CN117645217A - 基于混沌映射混合算法的电梯群控调度方法及系统 - Google Patents
基于混沌映射混合算法的电梯群控调度方法及系统 Download PDFInfo
- Publication number
- CN117645217A CN117645217A CN202410117229.7A CN202410117229A CN117645217A CN 117645217 A CN117645217 A CN 117645217A CN 202410117229 A CN202410117229 A CN 202410117229A CN 117645217 A CN117645217 A CN 117645217A
- Authority
- CN
- China
- Prior art keywords
- elevator
- chaotic
- task
- particle
- algorithm
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 90
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 74
- 238000013507 mapping Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002245 particle Substances 0.000 claims abstract description 91
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 230000035772 mutation Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/24—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration
- B66B1/2408—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration where the allocation of a call to an elevator car is of importance, i.e. by means of a supervisory or group controller
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Genetics & Genomics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Elevator Control (AREA)
Abstract
本发明公开了一种基于混沌映射混合算法的电梯群控调度方法及系统，包括：以最小化乘客等待时间为目标建立电梯任务分配约束模型；生成初始任务分配集合，使用混沌映射函数生成一个混沌序列，将生成的混沌序列映射到问题的搜索空间，将映射后的混沌序列作为粒子群的初始位置；将粒子群算法收敛后的解作为遗传算法的初始种群进行局部搜索区域优化，进行选择操作、交叉操作和变异操作，得到每部电梯的任务执行序列。使用混沌映射代替随机随机序列初始化种群，采用自适应调整策略来提高算法性能，混合遗传算法帮助跳出局部最优。
Description
技术领域
本发明属于电梯智能调度技术领域，本发明涉及一种基于混沌映射混合算法的电梯群控调度方法及系统。
背景技术
电梯群控调度一般是以多个电梯轿厢为对象，任务分配需要决定将每位乘客分配给哪一部电梯，使各个电梯根据自身的运行规则完成所有任务，以最大程度地减少他们的等待时间。任务分配方案的优劣决定了能否充分发挥群组电梯系统的效率。
传统的电梯调度方法在简单场景下可能有效，但在高楼大厦、复杂的楼层结构和高负荷情况下，传统方法的局限性变得更为明显。因此研究和采用更智能的电梯调度方法，如基于优化算法的电梯群控调度，成为改善电梯服务质量和效率的重要途经。面向复杂场景，单纯采用传统的群智能算法求解容易陷入局部最优和早熟收敛。
申请号2020100429559公开了一种基于改进人工蜂群算法的群控电梯调度优化方法，综合考虑乘梯时间、候梯时间、系统能耗这三个目标。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。该方法目标函数较为复杂，整个算法计算量较大。
发明内容
本发明的目的在于提供一种基于混沌映射混合算法的电梯群控调度方法及系统，通过混沌映射的粒子群算法可快速迭代出相对较优的任务分配方案，同时遗传算法对得到的方案进行局部搜索跳出局部最优解，得到平均等待时间最短的任务分配方案，按照分配方案对各电梯进行单梯调度完成运输。
实现本发明目的的技术解决方案为：
一种基于混沌映射混合算法的电梯群控调度方法，包括以下步骤：
S01：以最小化乘客等待时间为目标建立电梯任务分配约束模型；
S02：生成初始任务分配集合，使用混沌映射函数生成一个混沌序列，将生成的混沌序列映射到问题的搜索空间，将映射后的混沌序列作为粒子群的初始位置；
