岸电连接政策下集成泊位分配与岸桥调度优化——JIT驱动的船舶离泊

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》:Integrated berth allocation and quay crane scheduling optimization under shore power connection policy with JIT-driven vessel departures

【字体: 大 中 小 】 时间:2026年09月22日 来源:TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW 9.3

编辑推荐:

   •针对岸电和JIT(准时制)开发了一种新型集成优化BAQCSP模型。 •开发了一种数据驱动方法来动态预测桥吊集装箱作业时间。 •设计了一种双层优化算法,以协同全局规划与动态滚动优化。 •识别并定量分析了港口可持续性指标之间的关键权衡关系。 **1. 引言** 随着全球达成

  

•针对岸电和JIT(准时制)开发了一种新型集成优化BAQCSP模型。
•开发了一种数据驱动方法来动态预测桥吊集装箱作业时间。
•设计了一种双层优化算法,以协同全局规划与动态滚动优化。
•识别并定量分析了港口可持续性指标之间的关键权衡关系。

**1. 引言**

随着全球达成2050年实现碳中和的共识,世界各国各行业正积极推进节能减排工作。国际海事组织(IMO)正在推动船舶零排放框架,包括新的燃料标准和全球碳定价机制,并将强制适用于总吨位超过5,000吨的大型远洋船舶(IMO, 2025)。在各类清洁能源解决方案中,岸电因其港口可达性强且运行成本相对较低而备受瞩目(Wang等人, 2024a;Daniel等人, 2025)。为此,多国已实施岸电连接(SPC)政策,要求船舶在靠泊期间使用岸基电力替代传统燃料。例如,欧盟《FuelEU Maritime》法规(Maritime, 2023)规定,自2030年起,挂靠主要港口的商业船舶必须使用岸电。同样,美国加州空气资源委员会(CARB)已为集装箱船、冷藏货船和邮轮制定了靠泊电气化要求(CARB, 2023)。根据中国交通运输部数据(MOT, 2025),截至2024年底,长江干线非油船靠泊岸电覆盖率已达99.5%。

在港口停泊进行装卸作业期间,船舶在锚地等候和靠泊过程中会产生大量燃料消耗和排放(Sun等人, 2022;Chen等人, 2024)。东南亚各国港口船舶平均等候时间为16.8小时(UNCTAD, 2023a)。对此,众多港口已采用准时制(JIT)运营策略,如到达预约系统和精准船舶服务,以促进船舶准时到达和离港。典型案例包括欧洲的DYNAPORT项目、宁波舟山港的"降本增效"计划和港新加坡港的JIT-Chain倡议。通过将港口调度覆盖范围从码头延伸至锚地区域,这些措施旨在优化船舶到达流程并提升泊位利用率。

JIT运营的实施要求在港口停泊期间制定周密的船舶作业计划。该计划的核心是解决泊位分配问题(BAP)和桥吊调度问题(QCSP)。在BAP中,目标是将到达船舶分配至合适的泊位,同时优化总作业时间或等待时间等指标。在QCSP中,需为每艘船舶优化分配的桥吊数量和集装箱作业顺序,以最大化作业效率。传统研究通常将BAP和QCSP作为独立的优化问题分别处理(Sun等人, 2021;Agra和Rodrigues, 2022)。在岸电采用和JIT离港两大趋势的双重驱动下,两者的深度融合与协同优化变得愈发重要。

一方面,泊位需配备兼容的岸电接口,且靠泊时间必须与港口的供电能力相匹配。另一方面,JIT策略要求船舶在严格的时间窗口内完成作业(Lalla-Ruiz等人, 2016)。资源分配不当可能引发延迟、电力波动甚至能源系统过载等连锁问题。因此,有必要开发一种集成泊位分配与桥吊调度问题(BAQCSP)的优化方法,以兼顾环保要求与运营时效性。

本研究构建了一个融合岸电兼容性和JIT运营双重约束的协同BAQCSP模型。该模型的目标从传统的船舶周转时间最小化转向优化泊位、桥吊和岸电设施的集成利用效率,同时支持计划离港并契合港口能源管理实践。通过智能算法实现动态资源分配。例如,高能耗船舶被分配至高压供电泊位,而小型船舶则被引导至低压区域。与此同时,桥吊作业任务分配经过优化以减少闲置时间,从而在有限的时间窗口内提升作业吞吐量并降低单箱成本。该方法提供了一种协同平衡环境目标、运营效率和经济效益的调度策略,助力港口实现低碳转型目标。本研究的主要创新贡献总结如下:

1) 提出了一种创新性的集成BAQCSP优化模型,纳入了可持续性指标,使资源利用指标能够直接融入日常运营决策。
2) 提出了一种动态预测机制,通过考虑潮汐条件和集装箱配载位置等实际因素来估算桥吊作业时间,从而增强调度方案的实用性和准确性。
3) 设计了一种新型迭代双层优化算法,无缝集成了基于预测的参数估计、自适应大规模邻域搜索的解空间探索以及基于列生成的精确优化。

以下各章节分别介绍文献综述(第2节)、问题与数据描述(第3节)、BAQCSP的混合整数规划模型(第4节)、优化算法(第5节)、结果与讨论(第6节)以及结论(第7节)。

**2. 文献综述**

泊位分配与桥吊调度问题(BAQCSP)(Lv等人, 2025)旨在寻求最优的靠泊位置、时间和桥吊作业计划,是集装箱码头运营中关键且资源密集的核心环节(Jo和Moon, 2025;Xiang等人, 2023)。如表1所示,现有研究主要聚焦于构建和求解混合整数线性规划(MILP)模型,以最小化运营成本或船舶在港时间。

**表1. BAQCSP相关研究综述。**

| 参考文献 | 研究进展 | 目标 | 方法论 |
|---------|---------|------|-------|
| Amirifar等人(2025) | 深度集成三个 seaside 作业问题 | 最小化运营成本 | MILP + 粒子群优化与动态规划 |
| Ran等人(2025) | 港口应急拥堵缓解 | 最小化最大完工时间和总能耗 | 双目标MILP + 粒子群优化算法 |
| Chargui等人(2023) | 可再生能源价格和可用性不确定 | 最大化可再生能源使用并最小化运营成本 | 两阶段多目标MILP + 基于强制执行程序的分解算法 |
| Rodrigues和Agra(2021) | 船舶到达时间不确定 + 同构桥吊 | 最小化完工时间 | 两阶段鲁棒MILP + 分解算法 |
| Abou Kasm等人(2020) | 贝位作业抢占和动态桥吊分配 | 最小化完工时间 | 仿真软件GAMS |
| Tasoglu和Yildiz(2019) | 多栈桥混合泊位布局 + 船舶动态到达 + 随机作业时间 | 最小化最晚船舶离港时间 | 仿真软件ARENA + 模拟退火算法 |
| Türko?ullar?等人(2016) | 将桥吊调度建模为最小成本网络流问题 | 最小化船舶服务成本和桥吊移动成本 | MILP + 分支定界算法 |
| **本文** | SPC和JIT政策 | 最大化港口资源利用率 | 多目标MILP + 基于预测的大规模邻域搜索与列生成 |

然而,在JIT政策的推动下,研究目标已发生转变。不再将以在港时间最小化为绝对目标,而是聚焦于确保船舶准时离港(Yue等人, 2021;van Pim和Dekker, 2025)。这一关键约束使码头能够在给定的时间窗口内平滑资源配置,在不影响既定计划的前提下实现泊位和桥吊的高利用率,最终达成更加均衡和可持续的运营模式。然而,在大规模、实际的集装箱码头中推导最优且可持续的作业计划仍是一项艰巨的任务(Yue等人, 2023;Wang等人, 2025)。

**2.1 港口运营目标**

港口可持续性指标(PSMs)在推动港口运营可持续发展中发挥着关键作用,处于经济绩效与环境管理之间的交汇点(Woo等人, 2018;Taljaard等人, 2024;Guo等人, 2025)。PSMs的有效实施直接影响港口竞争力和运营效率(Zhang等人, 2025;Chen等人, 2025)。表2总结了近年来经合组织(OECD)等机构采用的PSMs。一个关键发现是,这些参数主要评估港口服务,而非运营绩效。然而,可持续港口运营从根本上依赖于资源利用和分配效率方面的表现(Gu等人, 2025;Bouazza等人, 2024)。据此,本文在现有PSMs框架中增加了明确的码头资源利用率指标。重点关注泊位占用率(BOR)、岸电利用率(SPUR)、桥吊利用率(QCUR)和船舶平均完工率(AVCR)的可量化提升,所提指标旨在加速向更加资源高效的系统转型(Greve等人, 2025;Peng等人, 2021)。

**表2. 与港口服务评估相关的参数。**

| 机构 | 指标 | 相关参数 |
|------|------|---------|
| AWT | BT | OT | SPCT | NC | NQC | CLPH |
| OECD (ITF, 2022) | 船舶可靠性和港口拥堵;集装箱运输需求 | ? | ? | ? | ? |
| UNEP (IAEG-SDGs, 2016) | 可再生能源占比;客运和货运量 | ? | ? |
| 世界银行 (2024) | 集装箱港口绩效指数 | ? | ? | ? | ? |
| UNCTAD (2023) | 班轮航运连通性指数;港口绩效记分卡 | ? | ? | ? |
| NSPRC (2010) (中国水运研究所, 2010) | 船舶平均在港时间;船舶平均工效 | ? | ? | ? | ? | ? |
| **本文** | 泊位占用率;岸电利用率;桥吊利用率;船舶平均完工率 | ? | ? | ? | ? | ? | ? |

