买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种公交与无人机协同的城市物流配送方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120579915B 。

龙图腾网通过国家知识产权局官网在2025-09-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511083206.X，技术领域涉及：G06Q10/083；该发明授权一种公交与无人机协同的城市物流配送方法是由王江波;刘贤伟;吴纪䶮;刘锴;吴建军设计研发完成，并于2025-08-04向国家知识产权局提交的专利申请。

本一种公交与无人机协同的城市物流配送方法在说明书摘要公布了：本发明属于城市智慧物流技术领域，涉及一种公交与无人机协同的城市物流配送方法。本发明是一种适用于交通非高峰期场景的公交‑无人机协同配送新模式，并设计构建双层决策框架，上层决策采用融合多头注意力机制的DuelingDQN算法，将包裹与其所应搭乘公交车进行合理匹配，按照上层决策结果利用公交车运输包裹至特定无人机站后，下层决策使用启发式算法进行各无人机路径规划。本发明通过公交非高峰期闲置运力与无人机末端配送协同，形成“干线运输+灵活末端”的高效网络，既盘活公交资源又提升配送效率，减少传统方案中额外车辆带来的交通与污染问题。

本发明授权一种公交与无人机协同的城市物流配送方法在权利要求书中公布了：1.一种公交与无人机协同的城市物流配送方法，其特征在于，具体步骤如下： 步骤1、城市物流配送系统搭建与基础数据采集，具体过程为： 在城市边缘公交起终点站建设仓库，整合仓储与公交发车功能，用于包裹集散与装车； 在公交线路沿途，将位于历史包裹配送需求多的区域的公交站点升级为无人机站；每个无人机站配置多架无人机和电池更换设施，支持无人机返回后快速换电； 在公交车顶部安装载货平台，各公交车在起终点站停车时，会在发车之前向车顶装载包裹；公交车按照固定的发车时刻表发车，按照固定线路行驶；当公交车行驶到普通公交站点即非无人机站时，只进行乘客的上下车；当公交车行驶到无人机站时，不仅进行乘客的上下车，无人机还将公交车上到达其目的地的包裹取下进行配送；公交车行驶至终点站停靠时，重新向该公交车上装载包裹，按照发车时刻表再次进行接下来的行程； 获取各班次公交车、无人机和接下来一段时间需要进行配送的包裹的信息数据；根据包裹送达目的地和无人机站的最小距离，选择某个无人机站作为各包裹的到达站点；为每一个包裹进行编号，按照编号顺序从小到大依次为包裹选择其应搭乘的公交车班次；根据包裹所要到达的无人机站以及到达无人机站的时间，将包裹分为多个小组； 步骤2、将公交与无人机协同配送问题建模为马尔可夫决策过程，构建上层包裹‑公交班次匹配决策模块，基于融合多头注意力机制的Dueling DQN算法，实现包裹与具体公交班次的匹配，也就是为每个包裹依次选定其应搭乘的公交车，具体过程为： 步骤2.1、状态与动作定义状态信息为分配当前包裹时，各班次公交车的信息和正在分配的包裹的信息，状态信息表示为，其中，为公交车特征信息，表示分配包裹时全部班次公交车的已有载重情况，为包裹特征信息，表示正在分配的这一个包裹的编号、重量、配送时间窗和奖罚这5维的信息； 动作对应着将包裹分配到不同班次公交车的选择，具体为把当前包裹分配到个班次公交车中的某一班次，表示将包裹分配给公交车班次进行搭乘； 步骤2.2、多头注意力机制处理状态信息首先将输入的状态信息解耦为前维的公交车特征信息和后5维的包裹特征信息；使用2个投影层分别将公交车和包裹的特征投影到128维的嵌入空间；接下来将投影后的公交车和包裹特征在序列维度上进行拼接，形成一个形状为[2,batch,128]的序列；batch为批次大小，即每次从记忆池中采样的经验样本数量；将这个序列输入到多头注意力层中，并行地从不同的子空间去捕捉状态信息之间的关联； 经过多头注意力层的处理后，输出的注意力结果形状为[2,batch,128]，然后对公交车特征信息和包裹特征信息的注意力结果进行拼接，将其转换为[batch,256]的形状；拼接后的特征输入到后续的共享层中，通过多层全连接网络进一步提取融合特征； 步骤2.3、奖励函数设计通过构建临时记忆库与记忆池的联动机制实现即时与延迟奖励的结合； 当上层决策为包裹分配公交车时，通过查看是否将包裹分配给超载或者不会到达相应无人机站的公交车来即时计算出即时奖励，并把包含当前状态、动作、即时奖励和下一个状态的四元组存入临时记忆库； 当下层决策通过遗传算法完成无人机路径规划后，将各小组每个包裹是否按时送达所得到的奖惩、无人机飞行距离成本和无人机出动架次成本加和作为该小组的运营收益，计算出全部小组的运营收益和各包裹个体的收益奖励，将二者进行均分与加权求和作为延迟奖励；从临时记忆库中提取对应包裹的四元组，将即时奖励与延迟奖励二者加和作为最终的奖励，并把更新后的四元组存入记忆池，用于后续的模型训练；奖励的计算公式如下： ； ； 其中，是延迟奖励中用于加权调整各包裹个体收益奖励的权重参数；为所有包裹的数量； 步骤2.4，优先经验回放引入优先经验回放机制，通过非均匀采样与偏差修正双重机制，实现对高价值经验的重点学习； 当新经验存入记忆池时，其采样优先级初始化为1.0，确保初始阶段的均匀探索；随着训练推进，在每次经验回放时计算时间差分误差： ； 其中，是当前Q网络的参数，是目标Q网络的参数，表示下一个状态下可能采取的动作；为当前网络输出，为目标网络输出；将误差加上小常数10‑5来避免零优先级，更新对应经验的优先级： ； 其中，为表示第条经验被采样的概率，表示第条经验的时间差分误差； 通过指数变换放大优先级差异，形成非均匀采样概率分布： ； 其中，为表示第条经验被采样的概率，是经验样本的索引，遍历记忆池中所有经验样本，用于在计算采样概率时对所有经验的优先级进行求和，为表示第条经验的优先级的次方，为超参数，用于放大优先级差异；同时为抵消优先采样引入的分布偏差，引入重要性采样权重： ； 其中，为记忆池容量，是用于修正因非均匀采样导致的偏差的权重参数； 最后根据重要性采样权重对每个样本的时间差分误差平方，计算批次平均损失，再通过反向传播算法计算梯度，由优化器更新神经网络参数： ； 其中，为批次大小，即每次从经验回放缓冲区中采样的经验样本数量； 步骤3，构建下层决策模块，基于遗传算法求解包裹小组的无人机配送调度问题，实现各小组无人机出动架次规划、包裹装载组合优化及配送路径设计，具体过程如下： 首先初始化候选路径，将目标站点按随机顺序排列作为初始的解序列，以整数序列呈现，序列长度为X+2，包含两个0和X个包裹目的地点；0代表出发和要返回的无人机站，1到X的整数对应各配送包裹目标点，X为该无人机站点需要配送的包裹数量；最后一位数也为0，表示无人机必须从无人机站出发并返回无人机站； 通过遍历解序列所表示的完整路径中的中间包裹目的地节点，针对每个节点，获取对应包裹重量，构建包含之前的路径、该节点和返回站点的临时路径并计算其距离，然后检查添加此包裹后无人机是否超载、临时路径距离是否超最大飞行距离，若任一条件满足，就把当前路径加上返回站点作为一条完整路径存入结果列表，再开启新路径；若都不满足，就将该节点加入当前路径并更新载重；遍历结束后，为最后一条路径加上返回站点存入结果列表，最终返回分割好的若干条无人机路径信息； 基于路径分割后的总飞行距离和使用的无人机数量来计算每个个体的适应度，评估个体优劣，选取较优个体进入下一代；通过交叉操作从较优个体中选父代，随机选交叉点交换部分基因生成子代；以概率μ对个体进行变异操作，修改新生个体的某些基因，增加种群的多样性；最终迭代结束后，选出适应度最优个体进行路径分割解码，得到满足无人机载重和飞行距离限制的各包裹小组最终路径规划方案； 步骤4，模型训练初始化融合多头注意力机制的Dueling DQN网络，设定输入状态维度、输出动作维度，采用Adam优化器与Step LR调度器，初始化记忆池容量；按包裹编号顺序通过ε‑贪心策略分配公交车，计算即时奖励并存入临时记忆库，与延迟奖励合并后存入记忆池；从记忆池按TD误差优先级采样数据，通过重要性权重计算加权MSE损失更新网络，定期同步目标网络参数，达到最大迭代轮次后保存模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。