S03：将粒子群算法收敛后的解作为遗传算法的初始种群进行局部搜索区域优化，在当前种群中随机选择一定数量的个体，计算个体适应度，保留适应度最强的个体遗传给下一代种群，选择种群中消耗时间较短的精英个体作为父代，并保留其中断点基因，进行交叉操作和变异操作，得到每部电梯的任务执行序列。
优选的技术方案中，所述步骤S03之后还包括：每部电梯接收到自身的任务执行序列后，根据电梯运行规则依次执行任务，实时跟踪电梯运行和乘客请求状态。
优选的技术方案中，所述步骤S01中建立电梯任务分配约束模型包括：
目标函数数学模型如下：
约束条件：
其中，为电梯数，/>为最大楼层，/>为乘客数，/>为/>乘客的等待时间，/>为决策变量，如果任务/>分配给电梯/>时/>，否则/>，/>表示所有乘客的等待时长的平均数，/>为/>乘客的等待时间，/>为电梯响应乘客/>从/>层到/>层停站次数，/>为楼层高度，/>为电梯响应乘客/>从/>层到/>层经过楼层数。
优选的技术方案中，所述步骤S02中生成初始任务分配集合的方法包括：
对任务集合进行自然数编码，编码长度为乘客请求任务个数；对分配给电梯的任务集合进行自然数编码，编码值为的整数，/>为电梯数量；
解码后得到各电梯服务乘客的任务分配集合。
优选的技术方案中，所述步骤S02还包括：
使用混沌映射函数生成一个混沌序列，混沌映射为：
其中，是第/>个时间步的种群比例或状态；/>是映射的控制参数，/>是下一个时间步的种群比例或状态；
计算适应度，适应度函数根据建立的电梯任务分配约束模型的目标函数映射得到，通过设置楼层数、电梯数量、楼层高度、电梯运行速度及电梯停靠时间结合底层单梯运行规则计算出乘客的等待时间，并记录每个粒子的个体最佳位置和粒子群的全局最佳位置；
粒子的速度在每次迭代时更新，用以下公式表示：
其中，是粒子/>在迭代/>时的速度，/>是粒子/>在迭代/>时的位置，/>是粒子/>的个体最佳位置，/>是全局最佳位置，/>是惯性权重，/>和/>是加速度因子，用于控制个体经验和群体经验的影响，/>和/>是（0，1）范围内的随机数；
粒子的位置在每次迭代时根据新的速度进行更新：
其中，是通过速度更新计算得到，这个过程使得粒子在解空间中移动，受到个体最佳位置和全局最佳位置的引导，从而朝着更优的解靠拢。
优选的技术方案中，所述步骤S03交叉操作和变异操作包括：
采用顺序交叉方法，对任意一对父代A1、A2，从父代A1编码中任意位置选取一个片段，在子代B1相对应的位置进行插入，B1的其他位置编码从父代A2的编码中按顺序选取填充，子代B2的编码获取方式同B1一致；
随机交换两个电梯编号的任务点，得到新的任务分配集合，重复以上步骤，直至最大算法迭代次数，输出每个电梯的任务执行序列。
本发明还公开了一种基于混沌映射混合算法的电梯群控调度系统，包括：
电梯任务分配约束模型构建模块，以最小化乘客等待时间为目标建立电梯任务分配约束模型；
基于混沌映射的粒子群算法求解模块，生成初始任务分配集合，使用混沌映射函数生成一个混沌序列，将生成的混沌序列映射到问题的搜索空间，将映射后的混沌序列作为粒子群的初始位置；
遗传算法优化模块，将粒子群算法收敛后的解作为遗传算法的初始种群进行局部搜索区域优化，在当前种群中随机选择一定数量的个体，计算个体适应度，保留适应度最强的个体遗传给下一代种群，选择种群中消耗时间较短的精英个体作为父代，并保留其中断点基因，进行交叉操作和变异操作，得到每部电梯的任务执行序列。
优选的技术方案中，所述基于混沌映射的粒子群算法求解模块还包括：
使用混沌映射函数生成一个混沌序列，混沌映射为：
其中，是第/>个时间步的种群比例或状态；/>是映射的控制参数，/>是下一个时间步的种群比例或状态；
计算适应度，适应度函数根据建立的电梯任务分配约束模型的目标函数映射得到，通过设置楼层数、电梯数量、楼层高度、电梯运行速度及电梯停靠时间结合底层单梯运行规则计算出乘客的等待时间，并记录每个粒子的个体最佳位置和粒子群的全局最佳位置；
粒子的速度在每次迭代时更新，用以下公式表示：
其中，是粒子/>在迭代/>时的速度，/>是粒子/>在迭代/>时的位置，/>是粒子/>的个体最佳位置，/>是全局最佳位置，/>是惯性权重，/>和/>是加速度因子，用于控制个体经验和群体经验的影响，/>和/>是（0，1）范围内的随机数；
粒子的位置在每次迭代时根据新的速度进行更新：
其中，是通过速度更新计算得到，这个过程使得粒子在解空间中移动，受到个体最佳位置和全局最佳位置的引导，从而朝着更优的解靠拢。
优选的技术方案中，所述遗传算法优化模块的交叉操作和变异操作包括：
采用顺序交叉方法，对任意一对父代A1、A2，从父代A1编码中任意位置选取一个片段，在子代B1相对应的位置进行插入，B1的其他位置编码从父代A2的编码中按顺序选取填充，子代B2的编码获取方式同B1一致；
随机交换两个电梯编号的任务点，得到新的任务分配集合，重复以上步骤，直至最大算法迭代次数，输出每个电梯的任务执行序列。
本发明又公开了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的基于混沌映射混合算法的电梯群控调度方法。
