一、基于统计近似的电梯群控系统的智能算法(论文文献综述)
宋鹤翔[1](2021)在《基于模糊控制的智能电梯群控系统研究》文中研究说明
雷剑[2](2021)在《基于Adam优化神经网络的电梯群控算法的研究》文中研究表明智能化技术飞速发展的今天,大批学者对电梯群控系统的控制算法深入研究,考虑多目标综合优化问题,提出了基于神经网络的电梯群控算法。针对基于传统神经网络的电梯群控系统模型收敛性差,预测精度低等问题,本文提出了一种优化神经网络的电梯群控算法,实现了电梯资源的合理调配,主要研究内容如下:(1)根据电梯群控系统结构图,分析电梯群控系统中模块的组成以及功能,对不同的乘客客流模式和核心模块调度算法策略进行研究,归纳总结了不同调度策略在群控系统中的优缺点,为后续的研究和分析奠定基础。(2)研究电梯群控系统的各项性能指标在多目标控制中的重要性,综合多个因素考虑,提出了满意度综合评价函数的多目标优化控制方法。紧接着,搭建基于神经网络的电梯群控算法模型,结合综合评价函数,对模型进行训练和测试。结果表明传统的神经网络存在收敛速度不理想,难以脱离局部极值,利用传统的神经网络不能快速、精确的得到满意度评价值。(3)针对传统神经网络算法存在训练时间较长和易陷入局部极值的缺点,提出了基于Adam优化神经网络的电梯群控算法。通过仿真实验可以表明,Adam算法改善了神经网络模型中训练时间过长、网络预测精度不高的问题,得到了更快的收敛速度以及更好的收敛性能。但训练过程中出现了训练集效果很好,而测试集效果欠佳的过拟合现象,因此在网络训练流程中引入Dropout方法,缓解过拟合现象的发生,进而改善了神经网络模型,达到了预期目标。(4)在PyCharm中搭建电梯群控仿真系统模型对本文所提的基于Adam优化神经网络的算法进行仿真验证。结果表明,优化后的模型相比较于传统的神经网络模型,乘客乘梯时间、候梯时间都有所减小,其中电梯的停靠次数所代表的系统能耗指标优化最为明显,传统神经网络算法三种客流模式下的平均停靠次数约为294次,而优化后的调度算法平均停靠次数为230次,相比下降了27.8%。由此可以得出,Adam优化神经网络的算法在电梯群控领域的可行性和优越性,表明了Adam算法对于电梯群控技术领域应用的意义。
李根[3](2020)在《基于PLC的电梯群控系统设计与研究》文中认为随着我国城市化的深入,高层楼宇越来越多地出现在人们的生活中。面对楼宇内部越来越复杂的交通状况,传统的单部电梯已经不能满足快速的生活需求,因此人们对高层楼宇内部的电梯智能化有了更高的和更迫切的要求。电梯群控系统在增加电梯数量的基础上,需要更多地考虑如何合理快速的调控多部电梯的运行,能够根据不同时段和客流状况智能的选择最高效合理的电梯群控调度策略,实现高效、低功耗运行。本文重点对电梯群控系统的调度算法进行了研究与设计。首先分析了电梯群控系统的研究意义、当前国内外发展现状。然后通过研究单部电梯工作原理与PLC控制程序,并结合电梯群控系统不确定性、扰动性、多目标等多种复杂特性和最优调度策略目标,设计出基于模糊控制算法的电梯群控系统调度策略。对电梯群控系统调度算法的设计,主要是通过采集、分析建筑物内的客流信息,依据建立的模糊控制规则推理当前梯群系统的交通模式,生成乘客平均候梯时间(AWT)、乘客平均乘梯时间(ART)、长时间候梯率(LWP)、能源消耗(RPC)这4项指标的评价系数;调用设计的模糊算法综合评价函数计算每部电梯的对乘客呼梯任务的响应评价值,然后选取最优电梯进行任务分配。最后在C#语言搭建的电梯群控模拟平台进行本文模糊算法的建模仿真,并将仿真结果与多种电梯控制算法进行对比分析。多种算法的仿真对比,验证了本文所用的模糊控制算法在电梯调度方面的实用性和优越性,能够有效降低系统运行能耗、提高电梯运行效率与乘客乘梯满意度。
李颖琪[4](2020)在《基于深度强化学习的电梯群组调度研究》文中进行了进一步梳理现代建筑广泛配置多部电梯,电梯控制系统应采取群组调度策略,根据客流情况协调各台电梯的调度,从而减少乘客的候梯时间和乘梯时间、降低电梯运行能耗。现有电梯群组调度算法优化目标单一、而且根据客流情况变化改变调度安排的灵活性不足,本文提出了一种更系统化和灵活的解决方案和一种能兼顾多种优化目标的,能充分发挥人工智能算法的潜力的电梯调度算法。本文提出的方案主要分为3个模块:客流模式识别模块、各类交通流模式客流数据集构造模块、基于深度强化学习的电梯群组调度训练模块。客流模式识别通过K均值聚类算法结合滑动窗口分析客流数据识别出不同的客流模式;数据集构造模块是根据识别出的不同客流模式,构造仿真客流用于对调度算法的训练;训练模块采用在深度强化学习的双延迟深度确定性策略梯度算法基础上优化的针对电梯调度的双延迟深度确定性策略梯度算法(简称E-TD3算法),用仿真数据训练多个针对不同客流模式的调度模型,实现对不同大楼情况下交通流模式的电梯群组调度。初步实验显示:1)与电梯模拟器公布的深度Q网络算法baseline和深度确定性策略梯度算法的横向对比,E-TD3算法在各种交通流模式客流数据集上、算法的运行时间上都有较好的表现,表明E-TD3算法能及时针对客流情况变化调整群组调度;2)E-TD3算法在百度电梯调度大赛中取得较好的成绩,表明算法有一定的竞争力;这些结果均表明了本文提出的方案切实可行。
