CN110654946B - 一种基于人工智能的社区电梯调度方法和系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的社区电梯调度方法和系统，该方法包括：获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息；根据所述叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，建立人工智能优化模型；所述人工智能优化模型采用遗传算法，生成实施调度方案。该方法对调度方案进行实时更新，选取最优的实时调度方案，使得电梯可以高效运行，提高电梯的使用效率，节约资源消耗，对于乘客的出行提供了便利。

Description

一种基于人工智能的社区电梯调度方法和系统

技术领域

本发明涉及智慧社区的电梯调度管理领域，具体是一种基于人工智能的社区电梯调度方法和系统。

背景技术

大型居民社区中高层建筑较多，每个高层建筑都具有一定数量的电梯，乘坐电梯的人员也多，特别是高峰时段需要花费较长的电梯等待时间，使得电梯的调度以实现资源配置的最优化成为了一个复杂的问题。

电梯的调度主要涉及：在有叫梯请求时，如何分派电梯停靠叫梯楼层以满足该请求；无叫梯请求时，如何设定电梯的默认停靠楼层。

另外，居民社区来说乘坐电梯的固定人口多(例如社区长期居住的居民和租户)，流动人口少(例如访客、快递员等)，对于固定人口来说，其叫梯的时候预计的目的楼层是相对比较固定的，大多数情况下是集中在居住楼层和公共楼层(例如1层、地下车库层等)，对于固定人员来说，合理的安排电梯的时间可以提高资源利用率，是电梯调度方案更加合理。

因此，如何对电梯进行合理调度分配，提高资源利用率是同行从业人员亟待解决的问题。

发明内容

鉴于上述问题，本发明的目的是为了解决对电梯使用频率的适应性差，缺乏通用性，调度不合理，资源利用率低的问题。

第一方面，本发明实施例提供一种基于人工智能的社区电梯调度方法，包括：

获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息；

根据所述叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，生成初始电梯调度方案；

所述初始电梯调度方案采用遗传算法，生成实时调度方案。

在一个实施例中，获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，包括：

获取叫梯请求、每一部电梯的目的楼层与电梯的负载状态；

获取等待乘梯乘客的面部图像；

对比所述等待乘电梯乘客的面部图像与历史乘梯乘客面部数据库，确定是否为多次乘梯的固定乘客；

当确定是多次乘梯的固定乘客时，获取该乘客历史乘梯记录中记录的高频停靠楼层，生成预测楼层信息。

在一个实施例中，上述初始电梯调度方案采用遗传算法，生成实时调度方案，包括：

获取所述初始电梯调度方案的M个初始状态数组；

根据遗传算法，将所述M个初始状态数组进行变异交叉，生成状态数组；

从所述状态数组中选择较优的状态数组进入下一轮的迭代；

当所述状态数组中的综合最优化的评价函数符合五个电梯调度优化目标，结束迭代，生成实时调度方案。

在一个实施例中，所述综合最优化的评价函数为：

上式中，f₁、f₂、f₃、f₄、f₅表示五个电梯调度优化目标的评价值，w₁、w₂、w₃、w₄、w₅表示权重值。

在一个实施例中，所述五个电梯调度优化目标，包括：

降低用户的平均电梯等待时间、降低用户的平均乘梯时间、减少平均甩层发生次数、降低电梯的平均拥挤程度和降低电梯耗能。

第二方面，本发明还提供一种基于人工智能的社区电梯调度系统，包括：

获取模块，用于获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息；

初始电梯调度方案生成模块，用于根据所述叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，生成初始电梯调度方案；

