CN106365003A - 一种多轿厢电梯群的优化调度方法 - Google Patents

Abstract

一种基于微粒群算法的多轿厢电梯群的优化调度方法，包括如下步骤：通过客流发生器产生客流信息，所述客流信息即厅层呼梯信号；参数初始化，包括采用的微粒群调度算法的种群大小、迭代次数等参数以及根据电梯运行信息确定的综合评价函数；利用微粒群算法进行优化计算，经过有限次迭代得出最优解，确定最佳派梯方案：将该派梯方案转换成控制信号，为各电梯合理分配呼梯信号，协调各电梯的运作，从而实现电梯群的优化调度。由于在调度算法中改进了全局极值的更新策略，获得了分布均匀的最优粒子，提高了算法收敛性及调度性能，同时避免了同一井道内运行轿厢可能发生碰撞的危险，保证了整个电梯系统的运行安全性及调度算法的有效性。

Description

一种多轿厢电梯群的优化调度方法

技术领域

本发明涉及一种电梯群的调度方法，尤其涉及一种基于微粒群算法的多轿厢电梯群的优化调度方法。

背景技术

传统的单轿厢电梯系统(Single Deck Elevator Systems,SDES)在客流超过一定程度以后，其运行效率会达到极限难以再提高，而增加电梯数量势必导致井道数量的增加，进而增加有效建筑面积的消耗。多轿厢电梯系统(Multi-Car Elevator Systems,MCES)，一般表示为xSyCzF,即，在z层建筑物中的电梯系统具有x个井道，每个井道有y个轿厢，MCES的出现恰可以用来克服以往的基于传统SDES交通配置所带来的乘客处理能力不足的问题。顾名思义，多轿厢电梯系统就是该电梯系统中可以在同一条电梯井道内运行多个电梯轿厢，一方面，可以提高对乘客的运送服务效率；另一方面，减少电梯设备在建筑物中占用的有效面积，特别是节省井道占有面积，这种配置对高层及超高层建筑意义重大。

多轿厢电梯群控系统是一个非线性、多输入-多输出的复杂系统。与单轿厢电梯系统不同的是，由于单个井道内要运行至少两个轿厢，所以MCES要额外考虑轿厢的冲撞、穿越及聚拢等问题，这都加深了对解决群控问题的复杂性的处理难度。

对于多轿厢电梯群控系统的研究，国内外研究学者提出的分区控制方法、遗传算法、微粒群算法等，不仅可以优化群控系统性能，还可以避免轿厢碰撞等问题。而微粒群算法(Particle Swarm Optimization,PSO)作为一种简单易实现的进化算法，对求解最优路径及多目标优化问题提供了很好的方法策略，它在电梯群控优化调度中的应用将会越来越普及。但在以往的电梯群控系统仿真研究中，通常采用的是近似估计的方法，由于候梯时间本身的值域很窄，估计模型略有误差就会与实际结果有很大的偏离，进而影响仿真的精度。

发明内容

本发明要解决的技术问题是提供一种基于微粒群算法的多轿厢电梯群的优化调度方法，以克服基于传统交通配置所带来的乘客处理能力不足的问题。

基于微粒群算法的多轿厢电梯群优化调度方法，包括如下步骤：

1.采用由群控制器、设置在各井道内的井道控制器和设置在各轿厢内的轿厢控制器构成的多轿厢电梯群优化调度系统；

2.通过客流发生器产生客流信息，所述客流信息即厅层呼梯信号；

3.采集客流信息，并进行参数初始化；

(1)给定微粒群算法的种群大小、迭代次数，并输入待优化的参数；

群体初始化时需要对粒子进行整数编码，设定粒子最大规模为n个，粒子的维度为D；群体中的每个粒子代表一种派梯方案，粒子的维数D取决于当前正在处理的呼梯信号数；粒子的每一维就代表一个呼梯任务，即第i电梯响应第j层站呼梯信号，其取值就表示为响应第j个呼梯任务的电梯号i；每次寻找最优派梯方案时，粒子的维数随呼梯信号数的变化而变化；初始化时，随机地为每个呼梯信号派遣电梯；

(2)获取电梯运行状态参数(电梯运行的状态信息、呼梯响应情况、轿厢使用情况信息)，根据获取的电梯运行状态参数，计算出候梯时间、乘梯时间、长候梯率三个分目标的评价函数值；

