基于CAN總線的電梯智能控制系統(tǒng)呼梯控制器設計與開發(fā)
基于CAN總線的電梯智能控制系統(tǒng)呼梯控制器設計與開發(fā),基于,can,總線,電梯,智能,控制系統(tǒng),控制器,設計,開發(fā)
基于隨機多準則接受程度分析的電梯規(guī)劃
1摘要
在高層建筑中的現(xiàn)代電梯系統(tǒng)通常由集總控制的電梯群構(gòu)成。電梯規(guī)劃的目的旨在配置適當?shù)碾娞萑?。電梯組必須滿足標準數(shù)量的特定性能標準的最低要求。此外，電梯群配置的運行效率，經(jīng)濟性和服務水平都要達到最優(yōu)化。在規(guī)劃階段涉及不同方面性能強調(diào)不同的標準。大部分的評價標準本身就是不明確的。有一些標準則能通過使用解析模型得到估算，然而其它的標準，尤其是那些與在不同起落航線下的服務水平相關的標準需要通過仿真得出。
在這篇論文中，我們將電梯規(guī)劃問題用公式表述為隨機離散多準則的決策問題。我們比較了配置在20層高樓中的10組電梯。我們運用建筑交通仿真器KONE評估在不同的交通情況下的服務水平性能標準，用解析模型和專家評價的方法對其它的性能標準進行了評估。它造成的決策問題包含混合型標準。一些標準通過多元高斯分布表示，其它的標準通過確定的值和序（排名）信息表示。為了鑒別出能夠使得各項性能指標最滿意的配置，我們使用隨機多準則的接受程度分析（SMAA）方法分析問題。
關鍵詞：隨機多準則的接受程度分析（SMAA）；電梯規(guī)劃；多準則；仿真
文章概要：
1.介紹
2．電梯規(guī)劃
3. 隨機多準則的接受程度分析（SMAA）方法
4. 仿真模型和仿真結(jié)果
5.決策問題和SMAA分析
6.結(jié)論
參考文獻
1介紹
在現(xiàn)代化的高層建筑中，工人和居民主要通過多部電梯往返于各樓層之間。這些電梯通常被電梯群控系統(tǒng)所控制，已達到較高的運輸效率。在高層建筑被建造的同時，適當?shù)碾娞菖渲靡脖仨毐辉O計。決策者必須同時考慮 可供選擇電梯配置的運行性能，造價以及其它非運行性能標準。由于分析方法僅限于最新的高峰交通狀況，而不能評估群控算法的性能；因此，運行性能必須通過計算機仿真——計算機仿真系統(tǒng)對可供選擇的電梯配置方案的運行效率進行隨機測量測出。電梯群的運行效率可以運用幾項性能指標來衡量，例如: 乘客的平均等待時間和平均車程時間。經(jīng)濟性和其它非執(zhí)行標準通常能被已相當?shù)木然蚺琶姆椒ㄟM行評估。
不同的決策者對性能指標可能會有不同的偏好。例如，某些決策者關注于平均等待時間，而其他的決策者則認為長等待時間所占的百分比更加重要，因為它代表了服務的公平性。建造者則可能更加重視電梯系統(tǒng)所占用的樓層空間。各項性能指標之間通常存在折衷和相互依賴。該電梯的規(guī)劃問題可以被看成是一個獨立的多準則決策——正如多決策和多隨機測量標準問題。我們偏向于尋找一個折衷的解決方案，它考慮到了決策者不同的可能偏好，因此我們選擇運用隨機多準則的接受程度分析方法分析這個問題。