注:AWT:锚地等候时间;BT:靠泊时间;OT:离港时间;SPCT:岸电连接时间;NC:集装箱数量;NQC:桥吊数量;CLPH:每小时吊装箱数。

**2.2 BAQCSP方法论**

文献中存在多种解决BAQCSP的方法。一类经典方法是基于数学规划模型(Dragovi?等人, 2024)。该方法通常包含三个关键阶段:(1)参数识别:基于运营场景定义关键参数,包括码头布局(Li等人, 2021)、资源可用性(Wang等人, 2024b)和时间窗口(Yang等人, 2025)。高级模型还纳入了场景特定参数,如潮汐条件(Zhong等人, 2022)、岸电可用性(Zhang等人, 2022)和拖轮效率(Fan等人, 2025)。(2)模型构建:构建数学模型以捕捉泊位、桥吊和船舶之间复杂的交互作用和时空约束。目标函数通常旨在最小化船舶总周转时间以满足航运公司需求(Ran等人, 2025),或最小化运营成本以提升码头效率(Iris和Lam, 2019)。约束条件必须严格涵盖安全规程、作业顺序和物理限制(Wang等人, 2018;Yu等人, 2022;Jakovlev等人, 2025)。(3)算法设计:对于小规模问题,可使用商业求解器采用分支定界(Xie等人, 2019)或分支切割(Chargui等人, 2023)等精确算法。对于大规模实际问题,可开发面向问题的启发式算法(Wang等人, 2024b)或分解方法如Bender分解(Malekahmadi等人, 2025),在合理的计算时间内获得高质量解。

对更精确参数和更高求解速度的需求使数据驱动模型成为码头运营系统的关键组成部分。借助深度强化学习(DRL)(Lv等人, 2024)、图神经网络(Chen等人, 2021)和预测方法(Li等人, 2025)等技术。这些模型从历史数据中学习近优策略或预测关键输入,显著减少计算时间并提升决策可行性。虽然DRL可通过试错机制优化决策,但其对大量训练数据和计算资源的依赖,加上难以保证实时性能和稳定性,限制了其在泊位分配中的实际应用。为提高可靠性,近期研究探索了深度学习与仿真或数字孪生技术的集成(Ghasemi等人, 2025;Gao等人, 2023;Cho等人, 2025)。然而,获取全面准确的码头运营数据存在困难。由于数据稀缺或不完整,阻碍了全网络状态的确定。因此,本文的研究范围仅限于预测网络中每台桥吊单次集装箱吊装作业所需的时间。

**3. 问题定义**

节能减排的关键措施之一是优化港口运营效率。本文聚焦于零碳倡议下的港口资源优化,旨在提高能源利用效率、增强资源配置方法,并通过优化设备运营促进更高的岸电利用率。如图1(1)所示,港口资源包括航道、泊位和堆场等空间要素,以及用于船舶装卸作业的机械设备(Pérez等人, 2020;R?dseth等人, 2018)。本节针对自动化集装箱码头中连续泊位的多桥吊作业集成调度问题展开讨论。图1(2)展示了5艘船舶使用8台桥吊的BAQCSP示例。然而,随着岸电采用的日益重视以及行业对JIT离港的推动,引入了额外的运营考量,使调度更倾向于岸电优先模式。

## 港口资源概述及BAQCSP示例

### 3.1 SPC条件下的泊位分配问题

泊位分配问题涉及确定每艘船舶应分配至哪个泊位、何时开始靠泊以及靠泊时长应为多少。泊位位置的选取受以下约束:

1) 可用泊位段的长度必须超过船舶长度。
2) 所选靠泊位置必须处于岸电服务覆盖范围内。由于电缆长度限制以及避免输电损耗的需要,岸电充电站仅服务于有限区域。
3) 船舶的电压要求必须与岸电设施供应的电压相匹配。如图2所示,A船需要高压岸电,因此可通过优化模型被分配至高压岸电站①或②服务区域内的任意泊位。B船需要低压岸电,有两种靠泊选择:由站点③提供服务的左侧靠泊,或由站点④提供服务的右侧靠泊,优化器必须决定哪种选择更有利于实现全局最优。

![图2. 船舶靠泊示意图](图2. 船舶靠泊示意图)

靠泊时间的选取受以下要求约束:1) 靠泊开始时间不得早于船舶最早到达时间;2) 对于被分配至重叠泊位区域的船舶,后到船舶必须等待前车离开泊位后方可靠泊;3) 最小靠泊时长取决于岸桥完成所有集装箱作业所需的时间。

此类问题的传统目标通常是使所有船舶的总等待时间和靠泊时长最小化。为使某艘船舶的靠泊时间最小化,调度人员可能倾向于为该船分配尽可能多的岸桥,使其快速完成装卸作业并离港。然而,这种做法可能导致泊位长时间空闲或泊位分配不均,且无法保证岸电的有效利用。从可持续性角度出发,本研究引入了两个创新性目标:泊位利用率(BOR)和岸电利用率(SPUR)。目标是找到一个最优平衡点,既能提高泊位效率,又能积极推动碳减排。关键在于,通过将岸电利用率作为优化目标而非刚性约束纳入模型,我们的模型反映了实际SPC政策中固有的灵活性——即通过鼓励使用岸电或其认可的替代方案来减少排放。这种方法使得即时靠泊与连接可用岸电设施的机会之间能够进行适应性权衡。

### 3.2 具有JIT离港的岸桥调度问题

岸桥调度优化问题涉及确定分配多少岸桥、每台岸桥的开始和结束时间、每台岸桥应处理船舶上哪些具体集装箱位,以及每台岸桥沿船移动的顺序。如图3所示,提供了岸桥和集装箱船舶作业的规范视图(正面、俯视、侧面)。图3(1)展示了带舱盖的船舶正面视图,岸桥的作业顺序必须严格遵循以下步骤:卸载舱盖上的集装箱、打开舱盖、卸载舱盖下方的集装箱、装载舱盖下方的集装箱、关闭舱盖,最后装载舱盖上的集装箱。图3(2)为俯视图,任何两台岸桥之间必须保持最小安全距离,且不能互相交叉跨越。图3(3)展示了集装箱区的侧视图。处理每个集装箱的小车行程距离各不相同。例如,与集装箱C2相比,C1位于更远的列上,C3位于更高的层上。因此,C1和C3的处理时间均长于C2。

![图3. 多台岸桥在船上协同装卸集装箱](图3. 多台岸桥在船上协同装卸集装箱)

岸桥调度中的一个根本性挑战,特别是在JIT离港约束下,源于缩短船舶周转时间与优化运营效率或资源可持续性之间的固有冲突。虽然部署大量岸桥可显著缩短在港时间——从而满足JIT承诺并提升班轮满意度——但这种方法往往导致岸桥利用率次优、能耗增加和碳排放增加。反之,仅关注最大化岸桥利用率以提升效率或减少环境影响的调度方案可能会延长船舶靠泊时间,危及JIT义务和服务可靠性。因此,核心问题在于调和快速船舶周转的需求与提升运营效率及推动港口可持续发展的战略目标之间的关系。

### 3.3 数据获取与处理

本文使用的船舶作业记录数据库(Chen, 2024a)和岸桥作业记录数据库(Chen, 2024b)来源于广州港南沙四期自动化集装箱码头(ACT)。数据清洗活动从2023年6月1日持续至6月30日。清洗步骤包括:移除在港时间短于1小时或长于48小时的船舶、排除船舶作业表与岸桥表中时间戳存在显著差异的集装箱,以及丢弃记录不完整的集装箱。预处理后,共获得来自32艘船舶的59,561个集装箱样本。

精确、客观且细粒度的单箱岸桥作业时间是确保泊位和岸桥调度优化模型可行性的关键。如图4所示,记录了10台岸桥上各1,000个连续集装箱的单箱处理时间(HTC)分布。统计分析显示,45.1%的HTC作业落在0.9–1.3分钟范围内,仅有5%发生在1.9–2.1分钟之间,明显偏离了传统的2分钟处理时间假设。跨10台岸桥的比较分析显示性能差异显著。QC10的超长作业发生次数最多(48次持续≥4.2分钟),而QC7和QC2的作业集中在1.0–1.5分钟范围且异常值较少,表现出更高的稳定性和效率。尽管所有岸桥均属于同一自动化码头,但HTC分布差异明显。我们采用预测方法来确定每个集装箱的时间消耗。

![图4. 岸桥集装箱处理时间分布](图4. 岸桥集装箱处理时间分布)

### 4. BAQCSP建模

本节建立了连续泊位上多台岸桥协同调度的混合整数规划模型。为兼顾真实性与可求解性,采用以下建模假设:

