做新能源汽車相關研究，能量管理控制策略是一個繞不開的話題，特別是基於優化算法的能量管理控制策略。
優化算法可分為全局優化和實時優化，受算法本身的限制以及採樣時間、模型精度、參數定義等因素的影響，目前這種區分尚不明顯。目前主要的優化算法包括下列11種，上期介紹前5種，本期介紹後6種：
動態規劃（Dynamic Programming，DP）
等效燃油消耗最小策略（Equivalent Consumption Minimization Strategy，ECMS）
模型預測控制（Model Predictive Control，MPC）
神經網絡算法（NeuralNetworks，NN）
滑模控制（Sliding ModeControl，SMC）
無導數優化算法——模擬退火（Simulated Annealing，SA）
無導數優化算法——遺傳算法（Genetic Algorithm，GA）
無導數優化算法——粒子群算法（Particle Swarm Optimization，PSO）
無導數優化算法——DIRECT算法
博弈論（Game Theory，GT）
凸規劃（Convex Programming，CP）
模擬退火是一種受金屬退火過程啟發的方法，該方法通過隨機搜索，顯示目標函數優化的可能最優解的同時保留了符合標準定義的次優解，這樣可以防止算法陷入局部極小值，並增強其向全局最優的演化。模擬退火算法相對容易實現，計算結果較好，計算量小，這使得它可以實時應用。由於模擬退火是為解決組合問題而開發的，因而在有限仿真時間內與動態規划算法相比是有競爭力的，同時也很容易擴展到連續優化問題。遺傳算法是受自然選擇和遺傳進化啟發的隨機方法，也是進化算法的一個特例。它由三個階段組成：複製，交叉信息和變異。在處理複雜問題時，該算法具有良好的性能。此外，遺傳算法只會保存當前狀態和最後種群，需要內存資源較少。與其他優化策略相比，遺傳算法的主要優勢之一是不同代理之間的並行性檢測能力，有利於計算帕累託解。遺傳算法包含精英主義，以確保最優解被傳遞到下一個迭代步驟而不發生重大變化。粒子群算法來自群體中社會有機體的行為，例如蜂群、蟻群和鳥群這些群體在成員之間共享信息。粒子群優化由於解的種群特徵與遺傳算法中的交叉機制類似，因而被認為是進化算法的一個特例。該算法填充粒子狀態、位置和速度。粒子之間可以互相交換信息，並可以存儲他們最後的最佳位置和組群的最優解，以改善下一種群。粒子群優化對複雜的目標函數具有魯棒性，只需要每個粒子的兩個變量（即位置和速度）進行迭代。與其他啟發式優化算法相比，少量的調諧參數有助於其實現並降低其對初始解的敏感性。DIRECT是一種抽樣無導數方法，將搜索空間縮放到具有立方體形狀的固定區域中，並在每個區域的中心點搜索最優解。最優解需要按照每個立方分區的最長坐標方向重新採樣和確認。直到達到終止條件該算法完成，可以用解的精確度和迭代次數來表示。結果的適用性通過成本函數進行評估。圖1說明了DIRECT方法的三次迭代。與其他元啟發式優化算法相比，DIRECT方法相對簡單，既不需要調整參數，也可以處理等式和不等式約束。此外，它在非線性和幹擾的情況下具有魯棒性。凸規劃是線性規劃和二次規劃的推廣。只有在問題可以嚴格表示為凸項時，該算法才可適用，需要將成本函數和不等式約束以凸函數形式表示。車輛模型需要簡化以符合凸性要求：
（1）消除整數決策：發動機開關，換擋等;
（2）如果平等約束不是仿射的，平等約束必須放寬;
（3）使用新變量來保持凸面性，如電池能量而不是SOC;
（4）離散時間的問題編碼。
這兩期我們介紹了當前11種基於優化算法的能量管理控制策略。多數優化目的也是想將更多的工況信息能夠實時運用到能量管理控制策略中。隨著智慧型手機日益普及使用GPS、無線連接，可以更便捷地通過網絡可獲取實時交通環境，將這些獲取的信息與模型預測控制相結合，吸收實時交通信息，從而使能量管理策略更加優化。那麼能量管理策略與智能交通系統可以有怎樣的結合呢？