JPH0428681A - エレベータの群管理制御方法 - Google Patents
エレベータの群管理制御方法Info
- Publication number
- JPH0428681A JPH0428681A JP2134902A JP13490290A JPH0428681A JP H0428681 A JPH0428681 A JP H0428681A JP 2134902 A JP2134902 A JP 2134902A JP 13490290 A JP13490290 A JP 13490290A JP H0428681 A JPH0428681 A JP H0428681A
- Authority
- JP
- Japan
- Prior art keywords
- input
- car
- vector
- output
- input data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000013598 vector Substances 0.000 claims abstract description 69
- 230000001537 neural effect Effects 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 210000002569 neuron Anatomy 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Elevator Control (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
〔産業上の利用分野〕
この発明は、複数第のエレベータが並設されている場合
において、ニューラル・ネットを利用して乗場呼びを最
適なエレベータに割当てるのに有効なエレベータの群管
理制御方法の改良に関するものである。
において、ニューラル・ネットを利用して乗場呼びを最
適なエレベータに割当てるのに有効なエレベータの群管
理制御方法の改良に関するものである。
C従来の技術〕
従来、群管理制御の主流をなすのは評価関数を使用した
割当て制御であったが、最近ではより高度な制御を行う
ため、ファジー理論を用いたエキスパートシステムによ
る呼び割当て制御が提案されている。
割当て制御であったが、最近ではより高度な制御を行う
ため、ファジー理論を用いたエキスパートシステムによ
る呼び割当て制御が提案されている。
これは種々の評価指標をファジー量としてとらえ、適切
な割当方法をI F−THEN形式で記述したルール群
を用いて、そのルール群に対する適合度から最適なかご
を選択し割当てる方法で、これによるとエキスパートの
知識を制御に組み込むことが容易となり、ビルの特徴に
合わせたきめこまかな制御を実現することができる。
な割当方法をI F−THEN形式で記述したルール群
を用いて、そのルール群に対する適合度から最適なかご
を選択し割当てる方法で、これによるとエキスパートの
知識を制御に組み込むことが容易となり、ビルの特徴に
合わせたきめこまかな制御を実現することができる。
一方、ニューラル・ネットにューロコンピュータ)を利
用することにより、最適な割当てかごを決定する判断シ
ステムを、実際の運転例により自動的に学習し生成する
ことのできる、従来とは全く異なる新しいエレベータの
群管理制御装置が提案されており(例えば特開平1−2
75381号「エレベータの群管理制御装置」)、これ
について第4図〜第8図によりその概要を説明する。ま
ずニューラル・ネットについて簡単に説明する。
用することにより、最適な割当てかごを決定する判断シ
ステムを、実際の運転例により自動的に学習し生成する
ことのできる、従来とは全く異なる新しいエレベータの
群管理制御装置が提案されており(例えば特開平1−2
75381号「エレベータの群管理制御装置」)、これ
について第4図〜第8図によりその概要を説明する。ま
ずニューラル・ネットについて簡単に説明する。
ニューラル・ネットとは、人間の脳を真似たネットワー
クで、脳のニューロン(神経細胞)に対応したユニット
が複数個、複雑に接続し合ったもので、各ユニットの動
作及びユニット間の接続形態をうま(決めることで、パ
ターン認識機能や知識処理機能を埋め込むことができ、
例えば、「日経エレクトロニクスJ1987年8月10
日号<# 427)のP115〜P124などに紹介さ
れている。
クで、脳のニューロン(神経細胞)に対応したユニット
が複数個、複雑に接続し合ったもので、各ユニットの動
作及びユニット間の接続形態をうま(決めることで、パ
ターン認識機能や知識処理機能を埋め込むことができ、
例えば、「日経エレクトロニクスJ1987年8月10
日号<# 427)のP115〜P124などに紹介さ
れている。
まずニューロンをモデル化したユニットの構造を第3図
に示す。ユニットU、は他のユニットからの入力Q、の
総和を一定の規則で変換し、Q。
に示す。ユニットU、は他のユニットからの入力Q、の
総和を一定の規則で変換し、Q。
とするが、他のユニットとの結合部にはそれぞれ可変の
重みW i jが付いている。この重みは各ユニット間
の結合の強さを表わすためのもので、この値を変えると
接続を変えなくても実質的にネットワークの構造が変わ
ることになる。後述のネットワークの学習とはこの値を
変えることであって、重みW i jは正、ゼロ、負の
値をとる。ゼロは結合のないことを表わす。
重みW i jが付いている。この重みは各ユニット間
の結合の強さを表わすためのもので、この値を変えると
接続を変えなくても実質的にネットワークの構造が変わ
ることになる。後述のネットワークの学習とはこの値を
変えることであって、重みW i jは正、ゼロ、負の
値をとる。ゼロは結合のないことを表わす。
あるユニットが複数ユニットから入力を受けた場合、そ
の入力の総和をNETで表わすとすると、ユニットU1
の入力の総和は、 NET、= ΣW1jQJ である。
の入力の総和をNETで表わすとすると、ユニットU1
の入力の総和は、 NET、= ΣW1jQJ である。
各ユニットはこの入力の総和NETを関数fに適用し、
次式に示すように出力Q、に変換する。
次式に示すように出力Q、に変換する。
Q、= f(NETi )
= f(ΣW、、Q、)
この関数fは各ユニットごとに違ってよいが、一般には
第5図(alに示したしきい値開数又は第5図(blに
示したsigmoid関数を使う。
第5図(alに示したしきい値開数又は第5図(blに