实时调度方案生成模块，用于所述人工智能优化模型采用遗传算法，生成实时调度方案。

在一个实施例中，所述获取模块，包括：

电梯状态接口子模块，用于获取叫梯请求、每一部电梯的目的楼层与电梯的负载状态；

面部图像获取子模块，用于获取等待乘梯乘客的面部图像；

固定乘客确定子模块，用于对比所述等待乘电梯乘客的面部图像与历史乘梯乘客面部数据库，确定是否为多次乘梯的固定乘客；

预测楼层生成子模块，用于当确定是多次乘梯的固定乘客时，获取该乘客历史乘梯记录中记录的高频停靠楼层，生成预测楼层信息。

在一个实施例中，所述实时调度方案生成模块，包括：

获取子模块，用于获取所述初始电梯调度方案的M个初始状态数组；

状态数组生成子模块，用于根据遗传算法，将所述电梯调度方案的M个初始状态数组进行变异交叉，生成状态数组；

选择子模块，用于从所述状态数组中选择较优的状态数组进入下一轮的迭代；

实时调度方案生成子模块，用于当所述状态数组中的综合最优化的评价函数符合五个电梯调度优化目标，结束迭代，生成实时调度方案。

在一个实施例中，所述实时调度方案生成子模块中，

所述综合最优化的评价函数为：

上式中，f₁、f₂、f₃、f₄、f₅表示五个电梯调度优化目标的评价值，w₁、w₂、w₃、w₄、w₅表示权重值。

在一个实施例中，所述实时调度方案生成子模块中，

所述符合五个电梯调度优化目标，包括：降低用户的平均电梯等待时间、降低用户的平均乘梯时间、减少平均甩层发生次数、降低电梯的平均拥挤程度和降低电梯耗能。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例提供的一种基于人工智能的社区电梯调度方法，本方法对电梯的状态数组进行持续的更新，并且制定电梯调度优化目标，当状态数组的评价函数达到设置的优化目标时，生成实时调度方案，根据实时调度方案对电梯进行控制，提高了电梯调度系统的实时性，可以合理、有效的控制电梯的运行，节约了用户等电梯的时间，提高了使用效率，节约了资源，对用户提供了极大的便利。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于人工智能的社区电梯调度方法的流程图；

图2为本发明实施例提供的步骤S101流程图；

图3为本发明实施例提供的步骤S103流程图；

图4为本发明实施例提供的一种基于人工智能的社区电梯调度系统的框图；

图5为本发明实施例提供的获取模块401的框图；

图6为本发明实施例提供的实时调度方案生成模块403的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1所示，本发明实施例提供的一种基于人工智能的社区电梯调度方法，该方法包括：步骤S101～S103；

S101、获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息；

所述叫梯请求即未乘上电梯的乘客通过电梯间的呼叫面板输入的上行或者下行请求；所述每一部电梯的目的楼层即已经乘坐电梯的乘客通过电梯内部的楼层面板输入的停靠楼层；所述电梯的负载状态分为未满载和满载，未满载状态下根据电梯的实际负重量，划分出若干个电梯拥挤等级，例如1-3级；

S102、根据所述叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，生成初始电梯调度方案；

S103、所述初始电梯调度方案采用遗传算法，生成实时调度方案。

本实施例中，采用遗传算法对调度方案进行实时更新，选取最优的实时调度方案，使得电梯可以高效运行，提高电梯的使用效率，节约资源消耗，对于乘客的出行提供了便利。

在一个实施例中，参照图2所示，上述步骤S101中获取所述预测楼层信息，包括：

S1011、获取叫梯请求、每一部电梯的目的楼层与电梯的负载状态；

S1012、获取等待乘梯乘客的面部图像；

S1013、对比所述等待乘电梯乘客的面部图像与历史乘梯乘客面部数据库，确定是否为多次乘梯的固定乘客；

S1014、当确定是多次乘梯的固定乘客时，获取该乘客历史乘梯记录中记录的高频停靠楼层，生成预测楼层信息。

本实施例中，判断乘客是否为固定乘客，对于固定乘客的停靠楼层进行预判，提前生成楼层信息，可以生成更加合理的电梯调度方案，节约资源，减少电梯资源的浪费，方便乘客乘梯。

在一个实施例中，参照图3所示，上述步骤S103中初始电梯调度方案采用遗传算法，生成实时调度方案，包括：

S1031、获取所述初始电梯调度方案的M个初始状态数组；

S1032、根据遗传算法，将所述M个初始状态数组进行变异交叉，生成状态数组；

S1033、从所述状态数组中选择较优的状态数组进入下一轮的迭代；

S1034、当所述状态数组中的综合最优化的评价函数符合五个电梯调度优化目标，结束迭代，生成实时调度方案。

本实施例中，采用遗传算法对初始电梯调度方案进行不断更新，直到生成最优的实时调度方案，并根据实施调度方案对电梯进行控制，提高了电梯调度方案的实时性，节约了用户等待电梯的时间，提高了电梯的使用效率。

