CN1071698C - 电梯的群管理控制方法 - Google Patents

Abstract

本发明涉及到在控制着安装在一个大楼中的多个电梯的群管理系统中为一个门厅呼叫提供一个轿厢。按照本发明的电梯群管理控制方法是在使用综合估算函数对每个轿厢进行估算之后选择出两个以上具有高估算值的轿厢，并且使用一种遗传学算法来分配一个轿厢作为提供最佳服务的轿厢，这种算法在具有巨大检索空间的系统中是非常有效的，从而可以减少平均等待时间和等待发生概率。

Description

电梯的群管理 控制方法

本发明涉及电梯，特别是用于电梯的一种改进的群管理控制方法，它可以为乘客选择并提供一个最佳轿厢，从而减少平均等待时间和等待的发生概率，以及用于电梯群管理系统的一种改进的分配方法，该方法采用了一种遗传学(genetic)算法，根据现有的门厅呼叫和未来的门厅呼叫来执行分配和控制，这种算法作为具有大量检索空间的分配算法是非常有效的。

当乘客在一个等待楼层组中产生了一个呼叫(以下称为门厅呼叫)时，电梯的群管理系统就计算关于每个轿厢的位置，运行速度，方向，轿厢门的开/关状态以及乘客数量等等各种情况，从而为特定情况的门厅呼叫分配一个最佳的电梯轿厢，并且将分配的轿厢提供给产生门厅呼叫的楼层。

这种群管理系统需要满足各种目标，例如缩短等待时间，减少由于轿厢满载而造成电梯轿厢在分配的楼层不能停靠的分配失败概率，减少轿厢内的拥挤，降低功率消耗等等。为了实现上述目标，群管理系统需要根据已经分配给一个楼层的各个轿厢的当前状态和门厅呼叫(为这一门厅呼叫提供服务的电梯已经确定)来估算新产生的门厅呼叫，并且为实现上述目标而分配一个处于最佳状态的电梯轿厢。然而，由于运输的需求总是在变化的，如果能正确地适应运输需求的变化，群管理系统就可以实现上述目标。因此，群管理系统应该根据现有的门厅呼叫和未来的门厅呼叫来分配电梯轿厢。

由于传统的控制方法比较复杂，使这种群管理系统在实现满意的性能方面受到了限制，为此而采用了一种诸如人工神经网络理论的模糊理论人工智能算法。

图1是惯用的电梯群管理系统中的分配装置的一个示意性框图。如图中所示，惯用的电梯群管理系统中的这种分配装置包括一个门厅按钮控制器11，用于控制安装在乘客等待楼层上的门厅按钮，一个轿厢控制器12，用于控制电梯轿厢的操作，以及一个群管理控制单元13。

群管理控制单元13包括：一个信息采集单元13A用于采集来自门厅按钮控制器11和轿厢控制器12的各种信息；一个统计单元13B用于收集采集到的信息的统计量；一个运输类型特性识别单元13C用来将当前的运输状态与几种预定的运输类型图进行比较，并且选择对应的一种；一个估算运输类型发生单元13F用于产生估算的运输类型；一个统计数据库13E用于按照时间，数据和运输类型的等级来存储与各种运输类型有关的数据；一个估算数据发生单元13G用于根据存储在估算运输类型发生单元13F和统计数据库13E中的数据而产生各种估算数据；以及一个分配/控制单元13D用于根据上述信息来分配和控制电梯轿厢。

在图2中表示了电梯的操作状态，以下要参照图2说明这种群管理系统的工作方式。

信息采集单元13A利用安装在各个轿厢内的各种传感器通过楼层和方向的各个等级获得诸如上梯/下梯人数等关于乘客的信息，并且从轿厢控制器12接收各个轿厢的状态(门的开/关，轿厢位置，轿厢的方向等等)。

运输类型特性识别单元13C将存储在统计数据库13E中的预定的运输类型特性或是运输类型特性与当前的运输类型相比较并确定相应于当前的运输类型。根据确定的运输类型的特性，分配/控制单元13D就可以控制存储了适用于各种运输类型特性的控制算法的电梯轿厢。

统计单元13B按照时间，数据，以及运输类型的每个特征来采集从信息采集单元13A和运输类型特性识别单元13C接收到的当前数据，并且连续地更新统计数据库13E中的数据，这样就能使群管理系统正确地响应运输类型的变化。

估算运输类型发生单元13F根据存储在统计数据库13E中的数据和运输类型特性以及存储在运输类型特性识别单元13C中的当前的运输类型来计算未来的运输类型信息(各个楼层和方向的上梯/下梯乘客数量)。

估算数据发生单元13G根据未来的运输类型和电梯轿厢的当前状态来产生各种估算数据，例如电梯轿厢的估算到达时间，使用这一电梯轿厢的估算乘客数量，估算的轿厢停靠概率，在门厅呼叫服务的中途产生轿厢呼叫的楼层等等。

