重各不相同，如“時間最小/最大”群控算法、“相對時間因子”群控算法等側重于乘客待梯時間的優(yōu)化，“綜合服務成本”群控算法等側重于能量消耗最優(yōu)化［1］。但這些算法的控制目標均有不足之處，側重于某一類因素，并未全面考慮到在不同的交通模式下對不同控制目標的側重是不同的。在控制策略上群控算法引入了各種智能技術，如專家系統(tǒng)（Expert System）、模糊邏輯（Fuzzy Logic）、人工神經網絡（Artificial Neural Net?work）及遺傳算法（Genetic Algorithm）等［2-4］。但它們本身具有局限性，神經網絡需要大量輸入/輸出數(shù)據，訓練時間長，易陷入局部極??；遺傳算法對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間（AWT）、乘客長候梯率（LWP）和能量消耗（RNC）的多目標控制電梯群控算法。它根據電梯交通客流數(shù)據進行交通模式識別，給予3個目標不同權重；根據電梯運行數(shù)據采用模糊推理來獲取這3個目標的評價指標；針對模糊推理缺乏學習性的特點，利用魚群算法用于組合優(yōu)化具有較快的收斂速度的優(yōu)點，引入魚群算法用于多元線性回歸，得到計算評價指標可信度的決策函數(shù)，最終根據這3個目標的評價指標的加權平均值決定派梯方案。

1 魚群算法原理

人工魚群算法是李曉磊等人［5］于2002年在對動物群體智能行為研究的基礎上提出的一種新型仿生優(yōu)化算法，該算法根據“水域中魚生存數(shù)目最多的地方一般就是本水域中富含營養(yǎng)物質最多的地方”這一特點來模仿魚群的覓食行為而實現(xiàn)尋優(yōu)。人工魚群算法采用自上而下的尋優(yōu)模式，從構造個體的底層行為開始，通過魚群的覓食、聚群及追尾行為改變自身的位置，經過一段時間各人工魚移動到局部極值點，最終從人工魚局部尋優(yōu)中找到全局最優(yōu)值。

人工魚個體可以用面向對象的方法來構造。它的主要屬性有魚的當前狀態(tài)、移動步長、感知范圍和當前食物濃度，主要行為有移動、追尾、聚群、覓食和行為的自適應評價。根據目標函數(shù)，人工魚群算法評價所處位置不同行為的食物濃度值，并針對不同問題選擇合適的行為采取行動。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)于當前食物濃度值的最優(yōu)行為采取行動，若這三者行為的食物濃度值均不優(yōu)于當前的濃度值，則采取隨機移動行為。最終，人工魚會集結在幾個局部極值的周圍，這有助于判斷并獲取全局極值。

由于魚群算法在全局尋優(yōu)方面的良好性能，對它的研究應用已經滲透到多個應用領域，如對配電網進行無功優(yōu)化［6］、航班路徑規(guī)劃［7］和圖像配準［8］等。

2 群控算法的總體設計

該電梯群控算法首先確定以AWT、LWP和RNC為控制目標，并將這3個目標的可信度指標的加權平均值作為目標函數(shù)；根據電梯交通客流數(shù)據進行交通模式識別，給予3個目標不同權重w1，w2，w3；對電梯運行數(shù)據進行采集計算，得到與這3個目標相關的4個輸入變量:廳層召喚等待時間（HCWT）i、廳層召喚最大等待時間（maxHCWT）i、剩余響應能力（CV）i和召喚集中程度（GD）i，再利用模糊推理得到這3個目標的可信度數(shù)據作為學習樣本，針對各個目標分別利用人工魚群算法進行訓練，獲得決策函數(shù)；以決策函數(shù)作為計算可信度的標準，根據4個輸入量得到這3個指標的可信度，最后通過加權平均，將呼梯信號指派給可信度最高的那臺電梯。多目標控制群控調度算法的原理如圖1所示。

圖1 基于魚群算法的多目標控制群控調度算法原理示意圖

3 多目標控制群控算法的設計

3.1 多目標控制函數(shù)

多目標控制函數(shù)可表示為:

