Asignación de llamadas para ascensores con arquitectura Double Deck mediante algoritmos de Búsqueda Tabú

Equation Chapter 1 Section 1 Trabajo Fin de Grado Grado en Ingeniería de Tecnologías Industriales Asignación de llamadas para ascensores con arquitectura Double Deck mediante algoritmos de Búsqueda Tabú Autor: Alejandro Vázquez Ledesma Tutor: Pablo Fabio Cortés Achedad Dep. Organización Industrial y Gestión de Empresas II Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2016 - 2 - - 3 - Trabajo Fin de Grado Grado en Ingeniería de Tecnologías Industriales Asignación de llamadas para ascensores con arquitectura Double Deck mediante algoritmos de Búsqueda Tabú Autor: Alejandro Vázquez Ledesma Tutor: Pablo Fabio Cortés Achedad Catedrático de Universidad Dep. Organización y Gestión de Empresas II Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2016 - 4 - - 5 - Trabajo Fin de Grado: Asignación de llamadas para ascensores con arquitectura Double Deck mediante algoritmos de Búsqueda Tabú Autor: Alejandro Vázquez Ledesma Tutor: Pablo Fabio Cortés Achedad El tribunal nombrado para juzgar el TFG arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2016 El Secretario del Tribunal - 6 - - 7 - Agradecimientos Al Dr. Pablo Cortés por la orientación, ayuda y atención prestada durante la realización de este trabajo y con su rápida respuesta ante cualquier tipo de duda o problema. A mi pareja y familia por su paciencia, confianza, ánimo y apoyo constante a lo largo del camino ayudándome a conseguir los objetivos y metas marcadas durante estos años de estudio. A los que ya no están pero que aportaron su granito de arena. Muchas Gracias - 8 - - 9 - Resumen El precio del suelo está siendo incrementado cada día ya que hay menos lugares para construir, por lo que el transporte vertical está adquiriendo una gran relevancia en la actualidad. Además, cada día la altura de los edificios que se construyen alrededor del mundo es mayor para aprovechar el espacio disponible. Este trabajo pretende minimizar el tiempo medio de espera de un pasajero frente a las puertas de un ascensor con arquitectura Double Deck. Se implementa un algoritmo de Búsqueda Tabú en C++ mediante el software Microsoft Visual Studio y se realizan simulaciones con el software Elevate. Se comparan los resultados obtenidos con otros algoritmos de asignación de llamadas a ascensores. - 16 - 1. OBJETO Este Trabajo Fin de Grado tiene como objetivo el estudio de la asignación de llamadas a ascensores con arquitectura Double Deck mediante un algoritmo basado en la Búsqueda Tabú implementado en C++ con el software Microsoft Visual Studio para ser estudiado mediante la simulación con el software Elevate 8. Se trata de encontrar aquella asignación de llamadas que proporcione un menor tiempo de espera de los usuarios en la puerta del ascensor de modo eficiente debido a que deberemos encontrar dicha asignación en un tiempo considerado como aceptable. Además, se va a estudiar también el tiempo medio de tránsito de los pasajeros que suben al ascensor. La memoria de este trabajo se divide en siete secciones. Al final de la misma se encuentran los anexos con las gráficas que se obtienen a lo largo del estudio y los códigos de edificios y ascensores que se usan a la hora de implementar en C++ el algoritmo. En primer lugar, en la segunda sección se introduce al mundo del ascensor a través de una pequeña reseña histórica y la tipología de ascensores que se encuentran en la actualidad. En esta misma sección se describe el ascensor con arquitectura Double Deck, objeto de estudio en este trabajo. En la tercera sección se detallan los tipos de patrones de tráfico de pasajeros que existen en los edificios y se explica el sistema de evaluación de la calidad del servicio que se va a emplear para comprobar la bondad del algoritmo que se programa. La sección cuarta de este trabajo recoge las restricciones del problema que se estudia así como una explicación del algoritmo de Búsqueda Tabú. Además, en esta misma sección se detalla el diagrama de flujo y los pasos que sigue el algoritmo de Búsqueda Tabú que se implementa para la asignación de llamadas. La quinta sección trata sobre los dos softwares que se emplean en este trabajo: Elevate y Microsoft Visual Studio. Se explican las características de cada uno de ellos por separado y se detalla el proceso de instalación de la interfaz de desarrollador que permite la conexión entre ambos para la realización de las simulaciones. La sección sexta es probablemente la más importante ya que en ella se encuentra el objetivo principal de este trabajo. Se realiza una experimentación consistente en la simulación del funcionamiento del algoritmo implementado en edificios que varían tanto el número de plantas como el número de ascensores. Se obtienen los tiempos medios de espera y los tiempos medios de tránsito para cada combinación del número de plantas del edificio con el - 17 - número de ascensores que el edificio tiene. Una vez se han obtenido los resultados anteriores se comparan con los obtenidos a través de otros algoritmos de asignación de llamadas a ascensores (algoritmo genético, algoritmo genético modificado y double deck destination control) para comprobar el funcionamiento correcto, o no, del algoritmo de Búsqueda Tabú. Se realiza un análisis para cada edificio en el que se compara el valor del tiempo medio obtenido mediante cada uno de los algoritmos. Como análisis complementario, por ser un objetivo secundario, se compara el valor del tiempo medio de tránsito que se obtiene de cada uno de los algoritmos. En la sección séptima se elabora un análisis de las conclusiones que se extraen de la experimentación y estudio del problema. Se detalla si el algoritmo que se implementa cumple con los requisitos. Se tiene un primer anexo en el cual se recogen las gráficas generadas por el software Elevate 8 para cada una de las simulaciones realizadas. En el segundo anexo se incluyen los códigos de los objetos empleados (edificios y ascensores) para la implementación del algoritmo en C++. - 18 - 2. INTRODUCCIÓN En esta sección se trata la historia de los sistemas de ascensores así como los distintos tipos de ascensores que se pueden encontrar. Se pone especial hincapié en los ascensores con arquitectura Double Deck. 2.1. Reseña histórica Hay indicios de ascensores rudimentarios cuya fuerza motriz era la fuerza humana, de animales o del agua allá por el año 300 A.C. Aunque no es hasta el siglo XIX cuando se puede encontrar el ascensor cuyo concepto se tiene actualmente, que era propulsado mediante vapor dentro de los cilindros que movían la cabina. En 1853, Elisha Graves Otis muestra un ascensor con “freno de emergencia” que evitaba la caída libre de la cabina en caso de rotura del cable que la sostenía. Elisha demostró la eficacia de su sistema de emergencia instalando su ascensor en el edificio Crystal Palace de New York. En la figura 1 se muestra la escena (Un poco de historia, 2016). Figura 1: Elisha Graves muestra su “freno de emergencia” - 19 - Paralelamente, en Inglaterra, Frost y Stutt desarrollaron un ascensor con contrapeso que se accionaba mediante tracción cuya denominación fue “Teagle” (aparejo para elevación). Gracias a estos avances, se sentaron las bases para la aparición del ascensor seguro. En el año 1857, se instaló el primer ascensor de pasajeros del mundo, fabricado por Otis Elevator Company, en un hotel de cinco pisos en Broadway. Siendo esto un revulsivo importante ya que hasta dicha fecha, alojarse en niveles muy superiores de edificios era inaceptable ya que requería subir demasiadas escaleras con el equipaje. Es a partir de entonces cuando el número de ascensores comienza a crecer, no sin avanzar tecnológicamente. En 1867, Leon Edoux presentó en la Exposición de París un ascensor con accionamiento hidráulico. Siemens muestra un ascensor con accionamiento eléctrico en 1880 durante la Exposición de Mannheim, aunque no es hasta 1889 cuando Norton Otis desarrolla el primer ascensor eléctrico accionado mediante corriente continua. En 1900 se introduce el motor de inducción para corriente alterna, siendo en 1903 cuando aparecen en Estados Unidos los ascensores con corriente de tracción sin engranajes. Se muestra a continuación en la tabla 1 una comparativa de la carga y velocidad máxima de algunos ascensores a lo largo de la historia. Tabla 1: Comparativa de carga y velocidad máxima en el tiempo Año Carga Máxima (kg) Velocidad Máxima (m/min) 1857 450 12 1867 - 150 1889 675 30 1922 - 420 Desde el siglo XX hasta hoy día, la innovación en los sistemas de ascensores ha avanzado en la mejora del motor eléctrico, en la seguridad y en la rapidez con la que se sirven las llamadas. Además, la arquitectura de edificios ha cambiado a lo largo de este tiempo haciendo que el requerimiento de ascensores más eficientes sea necesario. Cabe destacar varias empresas que a lo largo de la historia han hecho evolucionar el mundo del ascensor, tales como Mitsubishi Electrics, Otis o Schindler. Aunque también encontramos otra serie de empresas de más reciente creación que favorecen la competitividad del sector en pos de favorecer la evolución del ascensor como ThyssenKrupp, MP u Orona. En las siguientes figuras se muestran los logotipos de las distintas empresas nombradas. - 20 - Figura 2: Logo Mitsubishi Electric Figura 3: Logo Otis Figura 4: Logo Schindler - 21 - Figura 5: Logo Thyssenkrupp Figura 6: Logo MP Figura 7: Logo Orona - 22 - 2.2. Tipos de Ascensores En este apartado se tratan los distintos tipos de ascensores que se encuentra en la actualidad. Se clasifican según su aspecto de diseño y según su aspecto técnico (Tipos de ascensores para las edificaciones, 2013). 