隨機多準則的接受程度分析方法被用于離散多準則決策——那些性能指標的測量具有不確定性和不準確性的決策問題，以及那些由于某種原因，很難從決策者那里獲得準確信息和偏好的決策問題。通常，偏好信息通過各項性能指標的重要性權(quán)重來構(gòu)建。隨機多準則的接受程度分析方法是基于對權(quán)重空間搜尋，以描述那些在可供選擇的性能指標中的最受關注的項，或給出一個可供選擇性能指標的受關注程度的確定序列。在原SMAA方法中，權(quán)重空間分析被執(zhí)行，基于一種添加劑效用或價值函數(shù)和隨機測量標準。SMAA-2方法將這種權(quán)重空間分析概括為一個一般效用或值函數(shù)，它包含了各種偏好信息而且全盤考慮各級。為了用類似的方法處理混合序數(shù)和主要性能指標，SMAA-0方法對SMAA-2方法進行了拓展。SMAA也適合解決那些對不確定性能指標有依賴的問題。
電梯規(guī)劃研究有很長一段歷史。執(zhí)行性能的研究也已有數(shù)十年。早在十九世紀六十年代，就有很多出版物對電梯的最大間隔和最大運行能力進行了分析研究，例如參考文獻[7],[8],[9]。從參考文獻[10]可看出，早在十九世紀四十年代，電梯乘客的耐心和在不同類型的建筑中優(yōu)質(zhì)電梯服務應考慮的事項就已經(jīng)開始被研究。最早的電梯規(guī)劃仿真應用軟件可以追溯到十九世紀六十年代。在電梯規(guī)劃的各方面，也出現(xiàn)了一些新的應用程序；但是實際上，普通電梯群的設計任然沿用上世紀六十年代的方法。在這篇論文中，我們提出了一個多目標的方法，允許在決策分析中使用隨機模擬輸出。我們考慮一個現(xiàn)實的電梯規(guī)劃問題——在20層的建筑中，從10種可行的電梯配置方案中選擇一種。我們將會運用KONE建筑交通仿真器分析可替換的電梯配置方案。根據(jù)仿真器的輸出，我們可以構(gòu)建一個多準則的決策問題，而且可以運用SMAA方法來分析該問題。就我們所知，我們率先將隨機軍事和民防資源方法應用于電梯規(guī)劃。在決策分析中，我們之所以選擇SMAA方法是因為允許多元高斯分布的標準尺寸是唯一的軍事和民防資源的方法。
這篇論文按如下形式組織展開：第二部分向讀者介紹電梯規(guī)劃的各方面；第三部分向讀者介紹SMAA方法；第四部分，我們介紹用于產(chǎn)生數(shù)據(jù)的仿真器，并且列出了仿真結(jié)果。第五部分，我們定義了決策問題，介紹了SMAA分析方法；第六部分，以結(jié)論結(jié)束全文。
2 電梯規(guī)劃
電梯規(guī)劃的目的是找出一組合適的電梯配置，為高層建筑提供運輸服務。由于在規(guī)劃階段建筑并不存在，運輸必須被估計，通過建筑說明書——建筑的層數(shù)，高度；樓層面積和建筑類型。旅行高度可以通過建筑層數(shù)和總高度而計算得到，建筑內(nèi)的總?cè)藬?shù)可以根據(jù)建筑類型和樓層面積估算得到。建筑類型決定了該建筑交通的特點。例如，寫字樓通常在早晨會有一個運輸高峰，此時員工進入建筑；在午餐期間，出現(xiàn)激烈的雙向或各樓層間的運輸；當員工都離開建筑時又會出現(xiàn)一個運輸?shù)凸取?
