近年来,由于石油价格的不断攀升以及汽车排放污染物带来的严重环保问题,使得节能减排成为全球的新课题,为电动汽车发展迎来了最佳时机。未来城市交通将以电动汽车为主,无论是混合动力汽车还是纯电动汽车都需要公用充电设施外插电源充电。然而,随着电动汽车规模化发展,大量电动汽车在充电时的无序充电将会对电网、充电设施和用户产生不可忽视的影响,电动汽车如何快速高效充电有着重要的研究意义和实用价值。本文在电动汽车,基于实时运行的场景中,研究如何同时避免驾驶员在充电路程中耗时过长与充电站“部分爆满部分闲置”的情况出现。本文将设计基于Dijkstra、SARSA、Q-learning、DQN算法的充电汽车实时充电决策方法,并针对城市环境的复杂多样性,提出的电动汽车实时充电场景,将城市整体划分为B*V个网格,其中每个网格代表城市的一个城市区域。在场景中加入全局控制器(Global Controller,GC)和RSU,使车辆运行并更快速准确地进行实时充电选择。本文的主要工作在于:(1)实现车辆实时充电选择,同时从微观角度与宏观角度两方面优化车辆和充电站,并且利用V2V(Vehicle to Vehicle)通信方式使车辆高效准确获取并传输信息。(2)与现有的调度工作不同,本文在调度过程中考虑了城市环境的高维度组成部分,其中包括不同的空间、时间,得到的最优解为最优时空路径。(3)逐步提出基于Dijkstra最短路径算法、Q-learning算法、SARSA算法、以及DQN算法的具体决策方法来解决文本提出的问题以及相关因素比较,并实现基于场景的算法运算,得到Dijksta算法下的车辆行驶路径,得到Q-learning算法、SARSA算法下的训练结果表(Q-table值)、DQN算法的loss值,并根据结果表计算车辆下一节点选择并最终确定车辆行驶路径,得出最优路径。结合ONE仿真平台上仿真,得到同一环境下四种算法的结果,设计三种评价指标进行比较,并最终得出在车辆实时充电场景下,增强学习将大大优化于最短路径算法。而在复杂情况极高的实际环境中,DQN也将成为最具优势算法。