2.2.1. Según su aspecto técnico  Ascensores autoportantes (sin sala de máquinas): Este tipo de ascensor es muy común en lugares como viviendas unifamiliares, salones de fiesta, cines o cualquier otra instalación que deba prescindir de una sala de máquinas. La máquina de tracción en su conjunto completo se coloca en forma estructural dentro del mismo pasadizo y en su parte superior (cielo de la caja). Se muestra en la figura 8 este tipo de elevador. Figura 8: Ascensor autoportante - 23 -  Ascensores hidráulicos: Son elevadores que se instalan en recorridos cortos, entre cuatro y cinco paradas. Su modo de funcionamiento no es a través de máquina de tracción sino que depende de una central oleodinámica que tiene en su interior una bomba sumergida en aceite para controlar el ascenso de la cabina. La sala de máquinas debe estar perfectamente dimensionada y habilitada para la instalación de la central y el control de maniobras. La instalación en el pasadizo requiere de un pistón colocado en el centro de una arcatina, que es la que eleva el pistón por medio de una polea de la cual los cables de tracción van unidos desde el punto fijo de la arcatina al punto fijo de la arcata. En la figura 9 se puede observar este tipo de elevador. Figura 9: Ascensor hidráulico - 24 -  Ascensores electromecánicos: Son los ascensores más empleados en edificios de viviendas multifamiliares. Este tipo de elevadores, a diferencia del ascensor hidráulico, sí requiere de una máquina de tracción en la sala de máquinas que debe estar ubicada debajo o arriba de la instalación. La tracción se realiza con motor eléctrico, polea y máquina reductora. De la polea cuelga el cable de tracción que es arrastrado por fricción en su giro, mientras que la cabina es guiada en su trayecto por rieles. Una de las ventajas con las que cuenta este tipo de ascensor es que en caso de persona encerrada, se podrá intervenir manualmente accionando una manivela de freno, cortando previamente el suministro eléctrico. Se muestra en la figura 10 este tipo de ascensor (Ingesor, 2016). Figura 10: Ascensor electromecánico - 25 - 2.2.2. Según su aspecto de diseño  Ascensores panorámicos: Son un grupo de elevadores que se conciben como un espacio móvil abierto al exterior, un balcón desde el que contemplar el edificio y su entorno, permitiendo una relación visual del pasajero con el ambiente de forma directa, ya sea en el interior del edificio como en el exterior. Se muestra un ejemplo de ascensor panorámico en la figura 11 (Grupo de ascensores Enor, 2016). Figura 11: Ascensor panorámico  Ascensores multicabina: Los sistemas de ascensores multicabina son una apuesta de futuro cuyo objetivo principal es que el usuario que llama a un ascensor sea atendido en un tiempo muy breve, gracias a que en cada hueco de ascensor habrás más de una sola cabina. El grupo ThyssenKrupp es pionero en este tipo de tecnología y ahora trabaja en un grupo de ascensores que denomina MULTI. El sistema MULTI no emplea ruedas convencionales sobre raíles, sino que hace uso de la tecnología de propulsión lineal magnética. El objetivo del sistema MULTI es crear un bucle continuo en el que las cabinas suben por un conducto y bajan por el contrario (La nueva era de los ascensores revoluciona la construcción de mediana y gran altura, 2016). - 32 - Tabla 2: Nivel de servicio según porcentaje de llamadas respondidas Nivel de servicio Porcentaje de llamadas respondidas en 30 segundos 60 segundos Excelente >75% >98% Bueno >70% >95% Regular >65% >92% Pobre/inaceptable <65% <92% Tabla 3: Nivel de servicio en función del tiempo empleado en responder las llamadas Nivel de servicio Porcentaje de llamadas respondidas en 50% 90% Excelente 20 segundos 45 segundos Bueno 22,5 segundos 50 segundos Regular 25 segundos 55 segundos Pobre/inaceptable >25 segundos >55 segundos En este trabajo, la calidad del servicio se mide a través del tiempo medio de espera que el pasajero se encuentra ante la puerta del ascensor desde que el ascensor ha sido llamado hasta que el ascensor comienza a abrir sus puertas. Este tiempo se denomina mediante las siglas AWT, cuyo significado es Average Waiting Time. La problemática surge al contabilizar el tiempo medio de espera de los pasajeros sucesivos que llegan ante la puerta del ascensor tras haberse realizado ya la llamada del mismo. Una de las opciones para solventar dicho problema es contabilizar manualmente el tiempo mediante un cronómetro, pero es una opción poco factible. En todo caso, esto no es inconveniente para la realización del trabajo ya que se emplea el software Elevate que tiene en cuenta este tiempo. Otra variable importante a analizar es el tiempo medio de viaje, denominado ATT (Average Trip Time), que es el tiempo que el pasajero emplea desde que las puertas del ascensor se abren ante él hasta que llega a su planta destino. - 33 - 4. SISTEMAS DE ASIGNACIÓN DE LLAMADAS Una vez conocidos los sistemas de ascensores y patrones de tráfico, se pasa a detallar en esta sección el sistema de asignación de llamadas que se emplea para la resolución del problema. 4.1. El problema El problema que se va a tratar es el consistente en un edificio de oficinas, en el cual se encuentra una serie de ascensores con arquitectura Double Deck, y unos pasajeros que realizan llamadas tanto de subida como de bajada desde las distintas plantas del edificio. Cabe destacar que el número de llamadas a ascensores que realizan los pasajeros dependen del tramo horario como se observó en los distintos patrones de tráfico de la sección anterior. El objetivo principal que se debe satisfacer es el de asignar las distintas llamadas a ascensores de modo que el tiempo medio de espera de los pasajeros (AWT) sea el menor posible. Además, se tiene un objetivo secundario, muy ligado al principal, que es que el tiempo medio de tránsito (ATT) también sea el menor posible. Este problema cuenta con una serie de restricciones, tanto generales como particulares que se pasa a detallar a continuación (Cortés et al., 2003). i. Restricciones generales Se dividen las restricciones generales en explícitas e implícitas.  Restricciones generales explícitas:  Una cabina solo puede servir una llamada en cada instante.  El número máximo de pasajeros que se pueden servir es la capacidad máxima (en kg) que la cabina puede soportar.  Un ascensor no puede parar en una planta a menos que un pasajero quiera subir o bajar del mismo.  Un ascensor no puede parar en una planta a recoger pasajeros si ya hay otro ascensor parado en esa planta.  Restricciones generales implícitas:  Las llamadas realizadas dentro de un ascensor siempre se sirven secuencialmente en la dirección del mismo, es decir, no podrá saltarse ninguna planta de destino de un pasajero.  Un ascensor no puede cambiar de dirección mientras lleve pasajeros a bordo, es decir, no podrá cambiar de dirección hasta no servir a todos los pasajeros.  Teniendo la posibilidad de subir o bajar, el ascensor preferirá subir. - 34 - ii. Restricciones particulares Las restricciones particulares dependen de las condiciones específicas del edificio. Se detallan algunas restricciones particulares que se encuentran habitualmente:  Disponer de, al menos, un ascensor para el transporte de mercancías o para el servicio de minusválidos.  Servir con una cabina vacía o con pocos pasajeros algunas plantas específicas.  Disponer de uno o varios ascensores fuera del grupo para viajes especiales.  Reducir los tiempos de espera en algunas plantas con preferencia. 4.2. Optimización de recursos La optimización se ha convertido en los últimos tiempos en una prioridad debido a que cada vez el coste de los recursos es mayor, además de que pueden llegar a ser escasos, por lo que es necesario conseguir una eficiencia capaz de lograr los mejores resultados con una cantidad de recursos mínima. Es por ello por lo que las técnicas de optimización son necesarias y van evolucionando en el tiempo. Se trata de conseguir la mejor solución en un tiempo considerado como factible, esto es, si encontrar la mejor solución requiere de emplear varios años en su búsqueda no servirá este método. Ya que encontrar la solución óptima de un problema puede llegar a ser muy difícil e incluso imposible, se emplean métodos de resolución que nos aproximan al valor óptimo (o incluso lo llegan a obtener a veces). A este tipo de técnicas se les conoce como metaheurísticas. Se encuentran metaheurísticas que se basan en la observación de la naturaleza para su semejanza posterior con el problema a optimizar, entre ellas se encuentran el “Algoritmo genético” o el “Algoritmo de colonias de hormigas”. Otras metaheurísticas se basan en vecindades para explorar las distintas posibles soluciones, entre las que se encuentran el “Algoritmo de recocido simulado” o el “Algoritmo de búsqueda Tabú”. 4.3. Algoritmo de Búsqueda Tabú Para la resolución del problema de asignación de llamadas a ascensores se emplea un algoritmo basado en la Búsqueda Tabú. Proveniente del inglés (tabú search), la búsqueda tabú es una metaheurística que guía un algoritmo heurístico de búsqueda local para explorar el espacio de soluciones más allá de la simple optimalidad local, según Fred Glover, su primer definidor (Glover F., 1989). La búsqueda tabú se basa en tres puntos principales. En primer lugar, se usa memoria adaptativa diseñada para permitir evaluar la información de búsqueda histórica. En segundo lugar, se emplea un mecanismo de memoria que restringe y libera el proceso de búsqueda. Y como último punto, el uso de memorias en distintos lapsos de tiempo (corto, medio y largo) ayuda a guardar aquellas características que logran una buena solución, olvidando otras y permitiendo al método la diversificación. Es importante la distinción entre memoria a corto y largo plazo. La memoria a corto plazo almacena los atributos de solución que han sido cambiados en el pasado reciente por lo que también recibe el nombre de memoria basada en hechos recientes. Estos atributos - 35 - seleccionados recientemente se designan como “tabú-activos” y las soluciones que los contienen (o combinaciones particulares de estos atributos) pasan a formar parte de la lista tabú para evitar que pertenezcan a la futura vecindad y puedan llegar a ser revisitadas. El tiempo que un atributo permanece como “tabú-activo” se denomina tenencia tabú y se mide en número de iteraciones, es variable según los atributos y las combinaciones de estos. En cambio, la memoria a largo plazo emplea memoria basada en frecuencia de cambio de atributos con la cual se pretende potenciar la búsqueda de soluciones, aunque a veces no es necesario su empleo. No siempre el que una solución se encuentre en la lista tabú indica que dicha solución no es válida, ya que el método define unos niveles de aspiración con los cuales se evalúan dichas soluciones en nuestra función objetivo y si los resultados obtenidos son considerados como admisibles, por dar mejor solución que la anterior generada, estos son rescatados de la lista tabú. El algoritmo de búsqueda tabú emplea estrategias de intensificación y/o diversificación. Siendo la estrategia de intensificación aquella en la que la evolución de soluciones es favorecida por combinaciones de movimiento y características de soluciones que históricamente haya sido buena. Sin embargo, la estrategia de diversificación buscará explorar nuevas regiones a través del cambio de las reglas de elección de atributos. Se busca el empleo de atributos que no hayan sido usados frecuentemente. 