1.2 国内外研究现状
港口前沿的装卸作业包括泊位分配、岸桥指派与岸桥作业调度3个方面。由于岸桥指派环节在现实作业中通常由调度人员根据经验操作，且难度不大，因此该问题基本没有引起学者们的重视。在现有文献研究方面，也没有专门针对岸桥指派的研究，因此，本节的文献综述就没有涉及岸桥指派问题。
1.2.1 泊位分配
在现有文献中，依据实际码头作业时泊位分布方式的不同，泊位分配主要分为离散型和连续型。前者是将码头前沿的岸线划分为若干独立的泊位进行分配，所划分的泊位长度是固定的，来港船舶不能跨越泊位界限停靠，只能处于某个泊位所限定的位置空间内，这类问题可视为机器调度问题在港口装卸领域的拓展；后者是指对于按直线布置的连续泊位，只要满足到港船舶的物理条件就可以进行靠泊作业，也就是通常所说的柔性靠泊情况下的泊位分配，与离散型泊位问题不同的是，此时需要考虑到不同船舶的具体长度，而船舶可以停靠在码头的任意位置，不再有固定泊位的划分，这类问题可视为切割问题在码头装卸领域的拓展。显然，连续型泊位分配要比离散型泊位分配能更好地利用有限的泊位资源，也更符合我国码头的实际情况。
依据船舶到达时间与泊位分配时间的先后，泊位调度还可以分为静态和动态两种。其中，静态指在进行泊位分配时，所有需要靠泊作业的船舶均已到港，即不考虑后续船舶到达情形；而动态则指在泊位分配时，不但要考虑已在港的船舶，还要考虑同一计划期内后续到港的船舶。简而言之，在静态情形下，可视为所有船舶的到港时间是相同的，均为时刻0；而在动态情形下，船舶是陆续到港的，因此到港时间是不相同的，可以不是时刻0。
Imai等（1997，2001）[3]，[4]研究了离散泊位分配下的静态与动态问题，以船舶在港时间最短（等待时间加装卸时间）为目标构建了非线性整数规划模型，并忽略FCFS（先到先服务）原则进行了分配作业，求解方面则采用了拉格朗日松弛法；Nishimura等（2001）[5]在Imai等（2001）[4]的研究基础上，进一步考虑了船舶停靠的一些物理条件，如泊位水深和岸线长度，并采用遗传算法进行求解。在码头作业中，管理者经常会根据自身战略规划，给到港船舶分配服务优先级，以保证高优先级别的船舶可获得优先服务。船舶优先级别的标准是多种多样的，有些港口会将装卸作业量小的船舶定为高服务优先级，因为其装卸作业时间短，整个港口船舶的等待时间会缩短；有些港口则将装卸作业量大的船舶定为高服务优先级，因为其可以给港口带来高额利润。Imai等（2003）[6]在Imai等（2001）[4]的研究基础上对不同服务优先级船舶的泊位合理分配问题进行了研究。Imai等（2007）[7]以嵌入式泊位为研究对象，建立了泊位合理分配混合整数规划模型。Hansen等（2008）[8]研究了动态情形下的离散泊位分配问题，以最小化等待成本、装卸成本与惩罚成本（提前作业与延迟作业）为目标构建了混合整数规划模型，并采用变邻域搜索法求解。Theofanis等（2007）[9]研究了动态离散型泊位分配问题，提出的模型对Imai模型进行了改进，目标函数是使所有船舶的总在港时间最短，最后运用遗传算法对提出的模型进行了求解。Imai等（2008）[10]从动态和静态的角度对问题进行分析研究，当船舶的服务时间超过它的截止时间后，船舶会被分配到外部码头继续进行服务，最后采用遗传算法对模型进行了求解。Cordeau等（2005）[11]以最小化船舶等待时间与装卸时间为目标建立了数学模型，并采用禁忌搜索算法求解。Buhrkal等（2011）[12]分析了Imai等（2001）[4]与Cordeau等（2005）[11]的研究成果，对离散泊位分配问题构建了新的改进模型。Xu等（2012）[13]考虑了水深与潮汐因素约束，分动态与静态两种情形研究了离散泊位分配问题，并分别设计了启发式算法。Eduardo等（2012）[14]研究了动态情形下的离散泊位分配问题，其优化目标是船舶等待时间与装卸时间最短，并基于禁忌搜索算法设计了一种新的启发式算法进行求解。