新型电梯群控系统多目标优化调度策略

随着建筑物和乘客流的多样化,电梯的优化调度逐渐发展成为复杂在线多目标优化过程,然而,传统的优化调度已经很难满足电梯群控系统中的多个性能指标同时进行优化的要求.文中针对这一情况,首先通过分析电梯群控系统的目标多样性,复杂性,不确定性等特点,应用多目标优化理论建立了电梯群控系统的多目标优化数学模型;其次分析了粒子群算法与模拟退火算法的优缺点,对粒子群算法进行了改进,提出了一种新型混合优化算法;同时,在建立的多目标优化数学模型的基础上,将此混合算法应用到电梯群控系统中进行优化调度.将混合算法与标准粒子群进行比较,表明该混合算法具有一定的可行性与优越性,在一定程度上改进了电梯群控系统的整体性能和服务质量.该文为电梯群控系统的调度策略提供了新方法,新思路,并扩充了粒子群算法的应用范围.     

文化算法在群控电梯调度中的应用

针对电梯群控系统的特点,设计了以候梯时间、乘梯时间、能耗为群控目标的多目标函数,为了找到一个最优解实现多目标整体最优,引入了基于遗传算法的文化算法,实现了在此模型上的应用.种群空间利用遗传算法进行选择,交叉,变异,知识空间由状况知识构成,两空间独立演化,通过接受函数和影响函数进行沟通,在一定状态下知识空间引导种群空间进化,达到增强搜索能力加快搜索速度的目地.仿真表明,文化算法优于单纯的遗传算法解决电梯群控多目标寻优问题.     

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。     

电梯群控多目标算法研究

随着高层智能建筑的大量涌现,人们对电梯系统的性能提出了越来越高的要求.电梯群控多目标算法的研究以电梯群控系统作为研究对象,在对电梯控制技术进行深入分析的基础上,以减少候梯时间、改善服务质量、适应现代工作需要为目的,对电梯群控智能系统的派梯策略进行了深入研究.仿真结果表明多目标算法能提高电梯的运行效率,增加乘客满意度.     

粒子群-模拟退火混合算法在群控电梯中的应用

针对高层建筑电梯多、分布散、维修不及时等问题,提出了一个优化调度、报警维修及时的群控电梯系统;采用多目标优化方法建立数学模型,利用粒子群算法的概念简单、收敛速度快、易于实现的优点,同时引入模拟退火思想来克服粒子群算法易陷入局部最优的缺陷,对目标函数进行优化,PLC编程计算出参数,上位机调度计算,根据算法结果,优化电梯,合理调度;经过MATLAB仿真分析表明,该系统节省了平均候梯时间、平均乘梯时间和系统能耗,缩短了故障时间和维修时间,具有较大的应用前景。     

基于强化蚁群算法的高层住宅电梯群调度研究

在电梯群调度系统研究中,蚁群算法应用较为广泛,但仍存在迭代次数多、收敛速度慢等问题,同时高层建筑电梯鲜有优化调度.针对上述问题,提出一种将强化学习和蚁群算法相结合的高层电梯群控调度方法:建立以用户乘梯体验和系统运行能耗的多目标函数优化调度模型,用Q-learning迭代寻优后的Q值初始化蚁群算法的信息素,同时也将Q值引...     

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.     

分布式电梯群控系统多目标调度算法

基于多代理系统(MAS)的分布式电梯群控系统将电梯及群控器映射为具有不同功能的代理(agent), 呼梯信号的分派通过各agent协商解决, 使梯群调度算法的计算工作量分散到各agent. 基于拟市场模型, 分布式群控算法主要包括较厢代理(C-agent)报价算法及呼梯信号代理(HC-agent)电梯分派算法等. 设计实现了旨在同时降低平均候梯时间、平均乘梯时间及长候梯率的多目标分布式群控算法DMO. 仿真结果表明, 基于MAS的分布式电梯群控系统是可行的, 所设计的分布式群控算法能够使平均候梯时间、平均乘梯时间及长候梯率同时得到优化.     

