---

استراتژی کنترلی در خودروهای هیبرید الکتریکی تعیین کننده میزان مصرف انرژی توسط هر یک از موتورهای الکتریکی واحتراقی جهت تامین توان مورد نیاز خودرو در هر موقعیت می باشد. یکی از نرم‌افزارهای متداول برای شبیه-سازی رفتار و میزان مصرف سوخت خودروهای هیبریدی نرم‌افزار ADVISOR می‌باشد. در این تحقیق با استفاده از معادلات غیرخطی حاکم بر این نرم‌افزار و برنامه نویسی جانبی سعی شده تا عملکرد یک کنترل کننده‌ با استراتژی کمک الکتریکی بهینه گردد. معیار بهینه‌سازی پارامترهای سیستم کنترلی، کمینه کردن مصرف سوخت خودرو ضمن نگهداری آلاینده‌ها در زیر سطح استاندارد یورو3 و حفظ مشخصات حرکتی خودرو می‌‌باشد. بدین‌ منظور شبیه‌سازی یک خودروی هیبرید موازی در دو سیکل حرکتی تهران و سیکل حرکتی آمریکا (FTP) انجام شد و پارامترهای کنترل‌کننده به کمک الگوریتم ژنتیک در حضور قیود حاکم به صورت بهینه انتخاب شدند. نتایج نشان‌ می‌دهد که بهینه‌سازی پارامترهای کنترل-کننده در هر سیکل حرکتی موجب کاهش مصرف سوخت ضمن ارضای قید استاندارد آلایندگی یورو 3 و دیگر قیدهای حرکتی می‌شود. ضمنا با توجه به مشخصات و خصوصیات هر سیکل حرکتی، اعداد مختلفی به عنوان مقادیر بهینه استخراج شده‌اند که نشان از وابسته بودن پارامترهای کنترل کننده به سیکل حرکتی می باشد.

---

مسئله کمبود نمونه های آموزش یکی از چالش های اصلی در به کارگیری شبکه های عصبی کانولوشنال عمیق[1] برای طبقه بندی اصوات محیطی[2] است. یکی از رویکرد های مورد توجه برای مواجه با چالش مذکور، انتقال یادگیری[3] است که در آن مدلی از پیش آموزش دیده به روی دادگانی با ابعاد بزرگ[4]، به کابرد هدف با اعمال تنظیمات جزیی[5] تطبیق داده می شود. در این پژوهش، ما نشان می دهیم که در هر لایه همه نورون/کرنل ها تأثیر یکسانی در تشخیص نمونه های کلاس های مختلف ندارند، بلکه به ازای هر کلاس زیرگروهی خاص نقش اصلی و حیاتی را در طبقه بندی بازی می کند. از این رو و با توجه به وجود شباهت های زیاد بین برخی ازکلاس های مبدأ و هدف، پیشنهاد می کنیم که تمرکز تنظیمات جزیی در هر لایه تنها معطوف به زیرگروهی از نورون/کرنل ها شود که به شدت نیازمند تغییرات هستند و مسئول اصلی خطا در طبقه بندی نمونه های ورودی هستند، و باقی دست نخورده رها شوند. برای شناسایی زیرگروه های مذکور، یک مسئله یادگیری تو در تو طرح می کنیم و یک رویکرد تکاملی مؤثر برای حل آن پیشنهاد می کنیم. ارزیابی روش پیشنهادی بیانگر بهبود مطلق به اندازه 1.9% و 2.3% در دقت طبقه بندی[6] به ترتیب به روی دادگان های ESC-50 و DCASE-17 نسبت به روش مرسوم انتقال یادگیری است؛ بهبودی که بدون اضافه کردن داده جدید و تنها با بهره برداری مؤثرتر از دانش موجود در شبکه از پیش آموزش دیده بدست آمده است. همچنین، افزایش زمان آموزش به ازای روش تکاملی پیشنهادی کم و در حدود یک سوم زمان لازم برای آموزش شبکه از ابتدا[7]  برآورد شده است.