随着集装箱港口集装箱吞吐量的日益增长,为了提高码头的整体作业效率,同时为了适应低碳、节能环保、智能等要求,码头管理者引入高度自动化的集成装卸作业设备。其中自动导引小车(Automatic Guided Vehicle,AGV)就是一种自动化的水平运输设备。水平运输是影响码头作业效率的重要因素之一,如何合理进行积极有效的AGV指派调度,如何保证AGV作业的冲突控制是自动化集装箱码头所必须解决的问题之一。本文从当前自动化集装箱码头的发展概况、自动化码头作业流程、调度系统概述以及AGV水平运输冲突的研究背景入手。在认真阅读了国内外相关文献的基础上,对自动化集装箱码头的水平运输设备AGV的实时作业调度进行优化,对AGV的冲突避让控制策略进行设计。首先,针对自动化集装箱码头的AGV实时调度问题,提出一种在线学习的AGV实时调度方法,该方法可以根据码头的状况动态调整AGV指派规则。该调度方法的作业评价综合考虑岸桥平均作业时间、AGV空载时间和AGV冲突等待时间三个因素,并将最佳作业与其他作业配对形成训练样本,使用机器学习的方法用这些样本训练基于偏好函数的指派规则,规则在线学习使用BP神经网络实现。最后,通过算例验证了在线学习实时调度方法的可靠性,对比遗传算法求解结果和最短车程指派规则求解结果验证其有效性。然后,针对调度过程中多AGV冲突避障的问题,提出一种强化学习的多AGV避让控制方法。模型中考虑AGV的协作特点,建立联合状态、联合动作集合以及强化信号函数,并通过Q-learning和DQN(Deep Q-Network)两种方法进行模型的训练,并与其它两种避让策略进行对比,验证避让模型的有效性。最后将搭建一个基于B/S架构的水平作业系统,并将实时调度优化算法作为系统的调度方法。本文通过以上的研究,主要解决了自动化集装箱码头水平作业AGV的实时调度和避让问题。证明了机器学习在AGV实时调度和避让控制研究的可行性,希望通过本文能引出更对基于机器学习的AGV调度问题的探讨。