示したsigmoid関数を使う。
このstgmoid関数は、微分可能な疑似線形関数で
、 テ表セる。値域は0〜1で、入力値が大きくなるにつれ
1に、小さくなるにつれ0に近づく。人力がOのときは
0.5となる。しきい値θ (バイアス)を加えて、 1 + e −IN E T + 十θ凰)とす
る場合もある。
、 テ表セる。値域は0〜1で、入力値が大きくなるにつれ
1に、小さくなるにつれ0に近づく。人力がOのときは
0.5となる。しきい値θ (バイアス)を加えて、 1 + e −IN E T + 十θ凰)とす
る場合もある。
第6図は、ネットワークの構造の一例を示す図で、ユニ
ット間の結合部の重みは図示を省略している。
ット間の結合部の重みは図示を省略している。
ニューラル・ネットは、ネットワークの構造からパター
ン連想型と自己連想型に分類されるが、ここではパター
ン連想型を用いて説明する。パターン連想型とは、入カ
バターンをある出カバターンに変換するネットワークで
、第6図のように各ユニットを入力層、中間層、出力層
に階層化している。各ユニ・7トは入力層から出力層に
向けて接続されるが、各層内のユニット同士は接続しな
い。
ン連想型と自己連想型に分類されるが、ここではパター
ン連想型を用いて説明する。パターン連想型とは、入カ
バターンをある出カバターンに変換するネットワークで
、第6図のように各ユニットを入力層、中間層、出力層
に階層化している。各ユニ・7トは入力層から出力層に
向けて接続されるが、各層内のユニット同士は接続しな
い。
また、入カニニットと出カニニットは独立している。
このようなニューラル・ネットにおいて、人力層の各ユ
ニットに入力データを与えるとこの信号は各ユニットで
変換され、中間層に伝わり、最後に出力層から出てくる
が、望ましい出力を得るためには各ユニット間の結合の
強弱すなわち重みを適切な値に設定する必要がある、こ
の重みの設定は、ネットワークを次のように学習させる
ことによって行う。
ニットに入力データを与えるとこの信号は各ユニットで
変換され、中間層に伝わり、最後に出力層から出てくる
が、望ましい出力を得るためには各ユニット間の結合の
強弱すなわち重みを適切な値に設定する必要がある、こ
の重みの設定は、ネットワークを次のように学習させる
ことによって行う。
まず最初は、すべての重みをランダムに設定しておき、
入力層の各ユニットに学習用の入力データ(予め望まし
い出力の分かっているデータ)を与える。そしてこのと
き出力層の各ユニットから出てきた出力値と望ましい出
力値を比べ、その差(誤差)を減らすように各重みの値
を修正する。
入力層の各ユニットに学習用の入力データ(予め望まし
い出力の分かっているデータ)を与える。そしてこのと
き出力層の各ユニットから出てきた出力値と望ましい出
力値を比べ、その差(誤差)を減らすように各重みの値
を修正する。
そしてこれを多数の学習データを用いて誤差が収束する
まで繰り返す。この誤差の値から各重みの値を修正する
学習アルゴリズムについては後述する。
まで繰り返す。この誤差の値から各重みの値を修正する
学習アルゴリズムについては後述する。
こうして学習を終了すると、ニューラル・ネット内に知
識処理機能が自動的に埋め込まれたことになり、学習用
のデータだけでなく未知の入力データに対しても常に望
ましい出力が得られるようになる。
識処理機能が自動的に埋め込まれたことになり、学習用
のデータだけでなく未知の入力データに対しても常に望
ましい出力が得られるようになる。
なお、このニューラル・ネットは各ユニットを増幅器や
抵抗を用いて構成しLSI化することも可能であるが、
ソフトウェアで仮想的なニューラル・ネットを構成して
すべて演算で処理することもでき、マイクロコンピュー
タで実現することが可能である。
抵抗を用いて構成しLSI化することも可能であるが、
ソフトウェアで仮想的なニューラル・ネットを構成して
すべて演算で処理することもでき、マイクロコンピュー
タで実現することが可能である。
第7図は、このニューラル・ネットをエレベータの割当
て制御に利用した場合の全体の構成の一実施例を示す図
で、ここでは説明の便宜上、制御対象エレベータが1号
機と2号機の2台のみとするが、勿論何台の場合でも同
様に構成することができる。
て制御に利用した場合の全体の構成の一実施例を示す図
で、ここでは説明の便宜上、制御対象エレベータが1号
機と2号機の2台のみとするが、勿論何台の場合でも同
様に構成することができる。
第7図において、■は各階に設けられた乗場呼び釦(1
つの階床のみを図示し、他は省略している)、2は乗場
呼び信号、3Aは1号機の運行を管理する運行制御装置
、同様に3Bは2号機の運行を管理する運行制御装置、
4は各かごの状態(かご位置、方向、停止、走行2戸開
閉状態、かご呼び、荷重等)を表わすかご情報信号、5
は群管理装置として割当ての機能を果たすためのマイク
ロコンピュータで、入出力インターフェイス6を介して
読込んだ乗場呼び信号2やかご情報信号4の各データ6
aを基に、ニューラル・ネットへの入力となる各入カバ
ターン要素7aを演算する入カバターン演算手段7と、
ニューラル・ネット8と、ニューラル・ネット8の出力
8aからどの号機が最適であるかを判定する割当て判定
手段9とを備え、その割当て結果を入出力インターフェ
イス6を介し、割当て信号10として出力する。各運行
制御装置3A及び3Bは、この割当て信号10によって
割当てられた乗場呼びと、自号機に登録されたかご呼び
に順次応答するようにかごの運行を制御する。
つの階床のみを図示し、他は省略している)、2は乗場
呼び信号、3Aは1号機の運行を管理する運行制御装置
、同様に3Bは2号機の運行を管理する運行制御装置、
4は各かごの状態(かご位置、方向、停止、走行2戸開
閉状態、かご呼び、荷重等)を表わすかご情報信号、5
は群管理装置として割当ての機能を果たすためのマイク
ロコンピュータで、入出力インターフェイス6を介して
読込んだ乗場呼び信号2やかご情報信号4の各データ6
aを基に、ニューラル・ネットへの入力となる各入カバ
ターン要素7aを演算する入カバターン演算手段7と、
ニューラル・ネット8と、ニューラル・ネット8の出力
8aからどの号機が最適であるかを判定する割当て判定
手段9とを備え、その割当て結果を入出力インターフェ
イス6を介し、割当て信号10として出力する。各運行
制御装置3A及び3Bは、この割当て信号10によって
割当てられた乗場呼びと、自号機に登録されたかご呼び
に順次応答するようにかごの運行を制御する。
