CN110127464B - 一种基于动态优化的多目标电梯调度系统及方法 - Google Patents

一种基于动态优化的多目标电梯调度系统及方法 Download PDF

Info

Publication number
CN110127464B
CN110127464B CN201910406862.7A CN201910406862A CN110127464B CN 110127464 B CN110127464 B CN 110127464B CN 201910406862 A CN201910406862 A CN 201910406862A CN 110127464 B CN110127464 B CN 110127464B
Authority
CN
China
Prior art keywords
data
module
elevator
elevator dispatching
dispatching
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910406862.7A
Other languages
English (en)
Other versions
CN110127464A (zh
Inventor
江正文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yungtay Elevator Equipment China Co Ltd
Original Assignee
Yungtay Elevator Equipment China Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yungtay Elevator Equipment China Co Ltd filed Critical Yungtay Elevator Equipment China Co Ltd
Priority to CN201910406862.7A priority Critical patent/CN110127464B/zh
Publication of CN110127464A publication Critical patent/CN110127464A/zh
Application granted granted Critical
Publication of CN110127464B publication Critical patent/CN110127464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/02—Control systems without regulation, i.e. without retroactive action
    • B66B1/06—Control systems without regulation, i.e. without retroactive action electric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
    • B66B1/3415—Control system configuration and the data transmission or communication within the control system
    • B66B1/3423—Control system configuration, i.e. lay-out
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
    • B66B1/3415—Control system configuration and the data transmission or communication within the control system
    • B66B1/3446—Data transmission or communication within the control system
    • B66B1/3461—Data transmission or communication within the control system between the elevator control system and remote or mobile stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Elevator Control (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

本发明公开的一种基于动态优化的多目标电梯调度方法及系统，其系统包括：呼梯模块负责传递呼梯讯号，控制器模块负责数据传递、计算与派梯，远程模块负责远程监控与管理。本发明还公开了实现上述多目标电梯调度方法。本发明能够满足用户在候梯、乘梯、乘坐时的空间舒适感、节能…等的多种需求。

