Nov, 2023

基于图强化学习的电动自主移动出行需求系统的实时控制

PDF
TL;DR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。
electric autonomous mobility-on-demande-amodreinforcement learninggraph network-based frameworkreal-time implementation
发现论文，激发创造
  • 自主按需出行系统的稳健电动车平衡：一种多智能体强化学习方法

    设计一种基于多智能体强化学习 (MARL) 的框架用于解决电动自主车辆 (EAVs) 在经济与社会方面带来的挑战，通过建模供给和需求的不确定性来平衡整个城市的供求比率和充电利用率。

    Jul, 2023

  • 自主用车系统中的多智能体深度强化学习中的全球激励

    自主按需移动（AMoD）系统中的车辆调度是本研究的重点，使用多代理深度强化学习（MADRL）算法，通过分配全局奖励，解决训练代理和操作者之间的目标冲突，从而实现了显著的性能改进和全局收益的优化。

    Dec, 2023

  • 利用强化学习实现多个电动汽车充电点的计算效率协同

    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

  • 使用深度强化学习的实时网约车调度

    通过深度强化学习和决策时间规划，为运营商提供实时的出行调度决策，提高车辆调度效率和服务质量。

    Mar, 2021

  • 拓展共享电动交通系统的车队再平衡：一种多智能体深度强化学习方法

    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

  • 基于图学习的城市空中移动车队调度：面向运营约束、需求变动和不确定性

    本文提出了一种基于图强化学习的方法，用于在线规划多个垂降站之间的电动飞机航班和目的地。训练数据表明，这种方法在性能和效率方面表现优秀。

    Jan, 2024

  • 基于增广 Lagrangian 的深度强化学习电动汽车充电调度方法

    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

  • 基于数据驱动的实时高效强化学习算法的 H∞控制：应用于自动化移动出行系统

    基于 Q 学习的算法解决线性离散时间系统的 H∞控制，并实现了模型无关的参数在线学习，从而将计算复杂性降低到 qu 的平方，其中 q 是状态变量、控制输入和干扰大小之和。

    Sep, 2023

  • 基于分布式网络的电动车充电控制的联邦强化学习

    电动车充电控制中的多智能体深度强化学习方法结合了多电动车充电与放电过程以及射线分布网络的优化功率流，通过联邦式深度强化学习算法来有效地学习最佳的充电控制策略，从而平衡车辆与电网之间的利益和减少驾驶员的焦虑情绪。

    Aug, 2023

  • 城市尺度在线打车服务中基于深度强化学习的代理指导方向

    本论文研究了如何通过新的 reward scheme 和 deep reinforcement learning 方法 AM-DQN 来控制城市中的空车，以实现在线打车服务的供需平衡，并使用芝加哥的数据集进行了实验，结果表明 AM-DQN 相对于其他方法具有更好的性能。

    Dec, 2022