编辑推荐：
多功能港口中货物、科研船只及海洋实验的时空资源协调优化研究，提出分层时空框架与BCAEA多目标模型，设计QLEPSO算法实现成本最小化和效率最大化，实验验证其在大规模（90船/18实验）场景下的效率优势（提升47.17%）及实时性。
李向阳|杨忠义|李明伟|洪伟强
哈尔滨工程大学船舶工程学院，中国黑龙江省哈尔滨市150001
摘要
集货物运输和科学研究于一体的多功能港口（CRPs）由于货物船舶、研究船舶和海洋实验之间的时空冲突，面临着前所未有的调度复杂性。为了解决这些资源冲突，本研究提出了一个分层时空协调框架，该框架建立了不同的操作区域和实验时间窗口。然后，构建了一个多目标联合调度模型（BCAEA），以整合泊位分配、码头起重机分配和实验安排，同时最小化船东和运营成本，并最大化实验效率。为了解决这一大规模优化问题，开发了一种改进的粒子群优化算法（QLEPSO），该算法结合了位置更新策略池、基于Q学习的策略选择和自适应参数控制。使用来自中国CRPs的实际运营数据进行数值实验表明，QLEPSO在解决大规模问题时的解决方案质量比标准PSO高出47.17%。此外，所提出的BCAEA_QLEPSO方法能够在1分钟内为涉及90艘船舶和18个实验的情况生成高质量的分配方案，验证了将强化学习与群体智能结合用于复杂港口调度的有效性。
引言
2024年，全球海运贸易量达到126亿吨，同比增长2.1%，这对港口运营效率提出了更高的要求。与此同时，海洋科学研究的战略重要性日益突出，深海勘探、气候监测和海洋资源开发越来越依赖于港口基础设施。近年来，多个国家已将海洋能力建设纳入其国家战略。中国的“海洋经济发展‘十四五’规划”提出了“促进海洋科技创新平台与港口物流设施的协同发展”。欧盟的“蓝色增长战略”鼓励成员国发展能够协调经济活动和研究活动的多功能海洋基础设施。在这些政策倡议的推动下，货物和研究港口（CRPs）在全球范围内得到了快速发展。代表性案例包括：中国的青岛港在东港区建立了综合设施，将集装箱码头与海洋科学研究船舶的全面支持基地相结合，为“科学”号和“向阳红01”号等研究船舶提供泊位、补给和维护服务；美国的圣地亚哥港既是斯克里普斯海洋研究所的主要支持港口，同时处理商业货物运输和研究船舶支持功能。
然而，在有限的港口资源约束下，有效协调三种异构活动——货物船舶处理、研究船舶服务和海洋实验——以实现经济效益和研究效果的双重提升，已成为港口运营管理中的一个关键挑战。货物船舶处理操作优先考虑最小化周转时间和运营成本；研究船舶需要专用泊位进行补给、设备装卸和维护，其时间窗口和资源需求与货物船舶有很大不同；作为独立科学活动的海洋实验需要特定的水域和时间段，并对环境条件有严格的要求，同时要求尽量减少周围操作的干扰。当这三种活动类型共享港口设施和水资源时，会在泊位占用、码头起重机分配、航道利用和操作区域方面产生复杂的时空冲突。例如，海洋实验可能会占用影响船舶进出的航道，而研究船舶的维护操作可能会长时间占用泊位和码头起重机，导致资源利用效率降低、船舶等待时间延长以及实验计划被打乱。现有文献缺乏对这类多活动协同调度问题的系统研究，特别是在资源分区配置和联合优化决策方面存在明显的研究空白。此外，传统优化算法在处理此类大规模组合优化问题时经常遇到收敛缓慢和容易陷入局部最优解的困难，无法满足实际应用的实时性和鲁棒性要求。
为了解决这些挑战，本文提出了一种基于差异化资源分配的泊位-起重机-实验联合调度方法。核心概念是建立了一个分层资源分区机制：在空间层面，通过区分泊位和水域来实现货物操作、研究船舶服务和海洋实验之间的空间隔离；在决策层面，通过协同优化泊位分配、起重机调度和实验安排来统一管理多种活动类型。在此基础上，本文开发了一个泊位-起重机-实验联合分配模型（BCAEA），并设计了一种改进的粒子群优化算法（QLEPSO）来进行求解。