4.4. Ventajas e inconvenientes de la Búsqueda Tabú Uno de los inconvenientes de este método, y que es compartido con otras metaheurísticas, es la incapacidad para conocer la calidad de la solución obtenida debido al hecho de que se emplea esta técnica por no poder llegar al óptimo por lo que no podemos hacer una comparación del óptimo con la solución obtenida. Debido a que la búsqueda tabú no es una técnica “rígida”, esto es, debe confeccionarse para cada problema concreto, la forma del algoritmo depende del problema que se vaya a resolver. Esto puede llegar a ser un inconveniente debido al hecho de que se necesita conocer muy bien tanto la metódica de la técnica de Búsqueda Tabú, como del propio problema a optimizar, para poder adaptarlo y conseguir resolverlo. El solucionador del problema debe estar familiarizado con este, conociendo su naturaleza y la forma de las soluciones factibles para poder elaborar la configuración del vecindario, criterio de aspiración y lista tabú. Una de las grandes ventajas de la Búsqueda Tabú es su capacidad de escapar de la optimalidad local gracias a vetar el acceso a ciertas soluciones pertenecientes a la lista tabú. Es por esto por lo que este algoritmo de búsqueda consigue explorar vecindades y logra evitar el carácter cíclico que tienen otros algoritmos. Es el empleo de una memoria basada en lista tabú la principal característica distintiva del resto de metaheurísticas. Además, la capacidad del “olvido estratégico” de soluciones tabú mediante los criterios de aspiración hacen que este método consiga explorar una gran cantidad de posibles buenas soluciones. El método de Búsqueda Tabú permite ser empleado directamente a expresiones verbales o simbólicas, no teniendo la necesidad de transformación a expresiones matemáticas que podrían generar conflicto en su posible dificultad de expresión. - 36 - 4.5. Búsqueda Tabú para la asignación de llamadas Como se ha comentado, para la resolución de este problema se va a emplear un algoritmo de Búsqueda Tabú, cuyo diagrama de flujo se muestra a continuación. SI NO NO Figura 20: Diagrama de flujo principal INICIO Calcular función objetivo Solución Inicial Buscar en Lista Tabú ¿Solución en Lista Tabú? ¿Mejor solución? Guardar en Lista Tabú Nueva solución ¿Fin iteraciones? Asignar llamadas a ascensores ¿Criterio de aspiración? FIN SI SI SI NO NO - 37 - El algoritmo que se implementa en C++ recibe del software Elevate las características del edificio y de los ascensores así como del patrón de tráfico del edificio que se va a emplear. Una vez se procesa la información mediante el algoritmo programado se devuelven a Elevate los ascensores que deben ir a cada una de las plantas que reciben llamadas. Se detalla a continuación cada uno de los pasos que se llevan a cabo en el algoritmo de Búsqueda Tabú programado. 4.5.1. Solución inicial Para iniciar el algoritmo, se busca una solución inicial de asignación de llamadas a ascensores en la que se rellena el vector que contiene los ascensores (1 si el ascensor “i” va a ser empleado y 0 si el ascensor “i” no será empleado) de forma totalmente aleatoria. Además, estos ascensores son asignados a plantas con llamadas, también de manera aleatoria. 4.5.2. Calcular la función objetivo Se trata del cálculo de la suma de distancias de cada ascensor, de los ascensores que van a ser empleados, a las plantas de las cuales se reciben llamadas. De este modo, se consigue calcular la función objetivo para cada solución de asignación de llamadas a ascensores con el objetivo de poder comparar para buscar la menor distancia, y por tanto, la mejor asignación de llamadas a ascensores que minimiza el tiempo de espera de los pasajeros frente a los ascensores. Se deben tener en cuenta en este apartado ciertas restricciones del modelo para un cálculo correcto de las distancias ya que se pueden dar varias casuísticas que se detallan a continuación: 1. Tal y como se detalla en el apartado 4.1 los ascensores que tienen una ruta definida (ascendente o descendente) no podrán variarla. Debido a esto, si existe una llamada ascendente y el ascensor se encuentra descendiendo, el cálculo de la distancia es la suma de la distancia que resta hasta llegar a la planta baja más la distancia desde esa planta baja hasta la planta que se ha recibido la llamada. De igual modo se procede si la llamada es descendente y el ascensor se encuentra ascendiendo, en cuyo caso la distancia se calcula como la distancia que resta hasta llegar a la última planta más la distancia hasta la planta de la que se recibe la llamada. 2. Si se tiene una llamada descendente de una planta y el ascensor correspondiente se encuentra descendiendo, se comprueba si es posible que pare para acoger dicha llamada. En caso de que el ascensor no pueda parar, el cálculo de la distancia es la suma de la distancia que resta hasta llegar a la planta baja más la distancia hasta llegar a la cima del edificio más la distancia hasta la planta de la que se recibe la llamada. De igual modo se actúa si la llamada es ascendente ya que la distancia se calcula como la suma de la distancia que resta hasta llegar a la planta alta más la distancia hasta llegar a la planta baja más la distancia que hay hasta la planta de la que se recibe la llamada. - 38 - Se muestra en la figura 21 el diagrama de flujo que se sigue para el cálculo de la distancia. Figura 21: Diagrama de flujo del cálculo de la función objetivo Para una mejor comprensión de este apartado, se van a ejemplificar varias posibles situaciones y el cálculo de la función objetivo correspondiente para cada caso: “Se tiene un edificio de 38 metros dividido en 10 plantas de 3,8 metros cada una. El edificio consta de 2 ascensores (A y B) con arquitectura Double Deck. Se da la situación de que en este instante se encuentra el ascensor A en la planta baja (parado) y el ascensor B en la planta 4 (ascendiendo). 1. Se recibe una llamada ascendente desde la planta 6. -El ascensor A se encuentra a 3,8  6= 22,8 metros de distancia en este instante. -El ascensor B tiene 2 posibles casuísticas: a) El ascensor aun puede parar en la planta 6 por lo que la distancia a la llamada es de 3,8  2= 7,6 metros. b) El ascensor no puede parar en la planta 6 por lo que la distancia a la llamada es de 3,8  6+3,8  10+3,8  4= 76 metros. 2. Se recibe una llamada ascendente desde la planta 3. -El ascensor A se encuentra a 3,8  3= 11,4 metros de distancia de la llamada. -El ascensor B se encuentra a 3,8  6+3,8  10+3,8  3= 72,2 metros de distancia. 3. Se recibe una llamada descendente desde la planta 4. -El ascensor A se encuentra a 3,8  4= 15,2 metros de distancia. -El ascensor B se encuentra a 3,8  6+3,8  6= 45,6 metros de distancia de la llamada.” - 39 - 4.5.3. Buscar en la Lista Tabú Una vez se tiene una solución propuesta con su función objetivo correspondiente se busca en la Lista Tabú dicha solución para comprobar si ya se ha visitado o no. En caso de que la solución propuesta se encuentre en la Lista Tabú, se comprueba si se cumple el criterio de aspiración, esto es, se acepta aquella solución cuya función objetivo se encuentra como máximo un 20 % por encima de la mejor función objetivo encontrada hasta el momento. En caso de que la solución propuesta no se encuentre en la Lista Tabú, si su función objetivo es mejor que la mejor función objetivo encontrada hasta ese punto, se acepta como posible solución al problema. 4.5.4. Guardar en la Lista Tabú La Lista Tabú es una matriz en la cual se guarda por cada fila el vector de ascensores que se emplean y su función objetivo correspondiente. La capacidad de dicha lista viene dada por un término denominado Tabú Ténere y que es fijado al comienzo del uso del algoritmo. Cada vez que se va a incorporar una nueva solución a la Lista Tabú, se elimina la solución más antigua de la lista de forma que se sigue una tendencia First In First Out (FIFO). 4.5.5. Nueva solución Para la creación de una nueva solución, se pueden dar tres casos: 1. Se genera una solución que se encuentra en la Lista Tabú y que no cumple el criterio de aspiración. 2. Se genera una solución que no se encuentra en la Lista Tabú pero no tiene una función objetivo mejor que la actual. 3. Se guarda la solución anterior en la Lista Tabú y se requiere de una nueva solución para seguir la búsqueda de una mejor solución. El proceso para la creación de una nueva solución consiste en asignar al vector de ascensores que se emplean el valor contrario al que se tenía anteriormente si se cumple una verdad aleatoria, esto es, si anteriormente el ascensor “i” se empleaba (valor 1), si se cumple que un número aleatorio (entre 0 y 1) es mayor que 1/2, el ascensor “i” pasa a no emplearse (valor 0). De igual modo ocurre con aquellos ascensores cuyo valor actual es 0. - 40 - 4.5.6. Asignación de llamadas a ascensores Una vez han finalizado las iteraciones del proceso de búsqueda de soluciones, se escoge aquella solución cuya función objetivo es menor, es decir, aquella que consigue que la suma de las distancias desde los ascensores que se van a emplear hasta las plantas que tienen llamadas sea la menor posible, y se emplea para la asignación de llamadas a ascensores. Los ascensores que se van a emplear, dados por la mejor solución obtenida, se encuentran asociados a cada una de las llamadas del edificio a las que van a servir mediante una variable llamada P(j) que toma el valor i en caso de que la planta j del edificio sea servida por el ascensor i . Se guarda la solución de ascensores que se emplean en las variables Allocate y Allocated mediante un bucle de tamaño dos veces el número de plantas del edificio (NoFloors  2) en el que si la planta j tiene llamada, se guarda en la variable Allocate o Allocated (según sea la llamada ascendente o descendente) el valor de la variable P(j), es decir, se guarda el ascensor i que se le asigna a esa planta. En la primera mitad del bucle se almacenan las llamadas ascendentes en la variable Allocate y en la segunda mitad las llamadas descendentes en la variable Allocated. Debido a que los ascensores empleados tienen arquitectura Double Deck la asignación de cabinas no es trivial ya que una vez se ha asignado un ascensor a una planta hay que asignar con las variables de Elevate la cabina superior (l[Allocate/d].m_UpLandingCallsUpperCar o l[Allocate/d].m_DownLandingCallsUpperCar igual a 1) a las llamadas de plantas pares y la última del edificio y la cabina inferior (m_UpLandingCalls o m_DownLandingCalls igual a 1) a las llamadas de plantas impares y la primera del edificio. En concreto, se realiza un bucle con el número de plantas (NoFloors) multiplicado por 2 