改進(jìn)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電梯群控策略

改進(jìn)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電梯群控策略

張健，王笑竹

(營(yíng)口理工學(xué)院 機(jī)電工程系， 遼寧 營(yíng)口 115014)

[摘要]在遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電梯群控系統(tǒng)基礎(chǔ)上，利用遺傳算法對(duì)候梯時(shí)間、乘梯時(shí)間、舒適度和運(yùn)行能耗等評(píng)價(jià)函數(shù)進(jìn)行搜索具有全局性的進(jìn)化解，通過(guò)BP神經(jīng)網(wǎng)絡(luò)按照進(jìn)化解權(quán)值進(jìn)行尋優(yōu)，從而獲得全局最優(yōu)解。為提高遺傳算法的效率，在遺傳操作過(guò)程中采用最優(yōu)個(gè)體保存策略，同時(shí)采用了交叉率和變異率能夠隨適應(yīng)度自動(dòng)改變的自適應(yīng)算法，提高了達(dá)到最優(yōu)解的收斂速度。得出最優(yōu)派梯方案，實(shí)現(xiàn)電梯的多目標(biāo)優(yōu)化調(diào)度。

[關(guān)鍵詞]電梯群控；多目標(biāo)優(yōu)化；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法

[文章編號(hào)]1673-2944(2015)04-0036-04

[中圖分類號(hào)]TP273+.4

收稿日期：2015-02-25

作者簡(jiǎn)介：張健(1981—)，男，遼寧省興城市人，營(yíng)口理工學(xué)院實(shí)驗(yàn)師，博士生，主要研究方向?yàn)殡娮优c電力傳動(dòng)、電機(jī)控制；王笑竹(1982—)，女，遼寧省營(yíng)口市人，營(yíng)口理工學(xué)院講師，碩士，主要研究方向?yàn)槌曤姍C(jī)與壓電材料。

隨著高層建筑的增多和智能建筑的快速發(fā)展，如何提高電梯的運(yùn)輸能力和服務(wù)質(zhì)量，實(shí)現(xiàn)電梯群控系統(tǒng)有效控制，已經(jīng)成為人們研究的熱點(diǎn)問(wèn)題[1]。電梯群控系統(tǒng)的難點(diǎn)和重點(diǎn)在于電梯群控系統(tǒng)的多目標(biāo)性和實(shí)時(shí)性，很難建立系統(tǒng)模型。

針對(duì)BP神經(jīng)網(wǎng)絡(luò)存在的缺陷，提出基于遺傳算法(GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)電梯群控系統(tǒng)的新模型。遺傳算法是求解問(wèn)題的高效并行全局搜索方法，在解決組合優(yōu)化問(wèn)題時(shí)有著良好的搜索性能[2]，GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)克服了網(wǎng)絡(luò)建模產(chǎn)生局部極小的缺點(diǎn)，解決電梯群控系統(tǒng)的多目標(biāo)優(yōu)化問(wèn)題，實(shí)現(xiàn)電梯群控系統(tǒng)的多目標(biāo)最優(yōu)調(diào)度[3]。

1BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)是多層結(jié)構(gòu)的誤差逆?zhèn)鞑ゾW(wǎng)絡(luò)，具有前饋單向傳播的特點(diǎn)[2]。在導(dǎo)師指導(dǎo)下，BP算法是在梯度下降法的基礎(chǔ)上應(yīng)用于多層神經(jīng)元網(wǎng)絡(luò)的一種學(xué)習(xí)算法，假設(shè)一個(gè)L層，n個(gè)節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)，由于節(jié)點(diǎn)單元的特性為Sigmoid型，每層神經(jīng)元只接受前一層的輸出信息，然后傳播到下一層神經(jīng)元，因?yàn)锽P網(wǎng)絡(luò)中基本神經(jīng)元的激活函數(shù)必須是連續(xù)可微。BP算法的實(shí)現(xiàn)步驟如下:

①在(0,1)間隨機(jī)不相同的選定權(quán)系數(shù)初值。

②重復(fù)訓(xùn)練下述過(guò)程直到理想的要求：在特定條件下，給定隨機(jī)的初始條件，使得BP算法從某一初始條件尋優(yōu)，算法收斂到全局最優(yōu)點(diǎn)，而在另一初始條件尋優(yōu)，算法收斂到一個(gè)局部最優(yōu)點(diǎn)。當(dāng)BP算法收斂時(shí)，盡管神經(jīng)網(wǎng)絡(luò)可以獲得誤差最小的網(wǎng)絡(luò)參數(shù)，而神經(jīng)網(wǎng)絡(luò)輸出卻無(wú)法逼近精確的理想函數(shù)，并不能確定是否求到了最優(yōu)解。因此需要不同的初始條件以確保得到最優(yōu)解[4]。

2GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)策略

GA在技術(shù)和操作上簡(jiǎn)單，在不受約束條件的情況下，能有效地解決組合優(yōu)化和非線性問(wèn)題，按照生物進(jìn)化原理對(duì)群體參數(shù)進(jìn)行編碼；根據(jù)設(shè)定的適度值，個(gè)體在遺傳過(guò)程中進(jìn)行復(fù)制，最優(yōu)個(gè)體在通過(guò)交叉操作和變異操作篩選后被保留下來(lái)構(gòu)成新的種群；新的種群在“生成+檢測(cè)”的迭代過(guò)程中不斷訓(xùn)練使種群適度不斷提高直到滿足設(shè)定條件[5]。

但GA在迭代過(guò)程中過(guò)早收斂，易陷入局部最優(yōu)等問(wèn)題，因此采取以下3點(diǎn)提高GA性能的改進(jìn)措施：

①為了將最優(yōu)個(gè)體保存并遺傳到下一代，采用最優(yōu)保存策略改進(jìn)地選擇算子，在種群迭代過(guò)程中，直接復(fù)制最優(yōu)個(gè)體，替換經(jīng)過(guò)交叉、變異操作后適度值最低的個(gè)體，防止最優(yōu)的個(gè)體在進(jìn)行選擇、交叉、變異等操作時(shí)被破壞。

②為了快速找到優(yōu)良種群，在遺傳算法早期提高大交叉率，采用可變交叉率，選擇基因差異最大的個(gè)體進(jìn)行交叉，使最優(yōu)個(gè)體不參與交叉操作。隨著進(jìn)化種群的增大適當(dāng)減小交叉率，克服由于交叉率取值引起個(gè)體被破壞和搜索速度緩慢的缺點(diǎn)。

③保證最優(yōu)的個(gè)體不變異，采用自適應(yīng)變異率改進(jìn)的變異算子擴(kuò)展最優(yōu)個(gè)體的搜索空間。

由于傳統(tǒng)遺傳算法的自適應(yīng)性，交叉率Pc，變異率Pm如式(1)、(2)根據(jù)實(shí)際需要自適應(yīng)調(diào)整：

(1)

(2)

式中k1，k2，k3,k4∈(0,1),f為變異個(gè)體的適應(yīng)度值，f′為交叉?zhèn)€體較大的適應(yīng)度值，favg為平均適應(yīng)度值，fmax為最大的適應(yīng)度值。

為提高到交叉率Pc和變異率Pm最大適應(yīng)度值，使群體中的個(gè)體處于不斷進(jìn)化的狀態(tài)，才能保證群體中表現(xiàn)優(yōu)良的個(gè)體的交叉率和變異率不為零。如下式：

(3)

(4)

BP神經(jīng)網(wǎng)絡(luò)能克服對(duì)輸入樣本具有嚴(yán)格分布假設(shè)的要求，能適應(yīng)樣本非線性。但BP神經(jīng)網(wǎng)絡(luò)也存在不足：BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的盲目性；BP神經(jīng)網(wǎng)絡(luò)分析數(shù)量指標(biāo)時(shí)，忽略對(duì)影響因素定性指標(biāo)的分析；BP神經(jīng)網(wǎng)絡(luò)很難說(shuō)明神經(jīng)網(wǎng)絡(luò)訓(xùn)練后網(wǎng)絡(luò)參數(shù)和閾值的實(shí)際含義；BP神經(jīng)網(wǎng)絡(luò)具有梯度下降特性，因此學(xué)習(xí)過(guò)程收斂速度慢且容易陷入局部極小點(diǎn)。本文采用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)使整個(gè)網(wǎng)絡(luò)迅速達(dá)到全局搜索的最優(yōu)點(diǎn)，能夠提高網(wǎng)絡(luò)評(píng)價(jià)的準(zhǔn)確性[4]，利用BP快速梯度下降法調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值。定義：

(5)

(6)

