電梯不是 nearest floor：從狀態機、SCAN 到群控與強化學習的程式設計

電梯控制不是挑最近樓層，而是把乘客請求、車廂狀態、安全條件與未來流量放進同一個即時決策系統。本文用狀態機、SCAN／LOOK、成本函數、空車預定位與強化學習拆解可測試的設計方法。

AI SYNTHESIS / MAY CONTAIN ERRORS

1. 答案先行：電梯程式是四層控制系統

把電梯寫成「收到樓層就移動」會把安全、流程與最佳化混成一團。較穩健的切法是四層：最底層判斷能不能動；單車狀態機決定現在正在開門、關門或行駛；排程器維護停靠順序；群控器才負責把新請求交給哪一台車。

四層之間只能透過明確介面傳遞命令與狀態。群控器可以要求 Car B 接 12 樓上行乘客，但單車控制器仍要檢查車門、位置、服務模式與故障狀態；條件不成立時，任務必須拒絕或重新派送。

本文的 Python 程式刻意停在模擬層。ASME A17.1／CSA B44 涵蓋運作、檢查、測試與維護等安全範圍，真實控制器需要符合適用法規、認證與設備商設計，不能由一般排程範例直接驅動馬達或門機。

CLAIM-LEVEL EVIDENCE

本節主張與證據

來源事實信心：高
ASME A17.1／CSA B44 的適用範圍涵蓋電梯的設計、建造、安裝、運作、檢查、測試、維護、改造與修理，實機控制不能以教學排程程式取代。
對應證據ASME｜A17.1 - Safety Code for Elevators and Escalators
AI 推論信心：中
安全與運動控制、單車流程、請求排程及群控指派應分層；群控可以更換演算法，但不得繞過門鎖、位置、速度或故障狀態的安全許可。
對應證據ASME｜A17.1 - Safety Code for Elevators and Escalators Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems
不確定性信心：高有效期限：2027-07-26
商用電梯控制器的安全電路、認證軟體、感測器融合與供應商群控細節多屬受規範或專有實作；本文只討論公開研究可支持的軟體架構與模擬方法。
本項未綁定直接來源，應視為尚待確認的不確定性。

從乘客按鈕到車廂移動的責任鏈

FIGURE 01 / FLOW

請求模型

樓層、方向、目的地、等待時間

群控派車

比較各車成本並指派任務

單車排程

合併停靠、維持方向、決定反轉

安全與運動

門鎖、位置、速度、故障許可

上層提出需求，下層保留拒絕權；任何派車演算法都不能跳過安全與單車狀態檢查。

2. 請求模型先決定派車器看得到什麼

傳統廳外按鈕通常只提供起始樓層與上、下方向；乘客進車後才按目的樓層。群控器在接客前不知道完整行程，只能估計。目的樓層控制則先收集起點與終點，能在大廳把前往相近樓層的人分到同一台車。

KONE 的目的樓層操作面板會先讓乘客選樓層，接著顯示指定電梯。對程式而言，請求從 HallCall(origin, direction) 變成 TripRequest(origin, destination, party_size)，可用資訊更多，但也要處理乘客沒上車、重複輸入、權限限制與群體人數估計。

車內請求、廳外請求與目的樓層請求不應塞進同一個整數集合。不同請求有不同完成條件：廳外請求在正確方向開門才算接到人；車內請求要到達指定樓層；目的樓層請求還需要保留乘客與指定車的關聯。

三種請求帶給派車器的資訊量

FIGURE 02 / MATRIX

三種請求帶給派車器的資訊量
項目	建立時已知	完成條件	主要限制
廳外呼叫	起點、方向	同方向抵達並開門	目的地未知
車內選樓	目的地、所屬車廂	車廂抵達目的樓層	派車已經完成
目的樓層	起點、終點、指定車	指定車完成接送	需處理未搭乘與改派

資訊越完整，越能預估整段行程；系統也必須承擔更多乘客識別、取消與重新分派狀態。

3. 單車控制用狀態機，不要堆疊互相打架的 if

單車至少要分出 IDLE、MOVING_UP、MOVING_DOWN、DOOR_OPENING、DOOR_OPEN、DOOR_CLOSING、OUT_OF_SERVICE。每個事件只能觸發允許的轉移；例如車門未關妥時，移動事件應被拒絕，而不是靠某一條稍後執行的 if 補救。

