این مقاله به بررسی الگوریتم‌های زمانبندی آسانسور و بهینه‌سازی آنها در شرایط ترافیکی پیچیده برای بهبود عملکرد سیستم‌های آسانسور می‌پردازد.
بهینه‌سازی جهت‌دار الگوریتم‌های زمانبندی آسانسور در ترافیک پیچیده الگوها
سعید مصلحی – سیستم‌های آسانسور در ساختمان‌ها به‌دلیل جریان غیرقابل پیشبینی مسافر با چالش‌هایی روبه‌رو هستند که می‌تواند برنامه‌ریزی برای بهینه‌سازی این عملیات را پیچیده کند. بیشتر الگوریتم‌های زمانبندی آسانسور موجود براساس تشخیص الگو (pattern recognition) بنا شده است و ممکن است در سناریوهایی که طبقه‌بندی الگوها دشوار است، به‌ویژه زمانی که عملیات آسانسور شامل رفتارهای نامطمئن انسانی است، مؤثر نباشد. برای پرداختن به این موضوع، این مقاله یک مدل بهینه‌سازی وابسته به زمان را که پیک‌های بلندمدت و چندطبقه را با تمرکز بر پیک طبقات در نظر می‌گیرد، پیشنهاد می‌کند. همچنین، مدل پیشنهادی الگوهای زمانبندی پویای آسانسورها را در نظر می‌گیرد و جهت جریان مسافر را به‌عنوان یک رابطه ماتریسی نشان می‌دهد.
بهبود کارایی آسانسور با الگوریتم‌های زمانبندی بهینه
روش بهینه‌سازی جهت پیشنهادی شامل چندین تابع برای تکرار جهت و بهبود کارایی فرآیند تکرار براساس الگوریتم‌های زمانبندی آسانسور کلاسیک است. این روش همچنین با تنظیم یک فرآیند تکرار، ثبات زنجیره‌های مارکوف را تضمین می‌کند. امکان‌سنجی روش پیشنهادی توسط نظریه مربوطه پشتیبانی می‌شود و نتایج تجربی نشان می‌دهد که جهت الگوریتم‌های زمانبندی آسانسور بهینه‌سازی‌شده از الگوریتم‌های کلاسیک بهتر عمل می‌کند و به کارایی عالی آسانسورها با هزینه کمتر منجر می‌شود.
این مقاله به توسعه الگوریتم‌های کارآمد برای زمانبندی آسانسورهایی با الگوهای ترافیکی پیچیده کمک می‌کند که می‌تواند عملکرد سیستم‌های آسانسورهای گروهی را در ساختمان‌ها بهبود ببخشد. روش پیشنهادی نه‌تنها محدود به آسانسورها نیست، بلکه می‌تواند به سایر سیستم‌های حملونقل با الزامات گردشی نیز تعمیم یابد.
در ادامه بخوانید:
- ۵ نکته مهم درباره آسانسور باربری برای مسافران که باید بدانند
- طراحی روش نوین نصب آسانسور با چاه پیش‌ساخته در پروژه‌های انبوه‌سازی مسکن
- راهنمای خرید پله برقی خانگی در سال ۲۰۲۵
الگوریتم‌های زمانبندی آسانسور چیست؟
با توسعه سریع اقتصاد و شتاب شهرنشینی، ساختمان‌های بلندمرتبه رایج شده‌اند. روش سنتی کنترل آسانسور که بر الگوریتم‌های زمانبندی آسانسور ساده برای مدیریت عملیات آسانسور متکی است، نمی‌تواند حجم زیاد ترافیک را در شهرهای مدرن مدیریت کند و به زمان انتظار طولانی برای مسافران در دوره‌های اوج مصرف منجر می‌شود. سیستم کنترل گروهی آسانسور (EGCS) برای حل مشکلات ترافیک، عمدتاً در اوج صبح و عصر توسعه یافته است.
در پیک‌های صبح، مسافران، بیشتر از لابی وارد آسانسور می‌شوند و از طبقات دیگر خارج می‌شوند، درحالی‌که در اوج عصر، جریان برعکس است. نسخه‌های اولیه EGCS با استفاده از تشخیص الگو می‌تواند نیازهای اساسی مسافران را برآورده کند، اما رفتارهای عدم اطمینان انسان و تقاضای فزاینده برای حملونقل عمودی به الزامات دقیق‌تر و جامع‌تر برای عملیات EGCS منجر می‌شود. این مسائل باعث ظهور روش‌های برنامه‌ریزی‌شده برای رسیدگی به نیازهای ترافیکی پیچیده‌تر می‌شود.
بنابراین، هدف از این پژوهش توسعه الگوریتم‌های زمانبندی آسانسور بهینه‌سازی جهت است که می‌تواند به‌طور کارآمد آسانسورها را در ساختمان‌های مرتفع در دوره‌های اوج ترافیک برای کاهش زمان انتظار مسافران و بهبود سیستم کلی برنامه‌ریزی بهره‌ور کند.
تشخیص الگو شامل شناسایی الگوها در گردش مسافران در دوره‌های پیک و استفاده از این اطلاعات برای تنظیم عملکرد آسانسور است. این رویکرد به‌طور گسترده در EGCS برای بهینه‌سازی مسیرهای آسانسور در الگوهای مختلف گردش مسافر، مانند اوج صبح و هنگام ناهار استفاده شده است.
