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/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，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，比僅僅用嚴格的補償函數(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指令，而對于層站召喚信號則由調(diào)度算法進行分配。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：
　　· 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)準可決定能源消耗的大小。
　　
　　其中：S_i——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)層站召喚信號的電梯m，它對應(yīng)著最大的S_i。
　　
　　在(1)式中W的不同選擇表明了對三個評價標(biāo)準的不同側(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，比僅僅用嚴格的補償函數(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。AWT_i、LWP_i和RNC_i的模糊估計需用到HCWT_i、maxHCWT_i、CV_i和GDi，分別定義如下：
　　HCWT_i—層站召喚信號從產(chǎn)生到被第i個電梯響應(yīng)的等待時間。
　　maxHCWT_i—分配給第i個電梯的所有層站召喚信號的最大HCWTi。
　　CV_i—第i個電梯響應(yīng)未來層站召喚信號的能力，與乘客的進出電梯流量有關(guān)。
　　GD_i—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。
　　CV_i說明如下：
　　
　　其中的in_person表示在將來單位時間內(nèi)試圖進入電梯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V_i越大，響應(yīng)將來層站召喚信號的能力越強。
　　HCWT_i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AWT_i一般會增加。
　　我們把文獻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)；δ_pi⁽²⁾為在第p個樣本下反傳到第2層的誤差；x_pi⁽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)；s_pi⁽²⁾為在第p個樣本下第2層第i個節(jié)點的輸入函數(shù)；m_pi⁽²⁾為第2層第i個節(jié)點的隸屬度函數(shù)中心值；σ_pi⁽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，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行通訊。采用本文所介紹的調(diào)度策略進行了仿真實驗，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
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)研究院機械化研究所，1993