研究人员开发了一种新颖的方法，通过在本地控制下使用学习代理来协调电动配送车队的充电。这些代理在每辆车上运行相同的策略，根据广播的充电站占用情况和自身的时限预算，独立决定何时何地充电。这种方法在没有中央调度或直接通信的情况下实现了涌现式协调，与朴素的贪婪策略相比，显著提高了班次完成率。训练好的代理在训练期间未见过的情况下部署时，也表现出鲁棒性和效率，并有效减少了充电排队时间。 AI
影响 这项研究展示了一条通过去中心化AI控制来优化自主系统中的物流和资源分配的潜在途径。
排序理由 该集群包含一篇详细介绍针对特定问题域的新颖AI方法的 ist 研究论文。
在 arXiv cs.MA (Multiagent) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2609.07689v1 Announce Type: new Abstract: In electric delivery fleets, mid-shift charging is non-trivial: each vehicle must decide when, where and how much to charge to finish on time with battery above a safety floor. The choices are coupled: queues build where too many ve…
In electric delivery fleets, mid-shift charging is non-trivial: each vehicle must decide when, where and how much to charge to finish on time with battery above a safety floor. The choices are coupled: queues build where too many vehicles pick the same station. Prior work resolve…