在物联网时代，如何协调电动车（EV）充电调度以同时满足用户充电满意度、站点盈利和电网稳定，是一个高维多目标难题。传统的多智能体强化学习（MARL）往往受限于海量感知数据产生的状态空间膨胀以及利益相关方之间的冲突。本文首次提出一种 LLM 增强的 MARL 框架，实现电网、EV 与充电站的统一闭环优化。
框架核心在于利用大语言模型（LLM）完成两大瓶颈的突破：一是可解释的特征选择，LLM 对实时 IoT 环境状态进行语义分析，提取物理意义显著的特征；二是自适应的多目标权重分配，LLM 通过语义推理动态为利润、用户满意度和电网负荷等冲突目标分配权重，避免繁琐的人工调参。
实验在大规模城市充电网络仿真平台上进行，对比了多种最新基线方法。结果显示，本文框架在市场效率上显著领先，同时将训练时间缩短超过 70%。该方案具备可扩展性和透明性，为可持续的 IoT 城市充电基础设施管理提供了新思路。
点评