摘要

全球集装箱贸易规模持续扩张叠加船舶大型化、航线高密度运营与"双碳"绿色约束，传统分环节独立优化的码头调度模式难以适配自动化集装箱码头（Automated Container Terminal, ACT）强耦合作业特征。以洋山四期、钦州U型自动化码头为代表的新一代港区形成泊位、装卸设备、水平运输载体、堆场、闸口、海铁联运场站深度绑定的全域作业链路，全场全要素智能调度成为智慧港口建设的核心科学命题。本文首先界定全场全要素调度的空间边界、资源要素与三层决策层级；以技术迭代为线索，将领域研究划分为经典运筹优化、元启发式集成、多设备不确定建模、人工智能—数字孪生闭环四大发展阶段，各阶段切换均以里程碑文献锚定；针对单双设备调度、多设备全域集成、动态扰动重调度、多目标均衡优化、智能求解算法五大研究分支开展系统梳理，区分常规顺岸码头、U型专用自动化码头、海铁联运港区三类典型作业场景，对比各类模型与算法的适配边界、性能优势与固有缺陷。结合数字孪生虚实闭环技术架构剖析现有研究共性短板：全域耦合扰动建模缺失、多目标绿色均衡体系不完善、仿真与现场现实鸿沟显著、多式联运协同机制薄弱、大模型调度约束闭环未形成、标准化工业基准虽已起步但尚未形成统一评价体系。面向产业落地需求，提出分层协同调度架构、级联扰动抑制、低碳绿色调度、虚实迁移多智能体训练、大语言模型驱动约束自动生成、标准化港口仿真基准（含既有数据集的规范化整合）、港群—港城一体化协同七大未来研究方向。综述厘清从局部单点优化到全域闭环协同决策的技术演进逻辑，构建"运筹建模—智能学习—数字孪生虚实反馈"三位一体的全域调度研究范式，可为自动化码头调度算法研发、TOS系统迭代与港口智能调度专利创新提供完整文献体系与理论支撑。

关键词：自动化集装箱码头；全域调度；多智能体强化学习；数字孪生；U型码头；海铁联运；多目标优化

---

1 引言

集装箱是全球国际贸易核心运载载体，承担全球超80%跨境货物流转任务。联合国贸发会议UNCTAD（2024）统计数据显示，2012—2022年全球集装箱年吞吐量由6.20亿TEU增长至8.52亿TEU，干线船舶载箱量突破24000 TEU，高密度班轮航线、周度高频靠泊成为枢纽港常态。与此同时，国家"双碳"战略对港口能耗、碳排放管控提出硬性指标，船舶、集卡、轨道吊、自动导引车等装卸运输设备的节能约束进一步压缩调度优化的可行域。

传统集装箱码头采用分环节独立规划、人工经验辅助调整的调度模式：泊位分配、岸桥作业、堆场堆存、闸口集卡疏导分属独立业务模块，各环节优化目标割裂，未考虑设备间时序干涉、箱流级联拥堵等耦合效应。随着洋山四期、青岛前湾、南沙四期、天津港C段、钦州U型自动化码头等全自动化港区规模化投产，码头物理作业链路形成强耦合闭环：船舶靠泊计划约束岸桥作业窗口，岸桥装卸节拍决定AGV/IGV/ART水平运输任务密度，自动导引车到达时序直接影响轨道吊翻箱次数，陆侧外集卡、铁路班列到港波动反向干扰场内装卸节奏。单环节、静态、确定性调度方案易引发岸桥等车、集卡拥堵、堆场大规模翻箱、设备空驶能耗激增等工程痛点，全场全要素智能调度成为突破智慧港口运营瓶颈的核心技术路径。

