一种面向带车辆到电网供电的电动汽车路径问题的强化学习方法
人工智能
2022-04-13 v1
摘要
从可持续性与运营成本角度看，在最后一公里中使用电动汽车（EV）颇具吸引力。除 EV 固有的成本效率外，在电网高峰需求期间将能量卖回电网，是车队运营者的潜在额外收入来源。为此，EV 必须在特定时间（高峰时段）处于特定位置（放电点），即便同时需满足向客户交付货物的核心目的。本工作中，我们考虑带载重量、时间窗、车辆到电网能量供应约束的 EV 路径问题（CEVRPTW-D）；其不仅满足多系统目标，还能高效扩展至涉及数百客户与放电站的大规模问题。我们提出 QuikRouteFinder，使用强化学习（RL）进行 EV 路径规划以克服这些挑战。使用 Solomon 数据集，将 RL 结果与基于混合整数线性规划（MILP）和遗传算法（GA）元启发式的精确公式进行比较。平均而言，结果显示 RL 比 MILP 和 GA 快 24 倍，同时质量接近最优（在 20% 以内）。
引用
@article{arxiv.2204.05545,
title = {A Reinforcement Learning Approach for Electric Vehicle Routing Problem with Vehicle-to-Grid Supply},
author = {Ajay Narayanan and Prasant Misra and Ankush Ojha and Vivek Bandhu and Supratim Ghosh and Arunchandar Vasan},
journal= {arXiv preprint arXiv:2204.05545},
year = {2022}
}
备注
6 pages; 1 figure; Proc. of the Adaptive and Learning Agents Workshop (ALA 2022), Cruz, Hayes, da Silva, Santos (eds.), May 9-10, 2022, Online, https:// ala2022.github.io/.2022