本发明与现有技术相比，其显著优点为：
1）基于Logistic映射的粒子群优化算法，针对种群位置初始化中由伪随机数引起的局部最优与早熟收敛的问题，使用Logistic混沌映射函数计算粒子群初始位置。
2）提出一种PSO-GA混合算法进行求解，基于混沌映射的粒子群算法可快速迭代出相对较优的任务分配方案，同时遗传算法对得到的方案进行局部搜索跳出局部最优解，得到平均等待时间最短的任务分配方案，按照分配方案对各电梯进行单梯调度完成运输。本发明充分考虑了问题的复杂性，增加算法的搜索多样性，提高鲁棒性和性能。
附图说明
图1为较佳实施例的基于混沌映射混合算法的电梯群控调度方法的流程图；
图2为电梯群控调度策略结构图；
图3为底层单梯调度规则示意图；
图4为基于混沌映射的PSO-GA算法结构图；
图5为算法收敛对比图。
具体实施方式
本发明的原理是：通过混沌映射的粒子群算法可快速迭代出相对较优的任务分配方案，同时遗传算法对得到的方案进行局部搜索跳出局部最优解，得到平均等待时间最短的任务分配方案，按照分配方案对各电梯进行单梯调度完成运输。
实施例1：
如图1所示，一种基于混沌映射混合算法的电梯群控调度方法，包括以下步骤：
S01：以最小化乘客等待时间为目标建立电梯任务分配约束模型；
S02：生成初始任务分配集合，使用混沌映射函数生成一个混沌序列，将生成的混沌序列映射到问题的搜索空间，将映射后的混沌序列作为粒子群的初始位置；
S03：将粒子群算法收敛后的解作为遗传算法的初始种群进行局部搜索区域优化，在当前种群中随机选择一定数量的个体，计算个体适应度，保留适应度最强的个体遗传给下一代种群，选择种群中消耗时间较短的精英个体作为父代，并保留其中断点基因，进行交叉操作和变异操作，得到每部电梯的任务执行序列。
一较佳的实施例中，步骤S03之后还包括：每部电梯接收到自身的任务执行序列后，根据电梯运行规则依次执行任务，实时跟踪电梯运行和乘客请求状态。
一较佳的实施例中，步骤S01中建立电梯任务分配约束模型包括：
目标函数数学模型如下：
约束条件：
其中，为电梯数，/>为最大楼层，/>为乘客数，/>为/>乘客的等待时间，/>为决策变量，如果任务/>分配给电梯/>时/>，否则/>，/>表示所有乘客的等待时长的平均数，/>为/>乘客的等待时间，/>为电梯响应乘客/>从/>层到/>层停站次数，/>为楼层高度，/>为电梯响应乘客/>从/>层到/>层经过楼层数。
一较佳的实施例中，步骤S02中生成初始任务分配集合的方法包括：
对任务集合进行自然数编码，编码长度为乘客请求任务个数；对分配给电梯的任务集合进行自然数编码，编码值为的整数，/>为电梯数量；
解码后得到各电梯服务乘客的任务分配集合。
一较佳的实施例中，步骤S02还包括：
使用混沌映射函数生成一个混沌序列，混沌映射为：
其中，是第/>个时间步的种群比例或状态；/>是映射的控制参数，/>是下一个时间步的种群比例或状态；
计算适应度，适应度函数根据建立的电梯任务分配约束模型的目标函数映射得到，通过设置楼层数、电梯数量、楼层高度、电梯运行速度及电梯停靠时间结合底层单梯运行规则计算出乘客的等待时间，并记录每个粒子的个体最佳位置和粒子群的全局最佳位置；
粒子的速度在每次迭代时更新，用以下公式表示：
其中，是粒子/>在迭代/>时的速度，/>是粒子/>在迭代/>时的位置，/>是粒子/>的个体最佳位置，/>是全局最佳位置，/>是惯性权重，/>和/>是加速度因子，用于控制个体经验和群体经验的影响，/>和/>是（0，1）范围内的随机数；
粒子的位置在每次迭代时根据新的速度进行更新：
其中，是通过速度更新计算得到，这个过程使得粒子在解空间中移动，受到个体最佳位置和全局最佳位置的引导，从而朝着更优的解靠拢。
一较佳的实施例中，步骤S03交叉操作和变异操作包括：
采用顺序交叉方法，对任意一对父代A1、A2，从父代A1编码中任意位置选取一个片段，在子代B1相对应的位置进行插入，B1的其他位置编码从父代A2的编码中按顺序选取填充，子代B2的编码获取方式同B1一致；
随机交换两个电梯编号的任务点，得到新的任务分配集合，重复以上步骤，直至最大算法迭代次数，输出每个电梯的任务执行序列。
另一实施例中，一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述的基于混沌映射混合算法的电梯群控调度方法。这里不再赘述。
另一实施例中，一种基于混沌映射混合算法的电梯群控调度系统，包括：
电梯任务分配约束模型构建模块，以最小化乘客等待时间为目标建立电梯任务分配约束模型；
基于混沌映射的粒子群算法求解模块，生成初始任务分配集合，使用混沌映射函数生成一个混沌序列，将生成的混沌序列映射到问题的搜索空间，将映射后的混沌序列作为粒子群的初始位置；
遗传算法优化模块，将粒子群算法收敛后的解作为遗传算法的初始种群进行局部搜索区域优化，在当前种群中随机选择一定数量的个体，计算个体适应度，保留适应度最强的个体遗传给下一代种群，选择种群中消耗时间较短的精英个体作为父代，并保留其中断点基因，进行交叉操作和变异操作，得到每部电梯的任务执行序列。
具体的，下面以一较佳的实施例为例对电梯优化调度系统的工作流程说明如下：
1、电梯群控任务分配数学模型：