第8図は、ニューラル・ネットへ入力される各人カバタ
ーン要素の一例を示す図で、a1〜d1はそれぞれ1号
機の状況を表わす入カバターン要素、a2〜d2はそれ
ぞれ2号機の状況を表わす入カバターン要素であり、a
t(az)は、新規乗場呼びの発生した階と1(2)号
機の現在階との階床差、tz(bz)は1(2)号機が
現在階と新規乗場呼びの発生階との間に受は持っている
呼びの数、c+(cz)は新規乗場呼びの発生階以遠に
1(2)号機に割当てられている乗場呼びの数、dl(
dりは1(2)号機の現在の乗車人数を表わしている。
ーン要素の一例を示す図で、a1〜d1はそれぞれ1号
機の状況を表わす入カバターン要素、a2〜d2はそれ
ぞれ2号機の状況を表わす入カバターン要素であり、a
t(az)は、新規乗場呼びの発生した階と1(2)号
機の現在階との階床差、tz(bz)は1(2)号機が
現在階と新規乗場呼びの発生階との間に受は持っている
呼びの数、c+(cz)は新規乗場呼びの発生階以遠に
1(2)号機に割当てられている乗場呼びの数、dl(
dりは1(2)号機の現在の乗車人数を表わしている。
なお、これらの各入カバターン要素は、すべて第7図に
示した入カバターン演算手段によって演算される。第8
図のニューラル・ネット8は、図示を省略しているが、
各入カバターン要素a、xd。
示した入カバターン演算手段によって演算される。第8
図のニューラル・ネット8は、図示を省略しているが、
各入カバターン要素a、xd。
及びa2〜d2のそれぞれに対応するユニットからなる
入力層と、適当な数のユニットからなる中間層(1層に
限らない)と、出力A1及びA2に対応するユニットか
らなる出力層で構成される。
入力層と、適当な数のユニットからなる中間層(1層に
限らない)と、出力A1及びA2に対応するユニットか
らなる出力層で構成される。
ここでA、は1号機の割当適性を表わす出力信号、A2
は2号機の割当適性を表わす出力信号で、この人、とA
tが第7図の割当て判定手段9に入力され、割当て信号
10が出力される。
は2号機の割当適性を表わす出力信号で、この人、とA
tが第7図の割当て判定手段9に入力され、割当て信号
10が出力される。
以上の構成において、実際に割当てを行うにはまずニュ
ーラル・ネットの特性を、各ユニット間の重みを設定す
ることによって決定する必要がある。この重みの設定は
、−船釣な設定方法として知られているバックプロパゲ
ーションによる学習を利用する。この学習は次のように
して行う。
ーラル・ネットの特性を、各ユニット間の重みを設定す
ることによって決定する必要がある。この重みの設定は
、−船釣な設定方法として知られているバックプロパゲ
ーションによる学習を利用する。この学習は次のように
して行う。
まず最初は、各ユニット間の重みは適当な値に無作為に
設定しておく。一方、実際の運転例等から学習用サンプ
ルを多数作成する。この学習用サンプルは、例えば新規
乗場呼びとその時の1号機及び2号機の状態の組合せを
一つ想定し、この状態では何号機に割当てるのが最適か
を専門家の判断により或いはシミュレーション等を用い
て判断し、もし1号機が最適であればそのときの各入カ
バターン要素に対して1号機に対応する出力A1の出力
目標を1に、2号機に対応する出力A2の出力目標をO
として作成したものである。そしてまず最初の学習用サ
ンプルにより、1号機と2号機の状態から新規乗場呼び
発生時の各入カバターン要素a、〜d、及びa2〜d2
を演算し、ニューラル・ネットの入力層の各ユニットに
入力する。
設定しておく。一方、実際の運転例等から学習用サンプ
ルを多数作成する。この学習用サンプルは、例えば新規
乗場呼びとその時の1号機及び2号機の状態の組合せを
一つ想定し、この状態では何号機に割当てるのが最適か
を専門家の判断により或いはシミュレーション等を用い
て判断し、もし1号機が最適であればそのときの各入カ
バターン要素に対して1号機に対応する出力A1の出力
目標を1に、2号機に対応する出力A2の出力目標をO
として作成したものである。そしてまず最初の学習用サ
ンプルにより、1号機と2号機の状態から新規乗場呼び
発生時の各入カバターン要素a、〜d、及びa2〜d2
を演算し、ニューラル・ネットの入力層の各ユニットに
入力する。
この入力データは入力層から出力層へ向けて順次処理さ
れ、各ユニットは第5図に示した入出力特性であるので
、その結果出力A、及びA2は必ずθ〜lの値となるが
前述のように最初は重みが無作為に認定されているので
、この出力A、及びA2の値は出力目標とは違った値と
なる。そこでこの出力目標と実際の出力との差を誤差と
し、この誤差を用いて重みの修正を、出力層から入力層
に向けて行っていく。この重みの修正の計算は周知であ
るのでここでは説明を省略する。
れ、各ユニットは第5図に示した入出力特性であるので
、その結果出力A、及びA2は必ずθ〜lの値となるが
前述のように最初は重みが無作為に認定されているので
、この出力A、及びA2の値は出力目標とは違った値と
なる。そこでこの出力目標と実際の出力との差を誤差と
し、この誤差を用いて重みの修正を、出力層から入力層
に向けて行っていく。この重みの修正の計算は周知であ
るのでここでは説明を省略する。
こうして各ユニット間の重みの修正を終了すると、次に
2番目の学習用サンプルにより、各入カバターン要素を
演算して入力し、そのときの出力目標と実際の出力との
誤差から再度各ユニット間の重みを修正する。こうして
多数の学習用サンプルを用いて上記と同様の手順を繰返
すと、上記誤差が十分小さくなり、やがて収束する。学
習を完了すると各重みはそれぞれ固有の値に収束してい
るので、それを固定化すると実際の運転に用いるニュー
ラル・ネットの各ユニット間の重みがそれぞれ設定され
たことになる。
2番目の学習用サンプルにより、各入カバターン要素を
演算して入力し、そのときの出力目標と実際の出力との
誤差から再度各ユニット間の重みを修正する。こうして
多数の学習用サンプルを用いて上記と同様の手順を繰返
すと、上記誤差が十分小さくなり、やがて収束する。学
習を完了すると各重みはそれぞれ固有の値に収束してい
るので、それを固定化すると実際の運転に用いるニュー
ラル・ネットの各ユニット間の重みがそれぞれ設定され
たことになる。
以後はこれを実際の割当てに用いる。すなわち新規乗場
呼びが発生すると、その時点における1号機と2号機の
状況から各入カバターン要素a1〜d、及びa2〜d2
が人カバターン演算手段7で演算され、ニューラル・ネ
ット8へ人力される。
