摘 要: 提出一種新的電梯群控系統(tǒng)(EGCS)的評價函數(shù)，綜合考慮電梯運行的評價標(biāo)準(zhǔn)并建立了相應(yīng)的模糊規(guī)則,。同時把這些規(guī)則映射到模糊神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí),，提高了調(diào)度的智能性,。為保證神經(jīng)網(wǎng)絡(luò)每層權(quán)值的物理意義和改善規(guī)則間的重要性,，提出了部分層學(xué)習(xí)算法,，并推導(dǎo)了中心值,、寬度學(xué)習(xí)算法,。最后利用面向?qū)ο蟮姆椒▽崿F(xiàn)了電梯群控系統(tǒng)的仿真軟件，結(jié)果表明此調(diào)度策略的優(yōu)越合理性,。
關(guān)鍵詞: 電梯群控系統(tǒng) 模糊規(guī)則 模糊神經(jīng)網(wǎng)絡(luò) 調(diào)度
電梯群控系統(tǒng)(EGCS)采用優(yōu)化的控制策略來協(xié)調(diào)多臺電梯的運行,，以提高電梯的運輸效率和服務(wù)質(zhì)量。
由于電梯群控系統(tǒng)控制目標(biāo)的多樣性,，同時也由于電梯系統(tǒng)本身所固有的隨機(jī)性和非線性,，僅僅通過傳統(tǒng)的控制方法很難提高控制系統(tǒng)的性能。近年來智能控制得到迅速發(fā)展,，其方法在解決具有此類特點的系統(tǒng)上有獨到之處,。自從Mistubishi公司首次把模糊邏輯用于電梯系統(tǒng)，采用模糊控制的電梯群控系統(tǒng)數(shù)量迅速增加,。例如用模糊逼近的方法來確定群控系統(tǒng)呼梯分配中的重要參數(shù)——區(qū)域權(quán)重,，進(jìn)而得出評價函數(shù)的值,，實現(xiàn)系統(tǒng)多目標(biāo)控制[1]；利用專家系統(tǒng)來實現(xiàn)電梯群控系統(tǒng)的模糊控制[2]等,。但這些方法的判斷標(biāo)準(zhǔn)均有不足之處,，只考慮了某一類因素，并未考慮到乘客的平均等待時間,、能源消耗等因素,；同時在做模糊邏輯推理時沒有把時間量、進(jìn)/出人流量等作為輸入變量,。本文提出了新的最優(yōu)評價函數(shù),，綜合考慮乘客的平均等候時間(AWT)、長時等待率(LWP),、能源消耗(RNC)三個主要標(biāo)準(zhǔn),，并根據(jù)實際要求給予不同的權(quán)重，以此來合理分配電梯,。AWT,、LWP、RNC三個量可由一定的模糊規(guī)則推理而來,，通過運用從經(jīng)驗豐富的電梯工程師獲得的各種控制規(guī)則,，比僅僅用嚴(yán)格的補(bǔ)償函數(shù)方法，可以獲得更好的效果,。但由于單純的模糊控制缺乏學(xué)習(xí)功能,，存在系統(tǒng)性能受知識的影響,、調(diào)整確定隸屬函數(shù)需大量的仿真實驗,、規(guī)則修改不便等缺點。而人工神經(jīng)網(wǎng)絡(luò)通過調(diào)整連接權(quán)來得到近似最優(yōu)的輸入輸出映射,，因此適用于建立類似電梯群控系統(tǒng)的一類非線性動態(tài)系統(tǒng),。兩者結(jié)合的模糊神經(jīng)網(wǎng)絡(luò)(FNN)，具有一個表達(dá)框架,，一方面提供用于解釋和推理的可理解的模型結(jié)構(gòu),，另一方面具有知識獲取和學(xué)習(xí)能力。本文把AWT,、LWP,、RNC的規(guī)則映射到神經(jīng)網(wǎng)絡(luò)中，利用網(wǎng)絡(luò)的學(xué)習(xí)功能來調(diào)整改善規(guī)則,，解決了隨機(jī)性,、非線性等問題。
1 目標(biāo)函數(shù)的選擇
對于多個電梯的群控系統(tǒng),，所選的控制策略是,，每部電梯處理各自的隨機(jī)指令,，而對于層站召喚信號則由調(diào)度算法進(jìn)行分配。調(diào)度算法實際上是一個評價函數(shù),。評價函數(shù)的確定主要用到以下三個評價標(biāo)準(zhǔn)：
