简介面向数学建模竞赛、运筹优化课程设计及高层建筑电梯系统分析doc文档完整呈现电梯调度问题的建模与求解过程。包内仅1个文件压缩后约144KB内容覆盖从问题重述到模型评价的完整链条先建立以乘客等待时间、电梯总运送时间、停靠次数和行进总时间为指标的评价体系再结合层次分析法AHP确定指标权重并通过无量纲化与满意度函数对不同方案进行综合评分。针对高峰时段文档设计了中间不停靠的理想化模型与分段楼层分配模型后者利用MATLAB遍历搜索确定最优分区同时引入概率论计算各层停靠概率能明显减少停靠次数与运行时间。全文包含具体假设、公式推导、数据表格和求解思路已有1064人学习下载适合需要撰写数学建模论文或复现调度算法的读者参考。1. 电梯调度问题里藏着的数学建模先到先得为什么不是最优解一座 20 层写字楼4 部电梯早高峰所有楼层都在按按钮。先到先得策略看起来公平结果就是电梯频繁往返 1 层和顶层每层都停中央大厅排队越来越长。这是典型的资源调度问题电梯是稀缺资源乘客请求随机到达要让所有人平均等待时间尽量短。与其靠“高峰模式”这种模糊经验不如把它建模成一个优化问题定义决策变量、目标函数和约束再让算法算出调度方案。这正是数学建模电梯的调度问题要解决的事也是高校竞赛题和实际楼宇群控系统的共同起点。这篇文章从数学模型讲起逐步落到可运行的 Python 代码和仿真避坑适合参赛学生、系统设计工程师以及想用数据方法优化建筑运维的从业者。2. 把电梯调度翻译成数学模型从物理过程到目标函数2.1 决策变量与状态变量一部电梯到底要决定什么电梯调度问题的输入很明确每个乘客按下按钮的时刻、出发楼层、目标楼层加上电梯自身的位置和运行方向。系统要决定的不是“电梯朝哪走”而是“在某个时刻由哪一部电梯去响应这个召唤如果路过多层要不要顺路停靠如果多部电梯同时可用优先派谁”。这里要区分两层模型。第一层是静态分区模型把楼层集合分给不同电梯适用客流方向集中的场景早高峰写字楼是典型。第二层是动态调度模型每来一个事件都要重新决策适用商场、医院这类随机性强的场景。竞赛题目如果只给了高峰客流表通常静态分区模型就足够如果强调实时召唤就要做动态模型。无论哪一层都要先记住电梯的物理约束。电梯不是传送门一次运行时间由这么几部分构成层间运行时间含加减速、开关门时间、乘客进出时间、容量限制。常见做法是给这些参数一个参考表建模时按场景赋值。参数典型参考值对模型的影响层间运行时间含加减速3~5 秒/层决定运行周期下限开关门时间1.5~2.5 秒/次停靠次数越多越不可忽略单个乘客进出时间0.5~1 秒/人高峰期满载时显著放大服务时间额定容量10~20 人决定电梯是否会排队溢出我一般会在建模前把这张表贴在论文模型假设一节里后面所有公式都从这张表出发。这一步看着琐碎实际决定了你的模型是“能落地”还是“纯理论”。2.2 目标函数平均等待时间 vs 最长等待时间电梯调度常见目标有三个平均等待时间AWT、平均乘梯时间AJT、最长等待时间MWT。工程上还常加一个能耗目标但竞赛论文里最核心的还是等待时间。假设一个调度方案服务 N 个乘客第 i 个乘客从按下按钮到电梯开门等待了 W_i 秒那么平均等待时间 AWT (1/N) Σ W_i最长等待时间 MWT max_i W_i如果只优化 AWT算法很可能为了整体数据漂亮牺牲少数人导致某个乘客等 5 分钟。反过来只优化 MWT又会让平均等待时间变长。所以常见做法是把它们线性加权minimize f α·AWT β·MWT γ·Energyα、β、γ 就是权重系数。比赛论文里可以给三组不同权重做灵敏度分析说明你选的权重为什么合理工程里则应该按物业方的真实诉求来定比如“宁可平均多等 10 秒也要保证没人等超过 90 秒”。还可以用排队论做理论近似。把一台电梯看成服务台乘客到达看成随机过程对单电梯模型用 M/G/1 排队公式粗略估计平均等待时间ρ λ·E[S]W ≈ λ·E[S²] / (2(1-ρ)) E[S]/2其中 λ 是每秒到达率E[S] 是平均服务时间E[S²] 是服务时间的二阶矩。