随着现代城市的快速发展和高层建筑的日益增多,高层建筑内交通变得越来越复杂,常常需要几台甚至几十台电梯组成电梯群来运送乘客,电梯群控算法的研究已成为国内外研究的热点之一。对于一个复杂的、具有多种要求的电梯群控系统,本文采用多种智能算法相结合对交通流进行分析,以识别当前系统的交通流模式,从而根据不同的模式采用不同的派梯方法。针对现有算法中存在的不足,将遗传算法应用到群控系统中,提高电梯群的运行效率、降低能耗,并通过仿真实验验证了算法的性能。 首先,回顾了电梯群控系统的国内外发展现状,介绍了现有的各种电梯群控系统的优势与不足,针对不足提出了基于遗传算法的电梯群控新算法;并在评估电梯群控系统的四种性能指标和分析派梯过程中系统容易变化的因素后,建立了电梯群控系统的多目标评价函数。 然后,提出了基于遗传算法正规化模糊神经网络和基于免疫规划K-均值聚类算法的两种交通流模式识别方法,并对两种算法的性能进行了比较。①采用正规化模糊神经网络学习和训练来识别电梯群控系统交通流模式,并用遗传算法优化输入特征向量的隶属函数,该方法能够准确识别交通流模式,但学习样本是否具有代表性影响算法的性能。②基于免疫规划K-均值聚类算法的电梯交通流模式识别新方法,以该系统前七天的交通流数据为样本,采用免疫k-均值算法对其进行聚类分析,产生的类别对应交通流模式,将实时交通流特征数据划分到交通流模式对应的类中。相比较而言,由于模糊神经网络自身的缺点,后者的识别性能较好。接着提出了一种基于混合遗传算法的层间交通模式下的电梯群控派梯算法。以乘客的平均等待时间最小为目标寻求最优派梯方案,根据电梯的运行状态和各层站的外呼信号,构造了适应度函数。在进化初期阶段,采用标准遗传算法在解空间中全局搜索,当种群收敛到最优解附近时,引入自适应正交局部搜索算子,以提高算法的局部搜索能力,仿真结果表明,该算法克服了标准遗传算法后期收敛速度慢的缺点,同时较好地满足了电梯群控系统的实时要求。 最后,建立了电梯群控系统的虚拟仿真环境,模拟实际系统的运行,验证各种算法的性能指标。