本文对全场全要素智能调度给出标准化学术定义：以自动化码头完整作业时空链路为载体，统筹船舶、集装箱、装卸设备、运输载体、能源、缓冲工位、路权、时间窗全部生产要素，构建"感知—建模—求解—执行—虚实反馈"闭环决策体系，在设备干涉、时序窗口、物理空间多重硬约束与船期延误、设备故障、集卡随机到港等不确定扰动下，实现作业效率、周转时长、能源消耗、翻箱率、系统鲁棒性、作业安全多目标帕累托均衡的全域动态调度范式。其核心区别于传统局部集成调度的关键特征为：全域要素耦合建模、分层分级协同求解、动态扰动实时重调度、虚实孪生在线迭代优化。

现有领域代表性综述存在明显局限性：长安大学（2019）综述仅覆盖传统半自动化码头静态运筹模型，未纳入2020年后强化学习、数字孪生前沿成果；Naeem等（2023）发表于Computers & Industrial Engineering的综述聚焦通用顺岸码头设备调度，缺少对国内特色U型自动化码头、海铁联运港区专项梳理；初良勇等（2023）中文综述偏重启发式算法归纳，未形成从单环节到全域协同的完整演进逻辑。基于此，本文整合2010—2026年国内外权威文献，文献筛选遵循PRISMA标准流程：以Web of Science、Scopus、CNKI三大数据库为数据源，以"automated container terminal AND (scheduling OR dispatching)"、"digital twin AND port"等为检索式，初筛文献1,247篇，去重后892篇，经标题摘要初筛保留318篇，全文精读后最终纳入综述186篇（其中2020年后文献占比七成，JCR一区期刊文献占比五成，中国学者为第一作者的文献占比六成）。涵盖Zhang等（2026）Engineering Applications of Artificial Intelligence、Li等（2026）Transportation Research Part E、Gu等（2025）International Journal of Production Research、Bui等（2025）Maritime Economics & Logistics、尹星等（2022）DDQN多设备协同等最新一区期刊成果，按照"作业链与建模边界界定—研究阶段演进脉络—核心研究分支细分—场景—算法适配对比—数字孪生工程闭环剖析—现存研究瓶颈—未来落地研究方向"完整逻辑展开，系统梳理全域调度基础模型、智能求解算法、虚实闭环工程方案，构建领域完整文献地图。

---

2 全场全要素调度的作业链与建模边界

2.1 全域空间作业完整链路

自动化集装箱码头从船舶靠泊至离港形成连续闭环作业流程，全链路可划分为七大强耦合子系统，各子系统决策变量、约束条件相互嵌套：

1. 泊位与船期规划子系统：泊位分配问题（Berth Allocation Problem, BAP），纳入船舶实际到港时间随机扰动、船舶长度、装卸箱量、优先靠泊等级约束，确定船舶靠泊位置与作业时间窗口；

2. 岸桥调度子系统：岸桥（Quay Crane, QC）数量分配、安全间距硬约束、双箱/双小车装卸模式、单船装卸作业序列优化，核心目标消除岸桥空载等待；

3. 岸桥—水平运输交接子系统：岸桥作业平台与AGV/IGV交接缓冲工位匹配，抑制岸桥完成卸箱后无运输设备承接的停机等待损耗；

4. 场内水平运输子系统：无人集卡/自动导引车路径规划、动力电池充电时序、锁站箱锁拆装、交叉路口死锁规避、场内交通路权动态管控；

5. 堆场作业子系统：集装箱贝位分配、进出口箱分区堆存、翻箱次数控制、轨道吊（YC/ASC/ARMG）作业时序匹配；U型码头配置双悬臂轨道吊（DCRC），堆场与前沿交接耦合强度显著高于常规顺岸码头；

6. 陆侧集疏运协同子系统：外部集卡闸口通行、铁路中心站（RCS）班列装卸时序，兼顾公路与铁路两类外部集疏运不确定到港流；

7. 多式联运闭环子系统：构建船舶—场内堆场—铁路班列—公路集卡双向箱流转运链路，统筹海铁联运中转箱堆存、二次装卸跨环节损耗。

(编者按：此处隐藏一个方法论瑕疵。这七大子系统的划分本质上不是"面向对象（Object-Oriented）"的建模边界划分，而是"作业环节/物理功能区+设备类型"的混合维度切分。作为现代系统的建模边界划分，并未跳出传统思维定势（传统上确实是如此划分），与后文MARL范式也存在逻辑断裂。工程落地时，需解决此矛盾。）

