CN112099468A - 一种基于粒子群的整车控制策略测试用例自动生成方法 - Google Patents

一种基于粒子群的整车控制策略测试用例自动生成方法 Download PDF

Info

Publication number
CN112099468A
CN112099468A CN202010810401.9A CN202010810401A CN112099468A CN 112099468 A CN112099468 A CN 112099468A CN 202010810401 A CN202010810401 A CN 202010810401A CN 112099468 A CN112099468 A CN 112099468A
Authority
CN
China
Prior art keywords
test
value
particle
optimal value
test case
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010810401.9A
Other languages
English (en)
Inventor
王令
王文斌
邹光南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfanghong Satellite Mobile Communication Co Ltd
Original Assignee
Dongfanghong Satellite Mobile Communication Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dongfanghong Satellite Mobile Communication Co Ltd filed Critical Dongfanghong Satellite Mobile Communication Co Ltd
Priority to CN202010810401.9A priority Critical patent/CN112099468A/zh
Publication of CN112099468A publication Critical patent/CN112099468A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Abstract

本发明公开了一种基于粒子群的整车控制策略测试用例自动生成方法，包括：S1，获取多个控制参数，设置种群规模和粒子的空间维数；S2，初始化每个粒子的位置和速度，以及历史个体最优值和全局最优值；S3，累计每个测试分支对应的取值区间包含历史个体最优值和全局最优值的次数；将落入测试分支对应的一组取值区间的历史个体最优值和全局最优值作为一个候选测试用例；S4，更新粒子的速度和位置，以及更新历史个体最优值和全局最优值；S5，若t≤T，若所有测试分支的执行次数均大于0，或者t＞T，进入S6；S6，停止迭代，输出测试用例集。根据测试分支覆盖难易程度引入动态权值，优化适应度评价函数，提高了搜索效率和测试用例集路径覆盖率。

