Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Institut <strong>für</strong> Computergraphik und Algorithmen<br />
Arbeitsbereich Algorithmen und Datenstrukturen<br />
Christopher Bacher<br />
Metaheuristic optimization of electro-hybrid powertrains using machine<br />
learning techniques<br />
Studium: Masterstudium Computational Intelligence<br />
BetreuerIn: Ao.Univ.Prof. Dr. Günther Raidl<br />
Der Kraftstoffverbrauch von elektrohybriden Kraftfahrzeugen ist von der<br />
verwendeten Betriebsstrategie abhängig. Für diese können optimalen<br />
Parametereinstellungen meist nicht einfach bestimmt werden können. In dieser<br />
Diplomarbeit werden die Parameter von zwei Hybridfahrzeugmodellen mit Hilfe<br />
von Metaheuristiken optimiert. Das Hauptaugenmerk liegt auf der Reduzierung<br />
der benötigten Simulationsdurchläufe, da diese viel Zeit benötigen. Dazu<br />
werden Suchraumeinschränkungen angewandt wo dies möglich ist. Weiters<br />
wird der Suchraum diskretisiert um den Optimierungsmethoden die Verwendung<br />
eines Lösungs-Caches zu ermöglichen. Zuletzt werden verschiedene, auf<br />
neuronalen Netzwerken und Ensemble-Methoden basierende, Regressionsmodelle<br />
trainiert um die Simulation aus der verwendeten Fitnessfunktion zu<br />
entfernen. Unterschiedliche Metaheuristiken wie Particle Swarm Optimization,<br />
Active Cov. Matrix Adaption Evolution Strategy und genetische Algorithmen<br />
werden zur Verwendung von Regressionsmodelle adaptiert. Dazu wird eine<br />
zwei-phasige Optimierungsstrategie entwickelt. Die erste Phase sammelt<br />
Trainingsdaten <strong>für</strong> Regressionsmodelle. Die zweite Phase verwendet die<br />
Regressionsmodelle zur Approximation von Fitnesswerten. Verschiedene<br />
Möglichkeiten zu deren Integration, wie die abwechselnde Verwendung von<br />
Regression und Simulation, sowie das Filtern mittels Regression, werden<br />
analysiert. Abschließend werden die Ergebnisse der zwei-phasigen Optimierung<br />
mit Referenzlösungen von unmodifizierten Optimerungsalgorithmen verglichen.<br />
Dabei findet die zwei-phasige Optimierung ähnlich gute Lösungen wie<br />
die Referenzmethoden. Die gefundenen Modellparametereinstellungen<br />
korrespondieren mit den Gebieten in denen gute Lösungen erwartet werden.<br />
Die erforderliche Simulationszeit konnte mit der zwei-phasigen Optimierung<br />
um bis zu 27% verringert werden. Die evaluierten Modellparametereinstellung<br />
werden <strong>für</strong> ein Modell mit Hilfe von Self-Organizing Maps analysiert.<br />
46