[发明专利]一种基于人工智能的社区电梯调度方法和系统

权利要求书

1.一种基于人工智能的社区电梯调度方法，其特征在于，包括：

获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息；其中，获取预测楼层信息具体包括：获取等待乘梯乘客的面部图像；对比所述等待乘梯乘客的面部图像与历史乘梯乘客面部数据库，确定是否为多次乘梯的固定乘客；当确定是多次乘梯的固定乘客时，获取该乘客历史乘梯记录中记录的高频停靠楼层，生成预测楼层信息；

根据所述叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，生成初始电梯调度方案；生成初始电梯调度方案具体包括：确定电梯调度方案的M个初始状态数组作为遗传的第0代，假设一共有n台电梯，则每个初始状态数组表示为X_i(0)，其中i＝1、2、3…M；X_i(0)是一个n维数组，表示为：其中x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)分别代表在第i个初始状态中，第1、2、3…n台电梯走行方向和停靠模式，x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)的取值为0-3，其中0代表下行且凡是有叫梯请求的楼层都逐层停靠，1代表上行且凡是有叫梯请求的楼层都逐层停靠，2表示下行且忽略叫梯请求的楼层，3表示上行且忽略叫梯请求的楼层；

所述初始电梯调度方案采用遗传算法，通过迭代将状态数组进行变异，其中对于第g次迭代，从状态数组的种群中随机选择3个个体，即X_P1(g)、X_P2(g)、X_P3(g)，且P1≠P2≠P3≠i；生成的变异状态数组为：

V_i(g)＝X_p1(g)+F·(X_p2(g)-X_p3(g))，其中，F为缩放因子，一般是在[0，2]之间选择；将状态数组进行交叉，即通过概率的方式随机生成新的个体，具体公式如下：

其中，CR称为交叉概率；U_i,j(g+1)表示通过概率的方式挑选出来的新个体，V_i,j(g+1)表示通过概率的方式随机生成的个体，X_i,j(g)表示原本的个体值；从每一代的状态数组中选择较优的个体作为进入下一代新的个体，选择方式是：

其中，X_i,j(g+1)表示所选出的新个体，U_i,j(g+1)表示通过概率的方式挑选出来的个体，X_i,j(g)代表原本的个体值；经过若干代的遗传，不断进行变异、交叉和选择，直到获得的电梯调度方案的某一代状态数组，使得综合最优化的评价函数达到要求，生成实时调度方案；其中综合最优化的评价函数为：

上式中，f₁表示降低用户的平均电梯等待时间的评价值、f₂表示降低用户的平均乘梯时间的评价值、f₃表示减少平均甩层发生次数的评价值、f₄表示降低电梯的平均拥挤程度的评价值、f₅表示降低电梯能耗的评价值，w₁表示降低用户的平均电梯等待时间的权重值、w₂表示降低用户的平均乘梯时间的权重值、w₃表示减少平均甩层发生次数的权重值、w₄表示降低电梯的平均拥挤程度的权重值、w₅表示降低电梯能耗的权重值。

2.一种基于人工智能的社区电梯调度系统，其特征在于，包括：

获取模块，用于获取叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息；其中，所述获取模块具体包括：电梯状态接口子模块，用于从电梯间的呼叫面板获得未乘上电梯的乘客输入的上行或者下行的所述叫梯请求，从电梯内部的楼层面板获得已经乘坐电梯的乘客输入的停靠楼层作为所述目的楼层，以及从电梯获得负载状态，所述电梯的负载状态分为未满载和满载，未满载状态下根据电梯的实际负重量，划分出若干个电梯拥挤等级；面部图像获取子模块，用于获取等待乘梯乘客的面部图像；固定乘客确定子模块，用于对比所述等待乘梯乘客的面部图像与历史乘梯乘客面部数据库，确定是否为多次乘梯的固定乘客；预测楼层生成子模块，用于当确定是多次乘梯的固定乘客时，获取该乘客历史乘梯记录中记录的高频停靠楼层，生成预测楼层信息；

初始电梯调度方案生成模块，用于根据所述叫梯请求、每一部电梯的目的楼层、电梯的负载状态以及预测楼层信息，生成初始电梯调度方案；实时调度方案生成子模块具体包括：获取子模块，用于获取电梯调度方案的M个初始状态数组作为遗传的第0代，假设一共有n台电梯，则每个初始状态数组表示为X_i(0)，其中i＝1、2、3…M；X_i(0)是一个n维数组，表示为：

其中

x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)分别代表在第i个初始状态中，第1、2、3…n台电梯走行方向和停靠模式，x_i，1(0)，x_i，2(0)，x_i，3(0)，…，x_i，n(0)的取值为0-3，其中0代表下行且凡是有叫梯请求的楼层都逐层停靠，1代表上行且凡是有叫梯请求的楼层都逐层停靠，2表示下行且忽略叫梯请求的楼层，3表示上行且忽略叫梯请求的楼层；

状态数组生成子模块，用于根据遗传算法，通过迭代将状态数组进行变异，其中对于第g次迭代，从状态数组的种群中随机选择3个个体，即X_P1(g)、X_P2(g)、X_P3(g)，且P1≠P2≠P3≠i；生成的变异状态数组为：

V_i(g)＝X_p1(g)+F·(X_p2(g)-X_p3(g))，其中，F为缩放因子，一般是在[0，2]之间选择；将状态数组进行交叉，即通过概率的方式随机生成新的个体，具体公式如下：

其中，CR称为交叉概率；U_i,j(g+1)表示通过概率的方式挑选出来的新个体，V_i,j(g+1)表示通过概率的方式随机生成的个体，X_i,j(g)表示原本的个体值；

选择子模块，用于从每一代的状态数组中选择较优的个体作为进入下一代新的个体，选择方式是：

其中，X_i,j(g+1)表示所选出的新个体，U_i,j(g+1)表示通过概率的方式挑选出来的个体，X_i,j(g)代表原本的个体值；

实时调度方案生成子模块，用于经过若干代的遗传，不断进行变异、交叉和选择，直到获得的电梯调度方案的某一代状态数组，使得综合最优化的评价函数达到要求，生成实时调度方案；其中综合最优化的评价函数为：

上式中，f₁表示降低用户的平均电梯等待时间的评价值、f₂表示降低用户的平均乘梯时间的评价值、f₃表示减少平均甩层发生次数的评价值、f₄表示降低电梯的平均拥挤程度的评价值、f₅表示降低电梯能耗的评价值，w₁表示降低用户的平均电梯等待时间的权重值、w₂表示降低用户的平均乘梯时间的权重值、w₃表示减少平均甩层发生次数的权重值、w₄表示降低电梯的平均拥挤程度的权重值、w₅表示降低电梯能耗的权重值。