★ 魯培平（國網甘肅省電力公司后勤保障中心 ，甘肅 蘭州 730000）

關鍵詞：改進粒子群算法；電梯群控系統；多目標

傳統的電梯群控策略往往只適用于某一種特定的交通流模式，例如僅針對上班高峰時段的客流情況進行調度^[1]。一旦客流格局發生變化，傳統策略便難以維持電梯的服務質量。

近年來，電梯群控領域涌現出了大量控制方法。例如文獻 ^[2]提出了基于滾動時域策略的調度方法，采用周期和客流變化驅動的混合重調度機制，將調度時段分成多個調度區間，在每個區間內利用自適應鄰域搜索的多目標進化算法對電梯群組進行任務分配與調度。但該方法未充分考慮電梯運行中的突發故障、乘客特殊需求等復雜動態因素，導致調度策略在實際應用中適應性不足； 文獻 ^[3]提出了基于分層強化學習的調度方法，設計了由上、下級DQN構成的雙層調度框架。上級DQN從電梯群控長期效能出發確定降低能耗、縮短平均候梯時間等臨時優化目標；下級DQN依據優化目標，決定當前電梯任務分配、運行方向等調度策略。但該模型訓練復雜度高，且對電梯異常狀況應變能力有限。

本文通過對傳統PSO算法進行改進，提出了一種基于改進粒子群的任務調度算法，在保證運行時間最短的基礎上，實現了電梯群調度效率最高。

1   電梯群控系統多目標函數構建

電梯群控系統的動態調度旨在通過實時監測和智能算法，實現多維度優化目標：一是優化電梯資源分配，即根據乘客的召喚請求和電梯的實時狀態動態分配電梯，避免部分電梯過載或閑置，確保以最少的電梯數量實現高效運行；二是通過預測乘客召喚模式和電梯運行狀態，優先調度最合適的電梯響應需求，顯著減少乘客候梯時間^[4] ；三是優化電梯運行路徑和調度策略，降低空載或輕載運行頻率，從而提升整體運行效率，并能夠根據高峰期、低峰期或特殊事件（如火災、緊急疏散）動態調整調度策略，確保在不同場景下均保持高效運行。

電梯群控系統的組成結構，如圖1所示。

圖1 電梯群控系統的組成結構

圖1中，中央控制器作為主控單元，負責收集各電梯運行狀態信息，動態分配電梯服務請求，快速響應乘客召喚指令；電梯控制器作為子控單元，負責控制電梯的運行，并與中央控制器通信，確保電梯的安全運行；通信網絡連接中央控制器與各電梯控制器，實現數據的實時傳輸^[5] ，并支持多臺電梯的并行通信，具備抗干擾能力和冗余設計；傳感器用于檢測電梯的運行狀態和乘客的召喚請求，確保系統能夠準確獲取實時數據；電源與備份系統能夠在斷電情況下提供備用電源，確保系統的安全運行。

基于此，構建電梯群控系統多目標函數，如式（1）所示：

式中，T_wait為當前電梯的預測候梯時間； T_max為系統設定的候梯時間上限；E_run為電梯運行能耗；E_max為滿載運行能耗； Q_load為轎廂當前負載率； Q_max為轎廂額定載客量；W₁，W₂，W₃為動態權重系數，滿足W₁ +W₂+W₃=1，可根據實時運行場景，如高峰期、低峰期動態調整優先級。

2   基于PSO電梯群控系統多目標動態調度

PSO是一種基于群體智能的啟發式優化算法，以粒子智能體表征電梯調度方案。在電梯群控系統中，將電梯調度問題抽象為多目標優化空間，每個粒子代表一種可能的電梯分配策略，如派梯順序、服務樓層組合等，粒子在解空間中迭代搜索最優解。粒子的運動軌跡由其當前位置、速度和全局最優位置共同決定。動態調整粒子速度和位置更新規則，即可逐步逼近最優解。基于該原理，電梯群控系統多目標動態調度過程如下：

步驟一：動態慣性權重調整與多目標適應度優化

為提高粒子群算法在電梯群控系統多目標動態調度中的全局搜索和局部開發能力，需根據粒子的適應度表現動態調整慣性權重。具體公式如式（2）所示：

式中， W_max、W_min為慣性權重的上下限；η為調整系數，控制權重變化速率； F(x_i )為粒子i的當前適應度值；F_avg為當前粒子群的平均適應度； F_max為當前粒子群的最大適應度。

動態權重調整邏輯為：當適應度低于平均值時，粒子整體搜索能力較弱，需增強全局探索能力，因此賦予較大慣性權重 ，鼓勵粒子跳出局部區域；當適應度高于平均值時，粒子局部開發能力較強，需適當減小慣性權重，引導粒子精細搜索當前區域；當逼近全局最優解時，通過動態權重調整，粒子在接近歷史最優解時仍保留一定的全局搜索能力，避免陷入局部最優。

步驟二：速度與位置更新

采用動態慣性權重和自適應學習因子改進PSO，公式為式（3）：

式中，C₁、C₂為自適應學習因子，控制粒子向個體最優P_best,i和全局最優g_best,i學習的程度。若粒子當前適應度F(X_i)遠低于全局最優，增大C₁強化個體經驗學習；若粒子接近全局最優，增大C₂促進群體信息共享。

