資源描述：
《虛擬環(huán)境下智能電梯群控調(diào)度方法的研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、天津大學博士學位論文虛擬環(huán)境下智能電梯群控調(diào)度方法的研究姓名：宗群申請學位級別：博士專業(yè)：電力電子與電力傳動指導教師：劉魯源20030601摘要本文綜述了國內(nèi)外智能電梯群控調(diào)度方法，針對電梯交通流預測，交通模式識別，高峰期、空閑期、隨機層間、智能多模式電梯群控調(diào)度方法及虛擬仿真環(huán)境進行了深入研究，對智能電梯群控系統(tǒng)的研究具有較好的理論指導意義和實用價值。根據(jù)電梯交通流的特點，構造了一種交通流時間序列神經(jīng)網(wǎng)絡預測模型，并提出了一種通過調(diào)整預測神經(jīng)網(wǎng)絡結構來提高預測精度的方法。建立了用于交通模式識別的模糊神經(jīng)網(wǎng)絡模型，采用
2、兩個模糊神經(jīng)網(wǎng)絡分兩步進行模式識別的方法，大大簡化網(wǎng)絡的結構和樣本的制定，提高了交通模式識別的實時性。根據(jù)電梯專家知識獲取網(wǎng)絡的訓練樣本，采用三步混合學習算法對兩個網(wǎng)絡進行訓練調(diào)整。實驗的測試結果表明，用兩個模糊神經(jīng)網(wǎng)絡可以準確的辨識出各種交通模式。利用MonteCarlo方法處理實際交通流數(shù)據(jù)，由此建立電梯交通流概率仿真模型，并根據(jù)該模型進行空閑交通模式的電梯調(diào)度。提出了一致的UPPINT的目標函數(shù)，將高峰期的動態(tài)分區(qū)問題歸結為一個最優(yōu)化問題，用動態(tài)規(guī)劃方法求解動態(tài)分區(qū)問題。提出了一種適用于隨機層間交通模式的多目標函
3、數(shù)，并依據(jù)該函數(shù)采用遺傳算法動態(tài)優(yōu)化調(diào)度電梯，這樣即改善特殊服務樓層的服務，同時又優(yōu)化系統(tǒng)的整體性能。仿真結果表明上述研究方法的有效性。提出了一個單隊列有限量多服務臺組成的批量服務的電梯上高峰排隊模型，具體描述了電梯上高峰的馬爾科夫決策過程、狀態(tài)轉(zhuǎn)移概率、單位報酬、折扣準則和目標函數(shù)。建立了上高峰優(yōu)化調(diào)度的動態(tài)規(guī)劃方程。為了簡化求解動念規(guī)劃方程，提出并證明了電梯上高峰優(yōu)化值函數(shù)特性的相關引理和推論，構造了電梯上高峰最優(yōu)調(diào)度策略的結構，得出了上高峰優(yōu)化調(diào)度策略是基于閩值的策略的結論。建立了智能多模式電梯群控系統(tǒng)的結構，該
4、結構由信息處理單元及電梯優(yōu)化調(diào)度單元組成。采用基于遺傳算法的模糊神經(jīng)網(wǎng)絡對信息處理單元的大量數(shù)據(jù)進行數(shù)據(jù)融合，提出了采用遺傳算法優(yōu)化具有全局性的網(wǎng)絡參數(shù)，用BP算法調(diào)節(jié)和優(yōu)化具有局部性的參數(shù)。在電梯優(yōu)化調(diào)度單元采用小生境遺傳算法進行全局優(yōu)化，使其更能適應智能多模式的交通流變化。仿真結果表明該方法的有效性。最后詳細敘述了智能電梯群控虛擬仿真環(huán)境的總體結構及實現(xiàn)。關鍵詞：交通流預測，交通模式識別，多目標函數(shù)，馬爾科夫決策過程，動態(tài)規(guī)劃方程，智能電梯群控調(diào)度方法，虛擬仿真環(huán)境AbstractTheintelligentele
5、vatorgroupcontroldispatchingmethodsaresummarizedinthispaper．Andseveralkeyproblemsonelevatorssuchastrafficflowforecasting，trafficpatternrecognition，elevatorgroupcontrolmethodsinup—peak，idleandstochasticinterfloor,intelligentmulti—patternelevatorgroupcontroldispat
6、chingmethodsandelevatorvirtualsimulationenvironmentarestudied，andthesehavedirectivesignificanceintheoryandpracticalvaluetointelligentelevatorgroupcontrolsystemresearch．Thispaper,basedonthecharacteristicsoftrafficflow，constructsatrafficflowforecastingmodelwhichis
7、basedontimeseriesneuralnetwork(NN)，andputforwardsamethodofadjustingstructureofNNpredictiontoimprovetheprecisionofforecasting．Afuzzyneuralnetworksmodelappliedtotrafficpatternrecognitionisestablished．Thismodelmightinvolvetwostepsandineachstepafuzzyneuralnetworkisu
8、sed．Suchamodelsimplifiesthestructureofnetworksandsamplesandimprovesreal—timeoftrafficpatternrecognition．Thesamplesofnetworkstrainingareobtainedbyelevatorexpertknowled