在步骤S1034中，上述综合最优化的评价函数为：

上式中，f₁表示降低用户的平均电梯等待时间的评价值、f₂表示降低用户的平均乘梯时间的评价值、f₃表示减少平均甩层发生次数的评价值、f₄表示降低电梯的平均拥挤程度的评价值、f₅表示降低电梯能耗的评价值，w₁表示降低用户的平均电梯等待时间的权重值、w₂表示降低用户的平均乘梯时间的权重值、w₃表示减少平均甩层发生次数的权重值、w₄表示降低电梯的平均拥挤程度的权重值、w₅表示降低电梯能耗的权重值。

在步骤S1034中，上述五个电梯调度优化目标，包括：

降低用户的平均电梯等待时间、降低用户的平均乘梯时间、减少平均甩层发生次数、降低电梯的平均拥挤程度和降低电梯耗能。

下面通过一个完整的实施例来说明基于人工智能的社区电梯调度方法的。

实施例1：

具体的，通过下述方法步骤进行电梯调度的：

1、电梯的控制系统执行步骤S101，即实时获得叫梯请求、每一部电梯的目的楼层以及电梯的负载状态；电梯的控制系统通过在电梯间安装的视频摄像头，拍摄等待乘梯的乘客面部，并通过与后台的历史乘梯乘客面部数据库的比对，判断是否为多次乘梯的固定乘客；如果是则获得该乘客历史乘梯记录中记录的高频停靠楼层，作为预测楼层；

2、电梯的控制系统执行步骤S102，即将实时获得的叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息代入人工智能优化模型；

3、在人工智能优化模型中，如步骤S1031，确定电梯调度方案的M个初始状态数组(即遗传的第0代)，假设一共有n台电梯，则每个初始状态数组表示为X_i(0)，其中i＝1、2、3…M；

X_i(0)是一个n维数组，表示为：

其中x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)分别代表在第i个初始状态中，第1、2、3…n台电梯走行方向和停靠模式，x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)的取值为0-3，其中0代表下行且凡是有叫梯请求的楼层都逐层停靠，1代表上行且凡是有叫梯请求的楼层都逐层停靠，2表示下行且忽略叫梯请求的楼层，3表示上行且忽略叫梯请求的楼层。

5、执行步骤S1032，采用遗传算法，将状态数组进行变异；

比如，以第g次迭代为例，从状态数组的种群中随机选择3个个体，即X_P1(g)、X_P2(g)、X_P3(g)，且P1≠P2≠P3≠i；

生成的变异状态数组为：

V_i(g)＝X_p1(g)+F·(X_p2(g)-X_p3(g))

其中，F为缩放因子，一般是在[0，2]之间选择；

6、将状态数组进行交叉，即通过概率的方式随机生成新的个体，具体公式如下：

其中，CR称为交叉概率；U_i,j(g+1)表示通过概率的方式挑选出来的新个体，V_i,j(g+1)表示通过概率的方式随机生成的个体，X_i,j(g)表示原本的个体值；

7、如步骤S1033，从每一代的状态数组中选择较优的个体作为进入下一代新的个体，选择方式是：

其中，X_i,j(g+1)表示所选出的新个体，U_i,j(g+1)表示通过概率的方式挑选出来的个体，X_i,j(g)代表原本的个体值；

9、如步骤S1034，经过若干代的遗传，不断进行变异、交叉和选择，直到获得的电梯调度方案的某一代状态数组，使得综合最优化的评价函数达到要求，则输出该状态数组作为以上五个方面目标的综合最优化的实时调度方案；

其中，所述综合最优化的评价函数为：

上式中，f₁表示降低用户的平均电梯等待时间的评价值、f₂表示降低用户的平均乘梯时间的评价值、f₃表示减少平均甩层发生次数的评价值、f₄表示降低电梯的平均拥挤程度的评价值、f₅表示降低电梯能耗的评价值，w₁表示降低用户的平均电梯等待时间的权重值、w₂表示降低用户的平均乘梯时间的权重值、w₃表示减少平均甩层发生次数的权重值、w₄表示降低电梯的平均拥挤程度的权重值、w₅表示降低电梯能耗的权重值。