呼びが発生すると、その時点における1号機と2号機の
状況から各入カバターン要素a1〜d、及びa2〜d2
が人カバターン演算手段7で演算され、ニューラル・ネ
ット8へ人力される。
ニューラル・ネット8では、各入カバターン要素が入力
層から出力層へ向けて順次処理され、その出力A、及び
A2が割当て判定手段9に入力される。そして割当て判
定手段9はこの出力A1とA2を比較し、その値が1に
近い方の号機に割当信号10を出力するのであるが、こ
のときニューラル・ネット8の各重みは学習用サンプル
を用いて学習し、収束した値にそれぞれ設定されている
ので、学習用サンプルの場合と同じ判断基準で割当てが
行われることになる。
層から出力層へ向けて順次処理され、その出力A、及び
A2が割当て判定手段9に入力される。そして割当て判
定手段9はこの出力A1とA2を比較し、その値が1に
近い方の号機に割当信号10を出力するのであるが、こ
のときニューラル・ネット8の各重みは学習用サンプル
を用いて学習し、収束した値にそれぞれ設定されている
ので、学習用サンプルの場合と同じ判断基準で割当てが
行われることになる。
このように、ニューラル・ネットを用いると、学習用の
サンプルを多数作成し学習を繰返すだけで、各種の交通
状況に対応して最適な割当てかごを決定する判断システ
ムを自動的に作成することができ、きわめて高度な割当
て制御を行うことが可能となる。
サンプルを多数作成し学習を繰返すだけで、各種の交通
状況に対応して最適な割当てかごを決定する判断システ
ムを自動的に作成することができ、きわめて高度な割当
て制御を行うことが可能となる。
ところで上記のニューラル・ネットを利用した割当方式
は、すべての号機に関するデータを入カバターンとして
1つのニューラル・ネットに入力し、その出カバターン
から割当結果を得るようにすると共に、各号機の状態と
割当てとの関係には対称性があることに着目し、このた
め各ユニットの接続構成及び重みの設定を各号機に対し
て対称的となるようにし、学習の効率化を図っている。
は、すべての号機に関するデータを入カバターンとして
1つのニューラル・ネットに入力し、その出カバターン
から割当結果を得るようにすると共に、各号機の状態と
割当てとの関係には対称性があることに着目し、このた
め各ユニットの接続構成及び重みの設定を各号機に対し
て対称的となるようにし、学習の効率化を図っている。
例えば3台のエレベータの群管理において、ある状態の
ときに1号機への割当てが最適であるとすると、同様の
状態が1号機と2号機を入れ替えた場合、或いは1号機
と3号機を入れ替えた場合にも存在し、これを利用して
学習の効率UPを図ることができる。
ときに1号機への割当てが最適であるとすると、同様の
状態が1号機と2号機を入れ替えた場合、或いは1号機
と3号機を入れ替えた場合にも存在し、これを利用して
学習の効率UPを図ることができる。
このため、上記の割当方式で利用できるニューラル・ネ
ットとしては、多層のバックプロパゲーションタイプの
ものに限られ、他のタイプのニューラル・ネットに適用
することは困難であった。
ットとしては、多層のバックプロパゲーションタイプの
ものに限られ、他のタイプのニューラル・ネットに適用
することは困難であった。
また、上記の割当方式ではすべての号機に関するデータ
を同時に1つのニューラル・ネットに入力する構成であ
るため、群管理のエレベータの台数が増えるとそれに合
わせてユニットの数を増やす必要があり、ニューラル・
ネットの接続構成を標準化することが困難であるという
問題点もある。
を同時に1つのニューラル・ネットに入力する構成であ
るため、群管理のエレベータの台数が増えるとそれに合
わせてユニットの数を増やす必要があり、ニューラル・
ネットの接続構成を標準化することが困難であるという
問題点もある。
本発明は上記問題点を解決するためになされたもので、
前述の対称性をニューラル・ネットの構造ではなく、ア
ルゴリズムによって考慮するようにし、汎用のニューラ
ル・ネットが利用できるようにしたものである。。
前述の対称性をニューラル・ネットの構造ではなく、ア
ルゴリズムによって考慮するようにし、汎用のニューラ
ル・ネットが利用できるようにしたものである。。
すなわち、本発明はニューラル・ネットとして、複数台
のエレベータのうち任意の2台の号機を1組としてその
状態を表わす入力データベクトルを入力し、その2台の
うちどちらの号機の割当適性が高いかを出力して表わす
ことのできるニューラル・ネットを備えておき、新規に
乗場呼びが発生すると、複数台のエレベータのうち任意
の2台の号機を1組とするすべての組合せについてそれ
ぞれ入力データベクトルを作成し、次にこの各入力デー
タベクトルを前記ニューラル・ネ7)に順次入力し、そ
して各入力データベクトルに対する出力を各号機毎に得
点として集計し、その結果、得点の最も大きな号機に前
記乗場呼びを割当てるようにしたことを特徴とするもの
である。
のエレベータのうち任意の2台の号機を1組としてその
状態を表わす入力データベクトルを入力し、その2台の
うちどちらの号機の割当適性が高いかを出力して表わす
ことのできるニューラル・ネットを備えておき、新規に
乗場呼びが発生すると、複数台のエレベータのうち任意
の2台の号機を1組とするすべての組合せについてそれ
ぞれ入力データベクトルを作成し、次にこの各入力デー
タベクトルを前記ニューラル・ネ7)に順次入力し、そ
して各入力データベクトルに対する出力を各号機毎に得
点として集計し、その結果、得点の最も大きな号機に前
記乗場呼びを割当てるようにしたことを特徴とするもの
である。
〔実施例」
以下、本発明の一実施例を第1図〜第3図により説明す
る。
る。
本発明に用いるニューラル・ネットは、入カバターンを
ある出カバターンに変換するパターン連想型のネットで
あれば何でもよく、例えばハックプロパゲーションタイ
プの他によく知られているものとしては、L V Q−
2(Learning VectorQuantiza
tion−2)、 A RT(Adaptive Re
5onanceTheory)、 RB F (Ra
dial Ba5is Function )+B A
M(Bjdirectional As5ociati
ve Me+wory )。
ある出カバターンに変換するパターン連想型のネットで
あれば何でもよく、例えばハックプロパゲーションタイ
プの他によく知られているものとしては、L V Q−
2(Learning VectorQuantiza
tion−2)、 A RT(Adaptive Re