2024 年群控研究也先用有限狀態機表示系統，再比較派車策略。狀態機的價值不是圖畫得漂亮，而是讓「哪些事件可以在什麼狀態發生」變成可測試契約。

排程器只輸出下一個停靠點；狀態機把停靠點轉成一連串動作。這個分離讓你能用同一套車廂模擬器比較 SCAN、成本函數或 RL，而不必把門控與行駛流程重寫三次。

CLAIM-LEVEL EVIDENCE

本節主張與證據

來源事實信心：高
2024 年研究以有限狀態機表示群控系統，並比較持續同向服務、完成當前方向最後請求後反轉、基因演算法與模擬退火。
對應證據Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems
AI 推論信心：中
安全與運動控制、單車流程、請求排程及群控指派應分層；群控可以更換演算法，但不得繞過門鎖、位置、速度或故障狀態的安全許可。
對應證據ASME｜A17.1 - Safety Code for Elevators and Escalators Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems
AI 建議信心：中
測試套件應把車門未鎖不得移動、樓層不得越界、請求不得無限飢餓、故障車不得接受新任務等條件寫成不變式，而非只驗證平均效能。
對應證據ASME｜A17.1 - Safety Code for Elevators and Escalators Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems

可測試的單車狀態骨架

CONCRETE EXAMPLE 01

範例只模擬樓層與狀態，不含速度曲線、煞車、門鎖或實體 I/O。

python

from dataclasses import dataclass, field
from enum import Enum, auto

class Mode(Enum):
    IDLE=auto(); UP=auto(); DOWN=auto(); DOOR=auto(); FAULT=auto()

@dataclass
class Car:
    floor: int = 1
    mode: Mode = Mode.IDLE
    stops: set[int] = field(default_factory=set)
    door_locked: bool = True

    def move_one_floor(self, direction: int) -> None:
        if not self.door_locked or self.mode in {Mode.DOOR, Mode.FAULT}:
            raise RuntimeError("movement not permitted")
        self.mode = Mode.UP if direction > 0 else Mode.DOWN
        self.floor += direction

真實控制器還要處理井道位置、速度、煞車、超載、消防與維修模式。
狀態轉移應集中管理，避免 UI、派車器與硬體介面各自改寫 mode。

4. SCAN／LOOK 能解釋單車行為，卻不是群控答案

SCAN 的直覺像電梯版磁碟排程：車廂沿目前方向服務所有可達停靠，抵達邊界後反轉。LOOK 不必走到建築端點，只走到該方向最後一個請求。兩者能減少來回抖動，也比每次追最近樓層更容易預測。

更實用的變形是 Final Call：目前方向已沒有待處理請求就可反轉，不必等到最高或最低樓。2024 年研究把方向持續與 Final Call 當成兩條啟發式基準，這正適合工程測試：規則簡單、結果可重現，能當進階演算法的下限。

它們的盲點是只看現有佇列。兩台車可能同時朝同一區移動，低樓層卻沒有車；新請求也可能被加入一台已排滿停靠的近車。群控需要估計每台車接下任務後，整體等待會增加多少。

同方向優先：避免每來一個請求就立刻反轉。
請求去重：同樓層同方向只保留一筆未完成呼叫。
防止飢餓：等待超過門檻的請求提高優先權或強制保留服務窗口。

CLAIM-LEVEL EVIDENCE

本節主張與證據

來源事實信心：高
2024 年研究以有限狀態機表示群控系統，並比較持續同向服務、完成當前方向最後請求後反轉、基因演算法與模擬退火。
對應證據Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems
AI 推論信心：中
SCAN／LOOK 類同向服務規則適合當單車與簡單群控的可解釋基準，但它沒有直接估計未來到達、乘客目的地與多車互相影響。
對應證據Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems Mitsubishi Electric Research Laboratories｜Decision-Theoretic Group Elevator Scheduling
AI 推論信心：中
實用群控成本函數應至少納入接客 ETA、目前停靠數、方向反轉、載重與請求等待時間；只看樓層距離容易把乘客派給看似近、實際很晚才到的車。
對應證據Mitsubishi Electric Research Laboratories｜Decision-Theoretic Group Elevator Scheduling Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching

5. 群控派車是在每次事件後重算的成本問題

新廳外請求抵達時，群控器要回答的不是「哪台最近」，而是「把這筆任務插入哪台車後，新增的乘客成本最小」。樓層距離只是 ETA 的一部分；目前方向、既有停靠、門狀態、載重與已等待秒數都會改變答案。

可先使用可解釋的線性成本函數，再用模擬調權重。方向一致且路過起點的車通常成本低；需要反轉、已排很多站或接近滿載的車加罰；等待太久的呼叫則降低其指派成本，避免長期被新請求插隊。

任務指派不是永久契約。車廂故障、乘客取消或交通型態突變時，可以在尚未承諾接客前重新計算；一旦顯示指定車或乘客已進車，改派規則就要更保守，否則介面與實際行為會分離。

CLAIM-LEVEL EVIDENCE

本節主張與證據

AI 推論信心：中
實用群控成本函數應至少納入接客 ETA、目前停靠數、方向反轉、載重與請求等待時間；只看樓層距離容易把乘客派給看似近、實際很晚才到的車。
對應證據Mitsubishi Electric Research Laboratories｜Decision-Theoretic Group Elevator Scheduling Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching
AI 推論信心：中
平均等待時間不足以代表乘客體驗；派車評估還要追蹤 P95、最長等待、超過門檻的比例與各樓層公平性。
對應證據Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching Mitsubishi Electric Research Laboratories｜Decision-Theoretic Group Elevator Scheduling
來源事實信心：高
KONE 的目的樓層操作面板讓乘客先選目的樓層，再顯示應搭乘的電梯；系統因此可在乘客進車前取得目的地並完成分組。
對應證據KONE｜Overview of KONE Office Flow

可解釋的派車成本函數

CONCRETE EXAMPLE 01

權重只是模擬起點；正式比較時應固定交通軌跡，以等待分布與吞吐量校準。

python

def dispatch_cost(car, call, now):
    distance = abs(car.floor - call.floor)
    same_way = car.direction == 0 or (call.floor-car.floor)*car.direction >= 0
    reversal = 0 if same_way else 12
    queued = 3 * len(car.stops)
    load = 15 * car.load_ratio
    age_bonus = min(20, (now-call.created_at) / 5)
    return distance*2 + reversal + queued + load - age_bonus

def assign(cars, call, now):
    eligible = [c for c in cars if c.available]
    return min(eligible, key=lambda c: dispatch_cost(c, call, now))

age_bonus 讓舊請求逐步取得優勢，但仍需設定最大等待硬門檻。
若已知目的地，成本還應估計插入接客與送達兩個停靠點的增量。

6. 平均等待下降，不代表乘客真的等得比較少

平均值可能被大量短等待稀釋。某策略把大廳乘客快速送走，卻讓偏遠樓層少數乘客等很久，平均仍會很好看。2026 年 ACM 研究同時檢查平均等待與長等待分布，這比只報一個 mean 更接近可用的驗收方式。

模擬報表至少要輸出 P50、P95、最大等待、超過 60 或 90 秒的比例、每樓層分布、方向分布、車廂利用率與每小時輸送人數。尖峰流量還要分上行、下行、午間跨樓層與隨機四種情境。

成本函數可加入平方等待或超時罰則，讓演算法對長尾更敏感。代價是部分平均效率可能下降；這不是模型失敗，而是明確選擇公平性與可預測性。

CLAIM-LEVEL EVIDENCE

本節主張與證據

來源事實信心：高有效期限：2027-07-26
2026 年 ACM 研究把派車表述為半馬可夫決策過程，先以接客時間估計做模仿學習預訓練，再用 PPO 最佳化；其實驗同時比較平均等待與長等待分布。
對應證據Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching
AI 推論信心：中
平均等待時間不足以代表乘客體驗；派車評估還要追蹤 P95、最長等待、超過門檻的比例與各樓層公平性。
對應證據Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching Mitsubishi Electric Research Laboratories｜Decision-Theoretic Group Elevator Scheduling
AI 建議信心：高
新派車策略應先在離散事件模擬器中，以相同的上行、下行、午間與隨機流量軌跡對照基準演算法，再決定是否進入更高層級驗證。
對應證據Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching

群控驗收不能只看一個平均數

FIGURE 03 / MATRIX

群控驗收不能只看一個平均數
項目	回答的問題	可能暴露的缺陷
平均等待	整體效率是否改善	容易掩蓋少數極長等待
P95／超時率	最差一群乘客等多久	偏遠樓層或逆向請求飢餓
輸送量／載重	尖峰能搬運多少人	車廂過度集中或空跑
樓層公平性	服務是否偏向特定區域	低頻樓層長期被延後

門檻數值應依建築、契約與實測流量制定；表中說明各指標能暴露的失敗型態。

7. 沒有乘客時，空車停在哪裡也是派車

群控系統的決策不只發生在呼叫出現後。所有車都停在大廳，看似整齊，卻可能讓中高樓層的下一位乘客承擔完整行程；把閒置車分散到需求較可能出現的位置，可以降低第一段接客時間。

MERL 的研究把這個問題稱為 optimal parking。下行尖峰可依乘客到達分布配置空車；更複雜的上行尖峰則使用 MDP 與動態規劃。論文中的最高改善是特定測試結果，不是任何大樓都能複製的保證。

工程上可先做簡單版本：依最近 15 分鐘各樓層呼叫率，把空車分配到需求分位點；同時限制重定位頻率，避免為了預測而頻繁空跑、耗能或干擾即將發生的請求。

CLAIM-LEVEL EVIDENCE

本節主張與證據

來源事實信心：高
MERL 的空車預定位研究把閒置車廂配置到可能出現新乘客的位置；下行尖峰以空車分布配合到達分布，上行尖峰則以 MDP 與動態規劃求策略。
對應證據Mitsubishi Electric Research Laboratories｜Optimal Parking in Group Elevator Control
來源事實信心：高
MERL 的決策理論派車研究以馬可夫鏈描述車廂動態，並用動態規劃計算及最小化乘客預期等待時間；論文報告其測試中重流量等待時間最多降低 70%。
對應證據Mitsubishi Electric Research Laboratories｜Decision-Theoretic Group Elevator Scheduling
AI 建議信心：高
新派車策略應先在離散事件模擬器中，以相同的上行、下行、午間與隨機流量軌跡對照基準演算法，再決定是否進入更高層級驗證。
對應證據Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching

8. 進階演算法的差別，在於它們如何估計未來

啟發式規則只需目前狀態，速度快且容易除錯；動態規劃建立未來狀態與機率；基因演算法、模擬退火在候選指派中搜尋；強化學習則從大量模擬互動學策略。演算法越複雜，越需要可信的流量模型與回歸基準。

MERL 的決策理論方法直接估計所有可能未來情境下的等待，論文在其測試集報告明顯改善。2024 年研究的基因演算法在模擬中勝過兩條啟發式與模擬退火，但計算較久。這些成果說明最佳化有潛力，也說明結果高度依賴狀態、目標與模擬設定。

電梯群控的 RL 研究至少可追溯到 1998 年。2026 年方法先用接客時間估計做模仿學習，再以 PPO 訓練 SMDP 策略；這種混合方法試圖降低純 RL 起步時的探索成本。它仍需要和規則基準在未見過的交通軌跡上比較。