其中α為學(xué)習(xí)速率，η為動(dòng)量速率。

遺傳算法學(xué)習(xí)后，根據(jù)適應(yīng)度值從最后一代種群中選出具有全局性的進(jìn)化解；在這些進(jìn)化解中，通過(guò)BP神經(jīng)網(wǎng)絡(luò)按照進(jìn)化解權(quán)值進(jìn)行尋優(yōu)，從而獲得全局最優(yōu)解[6-7]。

3電梯群控系統(tǒng)仿真實(shí)現(xiàn)

基于GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電梯群控策略充分考慮了群控系統(tǒng)中目標(biāo)多樣性、隨機(jī)性和非線性，把候梯滿意度、乘客滿意度、能量損耗等因素作為評(píng)價(jià)函數(shù)來(lái)協(xié)調(diào)多臺(tái)電梯的運(yùn)行，可以提高電梯群控系統(tǒng)的運(yùn)載能力和科技水平[9-10]。

優(yōu)化策略算法作為評(píng)價(jià)函數(shù)，用候梯時(shí)間評(píng)價(jià)轎廂外乘客滿意度，用乘梯時(shí)間評(píng)價(jià)轎廂內(nèi)乘客滿意度，用電梯的起停次數(shù)評(píng)價(jià)能量損耗。則：

(7)

式中，J(i)為評(píng)價(jià)函數(shù)；λi(i=1,2,…,N)表示第i臺(tái)電梯響應(yīng)到某個(gè)層站的可信度，N表示電梯群中的電梯數(shù)；i為電梯群中的梯號(hào)；Wi(X)為外呼指令評(píng)價(jià)函數(shù)；Gi(X)為內(nèi)呼指令評(píng)價(jià)函數(shù)；Ni(X)為系統(tǒng)能耗評(píng)價(jià)函數(shù)。λi(i=1,2,3)滿足0≤λi≤1,λ1+λ2+λ3=1。λi的不同選擇表明了對(duì)3個(gè)評(píng)價(jià)標(biāo)準(zhǔn)的不同側(cè)重。由式(7)可知，J(i)根據(jù)層站的可信度λi(i=1,2,…,N)去響應(yīng)第i臺(tái)電梯呼梯指令，因此響應(yīng)合理呼叫的梯號(hào)e：

(8)

①外呼指令評(píng)價(jià)函數(shù)：

(9)

(10)

Tar(i)為轎廂到達(dá)目的樓層的運(yùn)行時(shí)間，Ts(i)為因電梯內(nèi)選、外呼轎廂途中停靠的時(shí)間，Tarv(i)為外呼響應(yīng)時(shí)間。

②內(nèi)呼指令評(píng)價(jià)函數(shù)：

(11)

(12)

圖1　遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)流程圖

其中，Toff為電梯經(jīng)過(guò)路程行駛時(shí)間和中途開關(guān)門以及上下客時(shí)間；Tj為第j批離開乘客在轎廂內(nèi)的時(shí)間，Z為客流離開的批數(shù)，Pj為第j批離轎廂乘客數(shù)的百分比，M為轎廂內(nèi)乘客總數(shù)。

③能耗評(píng)價(jià)函數(shù)：

N(i)= ∑Mcall×(NO+NC+

NS+NT)+K×NV,

(13)

其中，∑Mcall為因電梯內(nèi)選、外呼轎廂途中?？康臉菍訑?shù)，K為轎廂運(yùn)行樓層數(shù)，NO為開門能耗，NC為關(guān)門能耗，NV為勻速能耗，NS為啟動(dòng)能耗，NT為減速能耗。則

N(X)=min(N(i)),1

(14)

遺傳算法優(yōu)化調(diào)度程序流程如圖1所示。

借助VB軟件建立電梯群控系統(tǒng)仿真模型，設(shè)置實(shí)驗(yàn)參數(shù)如表1所示。同時(shí)電梯群控仿真軟件還編制了最小等待時(shí)間、傳統(tǒng)遺傳算法、改進(jìn)的遺傳算法等群控策略。分別對(duì)這幾種調(diào)度算法進(jìn)行動(dòng)態(tài)模擬運(yùn)行，根據(jù)仿真運(yùn)行結(jié)果進(jìn)行比較分析。如表2、表3所示。

