基于模糊神经网络的电梯群控系统调度方法研究

电梯群控系统是一个复杂的决策系统,具有多目标性、随机性和非线性等特点,难以采用精确的数学模型加以描述,因而传统的控制方法很难提高系统性能。将模糊控制技术与神经网络技术相结合,提出了一种能适应各种交通客流状况的调度方法,设计了各电梯响应呼梯信号的综合评价函数,通过神经网络的学习能力调整各评价因素（候梯时间、乘梯时间、能量消耗、拥挤度）的权重系数,从而确定最佳派梯方案。仿真实验结果表明,此方法能在各种交通客流状况下实现合理的电梯调度,验证了此方法的有效性。     

基于模糊神经网络的电梯群控系统的智能调度

提出一种新的电梯群控系统（ＥＧＣＳ）的评价函数,综合考虑电梯运行的评价标准并建立了相应的模糊规则。同时把这些规则映射到模糊神经网络中进行学习,提高了调度的智能性。为保证神经网络每层权值的物理意义和改善规则间的重要性,提出了部分层学习算法,并推导了中心值、宽度学习算法。最后利用面向对象的方法实现了电梯群控系统的仿真软件,结果表明此调度策略的优越合理性。     

电梯群调度的模糊神经网络方法

采用外呼-分配策略和模糊神经网络方法，研究了电梯群调度的评价函数、模糊规则、网络结构和学习算法，成功地模拟实现了电梯群的调度，表明了模糊神经网络方法的可行性和有效性。     

电梯群控系统智能优化调度方法的研究

提出一种能够适应各种交通流模式的电梯群控智能优化调度方法．运用模糊神经网络对电梯的状态变量进行数据融合。融合出影响调度决策的电梯特征参数、通过小生境遗传算法对特征参数进行多目标优化分析，完成最优调度．仿真实验表明，该方法能够在各种交通流模式下进行相应的合理调度。     

智能多模式电梯群控调度方法的研究与实现

电梯群控系统的任务是有效地运送乘客，提高电梯运行效率，改善服务质量，根据大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高群控性能的关键，实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可以在一天中根据不同的交通流状况，提供不同的群控策略，从而使电梯服务更优，仿真实验表明了这种电梯调度方法是有效的。     

基于粒子群算法的智能电梯群控系统调度

电梯群控系统(Elevator Group Control System,EGCS)调度是一个多输入、多输出的复杂优化问题,属于NP难问题.为解决EGCS调度优化,提出了一种基于粒子群优化算法(Particle Swarm Optimization,PSO)的电梯调度策略.算法中,每个粒子代表一种派梯方案,系统首先随机初始化若干解,然后以候梯时间最短、乘梯时间最少、电梯能耗最低为主控目标,来实现电梯群控系统的调度优化.仿真对比结果表明了算法的有效性.     

基于模糊BP神经网络的电梯群控系统的仿真

传统的电梯控制方法很难提高电梯控制系统的性能问题.根据电梯群控系统的特性及模糊网络理论和电梯群控系统控制目标的多样性及电梯系统本身所固有的随机性和非线性,为提高电梯运行性能,构建了电梯群控的模型.设计了多个模糊网络高斯隶属函数,实现了乘梯满意度函数、候梯满意度函数、能耗满意度函数在MATLAB上进行仿真,采用了最优函数对电梯群进行控制,通过系统验证了模糊网络的电梯群控的运行效果,达到了改善电梯服务质量、提高电梯运行效能.     

智能多模式电梯群控调度方法的研究与实现

电梯群控系统的任务是有效地运送乘客，提高电梯运行效率、改善服务质量．根据 大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高电梯 群控性能的关键．本文实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可 以在一天中根据不同的交通流状况，提供不同的群控策略,从而使电梯服务更优．仿真实验 表明了这种电梯调度方法是有效的．     

电梯交通模式的模糊神经网络识别

交通模式识别的准确性将直接影响群控系统的整体性能,通过对各种电梯交通模式识别方法优、缺点的分析比较,考虑电梯交通模式的判断条件,结合神经网络和模糊推理,设计了一种基于模糊神经网络的电梯交通模式识别方法,该方法能够适应各种交通流模式的变化,并采用相应的电梯群控调度策略。     

基于模糊控制的智能小区电梯群控系统算法研究

研究并设计了一种基于模糊控制的多目标优化群控算法。首先对智能小区的四种交通模式进行了有效识别,然后对厅呼信号控制进行了重点研究。考虑到交通模式对三个评价指标（平均候梯时间、平均乘梯时间和能源消耗）权重的影响,本文采用综合量化评价的方法设计控制算法。通过控制相应的三个程度函数,达到乘客满意、系统节能的目的。     

基于人工神经网络的自适应模糊电梯群控系统

针对电梯客流的随机性、离散性及电梯群控系统智能调度的复杂性。综合考虑了电梯运行的评价标准，结合了人工神经网络和模糊控制各自的优点，用神经网络的学习机制为模糊控制器自动提取并调整模糊规则及模糊隶属函数。提高了电梯群控的智能性。合理分配电梯应答，防止聚堆和忙闲不均情况的发生。大大减少了平均候梯时间和长候梯率。仿真实验及初步应用结果表明这种电梯调度方法是有效的。     

基于CMAC再励学习控制的电梯群控调度方法

提出一种新的智能优化调度方法，将再励学习控制运用到电梯群控系统中,采用基于交通模式识别的小脑模型神经网络作为控制器,以乘客平均候梯时间最短为控制目标设计出电梯群控系统的控制方案.该控制方法不需要过多的专家知识及学习样本,可以实现在线学习并具有较强的自适应能力,提高了系统的效率并且使系统性能得到优化.以层间交通模式为例对系统进行仿真,结果证明了该方法的可行性及有效性.     

一种基于LonWorks的电梯群控系统实现方法

根据电梯群控系统的特性,设计了系统的调度软件,使用统计的方法判断群控系统的客流交通模式,确定了电梯目标评价函数,同时介绍了系统的控制模块设计方法。采用LonWorks现场总线技术,增强了系统的实时性和可靠性,并使其具有良好的可扩展性和推广价值。     

基于蚁群算法的电梯群控调度优化策略研究

为了研究多台电梯的群控调度问题,并根据现有电梯调度策略的不足,建立以服务间和运行能耗为优化目标函数的调度模型,提出将电梯群控调度问题转化为离散组合优化问题,并利用蚁群优化算法求解。算法在接受众多乘客的随机请求下,能根据各电梯的运行现状,将不同层的乘客请求组合分配到相应电梯进行服务的最优调度方案,优化了群控电梯的运行模式,仿真实验证明算法能大幅度减少乘客的平均侯梯时间及缩短运行路径,证明了算法的有效性。     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播(FCP)网络辨识器和径向基函数(RBF)神经网络控制器组成,仿真结果表明了该方案的有效性。