针对无人水下航行器（UUV）在复杂地形环境下的定高路径规划问题，提出了一种基于UUV运动特性改进的混合A^*路径规划算法（UUVA^*）。首先，结合UUV的非完整运动约束，对传统混合A^*算法进行状态空间扩展。其次，设计了适应UUV航行特性的运动基元，同时对代价函数进行优化，引导生成平滑且适航的路径。最后，为提高搜索效率，本文引入了多分辨率分层搜索与分支修剪机制，显著减少了节点扩展数量。通过在海底山丘、海底峡谷两种典型复杂地形下的仿真测试，验证了算法的定高规划能力，并与经典A^*、混合A^*算法和RRT^*算法进行对比仿真试验。结果表明，所提算法生成的路径更加平滑，UUV跟踪误差更小，更适合实际应用，验证了本文方法在轨迹跟踪误差和路径可航行性方面的优越性。

为提高船舶运动预测的准确性，本文提出了一种基于Alpha进化算法（AE）优化最小二乘支持向量机（LS-SVM）的船舶运动灰箱建模方法（AE-LS-SVM）。该方法利用AE优秀的全局搜索能力对LS-SVM超参数进行寻优，在Abkowitz模型的基础上，构建包含操纵变量和船舶响应的三自由度船舶操纵运动灰箱模型。通过海洋模拟器进行船舶操纵试验获得数据集，将本研究所建立的灰箱模型与GWO-LS-SVM和PSO-LS-SVM建立的灰箱模型进行操纵试验对比分析。试验结果表明，AE-LS-SVM方法在模型输出结果的均方误差（MSE）上分别降低了约6%和4%，平均绝对百分比误差（MAPE）分别降低了约3.84%和1.96%，相关系数（CC）分别提高了0.13%和0.04%。此外，通过在训练数据集中引入不同水平的干扰以模拟系统测量误差，进一步验证了该方法的抗干扰性能。研究结果表明，AE-LS-SVM方法具有较高的建模精度和良好的抗干扰性，可以为船舶运动预测提供一定程度的支持。

随着智能航运与船舶自主操纵技术的发展，船舶运动模型在实际航行环境中对参数辨识精度提出了更高要求。然而，在样本数量受限的条件下，传统船舶非线性运动模型参数辨识方法难以兼顾精度与稳定性，制约了其工程应用效果。针对上述问题，提出一种基于物理信息神经网络（PINN）的船舶运动操纵参数辨识方法。该方法在神经网络训练过程中引入船舶二阶非线性响应模型作为物理先验约束，将模型动力学信息与有限观测数据进行深度融合，从而提升有限样本条件下参数学习的有效性。基于Mariner船模开展20°/20°Z形操纵试验的数值仿真，构建训练与验证数据集，对船舶操纵性指数进行辨识，并将结果与扩展卡尔曼滤波（EKF）方法和最小二乘支持向量机（LS-SVM）方法进行对比分析。结果表明，在有限样本数据条件下，所提方法在船舶非线性响应模型参数辨识精度方面较EKF和LS-SVM方法分别提升了14.75%和7.74%。在加入高斯白噪声的鲁棒性试验中，PINN仍能保持稳定的参数辨识性能，最小辨识误差可达0.05%。研究结果表明，该方法能够有效解决有限数据条件下船舶非线性响应模型参数高精度辨识问题，为船舶运动建模与操纵性能分析提供了一种可行的技术途径。

可靠的海上航行环境态势感知是船舶智能化发展的关键，雷达和船舶自动识别系统（AIS）是船舶配备最多的导航设备，二者的数据关联与融合是实现智能感知的基础。针对船舶状态测量数据存在的异步、缺失及不确定等特点导致的航迹关联困难问题，提出一种基于动态时间规整（DTW）与证据理论（DST）的多目标航迹关联算法。通过动态时间规整方法对多源航迹数据进行时间序列对齐与特征表达；利用证据理论融合航迹多维特征信息；构建两阶段关联判别模型得到异构传感器数据在约束条件下的全局最优匹配。根据雷达与AIS的目标观测特性建模多目标航迹仿真数据集，评估轨迹关联算法在不同场景下的适用性。提出算法在大连海事大学智能研究与实训两用船“新红专”轮的试航阶段开展评估。结果表明：算法在航迹关联任务中的F₁-分数超过0.9，不同场景测试性能波动仅为9.03%，表现出较高的准确性与鲁棒性，为智能船舶多源感知信息融合与海上态势感知提供技术支撑。

在近海港口航道繁忙水域，海上实体航标极易发生碰撞，导致标体损坏，无法正常运行。为解决现有方案针对航标自航研究领域空白，不能实现自主航行避碰，未能有效结合人工智能技术使其智能化航行工作等问题，提出一种改进近端策略优化并结合速度障碍的航标自航方法。近端策略优化算法采用离线学习方式提高网络更新效率,设计航标自航动作空间，能更快实现模型收敛；但在模型收敛时容易陷入局部最优，为避免模型陷入局部最优，结合速度障碍算法表示状态空间，用速度向量设计奖励函数，使其在计算距离奖励函数基础上，增加基于位置和速度信息的奖励函数，提高收敛速度，并满足航标在近海港口航道中自适应地选择最佳速度；为提高算法鲁棒性，增加熵奖励函数对近端策略优化算法改进，以激励更多探索。试验表明，增加熵奖励函数与未增加相比，在平均航行步长、平均航行速度等指标上分别提升了9.3%、10.2%，且模型测试成功率保持在99%以上。该方法实现了航标无人操控、自主航行及避碰的安全作业模式，降低航标在繁忙水域被碰撞损坏的风险，减少人工巡检和维护成本。对加快构建现代化航海保障体系、保障海上航行安全具有重要战略意义。

