作为电信供应商，公司的关键任务是在停电期间维持电信服务。为了实现该任务，本文提出了一种解决方案，即通过电动汽车直接为基站提供电力。我们将这个问题定义为 Electric Vehicle Routing Problem (EVRP) 的一个新变体，并提出了一种解决方法，该方法结合了基于规则的车辆选择器和基于强化学习（RL）的节点选择器。我们的求解器在合成数据集和真实数据集上进行了评估，结果表明它在客观值和计算时间方面优于基准线。此外，我们还分析了我们的求解器的泛化能力和可扩展性，证明了它在未知设置和大规模问题上的能力。

Apr, 2024

本文提出使用强化学习和马尔科夫决策过程 (MDP) 来协调多个电动汽车充电点，通过减少训练时间和使用线性空间和时间复杂度的新 MDP 公式，改善了业内现有技术，提高了充电需求协调达 40-50％的性能。

Mar, 2022

本研究提出了一种称为 HHASA_{RL} 的超启发式方法来解决容量限制电动车路线问题，该问题包含了电动车的充电站数量有限以及行驶范围的限制，这种方法通过将多臂赌博机方法和自适应模拟退火算法相结合，以改进已有的解决方案并在 IEEE WCCI2020 竞赛中获得最佳平均值。

Jun, 2022

本文研究了带有时间窗约束的异构电动车路径问题，并提出了一种基于深度强化学习的方法（Edge-DIRECT），通过增强的图表示和双注意力解码器来有效解决该问题。实验结果表明，Edge-DIRECT 在解决质量和执行时间方面优于现有的方法，并展现了与其他主要启发式方法相比具有竞争性的性能。

Jun, 2024

该研究论文介绍了一种安全感知的强化学习算法，用于管理电动车充电站，并确保满足系统约束。该算法不依赖于对约束违规的显式惩罚，而且能在不确定环境中学习模式，以提高对电动车充电的管理效果。

Mar, 2024

使用深度强化学习（特别是深度 Q 网络）确定户用电动汽车的成本减少充电策略，该策略可为终端用户节约超过 20% 的电费开支。

Oct, 2023

使用强化学习模型解决三维装备车辆路径问题，使得物流优化向大规模应用迈出有希望的第一步。

Jul, 2023

本文提出了一种使用深度强化学习方法的车辆 - 电网技术中，对转移学习方面具有显著表现的连续充放电协调策略。该方法可以高效地优化电动汽车聚合器在实际操作条件下的实时充电 / 放电功率，与无控制充电相比，负荷变化减少了 97.37$％$，充电成本降低了 76.56$％$。

Oct, 2022

本文提出一种基于强化学习的连接电动汽车经济驾驶框架，旨在提高车辆能源效率，并在交通信号灯路口中重新定义汽车后续策略、换道策略以及车辆加速控制决策，从而优化车辆动作方案，基于 SUMO 软件单车视角和流量视角的评估表明，该策略能够显著减少非人为驾驶车辆的能源消耗，实现了减排目的。

Jun, 2022

混合动力电动汽车的能源管理系统、连接的混合动力电动汽车的协同驾驶控制和强化学习是未来可持续交通系统的关键挑战和解决方案。

Aug, 2023