这个公式不要求电梯系统完全满足排队论假设但能用来快速判断系统是否过载一旦 ρ 接近 1等待时间会急剧上升。这个结论在数学建模论文里非常有用可以直接支撑“当前电梯数量不足”的判断。2.3 约束条件与模型假设写参赛论文前先把这些说清楚模型再好约束条件写不全是丢分的主要原因。电梯问题里必须明确的约束至少有四条第一容量约束。电梯内人数不超过额定容量高峰期乘客可能在楼层滞留。第二方向约束。电梯通常只响应同方向的召唤反向召唤要等下一趟。第三停靠约束。电梯不会在没有召唤的楼层停靠除非该层有人在轿厢内按下目标键。第四运动学约束。电梯不能瞬间启动和停止加减速时间要折进层间运行时间。再就是模型假设。数学建模最忌讳隐藏假设凡是简化都要写出来。我常见做法是假设乘客到达服从泊松过程早高峰目标楼层集中在首层忽略满载不能停靠的情况假设所有电梯参数一致假设建筑内部无紧急事件。这些假设在正文里一一列出来后面仿真再逐步放宽。如果目标楼层五花八门静态模型还会失效这时就要补一个乘客目的地分布矩阵 DD[i][j] 表示从 i 层到 j 层的乘客比例。有了这个矩阵动态调度模型才能算真实的顺路效果。矩阵数据可以从电梯控制器日志里统计没有日志就用经验分布底层住户多去高层高层住户多去首层。3. 调度策略怎么选先到先得、分区调度和动态规划的边界3.1 先到先得为什么“看起来公平做起来低效”先到先得是新手最容易写进模型的对策所有召唤按时间排序电梯依次响应。从排队论看它公平但从电梯物理运动看它会带来两个问题。第一电梯频繁跨层。低层召唤和高层召唤交叠出现时电梯要在整个楼层区间来回跑运行效率极低。第二新召唤会打断既定路线长距离请求一直得不到服务乘客在高层越等越久。现实电梯内置的 SCAN 策略要好得多电梯沿一个方向运行只响应同方向召唤到顶后再反向。SCAN 避免了电梯频繁转向减少了平均等待时间也是很多电梯控制器的默认逻辑。但 SCAN 在高峰期的吞吐量仍然不够因为它没有从全局角度协调多部电梯每部电梯都独立扫描可能同时停在同一批楼层。我在竞赛里看到的常见错误是把 FCFS 或 SCAN 直接当成“优化好的方案”没有和更优策略做对比。正确做法是把它们当成基线后面任何算法只要能赢过这两条才有说服力。3.2 静态分区调度高峰场景下最简单有效的策略之一静态分区很简单把楼层分成几个区间每部电梯只负责其中一个区间。上班早高峰所有人从首层或地下车库上行目标楼层分布在各个办公层这时电梯的停靠次数越多周期越长排队越严重。分区后每部电梯只停靠自己负责的楼层停靠次数立刻降下来运行周期也随之缩短。分区不是把楼层平均切一刀就完事。楼层越高往返运行时间越长所以低层电梯可以多负责一些楼层高层电梯少负责几层。更准确的做法是按“每部电梯的运行周期和到达率乘积”来均衡一部电梯一次往返周期 T 2·(最高层-1)·t_run 停靠次数·t_door 上下客时间理论上最优分区要让每部电梯的 T 与它的到达率 λ 的乘积尽量接近因为这样所有电梯的利用率一致系统不会出现一台过载、一台空闲。这里的 λ 不是写死的而是排队论里那个到达率。静态分区只适用客流方向集中的场景。商场、医院、写字楼午休这种乘客目标楼层分散的场合分区反而会让电梯空跑因为低区乘客要去高区时低区电梯把他送完还得跑一趟高区跨越多个分区。所以选策略之前先看目标楼层分布矩阵 D 是否稀疏。3.3 动态规划精确但状态爆炸什么时候不要硬上动态规划可以给出电梯调度的最优解思路是把每部电梯的状态表示成五元组当前位置、运行方向、轿厢内人数、轿厢内目标集合、楼外召唤集合。状态转移就是电梯在下一瞬间要么移动一层、要么开门、要么关门出发。这样建模之后可以用 MDP马尔可夫决策过程求解最小期望等待时间。问题是状态空间膨胀极快。