进一步的，五个电梯调度优化目标为：(1)降低用户的平均电梯等待时间，电梯等待时间即用户发出叫梯请求到电梯停靠叫梯楼层的时间长度；(2)降低用户的平均乘梯时间，乘梯时间即电梯停靠叫梯楼层后用户乘上电梯开始到用户到达目的楼层的时间长度，这主要与从叫梯楼层运行到目的楼层的过程中电梯的停靠次数相关；(3)减低平均甩层发生次数，甩层是由于电梯满载，而导致电梯穿过存在叫梯请求的楼层而未停靠，这会造成用户的超长时间等待；(4)降低电梯的平均拥挤等级，提高用户的舒适度；(5)降低电梯能耗，电梯能耗主要与电梯停靠的平均次数有关，因为每次停靠的制动、启动过程都是最为耗能的环节。

10、根据电梯的实时调度方案控制每部电梯的行进方向(上行、下行)和停靠楼层。

本实施例中，根据遗传算法对电梯的状态数组进行迭代遗传，不断更新状态数组，并且制定电梯调度优化目标，当状态数组的评价函数达到设置的优化目标时，生成实时调度方案，根据实时调度方案对电梯进行控制，提高了电梯调度系统的实时性，可以合理、有效的控制电梯的运行，节约了用户等电梯的时间，提高了使用效率，节约了资源，对用户提供了极大的便利。

基于同一发明构思，本发明实施例还提供了一种基于人工智能的社区电梯调度系统，由于该装置所解决问题的原理与前述一种基于人工智能的社区电梯调度方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。

本发明实施例提供的一种基于人工智能的社区电梯调度系统，参照图4所示，包括：

获取模块401，用于获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息；

初始电梯调度方案生成模块402，用于根据所述叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，代入人工智能优化模型，生成初始电梯调度方案；

实时调度方案生成模块403，用于通过所述人工智能优化模型采用遗传算法，生成实时调度方案。

在一个实施例中，参照图5所示，所述获取模块401，包括：

电梯状态接口子模块4011，用于从电梯间的呼叫面板获得未乘上电梯的乘客输入的上行或者下行的所述叫梯请求，从电梯内部的楼层面板获得已经乘坐电梯的乘客输入的停靠楼层作为所述目的楼层，以及从电梯获得负载状态，所述电梯的负载状态分为未满载和满载，未满载状态下根据电梯的实际负重量，划分出若干个电梯拥挤等级，例如1-3级；

面部图像获取子模块4012，用于获取等待乘梯乘客的面部图像；

固定乘客确定子模块4013，用于对比所述等待乘电梯乘客的面部图像与历史乘梯乘客面部数据库，确定是否为多次乘梯的固定乘客；

预测楼层生成子模块4014，用于当确定是多次乘梯的固定乘客时，获取该乘客历史乘梯记录中记录的高频停靠楼层，生成预测楼层信息。

在一个实施例中，参照图6所示，所述实时调度方案生成模块403，包括：

获取子模块4031，用于获取所述初始电梯调度方案的M个初始状态数组；

状态数组生成子模块4032，用于根据遗传算法，将所述电梯调度方案的M个初始状态数组进行变异交叉，生成状态数组；

选择子模块4033，用于从所述状态数组中选择较优的状态数组进入下一轮的迭代；

实时调度方案生成子模块4034，用于当所述状态数组中的综合最优化的评价函数符合五个电梯调度优化目标，结束迭代，生成实时调度方案。

在一个实施例中，所述实时调度方案生成子模块中，

所述综合最优化的评价函数为：

上式中，f₁、f₂、f₃、f₄、f₅表示五个电梯调度优化目标的评价值，w₁、w₂、w₃、w₄、w₅表示权重值。

在一个实施例中，所述实时调度方案生成子模块中，

所述符合五个电梯调度优化目标，包括：降低用户的平均电梯等待时间、降低用户的平均乘梯时间、减少平均甩层发生次数、降低电梯的平均拥挤程度和降低电梯耗能。

在一个实施例中，获取子模块4031确定电梯调度方案的M个初始状态数组(即遗传的第0代)，假设一共有n台电梯，则每个初始状态数组表示为X_i(0)，其中i＝1、2、3…M；

