論文の概要: A Fast Heuristic Search Approach for Energy-Optimal Profile Routing for Electric Vehicles

• arxiv url: http://arxiv.org/abs/2512.01331v1
• Date: Mon, 01 Dec 2025 06:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.719552
• Title: A Fast Heuristic Search Approach for Energy-Optimal Profile Routing for Electric Vehicles
• Title（参考訳）: 電気自動車のエネルギー最適プロファイルルーティングのための高速ヒューリスティック探索手法
• Authors: Saman Ahmadi, Mahdi Jalili,
• Abstract要約: 大規模道路網における電気自動車(EV)のエネルギー最適経路問題について検討し, 下り坂沿いの再生エネルギーは負のエネルギーコストをもたらすことを示した。 EVの従来のポイントツーポイントパスフィニングアルゴリズムは、既知の初期エネルギーレベルを仮定するが、利用可能なエネルギーの不確実性を含む現実のシナリオの多くは、すべての可能な初期エネルギーレベルに対して最適な経路を計画する必要がある。 複雑なプロファイルの生成と処理を回避するために、新しいプロファイル支配ルールを用いて、多目的A*探索に基づく単純かつ効果的なラベル設定手法を提案する。
• 参考スコア（独自算出の注目度）: 12.388453051148678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the energy-optimal shortest path problem for electric vehicles (EVs) in large-scale road networks, where recuperated energy along downhill segments introduces negative energy costs. While traditional point-to-point pathfinding algorithms for EVs assume a known initial energy level, many real-world scenarios involving uncertainty in available energy require planning optimal paths for all possible initial energy levels, a task known as energy-optimal profile search. Existing solutions typically rely on specialized profile-merging procedures within a label-correcting framework that results in searching over complex profiles. In this paper, we propose a simple yet effective label-setting approach based on multi-objective A* search, which employs a novel profile dominance rule to avoid generating and handling complex profiles. We develop four variants of our method and evaluate them on real-world road networks enriched with realistic energy consumption data. Experimental results demonstrate that our energy profile A* search achieves performance comparable to energy-optimal A* with a known initial energy level.
• Abstract（参考訳）: 大規模道路網における電気自動車(EV)のエネルギー最適経路問題について検討し, 下り坂沿いの再生エネルギーは負のエネルギーコストをもたらすことを示した。 EVの従来のポイントツーポイントパスフィニングアルゴリズムは、既知の初期エネルギーレベルを仮定するが、利用可能なエネルギーの不確実性を含む現実のシナリオの多くは、エネルギー最適化プロファイルサーチ(Energy-Optimal Profile Search)として知られる全ての可能な初期エネルギーレベルに対して最適な経路を計画する必要がある。 既存のソリューションは通常、複雑なプロファイルを検索する結果となるラベル訂正フレームワーク内の特別なプロファイルマージ手順に依存している。 本稿では,多目的A*探索に基づく簡易かつ効果的なラベル設定手法を提案する。 提案手法の4つの変種を開発し,現実的なエネルギー消費データに富んだ実世界の道路網上で評価する。 実験の結果,我々のエネルギープロファイル A* 探索は,既知の初期エネルギーレベルを持つエネルギー最適化 A* に匹敵する性能を達成できた。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Real-Time Energy-Optimal Path Planning for Electric Vehicles [13.38255011577359]
  エネルギー計算にキーカーの動力学パラメータを組み込んだ正確なエネルギーモデルを構築した。 また、2つの新しいオンラインリウェイト機能を導入し、より高速で、前処理のないパスフィニングを可能にします。
  論文  参考訳（メタデータ） (2024-11-20T01:39:08Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• EnergAIze: Multi Agent Deep Deterministic Policy Gradient for Vehicle to Grid Energy Management [0.0]
  本稿では,MARL(Multi-Agent Reinforcement Learning)エネルギー管理フレームワークであるEnergAIzeを紹介する。 ユーザ中心の多目的エネルギー管理を可能にし、各プローサが様々な個人管理目標から選択できるようにする。 EnergAIzeの有効性は、CityLearnシミュレーションフレームワークを用いたケーススタディにより評価された。
  論文  参考訳（メタデータ） (2024-04-02T23:16:17Z)
• A Human-on-the-Loop Optimization Autoformalism Approach for Sustainability [27.70596933019959]
  本稿では,大規模言語モデル(LLM)を用いたパーソナライズされたエネルギー問題に対する自然な対話的アプローチについて概説する。 我々は,LLMを最適化解決器で強化し,ユーザの仕様や好みを理解し,応答する能力を高める戦略を提唱した。 提案手法は,自然言語タスク仕様を自動で最適化インスタンスに翻訳することで,人間誘導最適化オートフォーマリズムという新しい概念を開拓する。
  論文  参考訳（メタデータ） (2023-08-20T22:42:04Z)
• Empirical Analysis of AI-based Energy Management in Electric Vehicles: A Case Study on Reinforcement Learning [9.65075615023066]
  強化学習ベース(RLベース)エネルギー管理戦略(EMS)は、複数の電力源を持つ電気自動車のエネルギー管理において有望な解決策であると考えられる。 本稿では, プラグインハイブリッド電気自動車 (PHEV) と燃料電池電気自動車 (FCEV) におけるRL系EMSの実証分析について述べる。
  論文  参考訳（メタデータ） (2022-12-18T20:12:20Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。