林怀迪[5](2020)在《基于目的地派梯系统的电梯群控算法研究》文中进行了进一步梳理电梯是楼宇中最常见的垂直交通运输工具。由于电梯乘客到达模式动态可变,导致控制楼宇内多台电梯运行的控制系统往往难以获得优化的控制效率。尽管通过获得乘客的目的地楼层可提升电梯群控的效率,然而楼宇中并非每一层都会安装目的楼层获取设备。因此,本论文针对楼宇各层部分安装目的楼层获取设备这一现状,提出融合启发式与贪心混合策略的电梯群控算法。本文的主要工作和成果如下:1.设计了基于事件驱动的电梯运行模型。在选择是否安装目的楼层获取设备时,考虑到设备成本较高,楼宇各层往往只会选择部分楼层安装该设备。为此,提出了非全楼层的目的地派梯模式。此外,为了模拟电梯运行,设计了基于事件驱动的电梯运行模型。利用有限状态自动机,构建了电梯运行事件及事件之间的转移模型,并基于泊松过程设计了电梯乘客达到的计算模型。该电梯运行模型将为电梯群控算法提供软测试环境。2.设计了融合启发式与贪心策略的电梯群控算法。基于非全楼层目的地派梯模式下电梯群控的特征,设计了该模式下电梯群控的启发式规则。此外,基于贪心算法提出了基于乘客等待时间最优的目的地派梯策略。基于启发式规则与贪心策略,提出了一类可满足非全楼层目的地派梯模式电梯群控的算法。通过评估乘客等待时间和电梯平均送客时间等优化指标,利用电梯运行模型验证了算法的有效性。3.开发了非全楼层的目的地派梯模式下的电梯群控系统。基于电梯运行模型和电梯群控算法,设计并实现了非全楼层目的地派梯模式下电梯群控系统。该系统主要的功能包括:电梯参数配置、客流模拟生成、建筑物设置、选层器模式和群控算法配置等功能模块。通过在实际的电梯群控硬件环境,测试了群控算法的正确性。本文基于某企业实际需求,提出了融合启发式与贪心策略的电梯群控算法,并开发了一个可以测试该算法正确性的电梯群控运行环境。通过比较群控算法在软件环境与硬件环境的运行结果,证明了本文所设计群控算法的正确性和高效性。
刘瑜[6](2020)在《KNX在楼宇和家居控制系统中的应用》文中提出随着5G移动通信和人工智能技术的兴起,智能家居迎来新的发展机遇。国内外的各大企业如微软、苹果、谷歌、小米等,纷纷聚焦智能家居领域,抢占物联网时代的新赛道。智能楼宇和家居作为物联网技术进入日常生活的重要入口,也引起了学术界和工业界广泛的关注。本文基于KNX总线技术,从家居生活及办公场景的需求入手,将科学创新与人文关怀统一起来,针对不同的应用场景,设计满足不同场所和人群的全数字分布式控制系统。全数字分布式控制系统,对区域内各类照明、空调、窗帘等电气设备进行自动化和集中控制管理,实现能源监测,不仅可有效管理楼宇的电气设备,提供灵活多变的使用功能和效果,还可以维护并延长灯具及电气设备的使用寿命,达到安全、节能、人性化、智能化的效果,并能在今后的使用中方便地根据用户的需求进行扩展。针对不同用户的需求,结合ARIMA模型预测算法分析用户行为,进行热水器的测试和仿真实验。在有些被控对象模糊不清的场景中采用PID控制和模糊控制,针对PID算法中特殊情况需要手动进行修改、删除,需要来回切换等不足,提出了改进和升级,完成了空调、热水等电器的仿真,提出改进的算法。完成了房间智能照明系统中百叶窗帘、室内照明系统的设计。经实际测验,本文所设计KNX技术在楼宇和家居控制系统可以满足不同场所和人群的对生活和办公的要求。该论文有图88幅,表9个,参考文献73篇。