分配/控制单元13D根据电梯轿厢的当前状态，当前的运输类型以及估算的数据来分配一个电梯轿厢，并且执行各种控制操作，例如分散控制，集中服务控制等等。

以下要参照图2说明这种惯用装置的工作方式。

图2表示了一座大楼中的各种情况，在大楼中有19个楼层和四个电梯轿厢。

如图中所示，在16层上刚刚产生了一个上行方向的门厅呼叫，而各个电梯轿厢正在为先前产生的门厅呼叫提供服务，第一和第二电梯轿厢正在上升，第三和第四电梯轿厢正在下降。为了便于说明，假设将第一和第二轿厢之一分配给16层的门厅呼叫，在图2中表示了在各个楼层上可能产生的估算的上行方向门厅呼叫产生概率。

在上述情况下，针对一个楼层上尚未分配的门厅呼叫获得第一和第二轿厢各自的估算到达时间，由此分配一个电梯轿厢，它的估算到达时间比其他轿厢短。估算到达时间f(t)可以从以下的公式中获得：

f(t)=电梯轿厢到达门厅呼叫产生楼层的时间+W^*(上行方向的估算的门厅呼叫产生概率^*电梯轿厢每次停靠所需的时间)。

其中的W是一个加权系数，用来确定需要使用多少估算的门厅呼叫数据来分配电梯轿厢。此处假设W是0.5。

当电梯在每个楼层之间需要的操作时间是2秒，而电梯轿厢每次停靠的时间是10秒时，就可以从以下公式中分别获得第一轿厢的估算到达时间f1(t)和第二轿厢的估算到达时间f2(t)。

f1(t)=14^*2+10^*W^*(0.4+0.2+0.1+0.1+0.2+0.2+0.5

       +0.4+0.8+0.6+0.7+0.3+0.5)

      =28+5^*5=53秒

f2(t)=8^*2+10^*W^*(0.5+0.4+0.6+0.7+0.3+0.5)

      =16+5^*3.8=35秒

从上述公式中获得的第一轿厢到达16层的估算到达时间是53秒，而第二轿厢到达16层的估算到达时间是35秒。因此，就将尚未分配的门厅呼叫分配给具有较短的估算到达时间的第二轿厢。当然，在一种综合的估算函数中，分配并不是仅仅根据估算到达时间来执行的。然而，由于对门厅呼叫进行分配的方法与上述方法是相同的，而估算的门厅呼叫产生概率被预定为一定值，并且统一地用于这种分配方法，这样就会出现以下几个问题。

门厅呼叫产生楼层与轿厢之间的距离在分配中占据了最主要的部分。因此，在确定提供服务的轿厢时，即使各个楼层上估算的门厅呼叫产生概率是变化的，这种变化也不会影响到第二轿厢的分配。

再有，当第一段是从8层到16层，而第二段是从2层到7层时，在第一段中对第一和第二轿厢都采用上行方向的估算门厅呼叫产生概率，第一和第二轿厢都会被分配给所有未来的门厅呼叫，这种情况是不符合逻辑的。也就是说，提供给第一轿厢的估算的门厅呼叫产生概率不应该再提供给第二轿厢。

此外，当将第二轿厢分配给第一段中产生的门厅呼叫和16层上产生的门厅呼叫时，为16层的门厅呼叫提供服务的时间就会增加，而同时又能改善第一段中的门厅呼叫的服务性能。

另一方面，当考虑到为未来的门厅呼叫提供服务时，最好是由第三轿厢为第二段中产生的门厅呼叫提供服务，并且用第一轿厢为16层上产生的门厅呼叫提供服务，尽管第一轿厢的估算到达时间不如第二轿厢，因为第二段中估算的门厅呼叫产生概率比第一段中的概率要低。为了照顾上述方面，应该考虑到未来产生门厅呼叫的概率，也就是估算的门厅呼叫产生概率，然而，在惯用的装置中要解泱上述问题是有困难的。

另外，在先前产生的门厅呼叫的分配被确定之后，还应该考虑到对未来的门厅呼叫的分配问题。例如，在确定了将第二轿厢分配给第一段中所有的估算门厅呼叫，并将第三轿厢分配给第二段中的门厅呼叫后，就需要考虑到将哪个轿厢分配给新产生的门厅呼叫。

此外还采用了一种将估算函数(φ)作为算法来分配轿厢的方法，利用估算函数根据各个电梯的各种当前和未来状态来寻找一种最佳的方案。此处的电梯当前状态是指电梯目前的位置，电梯的运行方向，电梯的运行速度，乘客数量，以及以前所分配的门厅呼叫和轿厢呼叫等等，而电梯的未来状态是指估算的乘客数量，轿厢为一个门厅呼叫提供服务时的估算到达时间，轿厢在为产生门厅呼叫的一个楼层提供服务的同时在另一个楼层上停靠的可能性，以及在一个预定时间的位置等等。

φk=α₁·X_1k+α₂·X_2k    …(1)

