Nouvelle approche dans le développement d’algorithmes de contrôle de groupe d’ascenseurs
Patrick Chénais et Karl Weinberger
Schindler Management AG
CH 6030 Ebikon/Lucerne, Switzerland
Conférence ELEVCON 92 Amsterdam
publié dans Technologie des ascenseurs 4
Vendredi 1er mai 1992
Les algorithmes de contrôle de groupe sont conçus pour accroître la capacité de transport des groupes d’ascenseurs et améliorer divers facteurs, tels que le temps d’attente des passagers. Au cours des dix dernières années, les performances ont considérablement progressé grâce au développement des technologies, du matériel et des logiciels. Cependant, les objectifs d’optimisation (par exemple, la minimisation du temps d’attente) ne sont pas encore clairement définis et restent ambigus. Il n’est pas certain que le système optimise exactement ce qui est attendu. Cet article décrit notre approche, qui consiste d’abord à mieux définir les objectifs (les facteurs liés aux passagers sont projetés dans l’espace factoriel), ensuite à concevoir un module d’évaluation et enfin à l’intégrer dans un système cible.
1992
P. Chénais, K. Weinberger, New approach in the development of elevator group control algorithms, I.A.E.E. Elevator Technology 4, Proceedings of ELEVCON ’92, Amsterdam, The Netherlands, May 1992.
Lien vers l’article
Article disponible sur Cocalos.com ici ou en ligne ici lien vers l’article
L’article a été traduit et publié en 1993 en italien et en allemand
P. Chénais, K. Weinberger, Nuovi sviluppi nei sistemi di controllo delle batterie di ascensori, Elevatori Anno XXII Volume 22, Gennaio/Febbraio 1993.
P. Chénais, K. Weinberger, Neues Vorgehen bei der Entwicklung von Algorithmen für Aufzugsgruppen, Lift Report, 19. Jahrg. (1993) Heft 1 (Januar/Februar’ 93), 1993.
Analyse de l’article
🎯 Objectif de l’article
L’article propose une nouvelle approche dans le développement des algorithmes de contrôle de groupes d’ascenseurs, en mettant l’accent sur une meilleure définition des objectifs d’optimisation, plutôt que sur la seule formulation de règles de décision. Le but est d’améliorer la capacité de transport et de réduire le temps d’attente des passagers, tout en s’adaptant aux conditions variables de trafic.
🏗️ Problèmes de l’approche actuelle
- Ambiguïté des objectifs :
Les objectifs comme « réduire le temps d’attente » sont souvent mal définis (temps moyen ? maximum ?). - Dépendance au trafic :
Les règles existantes (ex. affectation de l’ascenseur le plus proche ou coïncidence d’appel) ne s’adaptent pas bien à des situations mixtes ou changeantes (ex. trafic descendant vs interfloor). - Règles figées :
L’intelligence est souvent dans les règles elles-mêmes, ce qui rend l’adaptation difficile.
🆕 Nouvelle approche proposée
🔹 1. Définition explicite des objectifs
- Les objectifs d’optimisation sont définis indépendamment des règles.
- Exemple : au lieu de simplement réduire le temps d’attente, on précise s’il faut minimiser le temps moyen, le temps maximal, ou la probabilité d’un long délai.
🔹 2. Module d’évaluation
- Module central qui contient les objectifs.
- Il évalue toutes les solutions possibles (assignations) selon ces objectifs.
- Les passagers sont représentés dans un « espace de facteurs », selon des dimensions comme temps d’attente, durée de trajet, etc.
🔹 3. Séparation entre logique d’évaluation et prise de décision
- Un « shell » de contrôle entoure le module d’évaluation pour générer, simuler, et tester différentes solutions (affectations d’ascenseurs).
- Utilisation possible d’IA (réseaux neuronaux, logique floue) pour apprendre et ajuster dynamiquement le comportement.
🔹 4. Simulation et apprentissage
- Le système effectue des simulations rapides pour estimer les conséquences de chaque solution.
- Technique d’arborescence (tree search) avec élagage alpha pour ne conserver que les meilleures options.
- Permet une prise de décision rapide et plus intelligente, même dans des situations complexes ou imprévisibles.
🔹 5. Conclusion
Les auteurs estiment que cette approche — centrée sur les objectifs via un module d’évaluation — est plus robuste et évolutive. Elle permet d’intégrer facilement les besoins spécifiques de chaque installation ou client, tout en assurant une optimisation plus fidèle des performances souhaitées.
✅ Avantages de la nouvelle approche
- Adaptation automatique aux variations de trafic.
- Flexibilité pour changer les objectifs selon les besoins du client.
- Amélioration réelle de la performance par rapport aux règles statiques traditionnelles.
- Séparation claire entre la technique (contrôle, simulation) et les préférences métier (objectifs clients).
Comparaison entre l’ancienne et la nouvelle approche
| Aspect | Ancienne approche (traditionnelle) | Nouvelle approche (proposée par l’article) |
|---|---|---|
| Base de décision | Règles codées fixées par des ingénieurs (heuristiques) | Objectifs définis dans un module d’évaluation |
| Flexibilité | Faible (règles rigides, difficiles à adapter) | Élevée (objectifs modifiables selon le besoin) |
| Optimisation | Indirecte (via règles supposées optimiser) | Directe (évaluation explicite des performances selon des facteurs) |
| Adaptation au trafic | Manuelle ou semi-automatique (par typologie : up-peak, down-peak) | Naturelle et fluide (grâce à l’analyse continue des données passagers) |
| Utilisation de l’IA | Optionnelle, limitée aux systèmes experts basés sur règles | Possible : IA utilisée pour l’évaluation (réseaux neuronaux, logique floue) |
| Rôle de l’ingénieur | Développe les règles (système rigide à maintenir) | Construit le système + collabore avec client pour définir les objectifs |
| Simulation & test de solutions | Limité ou inexistant | Simulation intégrée pour comparer plusieurs solutions en temps réel |
| Représentation des passagers | Agrégée (temps moyen, taux de remplissage, etc.) | Individuelle (chaque passager = point dans un espace de facteurs) |