针对航道整治等大型水上工程中施工船舶协同调度难题，首次将其建模为双资源泊位分配问题（DR-BAP），建立以最小化船舶等待成本和资源偏好不匹配成本为目标的数学模型。为求解此非确定性多项式（NP-hard）问题，提出两阶段混合布谷鸟搜索算法（TSH-CSA）：第一阶段采用动态优先级、负载均衡引导策略及历史拥堵反馈惩罚机制进行宏观资源分配，融合领域知识与反馈信息优化适应度评估；第二阶段融合自适应双种群与智能重启机制实现微观精细化求解，算法整体构建“分配—调度—反馈”全局迭代框架以提升全局寻优能力。以某航道整治工程为背景的仿真实验表明，相较于标准布谷鸟搜索算法，TSH-CSA在求解质量、收敛速度与鲁棒性上均显著提升，验证了模型与算法解决复杂工程调度问题的有效性与先进性。

随着全球贸易和航运规模持续扩大，码头集装箱吞吐量呈指数级增长，对港口物流效率，特别是自动导引车（AGV）的协同作业效率提出了更高的要求。现有的集中式算法和分布式算法在平衡计算复杂度和优化质量上存在不足，难以有效解决自动化集装箱码头对于缩短完工时间、提高作业效率的需求。针对上述问题，提出一种结合集中式算法和分布式竞价的混合式任务分配算法（HAA）。首先，从调度系统、AGV群和任务集角度着手，构建以最小化完工时间、AGV总行驶距离及任务执行延迟时间为目标的多目标优化模型；其次，利用遗传算法对该问题进行求解，将任务集划分为与AGV数量相等的有序任务子集；最后，各AGV分布式计算对任务子集的竞价值，并结合匈牙利算法求解由竞价值构建的开销矩阵。通过仿真试验，在多种不同任务规模、任务密度的场景下对所提HAA方法进行验证，并与传统的集中式算法和分布式算法对比分析。结果表明，该方法在获得接近集中式算法的求解质量的同时，计算时间平均降低39.09%，展现出较好且稳定的优化性能，且能够适用于周期性调度场景。

国际航运业作为全球贸易的命脉，其碳排放量占全球总量的3%，是实现气候目标面临的严峻挑战。船舶碳捕集与封存（OCCS）技术，因其显著的减排潜力及与现有船舶的兼容性，被广泛视为推动航运业迈向净零排放的重要路径。本研究聚焦于OCCS技术的经济可行性，系统分析了其成本构成，揭示了初始资本支出与因捕集系统带来的额外燃料消耗是制约其推广的核心经济壁垒。通过对一艘MR型油轮的案例研究进行量化分析，结果显示，在特定条件下，OCCS系统的投资回收期为8.38年，初步验证了该技术在商业化应用上的经济潜力。进一步地，敏感性分析指出，碳税税率与CO₂市场价格是投资回收周期的决定性变量，也是未来评估技术经济性时必须重点考量的不确定因素。基于此，本研究提出，OCCS的商业化落地无法单纯依赖技术成熟，必须构建政策引导、技术创新与市场机制三维协同的支撑体系。本研究通过实证数据为航运业从宏观脱碳战略向微观经济决策的转化提供了理论依据，填补了OCCS技术在具体船型应用中的量化评估空白。

随着全球航运业对节能减排要求的不断提高，精确预测船舶燃油消耗已成为优化航运效率与降低环境影响的关键。然而，多源数据中存在的特征冗余与噪声干扰问题，制约了燃油消耗预测模型的精度与稳定性。针对上述问题，提出一种精确预测船舶燃油消耗的综合框架。整合船舶正午报告数据、欧洲中期天气预报中心（ERA5）分析数据、全球海洋物理分析与预测数据以及自动识别系统数据，构建了多维特征空间数据；针对特征冗余与噪声干扰问题，引入遗传算法进行特征选择，将32个原始特征精简至15个；然后，系统评估九种机器学习回归模型，结果显示随机森林（RF）在捕捉燃油消耗非线性特性方面具有显著优势；基于RF模型的特征重要性分析揭示了时间维度变量（如日航时、总航时）在燃油消耗预测中的主导作用，为能效管理提供了定量决策依据。结果表明:遗传算法特征选择有效降低了约53.1%的计算复杂度，随机森林模型在捕捉燃油消耗非线性特性方面表现最佳，显著提升了预测精度。研究成果为船舶航运业的燃油优化和减排策略制定提供了理论支撑，对推动航运业绿色转型具有重要意义。

随着港口设备的绿色转型，拖轮调度问题面临着新的机遇与挑战。一方面新能源拖轮的投用有利于降低港口作业成本与碳排放量，另一方面当前针对新能源拖轮的研究较为匮乏。针对这一研究局限，根据混合动力拖轮的特征，以船舶在港成本、拖轮作业成本及碳排放成本最小化为目标构建了多港区背景下的异构拖轮调度混合整数线性规划模型。针对模型的特点，采用嵌入特定启发式规则的多元宇宙优化（MVO）算法进行求解，在小规模算例上通过与Gurobi对比验证了算法的有效性与准确性，在大规模算例求解中平均可求出优于遗传算法（GA）与改进遗传算法（IGA）4%与3.25%的目标值。研究结果显示：配置大功率的拖轮可有效降低船舶在港成本与拖轮作业成本，但大功率拖轮数量过多时会相对增加拖轮的作业成本，此时适当配置较小功率的拖轮可以发挥出其作业成本低的优势；有效配置一定数量的混合动力拖轮可以降低总调度成本及拖轮碳排放成本，同时拖轮碳排放成本所占作业成本的比例可以从8%不断降低至约1.51%。