با این حال، زمانبندی پویا تحت الگوهای مختلف گسسته است و الگوریتم‌های زمانبندی آسانسور برای توصیف وضعیت اوج EGCS بسیار سخت هستند. همان‌طور که ساختمان‌ها برای اهداف مختلف متمایز می‌شوند، الگوهای یک ساختمان خاص می‌تواند متغیر باشد. اگر ترافیک در چند طبقه و مقصدها متعدد باشند، شمارش الگوها بسیار دشوار خواهد بود.
کارهای مرتبط انجام‌شده
در ادامه، پژوهش‌های مربوط به این الگوریتم‌ها را بررسی می‌کنیم. این پژوهش‌ها به توسعه و بهبود الگوریتم‌های زمانبندی آسانسور کمک کرده‌اند تا عملکرد سیستم‌های حملونقل عمودی را در ساختمان‌های بلندمرتبه بهبود بخشند
1. مشکل EGCS
در سال‌های اخیر، استفاده از الگوریتم‌های هوشمند همانند الگوریتم‌های زمانبندی آسانسور به‌شکلی قابل‌توجه EGCS را در حوزه‌های مختلف بهبود بخشیده است. با وجود این پیشرفت‌ها، چالش‌های ذاتی مرتبط با مدلسازی و سازگاری با رفتار غیرقابل پیشبینی انسانی، حتی با اتخاذ تکنیک‌های یادگیری عمیق، همچنان باقی می‌مانند. رویکردهای سنتی که شامل تقسیم عملیات آسانسور به الگوهای متمایز و اعمال مجموعه قوانین برای هرکدام است، اغلب نمی‌توانند پیچیدگی فرایند را به طور جامع درک کنند، به ویژه برای برخورد با دوره‌های اوج که فاقد الگوهای قابل تشخیص هستند.
2. مدل بهینه‌سازی زمانبندی
با گذشت زمان، مدلهای بهینه سازی زمانبندی از کلاسیک به مدلهای مبتنی بر هوش مصنوعی تکامل یافته‌اند و انقلابی در حوزه EGCS ایجاد کرده‌اند. مدلهای کلاسیک بینش‌های ارزشمندی برای طراحی سیستم ارائه کرده‌اند. ادغام هوش مصنوعی به ویژه از طریق تکنیک‌های مبتنی بر دوربین، پیچیدگی‌های زمانبندی را به میزان قابل‌توجهی کاهش داد.
«سو» و همکاران، مفهوم جدیدی را معرفی کردند که می‌تواند یک تابع پارتیشن‌بندی پویا برای سیستم‌های آسانسور براساس الگوهای ترافیکی زمان واقعی به‌منظور به‌حداکثررساندن ظرفیت حملونقل را فراهم کند. «الشریف» و همکاران نیز کنترل بخشبندی را برای بهبود مدیریت ترافیک و تخصیص آسانسور اجرا کردند.
همچنین «جمال‌الدین» و همکاران یک کنترلگر گروه آسانسور را براساس یک چارچوب منطق فازی با یک طرح خودتنظیم ارائه کردند. کنترلگر گروه پیشنهادی از میانگین زمان انتظار به‌عنوان معیار عملکرد اندازه‌گیری‌شده برای تنظیم توابع عضویت و انتخاب مجموعه قوانین فازی مناسب برای ایجاد اقدامات کنترلی مناسب استفاده کرد.
«سو» و همکاران، روشی را برای تجزیه برخی توقف‌های تکرارپذیر در یک سیستم سه‌بعدی به چندین سری توقف غیرقابل تکرار توصیف کردند. تعداد توقف‌های همه این سری‌های تکرارنشدنی یکپارچه شد و محاسبات تحلیلی را امکانپذیر کرد.
استفاده از شبکه عصبی برای بهبود پیشبینی ترافیک EGCS
«زونگ» و «یو» از سریال‌های زمانی مبتنی بر شبکه عصبی (NN) استفاده کردند و تئوری‌های پیشبینی برای تجزیه‌وتحلیل ترافیک EGCS یک مدل سری زمانی بر پایه شبکه عصبی به وجود آوردند. آنها از روشی برای تنظیم ساختار NN و بهبود دقت پیشبینی استفاده کردند.
«زونگ» و همکاران از یک روش ترکیبی سه‌مرحله‌ای برای آموزش دو شبکه عصبی فازی استفاده کردند. نتایج آزمایش، کارایی این روش را به اثبات رساند که می‌تواند به کنترل‌کننده دستور دهد تا راهبرد تخصیص را بهینه کند و عملکرد آسانسورهای گروهی را بهبود ببخشد.
«وی» و همکاران قانون کنترل بهینه را برای کنترل گروهی با روش یادگیری عمیق طراحی کردند که سیستم آسانسور را قادر ساخت مسافران را در اسرع وقت به طبقه مقصد برساند. شبکه‌های عصبی پیچیده و بازگشتی عمیق می‌توانند خودشان را به‌روزرسانی کنند.
«ژانگ» و همکاران یک الگوریتم زمانبندی جدید مبتنی بر تشخیص مسافران راهرو با دوربینهای دوچشمی برای بهبود EGCS معمولی پیشنهاد کردند. مسافران راهرو با استفاده از ویژگی‌های Haar (عکس‌های دیجیتالی برای تشخیص سوژه) براساس دوربینهای دوچشمی شناسایی شدند. آنها فیلتر کالمن را برای بهبود استحکام و دقت ردیابی حرکت مسافران در راهرو معرفی کردند. سپس، یک راهبرد کنترل گروهی آسانسور جدید را برای بهبود عملکرد و حملونقل پیشنهاد کردند.
مطالب مرتبط
مطالب اخیر