①.乘客候梯时间WT

候梯时间指乘客到达电梯前厅或某楼层后按下呼梯按钮，到电梯到达，乘客进入电梯这段时间间隔；

根据电梯的动力学特性给出候梯时间准确的计算模型：

$\left\{\begin{array}{c}WT=T_r+T_s\\ T_r=f(H,a_m,v_m)\end{array}\right.$

其中：T_r为轿厢的运行时间，T_s为轿厢的停车时间，H为轿厢的运行距离，a_m为轿厢的最大加速度，v_m为轿厢的最大速度，j_m为轿厢的最大加速度率；

■T_r根据不同的运行距离计算如下：

a)当H满足时，电梯在运行区间达到全速，则T_r为：

$T_r=\frac{H}{v_m}+\frac{a_m}{j_m}+\frac{v_m}{a_m}$

b)当H满足时，电梯不能达到全速运行状态，但是会达到最大加速度，则T_r为：

$T_r=\frac{a_m}{j_m}(1+\sqrt{1+\frac{4{\mathrm{Hj}}_m}{a_m}})$

c)当H满足时，电梯既达不到全速，也达不到最大加速度，则T_r为：

$T_r=\sqrt[3]{\frac{32H}{j_m}}$

■T_s包括：开门时间T_open、乘客出入时间T_{in_out}及关门时间T_close，T_s计算如下：

T_s＝T_open+T_{in_out}+T_close

对每个乘客出入轿厢的时间取以固定值T_p，则乘客出入时间T_{in_out}为：

T_{in_out}＝r_average×T_p

②.乘客乘梯时间RT

乘梯时间始于乘客进入轿厢后，按下轿厢呼叫按钮这一刻，到该乘客到达目的层，离开轿厢那一刻为止的这段时间；乘梯时间包括：轿厢运行时间T_r和轿厢停车时间T_s，即RT＝T_r+T_s，其计算方法与候梯时间的计算方法相同；

③.长侯梯率LWP

长候梯时间是指候梯时间超过60s的候梯时间，长候梯率指长候梯时间发生的百分率；

长候梯率采用长候梯时间的乘客数与总候梯乘客数的比值来计算：

$LWP=\frac{\underset{i=1}{\overset{j}{\Σ}}{n}_i}{N}$

式中，N表示总乘客数，n_i表示第i层的长候梯时间的乘客数，j表示发生候梯情况的楼层数目；

(3)根据识别的当前的交通流模式，确定调用的各评价函数相应的权重系数，从而确定综合评价函数；

将各个目标函数加权组合构成综合评价函数，公式形式如下：

$F\left(Z\right)=min\underset{j=1}{\overset{n}{\Σ}}{w}_j{\stackrel{\‾}{f}}_j\left(Z\right)$

式中，是各优化目标的评价函数，Z表示派梯方案，权系数w_j≥0，表示各目标在总评价函数中的重要程度，这里，取

为消除因分目标函数值在数量级上有较大差别而导致的误差，先将目标函数做一次规格化，使目标函数值转化为统一的无量纲值，并将量级限制于[0,1]之间；然后，再根据各个目标的重要性用加权因子来组合构造“统一目标函数”；令

f_j(Z)∈[α_j,β_j],(j＝1,2,3,4)

其中：f_j(Z)表示各目标函数，α_j，β_j分别表示各优化目标的临界值，取规格化函数：

$y=\frac{4x}{\mathrm{\π}}-\sin x,(0\≤x\≤\frac{\mathrm{\π}}{2})$

则对应于的转换函数的自变量为

$z_j=\frac{f_j\left(Z\right)-{\mathrm{\α}}_j}{2({\mathrm{\β}}_j-{\mathrm{\α}}_j)}\×\mathrm{\π},(j=1,2,3,4)$

转换后的目标函数为

${\stackrel{\‾}{f}}_j\left(Z\right)=\frac{4z_j}{\mathrm{\π}}-\sin z_j,(0\≤z_j\≤\frac{\mathrm{\π}}{2})$

4、利用微粒群算法进行优化计算，经过有限次迭代得出最优解，确定最佳派梯方案：

(1)根据初始粒子群初始化外部档案中的粒子

通过引入Pareto支配概念比较目标向量，采用存档策略将整个迭代过程中产生的非支配解存储于一个外部档案中，并从中选择全局最优位置，进而得到一系列非支配解；

在外部档案初始化时，先将外部档案以信息矩阵ST的形式保存粒子信息，即将粒子的“位置”信息与“各目标函数适应度f₁(Z)，f₂(Z)，f₃(Z)”信息集合，生成ST矩阵—IM矩阵共有n行，D+4(D为粒子的维度)列；前D列存放n个粒子的位置信息，第D+1列，D+2列，D+3列分别对应存放各目标函数的适应度值信息f₁(Z)，f₂(Z)，f₃(Z)；第D+4列存放对应粒子的计算距离信息；通过Pareto支配关系确定非支配解集，并将粒子信息同步更新到ST矩阵中，完成外部档案初始化；

(2)基于粒子间的一种距离机制，降序排列粒子，并从前列选取全局极值，再根据更新方程更新每个粒子的速度和位置信息；

全局最优粒子就是从外部档案中根据一种距离机制(即：总和相邻两个优化粒子对应的各目标值的差)选取的；根据该距离机制首先计算外部档案中每个非支配解的距离，并将所有个体按计算出的距离降序排列，以从中选择的粒子具有全局搜索到真实Pareto最优解的能力；依据这种距离机制，计算得出的距离值越大，表明该粒子越均匀分布在目标空间；因此在所有个体按该距离降序排序后，设定选择排在前10％的粒子作为全局最优解的选择范围，再从中随机选择一行作为全局极值；这样一来，随机选择出的全局最优粒子就是一个处于Pareto前沿中分散区域的个体，保证了解的多样性，引导粒子尽最大可能地发现高质量的新解；

