随着能源危机和环保形势的日益严峻,寻找可再生能源的新能源汽车成为迫在眉睫的一项任务。混合动力汽车(Hybrid Electric Vehicle,HEV)的多种能量源各自有不同特性,因此对于能量的管理成为混合动力汽车的核心问题。混合动力汽车集合了电气、机械系统,其中还有化学变化和热力学过程参与,很难使用数学模型进行精确地描述。本文针对并联式混合动力汽车能量管理策略存在的问题提出了优化方案,结合模糊控制算法、粒子群算法、模拟退火算法和神经网络算法等相关算法对这个问题进行了深入的研究,并进行了相关的仿真实验。主要工作如下:首先,搭建了并联式混合动力汽车的仿真模型,分析了发动机、电动机和电池的建模方法,实现了基于模糊控制的能量管理策略。其次,采用结合了粒子群算法(Particle Swarm Optimization,PSO)和模拟退火算法(Simulated Annealing,SA)的SAPSO算法优化能量管理策略的模糊规则,该算法既有PSO快速收敛的特点,又和SA一样可以搜索全局最优值。针对PSO算法,使用混沌策略给PSO的粒子一个随机扰动,可以增加种群多样性,提高寻优能力。采用径向基神经网络(Radial Basis Function Neural Network,RBF神经网络)设计了一种工况识别器,该识别器可以在线监测工况、识别工况类型,并选择合适的已优化模糊规则赋值给模糊控制器使用,实现根据实际工况提高燃油经济性的目的。最后,在Advisor中搭建并联式混合动力汽车模型,采用优化后的模糊控制能量管理策略在随机工况下测试,仿真结果表明该能量管理策略相比优化前的能量管理策略提高了燃油经济性。