Description

一种基于粒子群的整车控制策略测试用例自动生成方法
技术领域
本发明涉及软件测试领域，特别是涉及一种基于粒子群的整车控制策略测试用例自动生成方法。
背景技术
随着纯电动汽车功能越来越多，整车控制器的结构和整车控制策略将更加复杂，出现问题的可能性就会越大，因此出厂前需要大规模测试。目前，测试用例的编写基本是手动完成，随着信息技术的飞速发展，传统的测试用例生成方法已经不能满足大规模的测试。一般的测试方法包括等价类划分法、边界值法、因果图法，这些方法都需要测试人员去分析被测对象的特性并手动编写测试用例，在对整车控制器进行白盒测试的时候很难使测试用例覆盖率达到100％。并且人为编写的测试用例存在许多的冗余，测试过程中也将耗费巨大人力、财力，直接降低了测试效率。无法满足对于生成的测试用例库更精简、更高效的要求。
现有技术中，提出了多种测试用例自动生成的方法，一种是直接采用粒子群算法，但其适应度评价函数只考虑分支距离而不考虑分支的覆盖难度，很容易导致算法陷入局部最优，不容易找到最优测试用例；目前还有采用寻优算法或者遗传算法自动生成测试用例，但是采用这种方法，最后得到的测试用例比较少，不能保证测试用例对路径的覆盖率，如果增加种群数量，又会降低搜索效率。因此，需要找到一种测试用例生成方法来获取最优测试用例，提高测试用例生成效率，且增加测试路径的覆盖率。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于粒子群的整车控制策略测试用例自动生成方法。
为了实现本发明的上述目的，本发明提供了一种基于粒子群的整车控制策略测试用例自动生成方法，包括：步骤S1，获取整车控制策略的多个控制参数，设种群规模为N，N为正整数，依据控制参数的数量设置粒子的空间维数，根据每个控制参数的取值范围获得粒子的搜索空间；测试程序包含b个测试分支，每个测试分支对应一组包含多个控制参数取值范围的取值区间，将N个粒子分为b个子群，子群与测试分支一一对应，所述b为正整数；步骤S2，通过随机函数初始化每个粒子的位置和速度，计算每个粒子的适应度值，将适应度值最大的粒子的位置作为历史个体最优值和全局最优值；设t表示迭代次数，令t的初始值为1；步骤S3，累计每个测试分支对应的取值区间包含历史个体最优值和全局最优值的次数，记为所述测试分支的执行次数；将落入测试分支对应的取值区间的历史个体最优值和全局最优值作为一个候选测试用例；步骤S4，以历史个体最优值和全局最优值更新粒子的速度和位置；计算每个测试分支的适应度，将适应度最大的测试分支对应的子群中粒子适应度值最大的粒子作为历史个体最优值和全局最优值；步骤S5，若t≤T，判断所有测试分支的执行次数是否均大于0，若所有测试分支的执行次数均大于0，进入步骤S6，若不是所有测试分支的执行次数均大于0，令t＝t+1，返回执行步骤S3、S4、S5，若t＞T，进入步骤S6；T为预设的最大迭代次数；步骤S6，停止迭代，将获得的所有候选测试用例构成测试用例集并输出，将所有执行次数为0的测试分支构成未覆盖路径集并输出。
在本发明的一种优选实施方式中，第t次迭代第i个测试分支的适应度f(i)计算公式为：f(i)＝wi(t)×f'(i)＝βn×wi(t-1)×f'(i)；其中，β表示权值衰减系数，β∈(0,1)，n表示第i个测试分支的执行次数；wi(t-1)表示第i个测试分支在(t－1)次迭代中的动态权值系数；f'(i)表示第i个测试分支对应子群中当前最大的粒子适应度值；i∈[1,b]。在本发明的一种优选实施方式中，所述步骤S1还包括：分析整车控制策略的控制逻辑以及车辆工作模式的状态转移条件，绘制整车控制策略的状态转移图，编写测试程序，基于状态转移图提取控制参数。
在本发明的一种优选实施方式中，所述控制参数包括钥匙信号、故障标志位、加速踏板开度、电池剩余电量、当前车速。
在本发明的一种优选实施方式中，以历史个体最优值和全局最优值更新粒子的速度和位置的过程包括：以如下公式更新粒子的速度：Vid(t)＝ω*Vid(t-1)+c1r1(pid-Xid(t-1))+c2r2(pgd-Xid(t-1))；以如下公式更新粒子的位置：Xid(t)＝Xid(t-1)+Vid(t)；其中，ω表示惯性权值，c1和c2分别表示第一学习因子和第二学习因子，r1表示在0到1之间均匀分布的第一随机数，r2表示在0到1之间均匀分布的第二随机数，pid表示历史个体最优值，pgd表示全局最优值。
综上所述，由于采用了上述技术方案，本发明的有益效果是：根据测试分支覆盖难易程度引入动态权值，优化测试分支适应度评价函数，减少了算法的迭代次数，大大提高了算法的搜索效率，最后生成的测试用例集路径覆盖率也更好；提高测试用例生成的完整性，相对于随机算法，在迭代的过程中更具有目标性，因此可以减少测试用例自动生成的迭代次数，提高测试用例自动生成的效率；减少了人力成本，能够生成覆盖率高和具有针对性的用例集。