黄榛[7](2020)在《基于客流量的电梯群控算法的设计》文中提出随着中高层建筑数量的迅速增加,电梯也被广泛运用。传统的电梯群控算法由于控制目标单一、客流量变化适应性差等问题,需要结合不断发展的控制技术、识别技术等进行进一步的优化。针对客流高峰时电梯运送时间过长,客流平缓时电梯能源消耗过大等问题,本课题基于现有楼宇电梯配置情况,通过采集到的客流量信息和电梯运行信息,结合多目标规划和模糊控制的方法实现电梯群控算法的优化,在客流密度增加时节约乘客侯梯、乘梯时间,在客流密度趋于平缓时减少电梯的能源消耗。首先本文分析了电梯群控技术的发展历程和研究现状,总结了优化电梯群控算法需要考虑的评价指标,并将当前运用较为广泛的最小时间算法作为理论基础,延伸出了基于多目标规划的群控算法。综合考虑时间指标和能耗指标后,建立了以侯梯时间、乘梯时间、电梯能耗等为评价指标的评价函数。在最小时间算法的基础上,为电梯组内的电梯进行优先级排序,再结合实时客流量信息完成呼梯请求的响应。实验表明,基于多目标规划的电梯响应优先级划分可以有效降低系统能耗、节省乘梯时间。由于客流量信息的时变性、群控系统模糊变量多等特点,采用模糊控制的方法可以更好地进行交通模式、交通强度的划分以及电梯群内电梯响应优先级地划分。通过对系统采集到的客流量信息的模糊化处理,再根据模糊规则生成相应的评价指标,完成交通模式和交通强度的判断,以便选取相适应的评价指标权重,对评价函数进行调整。最后根据调整后的评价函数完成电梯群内电梯优先级划分。经过仿真对比试验,可以看出,在引入模糊控制的情况下,电梯群控算法的适应性更好,在客流量激增时节省了乘客的出行时间,在客流量趋于平缓时降低了系统的能耗。
刘泽晨[8](2019)在《电梯群控系统的优化研究》文中认为当今社会,经济快速发展,任何事情都要求高效率,飞机高铁都已经普及到人们的日常出行中,在平时的生活中,电梯也是一个重要的交通工具,在一幢大楼内,它把人们快速的从起始楼层运送到目标楼层,所以为了缓解这种运输压力,人们对电梯运输效率的要求不断增强,现如今,随着电梯控制技术的发展,在高层建筑内单台电梯的运行已经远远落后,多台电梯一起运行即电梯的群控技术已经是当今的发展主流。本文以电梯群控制系统为研究对象,优化电梯的各项参数:减少乘客的侯梯时间,提高运输效率,加强乘客的舒适度体验以及提倡节能环保,降低电梯运行的能耗,主要研究的内容如下:1介绍了电梯群控系统的发展状况;电梯群控系统的结构,然后在研究其特点的基础上,以乘客的平均候梯时间、长候梯率、系统能耗及轿厢的拥挤度这些参数作为目标函数,最后利用加权平均法构造其评价函数。2设计了基于Mamdani模型的模糊神经网络交通模式识别方法。通过混合学习方法对基于Mamdani模型的模糊神经网络进行学习和训练;使用自组织聚类算法初步获得隶属函数,然后通过学习方法得到模糊规则,最后由BP算法对网络参数进行优化和调整。3基于Sugeno模型的模糊神经网络交通模式识别方法。使用自组织聚类算法初步获得隶属函数的中心和宽度,然后固定隶属函数的中心和宽度,采用最小二乘法估计参数,最后固定结论参数,根据训练数据输出误差信号,采用BP算法调整前提参数。4运用强化学习法,对群控系统的各项参数进行调整。根据实际目标函数值和期望目标函数值的偏差,调整评价函数参数,使得各项参数值都能接近其期望值。最后通过强化学习来调整权值,使整个电梯群控系统的控制策略始终处于被优化的状态。5、对本文所设计算法进行仿真验证。研究表明,基于自适应多目标调度优化算法的电梯群控系统的性能明显得到优化,也为同类型系统优化问题提供参考,具有一定的实际意义和理论意义。
薛旭璐[9](2019)在《电梯群控系统优化算法研究》文中进行了进一步梳理电梯作为现代建筑物中必不可少的运输设备,广泛应用于居民楼、医院、商场、办公大楼等楼宇内。在传统调度方法中,最常见的一种派梯方法是最小等待时间调度算法,它以乘客的等待时间作为控制目标,没有考虑优化电梯的行程以及降低能耗等其他问题。在智能化技术高速发展的现代,越来越多的研究者针对电梯群控系统的智能控制问题,从乘客角度和管理者角度综合考虑,提出了多目标优化调度系统。电梯群控系统结构复杂,为了使群控系统的优化调度取得更好的控制效果,对随机性、扰动性、多目标性以及非线性等特点进行分析和研究,设计改善群控系统服务性能的算法,并进行了仿真与验证。本课题对电梯群控系统的研究主要从如下三部分展开。(1)在最小等待时间算法的基础上进行改进,采用最短距离调度算法设计多部电梯的群控调度系统,运用以PLC为控制器的电梯仿真平台和仿真对象模型进行算法验证,得到仿真数据,总结并分析应用距离调度的仿真结果。(2)根据电梯群控系统中乘客客流特点以及客流运行模式,选用BP神经网络对运行模式识别,引入遗传算法改进并优化该网络,使其快速收敛,减少识别误差,提高网络的预测精度及电梯群控系统智能化识别程度。(3)基于客流运行模式识别,使用粒子群算法(PSO)改进群控系统的多目标优化调度,以候梯时间、乘梯时间和系统能耗为优化目标并建立综合评价函数,然后进行整个仿真系统的模块化设计,在MATLAB中对不同运行模式进行仿真实验,对比数据并分析仿真结果,证明该方法在群控调度中具有更好的控制效果。图22幅,表16个,参考文献80篇。
