全球集装箱贸易量的飞速增长,造成了码头间日益激烈的竞争环境。作为码头中最重要的战略资源,泊位资源的高效利用对于提升码头运作效率具有十分重要的意义。在生产实践中,码头需要根据船舶的预计抵港时间、装卸箱量及船舶尺寸,对泊位调度计划进行安排。然而,恶劣的气象水文条件可能打乱原本的泊位调度计划,不仅耽误货主的收货时间,也给船舶运营调度增加了困难。对此,本文考虑气象水文环境对船舶作业时间的影响,对集装箱码头连续型泊位调度问题展开研究。本文以岸桥使用成本与延误离港惩罚之和最小为目标函数,对船舶靠泊时间、靠泊位置、服务岸桥数量进行优化决策。为了提高气象水文影响下船舶作业时间的计算准确性,提出了考虑风、浪、降雨及能见度的作业时间机器学习模型。模型中,针对不同气象水文条件下作业效率差异较大的特点,采用机器学习方法计算气象水文影响下的船舶作业效率;针对气象水文条件可预报且频繁变动的特点,通过累加单位时间作业量来估算船舶作业时间。为了有效地求解本文模型,设计了基于动态学习的改进粒子群算法。其中,粒子群算法帮助有效求解泊位调度优化问题,而动态学习帮助实现作业效率训练结果随环境与季节的持续更新。另外,将聚类方法与神经网络方法相结合,帮助获取典型气象水文条件下的作业效率训练结果。以码头实际运营参数为依据,设计算例以验证模型与算法的有效性。结果表明:对采用机器学习前后的作业效率计算偏差进行对比,验证了机器学习模型对提升计算准确性的效果。借助本文模型与机会约束模型、确定性模型的对比分析,验证了基于机器学习的泊位调度优化模型的有效性。对不同气象条件下泊位调度计划进行敏感性分析,分析结果表明:当气象条件良好时,无论到港计划提前或延后,都可以通过增减岸桥数量以帮助船舶按时离港;当气象极度恶劣时,增派岸桥对提升作业效率的贡献有限,不建议通过增派岸桥加速船舶离港。