遗传算法优化电梯群控方案

由于遗传算法在搜索最优解时具有搜索不依赖于梯度信息，在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程，算法简单、通用性和鲁棒性强，适用于并行分布处理等特点，使它在电梯群控理论方面具有很大的应用前景。

1.电梯群控系统遗传算法操作

本算法将目标优化过程中搜索空间的参数或解转化成遗传空间中的染色体，一定数量的染色体构成初始种群。根据目标优化函数构建适应度函数，同时计算每一个染色体的适应度函数值，然后根据适应度函数值进行染色体的选择，按照一定的概率进行交叉和变异操作，产生新的染色体，形成下一代种群，继续上述操作，直到搜索到最优解或者进化足够多的代数。

考虑到电梯群控系统的实时性，在每次调用遗传算法进行搜索时，只在有限时间内进行若干次搜索，而不是每次都求得收敛值。这样虽然每次得到的不是最优值，但考虑到电梯群控系统的随机性，最优值并没有太大的意义，因为新层站呼梯信号随时产生，其他外部条件也可能随时变化，即使在当前时刻搜索得最优分配方案，在新的条件下很可能不再是最优方案。当系统没有新的层站呼梯信号产生时，电梯群控系统每隔一定的时间，就根据当前系统状态，重新调用遗传算法进行搜索，为所有未被响应的层站呼梯信号分配服务梯。遗传算法操作总流程图如图8-13所示。

本设计中染色体采用整数二进制编码，编码的对象为电梯编号，电梯数为4台，因此对电梯1～4编码分别为00、01、10、11。电梯系统的每一个未分配外呼信号用对应一个两位的二进制数表达，表示该外呼信号由编码值对应的电梯前往响应。染色体长度为当前未被响应的层站呼梯信号个数的2倍，即采用了变长染色体，长度随层站呼梯信号个数变化。这样做有两个优点：一是不必一直取较长染色体，减少计算量；二是不会产生无效解。在每次优化时，如果有M个未被响应的层站呼梯信号，染色体就用一个长度为2M的整数码串来表示。一个染色体表示群控系统对当前外呼信号的一种派梯方案。

以4台15层站电梯为例，用一个数组C［0…27］记录分配的层站呼梯信号编号，将1～14层上呼分别记为0～13，2～15层下呼分别记为14～27。

如果C［0］～C［5］的值分别为1、6、12、18、19、26，具体表示为2层、7层、13层有上呼，6层、7层、14层有下呼，对应于编码为341232的染色体。

2.适应度函数设计

遗传算法在搜索进化过程中一般不需要其他外部信息，仅用评价函数值来评价个体或解的优劣，并作为以后遗传操作的依据。要注意的是，评价函数和适应度函数不是一个概念。评价函数指的是优化问题的目标函数，用遗传算法进行优化的过程就是对评价函数求极值的问题。而适应度函数是为了便于比较个体的大小及选择、交叉、变异操作而将评价函数作映射而成的函数。适应度函数值称为适应度（fitness），适应度函数表明个体对环境适应能力的强弱，遗传算法在进化搜索中依靠适应度函数值的大小来区分每个个体的优劣，适应度值大的个体将有更多的机会繁衍下一代。适应度函数评估是选择操作的依据，在具体应用中，适应度函数的设计须结合求解问题的要求。一般情况下，可以由求解问题的目标函数派生得到。

本方案以4台电梯群控为研究对象，则构造适应度函数：

式中 C_max为f（x）的最大值估计。

其中，目标函数f（x）为(www.xing528.com)

图8-13为遗传算法操作总流程图。应用实践表明，仅使用式（8-16）来计算个体适应度时，遗传算法会收敛得很慢。在遗传算法运行的后期，大部分个体适应度和最佳个体的适应度差异不大，它们之间无竞争力，只是一种随机的选择过程。这将导致无法对某些重点区域进行重点搜索，从而影响遗传算法的运行效率。因此，需要对个体适应度进行适当的尺度变换，扩大最佳个体适应度与其他个体适应之间的差异程度。该设计方案采用指数尺度变换，则

Fl＝Fit（x）＝e_－aF（x） （8-17）式（8-17）中，a决定了选择的强制性，a越小，原有适应度较高的个体的新适应度就越与其他个体的新适应度相差较大，亦就增加了选择该个体的强制性。

3.遗传算法仿真

为测试电梯群控算法的性能，采用MATLAB实现基于遗传算法的电梯群控系统仿真模型系，统仿真模型参数：15层站电梯，速度为2m／s，加速度为1.5m／s²，开门时间为1.5s，关门时间为2.5s，对此进行统派梯的虚拟仿真，仿真实验中设定群控系统电梯配置参数如下：群控系统电梯为4部，时间为3s，建筑物楼层高度为3m。为了测试派梯算法需要，随机产生繁生繁通流，以下仿真是在此系统参数和交通流下进行的。在各楼层间的分布比较均匀，未发生聚群现象，上行和下行电梯数较均匀，这种交通模式下是合理的。

4.结束语

本方案提出了基于遗传算法的电梯群控系统的调度方法，从图8-14中可以看出，在多数情况下，各部电梯对多台电梯服务系统进行优化派梯，以提高系统的整体服务性能，从而获得较优的派梯结果，运行曲线亦如图8-14所示。

图8-13 遗传算法操作总流程

图8-14 遗传算法电梯运行曲线