מדוע פעולות בקרת אופטימאליות לביצועי רכב חשמליים

כלי רכב חשמליים מייצגים שינוי יסודי בהנדסת רכב, אבל האימוץ הנרחב שלהם מתפתל לפתרון שני אתגרים הקשורים: למקסם את טווח הנהיגה ושימור בריאות הסוללה לאורך חיי הרכב.יעדים אלה לעתים קרובות למשוך בכיוון הפוך. האצה אגרסיבית ונהג מהיר במהירות גבוהה יכול לספק ביצועים מרתקים אך במהירות לפענוח הסוללה ולהאיץ במהירות רבה, אסטרטגיות נהיגה שמרניות באופן רציף, עלולות להרחיב את טווח אבל למניעים מורכבים ויעילים, על ידי פתרונות ניהול יעיל של כוח, תוך כדי אלגוריתמים מתקדמים, תוך כדי הפעלת יעילות גבוהה, תוך כדי אלגוריתמים יעילה כמעט, תוך כדי אלגוריתמים, תוך כדי הפעלת יעילות גבוהה, תוך כדי אלגוריתמים של מערכות ניהול נתונים מתוחכמות גבוהה, תוך כדי אלגוריתמים יעילה יותר, תוך כדי אלגוריתמים יעילה יותר, תוך כדי אלגוריתמים יעילה יותר, תוך כדי אלגוריתמים יעילה יותר ויותר, תוך כדי אלגוריתמים יעילה יותר ויותר, תוך כדי אלגוריתמים יעילה יותר ויותר, תוך כדי אלגוריתמים יעילה יותר, תוך כדי אלגוריתמים יעילה יותר, תוך כדי הפעלת יעילות יעילה יותר ויותר, תוך כדי אלגוריתמים יעילה יותר ויותר, תוך כדי הפעלת אלגוריתמים יעילה יותר ויותר, תוך כדי הפעלת אלגוריתמים של מערכות ניהולית, תוך כדי אלגוריתמים יעילה יותר ויותר, תוך

הנתחים הם משמעותיים.חבילות סוללה יכולות לקחת בחשבון 30% עד 40 אחוזים מהעלות הכוללת של EV, והשפלה מוקדמת יכולה להוביל להחלפה יקר או להפחית את ערך המכירה. טווח חרדה נשאר אחד המחסומים המובילים לאימוץ EV, עם נהגים מודאגים על להיות תקוע עם סוללה מסולקת יותר ויותר.

הבנה של בקרת אופטימאלית ברכבים חשמליים

בקרת אופטימאלית מתייחסת לכיתת אלגוריתמים הקובעת את הרצף הטוב ביותר של פעולות בקרה כדי להשיג תוצאה הרצויה תוך מתן מגבלות. בהקשר של כלי רכב חשמליים, פעולות הבקרה כוללות בקשות מומנט למנוע החשמלי, לגרד את עוצמת החיתוך, טעינה סוללות וקצבי ניכוי, הפעלת מערכת ניהול תרמי, ואפילו עומסי עזר כגון תא או מיזוג אוויר.ה הרצויים כוללים בדרך כלל צריכת אנרגיה, הגבלות מהירות נשימה, ומגבלות מהירות סוללה, כגון מגבלות מהירות סוללה, וכן מגבלות מהירות סוללה, וכן מגבלות מהירות נשימה פיזית, וכן מגבלות מהירות נהיגה.

מה שעושה שליטה אופטימלית מאתגר במיוחד ב EVs הוא האופי הדינמי והלא ברור של תנאי הנהיגה. אסטרטגיה שליטה שעובדת היטב על כביש שטוח עשוי להופיע בצורה גרועה בתנועה בעיר עצירה-גו או על ציוני הרים תלולים.התנגדות לרוחות, תנאי פני השטח, דפוסי תנועה, ואפילו מזג אוויר כל השפעה על צריכת האנרגיה. המודרנית כוללת מודלים של כוח כלי רכב, אלקטרוכימיה, תרמית, אז שימוש אמיתי אלגוריתמים כדי להתאים את היכולת הטבעית שלהם כדי להתאים את היכולת הטבעית של שליטה על ידי אימון יעיל יותר על פני השטח.

מטרות מפתח של אסטרטגיות בקרת אופטימאליות

המטרות העיקריות של שליטה אופטימלית ב EVs ניתן לחלק למספר קטגוריות, כל אחת עם מדדים משלה ומסחר.הבנת מטרות אלה מסייעת להבהיר מדוע גישה יחידה של שליטה רק לעתים רחוקות מספיק ומדוע אלגוריתמים הסתגלות הם הכרחיים.

