摘要：电梯是高层建筑中垂直运行的常见交通工具。为了提高多台电梯运行效率和服务质量，采用优质的电梯群控系统，统一管理多台电梯运行是一个值得研究的问题。本文介绍了电梯群控系统中的一种控制算法即遗传算法，通过四台电梯的调度为背景，建立相应的适应度函数，采用遗传算法实现电梯调度方案。仿真实验表明这种电梯调度方法是有效的。
关键词: 电梯群控系统; 遗传算法; 适应度函数
ZHANG Jin-yang Chen Fei
（Xinjiang Uygur Autonomous Region special equipment examination research institute，830000）
张金杨 陈飞
（新疆维吾尔自治区特种设备检验研究院，830006）
Abstract: The elevator is in the high-rise construction the vertical movement common transportation vehicle. In order to raise many elevator operating efficiency and the grade of service, uses the high quality elevator group control system, the global administration many elevators movement is the question which is worth studying. This article introduced in the elevator group control system‘s one kind of control algorithm is the genetic algorithm, through four elevator‘s dispatches is the background, establishes the corresponding sufficiency function, and uses the genetic algorithm to realize the elevator dispatch plan. The simulation experiment indicated that this elevator dispatch method is effective.
Key words: elevator group control system; genetic algorithm; sufficiency function
1 引言
电梯作为垂直方向的交通工具，目前已经得到了广泛的运用。由于高层建筑日益增多，高层大楼往往需要几台甚至几十台电梯来满足乘客的需要。增加电梯数量虽然可以在一定程度上提高电梯的运行效率，但电梯高效运行的关键还在对客流的调度能力上。自电梯问世以来，从单梯运行到双梯并联运行，再到电梯群控系统运行，已逐渐形成了电梯的交通配置理论。随着电梯需求量的越来越大，电梯群调度系统的分析、设计、调度算法等问题也随之越来越突出。而且由于系统本身具有随机性和非线性、控制目标多样性，调度系统变得十分庞大，调度算法也越来越复杂。这就需要我们采用智能控制技术对电梯群控系统进行有效地改进和发展。
调度方法是电梯群控系统的核心，它直接影响到各台电梯的运行和电梯系统服务的优劣。随着人工智能理论的蓬勃发展，目前已产生了多种智能电梯调度方法，如基于模糊模型的电梯调度方法、基于专家的电梯调度方法、基于神经网络的电梯调度方法和基于遗传算法的电梯调度方法。目前我国大多数是利用模糊神经网络技术解决群控调度问题，而关于遗传算法应用到电梯群控理论是现在研究热点。由于遗传算法在搜索最优解时具有搜索不依赖于梯度信息，在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程，算法简单、通用、鲁棒性强，适用于并行分布处理等特点，使它在电梯群控理论方面具有很大的应用前景。
2 电梯群控系统遗传算法操作
本算法将目标优化过程中搜索空间的参数或解转化成遗传空间中的染色体，一定数量的染色体构成初始种群。根据目标优化函数构建适应度函数，同时计算每一个染色体的适应度函数值，然后根据适应度函数值进行选择染色体，按照一定的概率进行交叉和变异操作，产生新的染色体，形成下一代种群，继续上述操作，直到搜索到最优解或者进化足够多的代数。
考虑到电梯群控制系统的实时性，在每次调用遗传算法进行搜索时，只在有限时间内进行若千次搜索，而不是每次都求得收敛值。这样虽然每次得到的不是最优值，但考虑到电梯群控制系统的随机性，最优值并没有太大的意义，因为新层站呼梯信号随时产生，其它外部条件也可能随时变化，即使在当前时刻搜索得最优分配方案，在新的条件下很可能不再是最优方案。当系统没有新的层站梯信号产生时，梯群控制系统每隔一定的时间，就根据当前系统状态，重新调用遗传算法进行搜索，为所有未被响应的层站呼梯信号分配服务梯。遗传算法操作总流程图如图1所示。
图1遗传算法操作总流程图
本设计中染色体采用整数二进制编码，编码的对象为电梯编号，电梯数为4台，因此对电梯1-4编码分别为:00, 01, 10, 11。电梯系统的每一个未分配外呼信号对应一个2位的二进制数表达，表示该外呼信号由编码值对应的电梯前往响应。染色体长度为当前未被响应的层站呼梯信号个数的2倍，即采用了变长染色体，长度随层站呼梯信号个数变化。这样做有两个优点:一是不必一直取较长染色体，减少计算量;二是不会产生无效解。在每次优化时，如果有M个未被响应的层站呼梯信号，染色体就用一个长度为2m的整数码串来表示。一个染色体表示群控系统对当前外呼信号的一种派梯方案。
以4台15层站电梯为例，用一个数组C[0...27]记录分配的层站呼梯信号编号，将1至14层上呼分别记为0-13, 2至15层下呼分别记为14—27。
如果C[0]至C[5]的值分别为1, 6, 12, 18, 19, 26，具体表示为2层、7层、13层有上呼，6层、7层、14层有下呼，对应于编码为341232的染色体。
3 适应度函数设计
遗传算法在搜索进化过程中一般不需要其它外部信息，仅用评价函数值来评价个体或解的优劣，并作为以后遗传操作的依据。要注意的是评价函数和适应度函数不是一个概念。评价函数指的是优化问题的目标函数，用遗传算法进行优化的过程就是对评价函数求极值的问题。而适应度函数是为了便于比较个体的大小及选择、交叉、变异操作而将评价函数作映射而成的函数。适应度函数值称为适应度（fitness），适应度函数表明个体对环境适应能力的强弱，遗传算法在进化搜索中依靠适应度函数值的大小来区分每个个体的优劣，适应度值大的个体将有更多的机会繁衍下一代。适应度函数评估是选择操作的依据，在具体应用中，适应度函数的设计须结合求解问题的要求。一般情况下，可以由求解问题的目标函数派生得到。
本文以4台电梯群控为研究对象,则构造适应度函数:
（3）式中a决定了选择的强制性，a越小，原有适应度较高的个体的新适应度就越与其它个体的新适应度相差较大，亦就增加了选择该个体的强制性。
4 遗传算法派梯仿真
为测试群控算法的性能，采用MATLAB实现基于遗传算法的电梯群控系统派梯的虚拟仿真，仿真实验中设定群控系统电梯配置参数如下:群控系统为4台15层站电梯，速度为2米/秒，加速度1. 5米/秒2，开门时间1. 5秒，关门时间3秒，建筑物楼层高度为3米。为了测试派梯算法需要，随机产生繁重层间交通流，以下仿真是在此系统参数和交通流下进行的。
图2基于遗传算法派梯算法电梯运行曲线图
从图2中可以看出在多数情况下各部电梯在各楼层间的分布比较均匀，未发生聚群现象，上行和下行电梯数较均匀，这种交通模式下是合理的。
5 结 语
本文提出了基于遗传算法的电梯群控系统的调度方法,可以对多台电梯服务系的进行优化派梯,以提高系统的整体服务性能，从而获得较优的派梯结果。
