一种用于电动车辆共享系统再平衡的强化学习方法
机器学习
2021-04-07 v2 人工智能
神经与进化计算
摘要
本文提出一种用于自由浮动式电动车辆共享系统（FFEVSS）夜间离线再平衡操作的强化学习方法。由于网络中需求稀疏，FFEVSS需要将电动车辆（EVs）重新调配至充电站和需求节点，通常由一组驾驶员完成。一辆接驳车用于在网络中接送驾驶员。本研究的目的是求解接驳车路径问题，以最短时间完成再平衡工作。我们考虑该问题的强化学习框架，其中中央控制器决定多辆接驳车车队的路径策略。我们部署策略梯度方法训练循环神经网络，并将所得策略结果与启发式解进行比较。数值研究表明，与文献中现有解不同，所提方法可求解该问题的一般版本，对城市EV网络结构和EV充电需求无任何限制。此外，学习到的策略具有广泛的灵活性，可显著减少再平衡网络所需时间。
引用
@article{arxiv.2010.02369,
title = {A Reinforcement Learning Approach for Rebalancing Electric Vehicle Sharing Systems},
author = {Aigerim Bogyrbayeva and Sungwook Jang and Ankit Shah and Young Jae Jang and Changhyun Kwon},
journal= {arXiv preprint arXiv:2010.02369},
year = {2021}
}