在更新全局极值的选取策略后，其基本运算是粒子的速度和位置更新：

$\left\{\begin{array}{c}{v}_{ld}^{t+1}=w\×v_{ld}^t+c_1\×{\mathrm{rand}}_1\×\left(p_{ld}-x_{ld}^t\right)+c_2\×{\mathrm{rand}}_2\×\left(p_{gd}-x_{ld}^t\right)\\ x_{ld}^{t+1}=v_{ld}^t+v_{ld}^{t+1}\end{array}\right.$

式中，t为迭代次数，l＝1,2,…,n(n为粒子群规模)，d＝1,2,…,D，c₁、c₂为学习因子，w为惯性权重，rand₁，rand₂为两个在[0,1]区间内相互对立的随机数，p_ld为单个粒子的局部最优位置，p_gd为经过改进算法更新的所有粒子的全局最优位置；

(3)外部档案的更新

粒子信息更新后，继续采用选定的距离机制更新外部档案；更新策略如下：当算法运行到第t次迭代时，设外部档案中粒子a₁个，此时外部粒子种群记为S^t，粒子群最大规模为n(a₁≤n)；设内部粒子种群经更新操作后，将产生的b₁个非支配个体复制到外部档案集中，则外部粒子种群记为S₁；在种群S₁中先删除重复个体，再标记并删除可支配个体，此时种群中非支配个体数为a₂(a₂≤a₁+b₁)，然后根据选定的一种距离机制，计算这a₂个非劣个体的距离值，并将所有粒子根据各自的计算距离值作一个从大到小的排序，将此时的种群记为S₂；最后判断种群S₂中的个体数a₂是否已达到最大容量n，若a₂≤n，则没达到最大容量，此时更新的外部档案S^t+1个体即为a₂；否则，进行裁剪操作，如果具有最小距离值的个体重复，则排除重复个体，否则，直接从外部档案中删除；之后判断外部档案的容量是否超出最大值，若超出，继续进行裁剪操作排除重复劣势个体，否则结束裁剪操作，最后仅保留种群S₂中的前n个体，此时更新的外部档案S^t+1个体即为n；

(4)判断是否达到最大迭代次数；若达到，则输出最终全局极值即派梯方案，否则继续迭代运算；

5.将该派梯方案转换成控制信号，为各电梯合理分配呼梯信号，协调各电梯的运作，从而实现电梯群的优化调度。

进一步地，当微粒群算法确定好最佳派梯方案，由群控制器向轿厢发送控制命令，然后应用井道控制器应先判断这种轿厢分配方案是否可行，即在同一井道内是否存在相邻轿厢碰撞或穿越的情况。以针对由于多轿厢电梯系统存在同一井道内，有多个电梯运行的特点，解决同一井道内电梯间的发生碰撞问题。

进一步地，井道控制器应判断这种轿厢分配方案是否可行是通过计算相邻两轿厢目前所在的楼层数的差Δ，若Δ值大于等于l，即该路径可行。

进一步地，所述交通流模式分为上行高峰模式、下行高峰模式和层间交通模式。

本发明的有益效果是：

1)获得分布均匀的Pareto前沿，所以全局极值要选取处于Pareto前沿中分散区域的点，引导粒子群向分散区域的进化。该方法对全局极值更新策略的选取，获得了分布均匀的最优粒子，使得微粒群算法避免陷入局部最优或快速收敛，提高了基于微粒群算法的电梯调度的优化性能，克服基于传统交通配置所带来的乘客处理能力不足的问题。

2)保障了多轿厢电梯系统中同一井道内轿厢的运行安全。

本发明为各井道分别提供了井道控制器，用于检测轿厢间的碰撞问题保证安全。井道控制器通过计算相邻两轿厢目前所在的楼层数的差Δ来判断同一井道内是否存在相邻轿厢碰撞或穿越的情况，进而可以避免传统方法的同一井道内运行轿厢可能发生碰撞的危险。

3)本发明通过通过规格化技术，对各目标函数进行无量纲处理，使各个分目标函数f_j(Z)转换为无量纲且等量级的目标函数消除了函数值在量级上的较大差别，使得统一了各目标函数的量纲，确定了综合评价函数，有利于综合评价函数的数学运算和比较分析。