其中的φk是K号轿厢的估算函数，α₁是一个加权值，而X_1k是在考虑到K号轿厢的位置和停靠可能性时针对各个门厅呼叫的估算到达时间的估算值X_2k是在考虑到K号轿厢的拥挤和K号轿厢的长时等待概率时获得的估算值。

当刚刚登记了一个门厅呼叫时，就根据估算函数(φ)来估算新的门厅呼叫的分配问题，并且将具有最小估算值的轿厢作为估算结果。然而，这种方法不能适用于门厅呼叫的估算，因此就不能相应地适应运输类型的变化。

因此，为了用惯用的装置在综合考虑各种未来状态的情况下分配一个最佳轿厢，在计算估算的门厅呼叫时还应该考虑到估算的门厅呼叫产生概率，这种概率的变化与上述情况是无关的。

然而，在考虑估算的门厅呼叫产生概率时，还需要考虑到各个楼层上估算的门厅呼叫，在每个轿厢的运行方向上的估算的门厅呼叫等等，这样，由于惯用装置的计算量会大大增加，在预定时间内不一定能获得一种解决方案，因此，电梯的服务性能就可能由于计算能力不足而下降。

因此，本发明的目的就是要为电梯提供一种群管理控制方法，它采用一种估算装置来产生估算的运输类型，根据估算的运输类型来计算各个楼层和方向上的未来的门厅呼叫产生概率，并且为基于未来门厅呼叫产生概率值的分配采用一种遗传学算法，这样就能为乘客提供最佳的轿厢。

为实现上述目的所提供的电梯群管理控制方法包括以下步骤：第一步，将大楼的一个域划分成适合各种运输要求的预定的几段，并且计算出在各个段中将要产生的未来门厅呼叫的数量；第二步，按照第一步中获得的结果根据估算的乘客数量获得未来的门厅呼叫产生概率，并且按照预定的规律根据所述概率来设定未来门厅呼叫产生楼层及其方向；第三步，采用从第一步获得的结果作为基本数据，使用一个综合估算函数获得每个轿厢的一个估算值，并且按照预定的规律选择两个以上具有高优先权估算值的轿厢；以及第四步，接收从第二步获得的结果和在第三步中选择的分配的轿厢，并且采用遗传学算法选择一个轿厢作为可以分配的最佳轿厢。

通过以下的详细说明可以更清楚地看到本发明的其他优点，目的和特征。

以下要结合附图进一步详细地说明本发明，附图的作用仅仅是为了说明，并非对本发明构成限制，在附图中：

图1是惯用的电梯群管理控制系统的分配装置的示意性框图；

图2是电梯运行状态的一个示意图，用来解释惯用装置的操作；

图3是群管理系统的分配装置的一个示意性框图，在其中采用了本发明的电梯群管理控制方法；

图4是一个详细的框图，表示图3中的门厅呼叫产生概率发生单元和分配/控制单元；

图5是用于本发明的方法的一种遗传学算法的信号流程图；

图6是一个表，用来解释按照本发明的一种估算函数；

图7是一个表，用来解释按照本发明的起始轿厢选择概率；

图8是遗传学综合程序的一个示意图；

图9是变异生产程序的一个示意图；

图10是采用本发明方法的一个电梯的运行状态示意图；

图11是一个表，在其中对按照本发明的一种方案进行遗传学类型编码；

图12是一条曲线，表示按照各个楼层之间的时间间隔的估算门厅呼叫的加权；

图13是一个表，表示估算到达时间的预期值；

图14是一个流程图，表示用于本发明的方法遗传学算法中对估算值的计算程序；

图15是一个表，表示一个临时分配楼层的运行状态；

图16是一个表，用来表示按照本发明的分配适配性；

图17表示分配给新产生的一个门厅呼叫的轿厢；

图18表示按照图10中所示的情况的一种不完全的遗传学模型；

图19是一个表，用来表示根据到达时间可能不会受到分配的一个轿厢；

图20表示一个完全的遗传学模型；以及

图21是图20中的遗传学模型的估算值的示意图。

以下要参照图4到25来说明按照本发明的电梯群管理控制方法的工作方式及其效果。

本发明的方法中采用的遗传学算法适用于具有庞大检索空间的系统，以下是一些粗略的解释。

遗传学算法是一种引入了进化论的理论，可以用来解决现有技术所面临的问题，并且可以在由于问题的复杂性而难以获得精确的解决方案时作为一种解泱问题的方法。按照进化论，主导基因是通过母体基因合成，变异生产，隐性基因的自然选择等等一系列程序而产生的。

母体基因是从几个模型(初始值)中选择的，而问题的实际解决方案是按照预定的方法用遗传学类型来表示的，而新的后代基因是通过合成选定的母体或是发生变异而产生的，并且通过后代基因和初始基因(群体或是模型)的合成不断进行新的生产，在经过预定的生产之后选择具有最大估算值的基因，并且将这种基因的信息作为有关问题的最佳解泱方案。