5onanceTheory)、 RB F (Ra
dial Ba5is Function )+B A
M(Bjdirectional As5ociati
ve Me+wory )。
CP N (Counter Propagatjon
Netevork )などが挙げられるが、勿論これ
らに限定されるわけではない。ここではLVQ−2のネ
ットワークを用いた場合について説明する。
Netevork )などが挙げられるが、勿論これ
らに限定されるわけではない。ここではLVQ−2のネ
ットワークを用いた場合について説明する。
まず本発明の全体構成であるが、これは前述の第7図と
同様である。すなわち第7図において、入カバターン演
算手段7は、ニューラル・ネットへの入力となる入カバ
ターン要素の各データを演算しそれを一度にニューラル
・ネットに入力するが、本発明では各号機の入カバター
ン要素の各データをそれぞれ各号機の状況データとし、
そのうち任意の2台の号機の状況データの組合せからな
る入力データベクトルをすべての号機の組合せについて
作成し、これを順次ニューラル・ネットに入力する。例
えば任意の号機の入カバターン要素からなる状況データ
ベクトルを前半ベクトル、任意の他の号機の入カバター
ン要素からなる状況ベクトルを後半ベクトルとして一組
の入力データベクトルとすると、エレベータがn台の場
合は、nX(n−1)通りの入力データベクトルが作成
されることになり、これらが順次ニューラル・ネットに
入力される。
同様である。すなわち第7図において、入カバターン演
算手段7は、ニューラル・ネットへの入力となる入カバ
ターン要素の各データを演算しそれを一度にニューラル
・ネットに入力するが、本発明では各号機の入カバター
ン要素の各データをそれぞれ各号機の状況データとし、
そのうち任意の2台の号機の状況データの組合せからな
る入力データベクトルをすべての号機の組合せについて
作成し、これを順次ニューラル・ネットに入力する。例
えば任意の号機の入カバターン要素からなる状況データ
ベクトルを前半ベクトル、任意の他の号機の入カバター
ン要素からなる状況ベクトルを後半ベクトルとして一組
の入力データベクトルとすると、エレベータがn台の場
合は、nX(n−1)通りの入力データベクトルが作成
されることになり、これらが順次ニューラル・ネットに
入力される。
また、第7図において、割当て判定手段9はニューラル
・ネット8の出力からどの号機が最適であるかを判定す
るが、本発明ではニューラル・ネットの出力を各号機毎
に集計し、その結果、得点の最も大きい号機を最適であ
ると判定する。その他は第7図の構成と全く同じである
。
・ネット8の出力からどの号機が最適であるかを判定す
るが、本発明ではニューラル・ネットの出力を各号機毎
に集計し、その結果、得点の最も大きい号機を最適であ
ると判定する。その他は第7図の構成と全く同じである
。
次に本発明に用いるニューラル・ネットの一例を第1図
に示す。前述の如く、ここではLVQzタイプのニュー
ラル・ネットを一例として示している。
に示す。前述の如く、ここではLVQzタイプのニュー
ラル・ネットを一例として示している。
第1図において、11は前半ベクトルllaと後半ベク
トルllbとからなる入力データベクトル、12はニュ
ーラル・ネット、13aはニューラル・ネットの第1出
力、13bは同じく第2出力、14aはニューラル・ネ
ットの第1教師信号、14bは同しく第2教師信号、1
5aは上記第1出力に接続されたニューロン、15bは
上記第2出力に接続されたニューロン、16a及び16
bはそれぞれニューロン15a及び16aのシナプス結
合、17a及び17bはそれぞれニューロン15a及び
15bの出力である。このようにこのニューラル・ネッ
トは、個々のニューロンが同時に同じ入力を受は取れる
ように、外部入力によってすべてのニューロンが並列に
接続されており、その出力は一部のニューロンが第1出
力に、残りのニューロンが第2出力にそれぞれ共通に接
続された構成となっている。このLVQ2タイプのニュ
ーラル・ネットの動作原理については既に周知であるの
で詳細な説明は省略するが、各ニューロンはあるベクト
ル空間内の各参照ベクトルに対応しており、未知の入力
データベクトルが入力されると、それに最も近い参照ヘ
クトルすなわちそれに対応するニューロンが選択され、
そのニューロンの出力だけが「1」となるようになって
いる。そしてこの各参照ベクトルの配置すなわち各ニュ
ーロンのシナプス結合の値は学習によって決定すること
ができる。例えば複数台のかごの状況と新規乗場呼びの
組合せを一つ想定し、この状況において何号機に割当て
るのが最適かを専門家の判断により或いはシミュレーシ
ョン等を用いて予め判断しておく。そして最適な割当号
機の状況データベクトル(入カバターン要素の各データ
)を前半ベクトルlla、その他の任意の号機の状況ベ
クトルを後半ベクトルllbとした入力データベクトル
11の各データを入力し、一方、第1教師信号14aを
「1」、第2教師信号14bを「0」として学習を行う
、或いはその逆に、割当号機の状況ベクトルを後半ベク
トル、その他の任意の号機の状況ベクトルを前半ベクト
ル、第1教師信号を「0」、第2教師信号を「1」とし
た学習サンプルについても学習を行う。こうして多数の
学習サンプルについて学習を行うと、未知の入力ベクト
ルであっても、前半ベクトルに対応する号機の方が割当
適性が大きければ、第1出力13aに11」が出力され
、その逆に後半ヘクトルに対応する号機の方が割当適性
が大きければ、第2出力13bに「1」が出力されるよ
うになる。
トルllbとからなる入力データベクトル、12はニュ
ーラル・ネット、13aはニューラル・ネットの第1出
力、13bは同じく第2出力、14aはニューラル・ネ
ットの第1教師信号、14bは同しく第2教師信号、1
5aは上記第1出力に接続されたニューロン、15bは
上記第2出力に接続されたニューロン、16a及び16
bはそれぞれニューロン15a及び16aのシナプス結
合、17a及び17bはそれぞれニューロン15a及び
15bの出力である。このようにこのニューラル・ネッ
トは、個々のニューロンが同時に同じ入力を受は取れる
ように、外部入力によってすべてのニューロンが並列に
接続されており、その出力は一部のニューロンが第1出
力に、残りのニューロンが第2出力にそれぞれ共通に接
続された構成となっている。このLVQ2タイプのニュ
ーラル・ネットの動作原理については既に周知であるの
で詳細な説明は省略するが、各ニューロンはあるベクト
