为了有效提高ISG重度混合动力汽车(full hybrid electric vehicle assisted by an integrated starter generator,ISG-FHEV)发动机和电机驱动系统效率以及整车的燃油经济性,设计了一种等效燃油消耗最小控制策略(equivalent consumption minimization strategy,ECMS);在分析ISG-FHEV功率分流模式的基础上,同时考虑发动机和电机驱动系统效率,构建出包含发动机和电机驱动系统的功率分配、ISG电机和主电机间的功率分配两个控制变量的整车等效燃油消耗最小目标函数;引入庞特里亚金极小值原理(pontryagin’s minimum principle,PMP)并加入电池SOC偏差控制确定等效因子;最后,进行了仿真和对比分析;结果表明,与基于规则的控制策略相比,发动机效率提高9%,ISG电机和主电机总效率提高11.4%,百公里耗油量降低9.98%。
针对智慧协同网络提出一种服务内容在传输路径上的缓存分配策略。该策略根据服务内容的流行度部署其在传输路径上的缓存位置,以求充分、高效地发挥网络缓存作用,进而提升网络的总体性能。所提分配策略分别在5层树型拓扑和由279个节点组成的真实网络拓扑中进行了性能测试。结果显示,该策略在所测的性能参数中表现出色,就平均服务获取距离而言,较命名数据网络(NDN,named data nerworking)所使用的LCE(leave copy everywhere)策略,其性能提高20%以上。
交替方向乘子法(Alternating Direction Method of Multiplier,ADMM)因具有线性规划(Linear Programming,LP)译码条件约束的几何结构,同时利用了消息传递机制,被认为是一种第5代移动通信技术(5th Generation Mobile Communication Technology,5G)低密度校验(Low Density Parity Check,LDPC)码新型优化译码算法。通过在LP译码模型的目标函数中引入惩罚项,基于ADMM的变量节点惩罚译码有效地减轻了非积分解,从而提高了误帧率(Frame Error Rate,FER)性能。尽管ADMM在许多实际应用中表现出色,其收敛速度较慢以及对初始条件和参数设置敏感的问题仍然限制了其在高维、实时性要求高的场景中的进一步应用。特别是在LDPC线性规划译码过程中,ADMM的交替更新机制容易导致优化路径振荡,且在处理非精确约束时表现不佳。针对ADMM算法收敛速度慢的问题,我们提出了一种新的优化算法,该算法将Nesterov动量加速方法与ADMM相结合,以解决ADMM对LDPC译码器错误修正能力和收敛效率的影响。算法通过动量项减少迭代次数将一个Nesterov加速格式从无约束复合优化问题推广到ADMM惩罚函数模型,利用ADMM算法将原问题的约束条件有效转化为目标函数的一部分,从而构造出无约束优化子问题;在此基础上,进一步采用Nesterov加速技术对梯度下降迭代过程进行改进,以提高收敛速度和求解精度。仿真实验使用了三种不同码率的5G LDPC短码。结果表明,相对于现有ADMM惩罚译码算法,所提出的基于动量加速的ADMM译码算法不仅有大约0.2 dB的信噪比增益,而且平均迭代次数也降低了20%左右,加快了收敛速度。
