虛擬環(huán)境下智能電梯群控調(diào)度方法的研究.pdf

1、該文綜述了國內(nèi)外智能電梯群控調(diào)度方法,針對電梯交通流預(yù)測,交通模式識別,高峰期、空閑期、隨機層間、智能多模式電梯群控調(diào)度方法及虛擬仿真環(huán)境進行了深入研究,對智能電梯群控系統(tǒng)的研究具有較好的理論指導(dǎo)意義和實用價值.根據(jù)電梯交通流的特點,構(gòu)造了一種交通流時間序列神經(jīng)網(wǎng)絡(luò)預(yù)測模型,并提出了一種通過調(diào)整預(yù)測神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來提高預(yù)測精度的方法.建立了用于交通模式識別的模糊神經(jīng)網(wǎng)絡(luò)模型,采用兩個模糊神經(jīng)網(wǎng)絡(luò)分兩步進行模式識別的方法,大大簡化網(wǎng)絡(luò)的結(jié)構(gòu)

2、和樣本的制定,提高了交通模式識別的實時性.根據(jù)電梯專家知識獲取網(wǎng)絡(luò)的訓(xùn)練樣本,采用三步混合學(xué)習(xí)算法對兩個網(wǎng)絡(luò)進行訓(xùn)練調(diào)整.實驗的測試結(jié)果表明,用兩個模糊神經(jīng)網(wǎng)絡(luò)可以準確的辨識出各種交通模式.利用Monte Carlo方法處理實際交通流數(shù)據(jù),由此建立電梯交通流概率仿真模型,并根據(jù)該模型進行空閑交通模式的電梯調(diào)度.提出了一致的UPPINT的目標函數(shù),將高峰期的動態(tài)分區(qū)問題歸結(jié)為一個最優(yōu)化問題,用動態(tài)規(guī)劃方法求解動態(tài)分區(qū)問題.提出了一種適用于

3、隨機層間交通模式的多目標函數(shù),并依據(jù)該函數(shù)采用遺傳算法動態(tài)優(yōu)化調(diào)度電梯,這樣即改善特殊服務(wù)樓層的服務(wù),同時又優(yōu)化系統(tǒng)的整體性能.仿真結(jié)果表明上述研究方法的有效性.提出了一個單隊列有限量多服務(wù)臺組成的批量服務(wù)的電梯上高峰排隊模型,具體描述了電梯上高峰的馬爾科夫決策過程、狀態(tài)轉(zhuǎn)移概率、單位報酬、折扣準則和目標函數(shù).建立了上高峰優(yōu)化調(diào)度的動態(tài)規(guī)劃方程.為了簡化求解動態(tài)規(guī)劃方程,提出并證明了電梯上高峰優(yōu)化值函數(shù)特性的相關(guān)引理和推論,構(gòu)造了電梯上

4、高峰最優(yōu)調(diào)度策略的結(jié)構(gòu),得出了上高峰優(yōu)化調(diào)度策略是基于閾值的策略的結(jié)論.建立了智能多模式電梯群控系統(tǒng)的結(jié)構(gòu),該結(jié)構(gòu)由信息處理單元及電梯優(yōu)化調(diào)度單元組成.采用基于遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)對信息處理單元的大量數(shù)據(jù)進行數(shù)據(jù)融合,提出了采用遺傳算法優(yōu)化具有全局性的網(wǎng)絡(luò)參數(shù),用BP算法調(diào)節(jié)和優(yōu)化具有局部性的參數(shù).在電梯優(yōu)化調(diào)度單元采用小生境遺傳算法進行全局優(yōu)化,使其更能適應(yīng)智能多模式的交通流變化.仿真結(jié)果表明該方法的有效性.最后詳細敘述了智能電梯群