电梯群控系统的研究毕业论文(编辑修改稿)

电梯群控系统的研究毕业论文(编辑修改稿)内容摘要：

由于 PSO 算清华 大学 2020 届毕业论文 第 14 页 共 43 页 法概念简单，容易实现，在被提出的短短几年时间内，得到了人们的很大关注，同时也获得了很大的发展，并在它的基础上又出现了很多被改进的粒子群优化算法，在多个学科 和工程领域都得到了应用。 但由于该算法是在对社会模型模拟的基础上建立的，所以，在该算法提出的初期并不是以数学理论为基础的，但随着人们的进一步深入研究， PSO 算法的严格数学基础就逐步建立起来了。 本章是在先介绍基本粒子群算法的基础上，又介绍了如何将 PSO 算法应用到多目标优化的领域。 基本粒子群算法概述 PSO 算法是一种基于群体的新兴演化算法。 设想有这样一个场景一群鸟在随机搜索食物不知道食物放在何处，在整个搜索区域中只有一块食物。 所有的鸟都不知食物在何处，但它们知道自己当前的位置距离食物还 有多远。 那么找到食物的最优策略是什么呢。 最简单有效的方法就是在目前离食物最近的鸟的周围区域搜寻。 粒子群优化算法是在鸟群觅食模型中得到启示，并成功用于解决优化问题的。 在该算法中，搜索空间中的每一只鸟被看作是优化问题中的每一个解，称之为“粒子”（ particle）或“主体”（ agent），该粒子能通过超维搜索空间“流动”。 每个粒子都有自己的位置和速度，还有一适应值被优化函数所决定，能知道到目前为止发现的最好位置（ pbest）和现在的位置 Xi，可看作单个粒子的经验。 每个粒子在搜索空间中的位置变化是以个体的社 会心理意向为基础的，即每一粒子个体都想成功地超过其他个体。 每个粒子的经验或知识影响都会影响其相邻粒子的变化。 另外，到目前为止整个群体中所有粒子发现的最好位置（ gbest）也能被每个粒子所知道（ gbest 是在 pbest 中的最优值），可看作是单个粒子的同伴经验。 每个粒子的当前位置由下列信息所决定 : 1．当前位置； 2．当前速度； 3．当前位置与自己最好位置之间的距离； 4．当前位置与群体最好位置之间的距离。 作为群优化的粒子群算法的粒子群可认为是粒子在 D 维空间 内，依照一定的规律传递信息，同时，依据信息的变化改变自身状态，具备自组织行为。 各粒子的个体极值构成的矩阵： P=（ p1,p2,„ ,pn），是粒子群信息的主要来源。 从 P 中可以获得群体最优位置全局极值 P 和各个粒子自身经验最优位置个体极值 P 的信清华 大学 2020 届毕业论文 第 15 页 共 43 页 息。 粒子群就是由群体最优位置快速收敛形成的，并能在全局极值的邻域中进行搜索；个体自身经验最优位置能保证粒子不要过快收敛到群最优，从而避免陷入局部极小点，这样能使粒在一次迭代中的搜索区域在个体极值和全局极值之间。 群体间粒子的合作，使得粒子群算法具有高效的搜索性能。 每个粒子不仅能向群体提供信息还能协助其它粒子进行搜索，所以粒子在进化过程中，能保证搜索和收敛的平衡。 基本 PSO 算法原理 粒子群优化算法 PSO 主要是通过每个粒子当前的状和在飞行过程中所经历过的最好位置，以及整个群体所经历过的最好位置来计算粒子下一步运动的方向和速度 [11]和位置的更新公式如下：    idgdidididid xprcxprcvwV  2211 （ ）  DdMivxX ididid  1,1, （ ） 式（ ）、 ()中： d=1,2,„ ,D,D 代表第 d 维搜索空间； i=1,2,„ ,m,m 是该群体中粒子总数； Vid为迭代粒子 i 飞行速度矢量的第 d维分量； Pid为粒子 i 个体最好位置 plest 的第 d维分量； Pgd为群体最好位置 gbest 的第 d维分量； C C2为权重因子； r r2为随机数，产生 [0,1]的随机数； W 为惯性权重函数。 