· 平均等候時間(AWT)：所有乘客的候梯時間和乘梯時間的平均量,；
· 長時等待率(LWP)：在一定時間內(nèi)等待時間超過60s的乘客占總乘客數(shù)的百分比；
· 運行量(RNC)：在一定時間內(nèi)電梯的運行次數(shù),。由于能源消耗由啟/停電梯決定,，所以該標(biāo)準(zhǔn)可決定能源消耗的大小。
其中：Si——評價函數(shù),，表示第i個電梯響應(yīng)某個層站信號的可信度,。i＝1...n，n表示群控系統(tǒng)的電梯數(shù),。
三個評價標(biāo)準(zhǔn)可由一定的模糊規(guī)則推理得到,。由(1)式可求出各電梯的可信度S1、S2,、...Sn,。由下面的(2)式可求出最適合響應(yīng)層站召喚信號的電梯m，它對應(yīng)著最大的Si,。
在(1)式中W的不同選擇表明了對三個評價標(biāo)準(zhǔn)的不同側(cè)重,。例如在上/下班高峰，選擇電梯時以減小乘客等待時間為主要考慮因素而節(jié)約能源為輔,，故LWP所對應(yīng)的權(quán)重大一些,；而在晚上乘客稀少，則以節(jié)約能源為主,，故RNC所對應(yīng)權(quán)重可大一些,，而LWP所對應(yīng)的權(quán)重則小一些。
2 規(guī)則的知識表示及推理
2.1 模糊規(guī)則的知識表示
在電梯群控系統(tǒng)中運用從經(jīng)驗豐富的電梯工程師獲得的各種控制規(guī)則,，比僅僅用嚴(yán)格的補(bǔ)償函數(shù)方法,，可獲得更好的效果，它可很好地處理系統(tǒng)中的多樣性,、隨機(jī)性和非線性,。
層站召喚分配部分把新的層站召喚信號分配給合適的電梯，在分配時要考慮召喚方向和所在樓層,、電梯狀態(tài)以及未來層站召喚等信息,。AWTi、LWPi和RNCi的模糊估計需用到HCWTi,、maxHCWTi,、CVi和GDi，分別定義如下：
HCWTi—層站召喚信號從產(chǎn)生到被第i個電梯響應(yīng)的等待時間。
maxHCWTi—分配給第i個電梯的所有層站召喚信號的最大HCWTi,。
CVi—第i個電梯響應(yīng)未來層站召喚信號的能力,，與乘客的進(jìn)出電梯流量有關(guān)。
GDi—新的層站召喚信號的產(chǎn)生位置與被第i個電梯響應(yīng)的所有召喚信號(包括層站召喚和梯內(nèi)召喚)產(chǎn)生位置之間的最短距離,。
CVi說明如下：
其中的in_person表示在將來單位時間內(nèi)試圖進(jìn)入電梯i的乘客,，fail_person表示在單位時間內(nèi)層站召喚信號沒被響應(yīng)的乘客?？煽闯鯟Vi越大,，響應(yīng)將來層站召喚信號的能力越強(qiáng)。
HCWTi越小,，說明層站召喚信號被響應(yīng)的時間越短,，則乘客的候梯時間小。但因電梯i的啟/停頻度增加,，梯內(nèi)乘客的乘梯時間相應(yīng)地變長,，結(jié)果所有乘客的平均等待時間AWTi一般會增加。
我們把文獻(xiàn)中的共性知識和具有豐富實踐經(jīng)驗的電梯專家的個性知識加以總結(jié),，仔細(xì)推敲,，歸納了如表1的AWTi、LWPi和RNCi模糊規(guī)則,，用IF－THEN語句來表示,。其中輸入變量均為模糊化后的值。
變量的隸屬度函數(shù)取為高斯型,，隸屬度函數(shù)的中心值a,、寬度b要根據(jù)實際需要適當(dāng)調(diào)整，以滿足減小AWT,、LWP,、RNC的多項要求。
2.2模糊神經(jīng)網(wǎng)絡(luò)的知識存貯及推理
根據(jù)前面的模糊規(guī)則表,，可把這些模糊規(guī)則映射到模糊神經(jīng)網(wǎng)絡(luò)(FNN)中,，從而提高推理的智能性。該網(wǎng)絡(luò)提供了解釋和推理的可理解的模型結(jié)構(gòu),，通過它可以以一種清晰的方式描述知識，模糊規(guī)則可用網(wǎng)絡(luò)的節(jié)點對象,、連接權(quán)對象,、連接結(jié)構(gòu)等來翻譯解釋；同時具有知識獲取和學(xué)習(xí)能力,。與上述規(guī)則表相對應(yīng)的模糊神經(jīng)網(wǎng)絡(luò)分別如圖1(a),、(b)、(c)所示,。
