Co-Optimization of Adaptive Cruise Control and Hybrid Electric Vehicle Energy Management With Clutch Engagement Decision Control via Reinforcement Learning
Notice bibliographique
Résumé
The co-optimization of adaptive cruise control (ACC) and energy management strategy (EMS) can improve the energy-saving capability of a hybrid electric vehicle (HEV). Co-optimization for a series-parallel HEV involves continuous control variables, such as the engine speed and torque, and discrete control variables, such as the clutch engagement decision. To solve the mixed-integer optimal control problem, we propose a hybrid-action reinforcement learning (HARL) algorithm called parameterized proximal policy optimization (PA-PPO) for series-parallel HEV co-optimization of ACC and EMS to minimize the clutch engagement/disengagement times, energy consumption, and guarantee the car-following performance. Firstly, the ACC model and the control-oriented HEV EMS model considering the clutch engagement decision control are constructed and combined to form the co-optimization model. Secondly, the PA-PPO algorithm is proposed and trained to solve the co-optimization problem. Compared to model predictive control (MPC), the proposed PA-PPO algorithm achieves similar fuel consumption while significantly reducing clutch engagement/disengagement times and jerk values. In addition, the computation time of PA-PPO is five-orders-of-magnitude smaller than MPC. Finally, the PA-PPO control performance is validated using a Simulink high-fidelity model (HFM).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».