付麗君，牟曉晨

(沈陽理工大學 自動化與電氣工程學院，沈陽 110159)

電梯群控技術是一個重要的研究課題，許多先進的群控算法和控制方式都被應用到電梯群控系統(tǒng)中。1997年，迅達電梯公司提出目的層客流管理系統(tǒng)，就是將外呼上下行按鈕改為目標層選取，并反饋所派轎廂序號引導乘客乘梯[1]。目前在國內對于目的層預約模式的群控策略研究還處于起步階段，這種具有新型客流分配模型的電梯群控系統(tǒng)成為新的研究熱點和發(fā)展方向。1965年，使用隸屬關系來表示數(shù)據(jù)差異的想法被提出，后來演變?yōu)槟：刂扑惴?。模糊控制就是對于輸入?yún)?shù)進行模糊化，并根據(jù)參數(shù)映射的模糊規(guī)則關系確定輸出模糊量，最后將模糊量清晰化得到結果。目前模糊控制研究已經(jīng)相對成熟，其控制參數(shù)的選擇以及模糊規(guī)則的選取對結果的影響尤為重要[2]。20世紀90年代Dorigo等提出蟻群算法[3]，這是一種仿生算法，算法開始時，螞蟻選擇路徑概率相同，并且行動時留下信息素，后來，螞蟻根據(jù)信息素的多少有選擇性的對路徑進行選擇，由于路徑長信息素的濃度低，因此形成一種正反饋機制。目前基于蟻群算法的應用非常廣泛，它類似于粒子群算法，經(jīng)常被用于優(yōu)化參數(shù)。

目的層預約型電梯群控方法對于電梯群控算法的要求很高，要實時分析數(shù)據(jù)預測所需參數(shù)值并給出合理的派梯策略[4]。通過對各種先進算法的研究發(fā)現(xiàn)，使用蟻群算法優(yōu)化模糊控制派梯策略理論上可以達到理想的優(yōu)化結果。建立合理的模糊規(guī)則，根據(jù)不同交通流的權值分配和模糊規(guī)則[5]，得到合適的派梯函數(shù)進行優(yōu)化派梯。本文建立基于目的層預約的電梯群控調度仿真模型，以上行高峰為例使用蟻群算法優(yōu)化模糊控制算法進而優(yōu)化派梯策略[6]。同時與未被優(yōu)化的參數(shù)做比較得出結論。

1 電梯群控模型的建立及仿真

1.1 目的層預約型電梯群控調度

目的層預約呼梯系統(tǒng)需要每位乘客輸入目的樓層，通過對目的層與起始層的大小判斷確定轎廂上下行。由于轎廂到達前已獲取了乘客的目的層，對于派梯算法而言，輸入?yún)?shù)包括了目的層，可以將起始層和目的層都輸入到群控派梯算法中。因此，目的層預約雖然對于乘客操作及判斷上多了些步驟，但對降低轎廂擁擠度和乘梯時間都有很大的作用。目的層預約呼叫面板獲取呼梯信息，包括乘客序號、呼梯時間、起始層、目的層。從單梯轎廂控制器中獲取轎廂位置，轎廂運行方向，轎廂已響應的呼叫。圖1是目的層預約型電梯群控的系統(tǒng)框圖。

圖1 目的層預約電梯群控系統(tǒng)框圖

1.2 客流量仿真

為了模擬呼梯情況，運用泊松過程及不同模式下隨機抽樣法建立客流量仿真模型。

1.2.1 時間信息確定

乘客到達的時間順序可以近似為一個泊松過程[7]，需要仿真的是下一位乘客到達的時間間隔。連續(xù)泊松過程的公式為

(1)

式中：P(t≤T)表示[0,t]，k名乘客乘梯概率；λ表示需要乘梯的人數(shù)；T表示時間周期。

則有乘客到達的概率為

Pk>0(t≤T)=1-e-λT

(2)

所以乘客到達時間間隔為

(3)

1.2.2 起始層與目標層確定

電梯運行大致分為如下幾種交通流：

(1)上行高峰：乘客大部分從基站出發(fā)；

(2)下行高峰：乘客大部分到基站；

(3)層間交流：上下行相對平衡狀態(tài)。

確定起始層與起始-目的矩陣，根據(jù)起始層與目的層不相等，確定目標層。首先產(chǎn)生范圍為[0,1]的隨機數(shù)，設置每層的概率范圍，以此確定起始層。再定義起始-目的矩陣OD。最后將j=起始層，i=j的元素去除，產(chǎn)生范圍為[0,1]的隨機數(shù)，設置除起始層外，所有層概率相同。

(4)

式中，元素odij(i,j=1,2,…,N)表示從i層到j層的客流量。

2 蟻群算法優(yōu)化模糊控制模型

在算法設計過程中，加入了對交通模式的識別，不同于其他算法，本設計將全局運算的模糊控制算法分為兩個局部運算的算法，首先通過建立貝葉斯模型分析采得數(shù)據(jù)來識別交通模式，再使用蟻群算法優(yōu)化參數(shù)，最后使用模糊控制算法優(yōu)化派梯方案。

2.1 交通模式識別

實際中的電梯交通流是以時間與總客流量為軸，確定高峰，以時間與上下行客流為軸確定模式。以此對上行高峰，下行高峰，層間交流三種交通模式進行識別。樣本空間為

U={w1,w2,w3}

(5)

式中:w1為上高峰模式；w2為下高峰模式；w3為層間交流模式。

預先確定各種模式的概率P(wi)以及特征值X。

(6)

X={x1，x2，x3}

(7)