为了用这种遗传学算法获得一种解决方案，首先要执行以下两步操作。

第一，该解决方案应该用以下所示的遗传学类型来表示。也就是说，该解泱方案可以由例1中所示的比特类型或是例2中所示的自然数类型或者是实数类型构成的。

例1：基因1(0000111101010000101)

例2：基因2(12346211679663352146320)

第二，需要建立一个用来估算各个基因的估算函数。事实上，基因算法中所需的信息仅仅是用来估算该解决方案是否精确的估算函数。也就是说，遗传学算法的优点之一就是不需要系统的数学模型。

通过估算函数获得的具有最佳估算值的一个基因可以增殖一个以上具有低劣估算值的基因。也就是说，可以用这种估算函数对自然现象进行自然选择。

为了实际应用由此获得的这种解决方案，需要将用遗传学类型表示的解决方案译码成当前状态的信息。

图5是这种遗传学算法的一个流程图。首先在可能的解决方案中产生一个临时解决方案作为2n个单位的模型(SA1)。用估算函数分别对这2n个模型进行估算，并且产生一个n单位的母体(SA2,SA3)。由此产生的母体与该解决方案的每个估算值成正比。具体地说就是增加使具有优良答案的解决方案变成母体的概率，并且减少使具有低劣答案的解泱方案变成母体的概率，这样的母体基因与平均的模型基因相比更可能具有高的概率及优良的估算值。

产生母体的方法是多种多样的，但其中最常用的是以下的方法。

假设按照每五个解决方案的估算值是如图6中所示获得的，当问题的解决方案(No.1-No.5)是用此特类型来表示的，并且用估算函数分别估算这些解决方案时。

在这种情况下，每个个体被选作母体的概率如图7所示。根据这种概率来选择五个母体。按照选择的n单位母体基因，利用图8所示的遗传学合成方式或是图9所示的变异生产方式产生一个新的解决方案(后代)(SA11,SA12)。

遗传学合成是通过用另一部分代替具有固定概率的一部分变异生产的遗传学结构，或是将两个独立基因的元素进行交换产生的。

例如图8中所示，后代1‘010111’就是将图6中的解决方案1‘010010’的每个基因与解决方案2‘111111’的每个基因进行交换后产生的。

如图9所示，变异生产程序产生一个没有母体的基因的临时元素‘000’并且产生一个新的基因，也就是后代‘010111’。

用估算函数对由此产生的后代进行估算(SA13)，并且按照估算值的次序来选择n单位的估算值，将后代的估算值和一种解泱方案群体的估算值按次序排列，根据选定的n单位元素来选择一个n单位的母体，从而产生原始模型和一个后代。

将上述程序重复预定的次数，从而获得一个基因，将所有保留到最后的基因中具有最佳估算值的那个基因作为解决方案。

为了在分配算法中采用这种遗传学算法，应该满足以下所述的条件。

首先，应该将符合分配操作的一种解决方案用遗传学类型进行编码。

其次，需要一个用来估算这种解决方案的估算函数。

第三，当采用一个合适的原始模型时，由于能在很短时间内获得精确的解决方案，所以需要有一种能够正确选择原始答案群体的算法。

第四，在用估算函数估算的解泱方案的基础上还应该提供一种用来选择一个母体的方法，这样才能用母体产生一个后代。

第五，需要有一种与分配算法相对应的算法对母体基因进行正确的合成，并且产生一种变异。

以下要参照图10的情况来说明满足这五个条件的一种方法。

如图13所示，假设楼层的数量是12，并且在大楼中设有四个电梯轿厢。

如图10所示，各个楼层和方向上的估算的门厅呼叫产生概率是预先确定的，并且预先将9层的上行门厅呼叫和5层的下行门厅呼叫分别分配给2号轿厢和4号轿厢。1号轿厢正在朝着产生了一个轿厢呼叫(有一个乘客按下了装在轿厢内的指定楼层按钮)的11层上升，而3号轿厢是在完成了所有服务之后已经停止运动。在上述情况下，在1层上产生了一个上行门厅呼叫。

将解决方案编制成遗传学类型

图11是一个表，在其中对按照分配操作的一种方案进行遗传学类型编码。表中有三个个体a,b和c，与每个个体写在同一条线上的数字表示一个轿厢号。

矩形的粗实线表示先前分配的楼层和分配给该楼层的轿厢号。此处将9层的上行门厅呼叫分配给2号轿厢，因此在表中用数字‘2’表示，并且将5层的下行门厅呼叫分配给4号轿厢，用数字‘4’表示。另外，不存在对12层的上行门厅呼叫和对1层的下行门厅呼叫分配，因此用数字‘0’表示。

如图11中所示，用“1431234222400233-42313443”表示的个体‘a’的遗传学信息时可以被解释为将1号轿厢分配给尚未分配的1层的上行门厅呼叫，将4层轿厢分配给2层的上行估算门厅呼叫，并且将1号轿厢分配给3层的上行估算门厅呼叫。

