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(tái)電梯的運(yùn)行，以提高電梯的運(yùn)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(shí)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(diǎn)的系統(tǒng)上有獨(dú)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(píng)價(jià)函數(shù)的值,，實(shí)現(xiàn)系統(tǒng)多目標(biāo)控制^[1],；利用專家系統(tǒng)來實(shí)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(shí)間、能源消耗等因素,；同時(shí)在做模糊邏輯推理時(shí)沒有把時(shí)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(píng)價(jià)函數(shù),，綜合考慮乘客的平均等候時(shí)間(AWT)、長(zhǎng)時(shí)等待率(LWP),、能源消耗(RNC)三個(gè)主要標(biāo)準(zhǔn),，并根據(jù)實(shí)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(gè)量可由一定的模糊規(guī)則推理而來，通過運(yùn)用從經(jīng)驗(yàn)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(shí)的影響,、調(diào)整確定隸屬函數(shù)需大量的仿真實(shí)驗(yàn)、規(guī)則修改不便等缺點(diǎn),。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(dòng)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(gè)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(shí)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(duì)于多個(gè)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(duì)于層站召喚信號(hào)則由調(diào)度算法進(jìn)行分配,。調(diào)度算法實(shí)際上是一個(gè)評(píng)價(jià)函數(shù)。評(píng)價(jià)函數(shù)的確定主要用到以下三個(gè)評(píng)價(jià)標(biāo)準(zhǔn)：
　　· 平均等候時(shí)間(AWT)：所有乘客的候梯時(shí)間和乘梯時(shí)間的平均量,；
　　· 長(zhǎng)時(shí)等待率(LWP)：在一定時(shí)間內(nèi)等待時(shí)間超過60s的乘客占總乘客數(shù)的百分比,；
　　· 運(yùn)行量(RNC)：在一定時(shí)間內(nèi)電梯的運(yùn)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：S_i——評(píng)價(jià)函數(shù)，表示第i個(gè)電梯響應(yīng)某個(gè)層站信號(hào)的可信度,。i＝1...n,，n表示群控系統(tǒng)的電梯數(shù)。
　　三個(gè)評(píng)價(jià)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、...S_n,。由下面的(2)式可求出最適合響應(yīng)層站召喚信號(hào)的電梯m,，它對(duì)應(yīng)著最大的S_i,。
　　
　　在(1)式中W的不同選擇表明了對(duì)三個(gè)評(píng)價(jià)標(biāo)準(zhǔn)的不同側(cè)重。例如在上/下班高峰,，選擇電梯時(shí)以減小乘客等待時(shí)間為主要考慮因素而節(jié)約能源為輔,，故LWP所對(duì)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(duì)應(yīng)權(quán)重可大一些，而LWP所對(duì)應(yīng)的權(quán)重則小一些,。
2 規(guī)則的知識(shí)表示及推理
2.1 模糊規(guī)則的知識(shí)表示
　　在電梯群控系統(tǒng)中運(yùn)用從經(jīng)驗(yàn)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(hào)分配給合適的電梯,，在分配時(shí)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。AWT_i,、LWP_i和RNC_i的模糊估計(jì)需用到HCWT_i,、maxHCWT_i、CV_i和GDi,，分別定義如下：
　　HCWT_i—層站召喚信號(hào)從產(chǎn)生到被第i個(gè)電梯響應(yīng)的等待時(shí)間,。
　　maxHCWT_i—分配給第i個(gè)電梯的所有層站召喚信號(hào)的最大HCWTi。
　　CV_i—第i個(gè)電梯響應(yīng)未來層站召喚信號(hào)的能力,，與乘客的進(jìn)出電梯流量有關(guān),。
　　GD_i—新的層站召喚信號(hào)的產(chǎn)生位置與被第i個(gè)電梯響應(yīng)的所有召喚信號(hào)(包括層站召喚和梯內(nèi)召喚)產(chǎn)生位置之間的最短距離。
　　CV_i說明如下：
　　
　　其中的in_person表示在將來單位時(shí)間內(nèi)試圖進(jìn)入電梯i的乘客,，fail_person表示在單位時(shí)間內(nèi)層站召喚信號(hào)沒被響應(yīng)的乘客,。可看出CV_i越大,，響應(yīng)將來層站召喚信號(hào)的能力越強(qiáng),。
　　HCWT_i越小，說明層站召喚信號(hào)被響應(yīng)的時(shí)間越短,，則乘客的候梯時(shí)間小,。但因電梯i的啟/停頻度增加，梯內(nèi)乘客的乘梯時(shí)間相應(yīng)地變長(zhǎng),，結(jié)果所有乘客的平均等待時(shí)間AWT_i一般會(huì)增加,。
　　我們把文獻(xiàn)中的共性知識(shí)和具有豐富實(shí)踐經(jīng)驗(yàn)的電梯專家的個(gè)性知識(shí)加以總結(jié)，仔細(xì)推敲,，歸納了如表1的AWT_i,、LWP_i和RNC_i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(shí)際需要適當(dāng)調(diào)整,，以滿足減小AWT、LWP,、RNC的多項(xiàng)要求,。