  • (FLT:0) טווח הנהיגה של Extend (Extend) 1 (FLT:1) - מקסים את המרחק נסיעה למחזור המטען הוא המטרה הגלויה ביותר.זה כרוך בזרימת אנרגיה באמצעות העצמת כוח, צמצום הפסדים במנוע ומניעה, שחזור אנרגיה באמצעות גינון מחדש, וצמצום העומסים הפרסיטיים.
  • (FLT:0) Preserve סוללות בריאות סוללה FLT:1 - סוללות ליתיום-יון מחלחלות באמצעות מספר מנגנונים, כולל צמיחה חד-משמעית מוצקה, ליתיום בשפע, חלקיק סדקים, ו אלקטרוליטנטיות אלקטרוליטית.השיעור של השפלה תלוי בגורמים כגון טמפרטורה, עומק של פריקה, דמי תשלום ושחרור, ומספר המחזורים של שליטה אופטית יכול להפחית את הפחתת לחץ חשמלי קיצוני או לחץ דם קר על ידי לחץ אווירי, כאשר הוא לחץ נמוך יותר, כאשר הוא לחץ חם או לחץ גבוה, או לחץ גבוה, או לחץ על פני השטח של לחץ אווירי, כאשר הוא נמוך יותר, כאשר הוא לחץ אווירי משקל נמוך יותר, או ירידה חדה על פני השטח של לחץ נמוך יותר, כאשר הוא נמוך יותר, או ירידה חדה, או ירידה חדה של לחץ גבוה, כאשר הוא נמוך יותר, או ירידה חדה של לחץ דם נמוך יותר, כאשר הוא נמוך יותר, כאשר הוא נמוך יותר, כאשר הוא נמוך יותר של לחץ גבוה של לחץ דם נמוך יותר, כאשר הוא נמוך יותר של לחץ דם נמוך יותר של לחץ אווירי משקל נמוך יותר, לחץ על פני טמפרטורה, על ידי לחץ על ידי לחץ אוויריבית, כאשר הוא נמוך יותר של לחץ נמוך יותר, לחץ על ידי לחץ נמוך יותר,
  • (FLT:0) הבטחת נוסעים נוחותFLT:1 - חימום בקתה וקירור הם בין העומסים העזריים הגדולים ביותר ב EV, במיוחד במזג אוויר קיצוני.אסטרטגיות בקרה אופטית יכולות לנהל את העומסים האלה באופן אינטליגנטי, תנאי מראש את התא בעוד הרכב מחובר, באמצעות תנורי חימום במקום חימום תא כאשר אפשרי, ותיאום ניהול תרמי של הסוללה ולהפחית את צריכת האנרגיה הכוללת כדי למזער את צריכת אנרגיה ללא נוחות.
  • (FLT:0) חיסכון בעלויות האנרגיה של אנרגיה מתחדשת (FLT:1) - עבור מפעילי צי ובעלי הפרט כאחד, העלות של חשמל היא הוצאה תפעולית משמעותית.שליטה אופטימאלית יכולה לקבוע טעינה בשעות ה off-peak כאשר שיעורי חשמל נמוכים יותר, לנהל כוח טעינה כדי למנוע חיובים בהגדרות מסחריות, ואפילו להשתתף בתוכניות למניעת תשלום לרכב, המספקות הכנסות בזמן שהרכב הוא פארק.
  • (FLT:0) Extend רכיב החיים FLT:1 - מעבר לסוללה, מופנם, מנוע ואלקטרוניקה כוח ליהנות גם משליטה אופטימיזציה. Reducing רכיבה תרמית, הימנעות מתנאים מורכבים, ו transientients חלקלק יכול להאריך את החיים של רכיבים אלה ולהקטין את עלויות תחזוקה על פני חיי הרכב.

שיטות ליבה של בקרת אופטימאלית

כמה שיטות מתמטיות חישוביות פותחו כדי ליישם שליטה אופטימלית ב EVs. לכל שיטה יש נקודות חוזק וחולשות במונחים של מורכבות חישובית, הסתגלות ויכולת לטפל במגבלות.בחירה של שיטה תלויה ביישום הספציפי, משאבים חישוביים זמינים, ואת נאמנות המודלים המשמשים.

