基于网络约束的适应性多智能体车辆路径规划优化

《ACM Transactions on Spatial Algorithms and Systems》：Network-Constrained Policy Optimization for Adaptive Multi-agent Vehicle Routing

　　

摘要AI总结

要查看此AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

城市道路网络中的交通拥堵会导致行驶时间延长和排放增加，尤其是在高峰时段。虽然最短路径优先（SPF）算法在静态网络中针对单辆车来说是最优的，但在动态的多车辆环境中表现不佳，常常因为让所有车辆沿相同路径行驶而加剧拥堵。我们通过多智能体强化学习（MARL）框架来解决动态车辆路由问题，以实现协调且具备网络意识的车辆导航。首先，我们提出了自适应导航（AN），这是一种去中心化的MARL模型，其中每个交叉口智能体根据（i）本地交通状况以及（ii）利用图注意力网络（GAT）建模的周边环境状态来提供路线指导。为提升在大型网络中的适用性，我们进一步提出了分层枢纽式自适应导航（HHAN），它是AN的扩展版本，仅将智能体分配到关键交叉口（即枢纽）。车辆在智能体控制下从枢纽到枢纽行驶，而SPF则负责处理每个枢纽区域内的微观路由。在枢纽协调方面，HHAN采用了在注意力Q混合（A-QMIX）框架下的集中训练与分散执行（CTDE）方式，通过注意力机制整合不同车辆的决策。枢纽智能体使用能够感知流量状况的状态特征，结合本地拥堵情况和预测性动态信息来制定主动路由策略。在合成网格和真实城市地图（多伦多、曼哈顿）上的实验表明，与SPF及传统学习方法相比，AN能减少平均行驶时间，同时保持100%的路由成功率。HHAN可应用于具有数百个交叉口的网络，在交通拥堵严重的情况下可实现最多15.9%的效率提升。这些研究结果凸显了受网络约束的MARL在智能交通系统中实现可扩展、协调且具备拥堵感知能力的路由方面的强大作用。

AI总结

AI生成的总结（实验性内容）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及便于相关领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结。完整文章才是具有权威性的版本。点击此处了解更多。

点击这里，可以对该总结的准确性、清晰度及实用性发表意见。您的反馈将有助于后续优化及新版本的生成。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。