式中:SAWTi—第i臺電梯AWT的可信度；SLWPi—第i臺電梯LWP的可信度；SRNCi—第i臺電梯RNC的可信度；Si—第i臺電梯的可信度；wi—權重，wi∈[0,1]，且w1+w2+w3=1。

通過電梯運行經驗數(shù)據分析和借助電梯專家的經驗，不同交通模式下的各個控制目標的權重推薦數(shù)值如表1所示［9］。

表1 各目標在不同交通模式下的權重

3.2 模糊推理

本研究中的模糊推理采用Mandani［10］方法。首先，根據呼梯信號和電梯狀態(tài)計算各個輸入量，根據隸屬度函數(shù)計算它們在語言變量大、中、小上的隸屬度；再根據模糊規(guī)則表計算每條規(guī)則的適用度和模糊輸出值；最后，計算得出每個目標的可信度指標。

3.2.1 輸入量的計算

與電梯的各個控制目標AWT、LWP、RNC有關的輸入變量是 HCWTi、maxHCWTi、CVi、GDi，它們是從電梯呼梯信號與電梯狀態(tài)等信號經采集與計算得到。

廳層召喚等待時間（HCWT）i:新的呼梯信號從產生到被第i臺電梯響應的等待時間，包括電梯的運行時間和轎廂的?？繒r間。

廳層召喚最大等待時間（maxHCWT）i:第i臺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間。

剩余響應能力（CV）i:第i臺電梯登記了新的呼梯信號后，對未來呼梯的響應能力。

召喚集中程度（GD）i:新的呼梯信號所在樓層位置與第i臺電梯已經登記的所有呼梯命令（包括外召和內召）產生樓層位置的最短距離。

3.2.2 結合模糊推理獲得學習樣本

人工魚群算法的學習樣本，是通過模糊推理得到的一部分數(shù)據。進行模糊推理前，必須先對這4個輸入變量進行模糊化，即確定隸屬函數(shù)。模糊化要根據輸入量的取值范圍、系統(tǒng)的需求來確定。

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

（1）HCWTi的模糊化。根據調查，乘客在候梯時心理的焦躁程度和候梯時間成一定關系，用模糊術語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間不應該超過90 s，當其值在40 s以內較優(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。單位時間內未進入轎廂的人數(shù)越多，說明電梯的剩余響應能力越小，高峰期電梯的剩余響應能力一般不應超過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GD的值小于0.3，電梯的能耗比較理想，當大于0.7時，電梯的能耗會比較大，其隸屬度函數(shù)如圖5所示。

圖5 GDi的隸屬度函數(shù)

結合電梯專家的知識和經驗，輸入變量與目標的可信度推理關系為: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 目標可信度的模糊規(guī)則圖

4 魚群算法對模糊推理線性回歸曲線的優(yōu)化

4.1 優(yōu)化方法

根據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)據的學習樣本，借助人工魚群算法的全局搜索能力，獲得計算它們的決策函數(shù)，可以克服模糊推理缺乏學習能力的缺點。HCWT、maxHCWT、CV、GD既是樣本數(shù)據獲取的基礎，也是人工魚群算法的輸入。當人工魚群算法訓練完畢，即可獲得相應可信度的決策函數(shù)。此后，在群控調度計算派梯方案時，就可以根據決策函數(shù)直接計算得到每臺電梯的指標可信度。

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

以基于人工魚群算法作為群控中采用的算法，并建立相應的決策機制，學習數(shù)據通過模糊推理得到，訓練階段的關鍵步驟如下:

Step1:采集呼梯信號以及各臺電梯狀態(tài)信息；

Step2:計算HCWT、maxHCWT、CV、GD的值；

Step3:模糊推理獲得相應的SAWTi、SLWPi和SRNCi的值；

Step4:重復Step1到Step3，直到獲得預定數(shù)量的數(shù)據后，根據圖6中的關系，劃分為（HCWT，CV，SAWTi），（maxHCWT，CV，SLWPi）和（maxHCWT，GD，SRNCi）3個集合的相應學習樣本；

