基于蚁群算法的电梯群控系统研究

王建荣，陈 斌，陈 柯

(沈阳化工大学 信息工程学院，辽宁 沈阳 110142)

0 引言

近年来，高层建筑的增多，更多的学者开始电梯群控技术的研究，粒子群算法，神经网络算法，模糊控制算法等诸多算法应用于电梯群控系统中[1]。模糊控制算法学习能力较差，无法及时的对参数进行调整，专家系统算法对复杂多变的高层电梯控制能力较差，适合于低层建筑的控制，神经网络算法在电梯群控中训练时间比较长，参数等较难设定。该文提出的蚁群算法最大化的提高乘客乘梯舒适度和降低电梯的能耗，系统的建立评价函数，能够从多个方面对电梯群控系统进行多目标优化。

1 电梯群控评价函数

电梯群控系统是一个多目标的复杂的非线性系统。在电梯运行过程中，数据是随机的，没有规律的，不仅要考虑到乘客的舒适度，电梯的运载能力还要考虑到电梯的能耗问题。建立四个评价函数，分别为乘客的候梯时间(AWT)、乘客的乘梯时间(Est)、乘客的舒适度(Com)和电梯的能耗(ERC)。群控算法就是解决电梯的多目标优化的问题，通过多次迭代找出最优解，使评价函数达到最优，电梯运行状态达到最优。

构建加权的电梯群控评价函数[2]如式(1)：

(1)

其中：Wi为权重系数，∑Wi=1，反应上述四种参数的相对大小。根据实际情况可以调整各个模块的权重，如在上下班的高峰期，可以降低乘客的舒适度评价参数，提高电梯的载客人数和运行速度，减少高峰时期的乘客的等待和滞留时间，根据不同的运行状态，及时的去改变权重系数，实现电梯的多功能运行。实现电梯群控的智能化，人性化的特点[3]。

1.1 乘客的平均候梯时间

乘客的候梯时间是指乘客从按下呼梯按钮后到电梯接到乘客为止所耗费的时间，它与电梯的运行速度，运行时间和开关门次数息息相关，其关系表达如式(2)：

WT(i,j)=t停+t运行

(2)

其中：t停包括电梯的开门时间，乘客出入电梯时间，电梯关门时间；t运行与电梯距乘客的距离有关。

候梯时间的评价函数如式(3)：

(3)

1.2 乘客的平均乘梯时间

乘客的平均乘梯时间指的是乘客从进入电梯到达目标层所花费的时间，和电梯的停靠次数、运行速度、电梯内人数多少以及待响应的呼梯信号有关。评价函数为式(4)：

Est(i,j)=e-0.007 7et(i,j)

(4)

1.3 乘客的舒适度

电梯的运行速度、运行时间以及电梯轿厢的拥挤程度都会影响到乘客的舒适度体验，同时乘梯的人数是影响乘客舒适度的关键因素，以电梯当前载重量为变量建立评价函数如式(5)，其中N(i)为电梯当前的载重量。

Com(i,j)=e-0.015N2(i)

(5)

1.4 电梯的能耗

电梯的能耗与电梯的运行距离息息相关，电梯的启动和停止会产生较大的能量消耗，起停次数越多，耗能越多，因此应适当的减少电梯的起停次数，尽量以少量的起停运载更多的乘客去减少能耗。第i个电梯响应第j层乘客呼叫的能耗评价指标如式(6)所示，其中T(i)为电梯的停站次数。

ERC(i,j)=e-0.015T2(i)

(6)

2 蚁群算法

2.1 蚁群算法的基本原理

蚁群算法是由意大利著名科学家M. Dorigo受到自然界中蚂蚁的群体行为的启发提出的仿生算法。在觅食过程中，蚂蚁与蚂蚁之间是通过信息素交流的，某一路径上蚂蚁的信息素越多，其他蚂蚁选择这条路的概率就越大。信息素和路径的长短成反比，路径越短，蚂蚁往返次数越多，该条路径上的信息素就会越多，其他路径上的信息素逐渐挥发，最终蚁群就会逐渐归拢到最短路径前往觅食点[4]。

蚁群算法的优点对于一些求解问题，只需对蚁群算法的模型作简单修改就可以应用，具有很强的鲁棒性，在迭代过程中，单个个体的变异对整个种群的影响不大，在寻优中，种群蚂蚁按照同样的算法寻找最优解，互不影响[5]。

