CN111291921A - 一种基于改进人工蜂群算法的群控电梯调度优化方法 - Google Patents

Abstract

本发明公开了一种基于改进人工蜂群算法的的群控电梯调度优化方法，先确定系统评价指标并建立目标函数从而确定适应度函数；建立电梯当前状态矩阵，描述电梯信息包括当前电梯状态信息、电梯内乘客目的层信息、外呼信号的呼梯层信息；设置电梯参数并初始化各项参数，引领蜂进行邻域搜索后，利用模拟退火的选择概率，比较原始食物源和新食物源的适应度，若新食物源适应度大于原始蜜源的适应度，则接受该食物源，反之则以一定概率接受较差解，扩大解的选择区域更能找到全局最优解。本发明引入人工蜂群算法去解决群控电梯调度优化问题的求解，并改进利用混合算法进行目标问题求解具有一定优势，能够实现电梯群控系统的调度优化。

Description

一种基于改进人工蜂群算法的群控电梯调度优化方法

技术领域

本发明属于电梯群控系统领域，涉及一种调度优化方法，具体涉及一种基于改进人工蜂群算法的群控电梯调度优化方法。

背景技术

随着科学技术的飞速发展，城市建设发展更加迅速，城市中出现了越来越多的智能建筑，超高层建筑的出现已成为建筑的发展趋势。智能建筑中楼宇自动化的飞速发展带动电梯智能技术的飞速发展，而电梯群控是电梯交通配置技术的重要组成部分。且根据美国电梯行业最新的咨询调查数据可以知道，目前在整个建筑能耗中电梯群控系统的能耗占比较高。电梯群控调度问题是同一条件下同一建筑内所有电梯派遣问题，本质上是属于一种多目标组合优化问题，一般的数学手段并不能够得到好的求解效果。考虑到群控电梯在楼宇中占有不容忽视的能耗比例对电梯群控算法进行深入研究有利于实现智能楼宇、绿色建筑，同时也响应了建设节约型社会的号召。

在节能的时代背景下，伴随着人工智能技术以及生物学算法的发展，电梯群控系统也在不断地优化。电梯群控系统需要在高效调度电梯满足乘客基本指标的同时，降低系统整体能耗这个问题已经在建筑节能方面有着相当大的重要程度。目前的电梯调度优化目标复杂，智能算法应用于电梯调度优化已有一定成效。人工蜂群算法是一种群智能优化算法，其本质是通过模拟蜜蜂采蜜觅食的行为而寻找优化问题的解。该算法具有初始控制参数少、收敛速度和精度较高等优点。使用该算法解决优化问题时，蜜源对应于群控电梯优化问题的一个可行解，其收益率即适应度值代表解的质量。每个雇佣蜂对应一个确定的蜜源也就是解向量，在不断迭代过程中对蜜源的邻域进行搜索。但算法在寻优过程中容易陷入局部最优解，因此，研究电梯群控调度的优化方法，改进适用于群控电梯的优化算法对于提高电梯的运输能力具有重要的实用意义。

发明内容

为解决现有技术中算法在寻优过程中容易陷入局部最优解的问题，本发明的目的在于提供一种基于改进人工蜂群算法的群控电梯系统调度优化方法，该方法对基本人工蜂群算法的贪婪选择策略进行改进，采用基于模拟退火(Simulated Annealing，SA)机制的选择方法有效避免算法陷入局部最优解，实现对群控电梯系统的多目标优化。

为了实现上述任务，本发明采取如下的技术解决方案：

一种基于改进人工蜂群算法的群控电梯调度优化方法，包括以下步骤：

S100，综合考虑乘梯时间、侯梯时间及系统能耗三个目标指标，确定群控电梯系统评价指标；

S200，进行系统建模，采用加权组合方式建立多目标函数的数学模型，确定其约束条件，建立目标函数从而确定适应度函数；

S300，建立电梯群控系统状态描述矩阵，其中包括电梯当前运行状态E、电梯内乘客目的层矩阵A_i，当前呼梯信号楼层矩阵C_i；

S400，初始化参数，包括种群数目、最大限制开采次数、最大迭代次数；

计算初始解的适应度值，引领蜂进行领域搜索产生新解；

并计算新解对应的适应度值；

S500，进行贪婪选择，利用贪婪选择策略进行蜜源选择；利用模拟退火的选择概率，比较原始食物源和新食物源的适应度，若新食物源适应度大于原始蜜源的适应度，则接受该食物源，否则以一定的概率接受新食物源；

