博文
基于进化计算与神经网络的目的层召梯的电梯调度优化策略
||
欢迎订阅期刊出版内容的邮件提醒（TOC目录），第一时间获取最新研究成果。点击下方链接即可轻松订阅，也欢迎转发给感兴趣的学术同仁。
https://www.springer.com/alerts-frontend/subscribe?journalNo=11768
编辑荐语
高层建筑智能化发展背景下，电梯群控调度直接影响乘客出行效率，传统调度方案难以适配复杂多变的客流工况，现有智能调度方法普遍存在适配性差、落地成本高的问题。华南理工大学联合日立企业的研发团队从指标创新与算法融合角度提出全新调度优化思路，在早高峰、晚高峰、层间客流三类典型仿真场景中实现候梯时长大幅下降。具体方法与实验结果如下文。
Optimization strategy for destination-oriented elevator scheduling based on evolutionary computation and neural networks (基于进化计算与神经网络的目的层召梯的电梯调度优化策略)
作者：Chang Zhang1 · Tao Chen 2 · Yixuan Du 1 · Kun Zhang 1 · Yunjian Peng 1
机构：1 华南理工大学自动化科学与工程学院；2 日立楼宇技术（广州）有限公司技术部
引用: Optimization strategy for destination-oriented elevator scheduling based on evolutionary computation and neural networks. Control Theory Technol. (2026) . https://doi.org/10.1007/s11768-026-00331-8
摘要
研制高性能电梯群控系统是电梯行业亟待攻克的难题。为提升电梯运载效率、缩短乘客候梯时间，本文融合进化计算与深度神经网络（DNN），提出面向目的楼层预约模式的电梯群组优化调度策略。首先，提出整体调度耗时（ODT）指标，用于目的层召梯的电梯最优调度决策，该指标定义为电梯从当前位置抵达呼梯楼层、运送乘客至目标楼层的全流程总耗时。其次，设计并训练深度神经网络拟合基于ODT的最优代价函数，构建目的层召梯的调度模型。然后采用粒子群优化、遗传算法、协方差矩阵自适应进化策略三类进化算法优化神经网络参数，得到的调度策略能够有效缩减乘客等候时长。最后，电梯系统在多工况下的仿真实验表明，在复杂客流场景下，深度神经网络调度方法显著优于传统就近派梯法与原始ODT调度方法，验证了该优化策略提升电梯系统调度性能的优势。
引言
伴随城镇化建设推进，高层建筑成为城市基建核心组成，电梯群控系统负责电梯任务分配与调度，调度效率直接决定乘客乘梯体验。电梯调度已被证明属于NP 难优化问题，传统调度方案包含启发式规则、分区调度、遗传算法、模糊控制等，该类方法依托固定参数与预设规则设计，面对楼层结构复杂、客流时序动态变化的建筑场景自适应能力不足。
近些年，基于强化学习、深度学习的自学习调度方案成为研究热点，但强化学习存在探索与利用平衡难题、高维空间收敛困难、前期试错成本过高等短板；依托图像识别的Occupancy 感知调度方案虽能实时统计轿厢载客量，却受硬件成本、隐私安全、识别精度限制，难以大范围落地。 数据驱动与进化优化结合可弥补上述算法缺陷，进化计算具备无梯度全局寻优能力，能够改善神经网络易陷入局部最优的问题。基于以上研究现状，本文提出融合进化计算与深度神经网络的目的预约电梯调度优化方法，主要贡献包括： （1）提出电梯调度耗时ODT 评价指标，综合考量乘客候梯耗时与轿厢乘行耗时，统一量化评估电梯调度效果的优劣，建立电梯一类标准化的调度性能评估指标。 （2）以ODT 生成标注数据集，训练深度神经网络拟合专家调度逻辑，建立基于深度学习的初始调度智能体(Agent)模型。 （3）采用PSO、GA、CMA-ES 三种主流进化算法自适应调节网络参数，以乘客平均等候时间为优化目标，实现学习优化算法。在三类典型客流仿真与电梯运行模拟实验进行不同调度方法性能对比，验证了本文学习优化调度算法相比传统调度算法能够显著提升电梯运行的性能。
结论
本文围绕目的层召梯的电梯群控调度问题，构建一套融合整体调度耗时指标、深度神经网络与进化计算的优化调度方法。依托ODT 指标完成调度数据构建，采用监督学习训练神经网络刻画基准调度规则，通过粒子群、遗传、CMA-ES 三类进化算法迭代优化网络参数，实现调度策略优化。仿真结果表明，基准 ODT 调度优于传统就近派梯策略，经过进化优化后的神经网络调度方法能够减少电梯在不同场景运行中乘客平均候梯时长，在早高峰、晚高峰、随机层间客流工况下均达到最优性能，验证了所提算法的有效性。
