2007
年 9 月 宗 群等:基于遗传算法的电梯群控鲁棒优化模型 ·
1021
·
1
所示.除大厅和顶楼外,每层楼有上、下行外呼,每
个外呼有4种可能的派梯选择,最终调度目的是对所
有的外呼分配一部电梯.具体的机理模型设计如下
所述.
(1)输入变量. 某楼层当前时刻实际的上、下行
外呼乘客数及某楼层未来时刻预测的上、下行外呼乘
客数;某电梯服务某楼层上、下行外呼的服务成本.
(2)输出变量. 派梯号,即派给某楼层用于服务
上、下行外呼的电梯号.
(3)目标函数.
∑
(
某楼层上、下行外呼乘客数×
某电梯服务该楼层上、下行外呼的服务成本)+
∑
(
某
楼层预测的上、下行外呼乘客数×某电梯服务该楼层
上、下行外呼的服务成本) .
(4)不确定因素. 对未来上、下行外呼乘客数的
预测必然存在着误差,该误差即为不确定因素.
图 1 电梯群控调度系统示意
Fig.1 Sketch of elevator group scheduling system
2.2
鲁棒优化模型要素
2.2.1 服务成本
(1)候梯时间成本. 设楼层号为 p ,则电梯 i 服务
该楼层外呼的候梯成本
w
f
( )
i
i
p
T
p
t
t
t
= + −
(5)
式中:t 为当前时刻;
f i
t
为某电梯来服务该外呼所需
的时间;
p
t
为外呼产生的时刻.
(2)停靠次数成本. 设电梯来服务楼层 p 的外
呼时,未来需要停靠次数为
ip
C
.
(3)服务成本为以上两项成本的加权综合,即
2
2
w
w
( )
i
i
c
ip
r
T
p
C
ρ
ρ
=
+
(6)
w
1
c
ρ
ρ
+
=
(7)
式中
w
ρ 和
c
ρ 分别为
w i
T
和
ip
C
的加权系数.
2.2.2 不确定因素
电梯交通流是一个典型的随机过程,因此本文假
设交通流符合泊松分布,来对交通流进行预测.设某
时间段内出现 x 位乘客的概率为
( )
(
e ) /
x
P x
x
λ
λ
−
=
式中:
λ
为时间段内的平均乘客人数;x 为该时间段
内的乘客人数.则外呼乘客人数为
*
Δ , Δ
[
,
]
i
i
i
i
i
i
P
P
P
P
σ σ
=
+
∈ −
(8)
式中:
i
P
表示第 i 层实际的当前外呼乘客人数和实际
的下一时刻外呼乘客人数的和;
*
i
P
表示第 i 层实际的
当前外呼乘客人数和预测的下一时刻外呼乘客人数
的和;
i
P
Δ
表示预测误差;
i
σ 表示误差上限.不失一
般性,假设误差在误差上下限内对称分布.
2.2.3 目标函数
根据前面建立的电梯群控系统机理模型,可得出
电梯群控调度问题的目标函数
u
u
u
d
d
d
1
1
m
m
i
i
i
i
i
i
i
i
P
P
=
=
+
∑
∑
r
x
r
x
(9)
式中:
m
为楼层数;
u i
P
为第 i 层上行外呼的乘客数,
1, 2,
,
i
m
=
;
u
u 1
u 2
u
u
(
,
,
,
,
,
),
i
i
i
ik
in
r
r
r
r
=
r
其中
u ik
r
为第
i
层上行外呼用第 k 部电梯服务的成本,
n
为电梯部
数;
u i
x
为第 i 层上行外呼的派梯方案,
u
u 1
(
,
i
i
x
=
x
u 2
u
u
,
,
,
,
)
i
ik
im
x
x
x
,其中
uik
x
为0式 1,
uik
1
x
=
表示
派 k 号梯,
uik
0
x
=
表示不派 k 号梯;
d i
P
为第 i 层下行
外呼的乘客人数;
d i
x
为第 i 层下行外呼的派梯方案,
d
d 1
d 2
d
d
(
,
,
,
,
,
)
i
i
i
ik
im
x
x
x
x
=
x
;
d
d 1
d 2
(
,
,
,
i
i
i
r
r
=
r
d
,
,
ik
r
d
)
im
r
,其中
d ik
r
为第 i 层下行外呼用第 k 部电梯服务的
成本.
2.3 电梯群控调度问题的鲁棒优化模型
电梯群控调度的不确定优化模型如下:
*
*
u
u
u
d
d
d
1
min{
(
)
m
i
i
i
i
i
i
i
P
P
=
+
+
∑
r x
r x
u
u
u
d
d
d
1
(
)}
m
i
i
i
i
i
i
i
P
P
=
Δ
+ Δ
∑
r x
r x
(10)
式中:
u
u
u
[
,
]
i
i
i
P
σ σ
Δ
∈ −
;
d
d
d
[
,
]
i
i
i
P
σ σ
Δ
∈ −
.
取椭球体不确定集为
* 2
2
2
1
(
)
m
i
i
i
i
P
P
U
θ
σ
=
⎧
⎫
−
=
⎨
⎬
⎩
⎭
∑
≤
(11)
则式(9)中的不确定部分可转换为鲁棒对等问题,
即
(
)
*
*
1/ 2
u
u
u
d
d
d
1
2
2
2
2
u
u
u
d
d
d
1
min
( )
( )
(
)
(
)
m
i
i
i
i
i
i
i
m
i
i
i
i
i
i
i
P
P
V
x
V x
θ
σ
σ
=
=
⎧
⎫
+
−
⎨
⎬
⎩
⎭
⎡
⎤
=
+
⎣
⎦
∑
∑
r x
r x
r x
r x
(12)