式中：x1為5min內總客流量；x2為5min內下行至門廳的客流量；x3為5min內從門廳上行的客流量。

將一晝夜時間以5min等分為288份，根據(jù)不同交通模式下的條件概率密度函數(shù)，建立貝葉斯鑒別函數(shù)P(wi|x)[8]。

P(wi|x)=max{P(wi|x)}，(i=1,2,3)

(8)

x∈wi且最終根據(jù)離散時間-模式函數(shù)確定電梯運行模式。

2.2 模糊控制派梯策略

定義多目標評價函數(shù)，根據(jù)輸出變量選擇輸入變量并確定對應模糊規(guī)則。

Si=W1SAWT+W2SCC+W3SRPC

(9)

式中：W1、W2、W3代表權重系數(shù)；Si為評價函數(shù)值；SAWT為平均侯梯時間隸屬度函數(shù)；SCC為轎廂擁擠度隸屬度函數(shù)；SRPC為能源消耗隸屬度函數(shù)。

乘客等待時間(THCW)：

Ti HCW=Tmove+Tstop

(10)

式中，Tmove表示電梯運行時間；Tstop表示電梯?？繒r間。

如圖2a所示，將變量模糊化小于10秒為非?？?VFTHCW)；10秒到20秒為快(FTHCW)；20秒到35秒為一般(MTHCW)；35秒以上為慢(STHCW)。

轎廂剩余容量(CV)：

(11)

如圖2b所示，將變量模糊化20%以下為舒適(SCV)，40%到65%之間為一般(MCV)，超過65%為擁擠(CCV)。

圖2 乘客等待時間和轎廂剩余容量模糊隸屬函數(shù)

召喚集中程度(GD)是起始層位置與電梯需要響應呼叫的集中程度，可以反應轎廂的能耗。

(12)

式中，h為樓層高度；d為樓層與?？繕菍拥母叨炔?。

如圖3a所示，將變量模糊化20%以下為能耗小(SGD)，40%到65%之間能耗適中(MGD)，超過65%為能耗大(LGD)。

轎廂總利用率(UR)：響應呼叫的總概率。

(13)

式中：NF為總樓層數(shù)；CV0為轎廂額定容量；n為同方向召喚次數(shù)；NFi為第i層樓層與起始樓層的差值；NPi為第i層的人數(shù)。

如圖3b所示，將變量模糊化小于20%為低利用率(LUR)，大于60%為高利用率(HUR)，介于二者之間的為一般(MUR)。

圖3 召喚集中程度和轎廂總利用率模糊隸屬函數(shù)

根據(jù)輸入變量與輸出變量建立模糊控制規(guī)則[9]：

(1)等待時間與平均侯梯時間成正比；

(2)轎廂剩余容量與轎廂擁擠度成反比；

(3)召喚集中度，平均侯梯時間越短，能源消耗越低，但同時轎廂也越擁擠；

(4)轎廂總利用率與能耗成反比。

2.3 蟻群算法優(yōu)化模糊控制

蟻群算法是一種搜索最短路徑的算法，收斂快，將模糊控制算法得到的數(shù)據(jù)進一步優(yōu)化，得到最合適的派梯方案[10]。

(1)基于多目標評價函數(shù)的結果建立蟻群算法輸入矩陣

(14)

式中：D為多目標評價函數(shù)結果，輸入矩陣每個元素都是經(jīng)過模糊控制算法計算得到的實時數(shù)據(jù)；k為轎廂編號；i為電梯層數(shù)。

(2)定義最大迭代次數(shù)Nmax，螞蟻數(shù)量m，以轎廂位置為初始位置并初始化信息量τ(k,i)=1，Δτ(k,i)=0。

(3)螞蟻根據(jù)狀態(tài)轉移概率pk(k,i)選擇下一目的地

(15)

式中：τ(k,i)為螞蟻k到樓層i信息素量；α為信息素揮發(fā)因子；β為期望值揮發(fā)因子；allowed為螞蟻k選擇樓層。

(4)使用禁忌搜索方法，即螞蟻經(jīng)過的樓層被加入禁忌表，直到所有樓層都遍歷，將m只螞蟻中所得的最小值路徑保存。

(5)更新信息素

(16)

式中：1-ρ為信息素殘留因子；Q為信息強度；Ln為第n只螞蟻走的總長度。

(6)所有螞蟻都到終點標志著一次迭代完成，將禁忌表重置，迭代次數(shù)+1，重復迭代過程直到達到最大迭代次數(shù)Nmax。

3 仿真結果與分析

以6部20層的辦公樓電梯群為仿真對象，分別對客流量及算法進行仿真。

3.1 客流量仿真

對三種模式5分鐘內客流量進行仿真，設置到達率分別為0.65、0.85、0.15，仿真結果見表1。結果顯示，與輸入?yún)?shù)一致，符合各自模式客流特點。

表1 5分鐘內的客流量模擬結果 %

3.2 算法仿真

設置電梯最大速度3m/s，加速度1m/s2，樓層高度4m，電梯額定容量15人，開關門時間、每位乘客進出時間1s。以上高峰為例分配權重系數(shù)如下：

W1=0.7,W2=0.2,W3=0.1,ρ=0.2,

α=1,β=3,Q=100,Nmax=50

優(yōu)化前曲線如圖4a，優(yōu)化后曲線如圖4b。從縱坐標可以看出，優(yōu)化后效率提升25%，由此證明算法優(yōu)化確實有效。

4 結論

使用目的層預約呼梯，打破傳統(tǒng)呼梯方式，減少系統(tǒng)響應時間。結合蟻群算法優(yōu)化模糊控制算法，得出多目標評價函數(shù)值，做出最合適的派梯選擇。仿真結果顯示算法收斂快，且效率提升了約25%，該方法實際可操作性強，能夠應用于實際電梯群運行，有一定的實際應用價值。