בקרת מודל (MPC)

בקרת מודלים היא אחת משיטות הבקרה האופטימליות הנפוצות ביותר בתעשייה והן במחקר. MPC משתמשת במודל דינמי של הרכב וסביבתו לחזות התנהגות עתידית לאורך זמן סופי.בכל שלב, הבקר פותר בעיה אופטימיזציה למצוא את רצף הבקרה הממזער תפקוד עלות תוך מתן מגבלות.רק הפעולה הראשונה ברצף מוחלת, והתהליך חוזר בזמן הבא, יצירת גישה מתואם שיכולה להתאים את עצמה לתנאים משתנים.

באפליקציות EV, MPC יכול לשלב מידע נתיב ממערכות ניווט, נתוני תנועה ופרופילי גובה כדי לצפות דרישות אנרגיה עתידיות.לדוגמה, אם המסלול כולל סעיף שיורד ארוך ואחריו ירידה במורדה, הבקר יכול להפחית את הפרידה הסוללה לפני העלייה לקיבולת מילואים, ואז למקסם את החייאה מחדש במהלך הירידה MPC לינארי יכול גם לנהל טמפרטורה סוללות על ידי התאמת מערכת קירור בהתבסס על דרישות כוח עתידיות.

דינמי תכנות

תכנות דינמי הוא שיטת אופטימיזציה מתמטית שמפתורה בעיות שליטה מורכבות על ידי שבירה אותם לתוך רצף של תת-בעיה פשוטה יותר.זה מבטיח למצוא את הפתרון האופטימלי עבור מודל נתון ותפקוד עלות, מה שהופך אותו כלי רב עוצמה עבור אופטימיזציה לא מקוון. בהקשר EV, תכנות דינמי יכול לקבוע את פרופיל המהירות האופטימלי, שינויים הילוכים (אם רלוונטי), וכוח פיצול עבור מחזור נהיגה ידוע, מתן תיאורטי על יעילות גבוהה על בסיס יעיל.

המגבלה העיקרית של תכנות דינמי היא העלות החישובית הגבוהה שלו, שגדלה באופן אקספוננציאלי עם מספר משתנים המדינה ואת אורך האופק זמן.זה הופך אותו לבלתי מעשי לשליטה בזמן אמת ברוב היישומים.עם זאת, הוא נשאר בעל ערך לפיתוח ואימות של בקרים פשוטים יותר, יצירת נתוני הכשרה לגישות למידה, וניתוח של פערי המסחר בין מטרות שליטה שונות.

Reinforcement Learning

Reinforcement Learning (RL) הוא פרדיגמה למידה מכונה שבו סוכן לומד לקבל החלטות על ידי אינטראקציה עם הסביבה שלו ולקבל תגמולים או עונשים על מעשיו.לאורך זמן, הסוכן לומד מדיניות הממקסימה את הפרס המצטבר.ב- EV שליטה אופטימלית, RL יכול לגלות אסטרטגיות שקשה להפיק אנליטית, במיוחד כאשר המודל אינו בטוח או הסביבה היא משתנה מאוד.

ההתקדמות האחרונה בלמידה עמוקה חיזוק איפשרה לשימוש ברשתות עצביות כ- approximators פונקציונלי, המאפשר ל-RL להתמודד עם אזורי מצב ופעולה ברמה גבוהה.לדוגמה, סוכן RL עמוק יכול לקחת קלטות כגון מצב סוללה של מטען, טמפרטורה, מהירות רכב, מהירות האצה, עלייה ברמת המסלול, ואז פלט בטוח כדי לתקן ולחדש פקודות.

המדע מאחורי הסוללות והשליטה

כדי להעריך כיצד בקרה אופטימלית משמרת את בריאות הסוללה, זה עוזר להבין את מנגנוני ההשפלה העיקריים המשפיעים על תאי ליתיום-יון. בעוד שכימיה סוללות סוללה ממשיכה להתפתח, רוב סוללות EV כיום להשתמש בגרסאות של ליתיום ניקל מגברינית קובלט או ליתיום ברזל pus פוספט עם anodeite asis.כל הכימיה יש תכונות שונות, אבל כמה גורמים נפוצים המשפיעים בכל הסוגים.

(FLT:0 TemperatureFLT:1) הוא אולי הגורם הקריטי ביותר.טמפרטורות גבוהות להאיץ את התגובות הכימיות שגורמות לקיבולת דועכת, בעוד טמפרטורות נמוכות מגבירות את ההתנגדות הפנימית ויכולות להוביל ליתיום בשפע במהלך הטעינה. מערכות בקרה אופטימאליות לנהל באופן פעיל את טמפרטורת הסוללה על ידי התאמת שערי זרימה קרירה, מעורבות או עק עקיפה, והגבלת כוח כאשר הסוללה היא מחוץ לטווח הטמפרטורה האופטימלית או לפני השימוש בסולמה.