一個電梯群的運行性能主要取決于轎廂的數(shù)量和尺寸以及運行的速度。此外加速度，電梯門的類型以及群控算法也會影響電梯的運行性能。通常的性能標準是在高峰運輸情況下的吞吐量和計算時間間隔。最高吞吐量是指每5分鐘，可以從大廳運到樓頂人口的百分比。雖然電梯達到滿載的%80只是一種假設（但是，電梯達到滿載——在實際運行過程中不可能發(fā)生還是有可能的）。最大時間間隔是指轎廂連續(xù)兩次到達大堂的時間間隔。最大時間間隔也可認為是等待時間。峰值通常用在辦公樓中電梯需求量最高時考慮電梯的起碼吞吐能力的場合，因為有用來計算最大吞吐量和時間間隔的分析公式。通常建議寫字樓的最大吞吐量應該達到11~17%，而間隔時間達到20~30秒。非執(zhí)行標準，例如：造價和樓層空間的占用也應該被考慮到。電梯系統(tǒng)的造價包括安裝和維護費用兩部分。電梯系統(tǒng)的樓層空間占用包括軸空間和乘客等待區(qū)域兩部分。在高層建筑中，人員數(shù)量比較大，而且運輸?shù)穆烦毯荛L；因此，相對于整個樓層來說，電梯軸空間所占比重就會很大。這也就意味著更大的開銷和可出租面積的減小。在某些情況下，建筑的設計限制了電梯可占用的空間；有時，對空間的占用又有很大的自由。電梯規(guī)劃并不獨立于建筑的設計，因此建筑師應該聽取電梯規(guī)劃者的意見。
我們考慮到整個日常交通，同時考慮所有標準；而不是只考慮了繁忙的交通。在本論文的這項研究中提出，我們考慮以下六項標準。成本和面積標準，要考慮到業(yè)主的看法。乘客的看法可以從等待時間，行程時間，等待時間超過60秒的百分比例以及行程時間超過120秒的百分比例等方面得到考慮。等待時間是指從乘客進入等待區(qū)的那一刻到乘客進入電梯那一刻。最后的兩項標準用于衡量服務不滿意程度，通常發(fā)生在繁忙的交通高峰期。
3 SMAA方法
為解決多個決策者的離散隨機多準則決策問題，SMAA-2方法得到了發(fā)展。SMAA – 2方法適用于逆體重空間分析，以描述每一種替代辦法所偏向的那一方面性能指標或?qū)μ娲k法就某一方面給出一個特定排列。該決策問題可表示為一個M的替代品集
，它是按照某一標準評價排列的。決策者的偏好結(jié)構(gòu)用一個實際值實用和值函數(shù)表示。該值函數(shù)映射不同選擇到對應的實際值，通過使用一個權(quán)重向量來衡量決策者的主觀偏好。SMAA-2方法在解決標準的測量值和權(quán)重都不能精確確定的問題上得到了長足的發(fā)展。不確定或不精確的標準用密度函數(shù)為的隨機變量（）。我們用表示可供選擇的方案的隨即標準測量。決策者的未知和部分已知的偏好由一個在權(quán)重可行空間W中的聯(lián)合密度函數(shù)為權(quán)重分配來表示。所缺乏偏好信息的總和由基于權(quán)重可行空間W的依照貝氏精神的權(quán)重分布表示——。權(quán)重空間可根據(jù)需要定義，但在通常情況下要求權(quán)重為非負和規(guī)范化。也就是說重量空間是一個n - 1維空間中n維單形。
（1）
這個值函數(shù)是用來將隨機標準和權(quán)重分布映射為值分布。基于值分布，通過排名函數(shù)，排列的每一個元素被定義為一個整數(shù)（從1到m）。
（2）
其中，。SMAA-2是基于分析有利的排名權(quán)重的隨機集的方法。（3）
權(quán)重空間中的任一w都會對應一個排列元素的值，可供選擇的的秩為。SMAA-2的第一個描述是接受指數(shù)的排名，它描述了不同類型的偏好——授予可供選擇的的秩為。SMAA-2方法的第一個描述性測量是接受指數(shù)的排名，這種排名是對其它秩為的不同分量偏愛的度量。所有權(quán)重將那些可選方案組成一個特殊的隊列，明智的百分比是最方便的表示。接受指數(shù)的排名被作為基于標準分布和有利的排名權(quán)重的多維積分進行數(shù)學計算。
(4)
