في عصر تتزايد فيه أهمية الاستدامة والتقنيات الذكية، يمثل التحكم في أساطيل سيارات الأجرة الكهربائية (EV) إحدى النقاط المحورية التي تحتاج إلى ذكاء متقدم وابتكار. تركز الدراسة الجديدة التي تم نشرها على arXiv، على إدارة فعالة لأساطيل سيارات الأجرة الكهربائية من خلال استخدام إطار عمل تعلم التعزيز المناسب لمواجهة القيود التي تطرحها الشبكات الكهربائية وطلب المستخدمين.

تم تطوير الإطار كنموذج قرار شبه ماركوف (semi-Markov decision process) ضمن شبكة سداسية، حيث يجمع بين القرارات المتقطعة مثل خدمة العملاء وإعادة تموضع السيارات وقرارات الشحن، بالإضافة إلى القوة المستمرة المطلوبة للشحن.

تأتي أهمية هذا الإطار، الذي يعتمد على تقنية Actor-Critic الناعمة (Soft Actor-Critic)، من قدرته على تعلم الحلول بشكل ديناميكي من خلال نوايا عالية المستوى تم توليدها عبر خوارزمية معقدة. حيث يتم التعامل مع القيود في كل خطوة قرار من خلال برنامج خطي مختلط محدد زمنياً، مما يضمن الالتزام بجميع القيود المتعلقة بشحن البطاريات.

علاوة على ذلك، تم استخدام مجموعة من التقنيات المعقدة لمواجهة التغيرات في التوزيع، مما يجعل هذا النموذج قادرًا على تحقيق أداء قوي في ظروف مختلطة. تشير النتائج التجريبية على محاكي أسطول سيارات الأجرة الكهربائية المستندة إلى بيانات تاكسي نيويورك إلى أن هذا النموذج الجديد قد حقق أعلى ربح صافٍ بلغ 1.22 مليون دولار أمريكي، متفوقاً بذلك على نماذج أخرى تقليدية، مع الحفاظ على انعدام انتهاكات قيود الشحن.

هذه النتائج تشير إلى إمكانيات هائلة لإعادة تصميم أنظمة توزيع خدمات النقل في المدن بواسطة تقنيات الذكاء الاصطناعي الحديثة، مما يجعلها أكثر كفاءة وملاءمة.