简答所问，还望指正：
图中链接：
http://news.ifeng.com/a/20170704/51367434_0.shtml
一些理解：
1、特别之处：
观察到，此种电梯的特别之处在于，可以横向行走，这个可以说是电梯的一大突破。先前我以为是梯厢外部旋转（考虑到乘客的存在，内部必须相对静止），后来加载出来了gif发现是电梯行走的井道的旋转拼接，从而实现电梯的横向行走。不得不佩服这个脑洞大开的想法，毕竟电梯已经百年未变，在老物件上，开创了全新的方式，其创新性可见一斑。
2、构造模型：
基于电梯的横向行走，结合纵向行走，不妨把电梯的起点集和目的地集作为顶点集，而井道作为边集，构建出一张无向图，而电梯的如何调度，简直像极了交通规划，我们不能决定别人怎么开车，但是可以控制红绿灯怎么亮起，从而到达我们的目的，那么是不是可以在电梯上嵌入一定的算法，到达电梯的完美运行？我觉得答案是肯定的，而在图上如何奔跑，已有很多算法和总结，下面我根据理解讲述一下我自己的想法：（笔者对于图论算法其实了解并不深入，仅举一些浅显的算法，望看官指正教导）。
（1）宽搜：因为电梯的起点和终点都不止一个，可以运用宽搜的特点，搜索出层次点。
优点：算法简单，实现快速，搜索完层次点直接遍历即可。
缺点：起点不断变化，上一次实现的规划未必最优。
（2）最短路：最短路算法较多，而且都很稳定，是较为稳健的选择。
优点：已有很多成熟的最短路算法，实现起来比较容易。
缺点：我所知的大多是单源最短路，多源仅知floyd，而因为每次的起点可能不同，如果处理完了每个点到起点的距离，然后挑选最近的走，又退化到了（1）的宽搜。
（3）A Star：A Star搜索，又叫启发式搜索，根据估值函数选择路径，可以避免走很多弯路。
优点：功能强大，较为符合电梯的调度规划（避免走弯路，空电梯到处乱跑不仅耗能还会多花费时间）。
缺点：估值函数不好构想，个人也不是很懂估值函数要如何构想，目前接触过的A*算法仅有第k短路，并且没有很好理解，所以说这种构想在我这目前只是空中楼阁了。
（4）Machine Learning：机器学习，在人工智能大火的如今，把机器学习和电梯结合，个人认为是可行的。
优点：虽然AI近几年大火，但是机器学习并不是一个新的东西，很早的时候就已经有了机器学习，ML也经历了很多的发展和进步，日趋完善和越来越智能的ML完全可以很好地（相比较于上述方法）解决电梯的调度问题。
缺点：个人在AI方面的知识很浅薄（西瓜书还未看完，这里指的看仅仅只是看，作为一种了解），更不用谈及以一己之力结合到电梯上。还有就是ML依旧存在的问题——拟合问题，从我已阅读的西瓜书的篇章来看，拟合问题简直就是命脉，欠拟合和过拟合都是最后不愿意看到的。（在我浅薄的理解来看，不论是支持向量机，或是决策树，又或是多隐层的神经网络都是为了解决拟合问题，如若有误，恳请指正）。
这里还想关于（4）多说几句：机器学习需要训练集，而世界范围内的电梯数据对于训练集来说一定是足量的，而且ML的一些样本划分就算面对不是很足的训练集，依然可以很好地训练，所以在我看来，将AI中的ML结合到此种可旋转的新型电梯可以说是目前笔者认为最靠谱和可行的方法，而存在的拟合问题我觉得这是ML的一个病，可能就是因为如今的机器还并没有完全有所谓的神经和思维。
3、如何给各目的地来设置价值：
（1）轻重缓急：例如：上班期间，上班族的优先级高于要去买菜的大爷大妈（楼房电梯）；上课期间，上课时间早的学生优先级高（学校电梯）；高楼层优先（写字楼电梯）……
（2）智能化：这也是基于2（4）所说，通过大量的样本学习，判断此刻需要的价值高低，决定是否优先处理。
至于老师所说，安全和省电的优先级问题，在我看来，安全优先级是最高的，高于所有需考虑的因素，因为倘若电梯不安全，就失去了使用的意义（人的安全、货物的安全），多么精巧的调度也失去了使用的可能，仅仅只是纸上谈兵。然而，我也认为，安全问题的考虑与如何调度有关系，但是并不大。梯厢对于人、货的保障，应该归结为硬件方面的能力，而调度如果只是在硬件的承受范围之内执行，出现了问题就不应该是调度来扛。