CLAIM-LEVEL EVIDENCE

本節主張與證據

來源事實信心：高
MERL 的決策理論派車研究以馬可夫鏈描述車廂動態，並用動態規劃計算及最小化乘客預期等待時間；論文報告其測試中重流量等待時間最多降低 70%。
對應證據Mitsubishi Electric Research Laboratories｜Decision-Theoretic Group Elevator Scheduling
來源事實信心：高
該研究的模擬結果中，基因演算法在平均等待時間上優於兩種啟發式與模擬退火，但需要較長計算時間；結果不能直接外推到所有建築。
對應證據Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems
來源事實信心：高
Crites 與 Barto 在 1998 年已發表以多個強化學習代理處理電梯群控的研究，顯示 RL 並非近年才出現的派車概念。
對應證據University of Massachusetts Amherst｜A. G. Barto's Publications — Elevator group control using multiple reinforcement learning agents
來源事實信心：高有效期限：2027-07-26
2026 年 ACM 研究把派車表述為半馬可夫決策過程，先以接客時間估計做模仿學習預訓練，再用 PPO 最佳化；其實驗同時比較平均等待與長等待分布。
對應證據Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching
AI 推論信心：中
SCAN／LOOK 類同向服務規則適合當單車與簡單群控的可解釋基準，但它沒有直接估計未來到達、乘客目的地與多車互相影響。
對應證據Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems Mitsubishi Electric Research Laboratories｜Decision-Theoretic Group Elevator Scheduling

派車方法的工程取捨

FIGURE 04 / MATRIX

派車方法的工程取捨
項目	主要優點	主要風險	適合用途
SCAN／LOOK	可解釋、計算快	看不到未來與多車耦合	基準線、單車、小型系統
成本函數	可逐項追蹤派車理由	權重需依流量校準	多數工程原型與線上規則
DP／MDP	能表達未來機率與長期成本	狀態建模與計算複雜	需求模型穩定的最佳化
GA／SA	可搜尋大型組合空間	延遲與結果穩定性需控制	離線調參或滾動最佳化
IL＋RL	可學非線性與長期策略	模擬偏差、驗證與可解釋性	有高擬真模擬器的研究場景

「適合用途」是依公開研究與工程可驗證性整理，不代表特定產品採用情況。

9. 先建立離散事件模擬器，再替派車器加聰明

電梯不是固定每秒重算一次就足夠的系統。請求抵達、車門關妥、車廂到站、乘客上下車、故障與重新派送都會改變狀態；離散事件模擬器依下一個事件時間跳轉，較容易重現相同流量並比較策略。

測試資料應是可保存的事件軌跡，而不是每次隨機生成後只留平均值。固定亂數種子、乘客起終點、到達時間與上下車耗時，才能把新演算法的差異歸因到派車策略。

每次策略比較都跑相同軌跡，輸出請求生命週期與派車理由。某一筆請求超時時，應能回放它何時建立、曾指派給哪台車、為何改派、何時開門，而不是只看到最終 P95 變差。

CLAIM-LEVEL EVIDENCE

本節主張與證據

AI 建議信心：高
新派車策略應先在離散事件模擬器中，以相同的上行、下行、午間與隨機流量軌跡對照基準演算法，再決定是否進入更高層級驗證。
對應證據Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching
來源事實信心：高
該研究的模擬結果中，基因演算法在平均等待時間上優於兩種啟發式與模擬退火，但需要較長計算時間；結果不能直接外推到所有建築。
對應證據Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems
來源事實信心：高有效期限：2027-07-26
2026 年 ACM 研究把派車表述為半馬可夫決策過程，先以接客時間估計做模仿學習預訓練，再用 PPO 最佳化；其實驗同時比較平均等待與長等待分布。
對應證據Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching

事件迴圈與可重播紀錄

CONCRETE EXAMPLE 01

事件佇列按時間排序；同一批輸入可重跑不同派車器。

python

from heapq import heappop, heappush

queue = []
heappush(queue, (0.0, "hall_call", {"floor": 8, "dir": -1}))

while queue:
    at, kind, payload = heappop(queue)
    sim.clock = at
    produced = sim.handle(kind, payload, dispatcher)
    sim.audit.append({"at": at, "event": kind, "data": payload})
    for event in produced:
        heappush(queue, event)

metrics = sim.finish()
assert metrics["unserved_calls"] == 0

事件 payload 使用合成資料，不要把真實門禁或乘客識別帶進演算法測試。
同時間事件要定義穩定排序，避免執行順序造成不可重現結果。

10. 發布門檻要把安全不變式與效能目標分開

最佳化只回答「比較快嗎」，不回答「任何狀態都安全嗎」。安全不變式應先於效能測試，而且不因平均等待改善而放寬。派車器輸出錯誤時，單車與安全層仍要拒絕不可能或不允許的動作。