最合適的方案是最優(yōu)排列中的那些具有較高可接受度的可選方案。中央權(quán)重向量是一個可選方案中受關注的指標。中央權(quán)重向量表明了某一決策者對該方案的特殊偏好。不同可選方案的中央權(quán)重又可以比較直觀向決策者展示很多信息，以幫助他們理解不同的權(quán)重是如何與基于某一假設偏好模型的不同選擇相對應的。中央權(quán)重向量被作為基于標準分布和有利的排名權(quán)重的多維積分進行數(shù)學計算。
（5）
信心因素是一個可選方案因中央權(quán)重向量被選中而被排在第一位的可能性。信心因素被作為一個服從標準分布的多為積分進行計算。
（6）
對于任意給定的權(quán)重向量，都可以計算出對應的信心因素。信心因素衡量是否有足夠精確的測量標準來辨別有效的替代品。在SMAA方法中，通過使用適當?shù)穆?lián)合分布，這些標準的測量不確定度可以非常靈活地模仿。如果是獨立的不確定性，可以運用與相應測量相對應的邊緣分布。簡單的參數(shù)分布，例如統(tǒng)一和正態(tài)分布在很多應用中都很合適。當標準測量的不確定性具有相互依賴性時，相互依賴的參數(shù)能夠用一個聯(lián)合分布表示。多變量高斯（正常）分布是特別適合，因為它在理論上很好理解，而且同很多現(xiàn)實生活現(xiàn)象相近。SMAA中多變量高斯分布的應用在參考文獻[4]中有更詳細的介紹。
在SMAA方法中，有幾種不同的方法來處理部分偏好信息。就本論文所研究的決策問題，我們應用了權(quán)重區(qū)間限制。想了解更多相關內(nèi)容，參照參考文獻16.
4仿真模型和仿真結(jié)果
為了獲取運行性能指標的隨機測量值，我們運用KONE建筑交通仿真系統(tǒng)進行仿真。仿真模型由電梯模型和交通流量生成模塊構(gòu)成。模型的功能是：
1. 高樓的每一層都有一組呼梯按鈕，乘客可以根據(jù)自己所要到達的目的樓層選擇向上或向下。
2. 群控算法將根據(jù)呼叫分配最合適的電梯。該群控算法是一個對等待時間進行優(yōu)化的遺傳算法，見參考文獻[19]。該群控算法也有一個回歸算法，用于將轎廂送回廳堂以等待其它的呼梯請求。針對即將出現(xiàn)的交通狀況，回歸算法是很有必要的。
3. 轎廂停穩(wěn)后開門，里面的乘客出轎廂，外面的乘客進轎廂，最后關門。針對開門，乘客出進轎廂以及關門，仿真器都會有相應的延時。
4. 電梯可接載的最大負荷約為電梯額定負載的80%。假如實際負荷超過了最大實際負荷的80%，電梯不能將不會相應額外的呼梯請求。這里的負荷可按人數(shù)算。
5. 在有乘客的情況下，電梯不能反向運行。
6. 假設距離足夠長，電梯應能夠比較平滑地加速到額定速度。平滑度可用加速度描述。通常為。減速的加速度是加速的加速度的逆相。
7. 乘客到達不同樓層近似服從泊松分布。這也就意味著乘梯時間服從指數(shù)分布，式中a指代到達率。
一棟大樓有一個進入層，其余的樓層居住樓層。交通包括三個組成部分：進入大樓，出大樓以及大樓內(nèi)部的層間運輸這三部分。進入大樓的乘客通常是由進入層到居住樓層；出大樓的乘客通常是由居住樓層到進入層；層間乘客在由某一居住樓層到另一居住樓層。交通強度和進大樓，出大樓以及層間交通各人數(shù)比重由交通參數(shù)確定。
交通概況確定交通強度和各時刻的交通各部件的組成。交通強度用單位時間內(nèi)的乘客百分比表示。乘客用如下方法產(chǎn)生：
（a）該模擬器產(chǎn)生5分鐘內(nèi)預期的乘客數(shù)并隨機分配他們的進入電梯的次數(shù)。乘客的總?cè)藬?shù)是總的凈人數(shù)同交通強度的乘積。
（b）電梯交通乘客的三部分（進入大樓，出大樓，層間轉(zhuǎn)移）按照交通情況被隨機的確定。
該組件確定到達樓層或目的樓層是否是進入層或居住樓層：
（c）如果該層為居住樓層，到達該層的概率正比于該層居住的人口數(shù)。
（d）如果獨立生成的到來和目的地樓層正好是相等的（在層間人員移動的情況下可能發(fā)生），該樓層的情況將會重復。
表[1]描述了被仿真大樓的一些特征。該大樓有一個廳堂和19個居住層。每層的人數(shù)大概為60.