附图说明

图1是本发明中微粒群算法运行中外部档案的更新策略图；

图2是本发明中多轿厢电梯系统的整体优化调度系统结构图；

图3是本发明中的多轿厢电梯系统的调度策略仿真结果示意图；

图4是本发明中多轿厢电梯系统的优化调度综合评价值的离线性能仿真结果示意图；

图5是本发明中多轿厢电梯系统在不同交通配置及不同乘客到达率下的乘梯服务完成时间的仿真结果示意图；

图6是本发明中多轿厢电梯系统在一般交通模式下的平均候梯时间仿真结果示意图；

图7是本发明中多轿厢电梯系统在上行高峰模式下的平均候梯时间仿真结果示意图；

图8是本发明中多轿厢电梯系统在下行高峰模式下的平均候梯时间仿真结果示意图。

具体实施方式

基于微粒群算法的多轿厢电梯群优化调度方法，包括如下步骤：

1、采用由群控制器、设置在各井道内的井道控制器和设置在各轿厢内的轿厢控制器构成的多轿厢电梯群优化调度系统。

2.通过客流发生器产生客流信息，所述客流信息即厅层呼梯信号。

3.采集客流信息，并进行参数 初始化

(1)给定微粒群算法的种群大小、迭代次数，并输入待优化的参数；

群体初始化时需要对粒子进行整数编码，设定粒子最大规模为n个，粒子的维度为D；群体中的每个粒子代表一种派梯方案，粒子的维数D取决于当前正在处理的呼梯信号数；粒子的每一维就代表一个呼梯任务，即第i电梯响应第j层站呼梯信号，其取值就表示为响应第j个呼梯任务的电梯号i。例如，粒子X1，若X(1,D)就表示粒子1的派梯方案，即对于D个呼梯任务的派梯响应；若X(1,2)＝4，就表示粒子1的派梯方案中，对第2个呼梯信号派遣4号梯。每次寻找最优派梯方案时，粒子的维数随呼梯信号数的变化而变化。初始化时，随机地为每个呼梯信号派遣电梯。

(2)根据电梯运行的状态信息、呼梯响应情况、轿厢使用情况信息，计算出候梯时间、乘梯时间、长候梯率三个分目标的评价函数值。

①.乘客候梯时间WT

候梯时间指乘客到达电梯前厅或某楼层后按下呼梯按钮，到电梯到达，乘客进入电梯这段时间间隔；在仿真实验中，也就是从客流发生器生成乘客信息(即呼梯信号)的一刻开始，至电梯到达该呼梯楼层为止这段时间；根据电梯的动力学特性给出候梯时间准确的计算模型：

$\left\{\begin{array}{c}WT=T_r+T_s\\ T_r=f(H,a_m,v_m)\end{array}\right.$

其中：T_r为轿厢的运行时间，T_s为轿厢的停车时间，H为当轿厢的运行距离，a_m为轿厢的最大加速度，v_m为轿厢的最大速度，j_m为轿厢的最大加速度率。

■T_r根据不同的运行距离计算如下：

a)当H满足时，电梯在运行区间达到全速，则T_r为：

$T_r=\frac{H}{v_m}+\frac{a_m}{j_m}+\frac{v_m}{a_m}$

b)当H满足时，电梯不能达到全速运行状态，但是会达到最大加速度，则T_r为：

$T_r=\frac{a_m}{j_m}(1+\sqrt{1+\frac{4{\mathrm{Hj}}_m}{a_m}})$

c)当H满足时，电梯既达不到全速，也达不到最大加速度，则T_r为：

$T_r=\sqrt[3]{\frac{32H}{j_m}}$

■T_s包括：开门时间T_open、乘客出入时间T_{in_out}及关门时间T_close，T_s计算如下：

T_s＝T_open+T_{in_out}+T_close

对每个乘客出入轿厢的时间取以固定值T_p，则乘客出入时间T_{in_out}为：

T_{in_out}＝r_average×T_p

②.乘客乘梯时间RT

乘梯时间始于乘客进入轿厢后，按下轿厢呼叫按钮这一刻，到该乘客到达目的层，离开轿厢那一刻为止的这段时间；与候梯时间的估计模型类似，也需要通过电梯轿厢的速度、开关门时间、进出乘客数等来进行预估计。乘梯时间包括：轿厢运行时间T_r和轿厢停车时间T_s，计算公式如下：RT＝T_r+T_s

T_r、T_s计算方法与候梯时间的计算方法相同。

③.长侯梯率LWP

长候梯时间是指候梯时间超过60s的候梯时间，长候梯率指长候梯时间发生的百分率；通常，乘客的心理烦躁程度与候梯时间的平方成正比，当候梯时间超过60s时，乘客的心理烦躁程度会急剧上升，所以应该尽量减少长时间候梯情况的发生；

长候梯率采用长候梯时间的乘客数与总候梯乘客数的比值来计算：

$LWP=\frac{\underset{i=1}{\overset{j}{\Σ}}{n}_i}{N}$

式中，N表示总乘客数，n_i表示第i层的长候梯时间的乘客数，j表示发生候梯情况的楼层数目。

(3)根据识别的当前的交通模式，确定调用的各评价函数相应的权重系数，从而确定综合评价函数；所述交通流模式分为上行高峰模式(Up-Peak)、下行高峰模式(Down-Peak)、层间交通模式(Inter-floor，这里作Regular描述)；

将各个目标函数加权组合构成综合评价函数，公式形式如下：

$F\left(Z\right)=min\underset{j=1}{\overset{n}{\Σ}}{w}_j{\stackrel{\‾}{f}}_j\left(Z\right)$

