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！

龙图腾网获悉君世立信科技集团有限公司申请的专利基于深度学习的电商智能仓储优化与动态调度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：CN120106735B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202510166644.6，技术领域涉及：G06Q10/087；该发明授权基于深度学习的电商智能仓储优化与动态调度方法是由崔玉宝;周先兵;史成成设计研发完成，并于2025-02-14向国家知识产权局提交的专利申请。

本基于深度学习的电商智能仓储优化与动态调度方法在说明书摘要公布了：本发明公开了一种基于深度学习的电商智能仓储优化与动态调度方法，包括如下步骤：S1、采集仓储环境中的数据，并进行标准化处理；S2、对标准化数据进行学习，预测未来订单需求；S3、构建MoE‑Transformer模型，使用MoE‑Transformer模型对SKU存储位置进行优化；S4、对订单任务进行划分，依据任务优先级进行排序，并进行任务分配；S5、构建仓储环境拓扑图，利用改进的GAT计算执行单元的路径，并进行路径优化和动态调整；S6、更新MoE‑Transformer模型和改进的GAT的参数，优化任务生成和任务分配，同时优化库存布局和存储分区。本发明利用MoE‑Transformer模型和改进的GAT，实现电商仓储SKU存储优化、任务调度与路径规划，具备智能化、自适应、高效协同和动态优化的优点。

本发明授权基于深度学习的电商智能仓储优化与动态调度方法在权利要求书中公布了：1.一种基于深度学习的电商智能仓储优化与动态调度方法，其特征在于，包括如下步骤： S1、采集仓储环境中的数据，并对采集的数据进行标准化处理生成标准化数据； S2、使用Transformer模型对标准化数据进行学习，预测未来订单需求，并结合库存状态数据调整补货策略； S3、构建MoE-Transformer模型，根据未来订单需求，使用MoE-Transformer模型对SKU存储位置进行优化，调整商品的存放位置； S4、基于未来订单需求、优化后的库存状态和SKU存储位置，对订单任务进行划分，依据任务优先级进行排序，并进行任务分配； S5、基于任务分配结果，构建仓储环境拓扑图，利用改进的GAT计算执行单元的路径，并构建路径优化目标函数，根据路径优化目标函数进行路径优化和动态调整； S6、基于长期仓储环境运行数据，更新MoE-Transformer模型和改进的GAT的参数，优化任务生成和任务分配，同时优化库存布局和存储分区； 所述S5具体包括： S51、构建仓储环境拓扑图G＝V,E，并定义路径权重矩阵，所述仓储环境拓扑图中的V表示仓库内的关键节点集合，所述仓储环境拓扑图中的E表示仓库内部可通行路径的边集合： Wi,j＝di,j+βCi,j+γLi,j； 其中，Wi,j表示路径权重矩阵，为路径i到路径j的代价，di,j表示路径i到路径j之间的欧几里得距离，Ci,j表示路径i到路径j之间的通道拥堵程度，Li,j表示路径i到路径j的历史路径使用频次，β和γ表示路径拥堵和历史使用率的调节权重； S52、根据SKU存储位置和执行单元状态，生成执行单元的任务路径请求： 其中，PR表示路径请求集合，ep,t表示执行单元p在时间t的当前位置，表示SKUk在存储区域zj的存储坐标，表示“任意”； S53、采用改进的GAT计算路径特征，生成节点特征矩阵； S54、计算最优路径评分： 其中，Pscorei,j表示最优路径评分，Wl表示第l层改进的GAT计算的特征权重，表示节点i在第l层的更新表示，Ti,j表示路径i到路径j的时间权重，表示路径i到路径j在历史任务中的使用频次，ω1、ω2和ω3表示可训练的路径评分权重参数，L表示改进的GAT的层数，Ci,j表示路径i到路径j之间的通道拥堵程度，ei,j表示边特征，W2表示可训练的权重矩阵； S55、根据最优路径评分计算最优路径： Poptimal＝argminP∑i,j∈PPscorei,j； 其中，Poptimal表示路径集合P中代价最小的路径，argmin表示使函数取得最小值的变量值，P表示路径集合； S56、构建路径优化目标函数，根据路径优化目标函数动态调整路径： 其中，表示路径优化目标函数，表示执行单元p在时间t的路径冲突代价，λ1表示路径冲突调整系数，P′optimal表示经过优化调整后的路径集合，θ表示路径切换代价阈值，Ci′,j′表示路径i′到路径j′之间的通道拥堵程度，{}表示一个集合，∪表示“并”操作，Wi,j表示路径权重矩阵； S57、输出最终优化后的路径集合： P*＝P′optimal； 其中，P*表示最终优化后的路径集合； 所述S53具体包括： S531、构建图神经网络的输入： 其中，H0表示初始节点特征矩阵，表示节点i的初始特征，V表示仓库内的关键节点集合，所述包括： 节点类型ti：存储区域ti＝1、拣选站点ti＝2、传送带接口ti＝3、出货口ti＝4； 节点坐标xi,yi：节点在仓库平面布局中的绝对位置； 通道宽度wi：节点所在路径的宽度； 拣选点流量fi：节点所在位置的历史拣选任务频次； 历史任务完成时间τi：反映过去任务在该点执行所需的平均时间； S532、构建边特征矩阵； Ei,j＝{ei,j|i,j∈E}； 其中，Ei,j表示边特征矩阵，为路径i到路径j的特征，E表示仓库内部可通行路径的边集合，所述ei,j包括： 物理距离di,j：路径i到路径j之间的欧几里得距离； 路径通道拥堵权重Ci,j：路径i到路径j之间的通道拥堵程度； 路径使用频率Li,j：路径i到路径j的历史路径使用频次； 路径可通行性ai,j：若路径可通行则ai,j＝1，否则ai,j＝0； S533、初始化节点特征矩阵嵌入： 其中，xi表示节点i的原始特征，表示初始嵌入矩阵，表示偏置项； S534、采用多头注意力机制计算节点间的信息交互： 其中，表示第h个注意力头在路径i到路径j之间的注意力权重，Wh表示第h个注意力头的可训练参数矩阵，表示第l个注意力头的节点j的特征，表示第l个注意力头的节点k的特征，ah表示注意力计算的参数向量，T表示转置操作，||表示向量拼接操作，Ni表示节点i的邻居节点集合，LeakyReLU表示激活函数，exp表示自然指数函数； S535、更新节点表示，得到节点特征矩阵HL： 其中，表示节点i在第l+1层计算后的更新表示，H表示注意力头的数量，σ表示非线性激活函数，HL表示最终L层计算得到的节点特征矩阵。

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君世立信科技集团有限公司，其通讯地址为：230000 安徽省合肥市高新区创新大道288号工投高新智谷A区6栋2单元4楼；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”。