粒子群模糊神经网络在

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 i=(x i1, x i2, x i3,

x iD,), 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：

V n+1id=ωV n id+c1r1(P n id-x n id)+c2r2(p n gd-x n id) (1)

x n+1id=x n id+v n+1id (2)

上式中，ω为惯性权值；c1和c2为加速系数；r1和r2是两个在[0，1]范围内变化的随机数。搜索时，

粒子的位置被最大位置所限制，如果某粒子在某维的位置超出该维的最大位置，则该粒子的位置被限

制为该维的最大位置。同样，粒子的速度也被最大速度所限制，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，则该粒子该维的速度被限制为该维的最大速度。

PSO算法流程如下：

(1)初始化设置群体的规模、参数维数、惯性权值、加速系数、最大允许迭代次数或适应值误差限，

各粒子的初始位置和初始速度等。

(2)按预定准则评价各粒子的初始适应值。

(3)根据公式(1)计算各粒子新的速度，并对各粒子新的速度进行限幅处理。

(4)根据公式(2)计算各粒子新的位置，并对各粒子新的位置进行限幅处理。

(5)对每个粒子，比较当前适应值和历史最好适应值，若当前适应值更优，则令当前适应值为该粒

子历史最好适应值，并保存该粒子的位置为其个体历史最好位置。比较群体所有粒子当前适应值和群

体历史最好适应值，若当前适应值更优，则令当前适应值为历史全局最好适应值，并保存历史全局最

优位置。

(6)若满足停止条件(适应值误差小于设定的适应值误差限或迭代次数超过最大允许迭代次数)，搜索停止，输出历史全局最优位置和历史全局最优适应值为所求结果。否则，返回(3)继续搜索。

2. 粒子群模糊神经网络

本文提出的用于交通模式识别的粒子群模糊神经网络是用粒子群优化算法来寻优的基于联结机制的模糊神经网络，该模糊神经网络采用五层结构，如图所示。

图中，第一层为输入层，主要接受模型输入信号缓存起来，为下一层提供输入。第二层为模糊化层，主要是对精确的输入信号进行模糊化。第三层为模糊条件层。第四层为模糊决策层，主要针对满足一定条件的量进行分类、相应的运算处理并将模糊量去模糊化。第五层为输出层，主要是输出模型的运算结果。

在本模型中，假如给定一组输入输出数据xi(t)，i=1, 2, …, M，y(t)， t=1, 2, …, P，划分输入空间，初始化隶属度函数和模糊规则，本文提出的粒子群模糊神经网络的算法简述如下：

(1) 根据输入数据的分布确定领域半径r ，将输入输出数据对{x1(1), x2(1), …, x M(1), y(1)}作为输入空间的第一个聚类，并设聚类中心c1i=x i(1), N1=1, Y1(i)=y(1), i=1, 2, …, N1，此时的聚类个数N=1。

(2)对于第k对输入输出数据{x1(k), x2(k), …, x M(k), y(k)}，计算x i(k), (i=1, 2, …, M)到每一个聚类中心c ji, (j=1, 2, …, N, i=1, 2, …, M)的距离，并计算

D J =||x(k)-cJ||=min N

j i ≤≤ ||x(k)-c j || (3)

如果D J >r ，表明没有获胜聚类，建立一个新聚类，令C N+1=x i (k), N N+1=1, Y N+1(i)=y(k), i=1, 2, …, N N+1，N=N+1；

如果D J ≤r ，第J 个聚类获胜，调整聚类中心

C J =C J +λ

D J 式中λ表示学习率，λ=λ0/(N J+1)(λ0∈[0, 1])。同时令N J =N J+1, Y J (NJ)=y(k)。

(3)令k=k+1，如果k

(4)隶属度的宽度由下式计算：

σji ρki ji ,,2,1C C min ?=≠=j k N k L min |cji-cki|

式中，ρ表示交迭参数，通常取1≤r ≤2。

权值h j 由下式确定：

h j =(MAX_Y j -A VE_Y j )exp(-ζj1 ||MAX_U j -x||2)+(MIN_Y j -A VE_Y j )exp(-ζj2||MIN_U j -x||2)+A VE_Yj

(4) 其中MAX_Y j ，MIN_Y j ，A VE_Yj 分别表示属于第j 个聚类的最大输出值、最小输出值、平均输出值，而MAX_U j 、MIN_U j 、A VE_U j 分别表示它们相应的输入值；ζj1、ζj2是调节参数。

(5)确定了模糊规则数以及模糊规则和隶属度函数的初始值，但这样得到的模糊结构并不一定能满足模式识别精度的要求，因此，采用粒子群优化算法对参数进一步优化，以便满足交通模式识别精度的要求。定义目标函数为： E=2