张燕涛（2005）[15]以所有在港船舶的总在港时间最短为目标，其目标函数是通过递推的方式建立的，引入了在同一泊位上先后被服务的两艘船舶服务时间之间的关系，即先服务船舶的离开时间与后服务船舶的到达时间之差。刘志雄（2010）[16]建立的离散泊位分配问题考虑了先到先服务规则，采用了粒子群算法来解决问题。秦进等（2010）[17]提出了考虑时间窗限制的离散型港口泊位分配的整数规划模型，模型没有考虑船舶靠泊的偏好位置。韩笑乐等（2009）[18]考虑了船舶服务优先权，对动态情形下的离散泊位分配进行了研究，以最小化船舶总在港时间（指船舶等待时间）与加权延迟时间为目标建立了数学模型，并结合禁忌搜索与模拟退火算法设计了相应的启发式算法。王红湘等（2008）[19]认为船舶装卸时间取决于船舶所停靠的位置，构建了基于时间与成本的数学模型并进行了仿真研究。李平等（2006）[20]将遗传算法与禁忌搜索算法结合起来，设计了GATS混合优化算法进行求解。Golias等（2014）[21]研究了船舶到港时间与装卸作业时间均不确定情形下的离散泊位分配问题，以船舶平均在港时间与总服务时间变动最小为目标构建了双目标混合整数规划模型，该模型可生成带有鲁棒性的泊位分配方案，并设计了遗传算法求解。Ting等（2014）[22]以所有船舶等待时间与作业时间之和最短为目标构建了混合征税规划模型，并采用粒子群算法来求解。
在连续泊位分配方面，Li等（1998）[23]将泊位分配—岸桥指派问题看作一个可同时处理多个任务的处理机调度问题，研究了静态情形下的泊位分配问题，其中船舶装卸时间被视为一个固定值。Lim（1998）[24]证明了连续泊位分配问题属于NP完全问题。类似地，Guan等（2002）[25]也研究了静态情形下的泊位分配问题，将泊位分配—岸桥指派问题看作处理机调度问题，其优化目标是最小化带权重的任务完成时间。Wang等（2007）[26]研究了动态情形下的泊位分配问题，优化目标是最小化未分配船舶的惩罚成本、泊位位置偏离成本与等待（靠泊时间与船舶到达时间之差）成本，其中船舶处理时间为一个固定值。Kim和Moon（2003）[27]以最小化泊位位置偏离成本与延迟离港惩罚成本为目标建立了混合整数规划模型，研究了动态情形下的泊位分配问题。船舶处理时间被视为一个固定值。Imai等（2005）[28]与Chang等（2008）[29]认为船舶装卸时间取决于船舶所停靠的泊位位置。Lee等（2010）[30]研究了船舶动态到港情况下的连续泊位分配问题，为每艘船舶分配一个权重，以最小化所有船舶加权的等待泊位时间与装卸作业时间为目标建立了数学规划模型，并设计了贪婪随机适应性搜索算法进行求解；Zhen等（2011）[31]在Kap Hwan Kim等（2003）[27]研究的基础上，引入了泊位分配的不确定性，并定义了一个基准点，此点之前到达的船舶无须调整，此点之后到达的船舶根据一定的概率调整靠泊位置和靠泊时间。Lee等（2009）[32]认为船舶停靠有多个偏好区域，在偏好区域中寻找候选点，以候选点效用值最大化为目标建立了数学模型，兼顾先到先服务原则，最后采用邻域搜索启发式算法求解。韩晓龙等（2006）[33]研究了船舶动态到港情形下的连续泊位分配问题，将泊位分配问题抽象为二维装箱问题，认为船舶在港时间与所分配的岸桥数量呈反比，同时利用位置偏移系数对目标函数进行衡量，以船舶广义在港时间最短为目标函数构建了数学模型，并设计了回溯算法求解。杜玉泉（2009）[34]研究了“船舶到达时间不确定”与“有计划外船舶临时靠泊”两种不确定性下连续泊位分配的干扰管理问题。何军良等（2008）[35]以靠泊位置偏离预定位置最小化为目标构建了数学规划模型，采用分布式遗传算法与启发式算法相结合的分布式混合遗传算法进行求解；李强等（2008）[36]对连续泊位分配构建了混合整数规划模型，其优化目标为最小化位置偏离成本、延期惩罚成本和加速装卸成本，并设计了遗传算法进行求解。Lee等（2009）[37]考虑到先到先服务等原则，将等待时间转化为效用函数，以效用最大化为目标，构建了混合整数规划模型，并采用邻域搜索算法求解。Du等（2011）[38]在泊位分配模型中考虑到了能耗与车辆废气排放问题。Umang等（2013）[39]以船舶在港时间最短为目标构建了混合整数规划模型，对小规模问题设计了集分割算法，对大规模问题设计了吱吱轮算法。