由于該網(wǎng)可通過知識的表達(dá)和學(xué)習(xí),，記憶交通信息,，然后用推理方式推出AWT、LWP,、RNC三個量,，所以是一種智能推理?？紤]到輸入?yún)?shù)的模糊化和輸出參數(shù)的去模糊化,，該模型總共有5層。其中第1層為輸入層,，輸入?yún)⒘繛闃?biāo)準(zhǔn)化后的量,，在(0，1)之間,；第2層為模糊化層,，對輸入值分別模糊化為大、中,、小三種語言變量,；第三層是規(guī)則層，其神經(jīng)元個數(shù)由專家知識確定的規(guī)則個數(shù)決定,，該層與第2層的連接完成模糊規(guī)則前提條件的匹配,，實現(xiàn)“模糊邏輯與”的運算；第4層為結(jié)論節(jié)點層,，將具有相同結(jié)論又被激活的規(guī)則節(jié)點的輸出放在一起實現(xiàn)“求和”運算,，得到輸出隸屬度函數(shù)值；第5層為輸出層完成去模糊化,。各層節(jié)點的輸入函數(shù)和輸出函數(shù)可選取如下：
其中S,、X 分別表示輸入、輸出函數(shù),，W為權(quán)值,，Ni表示第i層的節(jié)點數(shù)。根據(jù)(4)～(8)式及網(wǎng)絡(luò)結(jié)構(gòu)圖即可分別推理出第i個電梯的AWT,、LWP和RNC,，并帶入(1)式求得第i個電梯響應(yīng)層站召喚信號的可信度，(1)式中W的選擇根據(jù)交通模式的不同給予不同的權(quán)重,。以此類推,，分別求出其它電梯響應(yīng)該信號的可信度，并根據(jù)(2)式求出最大可信度從而選擇最合適的電梯調(diào)度,。
3 規(guī)則的改善
3.1 中心值與寬度的修改
網(wǎng)絡(luò)中各節(jié)點及所有參數(shù)均有明顯的物理意義,，其初值可根據(jù)模糊規(guī)則來確定。鑒于電梯群控系統(tǒng)的復(fù)雜性和一些因素的不確定性，可通過網(wǎng)絡(luò)的學(xué)習(xí)不斷修改和完善規(guī)則,，提高調(diào)度的準(zhǔn)確性,。學(xué)習(xí)一般采用BP算法，如每層的權(quán)值均作修改,，可以稱為全部層學(xué)習(xí),，其缺點是計算量大。對于模糊規(guī)則,，中心值,、寬度應(yīng)選擇恰當(dāng)以滿足減小AWT、LWP,、RNC的要求,。針對模糊神經(jīng)網(wǎng)絡(luò)的隸屬度函數(shù)，給出了中心值,、寬度學(xué)習(xí)算法,。修正的學(xué)習(xí)參數(shù)采用了動量項方法，它實際上相當(dāng)于阻尼項,，有利于減小學(xué)習(xí)過程的振蕩,，改善收斂性[3]。對于圖1的模糊神經(jīng)網(wǎng)絡(luò),，第二層為模糊化層,，輸入隸屬度函數(shù)有中心值、寬度兩個參數(shù),，它們是模糊化的關(guān)鍵,。在學(xué)習(xí)樣本已知的情況下，可只對網(wǎng)絡(luò)的中心值,、寬度進(jìn)行學(xué)習(xí),，同樣可減少學(xué)習(xí)時間和計算量。其算法如下：
i＝1…N2,，N2為第2層的節(jié)點個數(shù),，N3為第3層的節(jié)點個數(shù)；δpi(2)為在第p個樣本下反傳到第2層的誤差,；xpi(2)為在第p個樣本下第2層第i個節(jié)點(神經(jīng)元)的輸出函數(shù),；spi(2)為在第p個樣本下第2層第i個節(jié)點的輸入函數(shù)；mpi(2)為第2層第i個節(jié)點的隸屬度函數(shù)中心值,；σpi(2)為第2層第i個節(jié)點的隸屬度函數(shù)寬度,。
(2)寬度修改的推導(dǎo)同前，有：
3.2 部分層修改
