随着高层建筑的不断增多和智能建筑的快速发展，人们对建筑物内的客流运输设备电梯提出了越来越高的要求。为了提高电梯的运输能力和服务质量，实现多台电梯的有效控制——电梯调度，正越来越成为人们研究的热点问题。 本文主要研究了电梯群组调度问题。电梯交通流随时间变化呈现出规律各异的多种交通模式，所以本文在处理交通流分析问题的过程中，将聚类思想引入电梯交通流分析，并提出了一种新型的人工免疫聚类算法。对电梯交通流进行交通模式的聚类分析和模式识别，突破了传统的四种交通流模式：空闲、随机层间、上高峰和下高峰模式的局限，将交通流细分为7种模式，便于提高后续进行电梯动态调度研究的准确度，同时计算出各模式对应的浓度和聚类中心，方便对交通流的在线模式识别。 在解决电梯群组调度这种大规模动态优化问题时，本文采用强化学习方法作为在与环境的交互过程中学习最优策略的方法。以马尔可夫决策过程(MDP)为背景，模型化电梯群组调度问题，综合考虑平均等待时间、平均乘梯时间和电梯停靠次数这三个因素，计算出的综合成本作为性能评价的综合指标。采用随机行为选择策略和前馈神经网络分别解决强化学习在应用中所存在的探索问题和值函数的泛化问题。并将两者与Q-learning的值迭代算法结合，共同构成基于强化学习的电梯群组调度算法。最后，构建了基于泊松分布的大楼客流交通模型，并设计了基于强化学习的电梯群组调度系统，利用MATLAB仿真，结果证明，在对交通流进行反复训练时，Q值曲线间的误差是逐渐减小的，说明了本文使用的强化学习方法对Q值函数的逐渐逼近作用。在5种不同的交通流条件下，基于强化学习的动态调度方法与其它方法比较呈现出一定的优越性，尤其在上高峰模式和随机层间模式下有更好的适用性，充分说明了基于强化学习的电梯群组动态调度算法的有效性和可行性。