S600，计算与解相关的选择概率，跟随蜂再根据轮盘赌选择法以概率选择食物源，再进行邻域搜索产生新解，并计算新解对应的适应度值；

S700，判断是否有要放弃的蜜源，若有侦查蜂产生，则放弃原蜜源寻找新蜜源并标记；若没有侦查蜂产生，更新最优蜜源，记录目前为止最优解；

S800，最后判断是否满足终止条件，若满足便输出最优结果，不满足则继续重复产生新解替代旧解及以后步骤。

作为本发明的进一步改进，所述S100中，电梯系统能耗包括电梯启停能耗和运行时的能耗。

作为本发明的进一步改进，所述S200中，目标函数的数学模型如下：

F(x)＝W₁f_h+W₂f_c+W₃f_n(1)

式中F(x)为多目标评价函数；f_h、f_c、f_n分别为候梯时间评价函数、乘梯时间评价函数、系统能耗评价函数；W₁、W₂、W₃为评价函数f_h、f_c、f_n对应的系数权重。

作为本发明的进一步改进，所述S300中，电梯当前运行状态E为当前电梯处于静止、上行或下行状态，当前电梯载重人数和当前电梯所处楼层状态；电梯内乘客目的层状态A_i包括在第j层下的人数；当前呼梯信号楼层状态C_i包括第i台电梯在第j层有向上或向下的外呼信号。

作为本发明的进一步改进，所述S300中，电梯当前运行状态包括上行状态、下行状态、静止状态，电梯当前状态矩阵为式(5)；

e_ij为第i台电梯所在楼层为j；e_is为第i台电梯的运行状态为上行、下行或静止，s＝0为静止，s＝1为上行，s＝-1为下行；e_ip为第i台电梯中的人数此时为p；

电梯内乘客目的层状态矩阵(6)，其表示方式包括电梯台数i，建筑物楼层数j，电梯内人数p：

式中，A_i中i为电梯台数，取值为1～N，a_p1为有人数p在一层下，a_pj为有人数p在j层下；

电梯外呼信号矩阵(7)包括电梯台数i，建筑物楼层数j，1表示外呼信号为上行，2表示外呼信号为下行；

作为本发明的进一步改进，所述S400中，引领蜂搜索新食物源根据式(2)方程式进行搜索：

其中，j∈{1,2,…,D}，D为待优化问题参数维度，i∈{1,2,…,SN}，k∈{1,2,…,SN}，SN为种群规模，x_ij表示第i个解中第j维的值，

为[-1,1]之间的随机数。

作为本发明的进一步改进，所述S500中，根据公式(3)确定选择新蜜源的概率，比较原始食物源和新食物源的适应度，若新食物源适应度大于原始蜜源的适应度，则一定接受，否则以公式中的概率p接受；

其中fit(x_i)、fit(x_j)为原始蜜源的适应度和邻域搜索后新蜜源的适应度，T为模拟退火的温度；若fit(x_j)>fit(x_i)，则接受新蜜源；若fit(x_j)≤fit(x_i)，则以概率计算公式(3)接受新蜜源。

作为本发明的进一步改进，所述S600中，跟随蜂再根据式(4)轮盘赌选择法以概率选择食物源，再根据搜索方程(2)进行领域搜索产生新解V_ij，并计算新解对应的适应度值；

其中，fit_i为蜜源的适应度值，i∈{1,2,…,SN}，SN为种群数。

与现有技术相比，本发明具有以下优点：

本发明的基于改进人工蜂群算法的群控电梯系统调度优化方法，目标函数的评价指标包括乘梯时间、侯梯时间和系统能耗(停靠次数)即满足了侯梯乘客的时间要求，也满足了管理者的能耗需求，两者兼得评价指标更加全面。且对基本人工蜂群算法的选择策略进行改进融合，使算法跳出过早收敛从而搜寻到目标函数的全局最优解，对群控电梯系统调度优化更具有优越性。既能节省乘客的时间也能通过减少停靠次数来降低系统能耗。