孙朋飞[10](2019)在《电梯群控系统调度策略的优化研究》文中提出电梯作为唯一的垂直交通工具,在我国现代化的城市进程中越来越不可或缺。为了缓解垂直交通问题,出现了大量的电梯群。但现有的电梯群控方式性能比较单一、运输效率不高、乘坐质量低下,因此有必要对其进行改进。本文以群控调度优化为研究目的,通过引入新的呼梯方式,确立了基于目的楼层预约的模糊控制和神经网络模糊控制群控算法,通过仿真验证了其有效性。首先,在综合分析电梯群控国内外研究现状的基础上,对电梯群控特性和传统群控调度算法进行了介绍。其次,通过在不同的交通模式下赋予各个评价指标不同的权系数,采用模糊推理方法对电梯交通模式进行了有效识别,可削弱客流变化对群控系统的冲击,使群控系统能适应环境的变化。再次,针对传统群控系统“两步”呼梯方式信息采集慢、操作不便捷、数据完整性不高的不足,引入了目的楼层预约的“一步”呼梯方式。在现有的系统平均候梯时间、平均乘梯时间、长时间候梯率和系统能耗四个评价指标的基础上,增加了轿厢拥挤度评价指标,构造了能反应群控系统特征的综合评价函数,研究了模糊派梯算法,建立了由多个模糊变量构成的群控系统调度模型,通过选取可信度最大的电梯进行派梯,优化了群控调度的性能。为了弥补模糊控制受模糊规则影响较大的缺点,利用神经网络能够自学习的优点,研究了神经网络模糊派梯算法,通过自学习不断调整权值,不断优化输入与输出的对应关系,进一步提升了群控算法的调度性能。最后,运用MATLAB软件对设计的群控仿真系统进行验证,并在GUI界面进行操作和显示,实现了电梯群控的可视化动态仿真运行。通过构建基于泊松分布的客流仿真模块,产生不同交通模式下近似真实的呼梯信息。在相同的仿真环境下,经过运行比较、数据分析和算法对比,验证了本文所研究的调度算法在运行效率、服务质量、节能减排等方面得到的提升,具有较好的实际应用价值。
二、基于统计近似的电梯群控系统的智能算法(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于统计近似的电梯群控系统的智能算法(论文提纲范文)
(2)基于Adam优化神经网络的电梯群控算法的研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景 |
1.2 国内外电梯群控技术研究现状 |
1.2.1 电梯群控技术的发展 |
1.2.2 国内外电梯群控技术的研究现状 |
1.3 课题主要内容以及论文结构安排 |
第2章 电梯群控系统控制分析 |
2.1 电梯群控系统组成及功能 |
2.1.1 电梯群控系统的组成 |
2.1.2 电梯群控系统的功能 |
2.2 群控系统特征描述 |
2.3 群控系统客流描述及调度策略分析 |
2.3.1 客流模式描述 |
2.3.2 调度策略分析 |
2.4 本章小结 |
第3章 神经网络电梯群控的设计与实现 |
3.1 电梯群控系统的性能指标 |
3.2 电梯群控系统评价函数的设计 |
3.2.1 多目标优化评价函数表达式建立 |
3.2.2 综合评价函数权值的确定 |
3.3 电梯群控模型的搭建 |
3.3.1 BP神经网络简介 |
3.3.2 基于BP神经网络的电梯群控模型的搭建 |
3.4 基于神经网络电梯群控系统的实现 |
3.5 神经网络的训练以及结果分析 |
3.5.1 神经网络训练数据 |
3.5.2 神经网络的训练和测试 |
3.6 仿真结果分析 |
3.7 本章小结 |
第4章 基于Adam优化神经网络的电梯群控算法 |
4.1 Adam算法的基本原理 |
4.1.1 Adam算法简介 |
4.1.2 Adam算法数学原理 |
4.2 基于Adam算法优化神经网络在电梯群控中的实现 |
4.2.1 Adam算法的相关参数设置 |
4.2.2 Adam算法优化神经网络的训练与测试 |
4.3 Dropout方法 |
4.3.1 Dropout_rate选择 |
4.4 基于Adam算法优化神经网络的训练流程 |
4.5 模型优化后测试集训练结果 |
4.6 仿真结果分析 |
4.7 本章小结 |
第5章 电梯群控系统仿真 |
5.1 电梯群控系统仿真条件 |
5.1.1 电梯群控系统仿真模块设计 |
5.1.2 仿真环境及参数设定 |
5.1.3 仿真条件 |
5.2 仿真模型的实现 |
5.2.1 不同客流模式下的仿真结果 |
5.3 仿真结果分析 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 本文总结 |