1[y(t)-d(t)]2 (5) 式中，y(t)模式识别结果输出；d(t)为理想输出。为训练c ji 、σji 、ζj1和ζj 2等参数，将它们组合构成每一粒子的位置参数，根据目标函数计算各粒子的适应值，再用PSO 算法搜索它们的最佳值，一旦搜索完毕，最优粒子的位置便是它们最佳值的组合。

四 基于粒子群模糊神经网络的电梯交通模式识别

1. 粒子群模糊神经网络的电梯交通模式识别方法

应用粒子群模糊神经网络进行电梯群控系统交通模式的识别，需要以下几个步骤：

(1)交通模式特征的提取。为了利用粒子群模糊神经网络来识别电梯群控系统的交通模式，网络输入量应反映交通模式的特征值并且是能够实时测量的数据。根据专家经验和交通模式的定义确定以下4个特征值：本时间段内的入门厅人数x 1，出门厅人数x 2，层间流通人数x 3，交通流相对密度x 4，将这4个特征值作为模糊神经网络第一层输入节点，一般选取5min 作为进行交通统计和模式识别的时间间

隔。以上特征值中的前3项需进行预处理后作为模糊神经网络的输入，具体输入为:

x11=x1/X，x12=x2/X，x13=x3/X (6)

其中，X=x1+x2+x3为某一时段(5min)的总客流量，交通流相对密度是指该时段内总的客流量与该群

控系统上行高峰时一个单位时段内能够运输人数(XH)的比，具体输入为:

x14=X/X H(7)

(2)输入隶属函数与模糊规则的确定。根据人流量和交通流相对密度的自身特点并结合专家知识，

x11、x12、x13、x14分别采用常用的三角函数为输入隶属函数。x11、x12、x13设定为高、中、低，x14

设定为轻的、正常的、重的和繁重的。x11、x12、x13有3个模糊集，x14有4个模糊集，所以该模糊神

经网络第二层共有13个节点。一般来说模糊神经网络的规则越多，其性能也就越好；但是规则过多，

计算量增大，规则间的冗余现象明显。因此，根据隶属函数的形状与输入相量之间的关系并结合实际

情况，删除一些冗余规则，保留30条规则，因此规则层节点数确定为30。

(3)网络结构的确定。根据入门厅人数、出门厅人数、层间流通人数和交通流相对密度4个特征值

辨别出上高峰、下高峰、随机层间和空闲4种交通模式的比例。神经网络的输入为x1、x2、x3、x4归一

化后的数值；输出为上高峰、下高峰、随机层间和空闲4种交通模式所占的比例，输出用两位二进制

表示；即神经网络的结构为四输入两输出。输入和输出确定后，再依据专家经验多次测试，来确定模

糊神经网络其他中间层结点数。

(4)网络参数的训练。采用本文第三节提出的方法训练模糊神经网络。

(5)将训练好的网络应于电梯群控系统交通模式的识别。

2. 仿真结果与讨论

选取某办公大楼的电梯运行系统作为研究背景。该大楼有13层，由4部电梯组成群控系统，电梯

额定容量均为15人。选取10个工作日8∶00～10∶00的估测数据(间隔时间为5min)作为神经网络的

训练样本。经过挑选，最终选用其中的200组数据用于神经网络的训练。训练结束后，经统计，训练

样本的模式识别成功率为92%。该数据表明神经网络的训练过程满足要求。

另选用一个工作日8∶00～10∶00的估测数据(间隔时间为5min)作为神经网络的检验样本来测试网

络性能。其中间隔半小时的识别结果与实际情况的对比见表。

从表中可看出，经过训练的神经网络对交通模式具有较好的识别能力。以上检验样本来自于一个时间段的不同时刻，从中也可看出该大厦是一栋办公大楼。早晨8∶00左右是上班时间，进入大厅的人员较多，交通流表现为上高峰模式；9∶00左右往往部门之间交流较多，层间流动人员也较多，交通流表现为随机层间模式；10∶00左右除正常来访人员和外出办事人员外，多数人员在认真工作，交通模式表现为空闲模式。

五结束语

本文将粒子群优化算法和模糊神经网络相结合，构造出粒子群模糊神经网络，并将其应用到电梯群控系统交通模式识别之中。实验结果表明，该方法能够较准确识别电梯群控系统的交通模式，能为改善电梯群控系统的性能提供有利的依据，具有良好的应用前景。

（全文完）

来源：《世界仪表与自动化》

出版日期：2006年12月