1.2.2 岸桥作业调度
岸桥作业调度旨在将船舶上的装卸作业任务合理地分配给岸桥，并确定每台岸桥任务、作业序列及作业起止时间，从而达到既定目标。
Daganzo（1989）[40]以最小化所有船舶装卸作业总完工时间为目标，构建了混合整数规划模型，分静态与动态两种情况对岸桥作业调度进行了研究。假设同一时间仅能有一台岸桥在一个舱位作业，给出岸桥调度的3个原则：避免岸桥闲置、装卸量最大的舱位（重点舱）优先分配及最大完工时间最短为首要目标。然而，岸桥空间干涉及移动时间并未被考虑在内。
Peterkofsky等（1990）[41]也对船舶静态情况下的岸桥作业调度进行了研究。以最小化所有船舶在港时间为目标，并运用分支限界法进行求解，同样未考虑岸桥空间干涉与移动时间。
Lim等（2002）[42]将空间干涉问题引入岸桥作业调度问题，假设船舶有数个舱，岸桥在舱间可自由移动，但同一时间仅能有一台岸桥在一个舱位作业。对于空间干涉问题，主要通过岸桥与舱位相对位置的3个约束来实现，即禁止跨越约束（non-cross）、相邻约束（neighborhood）及任务分割约束（job-separation），目的在于找出一个最佳的岸桥匹配及作业方案（crane-to-job matching and scheduling），使在固定时间内岸桥作业量（throughput）最大化；同时，也首次证明了以舱位为任务对象的岸桥作业调度问题为NP完全问题。
Lim等（2004）[43]在2002年研究的基础上，对岸桥作业调度进行了研究。作者将空间干涉明确划分为不可跨越与安全距离两种，目标同其2002年研究，但在具体作业时将任务划分为若干个作业区域（areas），而非2002年研究中的舱位（holds），因此任务既可指同一艘船舶若干个舱位的装卸作业，也可指若干个船舶的装卸作业。
Zhu等（2006）[44]考虑到码头作业实践中总是希望尽可能早地完成船舶所有装卸任务，将目标函数定为最小化船舶所有装卸任务的最大完工时间，证明了该问题的NP完全性，并运用分支定界法来获得小规模问题的精确解，对大规模问题则采用了模拟退火算法。
Lim等（2007）[45]以船舶贝位装卸作业为任务，将岸桥作业调度视为平行机调度问题，构建了一个混合整数规划模型进行研究，目标函数为最小化装卸作业的最大完工时间。岸桥作业调度被分为装卸作业任务分配（job-to-crane allocation map）与任务时间分配（starting time allocation map）两步解决，同时对两者的性质进行了证明：任务时间分配取决于作业任务分配，一旦作业任务分配确定后，所对应的任务时间分配也将被确定下来。在模型求解方面，对于小规模问题，采用深度优先的搜索树算法；对于大规模问题，则采用模拟退火算法。
Liu等（2006）[46]以船舶贝位装卸作业为任务对象，构建了一个混合整数线性规划模型研究岸桥作业调度问题。作者考虑了岸桥初始位置、移动速度及空间干涉问题，目标函数为最小化船舶延迟离港时间。由于模型中规定所有岸桥采取单向移动，因此空间干涉问题得到了有效解决，模型的求解空间也得到了大大缩减，但这种假设的正确性仍有待进一步论证。
Lee等（2007）[47]考虑了岸桥不可跨越限制，以船舶舱位装卸作业为任务对象，构建了一个混合整数规划模型，目标函数为最小化船舶装卸作业的最大完工时间，但模型中并未考虑岸桥安全距离与移动时间。同时，证明了该问题属于NP完全问题，因此不存在多项式时间的精确算法，并运用近似算法求得优化解。随后，一个更加通用的启发式算法——遗传算法被用于解决这个问题。[48]