建立电梯任务分配约束模型是实现电梯任务合理分配的前提，根据现实需求设立优化目标，在一部电梯系统中，存在多位乘客，每位乘客都可能有不同的目标楼层。任务分配必须考虑乘客之间的互动，以确保每位乘客都能在最短时间内达到目的地。
问题描述：假设在M层楼高的大厦中，由N台电梯组成的群组电梯进行调度工作，有P名乘客乘坐电梯，在每层楼停靠t秒接送乘客，电梯的运行速度恒定为v，不考虑电梯启停阶段的加速度。要求设计合理的任务分配方案，以达到平均等待时间最小这一目标。
数学模型如下：
（1）
约束条件：
（2）
（3）
（4）
在上述模型中，（1）式为最小化乘客等待时间，即乘客按下请求信号后电梯到达请求层所需时长，其中为/>乘客的等待时间；（2）式为决策变量，如果任务/>分配给电梯/>时/>，否则/>；（3）式为所有乘客等待时间的平均数，/>表示所有乘客的等待时长的平均数；（4）式为计算/>乘客的等待时间，/>为电梯响应乘客/>从/>层到/>层停站次数，/>为楼层高度，/>为电梯响应乘客/>从/>层到/>层经过楼层数。
2、电梯群控两级构架：
电梯群控是将多台电梯为一群共同乘客提供服务而进行耦合。一旦乘客与电梯的分配确定，不同的电梯不再相互关联。建立一种两级的优化框架，高层分配乘客到电梯，底层确定了每部电梯内每个任务的处理顺序。电梯群控调度策略如图2所示，在乘客请求信号输入时根据建立的数学模型，使用混沌映射策略和PSO-GA混合算法进行求解，可以得到每部电梯的任务执行序列。每部电梯接收到自身的任务序列后，根据电梯运行规则依次执行任务，控制中心实时跟踪电梯运行和乘客请求状态。本发明充分考虑了问题的复杂性，通过混沌映射策略和PSO-GA混合算法，增加算法的搜索多样性，提高鲁棒性和性能。
低层单梯运行规则：低层次是解决每部电梯的单一电梯调度问题，本质上是确定分配给同一部电梯的所有乘客的服务顺序。为了更好地定义低层次的决策变量，引入了“行程”的概念，用于描述电梯在单一方向（即上行或下行）的运动。然后整个电梯轨迹可以分成多个行程，其中乘客会依次得到服务。假设电梯不会改变方向，直到内部的所有乘客都被运送到目的地。因此，一名乘客的上下车过程将在同一个行程中完成。一旦确定了一个行程内的乘客，这些乘客的服务顺序就可以唯一确定。在上行（下行）行程中，电梯将按照乘客的起始楼层和到达每个起始楼层的到达时间按顺序上（下）行，将他们运输到相应的目标楼层。在每个停靠楼层，所有的卸载服务都在上车服务之前完成。此外，通过给定的乘客-行程分配，可以通过依次连接各个行程的服务顺序来唯一确定所有乘客的服务顺序。因此，低层次的决策变量可以表示为乘客-行程分配。
某建筑有层楼，配备了/>台可使用的电梯/>，现在介绍电梯群控系统调度问题中的各类信息要素。
在电梯外部乘客可在门厅点击“上”或“下”按钮以呼叫电梯服务，乘客点击按钮后，群控系统将获取乘客需求信息，每个需求信息包括层数、方向（上行/下行）两个属性，电梯外部请求集合记为/>，如下所示的元组，称为外部请求信号：
(5)
在电梯内部的乘客可以根据自己的需求点击各楼层数字按钮，系统接受其输入的需求信号，每部电梯内部的已点击需求可表述为集合，称为内部请求信号。对于每部电梯的状态包括其目前所在层数记为/>、运行方向分别为上行、静止、下行，电梯状态记为如下所示的元组：
（6）
电梯的初始方向与第一个加入任务队列的楼层与电梯当前所在楼层的关系有关，此后的调度算法默认保持原来运行方向，直到对应方向上没有任务楼层在队列时再静止或改变方向。
在电梯的上行状态下，每当电梯通过一个楼层时，它会检查任务队列，看当前楼层是否有任务。如果任务队列中存在该楼层的任务，电梯将停下来，开启门，允许乘客进出，然后等到关门后，电梯会检查任务队列，以决定下一步的行驶方向：
（1）假设任务队列中的目标楼层最大值大于当前楼层，电梯会继续保持上行状态，继续向上运行。
（2）假设任务队列中的目标楼层最大值小于当前楼层，电梯将转换为下行状态，准备向下运行。
（3）假设任务队列为空，电梯会进入空闲状态，等待新任务加入任务队列。
在电梯的下行状态下，和上行状态类似，依次检查任务队列再确定下一步的行驶方向：
（1）假设任务队列中的目标楼层最小值小于当前楼层，电梯会继续保持下行状态，继续向下运行。
（2）假设任务队列中的目标楼层最小值大于当前楼层，电梯将转换为上行状态，准备向上运行。
（3）假设任务队列为空，电梯会进入空闲状态，等待新任务加入。
以电梯上行状态举例，假设某楼房有10层楼只有电梯，表示电梯当前所在1层且正在上行，轿厢内乘客请求到达4层、8层。如图3的示例说明电梯运行规则。
在当前状态下，对于情形1，产生d1外部请求信号，将d1指派给电梯n1的决策，若此决策下电梯n1的运行方案为（4,7,8），即先服务到达4层的乘客，再服务7层需要下行的乘客，最后再服务到达8层的乘客，则电梯在没有服务完内部请求之前，切换运行方向服务7层下楼乘客，违背了电梯运行规则。在电梯运行规则下正确的运行方案为（4,8,7），即先服务到达4层、到达8层的乘客，最后切换运行方向服务7层需要下行的乘客。同理在情形2下正确的运行规则得到的运行方案为（4,5,8,7），先服务到达4层的乘客，再去响应5层需要上行的乘客，之后服务到达8层的乘客，最后切换运行方向响应7层需要下行的乘客；情形3的运行方案是（4,5,8,7,2），在情形2的基础上在切换运行方向后最后响应2层需要下行的乘客。