附图说明

图1为本发明的改进人工蜂群算法的流程示意图；

图2为本发明的实施例在上高峰模式的算法运行迭代曲线图；

图3为本发明的实施例在下高峰模式的算法运行迭代曲线图；

图4为本发明的实施例在层间模式的算法运行迭代曲线图。

具体实施方式

下面结合附图和具体实施对本发明做进一步详细说明。

参见图1本发明的改进人工蜂群算法的流程示意图，人工蜂群(Artificial beecolony，ABC)算法是一种模拟群体蜜蜂觅食特性的智能优化算法，该算法是土耳其学者Karaboga于2005年提出，通过模拟蜜蜂采蜜觅食的行为而寻找优化问题的解。算法包括食物源(蜜源)、雇佣蜂(引领蜂)、跟随蜂和侦查蜂4种基本要素。使用ABC算法进行电梯优化调度时，蜜源对应于群控电梯优化问题的一个可行解，其收益率即适应度值代表解的质量。每个雇佣蜂对应一个确定的蜜源也就是解向量，在不断迭代过程中对蜜源的邻域进行搜索。

本发明的目的在于克服现有技术的不足，提供一种基于改进人工蜂群的群控电梯系统调度优化方法，人工蜂群算法在求解非线性最优化问题时具有搜索精度高，收敛速度快的优点，人工蜂群结合模拟退火算法用于电梯调度优化中可以缩短系统耗时，减少乘客的乘梯时间和侯梯时间。

为了实现上述目的，本发明采用如下的技术方案：

利用混合模拟退火改进人工蜂群算法解决电梯群控调度问题时，要充分考虑电梯当前运行状态和运行逻辑，即模型约束条件：

(1)当电梯产生m个向上的呼梯信号时，此时电梯首先响应较低楼层的乘客，然后再响应较高楼层的乘客。

(2)当电梯计划服务于n个下行信号的乘客时，电梯首先承载较高楼层的乘客，然后再承载较低楼层的乘客。

(3)电梯实际载重量超过额定载重量时，不响应任何呼梯信号。

(4)行驶过程中，当同时有向上或向下的呼梯请求时，电梯顺应当前行驶路径预先响应相同方向的信号。

(5)分散待机策略：无任何呼梯请求时，电梯均匀分布于各个楼层为自由梯状态；上高峰时间段内，电梯均处于基层呈基梯状态。

步骤1：群控电梯系统多目标优化问题本质为组合优化问题，这类问题在求解时多个目标的选择对优化效果有一定影响，本发明首先确定群控电梯系统评价指标，根据以往研究，即考虑建筑物中使用电梯的乘客的时间性能，时间性能包括乘客的乘梯时间和侯梯时间，也考虑建筑物管理者的能耗需求，综合考虑乘梯时间、侯梯时间、系统能耗这三个目标。

步骤2：确定评价指标后进行系统建模，采用加权组合方式建立多目标函数的数学模型，确定其约束条件，建立目标函数从而确定适应度函数。在本实施例中以式(1)为目标函数；

F(x)＝W₁f_h+W₂f_c+W₃f_n (1)

式中F(x)为多目标评价函数，评价函数值越大，评价派梯的可信度越高。f_h、f_c、f_n分别为候梯时间评价函数、乘梯时间评价函数、系统能耗评价函数；W₁、W₂、W₃为评价函数f_h、f_c、f_n对应的系数权重。

要求侯梯时间越短越好，时间越短时的候梯时间评价函数值尽可能大，变化趋势为平滑的下降函数曲线，函数值越大代表可信度越高。乘梯时间评价函数和系统能耗评价函数也是如此。

步骤3：建立电梯群控系统状态描述矩阵，其中包括电梯当前运行状态矩阵E、电梯内乘客目的层状态A_i，当前呼梯信号楼层状态C_i。

步骤4：初始化各项参数，包括种群数目、最大限制开采次数、最大迭代次数，计算初始解的适应度值，引领蜂根据式(2)进行领域搜索产生新解，并计算新解对应的适应度值；

式中，j∈{1,2,…,D}，D为待优化问题参数维度，i∈{1,2,…,SN}，k∈{1,2,…,SN}，SN为种群规模，x_ij表示第i个解中第j维的值，

为[-1,1]之间的随机数。

步骤5：引领蜂阶段进行贪婪选择，利用贪婪选择策略进行蜜源选择，尽管可以较快地找到局部最优的蜜源，但会失去当前适应度不高且更接近于全局最优的蜜源。利用模拟退火的选择概率，比较原始食物源和新食物源的适应度，若新食物源适应度大于原始蜜源的适应度，则接受该食物源，否则以式(3)求出的概率接受新食物源。

fit(x_i)、fit(x_j)为原始蜜源的适应度和邻域搜索后新蜜源的适应度。若fit(x_j)>fit(x_i)，则接受新蜜源；若fit(x_j)≤fit(x_i)，则以概率计算公式(3)接受新蜜源。模拟退火的选择策略在一定程度上保留了原有算法贪婪选择策略的择优选择思想，同时也以一定的概率接受那些有潜力的蜜源，在一定程度上增强了基本ABC算法跳出局部最优的能力。