Lee等（2008）[49]研究了带优先权的岸桥作业调度问题，此时，船舶贝位装卸作业被赋予一定的优先关系，某些贝位必须先于其他贝位作业。在考虑岸桥不可跨越限制下，构建了混合整数规划模型，目标函数为最小化所有贝位任务的总装卸作业时间，并运用遗传算法进行了求解。但在研究中，依然忽略了岸桥安全作业距离与移动时间。
Kim等（2004）[50]从另外一个角度分析了岸桥作业调度问题。在这里，船舶装卸作业任务不再以舱位或贝位为单位，而是更加细化，即一个贝位上的集装箱根据任务属性不同被分为若干个箱组（container group）。如进口集装箱，以相同装箱港或相同大小的箱子划分为一组；出口集装箱，以相同目的港或相同大小的箱子划分为一组。作业时，同一贝位上的不同箱组遵循一定的原则：先卸载，再装载。卸载时，甲板上的箱组优先；装载时，舱内的箱组优先。岸桥必须完成同一属性的箱组后才能进行下一个箱组的作业。作者还考虑到了岸桥不可相互跨越作业与安全距离。另外，两个来源或目的地为同一堆场区的箱组，因会对堆场的场桥作业产生干扰，也无法同时进行。模型中，船舶靠泊、离港时间、岸桥指派及开工时间均为已知，岸桥作业调度问题旨在确定各岸桥的箱组作业序列及时间，以得到最小化装卸作业最大完工时间的作业调度。目标函数为两个目标的加权函数：目标1为最小化最大完工时间；目标2为所有岸桥的作业时间最短。随后，运用分支定界法求得模型的最优解，但随着问题规模的扩大，计算时间会快速增加，分支定界法将很难应用到实践中，因此再以贪婪随机适应性搜索算法（greedy randomized adaptive search procedure，GRASP）求解，克服了分支定界法在计算时间上的不足，找到了调度问题的近似最优解。
随后，以箱组为作业任务的QCSP得到大量关注。Moccia等（2006）[51]分析了Kim等（2004）[50]研究中关于岸桥相互干扰约束的不足，认为在特殊情况下，该约束会失效，由此构建了新的规划模型，并运用分支切割法（branch and cut）求解，该算法能在2个小时内求得最优解；Sammarra等（2007）[52]针对Moccia等（2006）[51]的模型，运用基于析取图的禁忌搜索算法求解，该算法有效地降低了计算时间，且求解结果质量与Moccia等（2006）[51]相差不大；Bierwirth等（2009）[53]在分析Kim等（2004）[50]、Moccia等（2006）[51]、Sammarra等（2007）[52]等研究的基础上，认为其模型均不能有效地避免岸桥作业时的相互干扰，尤其是会违背岸桥不可相互跨越的限制，随后构建了新的关于岸桥不可相互跨越作业的约束，并运用分支定界法进行了求解。
Ng等（2006）[54]将船舶贝位上的集装箱分为两组：进口箱和出口箱。作者认为进口箱作业要优于出口箱。Steenken等（2001）[55]将船舶划分为若干个区域，每个区域都由连续的若干贝位组成，每台岸桥负责一个区域的集装箱作业。研究表明，这种做法可用集分割算法进行解决，也较容易应用到实际作业中。
此外，对于QCSP问题，还有少数文献从其他角度进行了分析。Goodchild（2006）[56]，以及Goodchild和Daganzo（2006，2007）[57]，[58]以每一个贝位上的栈为作业任务对岸桥问题进行了研究。当岸桥在某一列进行卸箱的同时，也可在另一列进行装箱，因此可避免岸桥的单向空驶，因此又被称作双线循环作业（边装边卸）。岸桥作业调度旨在找出作业每一列集装箱的最优序列，目的在于最小化最大完工时间。作者将该问题类比于两台机器的flow shop问题，并运用Johnson启发式算法求解。Zhang等（2009）[59]对此进行了扩展，不再局限于对同一个舱盖板上的栈进行双线装卸，而是邻近的舱盖板上的栈均可进行双线装卸，以提高岸桥利用率并缩短船舶在港时间。Meisel等（2010）[60]基于单箱对岸桥双线作业进行了研究。Lu等（2012）[61]以单箱作业为对象，基于连续贝位区域作业，构建了一个快速启发式算法。Nguyen等（2013）[62]设计了求解以箱组为任务对象的混合进化算法，具有良好的求解效果。Christopher等（2013）[63]设计了求解岸桥作业调度问题的混合分布估计算法。Unsal等（2013）[64]对岸桥作业调度建立了约束规划模型。