基于混沌映射PSO-GA混合算法的任务分配：将乘客从出发地运送到目的地的操作分为了两个工作，底层确定了每部电梯内每个任务的处理顺序，高层分配乘客到电梯。高层的任务分配本发明使用混沌映射PSO-GA混合算法进行求解。使用混沌映射函数生成一个混沌序列，将生成的混沌序列映射到问题的搜索空间，将映射后的混沌序列作为粒子群的初始位置。将粒子群算法收敛后的解作为遗传算法的初始种群，帮助跳出局部最优。
如图4所示，基于上诉定义，混沌映射PSO-GA混合算法任务分配的步骤如下：
步骤1：参数输入，名乘客的请求楼层和方向，/>台电梯的当前楼层和状态，计算可得各请求信号楼层及电梯当前楼层距离矩阵。输入参数开始算法迭代计算。
步骤2：初始化粒子群初始位置和速度。首先对任务集合进行自然数编码，编码长度为乘客请求任务个数，即；对分配给电梯的任务集合进行自然数编码，编码值为/>的整数。例如有10名乘客请求任务（编号为1-10），5台电梯（编号为1-5），任务集按照乘客顺序依次为“1，5，3，2，4，1，3，4，2，5”，解码后表示第1号电梯任务集为“1，6”，第2号电梯任务集为“4，9”，第3号电梯任务集为“3，7”，第4号电梯任务集为“5，8”，第5号电梯任务集为“2，10”。解码后可得各电梯服务乘客的任务集合。
步骤3：生成初始任务分配集合，选择Logistic映射，设置控制参数为3.5，Logistic映射的一般形式如下：
（5）
其中，是第/>个时间步的种群比例或状态；/>是映射的控制参数，通常在区间[0,4]内。/>是下一个时间步的种群比例或状态。这个映射描述了一个群体的种群在不同时间步之间的演变。通过改变参数/>，你可以观察到不同的动态行为，包括收敛到一个稳定的值、周期性波动和混沌。
使用混沌映射函数生成一个混沌序列。将生成的混沌序列映射到问题的搜索空间，进行线性变换，以确保生成的种群在问题空间内。将映射后的混沌序列作为粒子群的初始位置，同时为每个粒子分配随机的速度。此外每个粒子随机初始化两个重要的位置：
（1）个体最佳位置：粒子认为自己找到了最好的解时的位置。
（2）全局最佳位置：全体粒子认为找到的最佳解的位置。
步骤4：评估适应度，对于每个粒子，计算其当前位置的适应度，适应度是判断个体好坏的重要标准，为留下较优的粒子需要选择适应度较高的个体。适应度函数可由建立数学模型的目标函数映射得到，通过设置楼层数、电梯数量、楼层高度、电梯运行速度及电梯停靠时间结合底层单梯运行规则可计算出乘客的等待时间，并记录每个粒子的个体最佳位置和粒子群的全局最佳位置/>。
步骤5：更新粒子速度和位置，在粒子群算法中，每个粒子的速度和位置会根据步骤4计算得到的个体最佳位置和全局最佳位置/>进行更新。
速度更新：
粒子的速度在每次迭代时更新，用以下公式表示：
（6）
其中是粒子/>在迭代/>时的速度；/>是粒子/>在迭代/>时的位置；/>是粒子/>的个体最佳位置；/>是全局最佳位置；/>是惯性权重（控制粒子保持上一次速度的程度）；/>和/>是加速度因子，用于控制个体经验和群体经验的影响；/>和/>是（0，1）范围内的随机数，引入随机性。
位置更新：
粒子的位置在每次迭代时根据新的速度进行更新：
（7）
公式（7）中是通过速度更新计算得到，这个过程使得粒子在解空间中移动，受到个体最佳位置和全局最佳位置的引导，从而朝着更优的解靠拢。
步骤6：在粒子群的全局最佳值的改善停滞时，则判断粒子群算法可能陷入全局最优，选择多个粒子，作为遗传算法的初始种群进行局部搜索区域优化。
采用锦标赛选择的方法。从当前种群中随机选择数量一定的个体，计算个体适应度，保留适应度最强的个体遗传给下一代种群。锦标赛选择出种群中消耗时间较短的精英个体作为父代，并保留其中断点基因。
采用顺序交叉方法。对任意一对父代A1、A2，从父代A1编码中任意位置选取一个片段，在子代B1相对应的位置进行插入，B1的其他位置编码从父代A2的编码中按顺序选取填充，子代 B2的编码获取方式同B1一致。
随机选取种群中的个体，对编码染色体任意两个位置进行交换操作，可以得到全新的染色体个体。对于请求信号的任务分配问题，即随机交换两个电梯编号的任务点。重复以上步骤，直至最大算法迭代次数，输出每个电梯的任务执行序列。
使用遗传算法和粒子群算法分别在三种客流模式下求解等待时间最短的单目标模型，其次使用基于模糊逻辑PSO-GA混合算法求解与遗传算法和粒子群算法进行对比，以验证本算法的优越性。
算法收敛对比图如图5所示，可见本实施例的收敛更好。
三种客流模式分别为上行高峰、下行高峰和混合客流模式。
上行高峰：在特定时间段内，电梯系统中乘客从低楼层向高楼层的乘坐需求相对集中和增加的情况。通常发生在人们上班的早晨，以及商务或社交活动集中的时间段。
下行高峰：在特定时间段内，电梯系统中乘客从高楼层向低楼层的乘坐需求相对集中和增加的情况。通常发生在人们下班的晚上，以及商务或社交活动结束的时间段。
混合人流：乘客的乘坐需求相对分散，没有像高峰时段那样集中在特定时间段内。
