改进GA优化BP神经网络的电梯群控策略

改进GA优化BP神经网络的电梯群控策略

张健，王笑竹

(营口理工学院 机电工程系， 辽宁 营口 115014)

[摘要]在遗传算法优化BP神经网络的电梯群控系统基础上，利用遗传算法对候梯时间、乘梯时间、舒适度和运行能耗等评价函数进行搜索具有全局性的进化解，通过BP神经网络按照进化解权值进行寻优，从而获得全局最优解。为提高遗传算法的效率，在遗传操作过程中采用最优个体保存策略，同时采用了交叉率和变异率能够随适应度自动改变的自适应算法，提高了达到最优解的收敛速度。得出最优派梯方案，实现电梯的多目标优化调度。

[关键词]电梯群控；多目标优化；BP神经网络；遗传算法

[文章编号]1673-2944(2015)04-0036-04

[中图分类号]TP273+.4

收稿日期：2015-02-25

作者简介：张健(1981—)，男，辽宁省兴城市人，营口理工学院实验师，博士生，主要研究方向为电子与电力传动、电机控制；王笑竹(1982—)，女，辽宁省营口市人，营口理工学院讲师，硕士，主要研究方向为超声电机与压电材料。

随着高层建筑的增多和智能建筑的快速发展，如何提高电梯的运输能力和服务质量，实现电梯群控系统有效控制，已经成为人们研究的热点问题[1]。电梯群控系统的难点和重点在于电梯群控系统的多目标性和实时性，很难建立系统模型。

针对BP神经网络存在的缺陷，提出基于遗传算法(GA)优化BP神经网络电梯群控系统的新模型。遗传算法是求解问题的高效并行全局搜索方法，在解决组合优化问题时有着良好的搜索性能[2]，GA优化BP神经网络克服了网络建模产生局部极小的缺点，解决电梯群控系统的多目标优化问题，实现电梯群控系统的多目标最优调度[3]。

1BP神经网络概述

BP神经网络是多层结构的误差逆传播网络，具有前馈单向传播的特点[2]。在导师指导下，BP算法是在梯度下降法的基础上应用于多层神经元网络的一种学习算法，假设一个L层，n个节点的神经网络，由于节点单元的特性为Sigmoid型，每层神经元只接受前一层的输出信息，然后传播到下一层神经元，因为BP网络中基本神经元的激活函数必须是连续可微。BP算法的实现步骤如下:

①在(0,1)间随机不相同的选定权系数初值。

②重复训练下述过程直到理想的要求：在特定条件下，给定随机的初始条件，使得BP算法从某一初始条件寻优，算法收敛到全局最优点，而在另一初始条件寻优，算法收敛到一个局部最优点。当BP算法收敛时，尽管神经网络可以获得误差最小的网络参数，而神经网络输出却无法逼近精确的理想函数，并不能确定是否求到了最优解。因此需要不同的初始条件以确保得到最优解[4]。

2GA优化BP神经网络策略

GA在技术和操作上简单，在不受约束条件的情况下，能有效地解决组合优化和非线性问题，按照生物进化原理对群体参数进行编码；根据设定的适度值，个体在遗传过程中进行复制，最优个体在通过交叉操作和变异操作筛选后被保留下来构成新的种群；新的种群在“生成+检测”的迭代过程中不断训练使种群适度不断提高直到满足设定条件[5]。

但GA在迭代过程中过早收敛，易陷入局部最优等问题，因此采取以下3点提高GA性能的改进措施：

①为了将最优个体保存并遗传到下一代，采用最优保存策略改进地选择算子，在种群迭代过程中，直接复制最优个体，替换经过交叉、变异操作后适度值最低的个体，防止最优的个体在进行选择、交叉、变异等操作时被破坏。

②为了快速找到优良种群，在遗传算法早期提高大交叉率，采用可变交叉率，选择基因差异最大的个体进行交叉，使最优个体不参与交叉操作。随着进化种群的增大适当减小交叉率，克服由于交叉率取值引起个体被破坏和搜索速度缓慢的缺点。

③保证最优的个体不变异，采用自适应变异率改进的变异算子扩展最优个体的搜索空间。

由于传统遗传算法的自适应性，交叉率Pc，变异率Pm如式(1)、(2)根据实际需要自适应调整：

(1)

(2)

式中k1，k2，k3,k4∈(0,1),f为变异个体的适应度值，f′为交叉个体较大的适应度值，favg为平均适应度值，fmax为最大的适应度值。

为提高到交叉率Pc和变异率Pm最大适应度值，使群体中的个体处于不断进化的状态，才能保证群体中表现优良的个体的交叉率和变异率不为零。如下式：

(3)

(4)

BP神经网络能克服对输入样本具有严格分布假设的要求，能适应样本非线性。但BP神经网络也存在不足：BP神经网络的训练的盲目性；BP神经网络分析数量指标时，忽略对影响因素定性指标的分析；BP神经网络很难说明神经网络训练后网络参数和阈值的实际含义；BP神经网络具有梯度下降特性，因此学习过程收敛速度慢且容易陷入局部极小点。本文采用GA优化BP神经网络使整个网络迅速达到全局搜索的最优点，能够提高网络评价的准确性[4]，利用BP快速梯度下降法调节网络的权值。定义：

(5)

(6)

其中α为学习速率，η为动量速率。

遗传算法学习后，根据适应度值从最后一代种群中选出具有全局性的进化解；在这些进化解中，通过BP神经网络按照进化解权值进行寻优，从而获得全局最优解[6-7]。

3电梯群控系统仿真实现

基于GA优化BP神经网络的电梯群控策略充分考虑了群控系统中目标多样性、随机性和非线性，把候梯满意度、乘客满意度、能量损耗等因素作为评价函数来协调多台电梯的运行，可以提高电梯群控系统的运载能力和科技水平[9-10]。

