虚拟环境下智能电梯群控调度方法的研究

本文综述了国内外智能电梯群控调度方法，针对电梯交通流预测，交通模式识别，高峰期、空闲期、随机层间、智能多模式电梯群控调度方法及虚拟仿真环境进行了深入研究，对智能电梯群控系统的研究具有较好的理论指导意义和实用价值。 根据电梯交通流的特点，构造了一种交通流时间序列神经网络预测模型，并提出了一种通过调整预测神经网络结构来提高预测精度的方法。建立了用于交通模式识别的模糊神经网络模型，采用两个模糊神经网络分两步进行模式识别的方法，大大简化网络的结构和样本的制定，提高了交通模式识别的实时性。根据电梯专家知识获取网络的训练样本，采用三步混合学习算法对两个网络进行训练调整。实验的测试结果表明，用两个模糊神经网络可以准确的辨识出各种交通模式。 利用Monte Carlo方法处理实际交通流数据，由此建立电梯交通流概率仿真模型，并根据该模型进行空闲交通模式的电梯调度。提出了一致的UPPINT的目标函数，将高峰期的动态分区问题归结为一个最优化问题，用动态规划方法求解动态分区问题。提出了一种适用于随机层间交通模式的多目标函数，并依据该函数采用遗传算法动态优化调度电梯，这样即改善特殊服务楼层的服务，同时又优化系统的整体性能。仿真结果表明上述研究方法的有效性。 提出了一个单队列有限量多服务台组成的批量服务的电梯上高峰排队模型，具体描述了电梯上高峰的马尔科夫决策过程、状态转移概率、单位报酬、折扣准则和目标函数。建立了上高峰优化调度的动态规划方程。为了简化求解动态规划方程，提出并证明了电梯上高峰优化值函数特性的相关引理和推论，构造了电梯上高峰最优调度策略的结构，得出了上高峰优化调度策略是基于阈值的策略的结论。 建立了智能多模式电梯群控系统的结构，该结构由信息处理单元及电梯优化调度单元组成。采用基于遗传算法的模糊神经网络对信息处理单元的大量数据进行数据融合，提出了采用遗传算法优化具有全局性的网络参数，用BP算法调节和优化具有局部性的参数。在电梯优化调度单元采用小生境遗传算法进行全局优化，使其更能适应智能多模式的交通流变化。仿真结果表明该方法的有效性。最后详细叙述了智能电梯群控虚拟仿真环境的总体结构及实现。