计算机科学>机器人
标题: 基于集成强化学习中探索-开发比控制的插入式混合动力汽车能量优化管理
摘要: 开发具有高度适应性和优越性的智能能源管理系统对混合动力汽车(HEV)是必要的,也是重要的。 提出了一种基于学习自动机模块(LAM)的集成学习方案,以提高车辆的能效。 两个并行的基础学习器遵循两种探索-开发比(E2E)方法来生成最优解,最终行动由LAM使用三种集成方法联合确定。” 基于强化学习的传统指数衰减(EXD)函数,分别提出了基于互反函数的衰减(RBD)和基于阶跃的衰减(SBD)来生成E2E比率轨迹。 此外,考虑到三种衰减函数的不同性能,采用RBD、SBD和EXD的最佳组合来确定最终作用。 在软件输入输出(SiL)和硬件输入输出(HiL)中进行了实验,以验证在四个预定循环下的潜在节能性能。 SiL测试表明,与具有EXD功能的单个Q学习策略相比,具有最优组合的集成学习系统可以实现1.09$\%%的车辆能效。 在HiL测试中,与基于EXD功能的单一Q-学习方案相比,具有最佳组合的集成学习系统在预定义的实际驾驶条件下可以节省1.04$\%$以上的费用。