任务分配的具体实验数据对比如表1-表3所示，比较了三种客流模型下乘客等待时间的结果。
表1 混合人流模型数据对比
表2 上行人流模型数据对比
表3 下行人流模型数据对比
从表1-表3可知，本实施例提出的方法在三种客流模型下乘客等待时间都是最优的。
上述实施例为本发明优选地实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种基于混沌映射混合算法的电梯群控调度方法，其特征在于，包括以下步骤：
S01：以最小化乘客等待时间为目标建立电梯任务分配约束模型；
S02：生成初始任务分配集合，使用混沌映射函数生成一个混沌序列，将生成的混沌序列映射到问题的搜索空间，将映射后的混沌序列作为粒子群的初始位置；
S03：将粒子群算法收敛后的解作为遗传算法的初始种群进行局部搜索区域优化，在当前种群中随机选择一定数量的个体，计算个体适应度，保留适应度最强的个体遗传给下一代种群，选择种群中消耗时间较短的精英个体作为父代，并保留其中断点基因，进行交叉操作和变异操作，得到每部电梯的任务执行序列。
2.根据权利要求1所述的基于混沌映射混合算法的电梯群控调度方法，其特征在于，所述步骤S03之后还包括：每部电梯接收到自身的任务执行序列后，根据电梯运行规则依次执行任务，实时跟踪电梯运行和乘客请求状态。
3.根据权利要求1所述的基于混沌映射混合算法的电梯群控调度方法，其特征在于，所述步骤S01中建立电梯任务分配约束模型包括：
目标函数数学模型如下：
，
约束条件：
，
，
，
其中，为电梯数，/>为最大楼层，/>为乘客数，/>为/>乘客的等待时间，/>为决策变量，如果任务/>分配给电梯/>时/>，否则/>，/>表示所有乘客的等待时长的平均数，/>为/>乘客的等待时间，/>为电梯响应乘客/>从/>层到/>层停站次数，/>为楼层高度，/>为电梯响应乘客/>从/>层到/>层经过楼层数。
4.根据权利要求1所述的基于混沌映射混合算法的电梯群控调度方法，其特征在于，所述步骤S02中生成初始任务分配集合的方法包括：
对任务集合进行自然数编码，编码长度为乘客请求任务个数；对分配给电梯的任务集合进行自然数编码，编码值为的整数，/>为电梯数量；
解码后得到各电梯服务乘客的任务分配集合。
5.根据权利要求1所述的基于混沌映射混合算法的电梯群控调度方法，其特征在于，所述步骤S02还包括：
使用混沌映射函数生成一个混沌序列，混沌映射为：
，
其中，是第/>个时间步的种群比例或状态；/>是映射的控制参数，/>是下一个时间步的种群比例或状态；
计算适应度，适应度函数根据建立的电梯任务分配约束模型的目标函数映射得到，通过设置楼层数、电梯数量、楼层高度、电梯运行速度及电梯停靠时间结合底层单梯运行规则计算出乘客的等待时间，并记录每个粒子的个体最佳位置和粒子群的全局最佳位置；
粒子的速度在每次迭代时更新，用以下公式表示：
，
其中，是粒子/>在迭代/>时的速度，/>是粒子/>在迭代/>时的位置，/>是粒子/>的个体最佳位置，/>是全局最佳位置，/>是惯性权重，/>和/>是加速度因子，用于控制个体经验和群体经验的影响，/>和/>是（0，1）范围内的随机数；
粒子的位置在每次迭代时根据新的速度进行更新：
，
其中，是通过速度更新计算得到，这个过程使得粒子在解空间中移动，受到个体最佳位置和全局最佳位置的引导，从而朝着更优的解靠拢。
6.根据权利要求1所述的基于混沌映射混合算法的电梯群控调度方法，其特征在于，所述步骤S03交叉操作和变异操作包括：
采用顺序交叉方法，对任意一对父代A1、A2，从父代A1编码中任意位置选取一个片段，在子代B1相对应的位置进行插入，B1的其他位置编码从父代A2的编码中按顺序选取填充，子代B2的编码获取方式同B1一致；
随机交换两个电梯编号的任务点，得到新的任务分配集合，重复以上步骤，直至最大算法迭代次数，输出每个电梯的任务执行序列。
7.一种基于混沌映射混合算法的电梯群控调度系统，其特征在于，包括：
电梯任务分配约束模型构建模块，以最小化乘客等待时间为目标建立电梯任务分配约束模型；
基于混沌映射的粒子群算法求解模块，生成初始任务分配集合，使用混沌映射函数生成一个混沌序列，将生成的混沌序列映射到问题的搜索空间，将映射后的混沌序列作为粒子群的初始位置；
遗传算法优化模块，将粒子群算法收敛后的解作为遗传算法的初始种群进行局部搜索区域优化，在当前种群中随机选择一定数量的个体，计算个体适应度，保留适应度最强的个体遗传给下一代种群，选择种群中消耗时间较短的精英个体作为父代，并保留其中断点基因，进行交叉操作和变异操作，得到每部电梯的任务执行序列。
8.根据权利要求7所述的基于混沌映射混合算法的电梯群控调度系统，其特征在于，所述基于混沌映射的粒子群算法求解模块还包括：
使用混沌映射函数生成一个混沌序列，混沌映射为：
，
其中，是第/>个时间步的种群比例或状态；/>是映射的控制参数，/>是下一个时间步的种群比例或状态；
计算适应度，适应度函数根据建立的电梯任务分配约束模型的目标函数映射得到，通过设置楼层数、电梯数量、楼层高度、电梯运行速度及电梯停靠时间结合底层单梯运行规则计算出乘客的等待时间，并记录每个粒子的个体最佳位置和粒子群的全局最佳位置；