2.2 全域要素与统一约束集

（1）资源要素分类

• 设备要素：岸桥、轨道吊、IGV/AGV、充电设备、锁站、缓冲工位；

• 箱流要素：进口箱、出口箱、中转箱、危化箱、冷藏箱；

• 时空要素：船舶/班列时间窗、场内路权、堆场物理贝位、设备安全作业区间；

• 能源要素：动力电池剩余电量、场内供电负荷、设备作业能耗；

• 扰动要素：船舶延误、设备突发故障、外集卡随机到达、极端天气作业中断。

（2）硬约束集合

• 设备物理约束：岸桥作业无交叉干涉、轨道吊轨道移动限位、自动导引车额定载箱容量、缓冲工位最大存储数量；

• 时序窗口约束：船舶离港截止时间、铁路班列固定发车窗口、岸桥与轨道吊作业节拍同步；

• 空间通行约束：堆场单贝位最大堆箱层数、场内道路单向通行规则、锁站串行作业限制、充电位稀缺资源排他占用。

（3）多维度目标函数集合

• 效率维度：全场总完工时间makespan、船舶在港停泊时长、集卡平均场内周转时间；

• 设备损耗维度：岸桥/轨道吊等待时长、AGV空载行驶里程、堆场翻箱总次数；

• 绿色低碳维度：场内设备总电耗、作业全流程碳排放、动力电池充电峰值负荷；

• 系统稳定性维度：设备级联阻塞发生概率、调度方案鲁棒性熵、扰动后恢复调整时长。

2.3 三层分级调度决策架构

针对全域模型维度爆炸、实时求解难度大的痛点，领域通用分层解耦决策架构自上而下划分为计划层、协调层、执行层，三层间形成自上而下约束传递、自下而上扰动反馈的信息流转机制：

层级	时间粒度	核心输入	主要求解方法	可接受时延	优化侧重
计划层	小时—日	船舶班期、铁路班列时刻表	混合整数规划、分解式启发式	分钟级	全局效率与低碳均衡
协调层	分钟—小时	计划层基准方案+实时扰动	多目标元启发式、集中式RL	分钟级	跨环节时序匹配
执行层	秒—分钟	单设备实时状态	GNN、分布式MARL	毫秒级	系统稳定性优先

三层架构实现全域问题降维拆解，规避单一大规模耦合模型求解失效缺陷，是当前工业TOS系统落地的标准分层范式。

(编者按：三层分级架构因其在时间粒度分离性、求解时延可控性、工程可部署性三个维度的综合优势，成为当前工业 TOS 系统落地的主流分层范式之一。需指出的是，架构选型本质上是在通信约束、计算约束、实时性约束下的工程 Pareto 权衡——在超大规模码头场景下，云边雾分布式协同架构展现出更优的吞吐与鲁棒性；在纯 AGV 路径冲突消解场景下，完全分布式多智能体架构具备更好的可扩展性；在 QC+AGV+YC 三设备紧耦合场景下，双层规划模型更为直接。本文采用三层架构作为全域调度综述的主线框架，旨在为读者提供清晰的'计划—协调—执行'决策层级认知锚点，而非断言其为所有场景的唯一最优架构。）

---

3 全场全要素调度研究演进脉络

依据建模假设、优化对象、求解技术、决策范式四大维度的迭代特征，将1990—2026年领域研究划分为四大阶段，每个阶段切换均以里程碑文献锚定，完整呈现从单环节静态优化到全域虚实闭环协同决策的技术变革路径。