6.2 工作展望 |
参考文献 |
作者攻读学位期间的科研成果 |
致谢 |
(3)基于PLC的电梯群控系统设计与研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 选题背景与意义 |
1.2 电梯发展的研究与现状 |
1.2.1 电梯群控的发展 |
1.2.2 电梯群控的国外研究现状 |
1.2.3 电梯群控的国内研究现状 |
1.3 论文研究的主要内容与结构 |
2 电梯群控系统控制理论 |
2.1 电梯控制系统的结构 |
2.1.1 单梯工作系统 |
2.1.2 电梯群控系统 |
2.2 电梯群控系统的特性分析 |
2.2.1 系统的不确定性和信息的不完备性 |
2.2.2 系统的非线性 |
2.2.3 系统的扰动性 |
2.2.4 系统的多目标性 |
2.3 电梯群控系统的算法介绍 |
2.3.1 基于专家系统的控制算法 |
2.3.2 基于神经网络控制的控制算法 |
2.3.3 基于模糊逻辑的控制算法 |
3 电梯控制系统的设计 |
3.1 系统的控制要求 |
3.2 电梯控制PLC程序 |
3.2.1 电梯初始化程序 |
3.2.2 楼层计数及显示模块 |
3.2.3 电梯确定选向模块 |
3.2.4 自动开关门模块 |
3.2.5 电梯停车制动模块 |
3.3 电梯群控系统的结构设计 |
3.3.1 电梯群控系统结构 |
3.3.2 上位机与电梯系统通讯 |
4 电梯群控系统的算法设计 |
4.1 电梯群控系统的模型设计 |
4.1.1 电梯控制交通分类 |
4.1.2 模糊控制算法结构 |
4.2 交通模式的确定 |
4.2.2 选取输入量 |
4.2.3 输入量模糊化 |
4.2.4 交通模式的模糊推理 |
4.3 系统调度算法的设计 |
4.3.1 系统评价函数的确定 |
4.3.2 选取输入量 |
4.3.3 变量的模糊化 |
4.3.4 变量的模糊推理 |
4.3.5 模糊推理算法的实现流程 |
5 电梯群控系统的仿真测试 |
5.1 模糊控制算法的仿真模型分析 |
5.1.1 仿真条件假设 |
5.1.2 电梯客流仿真模型 |
5.2 模糊控制算法的仿真 |
5.3 仿真结果分析 |
6 结论与展望 |
6.1 论文结论 |
6.2 工作展望 |
致谢 |
参考文献 |
攻读学位期间发表论文情况 |
(4)基于深度强化学习的电梯群组调度研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 电梯群控制算法研究现状 |
1.2.2 深度强化学习算法研究现状 |
1.3 研究内容及方案 |
1.4 论文结构安排 |
第二章 相关领域与技术介绍 |
2.1 交通流的概念 |
2.2 客流仿真分析 |
2.3 派梯原则与分配机制模块 |
2.4 深度强化学习概述 |
2.5 深度强化学习理论 |
2.5.1 马尔可夫决策过程 |
2.5.2 策略梯度 |
2.5.3 演员-评论家策略梯度法 |
2.5.4 确定性策略梯度与深度确定性策略梯度 |
2.5.5 TD3算法改进 |
2.6 OU噪声概述 |
2.7 本章小结 |
第三章 详细设计与实现 |
3.1 整体思路 |
3.2 滑动窗口模型处理 |
3.3 交通流聚类 |
3.4 深度强化学习算法优化 |
3.4.1 OU过程作为策略计算的输出噪声 |
3.4.2 梯度衰减的贪婪探索算法 |
3.4.3 优先级经验回放机制 |
3.5 调度评价函数 |
3.5.1 时间消耗指标 |
3.5.2 能量消耗指标 |
3.5.3 乘客心理评价指标 |
3.6 客流数据仿真 |
3.7 本章小结 |
第四章 算法相关实现 |
4.1 客流数据仿真 |
4.2 聚类实验分析 |
4.3 实现方案 |
4.4 本章小结 |
第五章 实验结果与分析 |
5.1 实验环境 |
5.2 调度结果的评价标准 |
5.3 实验结果 |
5.3.1 客流仿真训练数据 |
5.3.2 电梯调度模型训练结果 |
5.3.3 电梯调度模型测试结果 |
5.3.4 时间效率比较 |
5.4 K取值为3时算法表现 |
5.5 K取值为5的算法表现 |
5.6 E-TD3算法的比赛表现 |
5.7 本章小结 |
第六章 总结与展望 |
6.1 本文工作总结 |
6.2 本文工作展望 |
参考文献 |
致谢 |
附录一 深度学习与强化学习概述 |
深度学习概述 |
强化学习概述 |
基于价值的强化学习算法 |
基于策略梯度的强化学习算法 |
马尔可夫决策过程 |
策略梯度 |
演员-评论家策略梯度法 |