Description

一种基于动态优化的多目标电梯调度系统及方法
技术领域
本发明涉及电梯群控技术领域，特别涉及一种基于动态优化的多目标电梯调度系统及方法。
背景技术
随着我国城市化的推展，高层建筑不断涌现，加上环保、安全、智能化..等意识的形成，用户对电梯的使用需求,除了基本的候梯时间以外，还有诸如：避免降低长时候梯机率、快速抵达、乘坐时的空间舒适感、节能…等，已逐渐丰富多样。随着需求的丰富多样，以往用来控制电梯系统的简单程序已逐渐被专家系统、神经网络与模糊控制…等取代，加上建筑楼层与电梯控制数不断增加，整体运算复杂度也随之提高，因此如何在满足用户需求的同时，优化系统整体性能，已成为了各电梯厂家的核心议题。
发明内容
针对上述问题，本发明提供了一种基于动态优化的多目标电梯调度系统及方法。
一方面，本发明提供的一种基于动态优化的多目标电梯调度系统，其包括：
呼梯模块：用以传递呼梯数据；
控制器模块，用以进行数据传递、计算与派梯；
远程模块，用以进行远程监控与管理。
在本发明的一个优选实施例中，所述控制器模块包括依次进行数据流转的数据处理子模块、模型库子模块、调度算法子模块、派梯管理子模块。
在本发明的一个优选实施例中，所述数据处理子模块接收来自所述呼梯模块的呼梯数据以及电梯群内控制器传来的运行状态数据，并将所接收的呼梯数据和运行状态数据传入所述模型库子模块中。
在本发明的一个优选实施例中，所述模型库子模块直接导出模型中目前最佳的派梯规则作为参考派梯数据并连同所接收的呼梯数据和运行状态数据传入所述调度算法子模块进行试算。
在本发明的一个优选实施例中，所述调度算法子模块依据所述的呼梯数据和运行状态数据计算最佳派梯讯息，同时与所述模型库子模块提供的参考派梯数据进行比较，择优将最优派梯数据提供给派梯管理子模块。
在本发明的一个优选实施例中，所述派梯管理子模块在接受到最优派梯数据后则对呼梯数据进行添加、删除与存储等处理，完成派梯队列的更新数据，同时将派梯队列的更新数据传入远程模块中。
在本发明的一个优选实施例中，所述远程模块包括数据管理子模块和模型管理子模块。
在本发明的一个优选实施例中，所述数据管理子模块用来存贮所述派梯队列的更新数据并用来监控每台单梯的目前楼层位置、转化的内外呼信号、内外呼信号数量、单梯运行方向、运行状态信息以及对每个乘客目的层呼叫的派梯结果。
在本发明的一个优选实施例中，所述模型管理子模块作为算法参数管理、新模型建立以及将模型更新到模型库子模块中。
另一方面，本发明还提供了一种基于动态优化的多目标电梯调度方法，所述方法是采用改良差分进化算法作为调度算法的基础，主要是通过一连串的变异，交叉与选择，找到比所述控制器模块提供的参考派梯数据更佳的派梯结果。
在本发明的一个优选实施例中，所述多目标电梯调度方法包含：
首先是初始化，其方式是在解空间中随机均匀产生M个个体，每个个体由n维向量组成，其表示为：
Figure GDA0002122662890000021
第i个个体的第j维值取值方式如下：
Figure GDA0002122662890000022
再来是进入一连串的变异，交叉与选择，找到比所述控制器模块提供的参考派梯数据更佳的派梯结果；其中公式(1)中的Xi(0)代表派梯数据，总共有M个，xi，1(0)，xi，2(0)，xi，3(0)，…，xi，n(0)分别代表第1，2，3…n台电梯走行方向，0代表下行，1代表上行，公式(2)中的Lj_min为产生布尔函数值前的下限值，Lj_max为产生布尔函数值前的上限值。
在本发明的一个优选实施例中，所述变异的方法是以第g次迭代中的第i个个体为例，从种群中随机选择3个个体Xp1(g)，Xp2(g)，Xp3(g)且p1≠p2≠p3≠i，生成的变异向量为：
Vi(g)＝Xp1(g)+F·(Xp2(g)-Xp3(g)) (3)
公式(3)中的F为缩放因子，一般是在[0，2]之间选择，通常取0.5。；Xp1(g)代表随机选择的第1个个体，Xp2(g)代表随机选择的第2个个体，Xp3(g)随机选择的第3个个体。