表1被仿真建筑的特征
特征
值
層數(shù)
20
層高 (m)
4.2
樓高 (m)
78
每層面積 (m2/層)
1000
可出租面積 (m2/層)
800
每層人數(shù)
60
人口總數(shù)
1140
圖1描述了一天中從上午7點到下午7：15這個時間段內(nèi)進入大樓，出大樓，層間轉(zhuǎn)移的人流強度。該交通數(shù)據(jù)是從一個寫字樓中測得。它顯示出典型的早上，中午以及下午這三個交通高峰。當乘客被按照這個交通情況產(chǎn)生時，乘客數(shù)將達到11502。由于建筑內(nèi)的人口總數(shù)是不確定的，實際的交通狀況總是在預測交通狀況的80%~120%之間波動。通過這些參數(shù)，按照這種交通狀況我們21組交通數(shù)據(jù)。為了減少不同可選方案測量的協(xié)方差，對10個可選方案的仿真，我們用的是相同的乘客數(shù)據(jù)。
圖1被仿真建筑的交通狀況參見參考文獻[13]
表2描述10個可選方案的具體配置。電梯數(shù)目在6~8之間，額定負載從13人到24人不等，額定速度在3.5~5m/s之間。電梯所占用的空間是指電梯軸空間加上侯梯廳所占有的空間。確切的成本是不知道的，因此我們用1到10這10個數(shù)對各個方案的開銷進行一個排序；1表示所用開銷最小，10表示所用開銷最大。所有的方案在高峰運輸能力和間隔時間這兩個方面都是可行的。
表2電梯群的可替代方案的配置
名稱
電梯數(shù)
額定負載
速度 (m/s)
加速度 (m/s2)
占用空間 (m2)
開銷
E6L17S4
6
17
4.0
1.0
69.8
1
E6L21S4
6
21
4.0
1.0
77.4
2
E6L17S5
6
17
5.0
1.0
71.4
3
E6L24S4
6
24
4.0
1.0
87.2
4
E7L17S35
7
17
3.5
0.8
87.5
5
E7L17S4
7
17
4.0
1.0
87.5
6
E7L13S5
7
13
5.0
1.0
76.0
7
E7L17S5
7
17
5.0
1.0
89.5
8
E8L13S35
8
13
3.5
0.8
79.4
9
E8L17S35
8
17
3.5
0.8
93.5
10
等待時間，行程時間，等待時間超過60秒的百分比以及行程時間超過120秒的百分比的仿真結(jié)果分別如圖2，3，4，5所示。同電梯規(guī)劃時的值相比，仿真得到乘客的傳送時間更接近實際。這也降低了電梯的運輸能力，延長了等待時間和行程時間，尤其是在交通高峰期間。由于所有可替代方案幾乎有相同的標準和仿真交通強度，對應的仿真結(jié)果圖很相似。有8部電梯的電梯群要比其他較小電梯群的運行效率更高。
圖2等待時間
圖3行程時間
圖4等待時間超過60秒的百分比
圖5行程時間超過60秒的百分比
5決策問題和SMAA分析
10個可替代方案的業(yè)績標準的不確定性在模擬的基礎上的到評估。在仿真結(jié)果的基礎上，我們可以估計一個多元高斯分布的參數(shù)，例如：各個標準測量的期望值，不確定的依存關系的協(xié)方差矩陣。該業(yè)績標準的不確定性并不是獨立的，在區(qū)間[0.8,1]上存在多變量相關性。由于該正相關矩陣是40X40的大矩陣，所以在這里不列寫出來。
由于準確的開銷信息無法得到，開銷模型可用一個標準序列表示（參見參考文獻[3]）。對于所有的可替換方案，所需要的樓層面積按照基本規(guī)模計算（有5平方米的不確定度）。開銷和占用空間的測量值如表2所示。業(yè)績標準的標準測量值如表3所示。
表3可替代方案的業(yè)績標準值
Alternative
WT (μ±σ)
JT (μ±σ)
WT60 (μ±σ)
JT120 (μ±σ)
E6L17S4
71.52±43.58
131.00±47.63
22.95±9.28
31.16±8.29
E6L21S4
42.08±19.12
105.53±24.63
17.62±8.11
29.64±7.83
E6L17S5
71.19±46.23
130.02±50.46
22.57±9.55
30.60±8.52
E6L24S4
39.17±16.01
104.87±21.87
17.27±7.45
30.48±7.55
E7L17S35
35.46±17.84
92.62±22.24
12.30±7.23
22.76±7.19
E7L17S4
29.68±13.35
83.42±17.83
9.87±6.61
19.59±6.84
E7L13S35
40.84±26.85
89.00±30.29
12.05±8.02
18.02±7.37
E7L17S5
28.83±12.99
81.65±17.61
9.57±6.63
18.98±6.77
E8L13S35
13.58±1.76
49.21±4.43