Step5:訓練3個學習樣本集合相應的人工魚群直至收斂；

Step6:保存人工魚群尋優(yōu)相關結果。

4.2 魚群算法的設計

在訓練階段，最重要的一個步驟是用人工魚群算法實現(xiàn)多元回歸決策函數(shù)的求解。本研究采用魚群算法優(yōu)化這個多元線性回歸函數(shù)中的b0,b1,b2,b3,b4參數(shù)。設計食物濃度函數(shù)為:

目前，還沒有一般的解析方法能夠對離散人工魚群算法的trynumber、visual、number、maxgen等重要參數(shù)進行確定，所以只能通過先保持其他參數(shù)不動，然后再對每一參數(shù)進行調整來觀測其對算法性能的影響。經多次試驗分析，選取魚群規(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step=3，試探次數(shù)trynumber=200。

魚群算法具體步驟如下:

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

Step2:根據選定的參數(shù)，隨機生成指定數(shù)目的人工魚個體，用于魚群的初始化；

Step3:選取魚群中最大的食物濃度，將其放入到公告板中；

Step4:對于每條人工魚執(zhí)行以下操作:

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

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

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

Step6:調用基于人工魚群算法完畢，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，其對應的人工魚即為最優(yōu)的參數(shù)。

5 仿真評測實驗

為準確方便地評價群控算法的優(yōu)劣，本研究用Visual C#2010開發(fā)了一個電梯群控仿真平臺。該平臺能設置不同的建筑物和電梯參數(shù)來動態(tài)構成測試環(huán)境，通過DLL接口導入不同的群控算法，模擬不同的交通模式生成客流數(shù)據，對群控算法進行調度仿真和實時評測。

本研究在該電梯群控仿真平臺上對該算法優(yōu)化前后進行了評測與對比分析。設定建筑物層數(shù)為16層，樓層高度為4 m，電梯數(shù)為4臺，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，開門時間為2 s，關門時間為1 s，保持時間2 s。交通流數(shù)據:上行高峰（8∶30～9∶30，總1 000人/次）。經72個小時的客流數(shù)據對算法進行訓練，并對優(yōu)化前后的多目標控制群控算法進行評測。評測數(shù)據如表3所示。

表3 優(yōu)化前后的群控算法性能指標比較

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、平均乘梯時間、長候梯率分別減少12.49%、22.11%、44.44%，且電梯能耗減少18.51%。可見相比優(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 結束語

本研究綜合考慮了電梯運行效率、服務質量和能耗方面的3個指標，并將其作為電梯群控的目標。針對模糊推理缺乏學習性的特點，在評價函數(shù)的計算方式中引入了人工魚群算法多元線性回歸，通過訓練人工魚群算法得到計算目標可信度的決策函數(shù)，并將之應用到群控決策中。經電梯群控仿真平臺的評測，該模糊控制調度算法經魚群算法的優(yōu)化，平均候梯、平均乘梯時間、長候梯率和能耗指標都比優(yōu)化前有明顯的改善。

下一步的工作是群控仿真平臺上試驗魚群算法不同配置參數(shù)對群控算法的優(yōu)化效果，選取最佳的配置參數(shù)進行訓練魚群算法，并將優(yōu)化后的群控算法用于實際的群控系統(tǒng)。

（References）:

［1］楊禎山，邵 誠.電梯群控技術的現(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.目的層預約的模糊神經網絡電梯群控策略［J］.華南理工大學學報:自然科學版，2007，35（1）:13-18.

［5］李曉磊，邵之江，錢積新.一種基于動物自治體的尋優(yōu)模式:魚群算法［J］.系統(tǒng)工程理論與實踐，2002，22（11）:32-38.

［6］袁 遠.基于改進人工魚群算法的配電網無功優(yōu)化［D］.南京:南京理工大學動力工程學院，2008.

［7］楊 麗.基于人工魚群算法的圖像配準的研究與實現(xiàn)［D］.西安:西安電子科技大學機電工程學院，2009.

［8］劉李釗.基于魚群克隆遺傳算法的配電網絡重構研究［D］.長沙:中南大學信處科學與工程學院，2011.

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

［10］張 昆，段其昌，張從力.基于模糊控制的多目標電梯群控技術［J］.儀器儀表學報，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:蘭州交通大學自動化與電氣工程學院，2011.