Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Enhanced Multiobjective Population-Based Incremental Learning with Applications in Risk Treaty Optimization Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Can Evolutionary Algorithms Beat Dynamic Programming for Hybrid Car Control?

verfasst von : Tobias Rodemann, Ken Nishikawa

Erschienen in: Applications of Evolutionary Computation

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Finding the best possible sequence of control actions for a hybrid car in order to minimize fuel consumption is a well-studied problem. A standard method is Dynamic Programming (DP) that is generally considered to provide solutions close to the global optimum in relatively short time. To our knowledge Evolutionary Algorithms (EAs) have so far not been used for this setting, due to the success of DP. In this work we compare DP and EA for a well-studied example and find that for the basic scenario EA is indeed clearly outperformed by DP in terms of calculation time and quality of solutions. But, we also find that when going beyond the standard scenario towards more realistic (and complex) scenarios, EAs can actually deliver a performance en par or in some cases even exceeding DP, making them useful in a number of relevant application scenarios.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Population Based Ant Colony Optimization for Reconstructing ECG Signals
Nächstes Kapitel NSGA-II Based Auto-Calibration of Automatic Number Plate Recognition Camera for Vehicle Speed Measurement
Fußnoten
1
from the Matlab interp1 function.
 
Literatur
1.
Bacher, C., Krenek, T., Raidl, G.R.: Reducing the number of simulationsin operation strategy optimizationfor hybrid electric vehicles. In: Esparcia-Alcázar, A.I., Mora, A.M. (eds.) EvoApplications 2014. LNCS, vol. 8602, pp. 553–564. Springer, Heidelberg (2014)
2.
3.
Cassebaum, O., Bäker, B.: Predictive supervisory control strategy for parallel HEVs using former velocity trajectories. In: Vehicle Power and Propulsion Conference (VPPC), pp. 1–6. IEEE (2011)
4.
Desai, C., Williamson, S.S.: Comparative study of hybrid electric vehicle control strategies for improved drivetrain efficiency analysis. In: Electrical Power and Energy Conference (EPEC), pp. 1–6. IEEE (2009)
5.
Desai, C., Williamson, S.S.: Optimal design of a parallel hybrid electric vehicle using multi-objective genetic algorithms. In: Vehicle Power and Propulsion Conference, VPPC 2009, pp. 871–876. IEEE (2009)
6.
Guemri, M., Neffati, A., Caux, S., Ngueveu, S.U.: Management of distributed power in hybrid vehicles based on DP or Fuzzy Logic. Optim. Eng. 15, 993–1012 (2013)MathSciNetCrossRef
7.
Hansen, N., Kern, S.: Evaluating the CMA evolution strategy on multimodal test functions. In: Yao, X., et al. (eds.) PPSN 2004. LNCS, vol. 3242, pp. 282–291. Springer, Heidelberg (2004)CrossRef
8.
Jacquin, S., Jourdan, L., Talbi, E.-G.: Dynamic programming based metaheuristicfor energy planning problems. In: Esparcia-Alcázar, A.I., Mora, A.M. (eds.) EvoApplications 2014. LNCS, vol. 8602, pp. 165–176. Springer, Heidelberg (2014)
9.
Krenek, T., Ruthmair, M., Raidl, G.R., Planer, M.: Applying (hybrid) metaheuristics to fuel consumption optimization of hybrid electric vehicles. In: Di Chio, C., et al. (eds.) EvoApplications 2012. LNCS, vol. 7248, pp. 376–385. Springer, Heidelberg (2012)CrossRef
10.
Lin, C.C., Peng, H., Grizzle, J.: A stochastic control strategy for hybrid electric vehicles. In: Proceedings of the American Control Conference, vol. 5, pp. 4710–4715, June 2004
11.
Millo, F., Rolando, L., Fuso, R., Mallamo, F.: Real CO2 emissions benefits and end users operating costs of a plug-in hybrid electric vehicle. Appl. Energy 114, 563–571 (2014)CrossRef
12.
Montazeri-Gh, M., Poursamad, A., Ghalichi, B.: Application of genetic algorithm for optimization of control strategy in parallel hybrid electric vehicles. J. Franklin Inst. 343(4–5), 420–435 (2006)CrossRefMATH
13.
Piccolo, A., Ippolito, L., zo Galdi, V., Vaccaro, A.: Optimisation of energy flow management in hybrid electric vehicles via genetic algorithms. In: IEEE/ASME International Conference on Advanced Intelligent Mechatronics I, vol. 1, pp. 434–439 (2001)
14.
Rodemann, T., Narukawa, K., Fischer, M., Awada, M.: Many-objective optimization of a hybrid car controller. In: Mora, A.M., Squillero, G. (eds.) EvoApplications 2015. LNCS, vol. 9028, pp. 593–603. Springer, Switzerland (2015)
15.
Schwefel, H.P.P.: Evolution and Optimum Seeking: The Sixth Generation. Wiley, New York (1993)
16.
Sinoquet, D., Rousseau, G., Milhau, Y.: Design optimization and optimal control for hybrid vehicles. Optim. Eng. 12(1–2), 199–213 (2011)MathSciNetCrossRefMATH
17.
Sundström, O., Guzzella, L.: A generic dynamic programming Matlab function. In: Control Applications, (CCA) Intelligent Control, (ISIC), pp. 1625–1630. IEEE (2009)
18.
Sundström, O., Guzzella, L., Soltic, P.: Optimal hybridization in two parallel hybrid electric vehicles using dynamic programming. In: Proceedings of the 17th IFAC World Congress vol. 17, no. 1, pp. 4642–4647, May 2013
Metadaten
Titel
Can Evolutionary Algorithms Beat Dynamic Programming for Hybrid Car Control?
verfasst von
Tobias Rodemann
Ken Nishikawa
Copyright-Jahr
2016
Buch
Applications of Evolutionary Computation

Print ISBN: 978-3-319-31203-3

Electronic ISBN: 978-3-319-31204-0

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-31204-0_50

Premium Partner

    Bildnachweise