式中，是各优化目标的评价函数，Z表示派梯方案，权系数w_j≥0，表示各目标在总评价函数中的重要程度，这里，取

为消除因分目标函数值在数量级上有较大差别而导致的误差，先将目标函数做一次规格化，使目标函数值转化为统一的无量纲值，并将量级限制于[0,1]之间。然后，再根据各个目标的重要性用加权因子来组合构造“统一目标函数”；令

f_j(Z)∈[α_j,β_j],(j＝1,2,3,4)

其中：f_j(Z)表示各目标函数，α_j，β_j分别表示各优化目标的临界值，

取规格化函数：

$y=\frac{4x}{\mathrm{\π}}-\sin x,(0\≤x\≤\frac{\mathrm{\π}}{2})$

则对应于的转换函数的自变量为

$z_j=\frac{f_j\left(Z\right)-{\mathrm{\α}}_j}{2({\mathrm{\β}}_j-{\mathrm{\α}}_j)}\×\mathrm{\π},(j=1,2,3,4)$

转换后的目标函数为

${\stackrel{\‾}{f}}_j\left(Z\right)=\frac{4z_j}{\mathrm{\π}}-\sin z_j,(0\≤z_j\≤\frac{\mathrm{\π}}{2})$

4、利用微粒群算法进行优化计算，经过有限次迭代得出最优解，确定最佳派梯方案：

(1)根据初始粒子群初始化外部档案中的粒子

通过引入Pareto支配概念比较目标向量，采用存档策略将整个迭代过程中产生的非支配解存储于一个外部档案中，并从中选择全局最优位置，进而得到一系列非支配解；

所以在外部档案初始化时，先将外部档案以信息矩阵ST的形式保存粒子信息，即将粒子的“位置”信息与“各目标函数适应度f₁(Z)，f₂(Z)，f₃(Z)”信息集合，生成ST矩阵—IM矩阵共有n行，D+4(D为粒子的维度)列；前D列存放n个粒子的位置信息，第D+1列，D+2列，D+3列分别对应存放各目标函数的适应度值信息f₁(Z)，f₂(Z)，f₃(Z)；第D+4列存放对应粒子的计算距离信息。再通过Pareto支配关系确定非支配解集，并将粒子信息同步更新到ST矩阵中，完成外部档案初始化；

(2)基于粒子间的一种距离机制，降序排列粒子，并从前列选取全局极值，再根据更新方程更新每个粒子的速度和位置信息；

外部档案初始化后，为Pareto前沿的均匀分布提供了一定的保证，而全局最优粒子就是从外部档案中根据一种距离机制(即：总和相邻两个优化粒子对应的各目标值的差)选取的；根据该距离机制首先计算外部档案中每个非支配解的距离，并将所有个体按计算出的距离降序排列，以从中选择的粒子具有全局搜索到真实Pareto最优解的能力。依据这种距离机制，计算得出的距离值越大，表明该粒子越均匀分布在目标空间。因此在所有个体按该距离降序排序后，本文设定选择排在前10％的粒子作为全局最优解的选择范围，再从中随机选择一行作为全局极值。这样一来，随机选择出的全局最优粒子就是一个处于Pareto前沿中分散区域的个体，保证了解的多样性，引导粒子尽最大可能地发现高质量的新解。

在更新全局极值的选取策略后，其基本运算是粒子的速度和位置更新：

$\left\{\begin{array}{c}{v}_{ld}^{t+1}=w\×v_{ld}^t+c_1\×{\mathrm{rand}}_1\×\left(p_{ld}-x_{ld}^t\right)+c_2\×{\mathrm{rand}}_2\×\left(p_{gd}-x_{ld}^t\right)\\ x_{ld}^{t+1}=v_{ld}^t+v_{ld}^{t+1}\end{array}\right.$

式中，t为迭代次数，l＝1,2,…,n(n为粒子群规模)，d＝1,2,…,D，c₁、c₂为学习因子，w为惯性权重，rand₁，rand₂为两个在[0,1]区间内相互对立的随机数，p_ld为单个粒子的局部最优位置，p_gd为经过改进算法更新的所有粒子的全局最优位置。

(3)外部档案的更新。

粒子信息更新后，继续采用选定的距离机制更新外部档案。更新策略如图1所示：当算法运行到第t次迭代时，设外部档案中粒子a₁个，此时外部粒子种群记为S^t，粒子群最大规模为n(a₁≤n)；设内部粒子种群经更新操作后，将产生的b₁个非支配个体复制到外部档案集中，则外部粒子种群记为S₁；在种群S₁中先删除重复个体，再标记并删除可支配个体，此时种群中非支配个体数为a₂(a₂≤a₁+b₁)，然后根据选定的一种距离机制，计算这a₂个非劣个体的距离值，并将所有粒子根据各自的计算距离值作一个从大到小的排序，将此时的种群记为S₂；最后判断种群S₂中的个体数a₂是否已达到最大容量n，若a₂≤n，则没达到最大容量，此时更新的外部档案S^t+1个体即为a₂；否则，进行裁剪操作，如果具有最小距离值的个体重复，则排除重复个体，否则，直接从外部档案中删除。之后判断外部档案的容量是否超出最大值，若超出，继续进行裁剪操作排除重复劣势个体，否则结束裁剪操作，最后仅保留种群S₂中的前n个体，此时更新的外部档案S^t+1个体即为n。