X_i(0)是一个n维数组，表示为：

其中x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)分别代表在第i个初始状态中，第1、2、3…n台电梯走行方向和停靠模式，x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)的取值为0-3，其中0代表下行且凡是有叫梯请求的楼层都逐层停靠，1代表上行且凡是有叫梯请求的楼层都逐层停靠，2表示下行且忽略叫梯请求的楼层，3表示上行且忽略叫梯请求的楼层。

在一个实施例中，采用遗传算法，将状态数组进行变异；

比如，以第g次迭代为例，从状态数组的种群中随机选择3个个体，即X_P1(g)、X_P2(g)、X_P3(g)，且P1≠P2≠P3≠i；

生成的变异状态数组为：

V_i(g)＝X_p1(g)+F·(X_p2(g)-X_p3(g))

其中，F为缩放因子，一般是在[0，2]之间选择；

并且，状态数组生成子模块4032将状态数组进行交叉，即通过概率的方式随机生成新的个体，具体公式如下：

其中，CR称为交叉概率；U_i,j(g+1)表示通过概率的方式挑选出来的新个体，V_i,_j(g+1)表示通过概率的方式随机生成的个体，X_i,j(g)表示原本的个体值；

在一个实施例中，选择子模块4033从每一代的状态数组中选择较优的个体作为进入下一代新的个体，选择方式是：

其中，X_i,j(g+1)表示所选出的新个体，U_i,j(g+1)表示通过概率的方式挑选出来的个体，X_i,j(g)代表原本的个体值；

在一个实施例中，实时调度方案生成子模块4034对经过若干代的遗传，不断进行变异、交叉和选择获得的电梯调度方案的某一代状态数组，获得综合最优化的评价函数，直至综合最优化的评价函数达到要求，则输出该状态数组作为以上五个方面目标的综合最优化的实时调度方案。

具体的，电梯的控制系统设置有获取模块、初始电梯调度方案生成模块与实时调度方案生成模块。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种基于人工智能的社区电梯调度方法，其特征在于，包括：

获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息；其中，获取预测楼层信息具体包括：获取等待乘梯乘客的面部图像；对比所述等待乘梯乘客的面部图像与历史乘梯乘客面部数据库，确定是否为多次乘梯的固定乘客；当确定是多次乘梯的固定乘客时，获取该乘客历史乘梯记录中记录的高频停靠楼层，生成预测楼层信息；

根据所述叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，生成初始电梯调度方案；生成初始电梯调度方案具体包括：确定电梯调度方案的M个初始状态数组作为遗传的第0代，假设一共有n台电梯，则每个初始状态数组表示为X_i(0)，其中i＝1、2、3…M；X_i(0)是一个n维数组，表示为：

其中x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)分别代表在第i个初始状态中，第1、2、3…n台电梯走行方向和停靠模式，x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)的取值为0-3，其中0代表下行且凡是有叫梯请求的楼层都逐层停靠，1代表上行且凡是有叫梯请求的楼层都逐层停靠，2表示下行且忽略叫梯请求的楼层，3表示上行且忽略叫梯请求的楼层；

所述初始电梯调度方案采用遗传算法，通过迭代将状态数组进行变异，其中对于第g次迭代，从状态数组的种群中随机选择3个个体，即X_P1(g)、X_P2(g)、X_P3(g)，且P1≠P2≠P3≠i；生成的变异状态数组为：

V_i(g)＝X_p1(g)+F·(X_p2(g)-X_p3(g))，其中，F为缩放因子，一般是在[0，2]之间选择；将状态数组进行交叉，即通过概率的方式随机生成新的个体，具体公式如下：

其中，CR称为交叉概率；U_i,j(g+1)表示通过概率的方式挑选出来的新个体，V_i,j(g+1)表示通过概率的方式随机生成的个体，X_i,j(g)表示原本的个体值；从每一代的状态数组中选择较优的个体作为进入下一代新的个体，选择方式是：

其中，X_i,j(g+1)表示所选出的新个体，U_i,j(g+1)表示通过概率的方式挑选出来的个体，X_i,j(g)代表原本的个体值；经过若干代的遗传，不断进行变异、交叉和选择，直到获得的电梯调度方案的某一代状态数组，使得综合最优化的评价函数达到要求，生成实时调度方案；其中综合最优化的评价函数为：