附图说明
图1是本发明一具体实施方式中整车控制策略测试用例自动生成方法的功能框图；
图2是本发明一具体实施方式中控制策略状态转移图；
图3是本发明一具体实施方式中各个算法运行时间仿真对比图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提供了一种基于粒子群的整车控制策略测试用例自动生成方法，在一种优选实施方式中，该方法包括：步骤S1，获取整车控制策略的多个控制参数，设种群规模为N，N为正整数，依据控制参数的数量设置粒子的空间维数，根据每个控制参数的取值范围获得粒子的搜索空间；测试程序包含b个测试分支，每个测试分支对应一组包含多个控制参数取值范围的取值区间，将N个粒子分为b个子群，子群与测试分支一一对应，所述b为正整数；步骤S2，通过随机函数初始化每个粒子的位置和速度，计算每个粒子的适应度值，将适应度值最大的粒子的位置作为历史个体最优值和全局最优值；设t表示迭代次数，令t的初始值为1；步骤S3，累计每个测试分支对应的取值区间包含历史个体最优值和全局最优值的次数，记为所述测试分支的执行次数；将落入测试分支对应的取值区间的历史个体最优值和全局最优值作为一个候选测试用例；步骤S4，以历史个体最优值和全局最优值更新粒子的速度和位置；计算每个测试分支的适应度，将适应度最大的测试分支对应的子群中粒子适应度值最大的粒子作为历史个体最优值和全局最优值；步骤S5，若t≤T，判断所有测试分支的执行次数是否均大于0，若所有测试分支的执行次数均大于0，进入步骤S6，若不是所有测试分支的执行次数均大于0，令t＝t+1，返回执行步骤S3、S4、S5，若t＞T，进入步骤S6；T为预设的最大迭代次数；步骤S6，停止迭代，将获得的所有候选测试用例构成测试用例集并输出，将所有执行次数为0的测试分支构成未覆盖路径集并输出。
在本实施方式中，初始化时，优选的，每个子群分别进行初始化。
在一种优选实施方式中，第t次迭代第i个测试分支的适应度f(i)计算公式为：f(i)＝wi(t)×f'(i)＝βn×wi(t-1)×f'(i)；其中，β表示权值衰减系数，β∈(0,1)，n表示第i个测试分支的执行次数；wi(t-1)表示第i个测试分支在(t－1)次迭代中的动态权值系数，动态权值系数的初始化值优选但不限于为1；f'(i)表示第i个测试分支对应子群中当前最大的粒子适应度值；i∈[1,b]。第i个测试分支对应子群中每个粒子的粒子适应度值优选但不限于通过现有的Griewank函数、Rastrigin函数、Schaffer函数、Ackley函数、Rosenbrock函数计算获得。
在本实施方式中，能减少粒子生成过程中的盲目性，引入权值衰减系数和动态权值系数来动态改变粒子的适应度值，防止陷入局部最优，如果该测试分支被多次执行则相应的权值会成指数倍的衰减，在下一次迭代更新的过程中对该测试分支将不再拥有最好的适应度，因此，种群将去寻找适用于其他分支的测试分支用例，提高测试用例生成效率，增加测试路径的覆盖率。
在一种优选实施方式中，步骤S1还包括：分析整车控制策略的控制逻辑以及车辆工作模式的状态转移条件，绘制整车控制策略的状态转移图，编写测试程序，基于状态转移图提取控制参数。
在本实施方式中，如图2所示，为整车驱动控制策略状态转移图，整车驱动工况的控制参数有加速踏板开度θacc，制动踏板开度θbreak，钥匙使能信号key＿on，起步车速Vforward＿limit，当前车速V，档位状态gear＿state，故障标志位fault＿flag，电池电量SOC，倒车车速限制Vreverse＿limit，扭矩输出Tdrive，根据各个参数的不同状态，整车驱动工况大致可以分为6个工作模式：起步模式、正常行车驱动模式、后退模式、空档模式、停车模式、跛行行车模式，即6个测试分支。当每一个控制参数在不同状态下时，车辆会进入对应的工作模式。针对整车控制策略的每一个逻辑分支，生成一个测试用例，实现逻辑分支全覆盖。
在一种优选实施方式中，所述控制参数包括钥匙信号、故障标志位、加速踏板开度、电池剩余电量、当前车速。
在一种优选实施方式中，以历史个体最优值和全局最优值更新粒子的速度和位置的过程包括：以如下公式更新粒子的速度：Vid(t)＝ω*Vid(t-1)+c1r1(pid-Xid(t-1))+c2r2(pgd-Xid(t-1))；以如下公式更新粒子的位置：Xid(t)＝Xid(t-1)+Vid(t)；其中，ω表示惯性权值，c1和c2分别表示第一学习因子和第二学习因子，r1表示在0到1之间均匀分布的第一随机数，r2表示在0到1之间均匀分布的第二随机数，pid表示历史个体最优值，pgd表示全局最优值。