交叉的方式是通过概率的方式随机生成新的个体，操作方法如下：
Figure GDA0002122662890000031
公式(4)中的CR称为交叉概率；Ui，j(g+1)代表通过概率的方式挑选出来的新个体，Vi，j(g+1)代表通过概率的方式随机生成的个体，Xi，j(g)代表原本的个体值；
所述选择的方式是采用贪婪选择的策略，选择较优的个体作为新的个体，操作方法如下：
Figure GDA0002122662890000032
公式(5)中，Xi，j(g+1)代表采用贪婪选择，所选出的新个体。，Ui(g+1)代表通过概率的方式挑选出来的个体，Xi(g)代表原本的个体值；
然后按照公式(3)至(5)进行迭代更新，直到找出合适的解为止。
在本发明的一个优选实施例中，所述F为0.5。
在本发明的一个优选实施例中，所述基于动态优化的多目标电梯调度方法涉及到的差分变异策略种类包括但不限于：DE/rand/1/bin、DE/rand/2/bin、DE/best/1/bin、DE/best/2/bin、DE/rand-to-best/bin、DE/current-to-rand/bin、DE/current-to-best/bin…等。
在本发明的一个优选实施例中，所述基于动态优化的多目标电梯调度方法涉及到的估算方法包括但不限于蒙特卡罗(Monte Carlo)、均匀分布、重要性抽样…等。
由于本发明是采用找到比模型库子模块提供的参考派梯数据更佳的派梯结果，加上定期人工更新模型，因此相较于传统的派梯方法，本方法会随着电梯的使用次数增加，派梯质量会越好。
附图说明：
图1为本发明实施例中的系统模块结构图；
图2为本发明实施例中的调度算法流程图；
图3为本发明实施例中的综合评价函数结构图；
具体实施方式
为使本领域技术人员更好地理解本发明的技术方按，下面结合附图和具体实施方式对本发明作进一步详细描述。
实施例1：
如图1所示，是本发明实施例中的系统模块结构图。该系统包括呼梯模块100、控制器模块200与远程模块300：
呼梯模块100：主要功能是传递呼梯数据。
控制器模块200：利用数据处理子模块201接收来自呼梯模块的呼梯数据以及电梯群内控制器传来的运行状态数据，将呼梯数据和运行状态数据传入模型库子模块202中，由模型库子模块202直接导出模型中目前最佳的派梯规则作为参考派梯数据，同时连同前述的呼梯数据和运行状态数据传入调度算法子模块203进行试算。最后由调度算法子模块203依据前述的参考派梯数据与实际试算结果，择优将最优派梯数据提供给派梯管理子模块204。派梯管理子模块204在接受到最优派息数据后则对呼梯信号进行添加、删除与存储等处理,完成派梯队列的更新，同时易将相关数据传入远程模块300中的数据管理子模块301。
远程模块300：其中的数据管理子模块301主要用来监控每台单梯的目前楼层位置、转化的内外呼信号、内外呼信号数量、单梯运行方向、运行状态等信息以及对每个乘客目的层呼叫的派梯结果。另外模型管理子模块302则是作为算法参数管理、新模型建立以及将模型更新到模型库子模块中。
实施例2：
如图2所示，是本发明实施例中的调度算法流程图。所述方法是采用改良差分进化算法作为调度算法的基础，主要是通过一连串的变异，交叉与选择，找到比模型库子模块202提供的参考派梯数据更佳的派梯结果。所述调度方法包含：
首先是初始化，其方式是在解空间中随机均匀产生M个个体，每个个体由n维向量组成，其可表示为：
Figure GDA0002122662890000051
第i个个体的第j维值取值方式如下：
Figure GDA0002122662890000052
其中公式(6)中的Xi(0)代表派梯数据，总共有M个，xi，1(0)，xi，2(0)，xi，3(0)，…，xi，n(0)分别代表第1，2，3…n台电梯走行方向，0代表下行，1代表上行，公式(7)中的Lj_min为产生布尔函数值前的下限值，Lj_max为产生布尔函数值前的上限值。