ル空間内の各参照ベクトルに対応しており、未知の入力
データベクトルが入力されると、それに最も近い参照ヘ
クトルすなわちそれに対応するニューロンが選択され、
そのニューロンの出力だけが「1」となるようになって
いる。そしてこの各参照ベクトルの配置すなわち各ニュ
ーロンのシナプス結合の値は学習によって決定すること
ができる。例えば複数台のかごの状況と新規乗場呼びの
組合せを一つ想定し、この状況において何号機に割当て
るのが最適かを専門家の判断により或いはシミュレーシ
ョン等を用いて予め判断しておく。そして最適な割当号
機の状況データベクトル(入カバターン要素の各データ
)を前半ベクトルlla、その他の任意の号機の状況ベ
クトルを後半ベクトルllbとした入力データベクトル
11の各データを入力し、一方、第1教師信号14aを
「1」、第2教師信号14bを「0」として学習を行う
、或いはその逆に、割当号機の状況ベクトルを後半ベク
トル、その他の任意の号機の状況ベクトルを前半ベクト
ル、第1教師信号を「0」、第2教師信号を「1」とし
た学習サンプルについても学習を行う。こうして多数の
学習サンプルについて学習を行うと、未知の入力ベクト
ルであっても、前半ベクトルに対応する号機の方が割当
適性が大きければ、第1出力13aに11」が出力され
、その逆に後半ヘクトルに対応する号機の方が割当適性
が大きければ、第2出力13bに「1」が出力されるよ
うになる。
第2図はこの学習の処理手順の一例を示すフローチャー
トである。
トである。
まず乗場呼びの発生を1つ想定し、そのときの各かごや
システム全体の状況から最適な割当号機を判断し、各号
機毎に状況データベクトルを生成する。すなわち、割当
号機の状況データベクトルを選択データベクトルSとし
、その他の各号機の状況データベクトルを非選択データ
ベクトルR8(jはかごの号機番号、j=1・・・n)
として生成する(手順21〜24)。
システム全体の状況から最適な割当号機を判断し、各号
機毎に状況データベクトルを生成する。すなわち、割当
号機の状況データベクトルを選択データベクトルSとし
、その他の各号機の状況データベクトルを非選択データ
ベクトルR8(jはかごの号機番号、j=1・・・n)
として生成する(手順21〜24)。
次にi=lとし、上記の選択データベクトルSを前半ベ
クトル、非選択データベクトルR1を後半ベクトルとし
た人力データベクトル■を設定し、一方、第1教師信号
を「1」、第2教師信号を「0」とした教師データDを
設定し、一つの学習ステップを実行する(手順25〜2
8)。更に同じ状況データベクトルの組合せで前半ベク
トルと後半ベクトルとを入れ替えたものを入力データベ
クトルとし、第1教師信号を「0」、第2教師信号を「
1」として同様に学習を実行する(手順29〜31)。
クトル、非選択データベクトルR1を後半ベクトルとし
た人力データベクトル■を設定し、一方、第1教師信号
を「1」、第2教師信号を「0」とした教師データDを
設定し、一つの学習ステップを実行する(手順25〜2
8)。更に同じ状況データベクトルの組合せで前半ベク
トルと後半ベクトルとを入れ替えたものを入力データベ
クトルとし、第1教師信号を「0」、第2教師信号を「
1」として同様に学習を実行する(手順29〜31)。
以上の学習動作を割当号機と他の号機のすべての組合せ
について実行すると、この学習サンプルに対する学習を
終了する(手順32〜34)。なお、LVQ−2ネツト
の場合は1つの学習サンプルに対する学習動作を複数回
繰り返す必要がある。
について実行すると、この学習サンプルに対する学習を
終了する(手順32〜34)。なお、LVQ−2ネツト
の場合は1つの学習サンプルに対する学習動作を複数回
繰り返す必要がある。
こうして多数の学習サンプルにより学習を繰り返し、学
習を完了するとこれを用いて次のように割当てを行う。
習を完了するとこれを用いて次のように割当てを行う。
第3図は、本発明による割当ての処理手順を示したフロ
ーチャートである。
ーチャートである。
第3図において、新たに乗場呼びが発生すると、その時
点における各号機(ここではn台とする)の入カバター
ン要素の各データを、各号機毎の状況データX1〜X9
として作成する(手順4L42)。
点における各号機(ここではn台とする)の入カバター
ン要素の各データを、各号機毎の状況データX1〜X9
として作成する(手順4L42)。
次に号機番号のインデックスiとj及びi号機の合計得
点T、の初期化を行う(手順43〜45)。
点T、の初期化を行う(手順43〜45)。
次に、i号機の状況データX、を前半ベクトル、j号機
の状況データX、を後半ベクトルとして入力データベク
トルを設定する(手順46)、そしてこの入力データベ
クトルを第1図のニューラル・ネットに入力し、その結
果、第1出力が1であれば前半ベクトルに対応するi号
機の方が後半ベクトルに対応するj号機より割当適性が
大きいので、i号機の合計得点T、に1を加算する(手
順47)。
の状況データX、を後半ベクトルとして入力データベク
トルを設定する(手順46)、そしてこの入力データベ
クトルを第1図のニューラル・ネットに入力し、その結
果、第1出力が1であれば前半ベクトルに対応するi号
機の方が後半ベクトルに対応するj号機より割当適性が
大きいので、i号機の合計得点T、に1を加算する(手
順47)。
そして上記の手順をi号機とj号機のすべての組合せに
ついて繰り返しく手順48〜50)、その結果、合計得
点Tが最大のかごに乗場呼びを割当てる(手順51)。
ついて繰り返しく手順48〜50)、その結果、合計得
点Tが最大のかごに乗場呼びを割当てる(手順51)。
このように、本発明ではエレベータの台数が何台であろ
うとも、常に2台のエレベータのみを比較し、その比較
、の結果を各号機毎に累積していくというアルゴリズム
を用いることにより最適な号機を決定するようにしてい
る。
うとも、常に2台のエレベータのみを比較し、その比較
、の結果を各号機毎に累積していくというアルゴリズム
を用いることにより最適な号機を決定するようにしてい
る。
本発明によれば、入カバターンをある出カバターンに変
換するパターン連想型のネットワークであれば、その構
造に何ら制限を受けないので、学習性能やハードウェア
による実現性等の観点から、優れたニューラル・ネット
を自由に選択し利用することができる。
換するパターン連想型のネットワークであれば、その構
造に何ら制限を受けないので、学習性能やハードウェア
による実現性等の観点から、優れたニューラル・ネット
を自由に選択し利用することができる。