20 层、4 部电梯每部电梯的位置有 20 个可能方向 3 个召唤集合是 2^40 级别四个维度的笛卡尔积是一个天文数字。即使离线算出策略表在线查询时的实时性也顶不住。所以我在实际项目里很少把动态规划作为主算法最多拿来验证 2 部电梯、6~8 层这种小规模场景确认某个启发式算法离最优解有多远。竞赛论文里更常见路线是静态分区或启发式算法作为主模型动态规划作为小规模特例验证。这样既证明了你有精确建模能力又避免了状态爆炸写不出来。既然精确方法不可行启发式算法就成了主流选择。遗传算法擅长搜索“调度策略的参数”比如分区边界、目标函数权重、是否允许跨区支援粒子群算法适合连续参数模拟退火适合在已有策略上做局部微调。它们都不保证最优但对于电梯调度这种“找到够用且可解释的方案”的实际需求性价比最高。4. 用 Python 求解双电梯静态分区枚举代码与遗传算法参数4.1 双电梯分区的最小可运行枚举代码下面这段代码解决一个简化问题10 层办公楼2 部电梯每分钟各层产生 4 个上行请求求楼层分配方案让两部电梯的估算平均等待时间尽量小。先说明这不是精确仿真而是一个静态近似模型目的是把“分区优化”这件事变成可运行代码真正要落地时把 evaluate 函数换成离散事件仿真即可。from itertools import product # ---------- 环境参数 ---------- N_FLOORS 10 # 建模楼层数第 1 层为大厅 CAPACITY 10 # 单台电梯额定容量人 T_RUN 3 # 电梯运行一个层站的平均时间秒含加减速 T_DOOR 2 # 开关门一次时间秒 T_IO 1 # 单个乘客进出电梯平均时间秒 # ARRIVAL[i] 表示第 i 层每分钟产生的上行请求数下标 0 不用 ARRIVAL [0] [4] * (N_FLOORS - 1) def evaluate(floors): 计算某电梯负责给定楼层时的估算平均等待时间秒 if not floors: return float(inf) # 没有分配楼层视为不可行 highest max(floors) # 电梯最高要到达的楼层 stops len(floors) # 粗略认为每个负责楼层都停一次 period 2 * (highest - 1) * T_RUN stops * T_DOOR rate sum(ARRIVAL[f] for f in floors) # 该电梯负责楼层的总请求率 arrivals_per_cycle rate * period / 60.0 # 一个往返周期内新到请求数 # 如果一周期内请求数超过容量超出部分要等待下一周期 if arrivals_per_cycle CAPACITY: extra_cycles (arrivals_per_cycle - CAPACITY) / CAPACITY waiting period * (0.5 extra_cycles) else: waiting period * 0.5 return waiting best_score float(inf) best_floors_a None best_floors_b None # 楼层 2..N_FLOORS 各自分配给电梯 A 或电梯 B共有 2^(N_FLOORS-1) 种方案 for chromo in product([0, 1], repeatN_FLOORS - 1): floors_a [i 2 for i, bit in enumerate(chromo) if bit 0] floors_b [i 2 for i, bit in enumerate(chromo) if bit 1] score max(evaluate(floors_a), evaluate(floors_b)) # 取较大值避免牺牲某一部电梯 if score best_score: best_score score best_floors_a, best_floors_b floors_a, floors_b print(电梯 A 负责楼层:, best_floors_a) print(电梯 B 负责楼层:, best_floors_b) print(估算平均等待时间: %.1f 秒 % best_score)代码逻辑不复杂用 product 生成所有楼层分配组合对每台电梯调用 evaluate 估算等待时间取两台电梯里更大的值作为该方案的评分。