每一维的向量为一个整数，其编码方式为最后一码为0代表电梯下行呼梯，最后一码为1代表电梯上行呼梯。其余电梯的顺序编码。例如有1-99台电梯，则10代表第1台电梯下行呼梯，11代表第1台电梯上行呼梯；20代表第2台电梯下行呼梯，11代表第2台电梯上行呼梯；30代表3台电梯下行呼梯，31代表第3台电梯上行呼梯…以此类推，990代表第99台电梯下行呼梯，991代表第99台电梯上行呼梯。
再来是进入一连串的变异，交叉与选择。
首先变异的部分，以第g次迭代中的第i个个体为例，从种群中随机选择3个个体Xp1(g)，Xp2(g)，Xp3(g)且p1≠p2≠p3≠i，生成的变异向量为：
Vi(g)＝Xp1(g)+F·(Xp2(g)-Xp3(g)) (8)
公式(8)中的F为缩放因子，一般是在[0，2]之间选择，通常取0.5。；Xp1(g)代表随机选择的第1个个体，Xp2(g)代表随机选择的第2个个体，Xp3(g)随机选择的第3个个体。
再来是交叉，其方式是通过概率的方式随机生成新的个体，操作方法如下：
Figure GDA0002122662890000061
公式(9)中的CR称为交叉概率；Ui，j(g+1)代表通过概率的方式挑选出来的新个体，Vi，j(g+1)代表通过概率的方式随机生成的个体，Xi，j(g)代表原本的个体值；
最后是选择，其方式是采用贪婪选择的策略，选择较优的个体作为新的个体。操作方法如下：
Figure GDA0002122662890000062
公式(10)中，Xi，j(g+1)代表采用贪婪选择，所选出的新个体。，Ui(g+1)代表通过概率的方式挑选出来的个体，Xi(g)代表原本的个体值；
然后按照公式(8)至(10)进行迭代更新，直到找出合适的解为止。
实施例3：
本发明主要是在处理多目标调度问题，因此如图3所示。其中系统输入变量有建筑物参数、电梯状态与呼梯信号三类。建筑物参数包含了电梯数量、楼层高度、建筑物楼层数…等。电梯状态参数包含了电梯速度、电梯加速度、加速度变化率、电梯当前所在楼层、电梯当前运行方向、电梯中乘客的数量、电梯的目标楼层…等。呼梯信号包含了呼梯信号的起始楼层、呼梯信号的乘梯方向、呼梯信号的目的楼层…等。在计算目标函数时，可加入限制条件，诸如：长候梯时间(60sec)、长时乘梯时间(90sec)…等。以下兹以电梯群控系统中使用的组合目标函数为例进行说明：
Figure GDA0002122662890000063
式(6)中的F为综合评价函数，i＝1，2，3，…，n，n为电梯总部数。其中fi为各组合目标函数，组合目标函数f1、f2、f3、f4、f5分别为平均候梯时间、平均乘梯时间、长时间候梯率、轿厢拥挤度与系统能耗。ωi为比重系数，且
Figure GDA0002122662890000064
其中：
平均候梯时间(f1)：为「轿厢到达乘客所在层的运行时间」与「轿厢在运行过程中停靠的时间」两者之合。「轿厢在运行过程中停靠的时间」为「轿箱平均开门时间」、「乘客进出轿箱平均时间」与「轿箱平均关门时间」三者之合，之后再乘以轿厢到达乘客所在楼层所停靠的次数。
平均乘梯时间(f2)：为「轿厢到达目的层的运行时间」与「轿厢在运行过程中停靠的时间」两者之合。由于无法立即得知乘客的目的层，因此采用抽样方法来估算乘客的目的楼层，对乘梯时间做粗略预测。诸如：蒙特卡罗(Monte Carlo)、均匀分布、重要性抽样…等。
长时候梯率(f3)：在响应呼梯信号的总次数中，候梯时间超过一定时间(一般设为60秒)的次数，所占的比例。
轿厢拥挤度(f4)：采用两种方式计算，第一种是采用轿箱内乘客数量，亦即电梯内实际乘客数量对于电梯的额定载客数量的占比。第二种是采用轿箱内乘客重量，亦即电梯内实际乘客重量对于电梯的额定载客重量的占比。
系统能耗(f5)：为到达乘客所在楼层的过程中启动和停止电梯的次数之和。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则内，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内。

