1.基于超参数网络权重分配深度强化学习的车辆调度方法，其特征在于，包括以下步骤：获取多智能体的调度区域，所述调度区域包括局部区域和全局区域；其中所述智能体为被调度的车辆；

基于所述局部区域，得到多智能体的局部状态，基于所述局部状态，通过策略网络，得到当前调度策略；

得到当前调度策略的过程包括：

基于所述局部区域，得到多智能体的局部状态，其中所述局部状态包括：自身网格和六个邻居网格中的订单需求数和车辆数以及网格编号；

将所述局部状态输入至策略网络，得到当前调度策略；

基于所述全局区域，得到多智能体的全局状态，基于所述全局状态，通过价值网络，得到全局状态价值；通过评价网络，得到多智能体的状态‑联合动作价值；

得到全局状态价值的过程包括：

基于所述全局区域，得到多智能体的全局状态，其中所述全局状态包括：所有网络中的订单需求数、车辆数以及网格编号；

基于所述全局状态，通过价值网络，得到全局状态价值；

得到多智能体的状态‑联合动作价值的过程包括：基于所述全局状态，通过评价网络，将所述当前调度策略和超参数进行组合计算，得到多智能体的状态‑联合动作价值；

基于所述全局状态价值与所述状态‑联合动作价值，得到新的目标函数；基于所述目标函数，优化所述调度策略，最终实现车辆调度；

得到新的目标函数的过程包括：

获取损失函数的权重常数，基于所述权重常数，将所述全局状态价值与所述状态‑联合动作价值进行组合，得到总的目标损失函数，所述总的目标损失函数为新的目标函数；

优化所述调度策略的过程包括：

基于反向传播算法，对所述调度策略进行权重分配；基于分配结果和所述目标函数，优化所述当前调度策略，直至输出的误差减小至期望值，优化过程结束。

2.根据权利要求1所述的基于超参数网络权重分配深度强化学习的车辆调度方法，其特征在于，获取多智能体的调度区域的过程包括：划分地图得到智能体的六边形网格区域，其中所述六边形网格区域为调度区域；

基于所述六边形网格区域的中心坐标，得到邻居区域。

3.根据权利要求1所述的基于超参数网络权重分配深度强化学习的车辆调度方法，其特征在于，将所述局部状态输入至策略网络的过程包括：获取策略网络，将所述的局部状态输入至所述策略网络，得到观察状态与动作参数的映射关系，基于所述映射关系，得到当前调度策略。