---

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.

---

از زمان معرفی اولین سلول خورشیدی سیلیکونی، در پارامترهای عملکردی آن از قبیل میزان حبس‌شدگی نور، جذب طیف خورشید، بازده سلول و هزینه‌های ساخت، به‌طور پیوسته، بهبودهایی ایجاد شده است. در سلول سیلیکونی با ضخامت کم، همواره تعدادی از فوتون‌های نوری جذب‌نشده توسط نیمه‌هادی، به شکل‌های گوناگون تلف می‌شوند. توری پراش باعث می‌گردد که فوتون ها در اثر برخورد به این ساختار، مسیر نوری طولانی‌تری را طی نمایند که باعث افزایش طول مسیر نوری فوتون‌ها و افزایش جذب سلول و درنتیجه بهبود بازده سلول می‌گردد. در هر یک از ساختارهای مذکور، به تعیین مواد بهینه و خصوصیات هندسی برای رسیدن به حداکثر بازده سلول سیلیکونی مبادرت ورزیده‌ شده است. در یافتن پارامترهای هندسی بهینه برای ساختار، از روش‌های بهینه‌سازی هوشمند استفاده شده است. با انتخاب بهترین روش های جستجو از دو الگوریتم بهینه‌سازی ازدحام ذرات و ژنتیک و ایجاد ترکیبی از  آن دو، ویژگی‌های مثبت هر دو الگوریتم برای دستیابی به بهترین پاسخ به کار گرفته شد. این ترکیب نتایج بسیار مثبتی ایجاد کرده است که در نتیجه آن 293/23 درصد بازده و جریان اتصال کوتاه  41/35 میلی‌آمپر بر سانتی‌متر مربع بدست آمده است.

---

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.

---

خودروهای الکتریکی در چند دهه اخیر به دلیل عملکرد و کارایی آن‌ها، محبوبیت قابل توجهی کسب کرده‌اند. این خودروها در حال حاضر به طور گسترده به عنوان راهکاری برای چالش‌های محیط زیست جهانی و گازهای دی اکسید کربن شناخته می‌شوند. باتری‌های لیتیوم-یون به دلیل مزایای مختلفی که دارند، بیشترین استفاده را در خودروهای الکتریکی دارند. تخمین وضعیت شارژ باتری در باتری­های لیتیوم یون نه تنها برای مدیریت بهینه انرژی بلکه برای اطمینان از عملکرد امن و جلوگیری از شارژ و دشارژ و در نتیجه کاهش عمر باتری از اهمیت بالایی برخوردار است. با این وجود، این پارامتر به طور مستقیم از پایانه­های باتری قابل اندازه­گیری نیست. بنابراین نیاز به تخمین آن وجود دارد. تاکنون روشهای مختلفی برای تخمین وضعیت شارژ باتری معرفی شده­اند. معروفترین روش برای تخمین وضعیت شارژ باتری  فیلتر کالمن توسعه یافته است. فیلتر کالمن توسعه یافته بر اساس مدل باتری، وضعیت شارز باتری را تخمین می­زند. با این وجود ، در فیلتر کالمن توسعه یافته، محاسبه ماتریس ژاکوبین می­تواند باعث ناپایداری فیلتر و تخمین نادرست مدل­های غیرخطی باتری شود. برای حل این مشکلات، در این مقاله از فیلتر ذره­ای حاشیه­ای هوشمند مبتنی بر اپراتورهای الگوریتم ژنتیک و M-H برای تخمین وضعیت شارژ باتری­های لیتیوم یون استفاده شده است. در روش پیشنهادی، برخلاف فیلتر ذره‌ای، نمونه­برداری بر روی توزیع حاشیه‌ای انجام می‌شود و ابعاد نمونه­برداری با گذشت زمان افزایش نمی‌یابد. بعلاوه، با استفاده از اپراتورهای الگوریتم ژنتیک و الگوریتم M-H تنوع میان ذرات و سازگاری افزایش می­یابد. برای ارزیابی عملکرد روش پیشنهادی برای تخمین وضعیت شارژ باتری، با تخمین وضعیت شارژ باتری با قیلتر ذره­ای توسعه یافته و فیلتر ذره­ای بی رد مقایسه شده است. نتایج نشان دهنده عملکرد موثر روش پیشنهادی در مقایسه با سایر روش­ها است. روش پیشنهادی برای بدست آوردن دقت تخمین یکسان با فیلتر ذره­ای به ذرات به مراتب کمتری نیاز دارد و حجم محاسبات آن پایین است. جذر میانگین مربعات خطا در روش پیشنهادی با ذرات مختلف نزدیک 0.007 است در حالی که در سایر روش­ها با کاهش ذرات جذر میانگین مربعات خطا در افزایش می­یابد