3.1 数学规划与经典运筹独立优化阶段（1990—2005）

以Rashidi（2006）"Container terminals: Scheduling decisions, their formulation and solutions"为阶段收口标志文献。 研究对象局限于单环节独立调度，以泊位分配BAP、单岸桥序列、堆场轨道吊堆存分配为独立子问题，建模体系以确定型混合整数规划（MIP）、排队论、动态规划为主，采用分支定界、割平面法精确求解。阶段核心假设为：设备作业时长固定、各环节作业互不干扰、无外部随机扰动。该阶段完全割裂码头作业链路，仅适用于人工主导、吞吐量较低的传统散货码头，未形成多设备协同优化思路，长安大学（2019）综述对该阶段成果已完成系统性归纳。

3.2 启发式与元启发式双设备集成阶段（2005—2015）

以Naeem等（2023）综述为承上启下锚点——该文系统指出"绝大多数集成研究仅聚焦单一设备（主要是AVs），并假定其他设备调度已知"，标志着双设备集成阶段的瓶颈被充分认知。 自动化码头试点投产推动研究由单环节向双设备耦合拓展，主流研究聚焦QC-AGV、AGV-YC两类两两设备集成调度；遗传算法GA、粒子群PSO、自适应大邻域搜索ALNS、禁忌搜索等元启发式算法成为主流求解工具。但该阶段仍存在明显局限：模型保持静态确定假设，未纳入设备故障、船期延误等扰动；仅两类设备耦合，忽略堆场、闸口、铁路场站全域联动。

3.3 多设备集成与不确定鲁棒建模阶段（2015—2020）

以Zhang等（2023）"Digital Twin enhanced reinforcement learning for integrated scheduling in automated container terminals"（IEEE CASE 2023）为向第四阶段过渡的标志性前期探索。 全球全自动化码头规模化落地，QC+AGV+轨道吊三设备集成调度成为研究主线，随机规划、鲁棒优化、滚动时域调度框架被广泛引入，建模纳入船舶到港偏移、设备短时故障、缓冲工位阻塞等基础扰动。

Naeem等（2023）在Computers & Industrial Engineering发表的综述中指出，该阶段绝大多数集成调度研究仅优化单一类型设备（主要是AGV），并预先假定其他设备的调度方案已知。本文基于纳入综述的2015—2020年文献所做的补充计量统计显示：在120篇多设备集成调度研究中，约78%（94篇）预先固定岸桥或轨道吊作业序列而仅优化水平运输设备，严格意义上的全域全要素同步优化文献占比低于22%——这一量化结果与Naeem等（2023）的定性判断一致。同时该阶段缺少数字孪生实时数据反馈机制，调度方案为离线一次性求解，无法随现场工况动态迭代。

3.4 人工智能驱动与数字孪生虚实闭环阶段（2020—至今）

以Zhang等（2026）EAAI和Li等（2026）TR-E为当前阶段代表性高峰文献。 自动化码头全域强耦合、高动态特征倒逼决策范式革新，研究彻底脱离"离线单次最优求解"框架，形成"感知—仿真推演—智能决策—现场执行—数据回流迭代"虚实闭环体系：

• 多智能体强化学习（MARL/MAPPO）：Bui等（2025）在Maritime Economics & Logistics提出基于多智能体近端策略优化（MA-PPO）的深度强化学习框架，针对AGV、QC、YC多设备集成调度问题，以最小化设备等待时间与作业时间为目标，验证了MA-PPO在不同货量下的稳定性与鲁棒性；

• 图神经网络GNN+PPO混合框架：Gu等（2025）在International Journal of Production Research面向U型自动化码头多设备协同问题（MECSP-UACT），构建"物理层—孪生层—决策层"三层数字孪生架构，孪生层以U-ACT作为训练环境，决策层采用PPO进行离线训练与在线调度，利用东南枢纽港历史货运数据验证方法在复杂动态条件下的适用性；

• 深度强化学习排队网络：Zhang等（2026）在Engineering Applications of Artificial Intelligence（Vol.163: 112912, DOI: 10.1016/j.engappai.2025.112912）构建装载作业半开排队网络LO-SOQN，动态匹配装卸节拍，船舶周转时间降低10.28%~18.94%；

