本文解决了通过新颖的数据驱动方法优化电动汽车充电站选址的关键挑战。研究通过因果发现技术分析了大量充电数据，揭示了充电需求与便利设施接近度、EV注册密度及交通繁忙路线的关系，为充电站布局提供了实用建议，旨在提升充电站的利用率和用户便利性。

本研究探讨了面包师与磨坊主在选址博弈中的战略选择，提出的复杂算法显示在选址限制下仍可实现均衡，并能接近最优社会福利，对商业和产品设计具有重要意义。

本文提出了一种基于图神经网络的混合方法，旨在解决旅行商问题（TSP）及城市交通系统中的新站点规划和需求预测。研究表明，该方法在大规模TSP实例中显著提高了求解效率和准确性。比较不同图神经网络架构的交通预测表现，发现门控图神经网络（GGNNs）在预测精度上最佳。最后，文章总结了图神经网络在智能交通系统中的应用及未来研究方向。

本文研究了检索增强生成（RAG）技术在领域适应中的应用，提出了新模型RAG-end2end，显著提升了问答任务的准确性。通过在COVID-19、新闻和对话领域的测试，RAG-end2end表现优于传统RAG模型。文章总结了RAG的发展范式及评估方法，并探讨了未来研究方向，以增强大型语言模型的适应性和应用潜力。

本文探讨了大型语言模型（LLMs）在6G无线通信、光网络、教育和自动驾驶等领域的应用，强调通过强化学习和智能代理优化网络部署和资源调度，以提升系统灵活性和用户体验。同时分析了LLMs在社会科学和工程中的潜力与挑战，并展望未来自主代理的发展方向。

这篇文章研究了竞争性设施位置问题，考虑了两种类型的客户和两阶段多智能体系统。通过图中加权客户的主机图，设施代理机构选择设施的顶点，客户选择要光顾的已开设设施之一。结果表明，如果所有客户的权重相同，纯子博弈均衡总是存在。对于非相同的客户，近似稳定状态的存在计算上难以处理，但给出了一个2的上界。

我们研究了设施位置问题的变体，考虑了代理人的成本和距离因素，并探讨了最优解计算和近似机制设计。

该研究探讨了非合作的两侧设施定位博弈，提供了一个简单有效的算法来计算3-近似的子博弈完美均衡。