單元測試驗證狀態轉移與成本項；性質測試生成大量請求序列，檢查樓層邊界、門鎖與最終可服務性；情境測試覆蓋上行、下行、消防、維修、故障與取消；模擬基準才比較平均、長尾、吞吐量與空跑距離。

較複雜策略應先 shadow：接收同樣事件並產生建議，但不控制設備，再和既有策略比較。本文沒有提供實機上線程序；任何設備控制、認證與法規驗證都必須由具資格的專業單位依所在地要求完成。

CLAIM-LEVEL EVIDENCE

本節主張與證據

來源事實信心：高
ASME A17.1／CSA B44 的適用範圍涵蓋電梯的設計、建造、安裝、運作、檢查、測試、維護、改造與修理，實機控制不能以教學排程程式取代。
對應證據ASME｜A17.1 - Safety Code for Elevators and Escalators
AI 建議信心：中
測試套件應把車門未鎖不得移動、樓層不得越界、請求不得無限飢餓、故障車不得接受新任務等條件寫成不變式，而非只驗證平均效能。
對應證據ASME｜A17.1 - Safety Code for Elevators and Escalators Applied Sciences｜Exploring Heuristic and Optimization Approaches for Elevator Group Control Systems
AI 推論信心：中
平均等待時間不足以代表乘客體驗；派車評估還要追蹤 P95、最長等待、超過門檻的比例與各樓層公平性。
對應證據Association for Computing Machinery｜A Hybrid Approach of Imitation Learning and Deep Reinforcement Learning with Direct-Effect Update Interval for Elevator Dispatching Mitsubishi Electric Research Laboratories｜Decision-Theoretic Group Elevator Scheduling
不確定性信心：高有效期限：2027-07-26
商用電梯控制器的安全電路、認證軟體、感測器融合與供應商群控細節多屬受規範或專有實作；本文只討論公開研究可支持的軟體架構與模擬方法。
本項未綁定直接來源，應視為尚待確認的不確定性。

派車策略的驗證順序

FIGURE 05 / FLOW

狀態與不變式

門、樓層、故障、模式切換

固定事件軌跡

同輸入比較基準與候選策略

長尾與公平性

P95、超時率、樓層分布

Shadow 觀察

只產生建議，不控制設備

專業安全驗證

依規範、設備與所在地要求

先證明不會產生非法狀態，再比較同一批流量下的服務品質；shadow 結果仍不等於實機認證。

把不變條件寫成測試

CONCRETE EXAMPLE 01

下列測試針對模擬物件，重點是先阻擋非法狀態，再檢查排程效能。

python

def test_car_never_moves_with_unlocked_door(car):
    car.door_locked = False
    with pytest.raises(RuntimeError):
        car.move_one_floor(1)

def test_faulted_car_is_not_assigned(cars, call):
    cars[0].available = False
    assert assign(cars, call, now=30) is not cars[0]

def test_old_call_gains_priority(dispatcher, trace):
    result = dispatcher.run(trace)
    assert result.max_wait_seconds <= 90

90 秒只是示範門檻，不能當成通用法規或服務標準。
平均值、P95 與安全不變式要分開報告，避免效能改善掩蓋非法狀態。

電梯不是 nearest floor：從狀態機、SCAN 到群控與強化學習的程式設計

AI 系統整理出的結論

1. 答案先行：電梯程式是四層控制系統

從乘客按鈕到車廂移動的責任鏈

2. 請求模型先決定派車器看得到什麼

三種請求帶給派車器的資訊量

3. 單車控制用狀態機，不要堆疊互相打架的 if

4. SCAN／LOOK 能解釋單車行為，卻不是群控答案

5. 群控派車是在每次事件後重算的成本問題

6. 平均等待下降，不代表乘客真的等得比較少

群控驗收不能只看一個平均數

7. 沒有乘客時，空車停在哪裡也是派車

8. 進階演算法的差別，在於它們如何估計未來

派車方法的工程取捨

9. 先建立離散事件模擬器，再替派車器加聰明

10. 發布門檻要把安全不變式與效能目標分開

派車策略的驗證順序

來源與自行查核