また本発明では上記のアルゴリズムを用いることにより
、エレベータの台数に拘わらず、ニューラル・ネットの
構造は、エレベータ2台分の状況データが入力でき、ど
ちらかを選択できる出力を備えていればよいので、現場
の仕様に依存せず容易にニューラル・ネットの標準化を
図ることができる。
、エレベータの台数に拘わらず、ニューラル・ネットの
構造は、エレベータ2台分の状況データが入力でき、ど
ちらかを選択できる出力を備えていればよいので、現場
の仕様に依存せず容易にニューラル・ネットの標準化を
図ることができる。
第1図は本発明に係るニューラル・ネットの一例を示す
図、第2図は本発明に係る学習の処理手順を示すフロー
チャート、第3図は本発明に係る割当ての処理手順を示
すフローチャート、第4図はニューロンをモデル化した
ユニットの構造を示す図、第5図ta+ (blはユニ
ットの入出力特性の一例を示す図1、第6図は一般的な
ニューラル・ネットの構造を示す図、第7図はニューラ
ル・ネットを割当て制御に利用した場合の全体の構成の
一実施例を示す図、第8図はニューラル・ネットと入カ
バターン要素との関係を示す図である。 1・・・乗場呼び釦 3A、 3B・・・各号機の運行制御装置5・・・マイ
クロコンピュータ 7・・・入カバターン演算手段 8.12・・・ニューラル・ネット 9・・・割当て判定手段 10・・・割当て信号 11・・・入力データベクトル 13a・・・第1出力 13b・・・第2出力 14a・・・第1教師信号 4b ・第2教師信号 15a。 15b・・・ニューロン 16a。 16b・・・シナプス結合
図、第2図は本発明に係る学習の処理手順を示すフロー
チャート、第3図は本発明に係る割当ての処理手順を示
すフローチャート、第4図はニューロンをモデル化した
ユニットの構造を示す図、第5図ta+ (blはユニ
ットの入出力特性の一例を示す図1、第6図は一般的な
ニューラル・ネットの構造を示す図、第7図はニューラ
ル・ネットを割当て制御に利用した場合の全体の構成の
一実施例を示す図、第8図はニューラル・ネットと入カ
バターン要素との関係を示す図である。 1・・・乗場呼び釦 3A、 3B・・・各号機の運行制御装置5・・・マイ
クロコンピュータ 7・・・入カバターン演算手段 8.12・・・ニューラル・ネット 9・・・割当て判定手段 10・・・割当て信号 11・・・入力データベクトル 13a・・・第1出力 13b・・・第2出力 14a・・・第1教師信号 4b ・第2教師信号 15a。 15b・・・ニューロン 16a。 16b・・・シナプス結合
Claims (2)
- (1)複数の階床に対し複数台のエレベータを就役させ
、新規に発生した乗場呼びに対して、そのときの群の状
況を表わす種々のパラメータをニューラル・ネットに入
力し、その出力結果を用いて最適なかごを選択し、上記
乗場呼びに割当てるようにしたエレベータの群管理制御
方法において、前記複数台のエレベータのうち任意の2
台の号機を1組としてその状況を表わす入力データベク
トルを入力し、その2台のうちどちらの号機の割当適性
が高いかを出力として表わすことのできるニューラル・
ネットを備えておき、新規に乗場呼びが発生すると、複
数台のエレベータのうち任意の2台の号機を1組とする
すべての組合せについてそれぞれ入力データベクトルを
作成し、次にこの各入力データベクトルを前記ニューラ
ル・ネットに順次入力し、そして各入力データベクトル
に対する出力を各号機毎に得点として集計し、その結果
、得点の最も大きな号機に前記乗場呼びを割当てるよう
にしたことを特徴とするエレベータの群管理制御方法。 - (2)複数の階床に対し複数台のエレベータを就役させ
、新規に発生した乗場呼びに対して、そのときの群の状
況を表わす種々のパラメータをニューラル・ネットに入
力し、その出力結果を用いて最適なかごを選択し、上記
乗場呼びに割当てるようにしたエレベータの群管理制御
方法において、前記複数台のエレベータのうち任意の2
台の号機の各状況データベクトルを、それぞれ前半ベク
トル及び後半ベクトルとした組合せからなる入力データ
ベクトルを入力し、第1出力と第2出力の2つの出力う
ち、前半ベクトルに対応する号機の方が後半ベクトルに
対応する号機より割当適性が大きいとき、第1出力の方
が大きな値となるニューラル・ネットを備えておき、新
規に乗場呼びが発生するとその時点における各号機の状
況データベクトル作成し、次にこの状況データベクトル
のうち任意の2つの組合せからなる入力データベクトル
を前記ニューラル・ネットに入力し、その結果、第1出
力の方が第2出力より大きければ、そのときの前半ベク
トルに対応する号機の得点としてカウントし、これをす
べての組合せからなる入力データベクトルについて順次
繰り返し、すべての入力データベクトルについて終了し
たとき、得点の最も大きな号機に前記乗場呼びを割当て
るようにしたことを特徴とするエレベータの群管理制御
方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2134902A JPH0742055B2 (ja) | 1990-05-23 | 1990-05-23 | エレベータの群管理制御方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2134902A JPH0742055B2 (ja) | 1990-05-23 | 1990-05-23 | エレベータの群管理制御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH0428681A true JPH0428681A (ja) | 1992-01-31 |
JPH0742055B2 JPH0742055B2 (ja) | 1995-05-10 |
Family
ID=15139197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2134902A Expired - Fee Related JPH0742055B2 (ja) | 1990-05-23 | 1990-05-23 | エレベータの群管理制御方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0742055B2 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0676356A2 (en) * | 1994-04-07 | 1995-10-11 | Otis Elevator Company | Elevator dispatching system |
