基于模糊神经网络的电梯群控系统的智能调度

发布时间:2008/6/3 0:00:00 访问次数:919

作者：上海交通大学自动化系(200030) 张苗苗张学军谢剑英来源：《电子技术应用》

基于模糊神经网络的电梯群控系统的智能调度

摘要 提出一种新的电梯群控系统（egcs）的评价函数，综合考虑电梯运行的评价标准并建立了相应的模糊规则。同时把这些规则映射到模糊神经网络中进行学习，提高了调度的智能性。为保证神经网络每层权值的物理意义和改善规则间的重要性，提出了部分层学习算法，并推导了中心值、宽度学习算法。最后利用面向对象的方法实现了电梯群控系统的仿真软件，结果表明此调度策略的优越合理性。

关键词 电梯群控系统模糊规则模糊神经网络调度

电梯群控系统（egcs）采用优化的控制策略来协调多台电梯的运行，以提高电梯的运输效率和服务质量。

由于电梯群控系统控制目标的多样性，同时也由于电梯系统本身所固有的随机性和非线性，仅仅通过传统的控制方法很难提高控制系统的性能。近年来智能控制得到迅速发展，其方法在解决具有此类特点的系统上有独到之处。自从mistubishi公司首次把模糊逻辑用于电梯系统，采用模糊控制的电梯群控系统数量迅速增加。例如用模糊逼近的方法来确定群控系统呼梯分配中的重要参数棗区域权重，进而得出评价函数的值，实现系统多目标控制[1]；利用专家系统来实现电梯群控系统的模糊控制[2]等。但这些方法的判断标准均有不足之处，只考虑了某一类因素，并未考虑到乘客的平均等待时间、能源消耗等因素；同时在做模糊逻辑推理时没有把时间量、进／出人流量等作为输入变量。本文提出了新的最优评价函数，综合考虑乘客的平均等候时间（awt）、长时等待率（lwp）、能源消耗（rnc）三个主要标准，并根据实际要求给予不同的权重，以此来合理分配电梯。ａｗｔ、ｌｗｐ、ｒｎｃ三个量可由一定的模糊规则推理而来，通过运用从经验丰富的电梯工程师获得的各种控制规则，比仅仅用严格的补偿函数方法，可以获得更好的效果。但由于单纯的模糊控制缺乏学习功能，存在系统性能受知识的影响、调整确定隶属函数需大量的仿真实验、规则修改不便等缺点。而人工神经网络通过调整连接权来得到近似最优的输入输出映射，因此适用于建立类似电梯群控系统的一类非线性动态系统。两者结合的模糊神经网络（ｆｎｎ），具有一个表达框架，一方面提供用于解释和推理的可理解的模型结构，另一方面具有知识获取和学习能力。本文把ａｗｔ、ｌｗｐ、ｒｎｃ的规则映射到神经网络中，利用网络的学习功能来调整改善规则，解决了随机性、非线性等问题。

１目标函数的选择

对于多个电梯的群控系统，所选的控制策略是，每部电梯处理各自的随机指令，而对于层站召唤信号则由调度算法进行分配。调度算法实际上是一个评价函数。评价函数的确定主要用到以下三个评价标准：

· 平均等候时间（ａｗｔ）：所有乘客的候梯时间和乘梯时间的平均量；

· 长时等待率（ｌｗｐ）：在一定时间内等待时间超过60s的乘客占总乘客数的百分比；

· 运行量（ｒｎｃ）：在一定时间内电梯的运行次数。由于能源消耗由启／停电梯决定，所以该标准可决定能源消耗的大小。

ａｗｔｉ棗第ｉ个电梯的ａｗｔ值

ｌｗｐｉ棗第ｉ个电梯的ｌｗｐ值

ｒｎｃｉ棗第ｉ个电梯的ｒｎｃ值

其中：ｓｉ棗评价函数，表示第ｉ个电梯响应某个层站信号的可信度。ｉ＝１．．．ｎ，ｎ表示群控系统的电梯数。

三个评价标准可由一定的模糊规则推理得到。由（１）式可求出各电梯的可信度ｓ１、ｓ２、．．．ｓｎ。由下面的（２）式可求出最适合响应层站召唤信号的电梯ｍ，它对应着最大的ｓｉ。

在（１）式中ｗ的不同选择表明了对三个评价标准的不同侧重。例如在上／下班高峰，选择电梯时以减小乘客等待时间为主要考虑因素而节约能源为辅，故ｌｗｐ所对应的权重大一些；而在晚上乘客稀少，则以节约能源为主，故ｒｎｃ所对应权重可大一些，而ｌｗｐ所对应的权重则小一些。

２规则的知识表示及推理

２．１模糊规则的知识表示

在电梯群控系统中运用从经验丰富的电梯工程师获得的各种控制规则，比仅仅用严格的补偿函数方法，可获得更好的效果，它可很