确定性策略梯度与深度确定性策略梯度 |
附录二 客流数据仿真方法 |
单一确定泊松随机过程 |
分段的泊松分布模式 |
基于OD矩阵的客流分布模式 |
附录三 LiftSim调度环境和PARL框架 |
电梯调度模拟环境 |
LiftSim电梯调度环境 |
PARL强化学习框架 |
(5)基于目的地派梯系统的电梯群控算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文主要内容 |
1.4 论文组织结构 |
第2章 电梯群控的运行环境与模式 |
2.1 引言 |
2.2 群控电梯运行环境模拟 |
2.2.1 建筑物的模拟 |
2.2.2 电梯的基本参数属性 |
2.3 基于泊松过程的客流模型 |
2.4 基于状态自动机的电梯事件模型 |
2.4.1 有限状态自动机 |
2.4.2 电梯运行事件 |
2.4.3 电梯事件模型 |
2.5 电梯群控运行模式 |
2.5.1 无目的地派梯模式 |
2.5.2 目的地派梯模式 |
2.6 小结 |
第3章 电梯群控算法研究 |
3.1 引言 |
3.2 目的地派梯的启发式规则 |
3.3 基于贪心策略的目的地派梯算法 |
3.4 基于动态派梯的无目的地派梯算法 |
3.5 融合启发式与贪心策略的电梯群控算法 |
3.6 特殊模式的派梯算法 |
3.7 算法性能评估 |
3.7.1 评估参数 |
3.7.2 结果分析 |
3.8 小结 |
第4章 目的地群控派梯原型系统实现 |
4.1 引言 |
4.2 原型系统设计 |
4.2.1 总体框架设计 |
4.2.2 逻辑设计 |
4.2.3 功能模块设计 |
4.2.4 数据库设计 |
4.3 主要功能实现 |
4.3.1 电梯群控模型实现 |
4.3.2 乘客客流仿真和分析 |
4.3.3 算法管理模块 |
4.4 系统测试结果 |
4.4.1 硬件环境 |
4.4.2 测试结果 |
4.5 小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
1 作者简历 |
2 攻读硕士学位期间发表的学术论文 |
3 发明专利 |
学位论文数据集 |
(6)KNX在楼宇和家居控制系统中的应用(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 选题背景和意义 |
1.2 国内外研究现状及最新进展 |
1.3 本文研究内容 |
2 KNX技术概述 |
2.1 KNX结构模型 |
2.2 KNX现场总线技术标准 |
3 KNX系统在楼宇家居中设计理念探析 |
3.1 应用模块合理布局探讨 |
3.2 北欧和中式意境借鉴 |
3.3 日式理念精华汲取 |
3.4 应用场景科学和人文统一探究 |
3.5 软件和硬件的协同升级探究 |
4 楼宇家居控制系统中控制算法研究 |
4.1 ARIMA模型预测算法 |
4.2 PID控制算法 |
4.3 模糊控制算法 |
4.4 本章小结 |
5 楼宇家居智能控制系统总体设计 |
5.1 系统设计需求 |
5.2 总体设计方案 |
5.3 网络拓扑的选择 |
5.4 系统组成与功能 |
5.5 本章小结 |
6 楼宇家居智能控制系统硬件和软件设计 |
6.1 楼宇家居智能控制系统的硬件设计 |
6.2 楼宇家居智能控制系统的软件设计与实现 |
6.3 系统测试 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
附录 |
作者简历 |
学位论文数据集 |
(7)基于客流量的电梯群控算法的设计(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 电梯群控的研究现状和发展趋势 |
1.2.1 电梯群控的发展阶段 |
1.2.2 电梯群控的研究现状 |
1.2.3 电梯群控的发展趋势 |
1.3 本文研究的主要内容 |
第2章 电梯群控算法理论分析 |
2.1 电梯群控的基本结构 |
2.2 电梯群控的特点 |
2.2.1 电梯群控的多目标性 |
2.2.2 电梯群控的不确定性和信息的不完备性 |
2.2.3 电梯群控的非线性 |
2.2.4 电梯群控的扰动性 |
2.3 影响电梯群控的因素 |
2.4 侯梯乘客信息采集 |
2.5 电梯客流模型 |
2.6 本章小结 |
第3章 基于多目标规划的电梯群控算法的设计 |
3.1 电梯群控交通模式分析 |
3.1.1 交通模式识别 |
3.1.2 交通模式调度分析 |
3.2 最小乘梯时间算法 |
3.3 电梯群控的多目标规划建模 |