国内关于岸桥作业调度的文献较少，曾庆成等（2006）[65]基于集装箱组对岸桥作业调度进行了研究，以最小化最大完工时间为目标建立了模型，并运用贪婪随机适应性搜索方法对遗传算法进行了改进，减少了求解时间。韩笑乐等（2009）[66]基于集装箱贝位区域分析了岸桥作业调度。船舶依贝位被划分为若干个区域，每个区域由若干个连续贝位组成。在各区域内部，存在一定的优先顺序，每台岸桥负责一个区域的集装箱作业。作者考虑了设备调整时间，并采用了SPT（Shortest Processing Time）规则进行求解，但求解时间明显过长。李晨等（2010）[67]提出了一种能减少岸桥移动距离和均匀化岸桥负荷的启发式算法。在该启发式算法中，船舶被分为N个连续的区域，每个岸桥负责一个相应的区域，然后再均衡各岸桥任务量。接着，在该启发式算法的基础上，设计了遗传算法进行求解。杨明珠（2011）[68]对Kim等（2004）[50]研究进行了算法改进，设计了新的贪婪随机适应性搜索算法，在同样的时间内能求得质量更好的解。董良才等（2011）[69]考虑了装卸过程中的舱盖板作业，以箱组为单位分析了岸桥作业调度，并运用遗传算法进行了求解。范志强等（2012）[70]以贝位为任务对象从岸桥作业效率差异角度进行了研究，随后将其扩展到以箱组为任务对象[71]及从双目标优化的角度（最小化最大完工时间与等待时间）进行了研究[72]，求解方面均采用了遗传算法。
1.2.3 泊位—岸桥指派—岸桥作业集成调度
因船舶作业时间与岸桥作业存在密切的关系，越来越多的学者将岸桥作业整合入泊位分配，形成了泊位—岸桥集成调度方式，但其整合方式与整合程度存在一定的差异。
Park等（2003）[73]将岸桥数量整合入泊位分配，形成了BAP＋QCAP（number，specific）整合方式。作者构建了泊位与岸桥作业调度成本模型，认为船舶装卸作业时间与分配的岸桥数量存在很大的关系。若岸桥数量增加，则装卸时间会减少，因此两者需要同时考虑。相关重要假设如下：①每艘船舶有最多及最少岸桥指派数量；②装卸时间与岸桥数量成反比；③早于预定靠泊时间或晚于预定离泊时间都需要付出惩罚成本。然后通过两阶段方法求解：第一阶段，估计靠泊位置及岸桥数量，并利用拉格朗日松弛法与次梯度法来获得近似解；第二阶段，根据第一阶段的求解结果，利用动态规划对每台岸桥的移动路径进行详细规划。作者为简化分析，假设装卸时间与岸桥数量呈线性关系，即岸桥数量越多，装卸时间越短；同时，并未考虑到岸桥空间干涉问题。实际上，服务于同一艘船舶的岸桥数量越多，相互干扰的概率就会越大，整个船舶装卸的最大完工时间通常会减少，但最大完工时间与岸桥数量一定不会呈正比关系。
周鹏飞等（2008）[74]将岸桥数量整合入泊位分配，形成了BAP＋QCAP（number）整合方式。作者研究了面向随机环境的泊位分配—岸桥指派问题。相关重要部分假设如下：①船舶到港时间为随机变量；②船舶装卸时间依据所在泊位、岸桥数量等因素决定，为随机变量；③船舶长度要满足分配岸桥工作面要求，即分配岸桥数量不大于船舶允许同时作业的岸桥数量；④当多个岸桥同时装卸一艘船舶时，不可避免地会造成彼此的干扰，进而影响岸桥的装卸效率，因此选用最大允许岸桥数量与实际分配岸桥数量之差作为岸桥装卸效率折减的依据，即0、1、2以上（包含2）相应的折减率分别为0.9、0.95、1.0。以船舶在港时间最短为目标建立了混合整数规划模型，求解方面分为两步：先为来港船舶分配泊位及靠泊顺序，然后根据岸桥状态为船舶分配岸桥。显然，作者将船舶到港时间视为随机变量，这在以前是普遍存在的，但现在的集装箱船舶拥有固定的航线，在各个港口按照确定的班期循环往复地从事运输活动，因此船舶到港时间已经基本固定[75]；另外，作者考虑到了岸桥相互干扰因素，并用一个装卸效率折减率对其描述，但显然折减率并不能真实地反映岸桥装卸情况。
