基于生成式模型增强的电动车充电导航多主体强化学习方法
机器学习
2025-02-28 v1
摘要
随着电动车的广泛采用，电动车驾驶员选择具有成本效益的充电站已成为一个重要且富有挑战性的问题，由于动态交通条件、电价波动以及来自其他电动车的潜在竞争。现有的深度强化学习(DRL)算法在解决此任务时仍需在执行阶段获取所有电动车的全局信息，这不仅增加了通信成本，也引发了电动车驾驶员之间的隐私问题。为克服这些缺点，我们引入一种新型的生成式模型增强的多主体DRL算法，该算法仅利用电动车的本地信息即可实现与这些最先进算法相当的性能。具体而言，策略网络在电动车端实现，开发基于Conditional Variational Autoencoder-Long Short Term Memory(CVAE-LSTM)的推荐模型以提供推荐信息。此外，设计了一种新颖的未来充电竞争编码器以有效压缩全局信息，提高训练性能。还利用多梯度下降算法(MGDA)来自适应平衡两个训练目标之间的权重，从而实现更稳定的训练过程。在西安的一个实际区域进行仿真实验。实验结果表明，我们提出的算法依赖本地信息，优于现有的基于本地信息的方法，与基于全局信息的方法相比性能损失不足8%。
引用
@article{arxiv.2502.20068,
title = {A Generative Model Enhanced Multi-Agent Reinforcement Learning Method for Electric Vehicle Charging Navigation},
author = {Tianyang Qi and Shibo Chen and Jun Zhang},
journal= {arXiv preprint arXiv:2502.20068},
year = {2025}
}