如图3所示，为本发明提供的测试用例自动生成方法与常规适应度评价方法、随机算法生成测试用例的运行时间对比图，从图可见，本发明提供的测试用例自动生成方法运行时间最低，随机算法运行时间最高，与未改进之前的常规适应度评价方法相比运行时间也有提升。可以明显看出，对测试用例自动生成方法的适应度函数改进之后，算法的搜索效率大大提高。
在一种应用场景中，本发明上述方法自动生成的测试用例集如表1所示，每一种工作模式对应一条测试用例，如果需要进行重复性的测试，只需要连续自动生成多个测试用例集即可，而不需要手动输入每个参数的值。既精简了测试用例集，又提高了测试效率。
表1
Figure BDA0002628903010000071
Figure BDA0002628903010000081
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种基于粒子群的整车控制策略测试用例自动生成方法，其特征在于，包括：
步骤S1，获取整车控制策略的多个控制参数，设种群规模为N，N为正整数，依据控制参数的数量设置粒子的空间维数，根据每个控制参数的取值范围获得粒子的搜索空间；
测试程序包含b个测试分支，每个测试分支对应一组包含多个控制参数取值范围的取值区间，将N个粒子分为b个子群，子群与测试分支一一对应，所述b为正整数；
步骤S2，通过随机函数初始化每个粒子的位置和速度，计算每个粒子的适应度值，将适应度值最大的粒子的位置作为历史个体最优值和全局最优值；设t表示迭代次数，令t的初始值为1；
步骤S3，累计每个测试分支对应的取值区间包含历史个体最优值和全局最优值的次数，记为所述测试分支的执行次数；将落入测试分支对应的取值区间的历史个体最优值和全局最优值作为一个候选测试用例；
步骤S4，以历史个体最优值和全局最优值更新粒子的速度和位置；计算每个测试分支的适应度，将适应度最大的测试分支对应的子群中粒子适应度值最大的粒子作为历史个体最优值和全局最优值；
步骤S5，若t≤T，判断所有测试分支的执行次数是否均大于0，若所有测试分支的执行次数均大于0，进入步骤S6，若不是所有测试分支的执行次数均大于0，令t＝t+1，返回执行步骤S3、S4、S5，若t＞T，进入步骤S6；T为预设的最大迭代次数；
步骤S6，停止迭代，将获得的所有候选测试用例构成测试用例集并输出，将所有执行次数为0的测试分支构成未覆盖路径集并输出。
2.如权利要求1所述的基于粒子群的整车控制策略测试用例自动生成方法，其特征在于，第t次迭代第i个测试分支的适应度f(i)计算公式为：
f(i)＝wi(t)×f'(i)＝βn×wi(t-1)×f'(i)；
其中，β表示权值衰减系数，β∈(0,1)，n表示第i个测试分支的执行次数；wi(t-1)表示第i个测试分支在(t－1)次迭代中的动态权值系数；f'(i)表示第i个测试分支对应子群中当前最大的粒子适应度值；i∈[1,b]。
3.如权利要求1所述的基于粒子群的整车控制策略测试用例自动生成方法，其特征在于，所述步骤S1还包括：
分析整车控制策略的控制逻辑以及车辆工作模式的状态转移条件，绘制整车控制策略的状态转移图，编写测试程序，基于状态转移图提取控制参数。
4.如权利要求1所述的基于粒子群的整车控制策略测试用例自动生成方法，其特征在于，所述控制参数包括钥匙信号、故障标志位、加速踏板开度、电池剩余电量、当前车速。
5.如权利要求1所述的基于粒子群的整车控制策略测试用例自动生成方法，其特征在于，以历史个体最优值和全局最优值更新粒子的速度和位置的过程包括：
以如下公式更新粒子的速度：
Vid(t)＝ω*Vid(t-1)+c1r1(pid-Xid(t-1))+c2r2(pgd-Xid(t-1))；
以如下公式更新粒子的位置：
Xid(t)＝Xid(t-1)+Vid(t)；
其中，ω表示惯性权值，c1和c2分别表示第一学习因子和第二学习因子，r1表示在0到1之间均匀分布的第一随机数，r2表示在0到1之间均匀分布的第二随机数，pid表示历史个体最优值，pgd表示全局最优值。
CN202010810401.9A 2020-08-12 2020-08-12 一种基于粒子群的整车控制策略测试用例自动生成方法 Pending CN112099468A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010810401.9A CN112099468A (zh) 2020-08-12 2020-08-12 一种基于粒子群的整车控制策略测试用例自动生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010810401.9A CN112099468A (zh) 2020-08-12 2020-08-12 一种基于粒子群的整车控制策略测试用例自动生成方法

