基于遗传算法模糊神经网络的电梯群控调度

1 . 1 模糊神经网络
= fk
( 3)
式中 : s in 为每个输入变量的模糊子集个数 ; n3 为本层 输入变量的个数 . 第 5 层为输出层 , 其节点代表调度方案 , 即
s out
f k5 =
( )
j =1
∑( m 5
s out j =1
( ) kj
5) 5) σ(kj ) ・ ・u (kj
4k
f k4 =
( 4) ak
( )
j =1
∑u 4
( ) jk ( 4) k )
( 1 ≤ k ≤ n4 )
( 3)
= min ( 1 , f
式中 : N 4 k 为与这一层第 k 个节点相连的输入变量的个 数 ; n4 为本层输入变量的个数 . 第 3 层为规则层 , 其节点代表模糊逻辑规则 , 即 ( 3) ( 3) f k = min ( u jk ) 1 ≤j ≤s in ( 4) ( 1 ≤ k ≤ n3 )
f i ( i = 1 , 2 , …, n ) . ( 6) ( 7)
2 算法的实现
基于遗传算法的模糊神经网络电梯群控调度算 法具体步骤如下 : 1) 建立网络 , 选定样本 , 在各种交通模式下 , 分别 采用适合于该种交通模式的群控算法进行电梯调度 , 得到各个控制参数情况下的优化结果 ,即为样本输出 , 然后进行网络训练 ; 2) 选取典型情况 ,用交通流发生器产生各种模式 交通流 [10 ] ; 3) 群控系统初始化后 ,开始获取各种控制状态变 量 ,即电梯的位置 、 方向 、 运行状态 、 门状态 、 轿厢内人 数、 前次分派呼梯 、 当前交通模式 、 外呼梯信息 ( 时间 、 方向 、 起始层 、 目的层等) 和内呼梯信息等等 , 经过处 理后得到各电梯当前控制参数 ; 4) 选取已经训练好的网络 ( 基于遗传算法的模糊 神经网络) 进行电梯调度应用 , 得到优化的控制结果 后 ,传送给交通流呼梯队列 , 并标识分派电梯号 , 电梯 群控虚拟环境据此相应改变各电梯的状态 , 执行群控 任务 .
N
糊神经网络电梯调度方法 . 用基于遗传算法的模糊神 经网络进行参数优化控制 , 模糊推理描述了各种模糊 信息 , 神经网络具有自学习能力 , 故用此算法进行群控 调度能够适应交通流短期和长期的变化 , 平滑调整控 制策略 , 可实现各种交通模式下根据各种相应服务要 求进行电梯合理调度的目标 , 能够满足各种交通模式 的服务要求 .
和σ 分别为第 k 个输出的第 j 个模糊子集
( 5) kj
隶属函数的中心和宽度 , 可作为本层的两组权值 ; sout 为每个输出变量的模糊子集个数 ; n5 为本层输入变量 的个数 . 1 . 2 用遗传算法优化模糊神经网络参数 遗传算法 ( G A) 是一种基于生物进化过程的随机搜 索的全局优化方法 ,因此 ,利用遗传算法优化模糊神经网 络中具有全局性的网络参数 ,用 BP 算法调节和优化具有 局部性的参数. 这样遗传算法作为一种离线训练模糊神 经推理控制器后 (粗略学习) ,用 BP 算法调节神经网络的 局部性参数 (细调节) ,两种方法综合使用 ,可以大大提高 模糊神经推理控制系统的自学习性能和鲁棒性[8] . 对于图 1 所示的模糊神经网络 ,在前提和结论部分采 用了 Guass 形的隶属函数 ,其中心参数和宽度参数 ( mij , σ ij ) 是全局性的参数 , 可以用遗传算法来调整和优化 , 而 推理规则部分的权值 ωi 较多地具有局部性 ,可以采用 BP 算法进行优化调整. 遗传算法学习隶属函数可分为 5 个步骤. 步骤 1 为了用 G A 算法来调整模糊神经推理控制 器的隶属度函数参数值 ( mij ,σ ij ) , 首先要进行遗传编码. 对模糊神经网络第 2 层和第 5 层 (模糊化层和输出层) 的 模糊子集隶属函数的中心和宽度进行遗传编码 , 染色体 串为 X X … X w 11 w 12 … w 1 m
ak
( 3)
1 基于遗传算法的模糊神经网络
本 文 采 用 基 于 遗 传 算 法 的 模 糊 神 经 网 络 ( GAFNN) 进行电梯的调度 , 即用遗传算法对模糊神经 网络隶属函数的参数进行学习 . 采用三步混合训练法 训练网络 , 以得到用于电梯调度控制参数优化的应用 网络 , 用此网络对电梯控制参数进行优化 , 执行电梯调 度.
a k5 = f k5
( ) ( )
σ5 ∑
( ) kj
5) ・u (kj
( 1 ≤ k ≤ n5 )
本文采用的模糊神经网络结构为一个前馈多层 结构 , 见图 1 . 通过使用输入输出数据集合 , 来实现模 糊推理的过程 . 模糊神经网络共有 5 层 .