1) 泊位被建模为连续一维空间。这种方法不仅使我们能够专注于集成作业的基本排序和时序问题,而且与许多现代集装箱码头采用连续泊位线以提高灵活性的运营实践相一致。

2) 所有船舶均为配备标准化船首岸电连接装置的集装箱船。这一假设符合全球推动SPC使用的脱碳政策,并有助于在比较分析中隔离和放大岸电利用的运营影响。

3) 所有岸桥假定具有相同的起吊能力,每次作业可处理两个20英尺或一个40英尺集装箱。这反映了现代岸桥的标准能力,并使模型能够聚焦于岸桥利用率而非设备异质性。

#### 4.1 符号说明

模型中使用的参数和变量符号如下:

**集合**

- $V$:船舶集合,以 $v$ 为索引,$|V|$ 为船舶总数。
- $E$:岸电充电站集合,以 $e$ 为索引。
- $K$:岸桥集合,以 $k$ 为索引,$|K|$ 为岸桥总数。
- $I$:泊位位置集合,以 $i$ 为索引,$|I|$ 为泊位长度。
- $B_v$:船舶 $v$ 的舱区集合,以 $b_v$ 为索引,$|B_v|$ 为船舶 $v$ 的舱区总数。
- $N$:集装箱集合,以 $n$ 为索引,$|N|$ 为集装箱总数。$N_v$ 为船舶 $v$ 的集装箱集合,$|N_v|$ 为船舶 $v$ 的集装箱总数。$N_{b_v}$ 为舱区 $b_v$ 的集装箱集合,$|N_{b_v}|$ 为舱区 $b_v$ 的集装箱总数。$N_{b_v} \subset N_v \subset N$,且 $|N|=\sum_{v \in V}|N_v|=\sum_{v \in V}\sum_{b_v \in B_v}|N_{b_v}|$。
- $T$:时刻集合,以 $t$ 为索引,$|T|$ 为总规划期。
- $J$:用于线性插值的断点集合,以 $j$ 为索引。

**输入参数与变量**

- $M$:充分大的正常数。
- $T_a^v$:船舶 $v$ 到达锚地的时刻。
- $\tau_{vv'}$:船舶 $v$ 离港准备与船舶 $v'$ 靠泊准备之间的时间间隔。
- $T_{laytime}^v$:船舶 $v$ 请求离港的时刻。
- $\rho_{delay}$:偏离JIT目标值的有界偏差。
- $\mu_{safe}$:船舶间距的经验安全系数。
- $L_v$:船舶 $v$ 的长度。
- $l_{vv'}$:船舶 $v$ 与船舶 $v'$ 之间的最小安全距离。
- $l_{kk'}$:岸桥 $k$ 与岸桥 $k'$ 之间的最小安全距离。
- $l_{ev}$:岸电充电站 $e$ 仅对船舶 $v$ 的覆盖长度。
- $i_e$:充电站 $e$ 的泊位位置。
- $n_{brh}$:集装箱 $n$ 的积载位置,由舱区 $b \in B$、排 $r \in R$ 和层 $h \in H$ 定义。
- $n_\epsilon$:集装箱 $n$ 的尺寸,$n_\epsilon=1$ 表示20英尺集装箱,$n_\epsilon=2$ 表示40英尺集装箱。
- $p_{ev}$:二值变量,指示岸电充电站 $e$ 与船舶 $v$ 之间的兼容性:0表示不匹配,1表示兼容。
- $\omega_1$:平衡两个BAP相关目标(BOR和SPUR)的常量权重。
- $\omega_2$:平衡两个QCSP相关目标(QCUR和AVCR)的常量权重。
- $\omega_3$:平衡BAP与QCSP之间总体重要性的常量权重。
- $\bar{\tau}_v$:船舶 $v$ 的估计最短作业时间,仅用于线性化。

**辅助决策变量**

- $i_n$:集装箱 $n$ 的泊位位置。
- $TH_t$:时段 $t \in T$ 的潮位。
- $VC_v$:船舶 $v$ 的船舶等级,根据长度分为三个类别。
- $\tau_v$:船舶 $v$ 进行集装箱作业的泊位操作时间。
- $T_s^{kn}$:岸桥 $k$ 处理集装箱 $n$ 的开始时间。
- $T_e^{kn}$:岸桥 $k$ 完成集装箱 $n$ 的时间。
- $\tau_{kn}$:岸桥 $k$ 处理集装箱 $n$ 所需时间。
- $\tau_{kn n'}$:岸桥从集装箱 $n$ 位置移动到集装箱 $n'$ 位置所需时间。
- $\eta_{berth}$:泊位利用率。
- $\eta_{shore}$:岸电利用率。
- $\eta_{crane}$:岸桥利用率。
- $\eta_{ship}$:船舶平均完成率。
- $t_j$:预定义的断点,均匀分布,用于构建分段线性近似。
- $c_j$:凸组合权重,用于计算加权求和进行近似。
- $l_{sv}$:岸电接口至船舶最前端点的距离。

**决策变量**

- $x_{vt}$:整数,船舶 $v$ 开始进入泊位的时刻。
- $x_{vi}$:整数,船舶 $v$ 所占泊位位置中的最小泊位位置编号。
- $\alpha_{vv'}$:二值变量,若船舶 $v'$ 靠泊在船舶 $v$ 的右侧则为1,否则为0。
- $\beta_{vv'}$:二值变量,若船舶 $v'$ 在船舶 $v$ 离港后靠泊则为1,否则为0。
- $\lambda_{ev}$:二值变量,若岸电充电站 $e$ 为船舶 $v$ 服务则为1,否则为0。
- $y_{kn}$:二值变量,若岸桥 $k$ 被分配给集装箱 $n$ 则为1,否则为0。
- $y_{kn n'}$:二值变量,若岸桥 $k$ 在处理完集装箱 $n$ 后立即服务集装箱 $n'$ 则为1,否则为0。
- $\varphi_{nm}$:二值变量,若集装箱 $n$ 和 $m$ 同时被两台相邻岸桥处理则为1,否则为0。
- $z_{tkn}$:二值变量,若岸桥 $k$ 完成集装箱 $n$ 后 $T_e^{kn} \leq t$ 则为1,否则为0。
- $\xi_{ev}$:二值变量,若船舶 $v$ 靠泊在左侧并由岸电充电站 $e$ 服务则为1,否则为0。
- $\delta_{ev}$:二值变量,若船舶 $v$ 靠泊在右侧并由岸电充电站 $e$ 服务则为1,否则为0。

#### 4.2 混合整数规划模型

$$F = \max \{\omega_3 F_L + (1-\omega_3) F_U\} \tag{1}$$

$$F_L = \omega_1 \eta_{berth} + (1-\omega_1) \eta_{shore}; \quad F_U = \omega_2 \eta_{crane} + (1-\omega_2) \eta_{ship} \tag{2}$$

$$\eta_{berth} = \sum_{v \in V} L_v \tau_v / |I| \times |T| \tag{3}$$

$$\eta_{shore} = \sum_{v \in V} \lambda_{ev} p_{ev} \tau_v / \sum_{v \in V} \tau_v \tag{4}$$

$$\eta_{crane} = \sum_{n \in N} (y_{kn} \tau_{kn} + y_{kn n'} \tau_{kn n'}) / \sum_{v \in V} \sum_{k \in K} (\max_{n \in N_v} T_e^{kn} - \min_{n \in N_v} T_s^{kn}) \tag{5}$$

$$\eta_{ship} = \sum_{v \in V} \sum_{n \in N_v} \sum_{k \in K} \sum_{t \in T} z_{tkn} / \sum_{v \in V} |N_v| \tag{6}$$

$$T_a^v \leq x_{vt} \leq T_{laytime}^v - \tau_v, \quad \forall v \in V, t \in T \tag{7}$$

$$0 \leq x_{vi} \leq |I| - l_v, \quad \forall v \in V, i \in I \tag{8}$$

$$l_{vv'} \geq \mu_{safe} \max(L_v, L_{v'}), \quad \forall v, v' \in V \tag{9}$$

$$x_{vi} + L_v + l_{vv'} \leq x_{v'i} + |I|(1 - \alpha_{vv'}), \quad \forall v, v' \in V, i \in I \tag{10}$$

$$x_{vt} + \tau_v + \tau_{vv'} \leq x_{v't} + |T|(1 - \beta_{vv'}), \quad \forall v, v' \in V, t \in T \tag{11}$$

$$\alpha_{vv'} + \alpha_{v'v} \leq 1, \quad \forall v, v' \in V, v < v' \tag{12}$$

$$\beta_{vv'} + \beta_{v'v} \leq 1, \quad \forall v, v' \in V, v < v' \tag{13}$$

$$\alpha_{vv'} + \alpha_{v'v} + \beta_{vv'} + \beta_{v'v} \geq 1, \quad \forall v, v' \in V, v < v' \tag{14}$$

$$\sum_{e \in E} \lambda_{ev} \leq 1, \quad \forall v \in V \tag{15}$$

$$\lambda_{ev} + \lambda_{ev'} \leq 1 + M(\beta_{vv'} + \beta_{v'v}), \quad \forall v, v' \in V, e \in E \tag{16}$$

$$|x_{vi} - i_e| \leq l_{ev}/2 + |I|(1 - \lambda_{ev} p_{ev}), \quad \forall v \in V, e \in E, i \in I \tag{17}$$

$$\sum_{k \in K} y_{kn} = 1, \quad n \in N \tag{18}$$

$$\sum_{n' \in N} y_{kn n'} - \sum_{n' \in N} y_{kn' n} = 0, \quad \forall n \in N, k \in K \tag{19}$$