ya que en la primera mitad se guardan las llamadas ascendentes y en la segunda mitad las llamadas descendentes. A cada planta con llamada, esto es, cuando las variables m_UpLandingCalls o m_DownLandingCalls toman el valor 1, se le ha asignado un ascensor que viene dado por las variables Allocate (llamadas ascendentes) y Allocated (llamadas descendentes) anteriormente citadas. Una vez se tiene la planta con llamada y el ascensor que se le ha asignado se pregunta si la planta es la última del edificio. En caso afirmativo, se le asigna la cabina superior. En caso negativo, se pregunta si la llamada es par en cuyo caso se le asigna la cabina superior. Si la planta es impar o la planta baja del edificio se asigna la cabina inferior. Además, en caso de que alguna de las cabinas del ascensor exceda el límite de peso permitido se debe desasignar la llamada a ese ascensor. - 41 - Se muestra en la figura 21 el diagrama de flujo que se emplea para la asignación de llamadas a ascensores con arquitectura Double Deck. Figura 22: Asignación de llamadas a ascensores - 48 -  Siikonen: Se caracteriza por ser el patrón de tráfico de pasajeros que más se aproxima al comportamiento real de flujo de pasajeros. Se muestra en la figura 31 (Cortés P. et al., 2009). Figura 32: Patrón de tráfico Siikonen Report options: En esta ventana que se puede observar en la figura 32, se seleccionan los tipos de análisis que se quiere que se desplieguen automáticamente al finalizar la simulación. Para la simulación que se lleva a cabo se seleccionan las opciones que ofrecen los tiempos medios de espera (Distribution of Passenger Waiting Times), de tránsito (Distribution of Passenger Transit Times) y de llegada al destino (Distribution of Time to Destination). Además, es posible seleccionar otras opciones como la demanda de pasajeros (Passenger Demand), la actividad total de los pasajeros (Total Passenger Activity), la longitud de las colas de espera (Queue Lenghts) o el consumo energético de los ascensores durante la simulación (Energy Consumption). Figura 33: Ventana Report Options - 49 - Simulación Una vez se ha configurado lo anterior, se puede visualizar una simulación del edificio y ascensores. En esta ventana se encuentran las diferentes plantas del edificio, los ascensores con sus respectivas puertas, flechas de color verde y rojo para las llamadas que se realizan de cada planta (ascendentes y descendentes respectivamente) y puntos azules que indican los destinos de los pasajeros. Se muestra dicha ventana en la figura 33. Figura 34: Ventana de simulación de Elevate Resultados del software Finalizada la simulación, Elevate ofrece los resultados que se han seleccionado en la ventana Report Options. Para este trabajo son de especial utilidad los resultados obtenidos del tiempo medio de espera y tiempo medio de tránsito. 5.2. Microsoft Visual Studio 2008 Se requiere la instalación de este programa ya que es el recomendado por Elevate para el desarrollo del algoritmo a través de la interfaz de desarrollador. La instalación de dicha interfaz no es trivial debido a que se requiere exactamente la versión 2008 del software para el correcto funcionamiento de la conexión entre ambos softwares a través de la interfaz. 5.2.1. Interfaz de desarrollador Al descargar el archivo necesario para la instalación de la interfaz de desarrollador de la web de Peters Research Ltd. hay que seguir una serie de pasos detallados en una carpeta llamada How to Use. Hay un aspecto a destacar, y es que a la hora de la configuración del vinculador siguiendo los pasos Propiedades  Todas las configuraciones  Vinculador se debe generar el archivo “Dispatch_00.dll” en una carpeta que no exija permisos de administrador para evitar problemas de depuración. Se muestra en la figura 34 la ventana de propiedades de Visual Studio en la cual habrá que realizar los cambios pertinentes para conseguir la interfaz de desarrollador. - 50 - Figura 35: Ventana de propiedades de Microsoft Visual Studio 5.2.2. Desarrollo en Microsoft Visual Studio El lenguaje de programación que se emplea para la programación del algoritmo es C++. Se muestra en la figura 35 parte del algoritmo desarrollado en Microsoft Visual Studio. Figura 36: Extracto del algoritmo programado en Visual Studio A través del empleo de puntos de rotura en el código se consigue depurar para observar que el algoritmo programado realiza la función requerida además de poder extraer los valores que toman las variables del problema en cada instante. - 51 - 6. EXPERIMENTACIÓN Se pasa a experimentar con el modelo de simulación mediante Elevate con el objetivo de comprobar la bondad del algoritmo programado con respecto al tiempo medio de espera (AWT) de los pasajeros. 6.1. Algoritmos de comparación Para realizar dicha experimentación, se cuenta con una serie de algoritmos de asignación de llamadas con los cuales se comparan los resultados obtenidos para poder comprobar el funcionamiento correcto, o no, del algoritmo de Búsqueda Tabú. Los algoritmos que se van a emplear para comparar son:  Double Deck Destination Control: Este algoritmo se encuentra implementado de forma interna en Elevate. Su funcionamiento consiste en el cálculo de los tiempos medios de espera y de tránsito de cada posible asignación. La asignación de llamadas a ascensores se realiza a través de una función de coste que minimiza el tiempo de espera y tránsito. En primer lugar, se recorre mediante un bucle todo el edificio en busca de llamadas. Cuando se tiene una llamada desde alguna planta del edificio (m_UpLandingCalls o m_DownLandingCalls igual a 1), se calcula la distancia desde cada uno de los ascensores disponibles, es decir, aquellos ascensores que toman el valor 1 en el vector de ascensores, hacia esa llamada. Una vez se ha calculado la distancia desde cada uno de ellos siguiendo el mismo tipo de función que se emplea en el apartado 4.5.2, se busca aquel ascensor que ha obtenido la menor distancia y se asigna a esa llamada de modo que el ascensor i se encuentra asignado a la planta j. Asignado el ascensor a la planta, se emplea la misma función del apartado 4.5.6 para asignar la cabina superior o inferior a la llamada. Cabe destacar que una vez se ha enviado un ascensor a una planta, este ascensor no para en otras plantas para recoger nuevos pasajeros hasta llevar al destino correspondiente a los pasajeros que ha recogido en la asignación primera, se consigue de este modo minimizar también el tiempo medio de tránsito. - 52 - Se puede observar en la figura 36 el diagrama de flujo de dicho algoritmo. Figura 37: Diagrama de flujo del algoritmo Destination Control  Algoritmo Genético: Es un método adaptativo que se basa en el proceso genético de los organismos vivos. Se parte de una población inicial, compuesta por individuos con sus respectivos genes, que evoluciona bien a través de la mutación bien a través del cruce para dar lugar a mejores individuos. El algoritmo genético aplicado a la asignación de llamadas a ascensores calcula el fitness de cada individuo, esto es, la suma de las distancias de cada ascensor a sus respectivas plantas, y a través de la evolución de la población se logra el mejor fitness que da lugar a la mejor asignación de llamadas a ascensores. Cuando se reciben llamadas desde las plantas del edificio (m_UpLandingCalls o m_DownLandingCalls igual a 1), se genera una población inicial de asignaciones de ascensores, es decir, se rellena una matriz en la que por cada fila se encuentra el número de ascensores disponibles que se rellenan con 1 y 0 en función de si el ascensor es empleado o no respectivamente. La población es evaluada en función de la distancia que hay entre los ascensores y las llamadas siguiendo la función que se detalla en el apartado 4.5.2. Una vez se ha evaluado toda la población, esto es, una vez se ha calculado la distancia total resultante de asignar esa población a las llamadas, se selecciona el mejor individuo, es decir, aquella fila de la matriz que ha conseguido que la distancia sea menor, para reproducirlo en pos de encontrar una nueva mejor solución. En función de una probabilidad, la reproducción se realiza vía mutación o vía cruce siendo la probabilidad de cruce del 85% y de mutación del 15%. En el caso de que se produzca un cruce, se seleccionan 2 de los mejores individuos de la - 53 - población (son los “padres”) y se combinan sus características de asignación de llamadas a ascensores (se consigue un “hijo”), es decir, se realiza una combinación de ascensores empleados por los padres para dar lugar a un hijo que combina los genes (ascensores empleados) de los padres. Se consigue de este modo una posible mejora de la distancia de llamadas a ascensores. En el caso de que se produzca una mutación, se selecciona el mejor individuo y se realizan combinaciones de sus genes, es decir, se intercambia la asignación de ascensores a llamadas. A modo de ejemplo, si el ascensor 1 se encuentra asignado a la llamada de la planta 5 ascendente y el ascensor 3 se encuentra asignado a la llamada de la planta 7 descendente, para realizar la mutación se intercambian ambas asignaciones de modo que tras ella el ascensor 1 queda asignado a la llamada de la planta 7 descendente y el ascensor 3 a la llamada de la planta 5 ascendente. Una vez se realiza la reproducción se obtienen nuevos individuos, esto es, nuevos valores de 1 y 0 para el vector de ascensores, que vuelven a ser evaluados mediante el cálculo de distancias. Si se alcanza el criterio de optimización que viene dado por la consecución de mejorar la mejor distancia conseguida hasta el momento, el algoritmo devuelve el mejor individuo. En caso contrario se vuelve a seleccionar el mejor individuo o los mejores individuos (en función de si se realiza mutación o cruce, respectivamente) para volver a reproducirlo. El proceso se realiza iterativamente hasta encontrar el mejor individuo y por tanto la mejor asignación de llamadas a ascensores. Se muestra en la figura 37 el diagrama de flujo que emplea este algoritmo (Mesa J., 2015). Figura 38: Diagrama de flujo del algoritmo genético - 54 -  Algoritmo Genético Modificado: Este algoritmo sigue el mismo diseño que el anterior con la diferencia de que en este caso se desasignan llamadas de forma que si un ascensor ya se encuentra atendiendo una llamada, este no para a servir otras plantas hasta no terminar con el servicio actual. Esta variación se realiza con el objetivo de mejorar el tiempo de tránsito de los pasajeros. 