用最大值而不是平均值是为了保证公平性避免算法把某一部电梯分到不可能完成的任务。参数说明T_RUN、T_DOOR、T_IO、CAPACITY、ARRIVAL 都是直接可调的。把 ARRIVAL 改成[0, 8, 6, 5, ...]就能模拟不同楼层的早高峰差异把 N_FLOORS 改成 15枚举次数会从 512 变成 16384代码仍然能跑。evaluate 里的 period 计算有意省略了 T_IO因为 T_IO 与乘客数量耦合会形成循环依赖想加回 T_IO可以等仿真阶段再做。4.2 从枚举到启发式为什么楼层多了要改用遗传算法上面枚举法能跑通是因为 2 部电梯、10 层楼分配方案只有 512 种。一旦电梯数变成 4、楼层数变成 30分配方案数是 4^29约 2.9 万亿种枚举直接报废。这时常见做法是遗传算法。提示枚举法只在问题规模很小时可用如果电梯数量或楼层数变大先把本节代码换成遗传算法框架再跑。遗传算法做静态分区优化时染色体可以继续沿用上面的二进制编码染色体每一位代表一个楼层取值 0 表示电梯 A取值 1 表示电梯 B。适应度函数就是上面的 evaluate 组合逻辑。每迭代一代算法通过选择、交叉、变异产生新的楼层分配方案最终收敛到一个“够用”的解。但要注意遗传算法是黑匣子不保证全局最优。我在项目里通常先跑一遍枚举或随机撒点了解解的大致水平再决定要不要用遗传算法。如果问题规模只有 2 部电梯 10 层楼直接枚举更稳写进论文也更清晰评审能看懂每一个结果是怎么来的。启发式算法的意义是处理“枚举跑不动”的场景而不是显得技术高级。4.3 遗传算法的三个必调参数种群大小、交叉率、变异率用遗传算法时参数调不好结果比随机分配还差。我一般只先调三个参数参数常用范围设得太大设得太小种群大小20~100每代计算慢容易早熟陷入局部最优交叉率0.6~0.9好基因被拆散新方案产生太慢变异率0.01~0.1搜索接近随机乱猜难以跳出局部最优调参建议先固定随机种子确保算法可复现再让种群大小从 50 开始交叉率 0.8变异率 0.05。看收敛曲线如果前 10 代就已经收敛说明多样性不足把变异率往上调如果到第 100 代还在大幅波动说明收敛性差把交叉率或种群大小往上调。竞赛论文里做灵敏度分析时把这三个参数各取三个水平做三组对比表格放进去就足够。真正工程落地时还要把适应度函数从静态近似换成仿真器的多次随机结果因为单次仿真的方差很大算法会把噪声当成优化信号。5. 仿真验证与避坑客流分布、时间参数、评价指标5.1 用离散事件仿真验证调度策略至少要把客流和时间参数做对静态模型能给出理论上的最优分区但真实电梯系统是动态的乘客随机到达、电梯之间有抢占、满载不停靠。用离散事件仿真验证是让模型从论文走向落地的关键一步。仿真器最低配置要包含四件事。第一事件队列乘客召唤事件、电梯到站事件、电梯开门和关门事件。第二乘客生成器根据到达率和时间片生成乘客每位乘客有出发楼层和目标楼层。第三电梯逻辑实现你要比较的调度策略SCAN 或分区策略都写进去。第四统计模块记录每位乘客的开始等待时间和结束等待时间最后算 AWT、MWT 和 P95。我给仿真器的建议参数如下项目建议取值说明仿真时长3 个高峰时段前 10 分钟作为预热期不计入统计随机种子5~10 个每个种子跑一次取平均值客流时间片每 5 分钟一个 λ(t)高峰与平峰分开目标楼层分布从历史日志统计没有日志就用经验矩阵这里特别提醒仿真里电梯的加减速时间和开关门时间不要再折成一个简单常数“每层 3 秒”否则仿真的乐观偏差会非常大。