步驟三：動態調度方案更新與最優解保存

在PSO的電梯群控系統多目標動態調度中，需動態更新電梯分配策略并保存歷史最優解。每個粒子被編碼為一種電梯調度方案，具體表示為電梯與召喚樓層的分配組合。在每次迭代過程中，粒子位置根據速度更新公式動態調整以優化調度方案，同時為避免重復分配同一電梯至相鄰時間段的同一樓層，采用粒子歷史訪問的調度方案列表替代傳統禁忌表。當檢測到新調度方案與歷史方案沖突時，通過多目標適應度函數重新評估沖突方案的可行性，并優先選擇適應度更優的替代方案，從而在保證調度效率的同時確保方案的全局最優性與實時可行性。

步驟四：動態調整粒子信息素，重復優化直至終止

在PSO中， 為模擬電梯調度經驗的動態積累與更新， 對粒子歷史調度方案的權重進行調整。粒子在調度方案上的經驗權重更新為式（5）：

式中， λ為經驗衰減因子，表示歷史調度經驗的遺忘率；ΔW_ij (t)為本次迭代中調度方案j的新增經驗權重，由所有采用該方案的粒子貢獻。粒子i對調度方案j的新增經驗權重表達式為式（6）：

式中，為經驗強度系數，反映調度方案對全局優化的貢獻程度；L_i為粒子本次迭代中所有調度方案的總代價 。

步驟五：迭代終止與策略重置

針對電梯群控系統的多目標動態調度場景， 設定迭代終止判定條件：連續次迭代中， 全局最優適應度值的變化率小于閾值，如式（7）所示：

式中， F^k_global 為第k次迭代的全局最優適應度值；F^k-N_global為次迭代前的全局最優適應度值。

重置經驗權重，清空歷史調度經驗（ ΔW'_j,i (t)=初始均勻分布），避免陷入局部最優；根據實時召喚需求調整算法參數， 重新執行步驟四至七， 直至滿足終止條件。

3   實驗

3.1   實驗背景

構建一個仿真電梯群控制系統，配置8部同類型電梯，其額定加速度為1 .5m/s2， 加速度導數為3 .5m/s，可容納18人或1200公斤；該建筑共16層，各樓層均設有電梯，樓層2.5m。1～16層常住人口分別為125人、 140人、110人、122人、101人、150人、85人、120人、150人、151人、132人、122人、135人、142人、 98人、90人。

普通辦公樓的電梯系統承載乘客壓力通常是在早上上班前一個小時，特別是在上班前半個小時乘客人數會達到高峰，電梯運載負擔顯著增大。在此基礎上，本文按照電梯上行客流75%、下行客流15%、各樓層之間客流10%的情況進行60分鐘模擬實驗。

3.2   實驗指標

實驗選取電梯群控系統能耗、等梯時間作為評價指標。其中，電梯群控系統能耗是指由多部電梯組成的群控系統在運行過程中所消耗的總能量。各項指標的理想數值如表1所示。

表1 理想數值

由表1可知， 本文將電梯群控系統能耗、等梯時間均能達到理想數值的方法視為有效調度方法。

3.3   實驗結果與分析

本文采用基于滾動時域策略的調度方法、基于分層強化學習的調度方法，以及基于PSO的調度方法開展實驗，對比分析三種方法的電梯群控制系統能耗，結果如圖2所示。

圖2 不同方法系統能耗對比結果

由圖2可知， 基于滾動時域策略的調度方法電梯群控制系統能耗最大，達到了600kJ；基于分層強化學習的調度方法系統能耗次之，最大值為400kJ；本文基于PSO的調度方法系統能耗最小，僅為200kJ。只有使用所研究算法，在理想數值范圍內。

假設從16層叫電梯下到1樓，使用不同方法對比分析等梯時間，結果如圖3所示。

圖3 不同方法等梯時間對比結果

由圖3可知，基于滾動時域策略的調度方法、基于分層強化學習的調度方法、基于PSO的調度方法最長等梯時間分別為30min、25min、17min，最短等梯時間分別為19min、15min、3min，表明基于PSO的調度方法等梯時間最短，指標達到了理想狀態。

4   結束語

本文提出的基于PSO的電梯群控系統多目標動態調度方法，通過構建電梯群控系統多目標函數，調整動態慣性權重，優化多目標適應度，解決了因乘客隨機召喚電梯而造成調度效果不佳的問題。實驗結果表明，該方法調度的系統能耗最小、等梯時間最短，能夠達到精準調度的目的。

作者簡介：

魯培平 （1980-） ，男， 甘肅永昌人， 高級技師， 本科，現就職于國網甘肅省電力公司后勤保障中心，研究方向為特種設備（電梯、鍋爐）、10kv配電室設備等。

參考文獻：

[1] 齊小剛, 王亞洲, 班利明, 等. 求解動態維修資源優化調度的多目標進化算法[J]. 智能系統學報, 2023, 18 (2) : 305 - 313.

[2] 李恒偉, 羅啟章, 顧軼, 等. 基于滾動時域策略的中繼衛星多目標動態調度優化方法[J]. 航空學報, 2024, 45 (16) : 165 - 180.

[3] 劉潤滋, 馬天賜, 吳偉華, 等. 基于分層強化學習的中繼衛星網絡任務動態調度方法[J]. 通信學報, 2023, 44 (7) : 207 - 217.

[4] 陳宏濤, 崔騰, 郭俊杰, 等. 電梯群控最短距離調度算法的改進與實現[J]. 制造業自動化, 2024, 46 (6) : 90 - 94.

[5] 蔣權, 魏靜萱. 用于動態柔性作業車間調度的實時調度方法[J]. 系統仿真學報, 2024, 36 (7) : 1609 - 1620.

摘自《自動化博覽》2026年7月刊