0.56±0.71
2.82±1.64
E8L17S35
13.39±1.47
51.40±4.60
0.39±0.46
3.98±1.97
我們定義一個決策問題，用4個相互依賴的業(yè)績標準，一個序號標準（開銷）和一個基數(shù)標準（占地面積）。我們還將偏好信息以權(quán)重范圍的形式加入到所建立的模型——開銷和軸空間的權(quán)重被限制在區(qū)間[0.1,1]內(nèi)。由于同業(yè)績標準之間的巨大依賴關系——從乘客的角度看性能指標，這種依賴關系顯示他們都最終衡量一個單一的標準，偏好信息被加入到模型當中。由于權(quán)重的相加，如果在分析過程中沒有通過使用重量限制實現(xiàn)平衡，性能將獲得過高的意義。
我們分析這個模型使用了10萬次蒙特卡羅迭代——錯誤限制（參看參考文獻[16]）。SMAA計算結(jié)果如表4和4所示?？山邮苄灾笜苏f明如圖6所示，中央權(quán)重的重疊列圖如圖7所示。請注意，可替代方案E7L17S5并沒有被定義中央權(quán)重向量，因為它的信心因素為0。
表4以百分形式表示的信心因素和可接受度，按照信心因素的降序排列
Alt
pc
b1
b2
b3
b4
b5
b6
b7
b8
b9
b10
E8L13S35
87.12
68.36
6.45
4.77
5.46
5.30
2.36
2.37
3.21
1.72
0.00
E6L17S4
41.43
16.54
11.17
8.88
6.98
5.23
4.53
4.99
8.48
26.51
6.70
E6L21S4
40.01
6.54
12.70
15.88
14.26
14.34
10.75
19.05
4.87
1.60
0.02
E7L13S5
6.27
4.54
14.01
22.73
15.75
14.65
10.21
7.62
6.81
2.76
0.93
E6L17S5
5.68
3.31
8.44
10.59
7.84
6.40
4.85
5.02
6.92
13.47
33.16
E7L17S4
2.92
0.42
1.51
20.66
19.94
15.04
16.48
12.66
8.58
3.86
0.85
E7L17S35
2.32
0.28
0.85
3.04
8.80
18.62
27.61
18.30
11.56
8.24
2.71
E8L17S35
0.79
0.01
44.57
7.96
4.43
3.87
5.01
5.06
5.72
8.34
15.05
E6L24S4
0.48
0.00
0.29
0.92
3.18
4.06
7.28
12.45
29.99
15.20
26.63
E7L17S5
0.00
0.00
0.02
4.56
13.37
12.50
10.93
12.48
13.87
18.32
13.96
表5信心因素和中央權(quán)重，按照信心因素的降序排列
Alt
pc
WT
JT
WT60
JT120
Cost
Area
E8L13S35
87.12
15.07
15.30
15.54
15.63
17.43
21.03
E6L17S4
41.43
9.79
9.92
9.65
9.90
33.96
26.79
E6L21S4
40.01
12.15
10.19
9.87
7.98
46.28
13.53
E7L13S5
6.27
14.74
14.47
15.54
14.37
13.71
27.17
E6L17S5
5.68
13.26
12.21
10.51
10.03
18.62
35.36
E7L17S4
2.92
13.70
11.86
15.46
10.99
42.52
5.46
E7L17S35
2.32
13.69
12.56
14.23
11.43
43.23
4.86
E8L17S35
0.79
26.61
9.97
27.20
7.52
28.21
0.48
E6L24S4
0.48
25.28
9.45
8.81
5.27
49.47
1.71
圖6接受指數(shù)排名
圖7中央權(quán)重向量
通過檢查表4中的SMAA結(jié)果，我們可以斷定，最后3個可替代方案(E8L17S35, E6L24S4,和 E7L17S5)并非可行方案，因為它們的信心因素接近零。在剩余的7個可替代方案中，E7L17S4 和 E7L17S35也不可行，因為它們的信心因素過小。經(jīng)過初步的分析，我們已經(jīng)將實際可行方案限定為原來可替代方案中的一半，而且剩余的可替代方案的信心因素在5~87%之間。