3.4 基于实时客流量的电梯群控算法 |
3.5 仿真及结果分析 |
3.5.1 仿真模型和仿真参数设置 |
3.5.2 仿真结果及分析 |
3.6 本章小结 |
第4章 基于模糊控制的电梯群控算法的设计 |
4.1 模糊控制模块的基本结构 |
4.1.1 模糊化处理模块 |
4.1.2 模糊推理模块 |
4.1.3 反模糊化模块 |
4.2 评价函数的确定 |
4.3 基于模糊规则的交通模式分类 |
4.3.1 信息采集 |
4.3.2 输入变量的计算 |
4.3.3 变量的模糊化处理 |
4.4 基于模糊控制的电梯响应优先级判定 |
4.4.1 输入变量的计算 |
4.4.2 变量的模糊化处理 |
4.4.3 模糊推理 |
4.4.4 输出变量清晰化 |
4.5 呼梯信号的分配方案 |
4.6 仿真及结果分析 |
4.6.1 仿真参数设置 |
4.6.2 仿真结果及分析 |
4.7 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文 |
致谢 |
(8)电梯群控系统的优化研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 本文的研究背景及意义 |
1.2 群控系统的发展历史 |
1.2.1 群控系统的概念及组成 |
1.2.2 群控系统的发展 |
1.3 电梯群控调度算法的研究现状 |
1.3.1 交通模式识别方法 |
1.3.2 调度算法 |
1.4 本文研究内容 |
1.5 本文组织结构 |
第2章 电梯群控特点以及客流量的交通模式分析 |
2.1 电梯群控系统的特点 |
2.2 电梯客流量的分析 |
2.3 客流交通模式的识别 |
2.4 小结 |
第3章 电梯群控系统自适应多目标优化算法的研究 |
3.1 电梯群控系统的多目标要求 |
3.2 电梯群控系统自适应多目标控制中的智能控制方法 |
3.2.1 Mamdani模型的模糊神经网络 |
3.2.2 Sugeno模型的模糊神经网络 |
3.2.3 强化学习 |
3.3 模糊神经网络的电梯客流交通模式识别 |
3.3.1 电梯客流交通模式概述 |
3.3.2 Mamdani模型的模糊神经网络算法 |
3.3.3 电梯客流交通模式识别的模糊神经网络模型 |
3.4 基于Sugeno模型的模糊神经网络的电梯各优化目标函数可信度的获取 |
3.4.1 基于Sugeno模型的模糊神经网络算法 |
3.4.2 电梯优化目标函数可信度获取的模糊神经网络模型 |
3.5 基于强化学习的电梯群控系统评价函数参数调整 |
3.5.1 强化学习算法 |
3.5.2 电梯群控系统评价函数参数优化 |
3.6 小结 |
第4章 电梯的群控系统仿真试验 |
4.1 客流仿真 |
4.1.1 建立仿真模型 |
4.1.2 不同交通模式下的客流仿真 |
4.2 建模仿真 |
4.3 小结 |
第5章 总结与展望 |
参考文献 |
致谢 |
(9)电梯群控系统优化算法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 课题研究背景 |
1.2 电梯群控技术的发展及国内外研究现状 |
1.2.1 电梯群控技术发展 |
1.2.2 电梯群控技术国内外研究现状 |
1.3 课题研究目的及意义 |
1.4 本文结构及主要研究内容 |
2 电梯群系统控制分析 |
2.1 电梯群控系统组成及原理分析 |
2.2 群控系统特征描述 |
2.2.1 随机性 |
2.2.2 多目标性 |
2.2.3 非线性 |
2.2.4 扰动性 |
2.2.5 模糊性 |
2.3 群控系统客流描述及调度策略分析 |
2.3.1 客流描述 |
2.3.2 调度策略分析 |
2.4 本章小结 |
3 电梯群控调度改进算法设计与分析 |
3.1 系统分析 |
3.2 系统软硬件平台概述 |
3.2.1 系统硬件 |
3.2.2 系统软件 |
3.3 最小等待时间调度算法分析与实现 |
3.3.1 最小等待时间调度算法分析 |
3.3.2 最小等待时间仿真实现 |
3.4 基于最短距离的电梯群控调度算法设计与实现 |
3.4.1 单部电梯控制系统实现 |
3.4.2 最短距离算法流程 |
3.4.3 最短距离算法设计 |
3.4.4 主要程序设计 |
3.4.5 系统仿真与运行分析 |
3.5 本章小结 |
4 基于改进神经网络的电梯运行模式识别 |
4.1 电梯运行模式分析 |
4.2 电梯运行模式设定 |
4.3 电梯运行模式的BP神经网络识别模型 |
4.3.1 BP神经网络描述 |
