[发明专利]一种多轿厢电梯群的优化调度方法

摘要

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。

主权项

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：其中：Tr为轿厢的运行时间，Ts为轿厢的停车时间，H为轿厢的运行距离，am为轿厢的最大加速度，vm为轿厢的最大速度，jm为轿厢的最大加速度率；■Tr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：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：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：■Ts包括：开门时间Topen、乘客出入时间Tin_out及关门时间Tclose，Ts计算如下：Ts＝Topen+Tin_out+Tclose对每个乘客出入轿厢的时间取以固定值Tp，则乘客出入时间Tin_out为：Tin_out＝raverage×Tp，式中raverage为平均进出轿厢的人数；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Tr和轿厢停车时间Ts，即RT＝Tr+Ts，其计算方法与候梯时间的计算方法相同；③.长候梯率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：式中，N表示总乘客数，ni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：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”；令其中：fj(Z)表示各目标函数，αj，βj分别表示各优化目标的临界值，取规格化函数：则对应于的转换函数的自变量为转换后的目标函数为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列，D为粒子的维度；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：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，pld为单个粒子的局部最优位置，pgd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St，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St+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St+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。