While a variety of disruptions are involved in the daily operation of container ports, the disruption management process in practice highly relies on the port operators’ experience or follows simple service rules. A need exists for a systematic way to adopt mathematical models to deal with these uncertainties. Considering the significance of the berth in the ports, we investigate the berth allocation problem (BAP) involved with different disruptions from a proactive perspective. We propose a mathematical model and an algorithm that can help operators make robust berth allocation schedules in a more maneuverable way instead of relying on their working experience. The research is presented in the following steps: initially, potential port disruptions related to the BAP are identified; then, based on the identification process, a proactive optimization model is formulated to generate baseline berth allocation schedule, minimizing the baseline schedule cost in the deterministic situation and the recovery cost in the disruption scenarios; finally, due to the characteristic of the BAP, a multi-stage heuristic algorithm is developed to solve large-scale problems. Algorithmic solutions to randomly generated computational instances are compared with the CPLEX solver to validate the reliability and the effectiveness of the algorithm. The difference in the recovery cost and the total cost between the proactive model and a deterministic model shows that the proposed model can generate berth allocation schedules of better robustness and maneuverability that help in practice.

虽然集装箱港口的日常运营中涉及各种中断，但实践中的中断管理过程高度依赖港口经营者的经验或遵循简单的服务规则。需要一种系统的方法来采用数学模型来处理这些不确定性。考虑到港口泊位的重要性，我们从主动的角度研究了不同中断所涉及的泊位分配问题（BAP）。我们提出了一个数学模型和一种算法，可以帮助运营商以更灵活的方式制定稳健的泊位分配计划，而不是依赖他们的工作经验。该研究按以下步骤进行：首先，确定与 BAP 相关的潜在港口中断；然后，基于识别过程，制定主动优化模型，生成基准泊位分配计划，最小化确定性情况下的基准计划成本和中断情景下的恢复成本；最后，由于BAP的特点，开发了一种多阶段启发式算法来解决大规模问题。将随机生成的计算实例的算法解决方案与 CPLEX 求解器进行比较，以验证算法的可靠性和有效性。主动模型和确定性模型之间的恢复成本和总成本的差异表明，所提出的模型可以生成具有更好鲁棒性和可操作性的泊位分配计划，在实践中有所帮助。最小化确定性情况下的基线进度成本和中断情况下的恢复成本；最后，由于BAP的特点，开发了一种多阶段启发式算法来解决大规模问题。将随机生成的计算实例的算法解决方案与 CPLEX 求解器进行比较，以验证算法的可靠性和有效性。主动模型和确定性模型之间的恢复成本和总成本的差异表明，所提出的模型可以生成具有更好鲁棒性和可操作性的泊位分配计划，在实践中有所帮助。最小化确定性情况下的基线进度成本和中断情况下的恢复成本；最后，由于BAP的特点，开发了一种多阶段启发式算法来解决大规模问题。将随机生成的计算实例的算法解决方案与 CPLEX 求解器进行比较，以验证算法的可靠性和有效性。主动模型和确定性模型之间的恢复成本和总成本的差异表明，所提出的模型可以生成具有更好鲁棒性和可操作性的泊位分配计划，在实践中有所帮助。开发了一种多阶段启发式算法来解决大规模问题。将随机生成的计算实例的算法解决方案与 CPLEX 求解器进行比较，以验证算法的可靠性和有效性。主动模型和确定性模型之间的恢复成本和总成本的差异表明，所提出的模型可以生成具有更好鲁棒性和可操作性的泊位分配计划，在实践中有所帮助。开发了一种多阶段启发式算法来解决大规模问题。将随机生成的计算实例的算法解决方案与 CPLEX 求解器进行比较，以验证算法的可靠性和有效性。主动模型和确定性模型之间的恢复成本和总成本的差异表明，所提出的模型可以生成具有更好鲁棒性和可操作性的泊位分配计划，在实践中有所帮助。