$$\max_{n \in N} \sum_{m \in N} \varphi_{nm} \leq |K| \tag{20}$$

$$y_{kn} i_n - y_{k'm} i_m \geq l_{kk'} - |I|(1 - \varphi_{nm}), \quad \forall k, k' \in K, k > k', n, m \in N \tag{21}$$

$$T_s^{kn} \geq x_{vt}, \quad \forall v \in V, n \in N_v \tag{22}$$

$$T_e^{kn} \geq T_s^{kn} + y_{kn} \tau_{kn}, \quad \forall k \in K, n \in N_{b_v} \tag{23}$$

$$\tau_{kn} \geq f_{KNN}(TH_t, VC_v, k \times y_{kn}, n_{brh}, n_\epsilon), \quad \forall k \in K, n \in N_{b_v} \tag{24}$$

$$T_s^{kn'} \geq \max(T_e^{kn}, T_e^{k'm} \varphi_{nm}) y_{k'm} y_{kn} + y_{kn n'} \tau_{kn n'}, \quad \forall k, k' \in K, n, n', m \in N \tag{25}$$

$$\max_{k \in K, n \in N_v} T_e^{kn} \geq \tau_v + \min_{k \in K, n \in N_v} T_s^{kn}, \quad \forall v \in V \tag{26}$$

$$\max_{k \in K, n \in N_v} T_e^{kn} \leq T_{laytime}^v \times (1 + \rho_{delay}) \tag{27}$$

$$T_e^{kn} - t \leq M \cdot (1 - z_{tkn}), \quad \forall k \in K, n \in N_v \tag{28}$$

$$x_{vt}, x_{vi} \in \mathbb{R}^+; \quad \alpha_{vv'}, \beta_{vv'}, \lambda_{ev} \in \{0,1\}; \quad y_{kn}, y_{kn n'}, \varphi_{nm}, z_{tkn} \in \{0,1\}$$

目标函数(式1)采用加权求和法来最大化港口资源的综合利用率。模型分为两层结构:下层目标值 $F_L$ 使用权重 $\omega_1$ 来平衡BOR($\eta_{berth}$)和SPUR($\eta_{shore}$),上层目标值 $F_U$ 使用权重 $\omega_2$ 来整合QCUR($\eta_{crane}$)和AVCR($\eta_{ship}$)。总目标 $F$ 再通过权重 $\omega_3$ 将这两层结合起来,使决策者能够灵活地调整权重组合 $(\omega_1, \omega_2, \omega_3)$,以在不同目标之间实现动态权衡。BOR(式3)的计算方法为:在给定时间段 $|T|$ 内,所有泊位被船舶占用进行作业的时间总和与所有泊位可用总时间的比值。中间变量 $\tau_v$ 表示船舶 $v$ 的泊位操作时间,定义为岸桥交付最后一个集装箱的时间与靠泊时间之差。SPUR(式4)定义为岸电使用总时长与船舶总靠泊时间的比值。

这使得模型能够在即时靠泊与等待兼容电源连接之间取得平衡,重点关注实现减排目标而非每次都能实现物理连接。QCUR(公式4)计算为岸桥实际作业时间与计划可用时间之比。AVCR(公式5)定义为在计划靠泊时间窗口内完成的集装箱作业量占总计划量的比例。公式(6)-(7)确保所有船舶在规划期内均停靠于指定泊位区段。公式(8)强制规定任意两艘靠泊船舶之间保持最小空间间距。公式(9)-(13)保证船舶靠泊作业的时间-空间窗口两两不重叠。公式(14)-(15)限制一艘船舶在同一时间只能使用一个充电站,一个充电站同一时间只能服务一艘船舶。公式(16)要求船舶需停靠于距离充电站不超过??????范围内方可接受岸电服务(受电缆长度限制)。公式(17)保证集装箱分配的唯一性,公式(18)强制任务先后顺序。公式(19)通过二元变量??????对岸桥有限可用性进行建模。公式(20)确保岸桥作业安全且运行轨迹不交叉。公式(21)-(22)计算任务开始/结束时间。参数??????由外部机器学习模型??(?)基于历史运营数据预测得出(公式23),其输入包括潮汐高度??????、船型??????、岸桥编号??、位置因子???????以及集装箱尺寸????。其中,参数???????和????为输入常数,参数??????和??????为随时间变化的统计值,参数??则由方案中的参数??????确定。因此,在不同调度方案下,输出值各不相同。公式(24)考虑了岸桥之间相互干扰所导致的等待时间,其中????????′表示岸桥在完成集装箱??之后、开始作业集装箱??′之前所需的移位时间。此外还设置了额外约束,以定义船舶总作业时间(公式25),并设定允许延迟率????????????的离港时间(公式26)。公式(27)定义了二元变量????????。公式(28)定义了决策变量的类型,变量为连续或二元类型。

4.3 线性化

上一节中给出的公式(3)是一个非线性凸函数。我们可以通过引入二阶特殊有序集(SOS2)约束来对参数1/∑??∈??????进行线性化。具体而言,我们引入新变量??????????来表示船舶??的估计最短作业时间,其中∑??∈??????定义在区间[∑??∈??(??????+??????????), ∑??∈????????????????????×(1+????????????)]上。此外,我们定义一个新的集合??和新的变量????。其中,??表示用于线性插值的断点集合,以??为索引,????表示预先设定的断点值,且均匀分布。我们还引入参数????来表示凸组合权重,用于计算加权求和以进行近似。与方程线性化相关的约束如下:

(29) ∑??∈?????? = ∑??∈??????·????, ???∈??
(30) ∑??∈??(??????+??????????) ? ???? ? ∑??∈????????????????????×(1+????????????)
(31) ∑??∈?????? = 1, ??????0
(32) ??????????? ? ∑??∈????????·??????·???? × ∑??∈??(1/????)·????

在公式(29)中,集合??上参数值????经系数????加权求和,用于表示参数∑??∈??????。公式(30)确保所有断点均落在指定的允许范围内。公式(31)规定权重变量非负,且至多两个相邻的????为非零。将公式(29)代入公式(3),得到线性公式(32)。

上一节中的公式(6)是一个包含绝对值的非线性函数。首先,我们通过将其转化为两个约束——公式(33)和公式(34)——来消除绝对值。

(33) ?????? ? |??|·(1???????·??????) ? ???? + ??????/2, ???∈??, ??∈??, ??∈??
(34) ??????? ? |??|·(1???????·??????) ? ????? + ??????/2, ???∈??, ??∈??, ??∈??

在公式(33)-(34)中,假设岸电连接点位于??????处,该位置代表船舶所占泊位中最小的泊位编号。然而在实际操作中,岸电连接点距离船首和船尾均有一定距离。如图2所示,当船舶左侧靠泊或右侧靠泊时,岸电连接点与点??????之间的相对距离不同。为量化该距离,我们引入新参数??????,定义为岸电连接点到船舶最前端的距离。此外,我们引入两个二元变量??????和??????。??????=1表示船舶??左侧靠泊且由岸电充电站??提供服务,??????=1表示船舶??右侧靠泊且由岸电充电站??提供服务。因此,公式(33)-(34)被公式(35)-(41)所替代。

(35) ?????? + ?????? ? |??|·(1???????·??????) ? ???? + ??????/2, ???∈??, ??∈??, ??∈??
(36) ??????? ? ?????? ? |??|·(1???????·??????) ? ????? + ??????/2, ???∈??, ??∈??, ??∈??
(37) ?????? + ???? ? ?????? ? |??|·(1???????·??????) ? ???? + ??????/2, ???∈??, ??∈??, ??∈??
(38) ??????? ? ???? + ?????? ? |??|·(1???????·??????) ? ????? + ??????/2, ???∈??, ??∈??, ??∈??
(39) ?????? ? ??????, ???∈??, ??∈??
(40) ?????? ? ??????, ???∈??, ??∈??
(41) ?????? ? ?????? + ??????, ???∈??, ??∈??
(42) ?????? ∈ ??, 且 ??????, ??????, ?????? ∈ {0,1}

公式(35)-(36)定义了船舶左侧靠泊时,船舶岸电连接点、船首节点与岸电充电站位置之间的关系。公式(37)-(38)定义了船舶右侧靠泊时,船舶岸电连接点、船尾节点与岸电充电站位置之间的关系。公式(39)-(41)规定了三个二元变量之间的相互约束关系。公式(42)定义了决策变量的类型。

5. 迭代双层优化算法

BAQCSP模型可分解为以任务解决粒度为区分的双层优化框架。上层以集装箱为粒度进行岸桥调度,下层以船舶为粒度进行泊位分配。我们开发了一种迭代算法来协调这两个层级。如图5所示的整体框架包含三个算法支柱:加权K近邻(KNN)算法、自适应大邻域搜索(ALNS)算法和列生成(CG)求解器。

在上层,主要目标是在考虑船舶所需完工时间的条件下解决岸桥调度问题。采用ALNS算法生成每座岸桥的作业方案。需要注意的是,岸桥处理每个集装箱的时间由加权KNN算法预测。这一步骤增加了求解过程的复杂性,但提高了方案在管理应用中的适应性。基于岸桥调度的统计结果,可以得出船舶的实际服务时长。该参数作为输入传递至下层,辅助其求解过程。它同时也是循环终止条件之一。当观察到经过若干次迭代后,船舶总在港时间不再减少时,循环即可终止。

在下层,主要目标是在考虑岸电服务覆盖的条件下解决泊位分配问题。采用列生成(CG)算法确定每艘船舶的靠泊开始时间、靠泊位置以及可连接的岸电充电站数量。基于泊位分配的统计结果,可以得出每艘船舶所需的完工时间。该参数作为输入传递至上层,辅助其求解过程。在当前阶段,泊位利用率和岸电利用率作为另一个循环终止条件。当观察到经过若干次迭代后,泊位利用率不再增加时,循环即可停止。该框架的伪代码见附录A。

5.1 岸桥作业时间预测

为准确估算岸桥作业时间,我们采用了动态区域加权KNN算法。选择KNN算法是因其具有简单性、非参数特性以及在捕捉运营数据中局部模式方面的强实证表现——尤其是在历史记录在相似条件下表现出高度相似性时。虽然梯度提升或神经网络等更复杂的模型可能在预测精度上带来边际提升,但KNN提供了一种透明且可解释的框架,与现实港口调度约束高度契合。此外,KNN基于实例学习的特点使其能够随着新运营数据的可获得性而动态适应,便于在不进行完整重新训练的情况下实现模型更新。

在码头运营领域专家的指导下,我们设计了十个关键特征,共同捕捉影响岸桥作业周期的物理、物流和环境因素:①潮汐高度(TH)、②船型(VT)、③岸桥编号(QCid)、船舱内贝-排-层(④BRT-B、⑤BRT-R、⑥BRT-T)、⑦集装箱尺寸(CS)、⑧移动距离(MD)、⑨双提20英尺箱(TTL)、⑩船舶长度(VL)。从码头运营数据库中获取每个集装箱的详细记录,包括集装箱编号、积载位置(贝、排、层)、集装箱尺寸、岸桥编号以及作业起止时间。船舶尺寸通过将船名与Marine Traffic的AIS数据进行匹配来获取。采集沙扒洲站(22°43′N, 113°40′E)的潮位记录,并使用线性插值填补时间序列中的间隙。图6(1)展示了类别1、3和7对应的500个集装箱的特征值。这些异构多源数据集的整合为HTC的准确预测提供了坚实基础。

为验证上述特征的重要性,我们设计了基于置换重要性和Bootstrap稳定性分析的实验。结果如图6(2)所示。置换重要性衡量的是将某个特征随机打乱后测试均方误差(MSE)的增加量,从而打破该特征与目标变量之间的关系。特征⑥BRT/T、⑤BRT/R和⑦CS在置换后MSE显著增加,表明其具有强预测相关性。相比之下,特征⑨TTL、⑩VL和⑧MD显示出的影响微乎其微甚至为负,表明其对模型性能的贡献有限或存在潜在噪声。因此,本研究仅使用前七个特征构建预测模型。如图6(3)所示,特征构建过程被形式化为从输入数据到结构化数据集的映射。A表示训练集,X表示测试集,m=7表示所选特征的数量。

该步骤的伪代码见附录B,包括以下过程:将完整数据空间划分为S个子区域,每个子区域使用动态半径??????进行局部搜索。引入加权激活函数为每个邻居分配权重,使得距离更近的样本对预测产生更大影响。最后,在每个子区域内独立执行加权KNN预测,并通过源自集成学习的加权投票机制对结果进行聚合。关键的是,特征1存在时间变化,特征2在功能上依赖于泊位分配结果,特征3则由岸桥调度所决定。因此,在模型求解过程中,HTC的预测会基于可行的泊位分配和岸桥调度方案进行动态调整。

5.2 基于ALNS算法的岸桥调度

在岸桥调度模型的求解过程中,初始岸桥数量设为系统可用岸桥的最大数量,并在后续迭代中逐步减少,以搜索能最大化目标函数值的最优岸桥配置。采用ALNS算法(Iris et al., 2017; Wu et al., 2025),该算法使用如图7所示的编码方案。

为期两周的岸桥调度规划涉及大量的集装箱作业操作,导致计算复杂度极高且求解时间过长。此外,实际的装卸过程极易受到干扰——如岸桥作业时间预测误差、恶劣天气、设备故障或船舶延误——这些干扰往往导致长期调度方案在执行过程中变得不可行。

为应对这些挑战,采用滚动时域方法。每隔24小时基于每日开始时最新的运营状态重新生成岸桥调度方案。随后,动态计算每日完成的集装箱作业量和每座岸桥的运转时间,这些结果作为规划次日的初始条件,从而确保调度方案与实际操作持续保持一致。在目标函数方面,每期每艘船舶的计划完成量设为与其作业量成比例。在确定本周期内所有船舶的岸桥调度方案后,计算最终的岸桥利用率和完成率。

附录C中提供了详细说明该算法的伪代码。算法中采用的邻域操作包含五个类别:(1)随机重新分配工作区给岸桥;(2)随机重排区域内任务序列;(3)将(1)和(2)所述操作结合起来;(4)交换相邻两台岸桥之间的作业量;(5)将作业量最少的岸桥上的所有任务重新分配给其余岸桥。这些邻域操作共同实现了关键的算法功能,包括随机重新分配、局部序列重排以及移除表现最差的任务。该算法采用模拟退火接受准则来跳出局部最优。一种自适应机制根据各算子在解改进过程中的历史表现和接受频率动态更新其权重。5.3 用于泊位分配的列生成算法设计了一种列生成算法(Vacca et al., 2013)来解决纳入岸电供应的泊位分配模型。求解过程从为每艘船舶初始化一组可行的靠泊方案以形成受限主问题(RMP)开始。然后求解RMP的线性松弛,获得与"每艘船舶必须被服务"和"泊位资源占用"等约束相对应的对偶变量。随后,利用这些对偶变量为每艘船舶独立求解定价子问题。子问题的目标是识别一种新的可行船舶服务方案——定义为靠泊位置和时间的组合——以最大化对整体泊位利用率的边际贡献。该过程受物理约束限制,包括泊位长度、船舶到港时间和岸电服务覆盖范围。任何能改善目标值的新方案都被作为一列加入RMP。迭代持续进行,直到无法再找到进一步改善的方案,表明解已足够接近最优解。所有相关参数、集合和详细模型公式均在附录D中提供。模型所需的输入参数总结如图8所示。所有船舶的在港作业时间根据上层模型输出的岸桥调度计划确定,而其他输入参数则基于历史数据的统计分析随机生成。下载:下载高分辨率图片(453KB)下载:下载全尺寸图片图8. 与泊位分配相关的实际矩阵上述设计作为图5中的下层循环的一部分参与泊位分配计划的优化过程。值得注意的是,如附录A所示,我们在搜索过程中逐渐减少可用泊位长度,最小缩减间距设为10米——即集装箱码头两个系船柱之间的最小间距。这一措施旨在更快地找到最优解并集中船舶的靠泊作业空间。每个方案对应的泊位利用率(BOR)和岸电利用率(SPUR)仍使用公式(2)-(3)进行计算。6. 结果与讨论本节基于南沙四期自动化集装箱码头(全球首个实现无缝江海铁多式联运的全自动化码头)的实际案例研究设计实验场景。在该码头场景下验证的方法论可以通过调整关键输入变量灵活地适用于其他自动化码头的类似分析。所有实验在MATLAB(配合Gurobi 9.5.2和Python 3.13)中实现,并在工作站(Intel(R) Core(TM) i7-7700 CPU,3.60 GHz,8 GB RAM)上进行。6.1 BAQCSP模型结果收集的数据包括码头布局和运营记录。布局包含一条长2444米的泊位,配备12台岸桥和18个岸电接点(12个高压和6个低压)。如3.3节所述,测试数据集包含来自32艘船舶的59,561个集装箱。按船长对船舶进行分类——大型(>256米)、中型(150–256米)和小型(<150米)——决定了岸电兼容性,大型和小型船舶分别限定使用高压和低压连接,而中型船舶可同时兼容两者。这些船舶的实际到港和离港时间通过线性缩放归一化为两周的规划期。输入参数设置如下:船舶周转时间(τv'v')为0.5小时;准时到达(JIT)目标偏差界限(ρdelay)为5%;船舶间隔的经验安全系数(μsafe)为10%;相邻岸桥之间的最小安全距离(lk'k')为2个贝位;权重系数(ω1, ω2, ω3)分别为(0.6, 0.6, 0.7)。基于第5节所述的算法框架和附录A提供的伪代码,输入上述数据后启动求解过程。泊位利用率(ηberth)和岸电利用率(ηshore)直接关联泊位分配问题,代表下层解。岸桥利用率(ηcrane)和船舶可用岸桥时间比例(ηship)直接与岸桥调度问题相关,构成上层解。提取前100代中四种利用率指标和整体资源利用率,结果如图9所示。下载:下载高分辨率图片(133KB)下载:下载全尺寸图片图9. 每次迭代的各项资源利用率对图9的分析表明,在当前场景下,每轮迭代的岸电利用率始终达到100%。因此,该因素被排除在循环终止条件的设计之外。泊位利用率初始超过50%,但在循环开始后立即降至40%以下。这一下降归因于最初对船舶在港服务时间的过高估计,人为地夸大了利用率。随着岸桥调度计划的优化,船舶的总泊位作业时间缩短,靠泊安排更加紧凑,导致泊位利用率在合理范围内逐步提高。100代中的在港总泊位作业时间和泊位利用率汇总于图10。结果显示,所测试算例的泊位作业时间逐渐减少,泊位利用率逐渐提高。在本次实验运行中,算法在第50至60次迭代之间趋于稳定并识别出接近最优的解。下载:下载高分辨率图片(117KB)下载:下载全尺寸图片图10. 每次迭代的循环停止参数值对于最优解,四个目标函数按24小时周期进行评估。分别记录下层模型解、上层模型解和整体目标函数的值。相应的统计数据见表3。采用累计报告方法,即每一天的值代表从观察期初到该天的累计总和。表3. 按天累计结果汇总空白单元格 D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 D13 D14 ηberth 47.7% 48.6% 42.4% 41.4% 38.9% 34.8% 35.4% 33.0% 34.7% 37.9% 38.6% 37.8% 38.6% 39.0% ηshore 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% FL 68.6% 69.2% 65.4% 64.8% 63.3% 60.9% 61.2% 59.8% 60.8% 62.7% 63.2% 62.7% 63.2% 63.4% ηcrane 93.8% 95.4% 93.3% 96.7% 98.4% 87.5% 89.6% 87.2% 87.5% 89.6% 89.4% 87.2% 88.5% 89.8% ηship 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 99.9% 95.5% 93.2% 91.0% 88.9% FU 96.3% 97.3% 96.0% 98.0% 99.1% 92.5% 93.8% 92.3% 92.5% 93.7% 91.8% 89.6% 89.5% 89.5% F 76.9% 77.6% 74.6% 74.8% 74.1% 70.4% 71.0% 69.5% 70.3% 72.0% 71.8% 70.7% 71.1% 71.2%如表3所示,在14天的规划期内,泊位利用率保持在33%–49%的中等范围内,分布相对均匀。这表明船舶靠泊时间得到了有效平滑,有助于避免在空闲时段资源利用率不足和高峰期拥堵的常见运营困境。这种均衡的占用模式也反映了集装箱码头普遍采用的准时到达靠泊策略的有效性。岸电利用率在整个两周期间每日均保持100%,证实了优化方法在不同类型船舶之间一致地分配兼容的充电设施。这种完全采用意味着所有靠泊船舶在停靠期间完全关闭了辅机。因此,靠泊期间本地污染物的直接排放——包括硫氧化物(SOx)、氮氧化物(NOx)和颗粒物(PM2.5/PM10)——几乎完全消除,显著改善了码头空气质量,降低了港口工作人员和附近社区的健康风险。更重要的是,即使在船舶交错到达和船型混合的条件下,连续两周保持100%的岸电利用率,证明了该方法在面对接头不匹配或电力容量不足等常见实际挑战时具有强大的韧性。此外,优化模型实现了71.2%的综合资源利用率。该调度方案实现了船舶近90%的准时离港率和超过85%的岸桥利用率。这一高运营效率直接转化为船舶周转时间的减少,从而最小化了不必要的辅机运行时间,进一步强化了岸电系统已实现的环境效益。高效的泊位调度减少了船舶周转时间,直接支持了海事物流中的脱碳和节能目标(Styhre et al., 2017)。规划后期利用率的下降表明需要进行动态重新调度。建议实施定期重新调度策略以维持这些减排效益,防止导致船舶长时间空闲的效率低下问题。6.2 模型与算法验证本节针对预测方法和模型求解方法分别设计了比较实验,以验证所提算法的有效性。具体而言,比较了八种单箱作业时间(HTC)计算模型,并评估了三种模型求解方法。6.2.1 预测方法比较一项关于1000个集装箱的案例研究评估了单箱作业时间的预测算法。采用本文提出的动态区域加权KNN算法(伪代码见附录B)进行预测。数据集分为90%的训练集和10%的测试集。邻居数设为K=3,Rs k={0.5;0.01;1;1;1;1;0.01},Rs k={max a ik ? min a ik},Ns k={10,100,1000}。为了比较不同预测算法的性能,我们进行了两类评估。第一类评估是可视化对比。采用多个模型预测作业时间,包括固定2分钟基准线、多元线性回归、长短期记忆网络(LSTM)、支持向量回归(SVR)、随机森林、XGBoost、CatBoost以及本文提出的加权KNN。图11绘制了前100个集装箱的预测作业时间与实际作业时间对比。下载:下载高分辨率图片(1MB)下载:下载全尺寸图片图11. 八个预测模型在100个集装箱样本上对岸桥作业时间的评估固定值基准线(图11(1))和多元线性回归(图11(2))无法捕捉时间变异性,凸显了对非线性方法的必要性。LSTM(图11(3))和SVM(图11(4))表现出中等准确度,但受参数敏感性或计算延迟的限制,限制了其实际可用性。基于树的模型(随机森林(图11(5))、XGBoost(图11(6))、CatBoost(图11(7)))通过建模特征交互提升了性能,但在数据稀疏区域表现出过拟合和不稳定性。本文提出的加权KNN模型(图11(8))实现了与观测数据最一致、最准确的吻合。它在不发生过拟合的情况下捕捉了全局趋势和局部变化,在其他模型偏离的地方保持了稳健的性能。这源于其基于相似性推理的核心机制。该机制通过动态加权最具操作相似性的历史实例来启用,使模型能够适应潮汐条件、岸桥状态和集装箱配置等上下文因素。第二类是基于定量指标的对比。所有模型均使用平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)进行评估,结果汇总于表4。表4. 集装箱作业时间模型预测比较模型 MAE MSE RMSE MAPE 推理时间 固定值(2分钟)0.697 0.674 0.821 43.6% 0.000 s 多元线性回归 0.475 0.514 0.717 20.8% 0.001 s 长短期记忆网络 0.458 0.492 0.702 19.1% 3.411 s 支持向量回归 0.462 0.564 0.751 16.9% 0.018 s 随机森林 0.488 0.543 0.737 19.8% 0.139 s XGBoost 0.454 0.463 0.680 29.5% 0.132 s CatBoost 0.443 0.474 0.689 28.1% 0.227 s 加权KNN(本文)0.421 0.451 0.671 16.6% 0.005 s如表4所示,本文提出的加权KNN模型在所有评估指标上均取得了最佳整体性能,实现了最低的MAE(0.421)、MSE(0.451)、RMSE(0.671)和MAPE(16.6%)。它优于XGBoost和CatBoost等最先进的模型。值得注意的是,虽然随机森林和XGBoost等基于树的模型表现出有竞争力的精度和更快的推理时间,但其优势在较小规模、较低线性的场景中减弱。相比之下,KNN模型与实际操作数据(图11(8))的对齐程度更优,特别是对于受非标准条件影响的集装箱——例如受潮汐波动或岸桥特异性效率低下影响的集装箱——其基于相似性的推理能够进行更准确的上下文适应。虽然KNN是一种惰性学习方法,在推理时需要计算距离,但在特征空间紧凑且问题规模较小时,其计算开销在实践中仍然微乎其微。如表4所示,本文模型的推理时间(0.005 s)显著低于LSTM(3.411 s),在完整优化上下文中与许多基于树的模型相当甚至更优。更重要的是,在本文提出的动态迭代双层优化框架中,每次迭代仅重新评估部分集装箱,且预测可以跨连续步骤进行缓存或复用。这一设计极大地减少了累积计算负担,使基于KNN的预测模块尽管存在逐查询复杂度,但仍具有很高的效率。6.2.2

# 算法性能比较

为了展示所提出的迭代双层优化算法相对于顺序两阶段调度方法的优越性,我们将其与两种具有代表性的基准方法进行比较:(1)使用Gurobi优化器求解的标准混合整数规划(MIP)方法,以及(2)一种元启发式算法(邻域搜索),该算法与附录C中详细介绍的算法共享相同的算子和终止准则。

为了缩小问题规模并快速获得可行解,可以将双层模型转化为两阶段模型。第一阶段求解泊位分配问题,其中每个集装箱的实际岸桥作业时间和每艘船所需的总桥工时被视为已知参数;因此任务仅限于为每艘船分配泊位和岸电桩。第二阶段求解岸桥调度问题,其中每艘船的靠泊时间和位置被视为给定条件;因此任务仅限于确定岸桥作业计划。在基准测试中,Gurobi和元启发式算法分别被应用于求解泊位分配问题(BAP)和岸桥调度问题(QCSP),并将所得目标值按照公式(1)求和进行比较。所提出的迭代双层优化算法则在一个统一框架内直接求解集成的BAQCSP问题。

基于6.1节中介绍的实际运营数据,我们通过按到达时间排序,分别选取1、2、3、4、5、10、15、20、25和30艘船舶,生成了10个独立实例。性能指标仍然为四类资源的利用率。实验结果见表5,并与所提出的迭代双层优化算法的结果并列展示以供比较。Gap1定义为启发式算法与Gurobi最优解之间总利用率差距的百分比。Gap2表示迭代双层优化算法与Gurobi最优解之间总利用率差距的百分比。

**表5. 混合整数规划、元启发式与迭代双层算法的比较**

| (|N|,|V|) | MIP (Gurobi) | 元启发式算法 | | 迭代双层优化算法 | |
|---|---|---|---|---|---|
| | η_berth η_shore η_crane η_ship | BAP QCSP F | BAP QCSP F Gap1 | BAQCSP F Gap2 |
| (1045,1) | 14% 100% 89% 100% | 62% | 14% 100% 89% 100% | 62% 0.0% | 14% 100% 95% 100% | 63% 1.8% |
| (1776,2) | 22% 100% 95% 100% | 66% | 22% 100% 90% 100% | 65% ?1.4% | 22% 100% 95% 100% | 66% ?0.2% |
| (2767,3) | 32% 100% 93% 93% | 70% | 32% 100% 89% 97% | 69% ?0.4% | 32% 100% 94% 100% | 70% 1.4% |
| (4168,4) | 37% 100% 97% 89% | 72% | 29% 100% 90% 95% | 68% ?5.5% | 37% 100% 98% 100% | 73% 2.1% |
| (4470,5) | 40% 90% 98% 86% | 70% | 37% 90% 92% 90% | 68% ?2.9% | 40% 90% 93% 100% | 71% 1.2% |
| (15002,10) | 37% 100% 90% 90% | 71% | 35% 100% 86% 90% | 69% ?2.3% | 39% 100% 89% 100% | 72% 2.2% |
| (27907,15) | 36% 100% 88%* 88%* | 70%* | 34% 100% 85% 87% | 68% ?2.5% | 36% 100% 91% 100% | 71% 2.6% |
| (34410,20) | 39% 100% 85%* 88%* | 70%* | 35% 100% 83% 89% | 68% ?2.7% | 39% 100% 88% 95% | 72% 2.1% |
| (41346,25) | 38%* 100%* 86%* 87%* | 70%* | 35% 100% 83% 88% | 68% ?2.3% | 39%* 100%* 88% 91% | 71% 2.0% |
| (54042,30) | 35% 100%* 86%* 86%* | 68%* | 32% 100% 80% 88% | 67% ?2.6% | 35%* 100% 88% 90% | 69% 1.3% |

注:*表示在10分钟时间限制内未找到最优解。

对Gap1的分析表明,传统启发式算法始终劣于精确模型,所有实例的差距均为负值,范围为?0.4%至?5.5%。相比之下,Gap2的结果展示了所提出的集成框架的显著优势。值得注意的是,对于大多数中大规模实例(|V|≥3),Gap2为正值(1.2%至2.6%),表明其整体资源利用率优于顺序两阶段调度方案。相反,仅对于极小规模实例(|V|=2)观察到轻微负偏差(?0.2%)。

这一模式使我们得出关于所观察性能来源和范围的两个主要结论。首先,这种优势本质上是结构性的。在大多数测试案例中观察到的持续正Gap2并不意味着所提算法在所有替代方法上具有普遍优越性。相反,这一结果直接归因于集成框架的设计——具体而言,是决策层之间的闭环反馈和渐进修正机制,这是顺序基准方法所缺乏的。其次,该机制的有效性具有上下文依赖性。Gap2随实例规模的变化表明,其性能并非普遍适用,而是取决于问题复杂度。其优势在中等至大规模场景(|V|≥3)中尤为明显,在这些场景中协调决策至关重要。

## 6.3 优化策略的有效性

为了验证所提出的优化策略的有效性,我们设计了四种比较方法并标记为M1至M4。M1采用先进先出(FIFO)靠泊策略,船舶靠泊时间和岸桥作业时间均从实际运营统计中得出(场景1)。M2采用泊位优先策略,旨在通过求解泊位分配模型并调度尽可能多的岸桥来最大化泊位利用率,以确保船舶按计划离港(场景2)。M3采用固定岸桥生产率策略,将HTC定义为2分钟(场景3)。M4代表本文提出的完整双层模型。它利用加权KNN预测的岸桥作业时间进行更精确的调度,并使用列生成与大规模邻域搜索相结合的方法求解(场景4)。将这四种方法应用于6.1节中的案例研究,得到14天的泊位分配和岸桥调度计划,以及四类利用率指标。其中,SPUR达到100%,为SPC政策实施提供了参考。以一天为时间单位,对BOR、QCUR、AVCR(η_berth、η_crane和η_ship)进行统计汇总,如图12所示。

**图12. M1至M4方法14天内BOR、QCUR和AVCR的性能分布**

### 6.3.1 集成调度与顺序调度方法的比较

在图12中,场景1对应传统的顺序调度方法,而场景4代表本研究提出的集成调度方法,该方法同时优化船舶靠泊和岸桥作业。计算结果表明,场景4中的所有性能指标均显著优于场景1。具体而言,与顺序调度方法相比,集成方法将η_berth提高了77.9%,η_crane提高了106.9%,η_ship提高了20.8%。

对图12的进一步分析表明,场景4中的η_berth明显更高,其中位数为41.2%,而场景1中为21.2%。这表明集成模型生成了更合理的船舶到离港计划,从而减少了泊位闲置时间和拥堵。场景4中的η_crane范围为66.8%至97.7%,相比场景1中的12.8%至82.6%范围有显著提升。这一改善反映了岸桥等待时间的减少和资源部署效率的提高。此外,场景4中的η_ship表现出更大的稳定性,其中位集装箱作业效率超过60%,且数据离散度较低。这些结果表明,船舶周转时间得到了优化,因岸桥资源不足或调度冲突导致的延误被最小化。集成调度策略通过全局协调资源配置,优于传统顺序方法,从而增强了岸桥、泊位和船舶之间的协同效应。结果证实了所提方法在实际港口运营中的实用优越性和应用潜力。

### 6.3.2 单目标优化与多目标优化的比较

在图12中,场景2代表一个旨在最大化η_berth的单目标模型,该模型优先考虑泊位分配,并尝试分配尽可能多的岸桥以确保船舶按计划离港。箱线图表明,其泊位利用率在所有场景中分布最为均匀,下须线位置高于其他场景。然而,其η_crane显著较低,而η_ship的变化范围最大。这表明仅专注于最大化η_berth容易导致资源错配、运营延误和系统不稳定,最终损害港口运营的整体效率和可靠性。

相比之下,场景4是一个旨在最大化所有关键资源综合利用率的多目标模型。图12中场景4与场景2的比较表明,场景4中的η_berth中位数高于场景2中观察到的24.2%。这反映了通过全局协调,港口可以更合理地安排船舶靠泊顺序和时间窗口,从而避免局部优先调度造成的"虚假高占用"现象。场景4中的η_crane范围为66.8%至97.7%,其下限超过了场景2(8.6%至61.8%)的上限。这表明多目标调度促进了岸桥资源的更合理分配。同时,场景2中的η_ship表现出更高的离散度,分布在0%至100%之间,表明在单目标驱动下,模型可能会延长船舶靠泊时间以最大化占用率,导致无法按期离港或船舶集中到离港。相比之下,场景4中η_ship的分布更为集中,中位数为60.4%,波动范围明显较窄,反映了对船舶作业节奏的精确控制。

结果表明,场景4优于场景2。尽管泊位优先策略改进了传统顺序调度,但仍然受到泊位与岸桥之间缺乏动态协调的限制。相比之下,多目标模型不仅提高了平均利用率,还确保了船舶运营更强的鲁棒性,促进了集装箱码头的高效、均衡和可持续管理。

### 6.3.3 固定HTC与预测HTC的比较

在图12中,场景3和场景4的唯一区别在于输入参数HTC。场景3采用传统研究中常用的岸桥生产率2分钟/自然箱次。然而,正如6.2.1节所分析的,装卸作业中的实际HTC大多短于2分钟。在场景4中,HTC则从预测的实际作业时间中得出。箱线图表明,在这种修改下,所有资源利用率指标均有提升。

图12中场景4与场景3的比较揭示,场景4中η_berth的中位数高于场景3中观察到的32.9%。同样,η_crane和η_ship分别从95.4%提高到96.4%,从56.8%提高到60.4%。这些改善可归因于以下原因:(1)在给定时间窗口内增加吞吐量。在相同时间内处理更多集装箱,减少资源闲置时间。(2)更好地利用有限数量的岸桥。岸桥可以根据实时需求动态分配给多艘船舶,而不是静态分配给单艘船舶直到其离港。(3)从最小化单艘船舶靠泊时间转变为确保所有船舶按时完成。工作量在调度周期内分布更均匀。任务尽可能在当前周期内完成,仅将无法避免的溢出任务延续到下一周期。这种方法提高了船舶准点率,避免了贪心短期调度常导致的资源浪费。

因此,使用预测的HTC显著提高了集成调度模型的准确性和有效性。通过将过于保守的静态HTC替换为动态学习的真实估计值,系统避免了高估作业时间,从而防止不必要的延误并减少调度保守性。结果还表明,即使是HTC等基础参数中的微小不准确,也可能在整个调度链中传播并降低整体性能。因此,将数据驱动预测集成到核心建模框架中,对于在真实环境中实现真正最优和实用的港口运营至关重要。