( 5)
式中
( 5) : m kj
家系统结合的方法 , 用专家经验知识建立模糊规则 , 有 效地利用这些知识优化调度 . 显然专家知识的可靠性 与是否完善决定了电梯调度方法的性能 , 同时 , 为了满 足服务要求多样性 , 控制规则不可避免得增加很多 , 却 还不一定能较为全面地反映问题 . 文献 [5 , 6 ] 采用神 经网络对电梯群进行控制 , 文献 [ 7 ] 采用模糊神经网 络电梯调度方法 , 建立了一个性能预测模型以搜索到 最优控制参数 , 模糊推理的解释可适应交通状况的短 期变化 , 而神经网络学习能力可适应交通状况的长期 变化 . 但如何确定网络合理结构以及网络处理单元间 复杂的分布交互作用 , 该方法本身具有一定缺陷 . 针对上述问题 , 本文提出一种基于遗传算法的模
f k2 = ak
( 2) ( )
(
( ) u i2
2) 2 (σ( ij )
( ) m ij2 ) 2
( 1 ≤ k ≤ n2 ) ( 2: m (ij2) 和σ(ij2) 分别为第 i 个输入变量的第 j 个模糊 子集隶属函数的中心和宽度 , 可作为本层的两组连接 权值 ; n2 为本层输入变量的个数 .
图 1 模糊神经网络结构
Fig. 1 Structure of f uzzy neural net work
第 1 层为输入层 , 每一个输入节点代表 1 个电梯 的控制参数 . 对于每个神经元有 f (i 1) = u (i 1) , a (i 1) = f (i 1) ( 1 ≤ i ≤ n1 ) ( 1) 式中 : u (i 1) 是第 i 个输入变量的值 ; n1 为本层输入变量 的个数 . 第 2 层和第 4 层分别为模糊化层和综合层 , 其节 点都是模糊子集节点 , 分别用于表示输入和输出变量 的隶属函数 .
2003 年 9 月 宗 群等 : 基于遗传算法模糊神经网络的电梯群控调度
・587 ・
X X … X σ σ 11 12 …σ 1m X X … X w 31 w 32 …w 3 n X X … X σ σ 31 32 …σ 3n 其中 , w 1 为模糊化层模糊子集隶属函数的中心 ,σ 1为 模糊化层模糊子集隶属函数的宽度 , w 3 为输出层模糊 子集隶属函数的中心 ,σ 3 为输出层模糊子集隶属函数 宽度 , m = 输入数 ×输入模糊子集数 , n = 输出数 × 输出模糊子集数 . 步骤 2 交叉率 Pc 和变异率 Pm 的大小对遗传算 法的性能有很大影响 , 因而采用一种自适应 Pc 和 Pm 方法 , 即 Pc = K1/ ( f max - f ) Pm = K2 / ( f max - f )
Ξ 收稿日期 :2002208228 ; 修回日期 :2003202228. 基金项目 : 天津市自然科学基金重点资助项目 (993801211) . ) ,男 ,博士 ,教授 . 作者简介 : 宗 群 (1961 —
・5 8 6 ・
天 津 大 学 学 报 第 36 卷 第5期
Abstract :A dispatching method of elevator group control system ( EGCS) using genetic2algorithm2based fuzzy neural network ( G AFNN) is presented in this paper. This dispatching method is a kind of multiple2mode intelligent method of elevator group control dispatching , in other words , it adapts to various traffic flow modes. The idea , structure and realization of this method are introduced in details and the simulations are made in elevator virtual simulation environ2 ment . The results of simulation show that this method realizes the target of reasonable elevator dispatching according to corresponding service requests in various traffic flow modes. Keywords :elevator group control ; genetic algorithm ; fuzzy neural network ; elevator dispatching
第 36 卷 第5期 2003 年 9 月
天 津 大 学 学 报 Journal of Tianjin University
Vol. 36 No. 5 Sep. 2003
基于遗传算法模糊神经网络的电梯群控调度 Ξ
宗 群, 童 玲 , 牙淑红 , 薛丽华
( 天津大学电气与自动化工程学院 ,天津 300072)
调度方法是电梯群控系统的核心 , 它直接影响各 台电梯的运行和电梯系统服务的优劣 . 随着人工智能 理论的蓬勃发展 , 目前已产生了多种智能电梯调度方 法 , 如基于模糊模型的电梯调度方法 、 基于知识的电梯 调度方法 、 基于神经网络的电梯调度方法和基于遗传 算法的电梯调度方法 . 文献 [ 1 ] 采用模糊控制具有鲁棒性强 、 不需要建 立精确模型等特点 , 较适合于电梯群控这种离散随机 性较强的系统 , 但许多规则难以确定 , 依赖于专家知识 或黑板结构等启发式知识 , 其自身的特点使它难以实 现控制目标要求下的最优调度 . 文献 [ 2 , 3 ] 提出了专 家系统电梯调度方法 , 文献 [ 4 ] 则采用模糊理论和专