lex&yacc with Ply

本文介绍使用Lex进行词法分析定义token的过程及规则,并通过Yacc实现语法分析。涉及token格式定义、正则表达式规则设定及具体动作代码实现等内容。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. lex 词法分析

 

    A. define token
       
        1.token format

 

             a. key words

 

114 tokens = [
115    'COMMA',
116    'SEMICOLON',
117    'EQUAL',
118    'LPAREN',
119    'RPAREN',
120    'LBRACE',
121    'RBRACE',
122    'LESS',
123    'LARGE',
124    'ASTERISK',
125    'COMMENT',
126    'UINT_LIT',
127    'STRING_LIT',
128 ]

 

b.Regular expression rules for simple tokens

 

133 t_COMMA = r','
134 t_SEMICOLON = r';'
135 t_EQUAL = r'='
136 t_LPAREN = r'/('
137 t_RPAREN = r'/)'
138 t_LBRACE = r'/{'
139 t_RBRACE = r'/}'
140 t_LESS = r'<'
141 t_LARGE = r'>'
142 t_UINT_LIT = r'[-0-9][0-9]*'

 

    B. define token action

 

          1. A regular expression rule with some action code

 

145 def t_EVAL(t):
146     r'EVAL/[[^/]]*/]'
147     t.value = t.value[5:-1]
148     t.type='STRING_LIT'
149     return t

 

2. yacc 语法分析

 

238 def p_MO_L(t):
239     """MO_L   :   MO
240               |   MO_L MO"""
241     if len(t) == 3:
242         t[0] = t[2]
243
244 def p_MO(t):
245     """MO :   MANAGED_OBJECT EQUAL MONAME LBRACE ATTR_L RBRACE"""
246     add_mo(mo)

内容概要:该论文研究增程式电动汽车(REEV)的能量管理策略,针对现有优化策略实时性差的问题,提出基于工况识别的自适应等效燃油消耗最小策略(A-ECMS)。首先建立整车Simulink模型和基于规则的策略;然后研究动态规划(DP)算法和等效燃油最小策略;接着通过聚类分析将道路工况分为四类,并设计工况识别算法;最后开发基于工况识别的A-ECMS,通过高德地图预判工况类型并自适应调整SOC分配。仿真显示该策略比规则策略节油8%,比简单SOC规划策略节油2%,并通过硬件在环实验验证了实时可行性。 适合人群:具备一定编程基础,特别是对电动汽车能量管理策略有兴趣的研发人员和技术爱好者。 使用场景及目标:①理解增程式电动汽车能量管理策略的基本原理;②掌握动态规划算法和等效燃油消耗最小策略的应用;③学习工况识别算法的设计和实现;④了解基于工况识别的A-ECMS策略的具体实现及其优化效果。 其他说明:此资源不仅提供了详细的MATLAB/Simulink代码实现,还深入分析了各算法的原理和应用场景,适合用于学术研究和工业实践。在学习过程中,建议结合代码调试和实际数据进行实践,以便更好地理解策略的优化效果。此外,论文还探讨了未来的研究方向,如深度学习替代聚类、多目标优化以及V2X集成等,为后续研究提供了思路。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值