6.2. Características de la experimentación Debido a que se va a realizar una comparación con los algoritmos citados anteriormente, las características de edificios y ascensores del experimento a realizar deben ser iguales para que los resultados obtenidos se puedan comparar sin pérdida de veracidad. 6.2.1. Edificios Se van a emplear una serie de edificios diferentes que permitan observar el comportamiento de cada algoritmo cuando la altura del edificio se incrementa. Las características de los edificios se muestran en la tabla 4, en la cual la variable “x” toma los valores: 12, 20, 24, 28, 32, 36 y 40. Tabla 4: Características del edificio Edificio Número de plantas x Separación entre plantas 3,8 metros Altura del edificio 3,8x Personas por planta 50 Población del edificio 50x Ya que se emplean ascensores con arquitectura Double Deck, los edificios que se emplean en la experimentación cuentan con plantas pares debido a que este tipo de ascensores requiere ir siempre de plantas pares a pares y de impares a impares, a no ser que se establezcan dos plantas auxiliares (sin población alguna) en la parte superior e inferior del edificio que permitan que el ascensor pueda acceder a la primera planta con la cabina superior y a la última planta con la cabina inferior. - 55 - 6.2.2. Patrón de tráfico El tráfico que se va a emplear para la experimentación es constante (Constant Traffic (% Building pop per 5 mins)). Debido a que el patrón de tráfico Interfloor ha adquirido un gran protagonismo en la actualidad debido a la flexibilización de los horarios y la prohibición de fumar dentro del edificio se cuenta con que en el edificio hay un 30% de pasajeros que entran al edificio, un 30% de pasajeros que salen del edificio y un 40% de pasajeros que realizan movimientos entre plantas. Se va a suponer también que el uso de las escaleras en el edificio es nulo. Además, hay una semilla aleatoria (porcentaje del número de pasajeros en cada planta) que se varía según el número de ascensores del edificio con el objetivo de mantener un flujo de pasajeros regular. Dicha semilla toma los valores: Demand (% pop per 5 mins): 12,5 15 17,5 20 22,5 6.2.3. Ascensores El número de ascensores que se emplean varía según el número de plantas del edificio. Las características de los ascensores se muestran en la tabla 5. Tabla 5: Características del ascensor Capacidad de los ascensores 1000 kilogramos Velocidad de los ascensores 2,5 metros/segundos Aceleración de los ascensores 0,8 metros/ Retraso de inicio de marcha 0,5 segundos Tiempo de apertura de puertas 1,8 segundos Tiempo de cierre de puertas 2,9 segundos Tiempo de carga y descarga 1,2 segundos Factor de capacidad 80% - 56 - 6.3. Resultados de la experimentación Para cada edificio se han realizado simulaciones de 2 horas de duración para cada número de ascensores. Elevate devuelve el tiempo medio de espera de los pasajeros del edificio. Los resultados obtenidos se muestran en la tabla 6. Tabla 6: Tiempos medios de espera de la experimentación Número Plantas Número Ascensores Algoritmo Genético Genético Modificado Destination Control Búsqueda Tabú 12 2 44,3 48,6 45,5 53 3 30 35,5 32,7 31,1 4 22,2 24,9 24,5 21,3 5 16,5 18,9 19,7 15,8 7 11,3 12,4 13,6 11,5 20 4 51,1 53 52 57,6 5 36,8 43,1 46 46,1 7 23,8 32 33,9 30,1 8 21,8 26,3 30,9 21,8 11 15,4 18,3 22,1 17,2 24 5 51,3 51,6 55,5 60,7 7 32,2 38,4 43,7 39,8 8 28,8 34,6 42,1 30,9 10 23,5 29,1 34,8 25,8 13 17,1 21,7 26,8 18,8 28 6 57 63,4 62,7 62,6 9 30,9 37 44,8 40,4 11 24,9 31,5 38,2 29 13 19,7 28,4 34,2 24 16 18,2 22,2 28,8 19,1 32 6 94,5 102,8 77,8 108,7 10 36,8 43,4 50,9 40,7 12 30,3 37,9 44,2 31,8 14 23,6 33,1 41,2 28 17 20,9 28,2 34,8 27 36 7 89,4 105,4 78,5 107,8 11 39,3 56,5 55,6 51,5 14 31,7 44,3 47,3 38 16 27,6 36,6 43,4 30,9 19 23,7 29,7 38,8 24,2 40 7 218,9 238 97,2 139,7 13 43,2 52,6 55,6 45,7 16 31,8 42,3 49 40 19 27,8 37,4 44,2 31,1 21 26,2 34,9 41,8 27,8 - 57 - Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 27.8 (+0.6/-0.6) Longest Waiting Time (s) 296.1 (+35.8/-35.8) 0 25 50 75 100 125 150 175 200 225 250 275 300 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Además, para cada simulación de las realizadas se ha obtenido una gráfica en la que se muestra la evolución del tiempo medio de espera de los pasajeros. Se muestra en la figura 38 la gráfica obtenida para una simulación del algoritmo de Búsqueda Tabú para un edificio con 40 plantas, 21 ascensores y semilla aleatoria de 22,5 % pop. El resto de gráficas obtenidas se muestran en el Anexo A de este documento. Se observa en el lado izquierdo de la gráfica, en el eje de abscisas, el número de personas que esperan menos tiempo que el tiempo que se encuentra en el eje de ordenadas. En el lado derecho, encontramos la cantidad de personas anterior dada en porcentaje. La línea verde de la gráfica indica la evolución del tiempo de espera de los pasajeros, mientras que las líneas azul y roja indican respectivamente la cantidad y porcentaje de personas que esperan menos tiempo que el marcado en el eje del tiempo. En este caso concreto se observa que el 90% de las personas esperan menos de aproximadamente unos 70 segundos. Alrededor de 275 personas esperan menos de 10 segundos. Hay 125 personas que esperan menos de 20 segundos, aproximadamente unas 80 personas menos de 30 segundos, unas 50 personas menos de 40 segundos. Entre 25 y 50 personas esperan entre unos 40 y 70 segundos. Se encuentran picos de espera de entre 80 y 296,1 segundos para un rango de personas entre 1 y 25. El tiempo medio de espera es de 27,8 segundos con un error de ± 0,6 segundos. Además, el mayor tiempo de espera que se ha dado en esta simulación concreta es de 296,1 segundos con un error de ± 35,8 segundos. Figura 39: Gráfica para el tiempo medio de espera - 64 - En la figura 45 se corrobora que los algoritmos que ofrecen peores tiempos de espera son el algoritmo Destination Control y algoritmo genético modificado debido a la predominancia de color. En la figura 46 se corrobora que el algoritmo que genera mejores tiempos de espera es el algoritmo genético debido a la predominancia de color. Cabe decir que a pesar de que se produce este hecho, el algoritmo de Búsqueda Tabú se encuentra muy cerca de la curva de superfie del algoritmo genético. 6.5. Análisis de detalle de los tiempos medios de espera A pesar de que ya se ha obtenido un resultado general del comportamiento de los algoritmos estudiados, se pasa a realizar un análisis para cada uno de los edificios que se han estudiado. En el eje de ordenadas se encuentra el número de ascensores en orden creciente y en el eje de abscisas el tiempo medio de espera (AWT). 12 Plantas Figura 47: AWT para edificio de 12 plantas Para un edificio con 12 plantas se observa en la figura 39 que el tiempo medio de espera no tiene un algoritmo que predomine en cuanto a los resultados que obtiene. Se observa que el algoritmo genético ofrece mejores tiempos para el edificio que tiene 2 y 3 ascensores. Para el edificio con 4 y 5 ascensores, los mejores tiempos los ofrece el algoritmo de Búsqueda Tabú. En el edificio que tiene 7 plantas se observa que tanto el algoritmo genético como el algoritmo de Búsqueda Tabú ofrecen prácticamente el mismo tiempo medio de espera. - 65 - 20 Plantas Figura 48: AWT para edificio de 20 plantas Para un edificio de 20 plantas se observa en la figura 40 que el algoritmo genético consigue obtener los mejores tiempos de espera para todo número de ascensores. Sin embargo, el algoritmo de Búsqueda Tabú demuestra que obtiene tiempos muy parecidos cuando el edificio tiene 8 y 11 ascensores. 24 Plantas Figura 49: AWT para edificio de 24 plantas - 66 - Se observa en la figura 41 que para un edificio con 24 plantas el algoritmo genético obtiene los mejores tiempos medios de espera para todo número de ascensores. A pesar de ello, para los edificios con 8, 10 y 13 ascensores el algoritmo de Búsqueda Tabú ofrece unos tiempos muy parejos al mejor, dados por el algoritmo genético. 28 Plantas Figura 50: AWT para edificio de 28 plantas Se observa en la figura 42 que para un edificio con 28 plantas el mejor tiempo medio de espera lo da el algoritmo genético para todo número de ascensores aunque para un edificio con 16 ascensores el algoritmo de Búsqueda Tabú ofrece un resultado muy parecido. 32 Plantas Figura 51: AWT para edificio de 32 plantas - 67 - Para un edificio con 32 plantas se observa en la figura 43 que los mejores tiempos medios los ofrece el algoritmo genético aunque para un edificio con 12 plantas, el algoritmo de Búsqueda Tabú obtiene un buen resultado muy parecido al mejor para ese número de ascensores. 36 Plantas Figura 52: AWT para edificio de 36 plantas El algoritmo genético ofrece los mejores tiempos medios de espera para todo número de ascensores, excepto para el edificio de 7 plantas que los ofrece el algoritmo Destination Control, del edificio de 36 plantas que se muestra en la figura 44. Para edificios con 16 y 19 ascensores, el algoritmo de Búsqueda Tabú obtiene un resultado bastante parecido al mejor. - 68 - 40 Plantas Figura 53: AWT para edificio de 40 plantas En último lugar se experimenta con un edificio con 40 plantas. Se observa a través de la figura 45 que ante un elevado número de plantas del edificio, con 7 ascensores el algoritmo que mejor responde es el algoritmo Destination Control seguido del algoritmo de Búsqueda Tabú obteniendo un valor para el tiempo medio de espera muy inferior al resto. Para edificios con 13 y 16 ascensores, el algoritmo genético presenta los mejores valores. El algoritmo de Búsqueda Tabú y el algoritmo genético obtienen valores de tiempo parecidos para edificios con 19 y 21 ascensores. Tras el análisis de cada edificio se puede comprobar lo comentado en el punto anterior. El algoritmo de Búsqueda Tabú obtiene unos tiempos de espera de pasajeros mejores que los que ofrece el algoritmo genético modificado o el implementado en Elevate. Sin embargo, se observa que cuando el edificio en cuestión tiene una cantidad pequeña de ascensores, el algoritmo no reacciona bien generándose para todos los edificios el mayor AWT excepto en el edificio de 40 plantas. Esto es debido a que el algoritmo debe en cada iteración recorrer la Lista Tabú en busca de zonas del espacio de soluciones que se hayan visitado para buscar zonas nuevas, esto implica que se ha de emplear un tiempo computacional importante y que si el número de ascensores es pequeño haga que la asignación sea más difícil, es decir, cada vez que el algoritmo asigna un ascensor debe antes haber recorrido la Lista Tabú pero si hay pocos ascensores puede darse el caso de que una vez recorrida aun no haya ascensores disponibles para la asignación. Tanto el algoritmo de Búsqueda Tabú como el algoritmo genético ofrecen muy buenos resultados de asignación de ascensores a llamadas que hacen que el tiempo medio de espera sea bastante pequeño en comparación con los otros dos algoritmos. A pesar de que el algoritmo genético suele obtener tiempos más pequeños que la Búsqueda Tabú, se puede considerar que ambos responden muy bien ante el problema de asignación de llamadas, - 69 - cuando el número de ascensores no es pequeño, ya que la mayor diferencia de tiempo entre ambos métodos es de 12,2 segundos que se da en un edificio con 36 plantas y 11 ascensores. 6.6. Análisis de los tiempos medios de tránsito Una vez se ha estudiado el objetivo principal, se pasa a analizar el objetivo secundario. A pesar de que minimizar el tiempo medio de espera de pasajeros es la prioridad, no se puede olvidar el tiempo que el pasajero tarda en llegar a su destino una vez ha entrado en el ascensor. De nada serviría obtener un tiempo muy pequeño de espera del pasajero frente al ascensor si luego el ascensor tarda mucho tiempo en llevar al pasajero a su destino. Se muestra a continuación en la tabla 8 el tiempo medio de tránsito de edificios según el número de ascensores y algoritmo de asignación empleado. Tabla 8: Tiempos medios de tránsito de la experimentación Nº Plantas Ascensores Ag AgM Dc Bt 12 3 43,1 42,7 35,1 35,7 5 38,5 38,9 28 29,4 20 5 65,3 64,8 46,1 60,1 8 59,3 58 37,6 45,5 24 7 72 69,9 45,3 65,9 10 70,3 68 42,3 54,1 28 9 79,8 77 48,4 70,9 13 77,3 72,8 44,2 58,1 32 10 92,7 89,2 54,7 77,4 14 81,9 85,9 50,6 64,7 36 11 103,2 100,3 61 89,2 16 97,7 93 54,6 70,8 40 13 110,8 105,5 63,4 93,8 19 102,1 96,8 57,1 76,5 La tabla 9 recoge además de la diferencia de tiempos entre métodos y el porcentaje de mejora/empeoramiento del tiempo medio de tránsito del algoritmo de Búsqueda Tabú con respecto a los otros algoritmos tal y como sucede en la tabla 7. En rojo se encuentran aquellos porcentajes de empeoramiento que el algoritmo de Búsqueda Tabú ofrece contra el algoritmo con el que se compara. En cambio, aquellos porcentajes verdes indican que el algoritmo de Búsqueda Tabú ofrece un tiempo mejor que el algoritmo con el que se compara. A modo de ejemplo, para un edificio con 20 plantas y 8 ascensores se encuentra que el algoritmo de Búsqueda Tabú obtiene un tiempo de 13,8 segundos mejor que el algoritmo genético, este hecho supone una mejora del 23,27% del algoritmo de Búsqueda Tabú frente al algoritmo genético para ese número de plantas y ascensores. - 70 - Tabla 9: Comparativa porcentual de de los tiempos medios de tránsito Número Plantas Número Ascensores Ag-Bt (s) Ag-Bt % AgM-Bt (s) AgM-Bt % Dc-Bt (s) Dc-Bt % 12 3 7,4 17,17 7,00 16,39 -0,60 -1,71 5 9,1 23,64 9,50 24,42 -1,40 -5,00 20 5 5,2 7,96 4,70 7,25 -14,00 -30,37 8 13,8 23,27 12,50 21,55 -7,90 -21,01 24 7 6,1 8,47 4,00 5,72 -20,60 -45,47 10 16,2 23,04 13,90 20,44 -11,80 -27,90 28 9 8,9 11,15 6,10 7,92 -22,50 -46,49 13 19,2 24,84 14,70 20,19 -13,90 -31,45 32 10 15,3 16,50 11,80 13,23 -22,70 -41,50 14 17,2 21,00 21,20 24,68 -14,10 -27,87 36 11 14 13,57 11,10 11,07 -28,20 -46,23 16 26,9 27,53 22,20 23,87 -16,20 -29,67 40 13 17 15,34 11,70 11,09 -30,40 -47,95 19 25,6 25,07 20,30 20,97 -19,40 -33,98 Se observa en la figura 48 la evolución del tiempo medio de tránsito que ofrece cada algoritmo con respecto a la evolución del número de ascensores del edificio. Figura 54: Gráfica 2D para ATT Se puede observar que los mejores tiempos medios de tránsito los ofrece el algoritmo Destination Control en todas las ocasiones. Esto es debido a que este algoritmo se implementa con el objetivo de no minimizar solo el tiempo medio de espera de los pasajeros sino también - 71 - el tiempo medio de tránsito. Si analizamos los mejores algoritmos, en cuanto al tiempo medio de espera se refiere, nos encontramos con que el algoritmo de Búsqueda Tabú supera al algoritmo genético en todas las ocasiones analizadas. De igual modo que en el punto 6.4, se ha realizado una gráfica 3D mediante el software Matlab en la que en el eje vertical se representa el tiempo medio de tránsito y en los ejes horizontales el número de plantas y el número de ascensores. Se puede observar mediante colores (Amarillo: Destination Control, Verde: Búsqueda Tabú, Azul: Genético Modificado y Rojo: Genético) la evolución del tiempo medio de tránsito en la figura 55. Figura 55: Gráfica 3D del ATT Se observa que tal y como se ha comentado con anterioridad, el algoritmo que mejor tiempo medio de tránsito ofrece es el algoritmo implementado por Elevate siendo el algoritmo de Búsqueda Tabú el segundo mejor método para esta variable de estudio. 6.7. Análisis del tiempo total de viaje Se va a analizar en este apartado el tiempo total de viaje de los pasajeros del edificio con el objeto de comprobar qué algoritmo de los estudiados actúa mejor frente a esta variable. El tiempo total de viaje es la suma del tiempo medio de espera de los pasajeros frente al ascensor más el tiempo medio de tránsito, esto es, el tiempo que transcurre desde que un pasajero llama a un ascensor hasta que llega a su destino. - 72 - Se muestra en la tabla 10 el tiempo total de viaje para los casos anteriormente estudiados, según el número de plantas del edificio y número de ascensores. Tabla 10: Tiempos totales de viaje Nº Plantas Ascensores Ag AgM Dc Bt 12 3 73,1 78,2 67,8 66,8 5 55 57,8 47,7 45,2 20 5 102,1 107,9 92,1 106,2 8 81,1 84,3 68,5 67,3 24 7 104,2 108,3 89 105,7 10 93,8 97,1 77,1 79,9 28 9 110,7 114 93,2 111,3 13 97 101,2 78,4 82,1 32 10 129,5 132,6 105,6 118,1 14 105,5 119 91,8 92,7 36 11 142,5 156,8 116,6 140,7 16 125,3 129,6 98 101,7 40 13 154 158,1 119 139,5 19 129,9 134,2 101,3 107,6 Se muestra en la figura 49 la evolución del tiempo total de viaje según se incrementa el número de plantas del edificio y por tanto el número de ascensores. Figura 56: Gráfica 2D para el tiempo total de viaje - 73 - Se extrae de la gráfica que el algoritmo genético modificado y el algoritmo genético se encuentran en todo momento por encima del algoritmo de Búsqueda Tabú y el algoritmo Destination Control implementado por Elevate. Los mejores tiempos totales de viaje se consiguen mediante el algoritmo Destination Control, aunque el algoritmo de Búsqueda Tabú obtiene tiempos muy parejos a este. - 80 - 4 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 57.6 (+2.3/-2.3) Longest Waiting Time (s) 286.3 (+14.2/-14.2) 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 5 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 46.1 (+2.8/-2.8) Longest Waiting Time (s) 227.0 (+30.9/-30.9) 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 7 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 30.1 (+0.9/-0.9) Longest Waiting Time (s) 190.4 (+9.4/-9.4) 0 10 20 30 40 50 60 70 80 90 100 110 120 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 8 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 21.8 (+1.4/-1.4) Longest Waiting Time (s) 163.4 (+51.5/-51.5) 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 11 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 17.2 (+0.9/-0.9) Longest Waiting Time (s) 130.0 (+22.6/-22.6) 0 25 50 75 100 125 150 175 200 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 20 plantas, 4 ascensores 12,5% POP 20 plantas, 5 ascensores 15% POP 20 plantas, 7 ascensores 17,5% POP 20 plantas, 8 ascensores 20% POP 20 plantas, 11 ascensores 22,5% POP - 81 - 5 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 60.7 (+2.3/-2.3) Longest Waiting Time (s) 352.6 (+77.7/-77.7) 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 7 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 39.8 (+0.4/-0.4) Longest Waiting Time (s) 282.8 (+19.1/-19.1) 0 10 20 30 40 50 60 70 80 90 100 110 120 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 8 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 30.9 (+3.1/-3.1) Longest Waiting Time (s) 221.7 (+22.1/-22.1) 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 10 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 25.8 (+0.4/-0.4) Longest Waiting Time (s) 174.0 (+29.2/-29.2) 0 25 50 75 100 125 150 175 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 18.8 (+0.9/-0.9) Longest Waiting Time (s) 137.4 (+27.0/-27.0) 0 25 50 75 100 125 150 175 200 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 24 plantas, 5 ascensores 12,5% POP 24 plantas, 7 ascensores 15% POP 24 plantas, 8 ascensores 17,5% POP 24 plantas, 10 ascensores 20% POP 24 plantas, 13 ascensores 22,5% POP - 82 - 6 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 62.6 (+0.7/-0.7) Longest Waiting Time (s) 387.3 (+30.2/-30.2) 0 10 20 30 40 50 60 70 80 90 100 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 9 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 40.4 (+4.9/-4.9) Longest Waiting Time (s) 291.1 (+31.5/-31.5) 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 11 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 29.0 (+3.6/-3.6) Longest Waiting Time (s) 218.8 (+51.8/-51.8) 0 25 50 75 100 125 150 175 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 24.0 (+0.7/-0.7) Longest Waiting Time (s) 167.0 (+22.9/-22.9) 0 25 50 75 100 125 150 175 200 225 250 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 19.1 (+2.4/-2.4) Longest Waiting Time (s) 154.1 (+32.7/-32.7) 0 25 50 75 100 125 150 175 200 225 250 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 28 plantas, 6 ascensores 12,5% POP 28 plantas, 9 ascensores 15% POP 28 plantas, 11 ascensores 17,5% POP 28 plantas, 13 ascensores 20% POP 28 plantas, 16 ascensores 22,5% POP - 83 - 6 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 108.7 (+7.9/-7.9) Longest Waiting Time (s) 641.8 (+100.0/-100.0) 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 10 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 40.7 (+0.8/-0.8) Longest Waiting Time (s) 241.0 (+17.3/-17.3) 0 25 50 75 100 125 150 175 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 12 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 31.8 (+2.7/-2.7) Longest Waiting Time (s) 202.5 (+20.1/-20.1) 0 25 50 75 100 125 150 175 200 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 28.0 (+0.2/-0.2) Longest Waiting Time (s) 225.2 (+34.5/-34.5) 0 25 50 75 100 125 150 175 200 225 250 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 27.0 (+2.9/-2.9) Longest Waiting Time (s) 238.9 (+18.7/-18.7) 0 25 50 75 100 125 150 175 200 225 250 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 32 plantas, 6 ascensores 12,5% POP 32 plantas, 10 ascensores 15% POP 32 plantas, 12 ascensores 17,5% POP 32 plantas, 14 ascensores 20% POP 32 plantas, 17 ascensores 22,5% POP - 84 - 7 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 107.8 (+10.3/-10.3) Longest Waiting Time (s) 640.1 (+58.7/-58.7) 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 11 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 51.5 (+0.6/-0.6) Longest Waiting Time (s) 375.3 (+75.2/-75.2) 0 25 50 75 100 125 150 175 200 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 38.0 (+2.4/-2.4) Longest Waiting Time (s) 256.7 (+3.8/-3.8) 0 25 50 75 100 125 150 175 200 225 250 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 30.9 (+0.8/-0.8) Longest Waiting Time (s) 253.5 (+25.0/-25.0) 0 25 50 75 100 125 150 175 200 225 250 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 24.2 (+0.4/-0.4) Longest Waiting Time (s) 191.9 (+1.8/-1.8) 0 25 50 75 100 125 150 175 200 225 250 275 300 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 36 plantas, 7 ascensores 12,5% POP 36 plantas, 11 ascensores 15% POP 36 plantas, 14 ascensores 17,5% POP 36 plantas, 16 ascensores 20% POP 36 plantas, 19 ascensores 22,5% POP - 85 - 7 No. 1000 kg elevators @ 2.50 m/s Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 139.7 (+13.4/-13.4) Longest Waiting Time (s) 718.8 (+12.1/-12.1) 0 25 50 75 100 125 150 175 200 225 250 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 45.7 (+2.9/-2.9) Longest Waiting Time (s) 304.1 (+33.7/-33.7) 0 25 50 75 100 125 150 175 200 225 250 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 40.0 (+0.7/-0.7) Longest Waiting Time (s) 333.3 (+66.4/-66.4) 0 25 50 75 100 125 150 175 200 225 250 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 31.1 (+0.5/-0.5) Longest Waiting Time (s) 269.9 (+45.2/-45.2) 0 25 50 75 100 125 150 175 200 225 250 275 300 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time Average of all runs Distribution of Passenger Waiting Times All Floors over complete duration 010 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 time (s) Average Waiting Time (s) 27.8 (+0.6/-0.6) Longest Waiting Time (s) 296.1 (+35.8/-35.8) 0 25 50 75 100 125 150 175 200 225 250 275 300 no of passengers waiting less than time 0 10 20 30 40 50 60 70 80 90 100 % passengers waiting less than time 40 plantas, 7 ascensores 12,5% POP 40 plantas, 13 ascensores 15% POP 40 plantas, 16 ascensores 17,5% POP 40 plantas, 19 ascensores 20% POP 40 plantas, 21 ascensores 22,5% POP - 86 - Algoritmo Genético 12 plantas, 2 ascensores 12,5% POP 12 plantas, 3 ascensores 15% POP 12 plantas, 4 ascensores 17,5% POP 12 plantas, 5 ascensores 20% POP 12 plantas, 7 ascensores 22,5% POP - 87 - 20 plantas, 4 ascensores 12,5% POP 20 plantas, 5 ascensores 15% POP 20 plantas, 7 ascensores 17,5% POP 20 plantas, 8 ascensores 20% POP 20 plantas, 11 ascensores 22,5% POP - 88 - 24 plantas, 5 ascensores 12,5% POP 24 plantas, 7 ascensores 15% POP 24 plantas, 8 ascensores 17,5% POP 24 plantas, 10 ascensores 20% POP 24 plantas, 13 ascensores 22,5% POP - 89 - 28 plantas, 6 ascensores 12,5% POP 28 plantas, 9 ascensores 15% POP 28 plantas, 11 ascensores 17,5% POP 28 plantas, 13 ascensores 20% POP 28 plantas, 16 ascensores 22,5% POP - 96 - 28 plantas, 6 ascensores 12,5% POP 28 plantas, 9 ascensores 15% POP 28 plantas, 11 ascensores 17,5% POP 28 plantas, 13 ascensores 20% POP 28 plantas, 16 ascensores 22,5% POP - 97 - 32 plantas, 6 ascensores 12,5% POP 32 plantas, 10 ascensores 15% POP 32 plantas, 12 ascensores 17,5% POP 32 plantas, 14 ascensores 20% POP 32 plantas, 17 ascensores 22,5% POP - 98 - 36 plantas, 7 ascensores 12,5% POP 36 plantas, 11 ascensores 15% POP 36 plantas, 14 ascensores 17,5% POP 36 plantas, 16 ascensores 20% POP 36 plantas, 19 ascensores 22,5% POP - 99 - 40 plantas, 7 ascensores 12,5% POP 40 plantas, 13 ascensores 15% POP 40 plantas, 16 ascensores 17,5% POP 40 plantas, 19 ascensores 20% POP 40 plantas, 21 ascensores 22,5% POP - 100 - Double Deck Destination Control 12 plantas, 2 ascensores 12,5% POP 12 plantas, 3 ascensores 15% POP 12 plantas, 4 ascensores 17,5% POP 12 plantas, 5 ascensores 20% POP 12 plantas, 7 ascensores 22,5% POP - 101 - 20 plantas, 4 ascensores 12,5% POP 20 plantas, 5 ascensores 15% POP 20 plantas, 7 ascensores 17,5% POP 20 plantas, 8 ascensores 20% POP 20 plantas, 11 ascensores 22,5% POP - 102 - 24 plantas, 5 ascensores 12,5% POP 24 plantas, 7 ascensores 15% POP 24 plantas, 8 ascensores 17,5% POP 24 plantas, 10 ascensores 20% POP 24 plantas, 13 ascensores 22,5% POP - 103 - 28 plantas, 6 ascensores 12,5% POP 28 plantas, 9 ascensores 15% POP 28 plantas, 11 ascensores 17,5% POP 28 plantas, 13 ascensores 20% POP 28 plantas, 16 ascensores 22,5% POP - 104 - 32 plantas, 6 ascensores 12,5% POP 32 plantas, 10 ascensores 15% POP 32 plantas, 12 ascensores 17,5% POP 32 plantas, 14 ascensores 20% POP 32 plantas, 17 ascensores 22,5% POP - 105 - 36 plantas, 7 ascensores 12,5% POP 36 plantas, 11 ascensores 15% POP 36 plantas, 14 ascensores 17,5% POP 36 plantas, 16 ascensores 20% POP 36 plantas, 19 ascensores 22,5% POP - 112 - 24 plantas, 7 ascensores 15% POP 24 plantas, 10 ascensores 20% POP 28 plantas, 9 ascensores 15% POP 28 plantas, 13 ascensores 20% POP 32 plantas, 10 ascensores 15% POP 32 plantas, 14 ascensores 20% POP - 113 - Double Deck Destination Control 36 plantas, 11 ascensores 15% POP 36 plantas, 16 ascensores 20% POP 40 plantas, 13 ascensores 15% POP 40 plantas, 19 ascensores 20% POP 12 plantas, 3 ascensores 15% POP 12 plantas, 5 ascensores 20% POP - 114 - 20 plantas, 5 ascensores 15% POP 20 plantas, 8 ascensores 20% POP 24 plantas, 7 ascensores 15% POP 24 plantas, 10 ascensores 20% POP 28 plantas, 9 ascensores 15% POP 28 plantas, 13 ascensores 20% POP - 115 - 32 plantas, 10 ascensores 15% POP 32 plantas, 14 ascensores 20% POP 36 plantas, 11 ascensores 15% POP 36 plantas, 16 ascensores 20% POP 40 plantas, 13 ascensores 15% POP 40 plantas, 19 ascensores 20% POP - 116 - ANEXO B: VARIABLES DE OBJETO La implementación de los algoritmos empleados en este trabajo se ha realizado a través de una programación en C++ orientada a objetos. Debido a esto, en este Anexo B se incluyen los objetos que se han empleado para dicha programación. Se tiene un primer objeto cuyo nombre es “lift.h” en el cual se encuentran las variables y características asociadas al ascensor. Entre las variables más comunes que se encuentran en este objeto se tiene el estado de las puertas del ascensor, la capacidad total del ascensor, la capacidad actual, la velocidad y dirección del ascensor. Además, como se trabajan con ascensores de arquitectura Double Deck cada una de las variables anteriores dependen de si la cabina es superior o inferior. El segundo objeto con el que se trabaja es el objeto “Dispatch.h” en el cual se encuentran las variables y características asociadas al edificio y a los pasajeros. A continuación, se muestra el código de ambos objetos. Objeto “lift.h” /* ------------------------------------------------------------------------ ----- Filename lift.h Copyright (c) Peters Research Ltd SVN variables, Updated by SVN @ each commit Id, Revision surrounded by '$' if the SVN file properties SVN:Keywords are set Revision This keyword describes the last known revision in which this file changed in the repository $Id: lift.h 2184 2014-10-27 15:17:59Z Jim.Nickerson $ $Revision: 2184 $ ------------------------------------------------------------------------ ----- */ // #ifndef _INC_LIFT //check flag to avoid re-definition of class #define _INC_LIFT // #include "stdafx.h" // #if _MSC_VER > 1000 #pragma once #endif // #include "arraysize.h" #include "building.h" #include "DestinationCall.h" // #define MAX_DESTINATION_CALL_LIFT 1000 // // - 117 - class lift { public: // enum _tag_LIFT_TYPE { SINGLE_DECK = 0, // IDSX_LIFT_TYPE_0 DOUBLE_DECK = 1, // IDSX_LIFT_TYPE_1 TWO_CARS_PER_SHAFT = 2, // IDSX_LIFT_TYPE_2 TWO_D = 3, LAST_LIFT_TYPE // used to fill string arrays from string table }; // enum _tag_CALL_CANCELLATION { ARRIVAL=0, SLOWDOWN=1 }; // enum _kW_STATES { // the energy consumed by the drive in each of these load conditions DRIVE_OFF, DRIVE_ON, DRIVE_UP_0, DRIVE_UP_25, DRIVE_UP_50, DRIVE_UP_75, DRIVE_UP_100, DRIVE_DOWN_0, DRIVE_DOWN_25, DRIVE_DOWN_50, DRIVE_DOWN_75, DRIVE_DOWN_100, DRIVE_LAST_STATE }; // enum _Axis { AXIS_X, AXIS_Y, AXIS_Z }; // double m_Acceleration; //rated lift acceleration (m/s/s) [elive static data] XMLS_1_ACCELERATION_MSS double m_AccelerationMultiply; //not currently used, but allows dispatcher to change the rated acceleration for a single trip. Set to 1.0 by default. int m_ActualQuickestStopFloor; //actual (as opposed to ideal) quickest stop floor. Not normally used in Elevate, but when class used in real systems double m_ActualStoppingDistance; //actual (as opposed to ideal) stopping distance. Not normally used in Elevate, but when class used in real systems int m_AlgorithmType; //algorithm type CONVENTIONAL, DESTINATION or MIXED using global Elevate definition bool m_Available; //normally true, can be off due to motor generator double m_Capacity; //nominal lift capacity (kg) [elive static data] XMLS_1_CAPACITY_KG - 118 - int m_CarCall[MAX_FLOORS]; //car calls registered (1 registered, 0 not) [elive dynamic data] XMLS_1_REGISTERED_CALLS int m_CarCallCancellation; //defines when lift class cancels car calls //options ARRIVAL (default) or SLOWDOWN //m_CarCall is set when value is 1. If SLOWDOWN option selected then value is changed to 2 on slowdown double m_CarCallDwellTime; //not used double m_CarCallDwellTimePostPersonExit; //not used int m_CarCallUpperCar[MAX_FLOORS]; //car calls registered (1 registered, 0 not) [elive dynamic data] int m_CarService; //indicates current service state car is in (i.e. AUTOMATIC, etc) [elive dynamic data] XMLS_1_CAR_SERVICE double m_CounterweightProportion; //used in conjunction with m_VelocityMultiply to model ThyssenKrupp VMAX. double m_CurrentAcceleration; //current acceleration (m/s/s) double m_CurrentArea; //current area taken in car by passengers (m²) double m_CurrentAreaUpperCar; //current area taken in upper car by passengers (m²) double m_CurrentDistance; //distance travelled on current trip (m) int m_CurrentFloorNo; //current floor number (where 1 is lowest floor), NONE when travelling [elive dynamic data] XMLS_1_FLOOR double m_CurrentJerk; //current jerk (m/s/s/s) double m_CurrentLoad; //current car load (kg) [elive dynamic data] XMLS_1_CURRENT_LOADKG double m_CurrentLoadUpperCar; //current car load upper car (kg) [elive dynamic data] double m_CurrentPosition; //current position (m above reference) double m_CurrentTime; //current time (s past reference) double m_CurrentVelocity; //current velocity (m/s) bool m_DeleteDestinationCallAtDestination; //chooses if the lift class deletes the call when