2.2 蚁群算法模型

蚁群算法最初是用来解决旅行商(TSP)的问题，TSP问题的要求是必须途径所有的城市，并且每个城市只经过一次，必须回到出发的城市，最后求得所有路径中的最短路径。蚂蚁观察到的世界是一个3×3的方格世界，根据方格世界中路径上的信息浓度决定前进方向，由此可得出某只蚂蚁在一个城市向另一个城市出发的概率模型[6]如式(7)，其中变量意义如表1所示。

表1 概率模型变量的意义

(7)

当蚁群所有的蚂蚁完成所有城市周游后，就要进行信息素τij(t)的更新，见式(8)和式(9)。其中变量意义如表2所示。

表2 信息素更新变量的意义

τij(t+n)=(1-ρ)τij(t)+Δτij(t)

(8)

(9)

对于信息素的增加一共有三种模型，即蚁周模型、蚁量模型和蚁密模型，分别表示为式(10)、式(11)和式(12)。

Ant-cycle system模型：

(10)

Ant-density system模型：

(11)

Ant-quantity system模型：

(12)

其中,蚁周模型指的是种群中所有蚂蚁都完成周游后再进行信息素的更新，其特点是速度慢，着眼于全局，有利于找到全局最优解。蚁密和蚁量模型是所有蚂蚁每走一步，对残留的信息素进行更新，其特点是迭代速度快，能更快寻找到局部最优解[7]。

3 蚁群算法在电梯群控中的应用

蚁群算法近年来被应用于电梯的群控系统中。在电梯多部并行的楼宇中，集中处理多条信息，同时响应多种外呼和内呼，实现多部电梯的联控，考虑乘客的拥挤程度，整个群控系统的整体耗能问题，蚁群算法有一定的优势。在处理多目标复杂系统的优化上，蚁群算法能根据整个群体的不断迭代，找出实现这个方案的最短路径，耗能最低。根据电梯的外呼，内呼，当前载重等建立对应的矩阵，生成蚁群算法的入口参数，进而对多部电梯实现智能群控[8]。

蚁群算法在电梯群控中的流程图如下图1，在高峰期设定评价函数的参数为0.3，0.2，0.3，0.2。电梯完成当前运行方向上的所有乘客的需求后，才能改变运行的方向[9]。电梯的内呼信号大于外呼信号，再同一运行方向的外呼可响应，保证将每一位乘客送至目标层，蚁群算法重点在与信息素的更新和转移概率公式上，每条路径的最短距离约束着电梯群控系统陷入局部最优解，经过全局的优化调整，分配最优电梯去响应外呼信号[10]。

图1 蚁群算法应用于电梯群控流程图

4 基于MATLAB 的数据仿真

为了验证蚁群算法的有效性，通过MATAB对算法进行仿真，蚂蚁数量m设置为15，信息素重要程度因子α设置为1，启发函数重要程度因子β和信息素挥发因子ρ分别为5和0.1，楼层数设置为30层，经过仿真可以清晰的看到，经过80次迭代后，找到了平均距离最短的最优选择。最后通过由德普罗尔公司开发的Elevator Simulation软件对200名上班高峰期的的乘客进行20分钟的仿真模拟。并将蚁群算法、模糊神经网络算法和神经网络算法三种算法进行对比，体现了蚁群算法在电梯群控方面的优势。仿真结果如图2所示，算法比较如表3所示。

图2 电梯运行最短距离与平均距离对比

表3 电梯群控算法评价结果

5 结论

常规电梯都是多部独立运行的电梯，乘客并不了解电梯内的乘客情况，只能主动的去呼叫距离自己最近的电梯，有可能会同时对几部电梯进行同时呼叫，这样就会造成电梯的资源浪费，在高峰期更会降低电梯的载客能力和增加平均候梯时间。改进后的基于蚁群算法的电梯群控系统为多部联控的群控电梯，所有电梯共同相应一个外呼，通过迭代计算后得到1部最优电梯，达到多部电梯之间的平衡控制，合理的安排电梯，让乘梯人均匀的分布在3部电梯内，提高乘客的舒适感。减少电梯停靠次数，降低能耗[11]。

该文将电梯群控和蚁群算法结合起来，验证了蚁群算法的高效性和可行性，在电梯仿真软件Elevator Simulation中选择的是6部10层电梯，电梯数和楼层数较少，数据存在一定的误差，未能明显的突出蚁群算法的优势，随着研究的不断深入，相信在不久的将来，电梯群控一定会给人们带来更大的便利。