對于FNN,，某一層的權(quán)值根據(jù)實際物理意義可能為一確定值，即使交通信息的訓(xùn)練樣本變化也不希望對該層權(quán)值進(jìn)行修正，若啟動全部層學(xué)習(xí)將使該層權(quán)值改變,，失去了實際的物理意義,，并有可能使學(xué)習(xí)不收劍，發(fā)生振蕩,。為此利用部分層學(xué)習(xí),，此算法可根據(jù)實際的需要對網(wǎng)絡(luò)的某一層或某幾層進(jìn)行學(xué)習(xí)。仍采用誤差反傳的原則,，當(dāng)前饋到某一層時,，如該層需要學(xué)習(xí)，則對該層的權(quán)值進(jìn)行修改,。否則,，不需要修改，但該層的誤差需通過網(wǎng)絡(luò)的內(nèi)部連接傳到上一層,。該算法可節(jié)省學(xué)習(xí)時間,，減少計算量。對圖1的網(wǎng)絡(luò),，一般第四層的權(quán)值是學(xué)習(xí)的主要參數(shù),，為此可只對該層權(quán)值進(jìn)行學(xué)習(xí)。修正該層權(quán)值的目的是改善交通規(guī)則間的相對重要性,，使重要規(guī)則的作用得以加強(qiáng),，提高電梯調(diào)度的智能性。
3.3電梯的調(diào)度
根據(jù)以上介紹,，總結(jié)電梯調(diào)度過程如圖2,，此種電梯調(diào)度方法很好的解決了層站召喚信號的隨機(jī)性、不確定性給電梯調(diào)度所帶來的問題,。而隸屬度函數(shù)和規(guī)則的修改使神經(jīng)網(wǎng)絡(luò)模型能適應(yīng)變化著的交通狀況,，有利于提高調(diào)度的智能性。
4 仿真結(jié)果
根據(jù)以上的交通模式判別策略和調(diào)度算法,，我們用VB編制了電梯仿真軟件系統(tǒng)[4][5][6],，該系統(tǒng)具有電梯參數(shù)設(shè)置、仿真,、性能統(tǒng)計,、交通模式判別、系統(tǒng)幫助等功能,?？紤]到系統(tǒng)的開放性、可擴(kuò)充性,、柔性等特點,，采用了面向?qū)ο蟮姆治龊驮O(shè)計方法,。在群控系統(tǒng)中每個電梯均可看成一個對象，對象之間通過消息進(jìn)行通訊,。采用本文所介紹的調(diào)度策略進(jìn)行了仿真實驗,，仿真條件如圖3，仿真比較結(jié)果如圖4,。結(jié)果表明AWT,、LWP性能均提高，而RNC性能則降低,。這是因為在此仿真時段對能源消耗的重要性要求降低所致,，反映在仿真條件上是RNC對應(yīng)的權(quán)重相比其它兩項較小。
? 
參考文獻(xiàn)
1 Chang Bum Kim, Kyoung A.seong, etc, ″A fuzzy approach to elevator group control system″,IEEE Trans Syst., Man, Cybern.,1995,；25(b):985～990
2 Seiji, etc, ″Supervisory control for elevator group by using fuzzy expert system″, Proceedings of the IEEE International Conference on Industrial Technology, Guangzhou, 1994
3 孫增忻等,，智能控制理論和應(yīng)用，南寧：廣西科學(xué)技術(shù)出版社,，1996
4 Edward Yourdon&Carl Argila, Case studies in object oriented analysis & design, Publishing house of elec－tronics industry, 1998.6
5 Ronald J.Norman, Objected－oriented systems analysis and design, Prentice－h(huán)all international, inc., 1998.6
6 彭克松等譯,，電梯交通分析與控制，北京：中國建筑科學(xué)研究院機(jī)械化研究所,，1993