混合电梯群控系统建模及新型优化调度策略*

为了简化电梯系统建模问题的复杂性,国内外学者一直将电梯系统作为离散事件动态系统来分析,然而实质上电梯群控系统是一种典型的混合系统,包含了连续状态和离散状态以及复杂的人为逻辑策略。针对这一情况,打破此传统分析方法,将电梯作为混合动态系统进行分析,以细胞自动机理论为基础,加入多种连续速度曲线,建立了完整的混合电梯群控模型。仿真结果表明该模型结构简单,具有较强适应能力和可扩展性。同时,针对粒子群算法容易陷入局部最小值的缺陷,对其加以改进,提出一种新型的调度策略,并应用到混合电梯群控系统模型中,进行优化派梯。仿真     

基于鲁棒优化理论的电梯群控调度策略

论文针对不确定线性优化问题,研究其不确定集的选择,初始不确定鲁棒优化模型的建立,以及基于该模型的鲁棒对等式转化问题.然后将鲁棒优化建模方法应用于电梯群控调度问题,建立其鲁棒优化模型,解决了交通流不确定性的影响,从而使调度结果更为合理.结合电梯群控虚拟仿真环境,设计了电梯群控鲁棒优化调度算法,并进行仿真验证.通过与其他调度算法的比较,证明了鲁棒优化调度算法在不同交通流F均具有优良的性能和适应能力.实验表明,鲁棒优化调度方法可以解决交通流预测误差的影响,很好地改善电梯群控调度性能.     

A hybrid multi-objective tour route optimization algorithm based on particle swarm optimization and artificial bee colony optimization

Computational intelligence techniques have widespread applications in the field of engineering process optimization, which typically comprises of multiple conflicting objectives. An efficient hybrid algorithm for solving multi-objective optimization, based on particle swarm optimization (PSO) and artificial bee colony optimization (ABCO) has been proposed in this paper. The novelty of this algorithm lies in allocating random initial solutions to the scout bees in the ABCO phase which are subsequently optimized in the PSO phase with respect to the velocity vector. The last phase involves loyalty decision-making for the uncommitted bees based on the waggle dance phase of ABCO. This procedure continues for multiple generations yielding optimum results. The algorithm is applied to a real life problem of intercity route optimization comprising of conflicting objectives like minimization of travel cost, maximization of the number of tourist spots visited and minimization of the deviation from desired tour duration. Solutions have been obtained using both pareto optimality and the classical weighted sum technique. The proposed algorithm, when compared analytically and graphically with the existing ABCO algorithm, has displayed consistently better performance for fitness values as well as for standard benchmark functions and performance metrics for convergence and coverage.     

基于混合人工蜂群算法的多目标柔性作业车间调度问题研究

传统的优化算法在求解面对多目标柔性作业车间调度时,往往求解效率低且难以获得最优解。为了求解多目标柔性作业车间调度问题,设计了混合人工蜂群算法。种群的初始化采用了多种方法相结合的策略。在人工蜂群算法的不同阶段采用不同的搜索机制,在雇佣蜂阶段采用开发搜索,针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新,从而提高了搜索的表现。禁忌搜索与改进的人工蜂群算法相结合,有效的提升了获得最优解的概率。通过相关文献中的标准实例对设计的混合人工蜂群算法进行一系列求解测试,实验的结果有效的说明了算法在求解柔性作业车间调度问题时效果显著。通过求解结果对比表明人工蜂群算法的高效性和优越性。     

多目标粒子群和人工蜂群混合优化的阈值图像分割算法

在图像分割中,为了准确地把目标和背景分离出来,提出了一种基于多目标粒子群和人工蜂群混合优化的阈值图像分割算法。在多目标优化的框架下,将改进的类间方差准则和最大熵准则作为适应度函数,通过粒子群和蜂群混合优化这2个适应度函数来获得1组非支配解。同时,为了提高全局和局部搜索能力,在蜂群进化时,将粒子群的全局最优解引入到人工蜂群算法的雇佣蜂阶段蜜源的更新中,并对搜索方程进行改进。最后通过类间差异和改进的类内差异的加权比值,从一组非支配解中选取最优阈值。实验结果表明,该算法能够取得理想的分割结果。     