按照本发明，当将个体‘b’选作最终的解决方案，4号轿厢就会被分配给1层的上行门厅呼叫。也就是说，4号轿厢是实际的解决方案，而将未来的门厅呼叫分配给其他的楼层和方向，也就是将对应显示号的轿厢分配给一个预期的门厅呼叫。

另一方面，按照惯用的综合估算函数，当象上例那样有4个轿厢，类型的最大的数就是4，也就是将1层的上行门厅呼叫分配给第一，第二，第三或是第四轿厢。

然而，由于这种遗传学算法要在各种可能的交换方法中间检索最佳的交换方法，还要考虑到对不远的将来所产生的门厅呼叫的服务性能，并且所分配的轿厢应该是可能的解决方案中间最佳的一个。

用于估算每种解决方案的一个基因的估算函数以及这种估算的方法

为了在估算函数中适当地包括估算的门厅呼叫产生概率，需要在综合估算函数的基础上考虑以下三个问题。

第一，在对每个轿厢采用估算的门厅呼叫产生概率时，提供给每个不同的轿厢的概率是各不相同的。估算的门厅呼叫产生概率通常是在1分钟之内产生一个门厅呼叫的概率。如图10所示，由于第一和第二轿厢每次行驶到6层的时间是不同的，如图10所示，第一和第二轿厢不应该按照6层上行方向的0.4的估算门厅呼叫产生概率获得相同的估算值。也就是说，由于第二轿厢在短时间内通过6层，由第一轿厢为6层的上行方向估算门厅呼叫提供服务的概率要大于由第二轿厢提供服务的概率。

因此，根据估算到达时间(t)的加权是相对于估算的门厅呼叫对每个轿厢进行计算的。图12表示估算到达时间与估算门厅呼叫产生概率的一个函数。此处的加权是每个轿厢，楼层以及方向的一个值，该值的范围从0到1。值‘0’表示不考虑估算的门厅呼叫产生概率，而值‘1’表示在估算函数中包括估算门厅呼叫的一个值。

第二，计算估算到达时间的方法是所有估算的基础。由于门厅呼叫产生概率代表了门厅呼叫的产生概率，实际上，当根据这种产生概率来计算估算的到达时间时，估算的门厅呼叫可能产生，也可能并不会产生。因此，在计算估算到达时间时应该考虑到各种情况。

按照本发明，为估算的到达时间引入了一个估算等待时间的概念，并且在分配方法中采用估算的门厅呼叫产生概率。

以下要参照附图来说明如何获得预期的估算等待时间。为了便于计算，将门厅呼叫产生概率的加权固定为1。

按照图11的解决方案‘b’，由4号轿厢提供服务的楼层是画圈的2,3,5和7层(在此处考虑下行的方向)，而各个楼层的下行停靠概率分别是0.4,0.3,1.0和0.6。

图13表示在考虑到实际中可能出现的所有情况时所预期的估算到达时间。如图中所示，T(真)表示实际产生了估算的门厅呼叫的情况，而F(假)代表实际上没有产生估算的门厅呼叫的情况。对于相应的楼层和方向来说，‘F’的产生概率是“1-门厅呼叫产生概率”。

如图13所示，每种情况的产生概率就是每个楼层上是否产生门厅呼叫的概率。由于5层的下行门厅呼叫是预先分配给4号轿厢的门厅呼叫，在预期的计算中仅仅出现T，这表示每个楼层上总是有呼叫。

现在要说明各种情况下的估算到达时间。

在每个楼层上产生门厅呼叫时，轿厢的停靠次数是四。因此，对应每次停靠的延迟时间是40秒，在每个楼层之间运行所需的时间是2秒，而楼层数是7，因此总共所需要的时间是14秒。这样，情况1的预期值就是0.072^*(14+40)=3.888。因此，预期值就是38秒(预期的估算到达时间)，并且在将4号轿厢分配给发生在2,3,4和7层的所有下行门厅呼叫时将这一预期值作为预期的估算到达时间。根据由此获得的估算到达时间，对总的群管理控制对象进行其他的估算，例如减少长时等待概率，平均等待时间，以及服务差错等等。

第三，这是一种估算值计算方法。以下要参照图14说明这种方法的原理。

如图所示，在第一步(SB1)中对一个基因进行译码，从而确定将哪个轿厢分配给哪个楼层和方向。以下要参照图11中的一例遗传学个体‘b’来说明这种程序。

按照个体基因‘b’，临时分配给1号轿厢的楼层是上行方向的2层和5层，以及下行方向的6层，8层和12层。在图15的表中表示了临时分配给每个楼层的每个轿厢的操作状态。表中的‘0’代表分配给每个轿厢的楼层。

为了根据每个估算的门厅呼叫和先前分配的门厅呼叫来获得估算到达时间，需要确定每个轿厢相对于一个分配楼层的服务优先权(SB4)。例如，1号轿厢的分配优先权是上行的2层→上行的5层→下行的12层→下行的6层。