(4)判断是否达到最大迭代次数。若达到，则输出最终全局极值(即派梯方案)，否则继续迭代运算；

5、将该派梯方案转换成控制信号，为各电梯合理分配呼梯信号，协调各电梯的运作，从而实现电梯群的优化调度。当微粒群算法确定好最佳派梯方案，由群控制器向轿厢发送控制命令，然后应用井道控制器应先判断这种轿厢分配方案是否可行，即在同一井道内是否存在相邻轿厢碰撞或穿越的情况。井道控制器应判断这种轿厢分配方案是否可行是通过计算相邻两轿厢目前所在的楼层数的差Δ，若Δ值大于等于l，即该路径可行。以针对由于多轿厢电梯系统存在同一井道内，有多个电梯运行的特点，解决同一井道内电梯间的发生碰撞问题。

如图2所示，由多轿厢电梯系统的整体优化调度结构可以看出，MCES是一个分层级的处理结构，上中下三级分别为群控制器、井道控制器、轿厢控制器，而且，每个井道都对应有一个独立的井道控制器，每个井道中的每个轿厢也对应有一个独立的轿厢控制器，这样一来，有利于控制各井道内各个轿厢的移动，检测是否发生碰撞，并保证轿厢安全，同时，还能与群控制器进行信息交流反馈。在最上级的群控制器中，它包含有四个功能：

a.获取电梯当前运行数据，诸如每个轿厢的运行方向、速度及当前所在楼层和轿厢内乘客人数估计；

b.采集客流信息，根据登记的呼梯信号，获取乘客外呼信息；

c.识别当前交通流模式，本发明采用模糊神经网络算法进行识别，确定当前属于哪种交通流模式，并给出各个分目标对应的权重系数，从而确定目标评价函数；

d.采用调度算法，计算电梯群本发明采用多目标粒子群算法(PSO)来实现调度，得出最佳派梯方案，查询井道控制器，检测轿厢碰撞参数Δ，根据Δ值选择出最佳轿厢，响应呼梯请求，并对轿厢发送控制指令。

多轿厢电梯系统的调度策略仿真结果如图3所示。

在仿真实验中，将微粒群算法应用于MCES的调度优化中进行仿真实验，以验证该算法对MCES的调度优化依然具有有效性和优越性。

建筑物和电梯的仿真参数如表1、2所示：

表1.建筑物参数

表2.电梯参数

如图4所示，在MCES中采用离线性能对改进算法进行评估，主要比较三种客流交通模式：上行高峰模式(Up-Peak)、下行高峰模式(Down-Peak)、层间交通模式(Inter-floor，这里作Regular描述)下，综合评价值在微粒群进化过程中的变化。图中，横坐标表示迭代次数，纵坐标表示综合评价值的离线性能。仿真结果表明，三种客流交通模式下的综合评价值随着迭代次数的增加都在逐渐减小，系统优化调度电梯的性能越来越好。

如图5所示，表示的是依据不同电梯交通配置下，随着逐渐增大的客流强度的服务完成时间、平均候梯时间的曲线图变化。随着客流强度的不断增大，不同电梯交通配置下的服务完成时间都有较大的增长。结果表明，在同井道数量时2S2C和2S1C两种电梯交通配置下，2S2C的MCES的服务完成时间明显优于SDES，其乘客处理能力更优；在同轿厢数量时2S2C和4S1C两种电梯交通配置下，两者的乘客处理基本相当，但前者节省了井道占有面积。

如图6-图8所示，表示等同轿厢数量下，在三种客流交通模式下的，不同电梯交通配置的乘客平均候梯时间。结果再次表明，MCES相对于SDES虽然乘客处理能力基本相当，但节省了井道面积。

如表3所示，表示本发明采用的经改进的微粒群算法与传统算法对AWT的优化情况的比较。

表3.改进前后的微粒群算法对平均候梯时间的优化情况

结果表明，本发明选用的多轿厢电梯群控优化调度算法，不仅能有效优化调度单轿厢电梯系统，对多轿厢电梯系统的优化调度也同样适用，并且在三种客流交通模式下，平均候梯时间均有不同程度的改进。

从上述仿真实验结果来看，基于一种微粒群算法的多轿厢电梯系统的调度优化可行有效，能有效减少乘客平均候梯时间和井道占有面积，节省建筑成本，提供服务性能。

以上仅为本发明的具体实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于微粒群算法的多轿厢电梯群优化调度方法，其特征是包括如下步骤：