粒子的速度在每次迭代时更新，用以下公式表示：
，
其中，是粒子/>在迭代/>时的速度，/>是粒子/>在迭代/>时的位置，/>是粒子/>的个体最佳位置，/>是全局最佳位置，/>是惯性权重，/>和/>是加速度因子，用于控制个体经验和群体经验的影响，/>和/>是（0，1）范围内的随机数；
粒子的位置在每次迭代时根据新的速度进行更新：
，
其中，是通过速度更新计算得到，这个过程使得粒子在解空间中移动，受到个体最佳位置和全局最佳位置的引导，从而朝着更优的解靠拢。
9.根据权利要求7所述的基于混沌映射混合算法的电梯群控调度系统，其特征在于，所述遗传算法优化模块的交叉操作和变异操作包括：
采用顺序交叉方法，对任意一对父代A1、A2，从父代A1编码中任意位置选取一个片段，在子代B1相对应的位置进行插入，B1的其他位置编码从父代A2的编码中按顺序选取填充，子代B2的编码获取方式同B1一致；
随机交换两个电梯编号的任务点，得到新的任务分配集合，重复以上步骤，直至最大算法迭代次数，输出每个电梯的任务执行序列。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现权利要求1-6任一项所述的基于混沌映射混合算法的电梯群控调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117229.7A CN117645217B (zh) | 2024-01-29 | 2024-01-29 | 基于混沌映射混合算法的电梯群控调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117229.7A CN117645217B (zh) | 2024-01-29 | 2024-01-29 | 基于混沌映射混合算法的电梯群控调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117645217A true CN117645217A (zh) | 2024-03-05 |
| CN117645217B CN117645217B (zh) | 2024-04-12 |
Family
ID=90049947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410117229.7A Active CN117645217B (zh) | 2024-01-29 | 2024-01-29 | 基于混沌映射混合算法的电梯群控调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117645217B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5932852A (en) * | 1995-04-21 | 1999-08-03 | Kone Oy | Method and apparatus for allocating landing calls in an elevator group |
| 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 |
| CN109384109A (zh) * | 2018-12-26 | 2019-02-26 | 福州快科电梯工业有限公司 | 空间立体交互式电梯调度方法 |
| CN113987936A (zh) * | 2021-10-27 | 2022-01-28 | 中国人民解放军32801部队 | 一种基于混沌遗传算法的装备试验资源统筹调配方法 |
| CN115759359A (zh) * | 2022-10-28 | 2023-03-07 | 淮阴工学院 | 基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法 |
-
2024
- 2024-01-29 CN CN202410117229.7A patent/CN117645217B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5932852A (en) * | 1995-04-21 | 1999-08-03 | Kone Oy | Method and apparatus for allocating landing calls in an elevator group |
| 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 |
| CN109384109A (zh) * | 2018-12-26 | 2019-02-26 | 福州快科电梯工业有限公司 | 空间立体交互式电梯调度方法 |
| CN113987936A (zh) * | 2021-10-27 | 2022-01-28 | 中国人民解放军32801部队 | 一种基于混沌遗传算法的装备试验资源统筹调配方法 |