(FLT:0)Depth של פריקה 1:1 גם ממלא תפקיד מרכזי. Cycling סוללה בין 0 ל -100 אחוזים מצב המטען גורם לירידה משמעותית יותר מאשר רכיבה בתוך חלון צר יותר, כגון 20 עד 80 אחוזים. אסטרטגיות שליטה אופטית יכול להגביל את היכולת הנת של הסוללה להגן על בריאותה לטווח ארוך, בעוד עדיין מאפשר הפרשות מלאות כאשר טווח מקסימלי הוא צורך יצרניות של תשלום לא זמין אזורי אנרגיה, הוא לא מגיע לכדי טווח של מנוע קטן של תחבורה קלה של תחבורה, הוא לא זמין, הוא לא ניתן להגיע לאזורים של תחבורה אנרגיה, הוא אחד של תחבורה קלה של תחבורה, הוא אחד של תחבורה קלה של תחבורה, הוא אחד של תחבורה, הוא לא זמין, הוא לא זמין, הוא אחד של תחבורה של תחבורה של תחבורה קלה של תחבורה של תחבורה של תחבורה קלה של תחבורה, הוא עדיין.

(FLT:0) צ'רג וקצב השחרור של 1FLT משפיעים על ההשפלה באמצעות מספר מנגנונים. זרמים גבוהים לגרום לדור חום מוגבר, ליתיום שופע על הזעם במהלך טעינה מהירה, ולחץ מכני על חלקיקים אלקטרודה עקב שינויים בנפח מהיר.שליטה אופטימאלית חלקה את כוח הכוח על ידי שימוש באזור היעילות הגבוהה של המנוע בכל פעם אפשרי והימנעות מפעולות קינטיות גדולות, במהלך התחדשות, יכול להתמזג עם חיכוך ליישב עם חץ מחדש של סוללות זרם לתוך שבריר אנרגיה הנוכחי.

יתרונות אמיתיים של אסטרטגיות בקרת אופטימאלי

היתרונות התיאורטיים של שליטה אופטימלית לתרגם להטבות מוחשיות עבור בעלי EV ומפעילי צי.מחקרי שדה ותוצאות סימולציה מראים באופן עקבי שיפורים על פני מדדים מרובים.כאשר השוואת כלי רכב מצוידים באלגוריתמים שליטה אופטימליים נגד אלה באמצעות אסטרטגיות מבוססות הכלל קונבנציונלי, ההבדלים הם לעתים קרובות משמעותי.

  • (FLT:0) טווח הנהיגה המגביל את ה-AutoFcioLT:1) - שליטה אופטית יכולה לשפר את יעילות האנרגיה ב-5 עד 15% בהתאם למחזור הנהיגה ולתנאים.על רכב עם דירוג של 300 קילומטר EPA, זה מתורגם ל-15 עד 45 קילומטרים נוספים של טווח בעולם האמיתי.
  • (FLT:0) ללבוש סוללה מצופה יותר ותוחלת חיים ארוכה יותר (FLT:1) - על ידי הימנעות ממדינות קיצוניות של מטען, הגבלת פעילות עתירי גבוה, שמירה על טמפרטורות אופטימליות, שליטה אופטימלית יכולה להאט את ההידרדרות של סוללות עד 40% על חיי המכונית.זה מרחיב את החיים השימושיים של החבילה, פוטנציאל המאפשר לרכב לפעול במשך 15 עד 20 שנה לפני הדורשים החלפת צי עבור מפעילי, משפר באופן דרמטי את העלות של הבעלות.
  • (FLT:0) שיפור יעילות האנרגיה של יעילות האנרגיה של FLT:1 - מעבר להיקף הרחב, יעילות משופרת פירושה פחות אנרגיה מבוזבזת כמו חום.זה מפחית את העומס על מערכת הקירור, שיפור יעילות נוספת במחזור רוטט.
  • (FLT:0) ניסיון נהיגה מתאמן 1FLT - שליטה אופטימאלית יכולה לספק האצה חלקה יותר ודה-הפצה על ידי תיאום מומנט המנוע, גינון מחדש, וחיכוך.זה מקטין תנועות jerky והופך את הנסיעה נוח יותר עבור נוסעים.בנוסף, בקר יכול להתאים את הסגנון של הנהג, מתן ביצועים מגיבים כאשר למקסם את היעילות הרצויה במהלך רגיעה.