Publications (1)

Publication Number Publication Date
CN112099468A true CN112099468A (zh) 2020-12-18

Family

ID=73753540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010810401.9A Pending CN112099468A (zh) 2020-08-12 2020-08-12 一种基于粒子群的整车控制策略测试用例自动生成方法

Country Status (1)

Country Link
CN (1) CN112099468A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113092819A (zh) * 2021-04-14 2021-07-09 东方红卫星移动通信有限公司 足部加速度计动态零速校准方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376116A (zh) * 2018-01-31 2018-08-07 浙江理工大学 基于改进粒子群算法的测试用例生成方法
CN108829087A (zh) * 2018-07-19 2018-11-16 山东省科学院自动化研究所 一种自动驾驶汽车的智能测试系统及测试方法
US20190251458A1 (en) * 2018-02-15 2019-08-15 Institute For Development And Research In Banking Technology System and method for particle swarm optimization and quantile regression based rule mining for regression techniques
CN110458276A (zh) * 2019-07-23 2019-11-15 浙江吉利汽车研究院有限公司 基于多目标粒子群算法的车辆控制参数标定方法、装置和设备
CN111177900A (zh) * 2019-12-17 2020-05-19 中国航天标准化研究所 一种基于匹配适应度的空间人机系统安全性动态建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108376116A (zh) * 2018-01-31 2018-08-07 浙江理工大学 基于改进粒子群算法的测试用例生成方法
US20190251458A1 (en) * 2018-02-15 2019-08-15 Institute For Development And Research In Banking Technology System and method for particle swarm optimization and quantile regression based rule mining for regression techniques
CN108829087A (zh) * 2018-07-19 2018-11-16 山东省科学院自动化研究所 一种自动驾驶汽车的智能测试系统及测试方法
CN110458276A (zh) * 2019-07-23 2019-11-15 浙江吉利汽车研究院有限公司 基于多目标粒子群算法的车辆控制参数标定方法、装置和设备
CN111177900A (zh) * 2019-12-17 2020-05-19 中国航天标准化研究所 一种基于匹配适应度的空间人机系统安全性动态建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王令: "纯电动汽车整车控制器测试系统的研究与设计", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113092819A (zh) * 2021-04-14 2021-07-09 东方红卫星移动通信有限公司 足部加速度计动态零速校准方法及系统

Similar Documents

Publication Publication Date Title
CN111731303B (zh) 一种基于深度强化学习a3c算法的hev能量管理方法
Yang et al. Fuel economy optimization of power split hybrid vehicles: A rapid dynamic programming approach
Panday et al. Energy management strategy for hybrid electric vehicles using genetic algorithm
Murgovski et al. Optimal battery dimensioning and control of a CVT PHEV powertrain
CN112036540B (zh) 一种基于双种群混合人工蜂群算法的传感器数目优化方法
CN113511082A (zh) 基于规则和双深度q网络的混合动力汽车能量管理方法
Zhang et al. Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network
Fang et al. Concurrent optimization for parameters of powertrain and control system of hybrid electric vehicle based on multi-objective genetic algorithms
CN113806930B (zh) 白盒与黑盒离散事件系统协同仿真的时序推进方法及装置
US20230194614A1 (en) Modular machine learning structure for electric vehicle battery state of health estimation
CN113479186B (zh) 一种混合动力汽车能量管理策略优化方法
CN112099468A (zh) 一种基于粒子群的整车控制策略测试用例自动生成方法
Desai Design and optimization of hybrid electric vehicle drivetrain and control strategy parameters using evolutionary algorithms
CN115934344A (zh) 异构分布式强化学习计算方法、系统及存储介质
Kabiri et al. GOP-SDN: an enhanced load balancing method based on genetic and optimized particle swarm optimization algorithm in distributed SDNs
CN115543626A (zh) 采用异构计算资源负载均衡调度的电力缺陷图像仿真方法
CN115719478A (zh) 一种独立于无关信息的加速强化学习的端到端自动驾驶方法
CN112579293B (zh) 一种分布计算系统的综合验证方法
Chandrasekar et al. Comparative Analysis of Model Predictive Control (MPC) and Conventional Control in Supervisory Controller of a Retrofit HEV
Jung et al. Design space exploration for powertrain electrification using Gaussian processes
CN114670803A (zh) 基于自我监督学习的并联式混合动力汽车能量管理方法
CN113192153B (zh) 基于子地图的多智能体协同地图构建方法和装置
CN117728064B (zh) 一种退役动力电池拆解工艺的优化方法
CN112613229A (zh) 混合动力设备的能量管理方法、模型训练方法及装置
CN110348791A (zh) 一种应用于多agv任务调度的动态交叉遗传算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201218