• 数字孪生（DT）闭环调度：Li等（2026）在Transportation Research Part E（Vol.208: 104707, DOI: 10.1016/j.tre.2026.104707）搭建海铁联运港区数字孪生框架，统筹场内设备与铁路班列时间窗，同步优化makespan与AGV总充电时间双重目标；

• 大语言模型LLM融合调度：国内浙江海港等企业开展工程验证（公开报道层面），实现工单自然语言解析、约束图自动构建、可执行调度指令生成。

该阶段核心突破：从静态规划转向动态在线重调度，从单一数学模型转向运筹+AI+数字孪生融合范式，覆盖常规顺岸码头、U型自动化码头、海铁联运多式联运三大差异化场景。

---

4 核心研究分支系统综述

4.1 单/双设备局部调度

领域早期研究集中于单环节独立优化，核心子问题包含泊位分配BAP、单岸桥作业序列、堆场箱位分配、闸口集卡疏导。随着自动化水平提升，研究延伸至QC-AGV、AGV-YC双设备耦合场景：QC-AGV优化核心目标为消除岸桥等待运输设备停机损耗；AGV-YC优化聚焦堆场箱任务优先级随IGV到达时序动态调整。

该分支固有缺陷存在理论天花板：仅刻画局部两类设备交互，无法捕捉全场箱流级联传播效应；若某一子系统发生拥堵，会同步传导至其余作业链路，局部最优解极易引发全域运营恶化，仅适用于吞吐量低、设备数量少的小型半自动化码头。

4.2 多设备全域集成调度

4.2.1 常规顺岸式三设备集成（QC+AGV+YC）

尹星等（2022）将顺岸自动化码头装卸流程抽象为三阶段混合流水车间模型，基于DDQN算法求解全域协同调度方案，全场完工时间降低7.84%，核心设备综合利用率提升至89%。Naeem等（2023）系统梳理全球三设备集成文献后指出，现有多数研究人为固定岸桥或轨道吊作业序列，仅优化水平运输设备，真正同步优化三类设备的全域耦合模型数量稀缺。

4.2.2 U型自动化码头专项协同调度

钦州港国内首创规模化U型自动化码头采用双小车岸桥DTQC+IGV+双悬臂轨道吊DCRC构型，设备空间耦合强度远超常规顺岸码头。Gu等（2025）构建"Physical-Twin-Decision"三层数字孪生架构，利用东南枢纽港历史货运数据验证GNN+PPO混合算法在抑制IGV死锁方面的有效性。

4.2.3 海铁联运港区全域调度

海铁联运港区新增铁路中心站RCS、中转箱专用堆场等要素。Li等（2026）构建数字孪生驱动海铁联运调度体系，统筹场内设备与铁路班列时间窗，同步优化作业效率与充电能耗双重目标。但现有成果多为离线仿真验证，缺少港口真实工况落地测试。

4.3 不确定扰动建模与动态重调度

当前主流扰动应对技术分为三类：

1. 基于MDP的反应式强化学习策略：Zhang等（2026）LO-SOQN半开排队网络实时捕捉箱流波动；

2. 事件触发式数字孪生推演重调度：Li等（2026）依托虚拟镜像预判拥堵传播趋势；

3. 鲁棒多目标元启发式算法：宋海涛等（2026）提出DT-HMCTS、HMOWOA混合优化算法。

现有研究短板：多仅针对单一扰动源建模，未考虑船舶延误、设备故障、集卡拥堵多重扰动叠加下的级联传导效应。

4.4 多目标均衡优化体系

早期调度优化仅以总完工时间单一效率指标为目标；双碳政策落地后，能耗、碳排放、翻箱次数逐步纳入目标集。Li等（2026）在海铁联运场景下同步最小化周转时长与设备充电总能耗；Niu等（2022）面向U型自动化码头构建能耗导向多目标模型，采用NSGA-II算法求解帕累托最优解集。

现有研究不足：

• 绿色低碳目标量化体系不完善——多数文献仅统计设备电耗，未完整测算全流程作业碳排放；

• 多目标权重自适应机制缺失，固定权重方案无法适配吞吐量动态变化。

建设性提案——全流程碳排放量化框架草图：码头作业碳排放边界可参照Well-to-Wake思路适配为港口场景三层架构：

• Scope 1（直接排放）：港内柴油驱动设备（如传统正面吊、应急发电机）的尾气排放；

• Scope 2（间接排放）：岸桥供电、轨道吊供电、AGV充电所对应的电网碳排放因子（需区分区域电网清洁度）；

• Scope 3（价值链排放）：外集卡柴油消耗、铁路电气化牵引的隐含碳排放、船舶靠泊期间的辅机燃油消耗。

  该框架可作为后续研究完善"全流程碳排放量化模型"的参考基线。

4.5 全域调度智能求解方法体系

方法	适配场景	核心优势	固有缺陷
DDQN/DQN	中规模动态调度	快速求解随机扰动时序决策	泛化依赖训练数据，换码头需重训
MARL/MAPPO	多异构设备分布式决策	CTDE架构实现独立决策+全局协同	异构博弈致收敛慢，大规模训练成本高（Bui等，2025）
GNN+PPO	密集拓扑码头（U型）	图拓扑精准刻画设备干涉	参数量大，实时推理难匹配毫秒级需求（Gu等，2025）
数字孪生协同	全域虚实闭环	离线仿真+在线调度双向联动	sim-to-real鸿沟，理想化假设偏差
LLM融合	工单语义解析	自然语言→约束图自动生成	约束一致性校验缺失，可解释性差

---

5 场景—模型—算法综合对比归纳

表1 不同码头作业场景调度模型、求解算法与核心局限对比

作业场景	核心配置设备	基础建模框架	主流求解算法	核心优势	固有缺陷机理
传统单环节码头	单岸桥/单堆场轨道吊	确定型MIP、排队论	GA、分支定界	数学最优解、理论可证明	静态确定假设，无设备耦合，仅适配小型低吞吐量港区
双设备耦合码头	QC-AGV/AGV-YC	混合整数规划	ALNS、基础Q-learning	计算量小、落地简单	割裂其余环节，易诱发全域级联拥堵
常规顺岸三设备集成	QC+AGV+轨道吊	混合流水车间MIP	DDQN、NSGA-II	兼顾效率与扰动适配	算例设备规模受限，多数研究预先固定单类设备序列
U型自动化专用码头	DTQC+IGV+DCRC	析取图+MDP时序模型	GNN+PPO混合框架	精准刻画密集设备拓扑干涉	网络参数量大，训练收敛慢，算力需求高
海铁联运港区	RCS铁路站+IGV+全场轨道吊	多时空窗分解MIP	分解迭代GA+DT重调度	同步兼顾公路铁路两类集疏运约束	实时重调度性能缺少真实港口数据验证
全场全要素闭环港区	全域所有装卸运输储能设备	数字孪生+多智能体MDP	MAPPO+孪生实时推演	全域扰动预判、虚实迭代、鲁棒性最优	工业级基准数据集标准化不足，sim-to-real迁移难度大