## 6.4 不同指标下资源利用效率的比较

本文通过加权平均集成了四个指标(BOR、SPUR、QCUR、AVCR)来解决集装箱码头资源利用问题。三级权重体系(ω?、ω?、ω?)控制整体利用率。ω?和(1?ω?)分别分配给BOR和SPUR,因为两者都依赖于泊位位置。同样,ω?和(1?ω?)分别分配给QCUR和AVCR,因为它们与集装箱作业完成时间相关。权重ω?主要用于将四个目标线性化,其次用于平衡泊位分配与岸桥调度之间的重要性。本节中,ω?固定为0.5。我们通过将ω?和ω?从0.1到0.9以0.1为步长系统地变化,创建了81个场景。每个场景的资源利用率被记录,并如图13所示。

**图13. 不同权重组合下的资源利用率热图**

图13以ω?为x轴,ω?为y轴,通过四个热力图子图分别可视化各资源的利用率。具体而言,BOR范围为23.8%至40.0%,SPUR范围为87.5%至100%,QCUR范围为83.1%至94.6%,AVCR范围为87.8%至100%。

### 6.4.1 泊位占用率

在图13(1)中,我们观察到高泊位利用率主要集中在ω?≥0.6的区域。这揭示了我们的决策模型对QCUR的重视超过AVCR,从而推高了BOR。其机制是分配较少的岸桥会减少其闲置,但也降低了总作业效率。这种低效延长了船舶周转时间,导致泊位被占用更长时间,从而提高了利用率。我们持续观察到,在ω?从0.1到0.3的实验中,ω?值越大对应BOR越高。然而,随着ω?值的继续增加,这一趋势发生逆转。例如,当ω?设为0.5时,BOR峰值36.7%出现在ω?=0.5处,而非ω?=0.9处。

这种变化之所以发生,是因为BERTH周转率(BOR)的改善也可以通过缩短单艘船舶的周转时间来加速泊位吞吐量。然而,要实现更高的吞吐量,需要分配大量的岸桥(QC)来为船舶提供服务,这反过来又会产生岸桥等待时间,从而降低其利用率。

6.4.2 岸电利用率比率

从图13(2)中,我们观察到当岸电利用率比率(SPUR)的关联权重(1-ω?)大于或等于0.5时(图的左半部分),SPUR趋近于100%。然而,随着该权重的降低(图的右半部分),利用率出现了明显的下降。这表明岸电充电桩的位置对船舶的靠泊位置和靠泊时长有显著影响。从管理角度来看,必须为码头建立最低岸电使用标准,并辅以相应的激励和惩罚机制。这对于防止大规模环境污染、过量碳排放或未能实现减排目标至关重要。在实际运营中,码头运营商应综合考虑高压和低压岸电接点的分布位置、电缆长度以及船舶岸电接口位置等因素,制定靠泊计划。这种综合规划不仅提高了岸电利用效率,还降低了运营风险,提升了绿色码头实践的总体经济可行性。

6.4.3 岸桥利用率比率

从图13(3)中,我们观察到岸桥利用率比率(QCUR)最高为94.6%,最低为83.1%。这些数值并非出现在参数空间的极端角落。这表明简单地增加或减少某一目标的权重并不能可靠地改善或降低QCUR。将参数空间划分为四个子区域进行进一步分析后发现,右下方的子区域始终产生较高的QCUR。该区域的权重方案特征是对BERTH周转率(BOR)相对于SPUR给予更高重视,并对平均船舶完工率(AVCR)相对于QCUR本身给予更高优先级。这种模式表明,间接促进高效的泊位分配和及时的作业完成,是比直接最大化其权重来取得高QCUR更为有效的策略。相反,仅专注于最大化QCUR的策略可能导致其他关键资源如泊位和岸电的使用次优,最终由于由此产生的瓶颈问题,导致岸桥性能在较长时间内恶化。

6.4.4 平均船舶完工率

从图13(4)中,我们观察到在大多数(ω?, ω?)权重方案下,平均船舶完工率(AVCR)达到100%。只有当过度强调QCUR(即随着ω?增加)时才会出现问题:分配的岸桥数量减少导致船舶在港时间延长。尽管在这些设置下BOR可能增加,但无法按时离港的船舶数量也会上升。在大多数情况下,BOR和AVCR表现出拮抗关系。例如,随着ω?增加,BOR倾向于上升而AVCR下降。然而,在某些特定点上存在显著的例外,如(ω?, ω?)=(0.8, 0.9)和(0.5, 0.5),在这些点上两个指标均超过其平均值。如图14所示,这表明我们的方法论框架能够识别帕累托最优或均衡的解决方案,在这些方案中两个目标都能以高水平同时得到满足,而非严格冲突。

下载:下载高分辨率图片(139KB)
下载:下载完整尺寸图片
图14. 不同目标权重下BERTH周转率与平均船舶完工率的帕累托前沿

结果表明,追求单一资源的最大化利用率是一种次优策略,因为这可能导致整个运营周期内系统总体利用率的下降。相反,必须采用整体性方法。我们倡导一种动态模型,该模型根据任务量、岸桥可用性和泊位占用状况等关键运营参数实时调整资源优先级。其目标是最大化总利用率,确保所有关键资源的效率和可持续使用。

7. 结论

本研究提出了一种新型的综合优化框架,将四项关键可持续性指标(BOR、SPUR、QCUR、AVCR)系统性地嵌入到泊位与岸桥的联合调度中。我们构建了一个多目标混合整数规划模型,以最大化综合资源利用率,同时满足静态约束(如岸电覆盖范围)以及基于岸桥作业时间数据驱动预测的动态约束。为解决模型的计算复杂性,我们提出了一种新型迭代双层优化算法,该算法结合了用于动态参数估计的加权KNN算法、用于解空间探索的自适应大邻域搜索算法以及用于子问题精确求解的列生成方法。通过在高阶可持续性目标与精细运营决策之间架起桥梁,我们为港口当局提供了一种数据驱动的决策方法。

此外,本研究基于一个海铁联运自动化集装箱码头的实际布局和包含59,561个集装箱的运营数据,验证了所提出的BAQCSP模型。实验区分了船舶类型、规划时间跨度和一系列关键参数,所有对比测试均在统一的软硬件环境下进行。结果表明,本文采用的加权KNN预测方法有效地整合了多种信息来源——包括潮汐高度、船舶类型、岸桥编号、位置因素和集装箱尺寸——实现了对岸桥作业时间的准确预测。这为后续的自适应决策提供了必要输入。此外,该迭代双层优化算法在其上层和下层之间根据可用泊位长度和每艘船舶的集装箱作业时间等参数集成了动态调整机制。这使得算法能够根据问题规模和实时解的质量自主调整搜索策略。与顺序两阶段方法和MIP求解器相比,所提出的算法表现出更优的收敛性能和解质量,尤其对于中大规模实例。

从管理角度来看,该多目标框架为面临不同战略优先事项的港口提供了实用指导。权重参数(BOR的ω?、SPUR的(1-ω?)、QCUR的ω?、AVCR的(1-ω?))不仅是数学构造,更是港口当局可根据其具体政策要求和运营约束进行校准的战略杠杆。例如,在严格执行岸电合规要求的港口,可能会优先考虑(1-ω?),接受适度的吞吐量下降以确保监管合规。相反,在面临竞争压力的商业驱动型码头,可能会强调ω?和ω?以最大化创收能力。我们在第6.4节提供了敏感性分析,展示了不同权重配置如何产生不同的最优解,使管理者能够直观地理解权衡关系并选择与其制度目标相一致的配置。这种灵活性在岸电连接政策不断演变的背景下尤为宝贵,因为港口可能需要随着监管要求的日益严格而调整其运营策略。

总之,本研究建立了一个将可持续性指标嵌入港口运营决策的框架。虽然该框架已在广州港南沙四期自动化集装箱码头进行了验证,但其核心方法论——"多目标优化与动态约束相结合"——为多样化的物流系统提供了可迁移的见解。关键贡献在于展示了如何通过数学建模和自适应机制将高阶可持续性目标操作化。该框架的适用性可延伸至任何拥有相互依存资源和竞争目标的物流系统,如自动化仓库、多式联运终端和配送中心。然而,实施时需考虑基础设施、数据可用性、治理和法规等本地因素。

未来的研究将从多个方向推进该框架。首先,将研究连续与离散泊位分配建模之间的关系,以使模型能够在不同的泊位配置间无缝适配。其次,将扩展起重机模型以涵盖单小车、双小车和双小车双40英尺岸桥的混合机队,并收集运营数据以刻画其独特的效率特征,为预测算法提供信息。第三,将完善岸电兼容性模型,以考虑非标准物理接口——如不兼容的电缆插座和插头配置——及其对泊位分配可行性的影响。除这些模型扩展之外,还将扩展可持续性指标组合,纳入全面的碳排放核算和量化噪声污染评估。同时还将整合多智能体博弈论公式化方法,以捕捉码头运营商、航运公司、监管机构和当地社区之间相互依存但目标各异的关系。最后,将在不同类型的港口——常规与自动化码头、深水与内陆设施、以及不同监管制度下的港口——之间进行对比实证研究,以评估该方法论在不同运营环境中的鲁棒性、适应性和可迁移性。

作者贡献声明

岳立军:原创初稿撰写,软件,方法论,资金获取,正式分析,数据整理。
范厚明:审阅与编辑,验证,指导,项目管理,调研,概念构思。
温少芳:审阅与编辑,可视化,资源,方法论。

岳立军 | 范厚明 | 温少芳
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号