2.2模糊神經(jīng)網(wǎng)絡(luò)的知識(shí)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(shí),，模糊規(guī)則可用網(wǎng)絡(luò)的節(jié)點(diǎn)對(duì)象,、連接權(quán)對(duì)象、連接結(jié)構(gòu)等來翻譯解釋,；同時(shí)具有知識(shí)獲取和學(xué)習(xí)能力,。與上述規(guī)則表相對(duì)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(shí)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(gè)量,，所以是一種智能推理,。考慮到輸入?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(duì)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(gè)數(shù)由專家知識(shí)確定的規(guī)則個(gè)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(shí)現(xiàn)“模糊邏輯與”的運(yùn)算,；第4層為結(jié)論節(jié)點(diǎn)層,，將具有相同結(jié)論又被激活的規(guī)則節(jié)點(diǎn)的輸出放在一起實(shí)現(xiàn)“求和”運(yùn)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(diǎn)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(diǎn)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(gè)電梯的AWT,、LWP和RNC，并帶入(1)式求得第i個(gè)電梯響應(yīng)層站召喚信號(hào)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(hào)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(diǎn)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(diǎn)是計(jì)算量大,。對(duì)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(duì)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(dòng)量項(xiàng)方法,，它實(shí)際上相當(dāng)于阻尼項(xiàng)，有利于減小學(xué)習(xí)過程的振蕩，改善收斂性^[3],。對(duì)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(gè)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(duì)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(shí)間和計(jì)算量,。其算法如下：

　　
　　i＝1…N2，N2為第2層的節(jié)點(diǎn)個(gè)數(shù),，N3為第3層的節(jié)點(diǎn)個(gè)數(shù),；δ_pi⁽²⁾為在第p個(gè)樣本下反傳到第2層的誤差；x_pi⁽²⁾為在第p個(gè)樣本下第2層第i個(gè)節(jié)點(diǎn)(神經(jīng)元)的輸出函數(shù),；s_pi⁽²⁾為在第p個(gè)樣本下第2層第i個(gè)節(jié)點(diǎn)的輸入函數(shù),；m_pi⁽²⁾為第2層第i個(gè)節(jié)點(diǎn)的隸屬度函數(shù)中心值；σ_pi⁽²⁾為第2層第i個(gè)節(jié)點(diǎn)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(duì)于FNN，某一層的權(quán)值根據(jù)實(shí)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(duì)該層權(quán)值進(jìn)行修正,，若啟動(dòng)全部層學(xué)習(xí)將使該層權(quán)值改變，失去了實(shí)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(shí)際的需要對(duì)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(shí),，如該層需要學(xué)習(xí),，則對(duì)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(shí)間,，減少計(jì)算量,。對(duì)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(duì)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(duì)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(hào)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(jì)、交通模式判別,、系統(tǒng)幫助等功能,。考慮到系統(tǒng)的開放性,、可擴(kuò)充性,、柔性等特點(diǎn)，采用了面向?qū)ο蟮姆治龊驮O(shè)計(jì)方法,。在群控系統(tǒng)中每個(gè)電梯均可看成一個(gè)對(duì)象,，對(duì)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(shí)驗(yàn),，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?yàn)樵诖朔抡鏁r(shí)段對(duì)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(duì)應(yīng)的權(quán)重相比其它兩項(xiàng)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(guó)建筑科學(xué)研究院機(jī)械化研究所,，1993