步骤6：跟随蜂阶段计算与解相关的选择概率，跟随蜂再根据式(4)轮盘赌选择法以概率选择食物源，再进行邻域搜索产生新解，并计算新解对应的适应度值，进行贪婪选择；

式中，fit_i为蜜源的适应度值，i∈{1,2,…,SN}，SN为种群数。

步骤7：判断是否有要放弃的蜜源，若有侦查蜂产生，则放弃原蜜源按照式(2)寻找新蜜源并标记；若没有侦查蜂产生，更新最优蜜源，记录目前为止最优解；

步骤8：最后判断是否满足终止条件，若满足便输出最优结果，不满足则继续重复产生新解替代旧解及以后步骤。

本发明在进行调度优化时，电梯的交通模式分为高峰模式和非高峰模式，高峰模式包括上高峰和下高峰模式，非高峰模式为层间模式。上高峰模式下人群密集，乘梯需求多集中于基层并向上行驶，且上高峰多发生在早上上班期间，以输送人流为主要目的，因此乘梯时间、侯梯时间、系统能耗的权重分别为0.4、0.4、0.2。下高峰多发生在下班期间，以输送乘客为主，乘梯时间、侯梯时间、系统能耗权重设置为0.35、0.4、0.25；同理层间交通模式下人流量少以能耗为主时间性能为辅，权重设置分别为0.2、0.2、0.6，不同模式下各指标的权重各不相同。

本发明涉及的乘梯时间为电梯输送乘客的运行时间和电梯在此过程中停靠时间之和，电梯停靠时间由乘客进出门时间和电梯开关门时间组成。

本发明所涉及的侯梯时间为呼梯信号响应开始到电梯到达召唤层所用时间。

本发明所涉及的电梯系统能耗包括启停能耗和运行时的能耗。一般来说启停能耗都要大于运行能耗，因此可通过减少电梯停靠次数来降低能耗。

步骤3所述的电梯当前运行状态包括上行状态、下行状态、静止状态。电梯当前状态矩阵为式(5)

e_ij为第i台电梯所在楼层为j；e_is为第i台电梯的运行状态为上行、下行或静止，s＝0为静止，s＝1为上行，s＝-1为下行；e_ip为第i台电梯中的人数此时为p。

步骤3所述的电梯内乘客目的层状态矩阵(6)，其表示方式包括电梯台数i，建筑物楼层数j，电梯内人数p：

式中，A_i中i为电梯台数，取值为1～N，a_p1为有人数p在一层下，a_pj为有人数p在j层下。

步骤3所述的电梯外呼信号矩阵(7)包括电梯台数i，建筑物楼层数j，1表示外呼信号为上行，2表示外呼信号为下行。

优化前后的上高峰模式的算法运行迭代曲线图参见图2，下高峰模式的算法运行迭代曲线图参见图3，层间模式的算法运行迭代曲线图参见图4；改进后的混合算法解决电梯优化问题的效果均优于基本算法，适应度值大于基本算法的适应度值。

通过仿真结果表明，本发明引入人工蜂群算法去解决群控电梯调度优化问题的求解，并改进利用混合算法进行目标问题求解具有一定优势，能够实现电梯群控系统的调度优化。

上述实施例只是对本发明的实现做出了说明，使本领域专业技术人员能够实现或使用本发明，所述说明并非限定。因此，本发明将不会被限制于本文所示的这些实施例，凡是根据本发明的技术特征所作的增加、等同替换，均属于本申请的保护范围。

Claims (8)

1.一种基于改进人工蜂群算法的群控电梯调度优化方法，其特征在于，包括以下步骤：

S100，综合考虑乘梯时间、侯梯时间及系统能耗三个目标指标，确定群控电梯系统评价指标；

S200，进行系统建模，采用加权组合方式建立多目标函数的数学模型，确定其约束条件，建立目标函数从而确定适应度函数；

S300，建立电梯群控系统状态描述矩阵，其中包括电梯当前运行状态E、电梯内乘客目的层矩阵A_i，当前呼梯信号楼层矩阵C_i；

S400，初始化参数，包括种群数目、最大限制开采次数、最大迭代次数；

计算初始解的适应度值，引领蜂进行领域搜索产生新解；

并计算新解对应的适应度值；

S500，进行贪婪选择，利用贪婪选择策略进行蜜源选择；利用模拟退火的选择概率，比较原始食物源和新食物源的适应度，若新食物源适应度大于原始蜜源的适应度，则接受该食物源，否则以一定的概率接受新食物源；