Claims (6)

1.一种基于动态优化的多目标电梯调度系统，其特征在于，包括：
呼梯模块：用以传递呼梯数据；
控制器模块，用以进行数据传递、计算与派梯；
远程模块，用以进行远程监控与管理；
所述控制器模块包括依次进行数据流转的数据处理子模块、模型库子模块、调度算法子模块、派梯管理子模块；
所述数据处理子模块接收来自所述呼梯模块的呼梯数据以及电梯群内控制器传来的运行状态数据，并将所接收的呼梯数据和运行状态数据传入所述模型库子模块中；
所述模型库子模块直接导出模型中目前最佳的派梯规则作为参考派梯数据并连同所接收的呼梯数据和运行状态数据传入所述调度算法子模块进行试算；
所述调度算法子模块依据所述的呼梯数据和运行状态数据计算最佳派梯讯息，同时与所述模型库子模块提供的参考派梯数据进行比较，择优将最优派梯数据提供给派梯管理子模块；
所述派梯管理子模块在接受到最优派梯数据后则对呼梯数据进行添加、删除与存储处理,完成派梯队列的更新数据，同时将派梯队列的更新数据传入远程模块中；
所述远程模块包括数据管理子模块和模型管理子模块；
所述数据管理子模块用来存贮所述派梯队列的更新数据并用来监控每台单梯的目前楼层位置、转化的内外呼信号、内外呼信号数量、单梯运行方向、运行状态信息以及对每个乘客目的层呼叫的派梯结果；
所述模型管理子模块作为算法参数管理、新模型建立以及将模型更新到模型库子模块中。
2.一种基于权利要求1所述的动态优化的多目标电梯调度系统的实现方法，其特征在于，所述实现方法是采用改良差分进化算法作为调度算法的基础，主要是通过一连串的变异，交叉与选择，找到比所述控制器模块提供的参考派梯数据更佳的派梯结果。
3.如权利要求2所述的实现方法，其特征在于， 包含：
首先是初始化，其方式是在解空间中随机均匀产生M个个体，每个个体由n维向量组成，其表示为：
Figure 26451DEST_PATH_IMAGE001
 (1)
第i个个体的第j维值取值方式如下：
Figure 440114DEST_PATH_IMAGE002
 (2)
再来是进入一连串的变异，交叉与选择，找到比所述控制器模块提供的参考派梯数据更佳的派梯结果；
其中公式（1）中的
Figure 323757DEST_PATH_IMAGE003
代表派梯数据，总共有M个，
Figure 531884DEST_PATH_IMAGE004
分别代表第1,2,3…n台电梯走行方向，0代表下行，1代表上行，公式（2）中的
Figure 235398DEST_PATH_IMAGE005
为产生布尔函数值前的下限值，
Figure 937906DEST_PATH_IMAGE006
为产生布尔函数值前的上限值。
4.如权利要求3所述的实现方法，其特征在于，所述变异的方法是以第g次迭代中的第i个个体为例，从种群中随机选择3个个体X p1 (g), X p2 (g), X p3 (g)且p1≠p2≠p3≠i，生成的变异向量为：
Figure 676055DEST_PATH_IMAGE007
 (3)
公式(3)中的F为缩放因子，一般是在[0,2]之间选择，通常取0.5；X p1 (g)代表随机选择的第1个个体，X p2 (g)代表随机选择的第2个个体，X p3 (g) 随机选择的第3个个体；
所述交叉的方式是通过概率的方式随机生成新的个体，操作方法如下：
Figure 320663DEST_PATH_IMAGE008
 (4)
公式(4)中的CR称为交叉概率；
Figure 777052DEST_PATH_IMAGE009
代表通过概率的方式挑选出来的新个体，
Figure 532518DEST_PATH_IMAGE010
代表通过概率的方式随机生成的新个体，
Figure 610327DEST_PATH_IMAGE011
代表原本的个体值；
所述选择的方式是采用贪婪选择的策略，选择较优的个体作为新的个体，操作方法如下：
Figure 160257DEST_PATH_IMAGE012
 (5)
公式（5）中，
Figure 103942DEST_PATH_IMAGE013
代表采用贪婪选择，所选出的新个体，
Figure 397520DEST_PATH_IMAGE014
代表通过概率的方式挑选出来的个体，
Figure 844682DEST_PATH_IMAGE015
代表原本的个体值；
然后按照公式(3)至(5)进行迭代更新，直到找出合适的解为止。
5.如权利要求4所述的实现方法，其特征在于，所述F为0.5。
6.如权利要求2所述的实现方法，其特征在于，其涉及到的差分变异策略种类为：DE/rand/1/bin、DE/rand/2/bin、DE/best/1/bin、DE/best/2/bin、DE/rand – to - best/bin、DE/current – to - rand/bin或DE/current – to - best/bin。
CN201910406862.7A 2019-05-16 2019-05-16 一种基于动态优化的多目标电梯调度系统及方法 Active CN110127464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910406862.7A CN110127464B (zh) 2019-05-16 2019-05-16 一种基于动态优化的多目标电梯调度系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910406862.7A CN110127464B (zh) 2019-05-16 2019-05-16 一种基于动态优化的多目标电梯调度系统及方法

Publications (2)

Publication Number Publication Date
CN110127464A CN110127464A (zh) 2019-08-16
CN110127464B true CN110127464B (zh) 2021-09-17

Family

ID=67574511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910406862.7A Active CN110127464B (zh) 2019-05-16 2019-05-16 一种基于动态优化的多目标电梯调度系统及方法

Country Status (1)