接下來，我們將要檢驗可替代方案的可接受度。可替代方案E6L17S5有較低的可接受度相對于隊列中較前的部分（3.31%排第一，8.44%排第二），有較高的可接受度相對于隊列中較后的部分（13.47%排第九，33.16%排第十），因此我們舍棄該可替代方案。可替代方案E8L17S35由最高的可接受度，但其開銷也是剩余四個可替代方案中最高的。通過查看表5中的中央權(quán)重，我們可以發(fā)現(xiàn)E8L17S35有最大的業(yè)績標準權(quán)重和較小的開銷和空間占用權(quán)重。如果價格和樓層空間占用并不是很重要的話，E8L17S35將是最佳可行方案。最高的可接受度排名產(chǎn)生于權(quán)重的相加。同非績效標準相比，績效標準獲得相對較多的權(quán)重，因為它們最終都有相同的評價標準（從乘客的角度看性能）。
對于其余三個可替代方案，同可替代方案E7L13S5的信心因素（6%）——剩余的四個可替代方案最差的相比，E6L17S4 和 E6L21S4有較理想的信心因素（40~42%）。E6L17S4 和 E6L21S4兩個開銷最小，占用空間也最小的配置方案——這一點也可以從它們的中央權(quán)重看出（較大的開銷和空間占用權(quán)重）。假如這兩個標準（開銷和空間占用）被認為很重要，這兩個可替代方案都不能被選者?？紤]它們的中央權(quán)重，在這兩者之間的選擇可以根據(jù)權(quán)衡開銷的重要性和空間占用的重要性進行（E6L17S4在開銷方面有相對較低的權(quán)重，在空間占用方面有較高的權(quán)重）。當想尋求一種折衷的解決辦法時，E6L17S4應不予考慮，因為它有較高的可接受度（26%排第九）。
分析的最終結(jié)果是：決策者應該從可替代方案E8L17S35, E6L17S4, E6L21S4, 和 E7L13S5中選擇一個。如果更愿意尋求一種折衷方案，應該選擇E7L13S5。
6 結(jié)論
隨機多準則的接受程度分析（SMAA）有一個真實的個案歷史——用于解決多準則決策問題。在這片論文中，我們提出了一個現(xiàn)實的電梯規(guī)劃問題。在該問題中，隨機多準則的接受程度分析（SMAA）幫助我們確定在高樓中的電梯群。在電梯規(guī)劃過程中，決策者可能是電梯公司的代表，顧問或客戶。這一群決策者通常存在偏好沖突。例如電梯公司可能支持昂貴而又高效的電梯群配置，而客戶偏向于低價格的可選方案。我們給出了KONE建筑交通仿真和交通仿真結(jié)果——使用確定SMAA模型。
我們運用SMAA方法對一個電梯群配置的10種可替代方案進行了分析。基于我們的分析結(jié)果， 10個最初的可替代方案中，只有四個可接受。如果偏向于選擇一個折衷的解決辦法，對于多決策問題，存在唯一的解決方案。我們的分析結(jié)果顯示，當在電梯規(guī)劃問題中尋找可接受的解決方案時，SMAA方法的效率很高；在確定折衷方案和針對決策組偏好的方案方面，SMAA方法的效率更高。
多元高斯分布用來建立非獨立業(yè)績標準的模型。未來的研究應探討使用不同分布的影響和它們對隨機多準則的接受程度分析結(jié)果的影響。我們希望本論文對隨機多準則的接受程度分析方法在電梯規(guī)劃領域的應用和研究有一個提升作用。
參考文獻
[1] R. Lahdelma and P. Salminen, SMAA-2: Stochastic multicriteria acceptability analysis for group decision making, Operations Research 49 (2001) (3), pp. 444–454. Full Text via CrossRef | View Record in Scopus | Cited By in Scopus (56)
[2] R. Lahdelma, J. Hokkanen and P. Salminen, SMAA—stochastic multiobjective acceptability analysis, European Journal of Operational Research 106 (1998), pp. 137–143. Article | View Record in Scopus | Cited By in Scopus (67)
[3] R. Lahdelma, K. Miettinen and P. Salminen, Ordinal criteria in stochastic multicriteria acceptability analysis (SMAA), European Journal of Operational Research 147 (2003), pp. 117–127. Article | View Record in Scopus | Cited By in Scopus (36)
