M. Liang GUO, doctorant en 2ième année de thèse,  a eu un prix « Best Presentation Award » lors de « 3rd International Conference on Energy and AI » à Belfort France, le 12 juillet.

Dans cet article, une nouvelle stratégie de gestion de l'énergie hybride (EMS) est proposée pour les véhicules électriques hybrides à pile à combustible (FCHEV) afin de réaliser l'économie d'hydrogène tout en maintenant la charge de la batterie. En approchant la fonction de politique EMS à l'aide de la logique floue (FL) pour l'apprentissage par renforcement du gradient de politique (PGRL), un gradient de politique de Monte-Carlo flou (Fuzzy-MCPG), également appelé méthode Fuzzy REINFORCE, est d'abord proposé et étudié pour le problème EMS dans l'article. . En utilisant PGRL, les règles floues peuvent être identifiées à partir des interactions avec l'objet ou l'environnement contrôlé. Pendant ce temps, les inconvénients de l'apprentissage par renforcement traditionnel tels que la faible efficacité des données, la convergence instable et la mauvaise généralisation peuvent également être surmontés. Les résultats de la simulation vérifient l'efficacité de la méthode proposée, ainsi que l'effet de convergence rapide et lisse. L'adaptabilité aux changements des différentes conditions de fonctionnement du Fuzzy REINFORCE est également vérifiée.