US5459665A (en) * | 1993-06-22 | 1995-10-17 | Mitsubishi Denki Kabushiki Kaisha | Transportation system traffic controlling system using a neural network |
US5544059A (en) * | 1993-07-27 | 1996-08-06 | Mitsubishi Denki Kabushiki Kaisha | Traffic means controlling apparatus |
US6439349B1 (en) | 2000-12-21 | 2002-08-27 | Thyssen Elevator Capital Corp. | Method and apparatus for assigning new hall calls to one of a plurality of elevator cars |
CN102296861A (zh) * | 2011-05-31 | 2011-12-28 | 戚国强 | 抗震救生房 |
-
1990
- 1990-05-23 JP JP2134902A patent/JPH0742055B2/ja not_active Expired - Fee Related
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5459665A (en) * | 1993-06-22 | 1995-10-17 | Mitsubishi Denki Kabushiki Kaisha | Transportation system traffic controlling system using a neural network |
JPH07309546A (ja) * | 1993-06-22 | 1995-11-28 | Mitsubishi Electric Corp | 交通手段制御装置 |
US5544059A (en) * | 1993-07-27 | 1996-08-06 | Mitsubishi Denki Kabushiki Kaisha | Traffic means controlling apparatus |
EP0676356A2 (en) * | 1994-04-07 | 1995-10-11 | Otis Elevator Company | Elevator dispatching system |
EP0676356A3 (en) * | 1994-04-07 | 1996-09-18 | Otis Elevator Co | Distribution system for elevators. |
US5672853A (en) * | 1994-04-07 | 1997-09-30 | Otis Elevator Company | Elevator control neural network |
US6439349B1 (en) | 2000-12-21 | 2002-08-27 | Thyssen Elevator Capital Corp. | Method and apparatus for assigning new hall calls to one of a plurality of elevator cars |
CN102296861A (zh) * | 2011-05-31 | 2011-12-28 | 戚国强 | 抗震救生房 |
Also Published As
Publication number | Publication date |
---|---|
JPH0742055B2 (ja) | 1995-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US4760896A (en) | Apparatus for performing group control on elevators | |
JP2664782B2 (ja) | エレベータの群管理制御装置 | |
US5767461A (en) | Elevator group supervisory control system | |
JPH01197287A (ja) | エレベータの群管理制御方法及び装置 | |
JPH075235B2 (ja) | エレベータの群管理制御装置 | |
JPH0428681A (ja) | エレベータの群管理制御方法 | |
JPH0331173A (ja) | エレベータの群管理制御装置 | |
JP2964902B2 (ja) | エレベータ呼び割り当て用ニューラルネットの学習方法 | |
Farag et al. | Neuro-fuzzy modeling of complex systems using genetic algorithms | |
JP2573722B2 (ja) | エレベータ制御装置 | |
JP2959425B2 (ja) | エレベータの群管理制御装置 | |
JP2988306B2 (ja) | エレベータの群管理制御装置 | |
JP3106908B2 (ja) | 待ち時間予測用ニューラルネットの学習方法 | |
JP2500407B2 (ja) | エレベ―タ群管理制御装置の構築方法 | |
JP2988312B2 (ja) | エレベータの群管理制御装置 | |
JP2664766B2 (ja) | 群管理制御エレベータ装置 | |
JP2964907B2 (ja) | エレベータの群管理制御装置 | |
JP2956516B2 (ja) | エレベータの群管理制御装置 | |
JP2962182B2 (ja) | エレベータの群管理制御装置 | |
JPH02163275A (ja) | エレベータの群管理制御装置 | |
JP2979993B2 (ja) | エレベータ呼び割当て用ニューラルネットの学習方法 | |
JPH02286581A (ja) | エレベータの群管理制御装置 | |
JP2962174B2 (ja) | エレベータの群管理制御装置 | |
KR950001901B1 (ko) | 엘리베이터 그룹 제어방법 및 그 장치 | |
JPH0733340A (ja) | エレベータの群管理制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |