港口中船舶调度与拖船多任务分配：基于ADP-MLNS的联合优化方法

《Ocean Engineering》：Vessel scheduling and multi-task assignment of tugboats in seaports: A joint optimization approach using ADP-MLNS

　　

• •
  建立了用于船舶调度和多任务拖船分配的联合优化模型。
• •
  将该模型中引入引航员转运任务，并设计了ADP-MLNS算法用于求解。
• •
  实现了同时最小化船舶在港口的停留时间以及拖船的燃油消耗。
• •
  通过实际港口场景进行验证，证明了该模型在提升效率及决策支持方面的实用性。

引言

海上运输是全球贸易体系的支柱。根据联合国贸易和发展会议（UNCTAD，2024年）的预测，2025年至2029年间全球海上贸易量预计将以2.4%的年均速度增长。这种持续的增长无疑会给港口拖船带来更大的运营压力。作为船舶交通组织中的关键辅助设备，拖船由于港口水域狭窄以及船舶惯性较大导致制动困难，需要通过推拉方式帮助船舶进出港口。拖船还会在狭窄的水道中为船舶护航，提供导航、拖拽或推动等服务，以确保船舶能够安全高效地通行。有些港口没有引航船，因此需要拖船将引航员从港口水域送到指定的登船点。尽管拖船在港口内要执行多项任务，但其资源依然有限。随着船舶到港频率的增加，港口拥堵状况愈发严重。有数据表明，2024年宁波舟山港的平均靠泊等待时间达到了5.2天（Beacon Research），这反映出港口服务能力与航运需求之间存在显著失衡。因此，对船舶调度和拖船的多任务分配进行联合优化，对于提升港口运营效率以及实现港口的可持续发展具有重要意义。

在实际的船舶交通组织中，船舶调度与拖船的多任务分配相互制约、彼此影响，构成了一个复杂的系统。目前，港口的船舶调度通常采用先到先服原则，严格按照船舶进入锚地的顺序来确定处理顺序。而拖船的多任务分配则多采用首次匹配策略，即把任务分配给第一个符合所需马力要求的可用拖船。在这种模式下，船舶调度与拖船任务分配是独立进行的，无法形成最优的联合调度方案。这就导致了港口效率低下：当船舶因水道通行规定而需要等待时，已经被分配任务的拖船却处于闲置状态，造成了资源浪费。而在拖船数量不足的情况下，即便水道和泊位都有足够空间，船舶也不得不长时间停泊，从而增加了船舶在港口的总停留时间。为了解决船舶调度与拖船任务分配之间缺乏协调的问题，虽然有一些研究在算法创新和模型构建方面取得了显著进展（Abou Kasm等人，2023年；Fan等人，2025年；Guo等人，2025a、2025b年），但这些研究仅考虑了协助船舶靠泊/离泊以及在水道中为船舶护航等基本任务，并未涉及拖船接送引航员的任务。因此，现有的研究显然不适合用于船舶调度与拖船多任务分配的联合优化。对日本那霸港、鹿儿岛港，以及中国温州港、日照港、威海港等的调查表明，拖船不仅负责协助船舶靠泊/离泊和水道护航，还要承担接送引航员的任务，这说明拖船确实需要执行多项任务。为了解决这些问题，本研究考虑了拖船所承担的多种任务：协助船舶靠泊/离泊、在水道中为船舶护航，以及接送引航员上下船。该研究将船舶调度问题与拖船的多任务分配问题整合在一起，形成了一个联合调度问题，更贴近实际的船舶交通组织情况。因此，本研究要解决的关键问题不仅仅是将拖船分配到特定的船舶序列中，而是在拖船可能需要依次执行引航员转运、水道护航以及靠泊/离泊协助任务的情况下，同时确定船舶的进出顺序以及不同类型的拖船任务分配。如果忽视引航员转运任务，就可能会误判拖船的可用性及任务开始时间，进而打断引航员转运、护航以及靠泊/离泊协助任务之间的连续性，导致船舶等待时间增加、拖船闲置以及燃油消耗上升。这就形成了一个高度耦合的调度问题，在这个问题中，必须在一个统一的优化框架内综合考虑船舶交通冲突、拖船马力匹配、任务连续性以及多任务分配决策等问题。

正是出于对这一问题的考虑，本研究探讨了船舶调度与拖船多任务分配的联合优化问题。研究设定了合理的边界假设，包括有足够的引航员资源以及不受天气和潮汐影响的航道，从而聚焦于核心问题。该研究的目标函数是最小化船舶在港口的总停留时间，同时最小化拖船的燃油消耗。由于该模型存在复杂的约束条件，很容易产生大量不可行的解，因此设计了ADP-MLNS算法来解决该模型。所提出的模型和算法通过港口案例的数值实验、算法对比测试以及敏感性分析实验进行了验证。本研究的贡献可总结如下：

从建模角度而言，本研究建立了船舶调度与拖船多任务分配的联合优化模型。与那些仅将拖船视为协助船舶靠泊/离泊或水道护航的辅助资源的现有研究不同，该模型明确将引航员转运任务纳入拖船任务分配过程中。所提出的模型能够体现船舶进出顺序、拖船可用性、马力匹配、交通安全间隔以及任务连续性之间的耦合关系，从而更准确地反映拖船需要执行多项任务的港口作业情况。

从算法角度而言，本研究开发了ADP-MLNS算法来求解该模型。该算法设计了四层染色体结构，用来表示不同的船舶序列以及拖船在不同任务中的分配情况。同时采用了动态双种群机制来平衡全局搜索与局部探索，还嵌入了基于ALNS的局部搜索和修复机制，以提高解决方案的质量，并在复杂的耦合约束条件下保持方案的可行性。

从计算角度而言，通过实际港口案例研究、算法对比实验以及敏感性分析，对所提出的模型和算法进行了评估。这些实验验证了所生成调度计划的可行性，比较了ADP-MLNS算法与基准算法的性能，并量化了将引航员转运任务纳入拖船任务分配对调度效率及燃油消耗的影响程度。

本文的其余部分结构如下：第2节回顾相关文献；第3节阐述所研究问题的特征；第4节介绍用于求解该模型的算法；第5节进行相关的数值实验；第6节对本文进行总结，并提出未来研究的潜在方向。

各节要点

文献综述

如表1所示，近年来关于船舶交通组织以及拖船任务分配的系统性研究逐渐增多。本节从运营场景和解决方案两个维度对现有文献进行综述，以此找出当前研究的进展与不足，为本文的研究提供理论基础。

问题描述

海港中的船舶调度以及拖船的多任务分配属于极为复杂的流程。港口控制中心以及拖船公司必须制定出可行的调度计划和任务分配方案，既要防止船舶在港口水域或水道中发生意外情况，又要确保拖船能够在规定的时间内准时到达指定地点，完成既定的任务。这一以安全为导向的要求与近期关于航行安全的研究成果是一致的（Ding等人，2021年）。

解决方案

在第3节中，我们构建了船舶调度与拖船多任务分配的联合优化模型。该模型存在复杂的约束条件以及多样化的要求。使用商业求解器（如CPLEX）来解决大规模问题时，其性能较差且计算效率较低。学术研究通常会采用启发式算法来应对类似的挑战，但这类算法往往只能得到近似解，而非全局最优解。

数值实验

所提出的模型和算法是通过中国某个海港的实地调查数据来进行测试的。该港口包含一个锚地、港口水域内的21个泊位、一个拖船基地，以及一条单向长度为3.2海里的航道，如图1所示。港口各位置之间的空间距离详见表3。目前，该港口有4艘拖船，这些拖船被赋予了虚拟编号，其马力和平均速度已通过统计方法得出。同时，该港口对于拖船还有其他相关要求。

结论

本文针对港口船舶交通组织中的一个至今尚未得到充分研究的场景进行了系统研究，而这一场景实际上具有非常重要的现实意义：拖船需要执行多项任务，包括协助船舶靠泊/离泊、在水道中为船舶护航，以及接送引航员上下船。通过将多项任务整合到一个联合优化框架中，本研究构建了一个双目标混合整数非线性规划模型。

CRediT作者贡献说明

孙亚东：概念构思、数据整理、形式化分析、研究调查、方法设计、项目管理、资源协调、软件应用、结果验证、可视化处理、论文初稿撰写、论文审阅与修改。张新宇：资金筹集、论文初稿撰写、论文审阅与修改。郭文强：资金筹集、结果验证、论文审阅与修改。李江天：论文审阅与修改。崔金龙：论文审阅与修改。刘志超：论文审阅与

利益冲突声明

作者声明，他们不存在任何可能影响本文研究成果的已知利益冲突或个人关系。

致谢

本研究得到了国家自然科学基金的资助，项目编号为52371359，同时还得到了辽宁省科技计划项目的资助，项目编号为2025JH2/101800241。

作者特此说明，在撰写本文的过程中，曾使用ChatGPT（OpenAI，GPT-5）来辅助语言润色和文本优化。不过，所有的技术内容、实验设计、实验结果以及分析工作均是由作者亲自完成并验证的。

孙亚东|张新宇|郭文强|李江天|崔金龙|刘志超|黄叶琳