Country Link
CN (1) CN110127464B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1857981A (zh) * 2006-05-24 2006-11-08 南京大学 基于cmac网络的群控电梯调度方法
CN101244784A (zh) * 2008-03-27 2008-08-20 天津大学 一种电梯群控器及其群控方法
CN105800400A (zh) * 2016-05-03 2016-07-27 昆明理工大学 一种优化电梯调度管理的方法
CN106315319A (zh) * 2016-09-23 2017-01-11 广州日滨科技发展有限公司 一种电梯智能预调度方法及系统
CN106365003A (zh) * 2016-09-18 2017-02-01 渤海大学 一种多轿厢电梯群的优化调度方法
CN107879206A (zh) * 2017-11-08 2018-04-06 广东欧珀移动通信有限公司 电梯调度方法、装置、设备及存储介质
CN108492218A (zh) * 2018-02-11 2018-09-04 淮阴师范学院 一种数字化社区一体化智能系统
CN108639882A (zh) * 2018-05-03 2018-10-12 中国科学院计算技术研究所 基于lstm网络模型的处理芯片与包含其的运算装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1857981A (zh) * 2006-05-24 2006-11-08 南京大学 基于cmac网络的群控电梯调度方法
CN101244784A (zh) * 2008-03-27 2008-08-20 天津大学 一种电梯群控器及其群控方法
CN105800400A (zh) * 2016-05-03 2016-07-27 昆明理工大学 一种优化电梯调度管理的方法
CN106365003A (zh) * 2016-09-18 2017-02-01 渤海大学 一种多轿厢电梯群的优化调度方法
CN106315319A (zh) * 2016-09-23 2017-01-11 广州日滨科技发展有限公司 一种电梯智能预调度方法及系统
CN107879206A (zh) * 2017-11-08 2018-04-06 广东欧珀移动通信有限公司 电梯调度方法、装置、设备及存储介质
CN108492218A (zh) * 2018-02-11 2018-09-04 淮阴师范学院 一种数字化社区一体化智能系统
CN108639882A (zh) * 2018-05-03 2018-10-12 中国科学院计算技术研究所 基于lstm网络模型的处理芯片与包含其的运算装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于差分演化算法的电梯群智能控制系统研究》;张巍;《中国优秀硕士论文全文数据库》;20120315;C038-539 *

Also Published As

Publication number Publication date
CN110127464A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
Hirasawa et al. A double-deck elevator group supervisory control system using genetic network programming
US5354957A (en) Artificially intelligent traffic modeling and prediction system
Cortés et al. Genetic algorithm for controllers in elevator groups: analysis and simulation during lunchpeak traffic
Fujino et al. An elevator group control system with floor-attribute control method and system optimization using genetic algorithms
JP4602086B2 (ja) エレベータシステムを制御する方法およびエレベータシステムのためのコントローラ
EP1638878B1 (en) Method and elevator scheduler for scheduling plurality of cars of elevator system in building
JP4870863B2 (ja) エレベータ群最適管理方法、及び最適管理システム
CN111753468B (zh) 基于深度强化学习的电梯系统自学习最优控制方法及系统
JP2009528234A5 (zh)
CN103803362B (zh) 电梯群管理系统
Luh et al. Group elevator scheduling with advance information for normal and emergency modes
Ahn et al. A smart elevator scheduler that considers dynamic changes of energy cost and user traffic
CN110127464B (zh) 一种基于动态优化的多目标电梯调度系统及方法
Eguchi et al. Elevator group supervisory control systems using genetic network programming
Van et al. Green elevator scheduling based on IoT communications
CN116205550A (zh) 基于自适应离散粒子群算法的物流园车辆取货调度方法
JP4690703B2 (ja) エレベータ群管理方法及び装置
Yu et al. Multi-car elevator system using genetic network programming for high-rise building
Bayğin et al. A new intelligent group elevator control approach
CN117645217B (zh) 基于混沌映射混合算法的电梯群控调度方法及系统
Yu et al. Analysis of energy consumption of elevator group supervisory control system based on genetic network programming
JP7294480B1 (ja) 学習装置、推論装置およびエレベーターの群管理装置
Zhou et al. Elevator group supervisory control system using genetic network programming with reinforcement learning
Zhou et al. Elevator group supervisory control system using genetic network programming with macro nodes and reinforcement learning
Zhou et al. A study of applying genetic network programming with reinforcement learning to elevator group supervisory control system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant