Gaussian process surrogate models in elevator planning
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024-05-21
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
72+2
Series
Abstract
Finding a suitable elevator system for a given building in a complex task. There are many design considerations which must be taken into account, one of main ones being the level of traffic in the building. This thesis investigates how to mathematically define the problem of finding maximum traffic intensity, which is still feasible given certain waiting time and time-to-destination constraints, for a building with a specific elevator system. The problem of finding the maximum intensity is a simplified inverse problem to usual elevator planning. The thesis also provides methods on solving the defined problem efficiently. A simulator is utilized to simulate waiting time and time-to-destination metrics for a given traffic intensity. However, because of the high computational complexity of the simulator, it cannot be utilized with a simple algorithm for finding the maximum intensity. The thesis suggests the use of Bayesian optimization with Gaussian processes to optimize the search of maximum intensity. Thesis explores the literature of Bayesian optimization and Gaussian processes and provides an introduction to the topics. From literature, a few candidate Bayesian optimization algorithms are developed to suit the particular traffic optimization problem. With the help of a toy optimization problem, the optimum of which is known, the performance of the candidate algorithms is analyzed. According to the results of the toy analysis, the list of suitable candidates is narrowed down. The remaining algorithms are then tested with a real traffic simulator and their performance is analyzed from multiple perspectives. At the end, one algorithm is picked as the best. Sensitivity tests are then performed on this algorithm to validate its performance in different scenarios. In the sensitivity analysis we also discover some weaknesses in the chosen algorithm. The resulting finding is that the chosen algorithm performs well in a variety of circumstances and provides a suitable method estimating the maximum traffic intensity. However, there are some factors which affect the performance of the algorithm, for example the size of the search space. Therefore, the results of the algorithm must be examined with the help of domain knowledge.Rakennuksen hissisuunnittelu on moniulotteinen tehtävä, jossa on huomioitava monta muuttujaa. Yksi keskeisimmistä on hissiliikenteen intensiteetti. Tämä diplomityö tarkastelee eräänlaista yksinkertaistettua käänteisongelmaa hissisuunnittelulle, joka on liikenneintensiteetin maksimin löytäminen asetettujen odotus- ja matkustusaikarajoitteiden alla. Liikenneintensiteetin maksimin etsiminen esitetään ensin matemaattisena optimointitehtävänä, jonka jälkeen tutkitaan eri algoritmeja sen ratkaisemiseen. Liikenneintensiteetin maksimin löytämiseen hyödynnetään simulaattoria, jolla lasketaan odotus- ja matkustusaikoja eri intensiteeteille. Johtuen simulaattorin laskennallisesta raskaudesta, intensiteetin maksimia ei voida löytää käyttämällä yleistä optimointialgoritmia. Tämän vuoksi bayesilaista optimointia ja gaussisia prosesseja hyödynnetään simuloitavien intensiteettiarvojen valitsemiseen. Diplomityö esittelee bayesilaisen optimoinnin ja gaussisten prosessien teorian. Kirjallisuudesta saatujen taustatietojen avulla kehitetään muutama algoritmiehdokas liikenneintensiteetin optimointia varten. Algoritmiehdokkaita testataan ensin leluongelmalla, jonka optimi on tiedossa. Algoritmien suorituskykyä tarkastellaan monesta eri näkökulmasta ja tämän analyysin tuloksena rajataan epäsopivia ehdokkaita pois. Parhaat algoritmit otetaan seuraavaan vaiheeseen jossa tarkastellaan niiden suorituskykyä oikean liikennesimulaattorin yhteydessä. Paras algoritmi valitaan eri metriikoiden perusteella. Parhaalle algoritmille suoritetaan herkkyysanalyysi, joka kertoo kuinka algoritmi suoriutuu erilaisissa tilanteissa. Herkkyysanalyysin avulla löydetään myös muutama heikkous valitussa algoritmissa. Diplomityön johtopäätöksenä on että valittu algoritmi suoriutuu hyvin erilaisissa tilanteissa ja soveltuu ongelman ratkaisualgoritmiksi. Kuitenkin huomataan että algoritmi ei suoriudu yhtä hyvin, jos tietyt ongelman muuttujat ovat asetettu väärin. Esimerkiksi algoritmin hakualueen rajat pitää määrittää oikein jotta algoritmi löytää optimaalisen intensiteetin. Näiden herkkyyksien vuoksi algoritmia käytettäessä on hyödynnettävä asiantuntemusta ja sen tuottamia tuloksia on syytä tarkastella kriittisesti.Description
Supervisor
Schiewe, PhilineThesis advisor
Kokkala, JuhoKeywords
elevators, Gaussian processes, Bayesian optimization, optimization