优化策略算法作为评价函数，用候梯时间评价轿厢外乘客满意度，用乘梯时间评价轿厢内乘客满意度，用电梯的起停次数评价能量损耗。则：

(7)

式中，J(i)为评价函数；λi(i=1,2,…,N)表示第i台电梯响应到某个层站的可信度，N表示电梯群中的电梯数；i为电梯群中的梯号；Wi(X)为外呼指令评价函数；Gi(X)为内呼指令评价函数；Ni(X)为系统能耗评价函数。λi(i=1,2,3)满足0≤λi≤1,λ1+λ2+λ3=1。λi的不同选择表明了对3个评价标准的不同侧重。由式(7)可知，J(i)根据层站的可信度λi(i=1,2,…,N)去响应第i台电梯呼梯指令，因此响应合理呼叫的梯号e：

(8)

①外呼指令评价函数：

(9)

(10)

Tar(i)为轿厢到达目的楼层的运行时间，Ts(i)为因电梯内选、外呼轿厢途中停靠的时间，Tarv(i)为外呼响应时间。

②内呼指令评价函数：

(11)

(12)

图1　遗传算法优化神经网络流程图

其中，Toff为电梯经过路程行驶时间和中途开关门以及上下客时间；Tj为第j批离开乘客在轿厢内的时间，Z为客流离开的批数，Pj为第j批离轿厢乘客数的百分比，M为轿厢内乘客总数。

③能耗评价函数：

N(i)= ∑Mcall×(NO+NC+

NS+NT)+K×NV,

(13)

其中，∑Mcall为因电梯内选、外呼轿厢途中停靠的楼层数，K为轿厢运行楼层数，NO为开门能耗，NC为关门能耗，NV为匀速能耗，NS为启动能耗，NT为减速能耗。则

N(X)=min(N(i)),1

(14)

遗传算法优化调度程序流程如图1所示。

借助VB软件建立电梯群控系统仿真模型，设置实验参数如表1所示。同时电梯群控仿真软件还编制了最小等待时间、传统遗传算法、改进的遗传算法等群控策略。分别对这几种调度算法进行动态模拟运行，根据仿真运行结果进行比较分析。如表2、表3所示。

根据仿真结果对各种群控算法的运行效果进行对比，从而得出各算法的适合情况，为建筑物中电梯控制方法的实施提供可靠的依据。仿真结果表明在电梯楼层数较少时，最小等待时间调度方法能较好的满足电梯服务性能的要求。传统遗传算法的计算量比较大，控制的实时性相对低于其它算法。改进的遗传算法在楼层较多时体现出较大优势，在运算时间上虽然较传统遗传算法有很大的改进，但随着楼层数的增加仍然是一个不小的消耗。

表1　仿真参数

4结论

基于遗传算法优化BP神经网络的电梯群控系统，利用遗传算法对候梯时间、乘梯时间、舒适度和运行能耗等评价函数进行搜索具有全局性的进化解，通过BP神经网络按照进化解权值进行寻优，从而获得全局最优解。为提高遗传算法的效率，在遗传操作过程中采用最优个体保存策略，同时采用了交叉率和变异率能够随适应度自动改变的自适应算法，提高达到最优解的收敛速度。最后，得出了最优派梯方案，实现电梯的多目标优化调度。

表2　7层电梯性能指标对比

表3　14层电梯性能指标对比

[参考文献]

[1]王芳,宗群,张景龙，等．电梯群的可调整鲁棒优化调度[J]．控制理论与应用，2012,29(1)：27-33．

[2]段素丙，陈伟华，强雄，等．基于模糊控制和红外探测的梯群控制系统控制策略的研究[J]．光学仪器，2012,34(1)：69-75．

[3]李雁景，王再英．基于模糊控制的电梯群控系统算法设计[J]．机械制造与自动化，2012，41(1)：117-119．

[4]刘志申，王艳芬，王延文．模糊神经网络技术在电梯群控系统中的应用研究[J]．信息系统工程，2010，34(6)：67-68．

[5]王庆宇，李庆超，宋镇江．基于遗传算法的双子电梯群优化控制方法[J]．建筑电气，2013,30(8)：43-47．

[6]宗群，李胜涛，王维佳.基于遗传算法的电梯群控鲁棒优化模型[J].天津大学学报，2007，40(9)：1019-1024.

[7]高立兵.智能化电梯群控系统仿真平台的设计与实现[J].电气时代，2013，40(3)：76-77.

[8]王康碧，蒋作，和晓萍，等.一种基于蚁群算法的电梯群节能调度算法[J].云南大学学报：自然科学版，2013，35(s2)：39-43.

[9]陈福兰，杜虹.电梯群控调度策略的蚁群优化算法及其仿真[J].装备制造技术，2013，20(12)：20-22.

[责任编辑：李 莉]

Strategy on elevator group control system based on modified GA optimized BPNN

ZHANG Jian，WANG Xiao-zhu

( Department of Mechanical and Electronic Engineering， Yingkou Institute of Technology,

Yingkou 115014， China)

Abstract:Based on genetic algorithm to optimize the BP neural network in elevator group control system, evalation functions concerning the waiting time, riding time, comfort and energy consumption are used to search for an overall solution, and at the same time, evolutionary solution right value optimization in BP neural network is applied to do the search to get a global optimal solution. In order to improve the efficiency of GA, the best individual preservation strategy in the process of genetic manipulation is used. At the same time the adaptive algorithm, in which the crossover rate and mutation rate can be self-adapted, is used to improve the convergence speed of the optimal solution. Thus, an optimal, multipurpose elevator dispatching programme is derived.

Key words:elevator group control;multi-purpose optimization;BP neural network;genetic algorithm