更稳的做法是把层间运行时间拆成匀速段和加减速段再和开关门、乘客进出叠加。5.2 避坑记录 1把均匀到达率套到高峰场景结论直接失效现象仿真跑出来的平均等待时间只有 30 秒和实际体验相差很大现场乘客普遍反映要等两三分钟。原因模型里把到达率设成了常数 λ早高峰 20 分钟内实际到达率是平峰期的 3~5 倍均匀假设让电梯始终处于轻载状态。解决把到达率写成随时间变化的函数 λ(t)按 5 分钟或 10 分钟一个时间片切分。例如 8:00~8:05 到达率 40 人/分钟8:05~8:10 到达率 60 人/分钟这样仿真器才能真正压测电梯系统。5.3 避坑记录 2忽略电梯加减速与开关门时间模型过于乐观现象模型算出的最优方案在仿真里表现很差电梯实际运行时间比理论周期长了将近一半。原因静态模型把层间运行时间当成常数没有考虑电梯从静止加速、到达减速和开门等待。楼层越高、停靠越多这个误差被放大越严重。解决在模型和仿真正式计算前把一次运行时间拆成这样启动加速段 匀速段 制动减速段 开关门时间 乘客进出时间。即使没有实测数据也要用电梯厂商参数把数量级填对否则后面对比不同分区方案都是在比谁错得更小。5.4 避坑记录 3只用平均等待时间评价忘记最长等待时间现象优化后的方案平均等待时间从 45 秒降到了 35 秒方案看起来很好但上线后投诉反而变多。原因平均值被大部分短等待乘客拉低了少数长尾乘客可能等了 3 分钟。平均等待时间掩盖了极端情况而乘客对“等太久”的记忆远比“平均还行”深刻。解决评价指标至少同时看 AWT、MWT 和 P95。P95 指排在第 95 百分位的等待时间它比平均值更能反映大多数人的真实体验。论文里把这三项指标列在同一张表方案优劣一对比就很清楚。5.5 避坑记录 4把静态分区结论直接套到动态呼叫场景现象静态分区优化出的楼层分配放到实时召唤仿真里跑出现空闲电梯在高区空跑、低区排队的情况。原因静态分区假设乘客目标楼层高度集中每部电梯只在负责区间内做往返动态场景里目标楼层分散跨越分区的乘客大量存在电梯不得不越区服务。解决先看目标楼层分布矩阵 D如果 D 的非对角线项占比超过 30%静态分区就要谨慎使用。更通用的做法是把分区边界也作为动态决策的一部分每隔一段时间按实时客流重算一次边界而不是一个方案用一整天。6. 进阶方向把静态规划升级成动态策略用仿真反馈调参静态分区是迈出第一步的稳妥解但真实写字楼的客流一天内至少有三波变化早高峰上行、午休双向、晚高峰下行。更进阶的做法是把分区边界从固定值变成随时间变化的函数8:00~9:00 用早高峰最优分区17:00~18:00 把分区反转成“高层负责低区”的镜像方案。这样调度策略就从“一个静态方案”升级成“按时间片切换的规则表”。再进一步可以去掉分区这个中间变量直接用遗传算法去搜索调度器内部的权重参数。比如给电梯控制器设计一个评分函数当新召唤到来时对每部电梯计算“响应该召唤的综合代价”代价 距离 方向惩罚 顺路收益 满载惩罚。这里的方向惩罚和顺路收益就是几个连续权重用遗传算法跑几百轮仿真就能搜出来。这也是很多商用群控电梯的做法只是它们用的是实时强化学习比赛和原型项目用遗传算法足够。验证进阶方案时我习惯在同一份历史客流数据上做三组对比基线 SCAN、静态分区、动态周期分区。三组都跑同样的随机种子统计 AWT、MWT、P95 和能耗看哪一组的提升最显著。只有动态方案在指标上稳定优于静态方案才值得投入。我调电梯调度参数时踩过一个坑变异率设得偏低遗传算法卡在局部最优搜出来的权重甚至不如原始 SCAN。后来把适应度函数从单次仿真改成多个随机种子的平均结果才把链路走通。做电梯调度第一步不是写高级算法而是把时间参数和客流分布做对基线跑稳了算法优化才有意义。希望帮到你。本文还有配套的精品资源点击获取