This paper investigates the electric bus charging facility planning (EB-CFP) problem for a bus transit company operating a heterogeneous electric bus (EB) fleet to provide public transportation services, taking into account uncertainties in both EB travel time and battery degradation. The goal of the EB-CFP problem is to determine the number and type of EB chargers that should be deployed at bus terminals and depots to meet daily EB charging demand while minimizing total cost. The problem is formulated as a two-stage stochastic programming model, with the first stage determining the EB charger deployment scheme and the second stage estimating the EB daily operational cost with respect to a predetermined EB trip timetable for a given EB charger deployment scheme. To effectively address the second stage problem, a multi-agent EB transit simulation system that mimics the daily EB operation process is developed. We then design two heuristic methods, the reinforcement learning (RL)-based method and the surrogate-based optimization (SBO), that use the developed multi-agent EB transit simulation system to solve the two-stage stochastic programming model for large-scale instances. Lastly, we run a series of experiments on a fictitious EB transit network and a real-world EB transit network in Singapore to evaluate the performance of the models and algorithms. In order to improve the performance of the EB transit system, some managerial insights are also provided to urban bus transit companies.

本文研究了运营异构电动巴士 (EB) 车队以提供公共交通服务的巴士运输公司的电动巴士充电设施规划 (EB-CFP) 问题，同时考虑了 EB 行驶时间和电池退化的不确定性。EB-CFP 问题的目标是确定应在公交车站和车站部署的 EB 充电器的数量和类型，以满足日常 EB 充电需求，同时最大限度地降低总成本。该问题被表述为两阶段随机规划模型，第一阶段确定 EB 充电器部署方案，第二阶段根据给定 EB 充电器部署方案的预定 EB 行程时间表估算 EB 日常运营成本。为了有效解决第二阶段的问题，开发了一个模拟日常 EB 操作过程的多代理 EB 运输模拟系统。然后，我们设计了两种启发式方法，即基于强化学习（RL）的方法和基于代理的优化（SBO），它们使用开发的多代理 EB 运输模拟系统来解决大规模的两阶段随机规划模型实例。最后，我们在虚构的 EB 中转网络和新加坡的真实 EB 中转网络上进行了一系列实验，以评估模型和算法的性能。为了提高 EB 公交系统的性能，一些管理见解也提供给城市公交公司。基于强化学习 (RL) 的方法和基于代理的优化 (SBO)，使用开发的多代理 EB 运输模拟系统来解决大规模实例的两阶段随机规划模型。最后，我们在虚构的 EB 中转网络和新加坡的真实 EB 中转网络上进行了一系列实验，以评估模型和算法的性能。为了提高 EB 公交系统的性能，一些管理见解也提供给城市公交公司。基于强化学习 (RL) 的方法和基于代理的优化 (SBO)，使用开发的多代理 EB 运输模拟系统来解决大规模实例的两阶段随机规划模型。最后，我们在虚构的 EB 中转网络和新加坡的真实 EB 中转网络上进行了一系列实验，以评估模型和算法的性能。为了提高 EB 公交系统的性能，一些管理见解也提供给城市公交公司。我们在新加坡的一个虚构 EB 转运网络和一个真实世界的 EB 转运网络上运行了一系列实验，以评估模型和算法的性能。为了提高 EB 公交系统的性能，一些管理见解也提供给城市公交公司。我们在新加坡的一个虚构 EB 转运网络和一个真实世界的 EB 转运网络上运行了一系列实验，以评估模型和算法的性能。为了提高 EB 公交系统的性能，一些管理见解也提供给城市公交公司。