上式中，f₁表示降低用户的平均电梯等待时间的评价值、f₂表示降低用户的平均乘梯时间的评价值、f₃表示减少平均甩层发生次数的评价值、f₄表示降低电梯的平均拥挤程度的评价值、f₅表示降低电梯能耗的评价值，w₁表示降低用户的平均电梯等待时间的权重值、w₂表示降低用户的平均乘梯时间的权重值、w₃表示减少平均甩层发生次数的权重值、w₄表示降低电梯的平均拥挤程度的权重值、w₅表示降低电梯能耗的权重值。

2.一种基于人工智能的社区电梯调度系统，其特征在于，包括：

获取模块，用于获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息；其中，所述获取模块具体包括：电梯状态接口子模块，用于从电梯间的呼叫面板获得未乘上电梯的乘客输入的上行或者下行的所述叫梯请求，从电梯内部的楼层面板获得已经乘坐电梯的乘客输入的停靠楼层作为所述目的楼层，以及从电梯获得负载状态，所述电梯的负载状态分为未满载和满载，未满载状态下根据电梯的实际负重量，划分出若干个电梯拥挤等级；面部图像获取子模块，用于获取等待乘梯乘客的面部图像；固定乘客确定子模块，用于对比所述等待乘梯乘客的面部图像与历史乘梯乘客面部数据库，确定是否为多次乘梯的固定乘客；预测楼层生成子模块，用于当确定是多次乘梯的固定乘客时，获取该乘客历史乘梯记录中记录的高频停靠楼层，生成预测楼层信息；

初始电梯调度方案生成模块，用于根据所述叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，生成初始电梯调度方案；实时调度方案生成子模块具体包括：获取子模块，用于获取电梯调度方案的M个初始状态数组作为遗传的第0代，假设一共有n台电梯，则每个初始状态数组表示为X_i(0)，其中i＝1、2、3…M；X_i(0)是一个n维数组，表示为：

其中

x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)分别代表在第i个初始状态中，第1、2、3…n台电梯走行方向和停靠模式，x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)的取值为0-3，其中0代表下行且凡是有叫梯请求的楼层都逐层停靠，1代表上行且凡是有叫梯请求的楼层都逐层停靠，2表示下行且忽略叫梯请求的楼层，3表示上行且忽略叫梯请求的楼层；

状态数组生成子模块，用于根据遗传算法，通过迭代将状态数组进行变异，其中对于第g次迭代，从状态数组的种群中随机选择3个个体，即X_P1(g)、X_P2(g)、X_P3(g)，且P1≠P2≠P3≠i；生成的变异状态数组为：

V_i(g)＝X_p1(g)+F·(X_p2(g)-X_p3(g))，其中，F为缩放因子，一般是在[0，2]之间选择；将状态数组进行交叉，即通过概率的方式随机生成新的个体，具体公式如下：

其中，CR称为交叉概率；U_i,j(g+1)表示通过概率的方式挑选出来的新个体，V_i,j(g+1)表示通过概率的方式随机生成的个体，X_i,j(g)表示原本的个体值；

选择子模块，用于从每一代的状态数组中选择较优的个体作为进入下一代新的个体，选择方式是：

其中，X_i,j(g+1)表示所选出的新个体，U_i,j(g+1)表示通过概率的方式挑选出来的个体，X_i,j(g)代表原本的个体值；

实时调度方案生成子模块，用于经过若干代的遗传，不断进行变异、交叉和选择，直到获得的电梯调度方案的某一代状态数组，使得综合最优化的评价函数达到要求，生成实时调度方案；其中综合最优化的评价函数为：

上式中，f₁表示降低用户的平均电梯等待时间的评价值、f₂表示降低用户的平均乘梯时间的评价值、f₃表示减少平均甩层发生次数的评价值、f₄表示降低电梯的平均拥挤程度的评价值、f₅表示降低电梯能耗的评价值，w₁表示降低用户的平均电梯等待时间的权重值、w₂表示降低用户的平均乘梯时间的权重值、w₃表示减少平均甩层发生次数的权重值、w₄表示降低电梯的平均拥挤程度的权重值、w₅表示降低电梯能耗的权重值。

Images