הטמעת אתגרים ושיקולים מעשיים

למרות היתרונות ברורים, יישום שליטה אופטימלית בייצור EVs מציג כמה אתגרים שיש לטפל בהם כדי לספק מערכות אמין, בטוח, עלות-תועלת.אתגרים אלה משתרעים על חומרה, תוכנה ותקנות אימות.

(FLT:0) מורכבות מורכבות חישובית FLT:1 נשאר מחסום משמעותי, במיוחד עבור MPC וגישות למידה חיזוק.בעיות אופטימיזציה שיש לפתור בכל שלב בקרה יכול להיות אינטנסיבי חישובי, הדורש מעבדים משובצים חזקים עם מערכות הפעלה בזמן אמת. Automakers חייב לאזן את העלות של מעבדים אלה נגד היתרונות של שליטה אופטימלית.

(FLT:0Model דיוקFLT:1 אלגוריתמים ביקורתיים אחרים מסתמכים על מודלים של הסוללה, המנוע, המופנמה, ודינמיקה של כלי רכב.אם המודלים האלה אינם מדויקים, הבקר עשוי לקבל החלטות תת-אופטימיות או אפילו מזיקות.מודלים סוללה מאתגרים במיוחד כי הפרמטרים שלהם עם הגיל, הטמפרטורה, והמדינה של הטעינה טכניקות להתאמה, אשר יכולות לעדכן פרמטרים מקוונים, אך דורשות מורכבות זה דורשות.

(FLT:0) רובוט לאי ודאות של אי-ודאותFLT:1 יש לטפל כי תנאי הנהיגה הם בלתי צפויים מטבעם.בקר אשר מניח ידע מושלם של תנועה עתידית, מזג אוויר, ותוואי עשוי להופיע גרוע כאשר המציאות שונה לציפיות. MPC סטוצ'י וטכניקות אופטימיזציה חזקות יכול להתמודד עם אי-ודאות על ידי שילוב מודלים פרוביביליסטיים או מגבלות גרועות, אבל אלה גישות מתקדמות יותר דרישות חישוביות.

(FLT:0) בטיחותי וההסמכה 1:1 מציבים אלגוריתמים נוספים של מערכות בקרת רכב חייב לעמוד בסטנדרטים בטיחותיים מחמירים כגון ISO 26262, אשר מגדיר דרישות בטיחות פונקציונליות עבור מערכות חשמל ואלקטרוניקה. אלגוריתמים של שליטה אופטית המשתמשים ברכיבי למידת מכונה על פני בדיקה מסוימת מכיוון שהתנהגותם יכולה להיות קשה לאמת ולאמת.

(FLT:0) שילוב עם ארכיטקטורות רכב קיימות, הוא גם לא-trivial. מערכות בקרה אופטימאליות, חייב ממשק עם מספר רב של מערכות תת-מערכת, כולל מערכת ניהול סוללות, בקר מוטורי, מערכת ניהול תרמי, מערכת גילוח, מערכת מידע או מערכת ניווט.כל ממשק מציג נקודות פוטנציאליות של כשל ודורש תיאום זהה של פרוטוקולים תקשורת, תזמון, והנתונים מורכבים.

כיוונים עתידיים וטכנולוגיות מתפתחות

תחום השליטה האופטימלית עבור EVs מתקדם במהירות, מונע על ידי שיפורים בחומרה מחשוב, טכנולוגיה רגישה, ומחקר אלגוריתמי.כמה מגמות מתעוררות צפויים לעצב את הדור הבא של מערכות בקרת רכב חשמלי.

(FLT:0) ו-V2X אינטגרציה אינטגרציה אינטגרטיבית 1 מבטיח לשפר את השליטה האופטימלית על ידי מתן מידע בזמן אמת על אותות תנועה, תנאי כביש, וכלי רכב אחרים.לדוגמה, לדעת את התזמון של אורות תנועה הבאים מאפשר לבקר לתכנן פרופילים מהירות כי ממזערים את עצירות ומתחילים, צמצום צריכת האנרגיה.2X תקשורת יכול גם לאפשר תמרונים מתואמים כגון plating, כאשר יש צורך של 20 אחוזים יכולים לשפר את היעילות העירונית של 10.