通过（ ）式可以看出，粒子 i 速度的更新主要由三部分组成： 粒子 i 前一时刻的速度； 粒子 i 当前位置与自己最好位置间的距离； 粒子 i 当前位置与群体最好位置间的距离。 （ ）式为粒子 i 更新位置的坐标。 粒子 i 下一步的运动位置由式（ ） ,（ ）共同决定。 搜索时，粒子的位置被最大位置和最小位置限制，如果某粒子在某维的位置超出该维的最大位置或最小位置，则该粒子的位置被限制为该维的最清华 大学 2020 届毕业论文 第 16 页 共 43 页 大位置或最小位置。 同样，粒子的速度也被最大速度和最小速度所限制，如果当前对粒子的加速度导致它在某维的速度超过该维的最大速度或最小速度，则该粒子该维的速度被限制为该维的最大速度或 最小速度。 公式（ ）的第 1 部分由粒子先前速度的惯性引起；第 2 部分表示粒子本身的思考，即粒子本身的信息对自己下一步行为的影响；第 3 部分表示粒子间的信息共享和相互合作，即群体信息对粒子下一步行为的影响。 基本 PS0 算法流程 粒子群优化算法具有编程简单，易实现的特点，粒子群优化算法的流程 [12]如下所示。 开始 随机初始化粒子位置和粒子速度 计算每个粒子的适应度 根据粒子适应度更新粒子的速度与位置 根据公式（ ）和（ ）更新粒子群的速度与位置 NO 是否达到最大迭代次数 或满足最小错误标准。 YES 结束 图 清华 大学 2020 届毕业论文 第 17 页 共 43 页 下面给出其实现的具体步骤： 初始化群体参数； 以目标函数来评价各粒子的初始适应值； 根据式（ ）、（ ）来更新粒子的位置和速度； 再根据目标函数重新评价各粒子的适应值； 比较每个粒的当前适应值和个体历史最好适应值，把最优的的位置做为其个体历史最好位置； 比较群体中全部粒子的当前适应值和全局历史最好适应值，把最优的的位置做为群体全局历史最好位置； 若迭代终止条件满足，则程序终止，输出搜索结果。 否则，返回步骤 2继续搜索 ,进行新一轮迭代。 基本 PSO 算法参数分析 基本 PSO 的参数主要有惯性权值、加速系数、粒子个数和迭代次数 [13]。 惯性权值 w 对 PSO 能否收敛起重要作用，它使粒子保持运动惯性，使其有扩展搜索空间的趋势，有能力探索新的区域。 w 值大些有利于全局搜索，收敛速度快，但不利于局部搜索，不易得到精确解； w 值小些有利于局部搜索和得到更为精确的解，但收敛速度慢且有时会陷入局部极值而得不到全局最优解 [14]。 合适的 w 值在搜索精度和搜索速度、全局搜索和局部搜索方面起协调作用。 加速系数 c1,c2 加速系数 c1和 c2对 PSO 能否收敛也起重要作用，若加速系数合适，则有利于算法较快收敛并脱离局部极值。 式（ ）中，若 c1=c2=0，粒子将依靠惯性一直以当前的速度飞行，直到达到边界为止；此时粒子仅仅依靠惯性飞行，没法从自己的飞行经验和同伴的飞行经验中吸取有用的信息，算法没有启发性，并且搜索区域有限，这种情况下要想找到最优解比较困难，此时的优化性能也很差。 当 c1=0 时粒子没有认知能力 ，不能从自己的飞行经验吸取有效信息，只有社会部分，所以 c2 又称为社会参数；此时收敛速度比基本 PSO 快，但由于不能有效利用自身飞行信息，对复杂问题优化时则比基本 PSO 容易陷入局部极值，优化性能也变差。 