根據(jù)仿真結(jié)果對(duì)各種群控算法的運(yùn)行效果進(jìn)行對(duì)比，從而得出各算法的適合情況，為建筑物中電梯控制方法的實(shí)施提供可靠的依據(jù)。仿真結(jié)果表明在電梯樓層數(shù)較少時(shí)，最小等待時(shí)間調(diào)度方法能較好的滿足電梯服務(wù)性能的要求。傳統(tǒng)遺傳算法的計(jì)算量比較大，控制的實(shí)時(shí)性相對(duì)低于其它算法。改進(jìn)的遺傳算法在樓層較多時(shí)體現(xiàn)出較大優(yōu)勢(shì)，在運(yùn)算時(shí)間上雖然較傳統(tǒng)遺傳算法有很大的改進(jìn)，但隨著樓層數(shù)的增加仍然是一個(gè)不小的消耗。

表1　仿真參數(shù)

4結(jié)論

基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電梯群控系統(tǒng)，利用遺傳算法對(duì)候梯時(shí)間、乘梯時(shí)間、舒適度和運(yùn)行能耗等評(píng)價(jià)函數(shù)進(jìn)行搜索具有全局性的進(jìn)化解，通過(guò)BP神經(jīng)網(wǎng)絡(luò)按照進(jìn)化解權(quán)值進(jìn)行尋優(yōu)，從而獲得全局最優(yōu)解。為提高遺傳算法的效率，在遺傳操作過(guò)程中采用最優(yōu)個(gè)體保存策略，同時(shí)采用了交叉率和變異率能夠隨適應(yīng)度自動(dòng)改變的自適應(yīng)算法，提高達(dá)到最優(yōu)解的收斂速度。最后，得出了最優(yōu)派梯方案，實(shí)現(xiàn)電梯的多目標(biāo)優(yōu)化調(diào)度。

表2　7層電梯性能指標(biāo)對(duì)比

表3　14層電梯性能指標(biāo)對(duì)比

[參考文獻(xiàn)]

[1]王芳,宗群,張景龍，等．電梯群的可調(diào)整魯棒優(yōu)化調(diào)度[J]．控制理論與應(yīng)用，2012,29(1)：27-33．

[2]段素丙，陳偉華，強(qiáng)雄，等．基于模糊控制和紅外探測(cè)的梯群控制系統(tǒng)控制策略的研究[J]．光學(xué)儀器，2012,34(1)：69-75．

[3]李雁景，王再英．基于模糊控制的電梯群控系統(tǒng)算法設(shè)計(jì)[J]．機(jī)械制造與自動(dòng)化，2012，41(1)：117-119．

[4]劉志申，王艷芬，王延文．模糊神經(jīng)網(wǎng)絡(luò)技術(shù)在電梯群控系統(tǒng)中的應(yīng)用研究[J]．信息系統(tǒng)工程，2010，34(6)：67-68．

[5]王慶宇，李慶超，宋鎮(zhèn)江．基于遺傳算法的雙子電梯群優(yōu)化控制方法[J]．建筑電氣，2013,30(8)：43-47．

[6]宗群，李勝濤，王維佳.基于遺傳算法的電梯群控魯棒優(yōu)化模型[J].天津大學(xué)學(xué)報(bào)，2007，40(9)：1019-1024.

[7]高立兵.智能化電梯群控系統(tǒng)仿真平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[J].電氣時(shí)代，2013，40(3)：76-77.

[8]王康碧，蔣作，和曉萍，等.一種基于蟻群算法的電梯群節(jié)能調(diào)度算法[J].云南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，35(s2)：39-43.

[9]陳福蘭，杜虹.電梯群控調(diào)度策略的蟻群優(yōu)化算法及其仿真[J].裝備制造技術(shù)，2013，20(12)：20-22.

[責(zé)任編輯：李 莉]

Strategy on elevator group control system based on modified GA optimized BPNN

ZHANG Jian，WANG Xiao-zhu

( Department of Mechanical and Electronic Engineering， Yingkou Institute of Technology,

Yingkou 115014， China)

Abstract:Based on genetic algorithm to optimize the BP neural network in elevator group control system, evalation functions concerning the waiting time, riding time, comfort and energy consumption are used to search for an overall solution, and at the same time, evolutionary solution right value optimization in BP neural network is applied to do the search to get a global optimal solution. In order to improve the efficiency of GA, the best individual preservation strategy in the process of genetic manipulation is used. At the same time the adaptive algorithm, in which the crossover rate and mutation rate can be self-adapted, is used to improve the convergence speed of the optimal solution. Thus, an optimal, multipurpose elevator dispatching programme is derived.

Key words:elevator group control;multi-purpose optimization;BP neural network;genetic algorithm