自适应多目标混合差分进化算法在联盟运输调度中的应用

传统的单目标算法运行一次只能得到一个解,而多目标算法运行一次可以得到一个解集。文中所提算法(DEASA)通过改进差分进化策略,设计重构,调整自适应参数,并采用擂台法则构建非支配集,将模拟退火策略融入到差分进化算法当中,进一步提高了算法的性能,降低了时间复杂度,增强避免陷入局部最优的能力。通过实验验证表明,该算法能有效地解决联盟运输调度问题。     

基于模拟退火及蜂群算法的优化特征选择算法

为了解决中文文本分类中初始特征空间维数过高带来的“维数灾难”问题,提高分类精度和分类效率,提出了一种基于模拟退火及蜂群算法的优化特征选择算法.该算法中,以蜂群算法流程为主体,根据蜜蜂群体觅食的特点快速寻找最优解,并且针对蜂群算法容易陷入局部最优解的问题,把模拟退火算法机制引入其中.该算法既保留了蜂群算法群体寻优的特点,又可以有效地避免陷入局部最优解.通过选择合适的收益率函数和温度下降函数,用实验的方法与卡方统计、信息增益和互信息等算法进行比较,表明了该算法的可行性和有效性.     

人工蜂群算法研究综述*

人工蜂群算法自提出以来,受到很多学者的关注,并涌现出大量的研究文献。本文介绍了2013年以来国内外蜂群算法的研究成果,包括加快收敛、提高开采能力、提高算法性能方面的改进;针对约束优化、平行化运行、多目标寻优等多方面的研究;以及人工蜂群算法在神经网络、无线传感网、决策调度、图像信号处理等多个领域的研究现状,并指出人工蜂群算法有待进一步解决的问题及未来的研究方向。     

基于QPSO-SA混合算法的多目标投资组合优化

多目标投资组合优化就是决定每个具有特定风险、回报、交易费用等特征的资产在总投资价值中的投资比例,即选择那些资产投资以及寻找每个投资资产的最佳投资比例,使得总投资的风险最小、交易费用最小、回报最大等等。该问题是典型的NP难解问题,通常方法很难达到全局最优。研究如何把基于量子行为的微粒群优化算法（QPSO算法）和模拟退火算法(SA算法)结合起来解决多目标投资组合优化问题。利用美国标准普尔指数100的股票历史数据进行验证,纯QPSO算法与QPSO-SA混合算法的运行结果比较表明在解决多目标投资组优化问题中,QPSO-SA混合算法是一种高效的、可靠的优化算法,具有一定的实用价值。     

反向人工蜂群算法求解混合流水车间调度问题

针对以最小化最大完工时间为优化目标的混合流水车间调度问题,提出一种融合反向学习策略的反向人工蜂群算法求解该问题。首先,根据混合流水车间调度问题的特点,建立了对应的数学模型和仿真优化模型;其次,在寻优过程中为了避免陷入局部最优,分别在种群初始化、雇佣蜂和观察蜂三个阶段引入了反向学习策略,采用两点间逆序策略和元素交换策略加快寻优速度,并采用精英保优策略保留最优解;最后,选取2个实例和21个不同规模的benchmark算例进行仿真实验,通过与相关算法的实验结果进行对比分析,验证了所提算法能有效求解此类问题。     

基于IFWA-ABC的云计算资源任务调度算法的研究

针对云计算资源任务调度效率低,资源分配不均的情况,将改进的烟花算法和人工蜂群算法算法进行融合为IFWA-ABC。首先,对云计算资源任务调度进行描述;其次,在FWA初始化中采用混沌反向学习和柯西分布进行优化,对核心烟花和非核心烟花的半径分别进行优化,将FWA中最优个体通过改进的ABC算法进行获得;最后,将IFWA-ABC算法用于云计算任务调度。仿真实验中,通过与FWA、ABC在虚拟机、执行时间、消耗成本、能量消耗指标对比中,IFWA-ABC具有明显的优势能够有效地提高云计算资源分配效率。