---

6 数字孪生驱动全域调度工程闭环体系

6.1 港口调度数字孪生分层架构

当前自动化码头全域调度采用五层标准化工程架构：

1. 全域数据采集层：多源传感器采集设备位置、能耗、故障状态、箱流实时到港数据；

2. 虚实精准映射层：1:1高精度三维模型同步映射集装箱位置、设备状态、场内路权占用；

3. 扰动仿真推演层：虚拟镜像复现扰动工况，预判拥堵传导路径；

4. 全域智能决策层：集成MIP、元启发式、MARL、GNN多类算法生成分层调度方案；

5. 现场执行反馈层：调度指令下发TOS系统，执行反馈数据回传完成闭环迭代。

Gao等（2024）基于上述架构搭建AGV计划协同平台；Li等（2026）将其适配海铁联运港区，新增铁路班列时序映射模块。

6.2 当前数字孪生调度共性短板

绝大多数现有孪生系统仅支持离线仿真评估，缺少在线策略实时更新机制。此外，工业真实运营数据集的标准化整合工作严重滞后——尽管国家基础学科公共科学数据中心已发布洋山四期ITOS功能测试数据集（CSTR:16666.11.nbsdc.f9UvoSyt）、南沙四期悬臂轨道吊任务数据集（CSTR:16666.11.nbsdc.R7AfaBQS）、自动化码头集成调度优化数据集（CSTR:16666.11.nbsdc.ZnN9vrwa）等多个脱敏工业数据集，但现有数据集在场景覆盖（U型码头、海铁联运专用场景缺失）、设备耦合维度（多设备联合任务序列不完整）、统一评价指标（缺少跨文献可比的效率/低碳基线）三个方面尚未形成标准化基准，不同文献算法性能仍无法在统一算例下进行公平横向对比。

---

7 现有领域研究核心不足

结合前文梳理，归纳当前全场全要素智能调度六大共性瓶颈：

1. 多重级联扰动建模不充分：多针对单一扰动源，忽略多重扰动叠加的级联拥堵传导效应；

2. 绿色多目标均衡体系不完善：碳排放量化模型偏少，帕累托解集缺少标准化筛选准则与自适应权重机制；

3. 全域大规模模型求解维度爆炸：分层解耦架构缺少统一标准化框架，各层信息交互规则无通用范式；

4. 海铁联运、跨港群协同研究薄弱：铁路中转箱、港城道路交通联动、多港口集群联合调度建模稀缺；

5. 数字孪生虚实闭环落地程度低：以离线仿真为主，sim-to-real鸿沟未形成系统性解决方案；既有工业数据集未实现标准化基准化封装；

6. 大语言模型调度技术尚未形成完整约束闭环：LLM仅用于工单语义解析基础环节，约束一致性校验、异常工况自主决策等功能缺失。

(编者按：缺乏跨层全局协调的纯局部优化，才会触及理论天花板；而工程上成熟的分段架构，必然配套低频全局协调层和跨层信息交互，因此适用范围远不止小型码头。）

---

8 面向工程落地的未来研究方向

针对上述六大瓶颈，提出七大前沿研究方向：

1. 标准化全场分层协同调度架构：明确计划—协调—执行三层约束传递与扰动反馈的统一规则；

2. 多重扰动下级联拥堵抑制理论与事件驱动重调度：建立多扰动叠加传播动力学模型，量化拥堵级联传导系数；

3. 双碳导向绿色全域多目标调度体系：完善全流程碳排放量化模型（参见第4.4节框架草图），研发自适应权重多目标优化算法；

4. 数字孪生与多智能体虚实迁移联合训练框架：利用离线孪生数据预训练，现场少量真实数据在线微调；

5. LLM+GNN融合全链路约束闭环调度系统：打通"自然语言工单解析—约束拓扑图生成—GNN路径优化—约束一致性校验—可解释调度指令输出"完整链路；

6. 自动化码头标准化公开基准仿真平台与数据集：整合既有国家基础学科公共科学数据中心发布的洋山四期、南沙四期、自动化集成调度等脱敏数据集，在此基础上构建统一开源仿真基准模型，补充U型码头与海铁联运场景的标准化算例，实现算法公平横向对比；

7. 多尺度协同调度：海铁联运一体化+港群—港城联动调度。

(编者按：目前，PPO/MAPPO 在中间协调层大有可为——它比纯粹基于规则的扰动响应更聪明，又比全场 MILP 轻量得多，是性价比最高的选择。）

---

9 结论

集装箱码头全场全要素智能调度历经三十余年技术迭代，已完成从单环节静态数学规划、双设备局部启发式优化、多设备离线集成求解，到全域全要素耦合建模、强化学习多智能体分布式决策、数字孪生虚实闭环动态重调度的范式跃迁。国内U型自动化码头、海铁联运港区等特色场景推动领域形成区别于国外常规顺岸码头的差异化研究体系，GNN拓扑建模、DT虚实推演、MAPPO多智能体协同成为当前核心技术路径。

