RideSkill：采用 LLM 驱动的自动进化的广义乘车共享的分层算法

乘车共享允许具有不同出发地-目的地 (OD) 对的多名乘客共享同一辆车，这是一个具有挑战性的操作问题，因为它需要在不确定和变化的场景下有效地捆绑不同 OD 对的订单并分配给车辆。尽管多智能体强化学习（MARL）解决方案取得了可喜的性能，但它们存在泛化能力有限（适应不同环境场景）、可迁移性低（适应不同平台目标）以及大规模系统中的训练困难（例如维数灾难）的问题。最近，受大语言模型（LLM）扩展的推动，一些工作已将LLM纳入乘车系统中，或者直接使用LLM作为决策代理，或者使用它们进行自动算法设计。然而，这些方法都不支持车辆共享，这会导致状态和动作空间呈指数级扩展，从而使问题变得更加复杂。此外，它们中的大多数需要在推理时频繁调用 LLM，这使得它们不适合实时部署。为了解决这些问题，我们提出了 RideSkill，这是一种利用 LLM 辅助自动算法设计的分层乘车方法。 RideSkill 由一个组合器和一个重新定位器组成，组合器从学习的技能存储库中为每辆车辆分配适当的技能，从而在不同的场景和目标下实现自适应调度，而重新定位器则将闲置车辆依次重新定位到新兴区域，避免车辆之间的冲突。至关重要的是，技能库、组合器和重新定位器均采用基于 LLM 的自动进化方法进行训练，无需在部署过程中调用 LLM，从而保证了高实时性。