1).采用由群控制器、设置在各井道内的井道控制器和设置在各轿厢内的轿厢控制器构成的多轿厢电梯群优化调度系统；

2).通过客流发生器产生客流信息，所述客流信息即厅层呼梯信号；

3).参数初始化；

(3.1)给定微粒群算法的种群大小、迭代次数，并输入待优化的参数；

群体初始化时需要对粒子进行整数编码，设定粒子最大规模为n个，粒子的维度为D；群体中的每个粒子代表一种派梯方案，粒子的维数D取决于当前正在处理的呼梯信号数；粒子的每一维就代表一个呼梯任务，即第i电梯响应第j层站呼梯信号，其取值就表示为响应第j个呼梯任务的电梯号i；每次寻找最优派梯方案时，粒子的维数随呼梯信号数的变化而变化；初始化时，随机地为每个呼梯信号派遣电梯；

(3.2)根据电梯运行的状态信息、呼梯响应情况、轿厢使用情况信息，计算出候梯时间、乘梯时间、长候梯率三个分目标的评价函数值；

①.乘客候梯时间WT

候梯时间指乘客到达电梯前厅或某楼层后按下呼梯按钮，到电梯到达，乘客进入电梯这段时间间隔；

根据电梯的动力学特性给出候梯时间准确的计算模型：

$\left\{\begin{array}{c}WT=T_r+T_s\\ T_r=f(H,a_m,v_m)\end{array}\right.$

其中：T_r为轿厢的运行时间，T_s为轿厢的停车时间，H为轿厢的运行距离，a_m为轿厢的最大加速度，v_m为轿厢的最大速度，j_m为轿厢的最大加速度率；

■ T_r根据不同的运行距离计算如下：

a)当H满足时，电梯在运行区间达到全速，则T_r为：

$T_r=\frac{H}{v_m}+\frac{a_m}{j_m}+\frac{v_m}{a_m}$

b)当H满足时，电梯不能达到全速运行状态，但是会达到最大加速度，则T_r为：

$T_r=\frac{a_m}{j_m}(1+\sqrt{1+\frac{4{\mathrm{Hj}}_m}{a_m}})$

c)当H满足时，电梯既达不到全速，也达不到最大加速度，则T_r为：

$T_r=\sqrt[3]{\frac{32H}{j_m}}$

■ T_s包括：开门时间T_open、乘客出入时间T_{in_out}及关门时间T_close，T_s计算如下：

T_s＝T_open+T_{in_out}+T_close

对每个乘客出入轿厢的时间取以固定值T_p，则乘客出入时间T_{in_out}为：

T_{in_out}＝r_average×T_p

②.乘客乘梯时间RT

乘梯时间始于乘客进入轿厢后，按下轿厢呼叫按钮这一刻，到该乘客到达目的层，离开轿厢那一刻为止的这段时间；乘梯时间包括：轿厢运行时间T_r和轿厢停车时间T_s，即RT＝T_r+T_s，其计算方法与候梯时间的计算方法相同；

③.长侯梯率LWP

长候梯时间是指候梯时间超过60s的候梯时间，长候梯率指长候梯时间发生的百分率；

长候梯率采用长候梯时间的乘客数与总候梯乘客数的比值来计算：

$LWP=\frac{\underset{i=1}{\overset{j}{\Σ}}{n}_i}{N}$

式中，N表示总乘客数，n_i表示第i层的长候梯时间的乘客数，j表示发生候梯情况的楼层数目；

(3.3)根据当前的交通模式，确定调用的各评价函数相应的权重系数，从而确定综合评价函数；

将各个目标函数加权组合构成综合评价函数，公式形式如下：

$F\left(Z\right)=min\underset{j=1}{\overset{n}{\Σ}}{w}_j{\stackrel{\‾}{f}}_j\left(Z\right)$

式中，是各优化目标的评价函数，Z表示派梯方案，权系数w_j≥0，表示各目标在总评价函数中的重要程度，这里，取

为消除因分目标函数值在数量级上有较大差别而导致的误差，先将目标函数做一次规格化，使目标函数值转化为统一的无量纲值，并将量级限制于[0,1]之间；然后，再根据各个目标的重要性用加权因子来组合构造“统一目标函数”；令

f_j(Z)∈[α_j,β_j],(j＝1,2,3,4)

其中：f_j(Z)表示各目标函数，α_j，β_j分别表示各优化目标的临界值，取规格化函数：

$y=\frac{4x}{\mathrm{\π}}-\sin x,(0\≤x\≤\frac{\mathrm{\π}}{2})$

则对应于的转换函数的自变量为

$z_j=\frac{f_j\left(Z\right)-{\mathrm{\α}}_j}{2({\mathrm{\β}}_j-x_j)}\×\mathrm{\π},(j=1,2,3,4)$

转换后的目标函数为

${\stackrel{\‾}{f}}_j\left(Z\right)=\frac{4z_j}{\mathrm{\π}}-{\mathrm{sinz}}_j,(0\≤z_j\≤\frac{\mathrm{\π}}{2})$

