[Zurück]

C. Bacher:
"Metaheuristic optimization of electro-hybrid powertrains using machine learning techniques";
Betreuer/in(nen): G. Raidl; Institut für Computergraphik and Algorithmen, 2013; Abschlussprüfung: 08/2013.

Elektrohybride Kraftfahrzeuge (HEVs) gewannen in den letzten Jahren zunehmend an Bedeutung.
Für die Hersteller wird es dadurch wichtiger deren Kraftstoffverbrauch zu senken um Kundenerwartungen
als auch rechtliche Rahmenbedingungen zu erfüllen. Dabei ist der Kraftstoffverbrauch
von Hybridfahrzeugen stark von der verwendeten Betriebsstrategie abhängig. Diese ist
meist komplexer Natur, sodass deren optimalen Parametereinstellungen nicht einfach bestimmt
werden können.
In dieser Diplomarbeit werden die Parameter von zwei Hybridfahrzeugmodellen - Modell
A und Modell B - mit Hilfe von Metaheuristiken optimiert. Ein Hauptproblem dabei sind die
langen Simulationszeiten der eingesetzten Simulationssoftware. Dies wurde bereits in [30] erkannt.
Daher liegt das Hauptaugenmerk auf der Reduzierung der benötigten Simulationsdurchläufe.
Zu diesem Zweck werden verschiedene Methoden eingesetzt.
Verschiedene Suchraumeinschränkungen werden angewandt wo dies möglich ist. Weiters
wird der Suchraum diskretisiert um den Optimierungsmethoden die Verwendung eines Lösungs-
Caches zu ermöglichen. Zuletzt werden verschiedene, auf neuronalen Netzwerken und Ensemble-
Methoden basierende, Regressionsmodelle trainiert um die Simulation aus der verwendeten Fitnessfunktion
zu entfernen. Die oben genannten Erweiterungen werden in einem zuvor vom Autor
entwickelten Optimierungsframework implementiert.
Unterschiedliche Metaheuristiken wie Particle Swarm Optimization (PSO), Active Covariance
Matrix Adaption Evolution Strategy (Active CMA-ES) und genetische Algorithmen werden
für die Verwendung von Regressionsmodelle adaptiert. Zu diesem Zweck wird eine zweiphasige
Optimierungsstrategie entwickelt. In der ersten Phase werden Daten für das Training
der Regressionsmodelle gesammelt. In der zweiten Phase werden die Regressionsmodelle zur
Approximation von Fitnesswerten verwendet. Verschiedene Möglichkeiten zu deren Verwendung,
wie abwechselnde Verwendung von Regression und Simulation, als auch filtern mittels
Regression, werden analysiert.
Abschließend werden die Ergebnisse der zwei-phasigen Optimierung mit Referenzlösungen
von unmodifizierten Optimerungsalgorithmen verglichen. Dabei findet die zwei-phasige Optimierung
ähnlich gute Lösungen wie die Referenzmethoden. Die Zielfunktionswerte der besten
gefundenen Lösung aller Referenzoptimierungen und aller zwei-phasigen Optimierungen liegen
zwischen 0:6% (für Modell A) und 0:3% (für Modell B)-eine in der Praxis vernachlässigbare
Differenz. Die gefundenen Modellparametereinstellungen korrespondieren mit den Gebieten in
denen gute Lösungen erwartet werden. Die erforderliche Simulationszeit konnte mit der zweiphasigen
Optimierung um bis zu 27% verringert werden. Die evaluierten Modellparametereinstellung
werden für Modell A mit Hilfe von Self-Organizing Maps (SOMs) analysiert.

Hybrid Electric Vehicles (HEVs) have risen in popularity in the last years. Therefore their fuel
efficiency becomes increasingly important to manufacturers to satisfy consumer expectations
and legal restrictions. The efficiency of a HEV depends strongly on the used operation strategy.
As operation strategies are typically complex their optimal parameters cannot easily be
determined.
In this thesis the operation strategy parameters of two HEV simulation models - Model A
and Model B - are optimized using metaheuristics. A main problem in HEV optimization are
the long simulation times of the simulation software. This has already been observed in [30]. A
main goal of this thesis is to decrease the number of simulations needed in a metaheuristic while
still getting good approximate solutions, and to this end different techniques are used.
First search space restrictions are imposed where applicable. Second a discretization of the
continuous search space is employed to enable the usage of a solution cache. Third different
regression models-based on neural networks and ensemble methods-are applied to replace
the simulation software as a part of the used fitness functions. Different regression models are
trained and compared in experiments. These methods are implemented into a new modular
optimization platform developed by the author.
Metaheuristic optimization algorithms like Particle Swarm Optimization (PSO), Active Covariance
Matrix Adaption Evolution Strategy (Active CMA-ES), and a genetic algorithm (GA)
are adapted to incorporate trained regression models. For this purpose a two-phased optimization
scheme is proposed. The first phase is concerned with generating solutions which are subsequently
used in the training of regression models. The second phase uses the regression models
in tandem with the simulation software. Different approaches to incorporating regression models
are explored, like switching fitness functions or filtering of bad solutions.
The results of the two-phased optimization experiments are compared to reference experiments
of an unmodified PSO and an Active CMA-ES. The two-phased optimization is able find
solutions of approximately the same quality as the reference experiments. The fitness values of
best solutions found in the reference experiments and the two-phased experiments differ only in
0:6% for Model A and 0:3% for Model B-a difference negligible in practice. As no reference
values exist for the models it is hard to estimate the overall efficiency of the found solutions.
Although the parameter settings for the models are in the expected range where one would expect
good solutions. The required (overall) simulation time could be reduced by up to 27% if compared to the reference experiments. Last an analysis of the model parameters for Model A is given with the help of Self-Organizing Maps (SOMs).

http://publik.tuwien.ac.at/files/PubDat_221212.pdf