| CN115759359A (zh) * | 2022-10-28 | 2023-03-07 | 淮阴工学院 | 基于改进的黏菌算法优化Elman神经网络的电梯故障预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117645217B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hirasawa et al. | A double-deck elevator group supervisory control system using genetic network programming | |
| Fujino et al. | An elevator group control system with floor-attribute control method and system optimization using genetic algorithms | |
| JP5390863B2 (ja) | エレベータシステム | |
| 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 | |
| CN111498696B (zh) | 一种双吊具场桥调度优化方法及装置 | |
| Cortes et al. | Double deck elevator group control systems using evolutionary algorithms: Interfloor and lunchpeak traffic analysis | |
| CN115907066A (zh) | 基于混合麻雀智能优化算法的水泥企业车辆调度方法 | |
| Hanif et al. | Metaheuristic algorithms for elevator group control system: a holistic review | |
| Van et al. | Green elevator scheduling based on IoT communications | |
| CN117645217A (zh) | 基于混沌映射混合算法的电梯群控调度方法及系统 | |
| CN114201303A (zh) | 工业物联网环境下固定路径agv的任务卸载优化方法 | |
| JPH05319707A (ja) | 群管理エレベータの制御方法 | |
| Yu et al. | Double-deck elevator group supervisory control system using genetic network programming with ant colony optimization | |
| CN115215171A (zh) | 一种基于粒子群算法的多轿厢电梯调度方法 | |
| CN116300748A (zh) | 一种面向机械设备分布式制造的超启发强化学习调度方法 | |
| Bolat et al. | Optimal car dispatching for elevator groups using genetic algorithms | |
| JP4690703B2 (ja) | エレベータ群管理方法及び装置 | |
| Yu et al. | Elevator group control system using genetic network programming with ACO considering transitions | |
| CN115186905A (zh) | 一种用于城际网约车路径规划的多任务优化方法及系统 | |
| Yu et al. | Analysis of energy consumption of elevator group supervisory control system based on genetic network programming | |
| CN110127464B (zh) | 一种基于动态优化的多目标电梯调度系统及方法 | |
| Zhou et al. | Elevator group supervisory control system using genetic network programming with macro nodes and reinforcement learning | |
| Yu et al. | A double-Deck elevator group supervisory control system with destination floor guidance system using genetic network programming | |
| Zhang et al. | A Multi-Objective Optimization Approach for Elevator Group Control Systems Based on Particle Swarm Algorithm |
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 |