在步骤7(SB7)中获得每个楼层的预期的估算到达时间。如上所述，预期的估算到达时间是在每个楼层上获得的。例如，为了在图10的操作状态中获得1号轿厢上行到5层的预期的估算到达时间，就需要获得可能出现的所有可能性。此处有两种可能的情况，那就是是否会产生2层的上行门厅呼叫。因为在上行方向临时分配给1号轿厢的楼层是2层和5层。

根据这种估算函数对由此获得的估算到达时间进行计算。这种估算函数与公式(1)中的综合估算函数具有相同的逻辑结构。由估算函数估算出的值不是累加的，而是与每个门厅呼叫的产生概率相乘之后累加，从而变成与门厅呼叫产生概率成正比的估算值。

累加的估算值=估算值+门厅呼叫产生概率^*(每个轿厢，方向，以及楼层的的估算函数值)……(2)

这种估算是针对所有的门厅呼叫和轿厢进行的，并且将估算值的累加值作为相应基因的估算值。

选择一种解决方案作为原始模型群体

为了在分配算法中应用遗传学算法，需要满足的第三种要求是确定将哪个解决方案选作各种解决方案中的原始模型群体。由于选择模型的方法会受到估算函数值是否准确的那一时间点的影响，需要精心地选择原始模型。

按照本发明，上述问题是采用普通的综合估算函数的估算值来解决的。总而言之，需要综合每个轿厢的状态，新的门厅呼叫的楼层和方向，以及未来的门厅呼叫等等因素对每个轿厢进行估算，并且将具有最小估算值的轿厢分配给相应的门厅呼叫。

事实上，无论将群管理估算函数确定为那种类型，具有高优先权的估算值的轿厢的值大致都是相同的。

然而，要想在轿厢中间确定哪个轿厢具有优先权高的估算值，还要取决于每种算法的控制效率。

因此，按照本发明，在获得原始模型的方法中还要考虑到上述事实。

也就是说，采用惯用的综合估算函数计算每个轿厢的估算值，由遗传学算法根据这种估算值获得一个概率，概率的选择与图7的方法相同。可能分配给对应一个门厅呼叫的楼层和方向的一个n单位的轿厢是通过由此获得的概率来选择的。

以下要用图10所示的一例电梯运行情况来说明获得原始模型的方法。

1层的上行门厅呼叫是一个首先要解决的问题。问题在于将哪个轿厢分配给1层的上行门厅呼叫。首先，按照惯用的分配方法，要使用综合估算函数来判断相对于1层上行门厅呼叫的分配适配性，从而对每个轿厢进行估算。由于适合分配的轿厢是具有最小估算值的轿厢，这种估算值应该被编码成分配适配性，在图16中表示了这种适配性的值。这种适配性的值是与估算值成反比的。

如果从四个轿厢中选出了除1号轿厢之外的三个分配候选轿厢，就在图4的分配候选轿厢选择单元55中执行运算。获得对应着三个分配候选轿厢各自的值的概率，利用各个概率产生一个模型。如果一个新的门厅呼叫是1层的上行门厅呼叫，就按照这种概率对分配给新的门厅呼叫的轿厢进行10次选择，如图17所示。

此时需要注意到，1号轿厢没有被分配给1层的上行门厅呼叫。由于处在1层上行方向的轿厢的号就是被分配轿厢的实际的号，根据由遗传学算法构成的概率就能很快地获得精确的解决方案，从而按照综合估算函数获得轿厢的号。

由于其他轿厢不会被分配给预先已经分配的各个门厅，已经分配给各个门厅呼叫的轿厢号被记录在先前产生的门厅呼叫的楼层和方向空间中。另外，假设将一个具有轿厢呼叫的轿厢分配给在同一方向产生在各个轿厢呼叫产生楼层上的估算的门厅呼叫。

按照图10所示的情况，由于1号轿厢有一个11层的轿厢呼叫，并且正在按上行方向去往相应的楼层，就假定将1号轿厢分配给11层的上行估算门厅呼叫。另外，由于2号轿厢已经分配给了9层的上行门厅呼叫，并且在9层的上行盒中记录了对应2号轿厢的‘2’，就假定将3号轿厢分配给12层的下行估算门厅呼叫。同样，由于4号轿厢已经分配给了5层的下行门厅呼叫，就应该在5层的下行盒中记录对应4号轿厢的‘4’。按照图10所示的情况，一个不完整的遗传学模型如图18所示。

现在需要使10个不完整的基因适当地完善，有一种方法是在轿厢的号之内(1号-4号)产生一个随机的号，并且记录适当的号，或是在该方法中包括设计者的意图。

在按照本发明的方法中，建议包括一种设计者的意图，以便获得快速和精确的解决方案。

第一种建议是，即使轿厢是在按实际可能的最高速度运行，在一个50秒内不可能提供服务的区段中，或是在一个很难提供服务的区段(楼层和方向)中不对一个对应的轿厢进行临时分配，也就是不应该将对应的轿厢号记录成空白。这样，在使用遗传学算法时就能很快地获得一种精确的解决方案。