S600，计算与解相关的选择概率，跟随蜂再根据轮盘赌选择法以概率选择食物源，再进行邻域搜索产生新解，并计算新解对应的适应度值；

S700，判断是否有要放弃的蜜源，若有侦查蜂产生，则放弃原蜜源寻找新蜜源并标记；若没有侦查蜂产生，更新最优蜜源，记录目前为止最优解；

S800，最后判断是否满足终止条件，若满足便输出最优结果，不满足则继续重复产生新解替代旧解及以后步骤。

2.如权利要求1所述的一种基于改进人工蜂群算法的群控电梯调度优化方法，其特征在于，所述S100中，电梯系统能耗包括电梯启停能耗和运行时的能耗。

3.如权利要求1所述的一种基于改进人工蜂群算法的群控电梯调度优化方法，其特征在于，所述S200中，目标函数的数学模型如下：

F(x)＝W₁f_h+W₂f_c+W₃f_n (1)

式中F(x)为多目标评价函数；f_h、f_c、f_n分别为候梯时间评价函数、乘梯时间评价函数、系统能耗评价函数；W₁、W₂、W₃为评价函数f_h、f_c、f_n对应的系数权重。

4.如权利要求1所述的一种基于改进人工蜂群算法的群控电梯调度优化方法，其特征在于，所述S300中，电梯当前运行状态E为当前电梯处于静止、上行或下行状态，当前电梯载重人数和当前电梯所处楼层状态；电梯内乘客目的层状态A_i包括在第j层下的人数；当前呼梯信号楼层状态C_i包括第i台电梯在第j层有向上或向下的外呼信号。

5.如权利要求1所述的一种基于改进人工蜂群算法的群控电梯调度优化方法，其特征在于，所述S300中，电梯当前运行状态包括上行状态、下行状态、静止状态，电梯当前状态矩阵为式(5)；

e_ij为第i台电梯所在楼层为j；e_is为第i台电梯的运行状态为上行、下行或静止，s＝0为静止，s＝1为上行，s＝-1为下行；e_ip为第i台电梯中的人数此时为p；

电梯内乘客目的层状态矩阵(6)，其表示方式包括电梯台数i，建筑物楼层数j，电梯内人数p：

式中，A_i中i为电梯台数，取值为1～N，a_p1为有人数p在一层下，a_pj为有人数p在j层下；

电梯外呼信号矩阵(7)包括电梯台数i，建筑物楼层数j，1表示外呼信号为上行，2表示外呼信号为下行；

6.如权利要求1所述的一种基于改进人工蜂群算法的群控电梯调度优化方法，其特征在于，所述S400中，引领蜂搜索新食物源根据式(2)方程式进行搜索：

其中，j∈{1,2,…,D}，D为待优化问题参数维度，i∈{1,2,…,SN}，k∈{1,2,…,SN}，SN为种群规模，x_ij表示第i个解中第j维的值，

为[-1,1]之间的随机数。

7.如权利要求1所述的一种基于改进人工蜂群算法的群控电梯调度优化方法，其特征在于，所述S500中，根据公式(3)确定选择新蜜源的概率，比较原始食物源和新食物源的适应度，若新食物源适应度大于原始蜜源的适应度，则一定接受，否则以公式中的概率p接受；

其中fit(x_i)、fit(x_j)为原始蜜源的适应度和邻域搜索后新蜜源的适应度，T为模拟退火的温度；若fit(x_j)>fit(x_i)，则接受新蜜源；若fit(x_j)≤fit(x_i)，则以概率计算公式(3)接受新蜜源。

8.如权利要求1所述的一种基于改进人工蜂群算法的群控电梯调度优化方法，其特征在于，所述S600中，跟随蜂再根据式(4)轮盘赌选择法以概率选择食物源，再根据搜索方程(2)进行领域搜索产生新解V_ij，并计算新解对应的适应度值；

其中，fit_i为蜜源的适应度值，i∈{1,2,…,SN}，SN为种群数。

Images