清华 大学 2020 届毕业论文 第 18 页 共 43 页 若 c2=0，则粒子之间没有社会信息共享，不能从同伴的飞行经验中吸取有效信息，此时只有认知部分，故 c1 又叫认知参数；此时个体间没有互享的信息，这样粒子群体的运行相当与单个粒子的运行，要想得到全局最优解，机率非常小。 一般情况下，当 c1=c2= 时能取得比较好的效果，也有人认为 c1 大些而社 会参数 c2 小些，但 c1+c2≤ 4 时能得到更好的结果。 粒子数目 粒子数目对算法的优化性能有影响。 一般来说，粒子数目越多，搜索到全局最优解的可能性也越大，优化性能相对也越好，但是消耗的计算量也越大，计算性能相对下降；群体规模越小，搜索到全局最优解的可能性就越小，但消耗的计算量也越小。 当然，对于一般问题，使用过多的粒子数目没有必要，但是粒子数目也不能过少，否则体现不出群智能算法的优越性。 一般地，粒子数目为 10～ 200 较为合适。 最大允许迭代次数 当惯性权值 [15]为固定值和最大允许迭代次数不相关联时，最大允许迭代次数大些，找到全局最优解的可能性也大些，最大允许迭代次数小了，找到全局最优解的可能性也小。 只是对于基本 PSO 来说，一旦陷入了局部极值，如果不采用有效措施，迭代次数再增多优化效果也得不到明显改善，反而浪费计算资源，实际意义不大。 一般来说，如果优化时还有其他条件来结束搜索，可以考虑将最大允许迭代次数设置得大些。 当惯性权值和最大允许迭代次数相关联时，即惯性权值随着迭代的进行逐渐衰减，此时并不是最大允许迭代次数越大越好，这时候过大的最大允许 迭代次数反而会使得算法有很长一段时期以较大的惯性权值来搜索，如果不对粒子速度进行限制，粒子很可能会飞行到无穷远处，从而得不到全局最好解。 所以，当惯性权值和最大允许迭代次数相关联时，应结合实际情况合理选择最大允许迭代次数。 4 基于粒子群算法的电梯群控系统实现 提高对乘客的服务质量和降低系统运行的总损耗是电梯群控系统的主要目的。 本文基于群控系统对乘客平均侯梯时间、乘客平均乘梯时间以及电梯能耗等提出的不同要求，采用粒子群优化算法对多目标问题进行优化，建立了电梯群控的系统的清华 大学 2020 届毕业论文 第 19 页 共 43 页 多目标优化模型，并在此基础上设 计了满足多目标要求的电梯群控系统调度算法 [16]及其应用程序。 多目标电梯群控系统的数学模型 电梯群控系统的主要目标是缩短乘客平均候梯时间 AWT 和平均乘梯时间ART，降低电梯运行能耗 RPC。 AWT 为一定时间内全部候梯时间的平均值，是评价电梯群控系统性能恶劣的重要指标之一，计算公式如下：   pNi wpiTNAWT 11  Tw为候梯时间。 当新的呼梯信号发生时，根据呼叫发生的楼层 Fc及方向 Dc与电梯当前所在楼 层 F0和方向 D0，可计算电梯到达新的呼梯信号所需的时间，即候梯时间 [17]。 设电梯运行一层的时间为 K1， 停靠一层的时间为 K2，电梯需响应的停靠任务为 m，电梯同向到达的最远楼层为 Fmax，电梯反向到达的最远楼层为 Fmin。 (1) 当 Dc与 D0相同，且 Fc在 F0前方时，电梯可同向到达呼梯信号   210 KmKFFiT cw    (2) 当 Dc与 D0相同， 且 Fc在 F0后方时，电梯反向运行再同向到达呼梯信号：     21m i nm i nm a x0m a x KmKFFFFFFiT cw    (3) 当 Dc与 D0相反时，电梯反向运行后到达呼梯信号：     21m a x0m a x KmKFFFFiT cw    (4) 当 Dc与 D0相同，且 Fc=F0时， Tw（ i)=0。 ART 为一段时间内全部乘客乘梯时间的平均值，一般情况下，很难准确预测乘客的。