以图10中所示的情况为例，假设各个轿厢在每个楼层之间运行的时间是2秒，在每个停靠楼层上所需的时间是10秒，在计算每个轿厢的到达时间时(根据目前的情况来计算最短到达时间)，就在时间大于50秒的格中画圈，如图19所示。在产生随机的数字时应该考虑到与画圈的楼层和方向相对应的估算门厅呼叫，不能将对应的轿厢临时分配给这种呼叫。

作为第二种建议，分配给某一楼层的门厅呼叫的轿厢同时被分配给与上述楼层相邻的一个楼层的门厅呼叫。也就是说，如图18中所示，如果将2号轿厢分配给9层的上行门厅呼叫，2号轿厢就被同时分配给8层的门厅呼叫和9层的门厅呼叫。

总之，如果将预先已确定为一个目标楼层服务的轿厢分配给与该目标楼层相邻的楼层的门厅呼叫，运一轿厢就要负责相邻楼层的门厅呼叫，这样可以节省能量并且能均匀地分布用于服务的轿厢。

与此相应，在与预先分配的门厅呼叫相邻的估算门厅呼叫中登记一个对应的轿厢号。

然而，如果为相邻楼层的门厅呼叫过多地登记了一个对应的轿厢号，这个轿厢就会出现超载，这样就会使群管理系统的主要性能例如长时等待概率出现恶化。因此，需要根据运输情况适当地选择楼层范围。

此外，临时分配是在一个轿厢为相邻楼层持续提供服务的条件下执行的(在产生随机号时，一个号在相邻楼层上具有相同号的概率很高)。

图20表示了将图18中没有完成的遗传学采样完善后的情况。如图中所示，在图19中具有画圈的号的一个轿厢没有被临时分配给对应楼层和方向的估算门厅呼叫，而与预先分配的楼层相邻的一个楼层的轿厢号是用与预先分配楼层的轿厢号相同的号来登记的。(因为没有门厅呼叫或轿厢呼叫需要服务的3号轿厢目前已停运，它可以在50秒之内为任何一个楼层和方向提供服务，在计算中就将其排除了)。

因此，在产生采样时反映了设计者的倾向，从而获得尽量多的具有主导基因的采样。

在产生的采样中选择母体基因

关于在产生的采样中选择母体基因的方法，按照本发明的方法，按照图14所示的方法用估算函数估算这些采样，从中产生母体基因。如果基因采样(a-j)的估算值如图21图中所示，就通过一个与估算值成反比的概率来选择母体基因。在图21中的例子中，‘a’被选作母体基因的概率是‘b’的三倍。

在采样中选择母体基因的方法与选择采样的方法是大致相同的。然而，在选择采样时，每个采样值是与综合估算函数的值成正比的。此外，母体基因是根据一个估算值来选择的，而在计算这一估算值时包括了估算的轿厢呼叫，预先分配的门厅呼叫，以及尚未分配的门厅呼叫，它们是上述的在各个楼层和方向产生的。

生产后代

利用综合母体基因生产下一代后代并产生变异的方法沿用了由遗传学算法执行的通用方法，然而，必须要注意到以下几个事实。

预先分配的楼层和方向不应该被插入一个对应的轿厢号之外的其他轿厢号。换句话说，预先分配的楼层和方向的初始值是一直保存的。此外，与预先分配的轿厢号数相邻并且被分配给和预先分配的轿厢的运行方向具有相同方向的一个门厅呼叫的那个轿厢是不应该改变的，这一点反映了设计者的倾向。

一个尚未分配但是却已在前期按照估算函数的一个估算值产生的一个门厅呼叫值是不应该改变的。例如图20所示，如果改变了分配给1层上行门厅呼叫的轿厢号的值，一种解决方案的估算值的收敛时间就会变得很慢，这样就会降低系统的稳定性。维持一个值意味着考虑到了相对于一种分配的估算函数的区别。这样就能避免遗传学算法的运算错误。

最后，在遗传学合成和变异生产的过程中，在按照各个轿厢计算的禁止分配区内的楼层和方向上不记录轿厢的号。

在按照上述方法完成了预定次数的生产之后，需要对最终的产物和成为这一最终产物的基础的一个采样进行估算，从中选择具有最佳估算值的一个基因。这样，将对应着尚未分配的一个门厅呼叫的楼层和方向的一个轿厢分配给这一门厅呼叫。在考虑到目前和未来的情况时，所分配的这一轿厢被确定为最佳的轿厢，它最适合于被分配给这一尚未分配的门厅呼叫。

此外，如上所述，在分配中采用遗传学算法时需要进行大量的计算。另外，如果有许多需要计算的楼层和轿厢，计算量可能过大。因此，本发明建议采用这样一种方法，也就是将大楼的每个方向划分成几段，对代表每个段的估算门厅呼叫进行分配，其运算方式如下。

