Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...

Institut für Computergraphik und Algorithmen
Arbeitsbereich Algorithmen und Datenstrukturen
Christopher Bacher
Metaheuristic optimization of electro-hybrid powertrains using machine
learning techniques
Studium: Masterstudium Computational Intelligence
BetreuerIn: Ao.Univ.Prof. Dr. Günther Raidl
Der Kraftstoffverbrauch von elektrohybriden Kraftfahrzeugen ist von der
verwendeten Betriebsstrategie abhängig. Für diese können optimalen
Parametereinstellungen meist nicht einfach bestimmt werden können. In dieser
Diplomarbeit werden die Parameter von zwei Hybridfahrzeugmodellen mit Hilfe
von Metaheuristiken optimiert. Das Hauptaugenmerk liegt auf der Reduzierung
der benötigten Simulationsdurchläufe, da diese viel Zeit benötigen. Dazu
werden Suchraumeinschränkungen 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. Unterschiedliche Metaheuristiken wie Particle Swarm Optimization,
Active Cov. Matrix Adaption Evolution Strategy und genetische Algorithmen
werden zur Verwendung von Regressionsmodelle adaptiert. Dazu wird eine
zwei-phasige Optimierungsstrategie entwickelt. Die erste Phase sammelt
Trainingsdaten für Regressionsmodelle. Die zweite Phase verwendet die
Regressionsmodelle zur Approximation von Fitnesswerten. Verschiedene
Möglichkeiten zu deren Integration, wie die abwechselnde Verwendung von
Regression und Simulation, sowie das 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 gefundenen Modellparametereinstellungen
korrespondieren mit den Gebieten in denen gute Lösungen erwartet werden.
Die erforderliche Simulationszeit konnte mit der zwei-phasigen Optimierung
um bis zu 27% verringert werden. Die evaluierten Modellparametereinstellung
werden für ein Modell mit Hilfe von Self-Organizing Maps analysiert.
46