4)、利用微粒群算法进行优化计算，经过有限次迭代得出最优解，确定最佳派梯方案：

(4.1)根据初始粒子群初始化外部档案中的粒子

通过引入Pareto支配概念比较目标向量，采用存档策略将整个迭代过程中产生的非支配解存储于一个外部档案中，并从中选择全局最优位置，进而得到一系列非支配解；

在外部档案初始化时，先将外部档案以信息矩阵ST的形式保存粒子信息，即将粒子的“位置”信息与“各目标函数适应度f₁(Z)，f₂(Z)，f₃(Z)”信息集合，生成ST矩阵—IM矩阵共有n行，D+4(D为粒子的维度)列；前D列存放n个粒子的位置信息，第D+1列，D+2列，D+3列分别对应存放各目标函数的适应度值信息f₁(Z)，f₂(Z)，f₃(Z)；第D+4列存放对应粒子的计算距离信息；通过Pareto支配关系确定非支配解集，并将粒子信息同步更新到ST矩阵中，完成外部档案初始化；

(4.2)基于粒子间的一种距离机制，降序排列粒子，并从前列选取全局极值，再根据更新方程更新每个粒子的速度和位置信息；

全局最优粒子就是从外部档案中根据距离机制选取的，所述距离机制是指总和相邻两个优化粒子对应的各目标值的差；根据所述距离机制首先计算外部档案中每个非支配解的距离，并将所有个体按计算出的距离降序排列，以从中选择的粒子具有全局搜索到真实Pareto最优解的能力；依据这种距离机制，计算得出的距离值越大，表明该粒子越均匀分布在目标空间；因此在所有个体按该距离降序排序后，设定选择排在前10％的粒子作为全局最优解的选择范围，再从中随机选择一行作为全局极值；这样一来，随机选择出的全局最优粒子就是一个处于Pareto前沿中分散区域的个体，保证了解的多样性，引导粒子尽最大可能地发现高质量的新解；

在更新全局极值的选取策略后，其基本运算是粒子的速度和位置更新：

$\left\{\begin{array}{c}{v}_{ld}^{t+1}=w\×v_{ld}^t+c_1\×ran{d}_1\×(p_{ld}-x_{ld}^t)+c_2\×ran{d}_2\×(p_{gd}-x_{ld}^t)\\ x_{ld}^{t+1}=v_{ld}^t+v_{ld}^{t+1}\end{array}\right.$

式中，t为迭代次数，l＝1,2,…,n，n为粒子群规模，d＝1,2,…,D，c₁、c₂为学习因子，w为惯性权重，rand₁，rand₂为两个在[0,1]区间内相互对立的随机数，p_ld为单个粒子的局部最优位置，p_gd为经过改进算法更新的所有粒子的全局最优位置；

(4.3)外部档案的更新

粒子信息更新后，继续采用选定的距离机制更新外部档案；更新策略如下：当算法运行到第t次迭代时，设外部档案中粒子a₁个，此时外部粒子种群记为S^t，粒子群最大规模为n且a₁≤n；设内部粒子种群经更新操作后，将产生的b₁个非支配个体复制到外部档案集中，则外部粒子种群记为S₁；在种群S₁中先删除重复个体，再标记并删除可支配个体，此时种群中非支配个体数为a₂且a₂≤a₁+b₁，然后根据选定的一种距离机制，计算这a₂个非劣个体的距离值，并将所有粒子根据各自的计算距离值作一个从大到小的排序，将此时的种群记为S₂；最后判断种群S₂中的个体数a₂是否已达到最大容量n，若a₂≤n，则没达到最大容量，此时更新的外部档案S^t+1个体即为a₂；否则，进行裁剪操作，如果具有最小距离值的个体重复，则排除重复个体，否则，直接从外部档案中删除。之后判断外部档案的容量是否超出最大值，若超出，继续进行裁剪操作排除重复劣势个体，否则结束裁剪操作，最后仅保留种群S₂中的前n个体，此时更新的外部档案S^t+1个体即为n；

(4.4)判断是否达到最大迭代次数；若达到，则输出最终全局极值即派梯方案，否则继续迭代运算；

5).将该派梯方案转换成控制信号，为各电梯合理分配呼梯信号，协调各电梯的运作，从而实现电梯群的优化调度。

2.根据权利要求1所述的基于微粒群算法的多轿厢电梯群优化调度方法，其特征是当微粒群算法确定好最佳派梯方案，由群控制器向轿厢发送控制命令，然后应用井道控制器应先判断这种轿厢分配方案是否可行，即在同一井道内是否存在相邻轿厢碰撞或穿越的情况。

3.根据权利要求2所述的基于微粒群算法的多轿厢电梯群优化调度方法，其特征是：井道控制器判断这种轿厢分配方案是否可行是通过计算相邻两轿厢目前所在的楼层数的差△，若△值大于等于l，即该路径可行。

4.根据权利要求1所述的基于微粒群算法的多轿厢电梯群优化调度方法，其特征是：所述交通流模式分为上行高峰模式、下行高峰模式和层间交通模式。