叫车服务和联网自动驾驶汽车等新型按需交通方式正在激增，但对电动汽车 (EV) 来说却是一个具有挑战性的用例。 本文探讨了使用深度强化学习 (DRL) 来优化网约车 EV 代理的驾驶和充电政策的可行性，以降低成本和排放，同时增加提供的交通服务。 我们介绍了一个数据驱动的乘车 EV 代理模拟，该代理提供交通服务并在拥挤的充电基础设施中充电。 然后，我们为智能体的顺序驾驶和充电决策问题制定了一个测试用例，并应用 DRL 来优化智能体的决策策略。 我们根据手写策略评估性能，并表明我们的代理在没有任何先验知识的情况下学会了竞争行为。

运输和 CAV 提出了许多规划和运营挑战。 林等人。  [7] 探索多智能体 DRL 算法以优化网约车车队的运营，但没有考虑与 EV 充电相关的许多独特挑战。 罗西等人。  [10]根据中尺度平均出行需求率研究了联合电网和电动汽车运输系统的集中运行。 这种方法不解决响应随机事件的在线操作。 陈等人。
   [4] 遵循启发式程序来识别充电站的位置和数量，然后按照阈值策略评估叫车 EV 代理的性能。 我们的方法侧重于解决当今可能采用 EV 的独立网约车司机面临的直接问题，并打算将我们的工作扩展到未来的多智能体 CAV EV 车队。 我们认为，基于 DRL 的 3 种优化 EV 车队在交通服务中的运营的方法仍然是一个重要的研究机会。 随着对代理观察设计、策略神经网络架构和超参数选择的进一步研究，性能可以大大提高，超出我们在此展示的范围。

https://download.csdn.net/download/cooc89/82787872