Online control of a multiple car elevator system

Abstract

As buildings increase in height, the efficiency of elevator dispatching becomes vital for maximizing usable space and passenger satisfaction. This thesis investigates the impact of lookahead information - the time between when the system learns of a passenger's intent and their physical arrival - on various dispatching strategies. Using a discrete event- driven simulation framework, we compared simple heuristics (sectoring and local search) against metaheuristics (Genetic Algorithms and Ant Colony Optimization). Experiments were conducted across three building models under up-peak, down-peak, and idle traffic conditions. The results revealed a saturation point: while advance knowledge reduces Average Journey Time (AJT), lookahead windows exceeding 10-20 seconds often intro- duce noise that hinders convergence. We further found that while Genetic Algorithms excel in high-complexity environments, simpler heuristics remain highly competitive not only in smaller buildings.

Aby se v budovách, jež stále rostou do výšky, uspokojily požadavky na maximalizaci využitelného prostoru a spokojenost pasažérů, narůstá tlak na efektivitu výtahových al- goritmů. Tato práce zkoumá vliv předstihu, v němž algoritmus ví o záměru pasažéra, na různé strategie přiřazování pasažérů výtahům. Pomocí diskrétní simulace byly po- rovnány jednoduché heuristiky (sektorování nebo lokální průzkum) s metaheuristikami (genetickými algoritmy a optimalizací mravenčí kolonií). Experimenty byly provedeny na modelech třech budov při provozu během ranní špičky, odpolední špičky a klidového re- žimu. Výsledky odhalily bod nasycení: zatímco předběžná informace snižuje průměrnou dobu přepravy (AJT), předstih větší než 10-20 sekund často přináší šum, který brání konvergenci. Dále bylo zjištěno, že ačkoli genetické algoritmy vynikají v komplexních prostředích, jednodušší heuristiky s nimi mohou soupeřit nejen v malých budovách.