随着工业系统向信息化、智能化的持续快速发展,“智慧交通”成为现代交通运输行业的重要研究方向和发展目标。港口作为交通运输系统的关键节点,推进“港站一体化”建设,通过先进智能方法全面提高港口作业效率,是“智慧交通”理念的重要实践。针对散货码头在卸车、装船等生产过程中存在运行数据不可靠、计划排产不科学等问题,以现代散货转运港口为研究对象,以港口状态监测数据集成系统及运行智能优化为研究方向,在港口的数据采集处理、卸车调度、泊位调度、装船排产调度和吞吐量预测等方面展开研究。针对港口运行状态的监测和数据压缩处理方面进行了研究。分析了港口状态监测的数据需求,针对数据的自动化采集、标准化定义,设计开发了面向现代散货港口状态监测的数据集成系统。研究了集成数据的处理和压缩方法,实现历史数据的高效存储,为港口的数字化、智能化奠定了数据基础。针对散货港口卸车调度智能优化问题,进行了卸车作业的数学建模和调度优化算法的研究。基于港口状态监测系统中的卸车作业相关数据,考虑多货物种类、列车调度计划、卸车设备可用性及其相互约束关系等因素,构建了卸车作业任务模型,使载货列车在港滞留总时间最短。提出一种改进樽海鞘优化算法,引入自适应惯性权重,以及随机柯西变异策略,利用算法优化卸车调度问题,大幅减少了列车在港滞留时间。针对散货港口泊位调度智能优化问题,开展泊位调度问题数学建模和优化算法的研究。基于港口状态监测系统中的泊位调度相关数据,考虑泊位状态、船舶数量、装卸时间等因素,构建了船舶在港时间最短的优化模型。提出一种改进灰狼算法,采用Sin混沌序列进行初始化,引入头狼引领策略、合作竞争机制和自适应权值,增强个体间的信息交流,提高信息利用率,加快算法的收敛速度。采用改进的灰狼算法对泊位调度进行优化,减少了所有船舶停留总时间,提升了泊位使用效率。针对散货船舶装船排产调度智能优化问题,基于强化学习方法对装船排产调度优化问题展开研究,依据实际港口环境,提取堆场信息、船只的需求信息和设备信息,建立符合实际生产情况的马尔可夫决策过程模型;设计港口环境的状态空间和智能体动作空间描述,基于双深度Q网络强化学习算法与排产问题模型的特点提出了改进的网络结构与动作函数,同时改进ε-greedy探索策略。基于改进算法展开训练,通过模拟港口实际排产情况进行仿真实验,得到在任务随机抵达、堆场状态随机条件下的优化排产方案。训练后的排产方案减少了总工作时长,提升了设备利用率。针对散货港口年度吞吐量智能化预测问题,对吞吐量预测模型展开研究,分析吞吐量相关变量,提出一种基于蚁群算法优化反向传播神经网络,对BP神经网络的初始权值、阈值进行优化,基于状态监测数据系统中的历史数据,建立港口吞吐量预测模型。改进的BP神经网络预测模型能够有效改善原始BP神经网络预测模型的预测精度,在样本数较少的情况下获得了较高的预测精度。