基于模糊神經網絡的電梯群控系統的智能調度

摘 要 提出一種新的電梯群控系統（egcs）的評價函數，綜合考慮電梯運行的評價標準并建立了相應的模糊規(guī)則。同時把這些規(guī)則映射到模糊神經網絡中進行學習，提高了調度的智能性。為保證神經網絡每層權值的物理意義和改善規(guī)則間的重要性，提出了部分層學習算法，并推導了中心值、寬度學習算法。最后利用面向對象的方法實現了電梯群控系統的仿真軟件，結果表明此調度策略的優(yōu)越合理性。

關鍵詞 電梯群控系統 模糊規(guī)則 模糊神經網絡 調度

電梯群控系統（egcs）采用優(yōu)化的控制策略來協調多臺電梯的運行，以提高電梯的運輸效率和服務質量。

由于電梯群控系統控制目標的多樣性，同時也由于電梯系統本身所固有的隨機性和非線性，僅僅通過傳統的控制方法很難提高控制系統的性能。近年來智能控制得到迅速發(fā)展，其方法在解決具有此類特點的系統上有獨到之處。自從mistubishi公司首次把模糊邏輯用于電梯系統，采用模糊控制的電梯群控系統數量迅速增加。例如用模糊逼近的方法來確定群控系統呼梯分配中的重要參數棗區(qū)域權重，進而得出評價函數的值，實現系統多目標控制[1]；利用專家系統來實現電梯群控系統的模糊控制[2]等。但這些方法的判斷標準均有不足之處，只考慮了某一類因素，并未考慮到乘客的平均等待時間、能源消耗等因素；同時在做模糊邏輯推理時沒有把時間量、進／出人流量等作為輸入變量。本文提出了新的最優(yōu)評價函數，綜合考慮乘客的平均等候時間（awt）、長時等待率（lwp）、能源消耗（rnc）三個主要標準，并根據實際要求給予不同的權重，以此來合理分配電梯。ａｗｔ、ｌｗｐ、ｒｎｃ三個量可由一定的模糊規(guī)則推理而來，通過運用從經驗豐富的電梯工程師獲得的各種控制規(guī)則，比僅僅用嚴格的補償函數方法，可以獲得更好的效果。但由于單純的模糊控制缺乏學習功能，存在系統性能受知識的影響、調整確定隸屬函數需大量的仿真實驗、規(guī)則修改不便等缺點。而人工神經網絡通過調整連接權來得到近似最優(yōu)的輸入輸出映射，因此適用于建立類似電梯群控系統的一類非線性動態(tài)系統。兩者結合的模糊神經網絡（ｆｎｎ），具有一個表達框架，一方面提供用于解釋和推理的可理解的模型結構，另一方面具有知識獲取和學習能力。本文把ａｗｔ、ｌｗｐ、ｒｎｃ的規(guī)則映射到神經網絡中，利用網絡的學習功能來調整改善規(guī)則，解決了隨機性、非線性等問題。

１ 目標函數的選擇

對于多個電梯的群控系統，所選的控制策略是，每部電梯處理各自的隨機指令，而對于層站召喚信號則由調度算法進行分配。調度算法實際上是一個評價函數。評價函數的確定主要用到以下三個評價標準：

· 平均等候時間（ａｗｔ）：所有乘客的候梯時間和乘梯時間的平均量；

· 長時等待率（ｌｗｐ）：在一定時間內等待時間超過60s的乘客占總乘客數的百分比；

· 運行量（ｒｎｃ）：在一定時間內電梯的運行次數。由于能源消耗由啟／停電梯決定，所以該標準可決定能源消耗的大小。

ａｗｔｉ棗第ｉ個電梯的ａｗｔ值

ｌｗｐｉ棗第ｉ個電梯的ｌｗｐ值

ｒｎｃｉ棗第ｉ個電梯的ｒｎｃ值

其中：ｓｉ棗評價函數，表示第ｉ個電梯響應某個層站信號的可信度。ｉ＝１．．．ｎ，ｎ表示群控系統的電梯數。

三個評價標準可由一定的模糊規(guī)則推理得到。由（１）式可求出各電梯的可信度ｓ１、ｓ２、．．．ｓｎ。由下面的（２）式可求出最適合響應層站召喚信號的電梯ｍ，它對應著最大的ｓｉ。

在（１）式中ｗ的不同選擇表明了對三個評價標準的不同側重。例如在上／下班高峰，選擇電梯時以減小乘客等待時間為主要考慮因素而節(jié)約能源為輔，故ｌｗｐ所對應的權重大一些；而在晚上乘客稀少，則以節(jié)約能源為主，故ｒｎｃ所對應權重可大一些，而ｌｗｐ所對應的權重則小一些。

２ 規(guī)則的知識表示及推理

２．１ 模糊規(guī)則的知識表示

在電梯群控系統中運用從經驗豐富的電梯工程師獲得的各種控制規(guī)則，比僅僅用嚴格的補償函數方法，可獲得更好的效果，它可很