Imai等（2008）[76]研究了船舶动态到达情况下的离散泊位分配—岸桥指派问题，分析了BAP＋QCAP（number，specific）问题，其优化目标是最小化船舶在港时间（等待与装卸时间）。Liang等（2009）[77]研究了BAP＋QCAP问题，通过引入岸桥移动准则，以确定船舶的靠泊计划、作业时间以及分配给每艘船舶的岸桥数目，其优化目标是作业时间、等待时间和延迟时间三者之和最小，并采用遗传算法求解。Chang等（2010）[78]研究了船舶动态到达情况下的连续泊位分配—岸桥指派问题（BAP＋QCAP），其优化目标是：①靠泊位置偏离最小；②延迟靠泊与离港的惩罚成本最小；③岸桥能源消耗最小。作者通过加权法将其转化为单目标函数，并采用混合并行遗传算法求解。Han等（2010）[79]研究了船舶动态到达情况下的离散泊位分配—岸桥指派问题[BAP＋QCAP（number，specific）]，模型中船舶到达时间与装卸作业时间均具有不确定性，提出了应对这种不确定性的主动调整方法，并采用了遗传算法求解。韩晓龙（2005）[80]研究了船舶动态到达情况下的连续泊位分配—岸桥指派问题，分析了BAP＋QCAP问题，其优化目标为计划期内所有船舶的广义时间[船舶实际在港时间×（1＋泊位偏离放大系数）]最短，并运用回溯法求解。韩骏等（2008）[81]研究了离散型泊位和岸桥同时进行优化的问题（BAP＋QCAP），其优化目标是使所有船舶的总在港时间（等待与装卸作业时间之和）最短，并采用了免疫遗传算法进行求解。Yang等（2012）[82]研究了船舶动态到达情况下的连续泊位分配—岸桥指派问题（BAP＋QCAP），并采用了遗传算法求解。
Raa等（2011）[83]假设船舶装卸作业时间取决于船舶所载集装箱量与所分配的岸桥数量，对泊位分配问题与岸桥指派问题（BAP＋QCAP）进行了集成优化研究，构建了混合整数规划模型，并设计了求解所用的启发式算法。乐美龙等（2011）[84]研究了连续泊位分配与岸桥指派集成优化问题（BAP＋QCAP），其优化目标为最小化船舶等待时间、装卸作业时间与最小位置偏移量，并采用了Memetic算法求解。张红菊等（2012）[85]考虑了岸桥装卸成本与位置偏离惩罚成本，以成本和时间最小化为目标，研究了连续泊位分配与岸桥指派优化问题（BAP＋QCAP），求解方面采用了粒子群算法。Meisel等（2009）[86]在泊位分配问题中考虑到了岸桥生产效率（BAP＋QCAP），认为岸桥生产效率存在边际递减现象，并用一个折扣系数来描述多台岸桥同时装卸一艘船舶时的作业效率递减情况，同时还考虑到了位置偏移所导致的装卸作业时间增加的情形。李娜等（2011）[87]研究了泊位调度与岸桥指派问题，假设只有船舶所需的岸桥数量达到规定的最小岸桥数量时才能作业。靳志宏等（2011）[88]在假设泊位计划已知的情况下，研究了岸桥调度问题；杨春霞等（2010）[89]研究了泊位分配与岸桥指派问题，以船舶在港时间最短和码头运营成本最低为目标构建了数学模型，并通过多目标遗传算法求解。Tavakkoli-Moghaddam等（2009）[90]研究了岸桥指派与岸桥作业调度的集成优化问题。Elwany等（2013）[91]以成本最小化为目标，研究了连续泊位分配与岸桥指派的集成调度问题。Giallombardo等（2010）[92]研究了泊位分配与岸桥指派集成调度问题，构建了混合整数二次规划模型，并基于禁忌搜索算法设计了启发式算法求解。Turkogullari等（2013）[93]研究了泊位分配与岸桥指派的集成调度问题，以成本最小化为目标，构建了混合整数规划模型。Zhang等（2010）[94]在泊位分配与岸桥指派问题研究中，考虑到了岸桥移动范围的影响，以成本最小化为目标，构建了混合整数规划模型。桂小娅等（2013）[95]研究了连续泊位分配与岸桥指派的集成调度问题，以在港时间最短为目标构建了数学模型，并设计了双层循环算法求解。
