本文分析了真实的共享电动出行系统的运营模式、使用模式及扩张动态，并以此为基础，利用多智能体强化学习建立了一个高保真度的电动出行共享仿真器，在此基础上提出了一种新的基于动态优化的级联策略的解法，显著提高了系统对于未来需求的满足度和增加收益。

Nov, 2022

通过基于强化学习的图神经网络框架解决运营商在实时决策中遇到的电动自主出行需求匹配、空闲车辆再平衡和充电范围保证等问题，以提高可扩展性、性能和运行效率。

Nov, 2023

本文关注的是在共享 AV 机动车辆出行服务 (SAMSs) 中，空闲车辆的预测性行驶问题。将该问题建模为马尔可夫决策过程，并提出了一种使用优势 actor-critic (A2C) 方法的强化学习方法，与基于优化的分配策略协作，学习一个预测性均衡策略。实验证明，该方法通过观察过去的需求并能够预测未来的需求，显著降低了乘客的等待时间。

Oct, 2022

采用一种去中心化的多智能体强化学习充电框架来管理电动汽车的充电，以降低网络成本、减少用电峰值与平均值之比，减少变压器过载风险。

Aug, 2023

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

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

本文提出了一个名为 Master 的框架，它采用深度强化学习方法，以智能化的方式推荐公共可用的电动汽车充电站，并联合考虑各种长期时空因素，包括充电基础设施、未来潜在的充电竞争等等。经过广泛的实验评估，Master 相对于九个基准方法具有最佳的综合性能。

Feb, 2021

我们解决了太阳能电池板和电池配备的电动汽车（EV）的充电调度的复杂挑战，特别是在分布外（OOD）条件下。我们引入了一种新的学习增强策略，通过实时适应强化学习策略的表现来使用动态的鲁棒性预算，从而在 EV 充电调度中更有效地平衡一致性和鲁棒性，显著提高适应性和效率。

Nov, 2023

本文旨在解决电动汽车在参与需求响应时如何优化充电 / 放电计划的问题。通过将问题建模为约束马尔可夫决策过程并采用增广拉格朗日方法和软性演员评论算法，提出了一种新的安全非同步策略优化强化学习方法，能够显著提高方案最优性和约束限制的达成。

Sep, 2022

电动汽车的广泛采用对电力分配网络和智能电网基础设施提出了几个挑战，特别是在高峰时段可能会显著增加电力需求。本文介绍了一种利用多智能体强化学习（MARL）框架的分布式和协作充电策略的新方法，该方法采用深度确定性策略梯度（DDPG）算法，适用于一个住宅社区中的一群电动汽车，在此社区中的所有电动汽车都连接到一台共享变压器。通过降低总体变异程度约 36％和平均充电成本约 9.1％，我们的理论和数值结果表明，尽管政策梯度方差较高且训练复杂度更高，CTDE-DDPG 框架显着提高了充电效率。

Apr, 2024