本研究的主要贡献总结如下：
(1)为了解决CRPs面临的挑战，本文提出了一种新颖的两层资源分区框架。根据服务的船舶类型，将泊位分为货物泊位和研究泊位；根据操作活动类型，将水域分为货物水域和研究水域。货物船舶被限制在货物泊位，研究船舶被限制在研究泊位，海洋实验被限制在指定的研究区域内。这种结构有效地将航运活动与海洋实验分开，为CRPs的功能设计提供了理论基础。
(2)构建了一个多目标优化模型（BCAEA），整合了泊位分配、码头起重机调度和实验安排。该模型全面考虑了三种活动的时空约束和资源竞争，实现了经济效益和科学研究效率之间的平衡。
(3)设计了一种改进的粒子群优化算法QLEPSO。通过构建位置更新策略池并利用基于Q学习的策略选择机制，以及自适应参数控制机制，提高了算法在处理大规模问题时的性能。
(4)基于实际港口数据的计算实验表明，BCAEA_QLEPSO方法具有良好的适用性和灵活性，能够有效解决不同规模的港口调度问题。港口管理者可以根据不同运营时期的需求调整目标函数权重。性能比较分析显示，QLEPSO的解决方案质量优于FCFS方法；与B&B方法相比，QLEPSO显著提高了计算效率，同时保持了相当的解决方案准确性。特别值得注意的是，QLEPSO的解决方案质量比标准PSO算法高出47.17%，充分验证了所提算法的有效性和优越性。
本文的其余部分组织如下：第2节回顾相关文献。第3节描述问题并建立BCAEA模型。第4节详细说明QLEPSO算法的设计。第5节报告实验结果。第6节总结结论并讨论未来研究方向。
部分摘录
文献综述
CRPs中的调度问题主要涉及三个子问题：泊位分配问题（BAP）[1]、码头起重机分配问题（QAP）[2]和实验分配问题（EAP）。本节系统地回顾了这些领域的最新研究，并指出了激发本研究的关键空白。
问题描述
CRPs代表了一类新型的多功能海洋基础设施，超越了传统货物港口的运营模式。与传统仅用于货物处理的设施不同，CRPs整合了三个不同的运营领域：货物船舶服务、研究船舶支持和港口内的海洋实验。这种整合在资源分配和运营协调方面创造了前所未有的复杂性。
为了提高基础设施的利用效率，
基于Q学习的改进粒子群优化和BCAEA模型解决方法
鉴于PSO在解决港口调度问题方面的良好性能，本研究选择PSO作为解决BCAEA模型的基本框架。然而，在实际解决过程中，标准PSO存在以下限制：参数设置依赖于手动经验，缺乏自适应调整能力；算法经常收敛到局部最优解，限制了全局搜索性能；平衡收敛速度和解决方案质量仍然具有挑战性。
实例设置
为了验证所提出的BCAEA_QLEPSO方法的有效性，本研究基于中国CRPs的实际运营数据构建了各种测试案例。参数配置如下：货物船舶的长度范围为120至160米，研究船舶的长度范围为80至120米；船舶的容量与长度呈正相关，船舶的到达时间在规划期间均匀分布。
结论与未来工作
针对CRPs中货物船舶、研究船舶和海洋实验活动之间的复杂调度问题，本研究设计了一种具有不同操作区域和海洋实验时间窗口的港口调度机制，建立了一个以最小化船舶周转时间、码头起重机总移动距离和所有实验最早完成时间为目标函数的混合整数线性规划模型，对PSO进行了改进
CRediT作者贡献声明
李向阳：撰写——审阅与编辑，撰写——初稿，可视化，验证，软件，方法论，数据管理。杨忠义：形式分析，概念化。李明伟：方法论，资金获取。洪伟强：撰写——审阅与编辑，监督，调查。