4.3.2 BP神经网络电梯运行模式识别模型 |
4.3.3 遗传算法优化BP网络 |
4.4 算法仿真及结果分析 |
4.4.1 仿真条件 |
4.4.2 优化后电梯运行模式识别仿真分析 |
4.5 本章小结 |
5 基于粒子群算法的电梯群控多目标优化调度 |
5.1 多目标群控问题分析 |
5.1.1 多目标优化问题描述 |
5.1.2 多目标优化问题求解 |
5.2 粒子群算法描述 |
5.2.1 粒子群算法原理 |
5.2.2 粒子群算法流程 |
5.2.3 改进粒子群算法及多种形式 |
5.3 基于PSO的电梯群控多目标优化调度 |
5.3.1 电梯群控系统派梯规则 |
5.3.2 多目标优化调度综合评价函数确定 |
5.3.3 粒子群算法多目标优化调度流程 |
5.4 电梯群控多目标调度仿真分析 |
5.4.1 电梯群控仿真模块设计 |
5.4.2 仿真环境及参数设定 |
5.4.3 智能模式识别下多目标调度仿真结果与分析 |
5.5 仿真分析总结 |
5.6 本章小结 |
6 总结与展望 |
6.1 课题研究总结 |
6.2 课题展望 |
参考文献 |
作者攻读学位期间发表学术论文清单 |
致谢 |
(10)电梯群控系统调度策略的优化研究(论文提纲范文)
中文摘要 |
abstract |
第一章 绪论 |
1.1 课题背景及研究意义 |
1.2 电梯的产生及发展 |
1.3 电梯群控系统的发展 |
1.4 国内外电梯群控系统研究现状 |
1.4.1 国外研究现状 |
1.4.2 国内研究现状 |
1.5 电梯及群控未来发展趋势 |
1.6 本文研究内容及结构安排 |
第二章 电梯群控系统的构成及特征分析 |
2.1 电梯群控系统的总体结构 |
2.2 电梯群控系统的特性 |
2.3 常见的电梯群控算法 |
2.4 群控系统常用的调度原则 |
2.4.1 分区调度原则 |
2.4.2 最小等待时间调度原则 |
2.5 电梯群控系统交通模式分析 |
2.6 本章小结 |
第三章 基于模糊推理的电梯交通模式识别 |
3.1 模糊控制的基本原理 |
3.2 电梯交通模式识别 |
3.2.1 电梯交通流数据信息的获取 |
3.2.2 交通模式识别 |
3.3 数值分析验证 |
3.4 本章小结 |
第四章 电梯群控系统智能调度算法研究 |
4.1 目的楼层预约呼梯方式的构成 |
4.2 模糊派梯算法设计 |
4.2.1 构造评价函数 |
4.2.2 输入量的计算 |
4.2.3 确定评价函数的权系数 |
4.2.4 变量的模糊化 |
4.2.5 模糊推理 |
4.2.6 模糊控制调度算法的实现 |
4.3 神经网络模糊派梯算法设计 |
4.3.1 评价函数的确定 |
4.3.2 输入变量的选择 |
4.3.3 群控系统BP神经网络的设计 |
4.3.4 群控系统BP神经网络的训练 |
4.3.5 神经网络模糊调度算法的实现 |
4.4 本章小结 |
第五章 群控系统仿真与分析 |
5.1 仿真系统设计 |
5.1.1 仿真前提条件 |
5.1.2 客流仿真设计 |
5.1.3 群控系统仿真设计 |
5.2 仿真结果分析 |
5.2.1 仿真环境条件设置 |
5.2.2 不同群控算法下的仿真结果 |
5.2.3 仿真结果对比分析 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 工作展望 |
参考文献 |
致谢 |
四、基于统计近似的电梯群控系统的智能算法(论文参考文献)
- [1]基于模糊控制的智能电梯群控系统研究[D]. 宋鹤翔. 华北电力大学, 2021
- [2]基于Adam优化神经网络的电梯群控算法的研究[D]. 雷剑. 南华大学, 2021
- [3]基于PLC的电梯群控系统设计与研究[D]. 李根. 广西大学, 2020(02)
- [4]基于深度强化学习的电梯群组调度研究[D]. 李颖琪. 暨南大学, 2020(03)
- [5]基于目的地派梯系统的电梯群控算法研究[D]. 林怀迪. 浙江工业大学, 2020(02)
- [6]KNX在楼宇和家居控制系统中的应用[D]. 刘瑜. 中国矿业大学, 2020(03)
- [7]基于客流量的电梯群控算法的设计[D]. 黄榛. 哈尔滨理工大学, 2020(02)
- [8]电梯群控系统的优化研究[D]. 刘泽晨. 扬州大学, 2019(06)
- [9]电梯群控系统优化算法研究[D]. 薛旭璐. 西安工程大学, 2019(06)
- [10]电梯群控系统调度策略的优化研究[D]. 孙朋飞. 太原科技大学, 2019(04)