[4] R. Lahdelma, S. Makkonen and P. Salminen, Multivariate Gaussian criteria in SMAA, European Journal of Operational Research 170 (2006) (3), pp. 957–970. Article | View Record in Scopus | Cited By in Scopus (9)
[5] J. Basset, The probable number of stops made by an elevator, GE Rev 26 (1923) (8).
[6] G.R. Strakosch, Vertical transportation, Wiley, New York (1967).
[7] C.G. Morley, Installations, mechanical: lifts, escalators, paternosters, Architect's Journal 136 (1962), pp. 233–258.
[8] R.S. Phillips, Electric lifts (5th ed.), Pitman, London (1966).
[9] Pinfold WJ. Lift design and user requirements. In: Symposium on lifts in large buildings, Building Research Station, Watford; 1966.
[10] Tregenza PR. The prediction of lift performance in multi-storey buildings. PhD thesis, University of Nottingham; 1971.
[11] J.J. Browne and J.J. Kelly, Simulation of elevator system for world's tallest buildings, Transportation Science 2 (1968) (1), pp. 35–36.
[12] H. Parlow, Lift operation and computers, a simulation of performance, Architect's Journal 153 (1966), pp. 747–753.
[13] Siikonen ML, Lepp?l? J. Elevator traffic pattern recognition. In: Proceedings of the fourth world congress of the international fuzzy systems association, Brussels, Belgium; 1991. p. 195–8.
[14] G.C. Barney and S.M. dos Santos, Elevator traffic analysis design and control, Peter Peregrinus Ltd, London, UK (1985).
[15] G.C. Barney, D.A. Cooper and J. Inglis, Elevator & escalator micropedia, The International Association of Elevator Engineers, UK (1998).
[16] Tervonen T, Lahdelma R. Implementing stochastic multicriteria acceptability analysis. European Journal of Operational Research, 2006, to appear.
[17] Hakonen H. Simulation of building traffic and evacuation by elevators, Licenciate thesis, System Analysis Laboratory, Helsinki University of Technology; 2003.
[18] Leinonen R. Building traffic simulator. Master's thesis, Helsinki University of Technology; 1999.
[19] Tyni T, Ylinen J. Genetic algorithms in elevator car routing problem. In: Proceedings of the genetic and evolutionary computation conference (GECCO-2001); 2001. p. 1413–22.
收藏