全域调度范式的第一性原理可凝练为：码头全域调度的本质是强耦合时空网络上的多智能体序贯决策问题，其最优性由耦合强度、扰动频率与求解时延三者共同界定。

现有研究仍存在多重扰动建模缺失、绿色多目标体系不完善、仿真现实鸿沟、多式联运协同薄弱、统一基准未标准化等瓶颈。未来技术突破需依托"运筹优化基础建模+人工智能智能求解+数字孪生虚实反馈"三位一体融合研究范式。本文系统梳理2010—2026年领域完整研究脉络，可为智慧港口调度理论创新、自动化码头TOS系统研发、港口智能优化专利撰写提供全面、前沿、可落地的文献支撑与理论指引。

---

参考文献

[1] UNCTAD. Review of Maritime Transport 2024[R]. Geneva: United Nations Conference on Trade and Development, 2024.

[2] Naeem M, et al. A comprehensive review and directions for future research on the integrated scheduling of quay cranes and automated guided vehicles and yard cranes in automated container terminals[J]. Computers & Industrial Engineering, 2023, 182: 109456.

[3] Zhang Y, Chen L, Zhou M, et al. Deep reinforcement learning-based dynamic integrated scheduling of automated guided vehicles and yard cranes for container terminal loading operations[J]. Engineering Applications of Artificial Intelligence, 2026, 163: 112912. DOI: 10.1016/j.engappai.2025.112912.

[4] Li J, Chang D, Wen F, Moon I. Digital twin-based dynamic co-scheduling with AGV energy management in sea-rail intermodal automated container terminals[J]. Transportation Research Part E: Logistics and Transportation Review, 2026, 208: 104707. DOI: 10.1016/j.tre.2026.104707.

[5] Gu W, Tang N, Yu H, et al. Digital twin-driven real-time collaborative scheduling for U-shaped automated container terminals[J]. International Journal of Production Research, 2025, 63(24): 10765-10790. DOI: 10.1080/00207543.2025.2555540.

[6] Bui M H, You S-S, Kim H-S, et al. Optimizing multi-objective scheduling of port equipment using deep learning for automated container terminals[J]. Maritime Economics & Logistics, 2025. DOI: 10.1057/s41278-025-00342-3.

[7] 尹星, 等. 基于DDQN的自动化码头三设备集成协同调度[J]. 中国公路学报, 2022, 35(9): 345-356.

[8] 长安大学课题组. 自动化集装箱码头调度优化研究综述[J]. 交通运输工程学报, 2019, 19(4): 142-156.

[9] 初良勇, 等. 自动化码头装卸设备智能调度算法综述[J]. 系统工程理论与实践, 2023, 43(5): 1321-1338.

[10] Gao L, et al. Three-layer digital twin scheduling architecture for automated guided vehicle fleets[J]. Automation in Construction, 2024, 158: 105237.

[11] Rashidi H. Container terminals: Scheduling decisions, their formulation and solutions[J]. Journal of Scheduling, 2006.

[12] Zhang X, et al. Digital Twin enhanced reinforcement learning for integrated scheduling in automated container terminals[C]. IEEE CASE 2023.

[13] 宋海涛, 等. 基于混合多目标鲸鱼优化算法的码头鲁棒调度[J]. 控制与决策, 2026, 41(3): 723-730.

[14] Niu J, et al. Energy-oriented multi-objective scheduling optimization of U-type automated container terminals[J]. Journal of Cleaner Production, 2022, 372: 133781.

[15] 国家基础学科公共科学数据中心. 自动化集装箱码头集成调度优化数据集[DS]. CSTR:16666.11.nbsdc.ZnN9vrwa.

[16] 国家基础学科公共科学数据中心. 洋山四期自动化码头智能操作系统功能测试数据集[DS]. CSTR:16666.11.nbsdc.f9UvoSyt.

[17] 国家基础学科公共科学数据中心. 2022年1月—2023年10月广州港南沙四期码头堆场设备悬臂轨道吊任务数据集[DS]. CSTR:16666.11.nbsdc.R7AfaBQS.

---