作者介绍
张畅(Chang Zhang)：2023 年于郑州大学测控技术与仪器专业取得工学学士学位，目前在华南理工大学攻读电子信息硕士学位，研究方向包含电梯群控系统、最优控制、强化学习与进化算法。
陈涛(Tao Chen)：2002 年于上海交通大学生物医学工程专业取得工学学士学位，2008 年于华南理工大学电路与系统专业取得硕士学位，现任日立楼宇技术（广州）有限公司工程师，研究方向为电梯群控、电梯大数据分析。
杜奕萱(Yixuan Du)：2023 年于合肥工业大学自动化专业取得工学学士学位，目前在华南理工大学攻读控制科学与工程硕士学位，研究方向为电梯群控系统、深度强化学习。
张堃(Kun Zhang)：2021 年于天津大学电气工程及其自动化专业取得工学学士学位，现为华南理工大学自动化科学与工程学院博士研究生，研究方向为强化学习、最优控制。
彭云建(Yunjian Peng)：1996 年于中南工业大学岩土勘察工程专业获工学学士学位，2002 年于中南大学控制理论与控制工程专业获硕士学位，2007 年于华南理工大学控制理论与控制工程专业获博士学位，现任华南理工大学自动化科学与工程学院教授，研究方向为自适应与学习控制、随机动态系统分析与控制、混合电力系统建模与最优控制、信息系统工程。
相关链接
Control Theory and Technology 2024-2025年期刊合集（中文介绍）
2024-2025刊期合集（英文）
Volume 23 (February - November 2025)
Issue 3, 2025 - Special issue on ADRC: New ADRC developments in Ibero-America
Volume 22 (February - November 2024)
Issue 3, 2024 - Special issue on analysis and control of complex systems in honor of the 90th birthday of Professor Huashu Qin
Issue 2, 2024 - Special issue on system identification and estimation
期刊简介
欢迎扫码进入期刊主页
Control Theory and Technology (CTT), 中文名《控制理论与技术》, 创刊于2003年，原刊名为Journal of Control Theory and Applications，2014年刊名更改为Control Theory and Technology。由华南理工大学与中国科学院数学与系统科学研究院联合主办，主要报道系统控制科学中具有新观念、新思想的理论研究成果及其在各个领域中的应用。目前被 ESCI (JIF 1.5)、EI、Scopus (CiteScore 3.2)、CSCD、INSPEC、ACM 等众多数据库收录, 并于2013–2018年获得两期中国科技期刊国际影响力提升计划项目资助。2017–2021年连续获得“中国最具国际影响力学术期刊”和“中国国际影响力优秀学术期刊”称号，获得广东省高水平科技期刊建设项目I期(2021-2024年)和II期，2022-2025年进入中国科协自动化学科领域高质量科技期刊目录。
官网：https://link.springer.com/journal/11768 (即http://www.springer.com/11768)
https://jcta.ijournals.cn/cta_en/ch/index.aspx
投稿：https://mc03.manuscriptcentral.com/ctt
微信：ControlTheoryTech （欢迎扫码关注期刊微信公众号）
X (Twitter): CTT_Journal
微博：ControlTheoryTech
Email：jcta@scut.edu.cn
Tel：020-8711 1464
https://blog.sciencenet.cn/blog-3635716-1540390.html
上一篇：基于事件触发的强化学习-模型预测控制的电动矿用挖掘机连接筒-斗杆防碰撞控制
下一篇：基于模型预测控制的双连杆桥式起重机输入与输出约束控制策略