(FLT:0Cloud- Connected Optimization Optimized Optimized OptimizationFLT:1 הופך מעשי יותר כמו רשתות סלולריות ותשתית מחשוב ענן בוגר.רכבים יכולים להעלות נתונים נהיגה ולקבל אסטרטגיות בקרה מעודכנים באמצעות עדכונים אוויריים יתר על המידה.אופטימיזציה מבוססת ענן יכולה גם להתמודד עם משימות אינטנסיביות חישוביות כגון תכנון נתיב עם נתוני גובה מפורט ותנועה, יצירת אופטימיזציה מהירה וטעינה פרופילים כי הם להוריד את הרכב הזה מעומס זה ממעבדים מתוחכמים יותר מאשר בזמן חישובים בזמן אופטימיזציה בפועל.

(FLT:0) טכנולוגיות תאום מולדות (FLT:1) יוצר עותק וירטואלי של הרכב הפיזי מתפתח לצדו, שילוב נתוני חיישן בזמן אמת, שינויים הקשורים לגיל, והיסטוריה תפעולית.התאום הדיגיטלי ניתן להשתמש כדי לדמות ולהעריך אסטרטגיות בקרה לפני שהם פרוסים ברכב הפיזי, צמצום הסיכון להתנהגות בלתי צפויה.

(FLT:0) ההתקדמות במערכות ניהול סוללות:FLT:1ir מאפשר שליטה יותר גרניטרית ברמת התא ולא ברמת החבילה. כמה עיצובים חדשים יותר משלבים חיישנים בתוך תאים בודדים למדידת טמפרטורה, לחץ ומתח עם דיוק גבוה. נתונים אלה מאפשרים אלגוריתמי בקרה אופטימלית כדי לאזן את מצב כל תא באופן מדויק יותר, למנוע הדבקה או פיזור יתר של תאים בודדים ולהרחיב את החיים הכוללים רמה גבוהה יותר של תאים.

(ב) לקריאה נוספת על יסודות טכניים של שליטה אופטימלית ב EVs, מתייחס לסקירה של ההרחבה:0recent IEEE על בקרת מודל חיזוי עבור ניהול אנרגיה חשמלית של כלי רכב חשמליים:2Journal of Energy Storage for Energy Storage on Battery Modeling Modeling Models FLT 3: Industry, ולבסוף מפותחת על ידי LT:4E InternationalLTF:5 מספקת גם הנחיות מתקדמות לשיטות בקרה על סוללות.

מסקנה

שליטה אופטית של כלי רכב חשמליים מייצגת את אחת הדרכים המבטיחות ביותר למגוון רחב, שמירה על בריאות הסוללה ושיפור חווית הבעלות הכוללת. על ידי מינוף אלגוריתמים מתקדמים כגון בקרת מודלים, תכנות דינמי ולמידה חיזוק, מערכות אלה יכולות לקבל החלטות אינטליגנטיות, בזמן אמת כי איזון מטרות מתחרות הסתגלות.

הדרך לאימוץ נרחב כרוכה באתגרים גוברים הקשורים למורכבות חישובית, דיוק מודל, יציבות, בטיחות ואינטגרציה. עם זאת, התקדמות מהירה מחשוב מוטבע, טכנולוגיית חיישן, קישוריות ולמידה מכונה הם אלה שהופכים את הפתרונות האלה יותר ויותר מעשיים עבור כלי רכב הייצור. כמו תעשיית התחבורה ממשיכה את המעבר שלה לקראת סלקציה וניידות אינטליגנטית, שליטה אופטימלית תמלא תפקיד חיוני בהבטחת שביעות רצון בר-קיימא, מעשית, עבור פתרונות יעיל, אך יעיל, עבור סיכון אסטרטגי של שליטה, אך ורק סיכון אסטרטגי של אחריות, אך ורק סיכון, אך פעולה, אך יעיל, אך יעיל, היא יעילה, היא יעילה, אך היא יעילה, אך היא יעילה, היא יעילה, אך היא יעילה, היא יעילה, אך היא יעילה, אך יעילה, היא יעילה, היא יעילה, אך יעילה, אך יעילה, יעילה, היא יעילה, היא יעילה, השפעה אסטרטגית של אחריות אסטרטגית של אחריות, אך היא יעילה, אך יעילה, אך היא יעילה, אך יעילה, אך היא יעילה, אך יעילה, אך היא יעילה, אך היא יעילה, אך היא יעילה, יעילה, אך היא יעילה, אך היא יעילה, אך היא יעילה, היא יעילה, אך היא יעילה, היא יעילה, היא יעילה, אך היא יעילה, רק השפעה אסטרטגית של שליטה יעילה, אך היא יעילה,