RL Semi-Markov per Ride-Hailing di VE con Garanzie di Fattibilità

È stato creato un nuovo framework di apprendimento per rinforzo semi-Markov per operazioni di ride-hailing su larga scala con veicoli elettrici (VE), garantendo che le azioni rimangano fisicamente fattibili. Il problema è affrontato come un processo decisionale semi-Markov (semi-MDP) su griglia esagonale, incorporando azioni miste che includono scelte discrete (servizio, riposizionamento, ricarica) insieme a potenza di ricarica continua e durate variabili. Per mantenere la fattibilità durante l'addestramento e l'implementazione, la politica è informata da intenzioni di alto livello generate da un attore mascherato con annealing della temperatura. Queste intenzioni vengono applicate a ogni punto decisionale tramite un programma lineare misto intero (MILP) rolling con vincoli temporali che impone limiti sullo stato di carica, sulle porte e sui feeder. Per affrontare gli spostamenti distribuzionali, un agente Soft Actor-Critic (SAC) viene ottimizzato rispetto a un insieme di ambiguità Wasserstein-1 con un framework basato su grafi. Questa ricerca affronta le complessità della domanda e dei tempi di viaggio incerti e spazialmente correlati, rispettando i vincoli dei caricabatterie e dei feeder. Lo studio è disponibile su arXiv con ID 2604.25848.