第一步：按照位置和方向将大楼划分成几段，计算出各段中产生门厅呼叫的概率，也就是门厅呼叫产生概率。这一计算结果可以提供在各个楼层和方向上发生的门厅呼叫产生概率的平均值。

第二步：对按照各个段计算出的门厅呼叫产生概率进行分配，从中提供以下可能的假设。也就是说，假设在某一段中产生的门厅呼叫仅仅是在相应段中的预定楼层上产生的。例如，在这一段的楼层当中具有最大估算客流量的楼层被确定为这一段中具有代表性的楼层，并且在具有代表性的这一楼层上仅仅产生一个门厅呼叫，这样就能减少基因的总数，并且减少分配过程中的计算量。

如上所述，本发明的方法可以获得门厅呼叫产生概率，对门厅呼叫叫产生概率进行处理，并且将结果提供给一种遗传学算法，这种算法对具有大量检索空间的系统是非常有效的，这样就能减少平均等待时间和发生等待的概率，为乘客提供高质量的服务。

尽管在本文中为了说明的目的而提供了本发明的最佳实施例，本领域的技术人员在不脱离权利要求书所限定的本发明的精神和范围的条件下显然还可以实现各种修改和增删。

Claims (14)

1．一种电梯的群管理控制方法包括以下步骤：

第一步，将大楼的一个域划分成适合各种运输要求的预定的几段，并且计算出在各个段中将要产生的未来门厅呼叫的数量；

第二步，按照第一步中获得的结果根据估算的乘客数量获得未来的门厅呼叫产生概率，并且按照预定的规律根据所述概率来确定门厅呼叫产生楼层及其方向；

第三步，采用从第一步获得的结果作为基本数据，使用一个综合估算函数获得每个轿厢的一个估算值，并且按照预定的规律选择两个以上具有高估算值的轿厢；以及

第四步，对第三步中选择的候选分配轿厢和第二步中获得的结果采用遗传学算法，从中选择一个轿厢作为可以分配的最佳轿厢。

2．按照权利要求1的方法，其中第四步包括一个将分配类型编码成遗传学类型的子步，预先分配的门厅呼叫由已经分配给上述门厅呼叫的轿厢负责，并且按照预定的规律将受到群管理控制的轿厢中间的一个轿厢临时分配给一个楼层和一个方向上产生的一个门厅呼叫和一个估算的门厅呼叫。

3．按照权利要求1的方法，其中第四步包括一个用于产生原始遗传学模型的子步，使用综合估算函数来选择分配候选轿厢，并且与各个分配候选轿厢的分配适配度成正比地对应着没有分配的门厅呼叫来安排一个临时分配的轿厢。

4．按照权利要求3的方法，其中所述子步还包括一个用于产生基因的步骤，从而可以将在先分配给某一楼层的门厅呼叫的一个轿厢临时分配给与这一楼层相邻的一个楼层上的估算的门厅呼叫。

5．按照权利要求4的方法，其中所述步骤还包括一个子步，用于将已经分配给某一楼层的门厅呼叫的同一个轿厢临时分配给与这一楼层相邻的楼层上的估算的门厅呼叫，并且根据运输状态来改变受到控制的楼层数量，从而减少基因的数量。

6．按照权利要求1的方法，其中第四步还包括一个子步，用于在产生基因时计算估算的到达时间，并且从遗传学代码中排除掉估算到达时间超过预定时间的那个轿厢。

7．按照权利要求1的方法，其中第四步还包括一个子步，用于采用预期的估算到达时间和一个估算函数估算出一个基因。

8．按照权利要求1的方法，其中第四步还包括一个子步，用于根据一个与一个基因的选择适配度成正比的概率来选择一个母体轿厢。

9．按照权利要求1的方法，其中第四步还包括一个子步，用于对具有最高估算值的基因进行译码，从而将一个没有分配的轿厢分配给一个相应的门厅呼叫。

10．按照权利要求1的方法，其中第四步还包括一个子步，用于获得各个段的估算门厅呼叫，并且计算上述遗传学算法，从而使遗传学形式得到简化。

11．按照权利要求1的方法，其中第四步还包括一个子步，用于改变遗传学次序或是在母体轿厢的基因中插入一个新的结构，从而产生一个新的基因。

12．按照权利要求1的方法，其中第四步还包括一个子步，用于分配一个具有最高估算值的基因，用来将分配类型编码成遗传学类型，使用编码的遗传学类型产生一个新的基因，通过选择具有最佳估算值的基因而再次选择一个母体轿厢，并且反复执行预定的次数。

13．按照权利要求1的方法，其中第四步还包括一个子步，用来相对于未来的门厅呼叫根据用于估算所述基因的估算到达时间以及所有的可能性获得一个预期的估算到达时间。

14．按照权利要求1的方法，其中第四步还包括一个子步，用于根据每个轿厢的当前位置和每个楼层及每个方向上的估算的门厅呼叫产生概率来获得估算的门厅呼叫产生概率的各个加权，并且将这一加权加在估算的门厅呼叫上。

Images