粒子群模糊神经网络在.pdfVIP

粒子群模糊神经网络在 电梯群控交通模式识别的应用研究 宋国强 刘爱伦 宋国强先生，上海电机学院电气学院研究生； 刘爱伦先生，华东理工大学自动化研究所教授。 关键词：电梯群控 模糊神经网络 粒子群优化算法 交通模式 一 引言 电梯群控系统(Elevator Group Control System)是指在一座大楼内的数台电梯通过一个或多个控制器 (计算机) 互联控制。群控系统可以采集到每台电梯的内召，上、下外召、载重及位置等信号，并可向 该组每台电梯发送控制信号并对各电梯进行统一调度管理，使它们合理运行。它是一类复杂的非线性 动力系统，在时间和空间上具有离散性和随机性。一个设计良好的电梯群控系统必须具备在客流高峰 时确保乘客在较短的候梯和乘梯时间内到达目的地，在空闲时使电梯运行消耗能量最低。 在电梯群控系统的研究中，人们认识到必须采用多种派梯算法才能适应建筑物中所有的交通模式， 以在不同的交通模式下采用相应的控制策略。因此，对电梯群控系统交通模式识别的有效性对整个群 控系统性能的影响显得尤为重要。本文对新兴的粒子群优化算法进行研究，通过研究粒子群优化算法 与模糊神经网络的结合，提出一种基于粒子群模糊神经网络的电梯群控系统交通模式的识别方法。 二 电梯群控系统的交通模式 电梯群控系统经历继电器群控、计算机群控以及带有现代先进智能控制算法的计算机群控 3 个阶 段。随后，世界上各大电梯公司都将电梯群控系统作为产品升级换代的主要手段之一，投入大量资金 研究开发新产品，并已取得显著成效。随着人工智能理论和新兴优化算法的发展，研究人员将人工智 能理论引入到电梯群控系统中，如早期的将模糊控制应用到系统中以减少等待时间、乘梯时间和减少 拥挤度、交通流的模式识别；用专家系统、模糊专家系统和模糊神经网络用来减少系统的响应、服务 时间和等待时间等。 基于交通模式的电梯群控系统主要由交通模式识别模块与派梯算法模块两大部分构成。交通模式 识别模块根据预测交通流和群控系统当前未响应的呼梯信息确定当前系统的交通模式。派梯算法模块 由不同交通模式的派梯算法库组成。系统的交通模式主要与电梯服务的客流量、乘客的分布以及客流 周期有关，这些因数与建筑物的用途有关。一般来讲，按客流方向可以分为：上行方式、下行方式、 层间交通方式、两路交通方式和混合交通方式；按客流量密度分为：轻的、正常的、重的和繁重的。 本文研究中考虑的是多种交通模式的组合，它根据上、下行高峰时电梯上、下停站和呼梯的关系，对 各种输入信号进行模糊化，用神经网络辨别交通模式，利用电梯运行过程的记录数据为样本训练神经 网络，进行交通模式的识别，以便根据模式识别的结果进行派梯。 三 粒子群模糊神经网络 1. 粒子群优化算法 粒子群优化算法(Particle Swarm Optimization Algorithm, PSO)是 Kennedy 和 Eberhart 于 1995 年提出 的基于对鸟群社会行为模拟的演化算法。PSO 算法由于性能良好、概念简单、容易编程实现，短短几 年时间便获得了快速发展，在诸多领域得到广泛应用。 假设在 D 维搜索空间中，有 m 个粒子组成一粒子群，其中第 i 个粒子的空间位置为 x =(x , x , x , i i1 i2 i3 xiD,), i=1, 2,… m ，所经历的最优位置为其个体历史最优位置Pi ，相应的适应值为个体历史最优适应值； 粒子的飞行速度为 Vi 。所有粒子经历过的最优位置为全局历史最优位置Ps ，相应的适应值为全局历史 最优适应值 Fg 。对第i 个第 d 维第 n 代粒子，根据如下方程迭代： n+1 n n n n n V =ωV +c r (P -x )+c r (p -x ) (1) id id 1 1 id id 2 2 gd id xn+1id=xnid+vn+1id