Charging Decision Optimization Strategy for Shared Autonomous Electric Vehicles Considering Multi-Objective Conflicts: An Integrated Solution Process Combining Multi-Agent Simulation Model and Genetic Algorithm
Notice bibliographique
Résumé
There is a lack of systematic research on the behavioral design of charging decision-making for Shared Autonomous Electric Vehicles (ASEVs), and the thresholds of “when to charge and where to charge” have not been clarified. Therefore, this paper investigates the optimization of charging decisions of SAEVs and the impact of different decision-making objectives to provide theoretical support and practical guidance for intelligent operation. A multi-agent simulation model (which accurately simulates complex interaction systems) is constructed to simulate the operation and charging behavior of SAEVs. Four charging decision optimization objective functions are defined, and a weighted multi-objective optimization method is adopted. A comprehensive solution process combining the multi-agent simulation model and genetic algorithm (efficiently solving complex objective optimization problems) is applied to approximate the global optimal solution among 35 scenarios through 100 iterative runs. In this paper, factors such as passenger demand (e.g., average remaining battery power, demand response time) and operator demand (e.g., empty vehicle mileage, charging cost) are considered, and the impacts of different objectives and decision variables are analyzed. The optimization results show that (1) when a single optimization objective is selected, minimizing the total charging cost effectively balances the overall fleet operation; (2) there are trade-offs between different objectives, such as the conflict between the remaining battery power and charging cost, and the balance between the demand response time and the empty vehicle mileage; and (3) in order to satisfy the operational requirements, the weight distribution, charging probability, stopping probability, and recommended battery power should be adjusted. In conclusion, this study provides optimal charging decision strategies for the intelligent operation of SAEVs in different scenarios, which can optimize target weights and charging parameters, and achieve dynamic, balanced fleet management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».