此外，还有很多学者的研究间接地与本书内容相关。计明军等（2007）[96]建立了集卡与岸桥集成调度模型，以最小化集卡运输时间与岸桥作业时间之和为目标。作者在岸桥作业处理上，分为卸箱、装箱与装卸箱同时作业3种情况。陈璐等（2006）[97]研究了岸桥—集卡—场桥的集成作业调度，假设船舶装载作业在所有卸载作业完成之后再进行，并视作业为flow shop的扩展。
Imai等（2006）[98]，Chen等（2007）[99]，Canonaco等（2008）[100]，周鹏飞（2005）[101]，应俊（2011）[102]，陈璐（2006）[103]，乐美龙等（2012）[104]，[105]，Tang等（2014）[106]，Stahlbock等（2008）[107]，Bierwirth等（2010）[108]，他们分别从集卡调度、场桥调度、配载计划等方面提到了岸桥作业调度，但这些研究的出发点并非优化岸桥作业序列，与本书的研究重点关系不大，因此不详细论述。表1-1给出了现有集成调度研究文献与本书所要研究内容的异同。
表1-1 现有文献集成调度研究内容
续表
1.2.4 研究进展分析与总结
就研究现状而言，泊位调度的研究文献中，国外多以离散泊位调度为主，国内则以连续泊位调度为主。泊位调度存在着从离散泊位转向连续泊位的趋势，因为后者更有利于泊位资源的充分利用；另一个发展趋势是泊位与其他资源的集成调度，如泊位与岸桥。岸桥作业调度则仍以单船装卸作业调度为主，有2个研究趋势：一是纵向方面，装卸任务划分不断细化，从最初的多贝位区域（bay areas），到整贝（complete bays），接着是箱组（container group），直到最后的单箱（single container），目的在于更好地取得多台岸桥的工作负荷均衡；二是横向方面，与其他资源进行集成研究，如岸桥与泊位、岸桥与集卡、岸桥—集卡—龙门吊的集成优化调度等，这类研究仍然偏少，是未来的一个研究热点。
就研究方法而言，现有泊位分配与岸桥作业调度均以构建混合整数规划模型为主，鉴于问题的NP-hard特性，求解方面多采用智能优化算法或启发式算法，如遗传算法、禁忌搜索算法、模拟退火算法、粒子群算法等均有应用。
综上所述，现有研究取得了重要进展与成果，在模型构建与求解方面为后续研究奠定了很好的基础，但在一定程度上，为降低问题复杂程度，对问题做了简化处理，致使调度方案与现实情况存在一定差距，主要包括：
（1）参数“船舶装卸作业时间”的取值依据不合理
在单独的泊位分配研究，以及泊位—岸桥集成调度研究中，一个重要的参数是“船舶装卸作业时间”的取值问题，已有文献研究多假定其为一固定常数，或与靠泊位置有关，或与岸桥数量呈反比，或在岸桥数量中加入一定的折扣率等，这类研究均以一个多项式函数来表示装卸作业时间的大小，从而降低了问题的难度，对现实情况做了简化处理。
（2）泊位—岸桥集成调度研究中忽略了具体的岸桥作业计划
泊位与岸桥的集成调度研究已成为一个重要的发展趋势，但现有文献多以研究泊位分配与岸桥指派集成调度为主，而将具体的岸桥作业调度研究排除在外。事实上，这类研究得出的泊位计划与岸桥指派方案，在执行过程中，要么存在泊位与岸桥资源严重闲置情况，要么出现在计划的泊位窗口期内，根本无法完成具体的岸桥作业调度情况，其主要原因在于忽略了具体的岸桥作业计划。
（3）关于泊位分配、岸桥指派与岸桥作业调度的集成研究偏少
由于建模与求解难度的增加，现有研究较少将三者进行集成调度研究。由前面的分析可知，泊位分配、岸桥指派与岸桥作业调度三者之间是相互联系、相互影响的。因此，三者的集成调度研究应是一个重点发展方向，其建模与算法需要进一步的研究。