电梯垂直交通系统的配置与优化调度问题研究

论文摘要

现代生活快节奏的特点和现代商务活动的高效率要求,及建筑物使用功能的多样化,使电梯垂直交通发生着深刻变化。经典的电梯交通系统的配置、交通分析、交通需求预测与电梯群的调度技术都面临着新的挑战。因此,对电梯垂直交通系统的配置与优化调度问题的研究有重要的理论意义和重大的潜在经济效益。本文以高层建筑电梯垂直交通系统为背景,分别对与此相关的电梯垂直交通系统的配置、电梯交通需求预测与模式识别、电梯群的优化调度问题进行了较为深入和系统的研究,论文完成了如下主要工作:1.针对上行高峰交通条件,分析了电梯交通系统的性能指标,建立了高层建筑电梯群组分区运行方式的多目标双层规划模型;提出了采用遗传算法求解一类多目标问题的方法,通过决策变量的整体优化,获取目标函数的最优值,克服了传统方法依据偏好确定权值的缺点;通过对最优解进行成本消耗分析,给出了与建筑物特性相关的电梯群优化运行的配置方案,为电梯群系统优化调度目标的实现提供基本条件。2.针对电梯交通需求的时变性、不确定性的特点,建立了基于LS-SVM（LeastSquares Support Vector Machine）的迭代学习预测模型。该模型不依赖于交通需求的分布,能够动态跟踪交通需求变化规律,通过利用支持向量机技术获得连续的交通需求预测函数;经检验该模型具有良好的预测效果,为建立有效的模式识别方案奠定了基础。3.在对交通需求可靠预测的基础上,提出了采用交通模式临界点和交通模式临界区间的概念建立电梯交通需求的模式识别方案的方法。分别给出了基于滤波函数的模式识别方案和基于支持向量机技术的模式识别方案,不仅具有理论上的参考价值,而且将交通模式临界点的概念推广为交通模式临界区间,可根据电梯群调度策略切换的动态特性给出确定临界区间的具体方法,具有较好的工程意义。4.为了有效地实施电梯群的优化调度,需要确知在不同模式下不同时段的交通需求的O-D（Origin and Destination）分布,并依此来为电梯群控系统提供驱动数据。本文提出一种层间客流O-D矩阵的预测方法,将预测得到的O-D分布信息作为先验交通需求,用于电梯群的优化调度。该预测方法融合灰色预测和神经网络方法各自的优点,将灰色预测的方法与RBF神经网络有机结合,构造灰色神经网络预测模型。利用灰色预测技术的累加生成运算（AGO,Accumulated Generating Operation）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本;同时,提出了对不良交通需求数据的修正方法,以降低观测数据的随机性,既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度。所得到的数据包含了建筑物真实的客流信息,为一类建筑物的电梯群控系统的优化调度提供了重要客流数据。5.为了实现电梯群控系统的优化调度,本文提出了考虑多个评价指标,包括:平均候梯时间、平均行程时间、平均服务时间、超过约定时间的长候梯率及停站次数等,并基于这些评价指标构造多目标函数的方案。为求解电梯群的多目标优化调度问题,提出了一种改进的微粒群算法（IPSO,Improved PSO）,通过求解最优的Hamilton cycles,实现了在主要交通模式下电梯群的多目标优化调度,从而有效地改善了系统的性能指标,提高了电梯交通系统的综合服务水平。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 电梯驱动控制技术的发展
• 1.2 电梯群控制技术的发展
• 1.3 电梯群优化调度的研究现状
• 1.3.1 电梯群优化调度问题的复杂性分析
• 1.3.2 电梯群优化调度主要方法
• 1.3.3 电梯群优化调度的关键技术
• 1.4 电梯交通配置技术研究现状
• 1.5 本文的选题意义及研究内容
• 1.5.1 本课题的研究意义
• 1.5.2 本课题的研究内容
• 2 电梯交通系统分区配置的建模与求解
• 2.1 引言
• 2.2 电梯交通系统分区配置的建模
• 2.2.1 主要性能指标分析
• 2.2.2 建立模型目标函数
• 2.2.3 建立双层规划模型
• 2.3 基于遗传算法求解分区配置模型
• 2.3.1 编码
• 2.3.2 初始种群生成
• 2.3.3 遗传操作
• 2.3.4 适应值函数
• 2.3.5 算法流程
• 2.4 算例及其仿真
• 2.5 本章小结
• 3 电梯交通需求预测的建模方法
• 3.1 引言
• 3.2 LS-SVM支持向量机回归原理
• 3.3 建立电梯交通需求迭代学习预测模型
• 3.4 迭代学习预测模型收敛性分析
• 3.5 预测结果与讨论
• 3.6 本章小结
• 4 电梯交通需求的模式识别方法
• 4.1 引言
• 4.2 预备知识
• 4.3 建立两种电梯交通需求模式识别方法
• 4.3.1 建立基于滤波器的模式识别方法
• 4.3.2 建立基于SVM技术的模式识别方法
• 4.4 仿真试验
• 4.5 本章小结
• 5 层站呼叫O-D分布的预测方法
• 5.1 引言
• 5.2 灰色预测模型与神经网络预测模型分析
• 5.2.1 电梯交通层站呼叫分布的描述
• 5.2.2 灰色预测模型
• 5.2.3 RBF神经网络
• 5.2.4 灰色模型与神经网络模型互补性分析
• 5.3 建立层站呼叫O-D分布的GM-RBF预测模型
• 5.3.1 异常数据修正
• 5.3.2 原始观测数据矩阵的累加生成
• 5.3.3 神经网络训练样本及预处理
• 5.3.4 层站呼叫O-D分布的预测及误差设定
• 5.3.5 GM-RBF神经网络O-D分布预测算法
• 5.4 仿真试验
• 5.5 本章小结
• 6 电梯群优化调度的建模与求解
• 6.1 引言
• 6.2 建立优化调度模型
• 6.2.1 确定电梯群优化调度模型的目标函数
• 6.2.2 确定电梯群优化调度模型的约束条件
• 6.2.3 建立电梯群优化调度模型
• 6.3 改进微粒群算法
• 6.3.1 建立改进微粒群算法模型
• 6.3.2 改进微粒群算法的特性分析
• 6.4 基于IPSO方法的电梯群优化调度模型求解
• 6.4.1 层站呼叫的编码
• 6.4.2 电梯群调度方案的编码
• 6.4.3 电梯群优化调度模型的求解
• 6.5 仿真试验
• 6.6 本章小结
• 7 结论与展望
• 参考文献
• 附录A 置信区间的确定及证明
• 攻读博士学位期间发表学术论文情况
• 致谢