| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 电动出租车运营仿真系统及研究方法 | 第10-11页 |
| 1.3 多代理系统电动汽车运营系统研究 | 第11-14页 |
| 1.3.1 复杂适应系统理论 | 第11-12页 |
| 1.3.2 基于多代理系统的电动汽车运营系统仿真平台研究现状 | 第12-14页 |
| 1.4 本文主要工作 | 第14-15页 |
| 第二章 多代理技术理论及应用平台 | 第15-25页 |
| 2.1 多代理技术简介 | 第15-16页 |
| 2.1.1 智能代理相关概念 | 第15-16页 |
| 2.1.2 多代理仿真系统 | 第16页 |
| 2.2 FIPA智能代理行为交互规范 | 第16-21页 |
| 2.2.1 代理管理规范 | 第17-18页 |
| 2.2.2 代理交互规范 | 第18-20页 |
| 2.2.3 信息传送规范 | 第20-21页 |
| 2.3 JADE多代理应用开发平台简介 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于多代理的电动汽车仿真平台的建立 | 第25-37页 |
| 3.1 电动出租车综合实时仿真系统代理架构 | 第25-26页 |
| 3.2 仿真系统服务代理 | 第26-34页 |
| 3.2.1 实时控制平台TimeServer | 第26-27页 |
| 3.2.2 路况信息MapServer | 第27-33页 |
| 3.2.3 数据服务平台IOServer | 第33-34页 |
| 3.3 电动出租车代理ET AGENT | 第34-36页 |
| 3.3.1 电动出租车代理参数模型 | 第34-35页 |
| 3.3.2 电动出租车代理行为模型 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于Q学习算法的电动出租车行为决策建模 | 第37-52页 |
| 4.1 强化学习算法基本理论 | 第37-43页 |
| 4.1.1 马尔可夫决策过程 | 第37-38页 |
| 4.1.2 强化学习算法概述 | 第38-39页 |
| 4.1.3 强化学习算法主要分类 | 第39-43页 |
| 4.2 电动出租车行为的Q学习算法模型 | 第43-48页 |
| 4.2.1 电动出租车的状态空间 | 第43-44页 |
| 4.2.2 电动出租车的行为决策空间 | 第44-45页 |
| 4.2.3 电动出租车行为的收益/惩罚函数 | 第45-47页 |
| 4.2.4 电动出租车Q学习算法决策模型计算流程 | 第47-48页 |
| 4.3 电动出租车代理学习效果评价 | 第48-51页 |
| 4.3.1 电动出租车代理相关参数设定 | 第48-50页 |
| 4.3.2 电动出租车学习过程演化分析 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 电动出租车运营仿真系统应用研究 | 第52-62页 |
| 5.1 电动出租车运营环境设定 | 第52-53页 |
| 5.2 运营仿真系统在充电负荷管理分析上的应用 | 第53-56页 |
| 5.3 运营仿真系统在充电设备选址分析上的应用 | 第56-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 结论与展望 | 第62-64页 |
| 6.1 本文结论 | 第62-63页 |
| 6.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 附件 | 第70页 |