the lift arrives at destination, //or changes state to PENDING_RESET and saves the time the car arrives int DestinationByDispatcher; //Normally the lift class will decide what call to serve next based on the //car calls and allocated landing calls //set this variable to 1 for the lift to travel to m_RequestedDestination int m_DestinationFloor; //current destination floor no [elive dynamic data] double m_DestinationPosition; //current destination (m above reference) double m_DestinationTime; //arrival time next planned stop (s past reference) int m_Direction; //direction of travel (-1 down, 0 neither, 1 up) [elive dynamic data] XMLS_1_DIRECTION int m_DoorBeams; //flag for operation of door beams representing passenger //transfer (1 beams broken, 0 clear) [elive dynamic data] int m_DoorBeamsRear; //flag for operation of door beams rear doors representing passenger - 119 - //transfer (1 beams broken, 0 clear) [elive dynamic data] int m_DoorBeamsUpperCar; //flag for operation of door beams upper car representing passenger //transfer (1 beams broken, 0 clear) [elive dynamic data] int m_DoorBeamsRearUpperCar; //flag for operation of door beams upper car rear doors representing passenger //transfer (1 beams broken, 0 clear) [elive dynamic data] double m_DoorClose; //door closing time (s) [elive static data] XMLS_1_DOOR_CLOSE double m_DoorDwell1; //door dwell time 1 (s) //corresponds to time doors will wait until //closing if beam not broken bool m_DoorDwell1Expired; //true if last time doors closed, no one had entered/exited the lift bool m_DoorDwell1ExpiredRear; //true if last time rear doors closed, no one had entered/exited the lift bool m_DoorDwell1ExpiredRearUpperCar; //true if last time upper car rear doors closed, no one had entered/exited the lift bool m_DoorDwell1ExpiredUpperCar; //true if last time upper car doors closed, no one had entered/exited the lift double m_DoorDwell2; //door dwell time 2 (s) //corresponds to time doors will wait until //closing after beams have been broken/cleared int m_DoorDwellMode; //not used bool m_DoorHoldOpen; //set to true to hold doors open, overrides m_DoorDwell2 bool m_DoorHoldOpenRear; //set to true to hold rear doors open, overrides m_DoorDwell2 double m_DoorOpen; //door open time (s) [elive static data] XMLS_1_DOOR_OPEN double m_DoorPreOpen; //door pre-opening (s) [elive static data] XMLS_1_DOOR_PRE_OPEN double m_DoorsStart; //time doors started opening/closing (s past reference) double m_DoorsStartRear; //time rear doors started opening/closing (s past reference) double m_DoorsStartRearUpperCar;//time rear doors upper car started opening/closing (s past reference) double m_DoorsStartUpperCar; //time doors upper car started opening/closing (s past reference) int m_DoorStatus; //Door Status (1 fully open, 2 closing,3 fully closed, 4 opening, 5 nudging) [elive dynamic data] XMLS_1_DOOR_STATUS int m_DoorStatusCombined; //used by dispatcher to determine one value combining front and rear door status int m_DoorStatusCombinedUpperCar;//used by dispatcher to determine one value combining front and rear door status upper car int m_DoorStatusRear; //Door dtatus (1 fully open, 2 closing,3 fully closed, 4 opening, 5 nudging) [elive dynamic data] XMLS_1_DOOR_STATUS int m_DoorStatusRearUpperCar; //Rear door status upper car (1 fully open, 2 closing,3 fully closed, 4 opening, 5 nudging) [elive dynamic data] XMLS_1_DOOR_STATUS - 120 - int m_DoorStatusUpperCar; //Door status upper car (1 fully open, 2 closing,3 fully closed, 4 opening, 5 nudging) [elive dynamic data] XMLS_1_DOOR_STATUS int m_DownLandingCalls[MAX_FLOORS]; //down landing calls allocated to lift by dispatcher (1 registered, 0 not) [elive dynamic data] XMLS_1_DOWN_LANDING_CALL int m_DownLandingCallsCombined[MAX_FLOORS]; //used by dispatcher to determine one value combining front and rear status int m_DownLandingCallsRear[MAX_FLOORS]; //rear down landing calls allocated to lift by dispatcher[elive dynamic data] int m_DownLandingCallsRearUpperCar[MAX_FLOORS]; //rear down landing calls upper car allocated to lift by dispatcher [elive dynamic data] int m_DownLandingCallsUpperCar[MAX_FLOORS]; //down landing calls allocated to lift by dispatcher (1 registered, 0 not) [elive dynamic data] bool m_EndTravelNoCall; //defines what happens if the call a car is traveling to is removed //(e.g. by dispatcher). False by default. If true, then car will stop //at next floor (unless it has other calls to travel to). double m_FloorArea; //floor area of car (m²) double m_FloorPositions[MAX_FLOORS]; //positions of floors in building [elive static data] //(m above reference, can be negative) //array element [0] not used, start with //lowest floor at m_FloorPositions[1] int m_FloorsServed[MAX_FLOORS]; //indicates whether lift serves floor [elive static data] XMLS_1_FLOORS_SERVED //used when lifts in a group do not serve all floors //for low/high rise groups, run separate simulations //may be changed dynamically by dispatcher //0 not served //1 if front doors //2 if rear doors //3 if front and rear doors bool m_FrontDoors[MAX_FLOORS]; //true if front doors on this landing int m_FrontDoorsOpenCount; //counter for m_MaxDoorReOpen int m_FrontDoorsOpenCountUpperCar; //counter for m_MaxDoorReOpen, upper car bool m_FrontDoorsUpper[MAX_FLOORS]; //true if front doors on this landing bool m_FrontLocks[MAX_FLOORS]; //true if car not allowed to access for security reasons (even if served) [elive dynamic data] bool m_FrontLocksUpper[MAX_FLOORS]; //ditto for upper car [elive dynamic data] bool m_FullByVision; //true if vision device says lift if full - for use in real systems where there is a volumetric detection device int m_FutureCarCalls[MAX_FLOORS];//not used int m_Home; //home floor/default parking position [elive static data] XMLS_1_HOME - 121 - double m_HomeDoorDwell1; //alternative door dwell time for home floor (s) double m_HomeDoorDwell2; //alternative door dwell time for home floor (s) double m_HomePeakLandingCallDwellTime; //not used double m_HorizontalPosition; //horizontal position in the shaft, e.g. [elive static data] //1 - shaft 1 //2 - shaft 2 //1.5 - half way between shaft 1 and 2 //user of lift class must check that lifts do not crash! int m_Index; //index number of this lift car [elive static data - allow string] XMLS_1_CARID //note that the Elevate lift array is 1 index. l[0] is not used or initialized. double m_Jerk; //rated lift jerk (m/s/s/s) [elive static data] XMLS_1_JERK_MSSS double m_JourneyStart; //time lift journey started (s past reference) double m_kW[ DRIVE_LAST_STATE ]; //energy consumption, this specifies the energy consumed while in each of these load states int m_LandingCallCancellation; //defines when lift class cancel hall calls //options ARRIVAL (default) or SLOWDOWN //Landing calls are set when value is 1. If SLOWDOWN option selected then value is changed to 2 on slowdown double m_LandingCallDwellTime; //not used double m_LandingCallDwellTimePostCarCall; //not used double m_LevellingDelay; //levelling delay (s) int m_MaxDoorReOpen; //maximum number of time doors are allowed to re-open once car calls have been registered //set to -1 for unlimited double m_MaxVelocityMultiply; //allows dispatcher to change the rated acceleration for a single trip. Also use in ThyssenKrupp VMAX to overspeed the lift. double m_MGRestartTime; //time it takes for motor generator set to re-start (s) bool m_MGSet; //true if this lift has motor generator double m_MGShutDownAfterTime; //time after which motor generator set will shut down (s) double m_MotorStartDelay; //motor start up delay (s) int m_NoFloors; //no of floors in building [elive static data] XMLS_1_NO_FLOORS int m_ParkCall[MAX_FLOORS]; //parking calls, like landing call, but placed by dispatcher[elive dynamic data] XMLS_1_PARK_CALL //lift does not open doors on arrival int m_ParkOpenCall[MAX_FLOORS]; //as parking calls, but lift parks with doors open bool m_PeakMode; //not used bool m_PersonTransferred; //not used int m_PreDirection; //direction of travel once we reach current destination [elive dynamic data] double m_QuickestStopPosition; //next possible stop lift can make (m above reference) bool m_RearDoors[MAX_FLOORS]; //true if rear doors on this landing - 128 - double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); void Algorithm2(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); void Algorithm3(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); void Algorithm4(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); void Algorithm5(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); - 129 - void Algorithm6(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); void Algorithm7(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); void Algorithm8(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); void Algorithm9(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); void Algorithm10(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], - 130 - double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); void Algorithm11(double CurrentTime,lift l[MAX_LIFTS], double SimulationTimeStep,building b,int NoLifts, CString message,CString &mode, CArray<person*,person*> &PersonArray, int NoPassengers, int NoTrafficPeriods, double m_u[MAX_TRAFFIC_PERIODS][MAX_FLOORS], double m_d[MAX_TRAFFIC_PERIODS][MAX_FLOORS][MAX_FLOORS],double m_StartTime[MAX_TRAFFIC_PERIODS], double m_EndTime[MAX_TRAFFIC_PERIODS],DestinationCall DestCalls[MAX_DESTINATION_CALLS], CString Document,bool DestinationButtons[MAX_FLOORS],int UserSelectedMode); // bool GetDispatcherOptionsValueBool(CString VariableName); double GetDispatcherOptionsValueNumber(CString VariableName); double GetDispatcherOptionsValueTime(CString VariableName); CString GetDispatcherOptionsValueCombo(CString VariableName); // void SetValue(CString VariableName, double VariableValue); void SetValue(CString VariableName, int index1, double VariableValue); void SetValue(CString VariableName, int index1, int index2, double VariableValue); double GetValue(CString VariableName); double GetValue(CString VariableName, int index1); double GetValue(CString VariableName, int index1, int index2); CString NumberText(double val); CString NumberText(int val); #if defined(DLL_USE_XML_PARAMETERS) void SetDispatcherDllOptions( CXmlNode DllOptions, CString csAlgorithmName ); // if supports Xml Parameters void GetOptionsFromXml( CString csAlgorithmName ); // extract the Option Value names and values from the Xml file for this algorithm #endif protected: }; // #endif // !defined(AFX_DISPATCH_H__163502DF_E3E1_4DA5_BB84_9BEF27C83AB0__INCLUDED_ )